Новые сведения об Алгоритмах Google 2023 часть 2

Интересуешься Google ads? Ты должен подписаться

КБСТ(Особые термины на основе запроса) фокусируется на наиболее важных терминах в запросе и связанных документах, используя эту информацию для влияния на ранжирование результатов. Это означает, что поисковая система может быстро распознать наиболее важные аспекты запроса пользователя и определить приоритетность релевантных результатов. Например, это особенно полезно для неоднозначных или сложных запросов.

Взвешивание терминоврегулирует относительную важность отдельных терминов в запросе в зависимости от того, как пользователи взаимодействуют с результатами поиска. Это помогает определить, насколько релевантны определенные термины в контексте запроса. Это взвешивание также эффективно обрабатывает термины, которые очень распространены или очень редки в базе данных поисковой системы, тем самым балансируя результаты.

ДипРанк

Делает еще один шаг вперед в понимании естественного языка, позволяя поисковой системе лучше понять смысл и контекст запросов. Это достигается благодаря BERT; на самом деле DeepRank — это внутреннее имя BERT. Благодаря предварительному обучению на большом объеме данных документов и корректировке с учетом кликов и оценок людей, DeepRank может точно настроить результаты поиска, чтобы они были более интуитивными и соответствующими тому, что на самом деле ищут пользователи.

RankEmbed-BERT: Как я делаю вывод из названия (и это моя личная интерпретация), мы будем говорить об интеграции двух концепций: они будут использовать сложное понимание языка BERT (посредством его контекстных вложений) вместе с методом ранжирования (с использованием ранговых вложений) для улучшить такие задачи, как классификация, поиск или рекомендации контента.

Мum

Он примерно в 1000 раз мощнее, чем BERT, и представляет собой значительный прогресс в поиске Google. Запущенный в июне 2021 года, он не только понимает 75 языков, но и является мультимодальным, то есть может интерпретировать и обрабатывать информацию в разных форматах. Эта мультимодальная возможность позволяет MUM предлагать более полные и контекстуальные ответы, уменьшая необходимость многократного поиска для получения подробной информации. Однако его использование очень избирательно из-за высоких вычислительных затрат.

Танграм и Glue

Все эти системы работают вместе в рамках Tangram, который отвечает за сборку выдачи с данными из Glue. Речь идет не только о ранжировании результатов, но и о их организации таким образом, чтобы они были полезными и доступными для пользователей, учитывая такие элементы, как карусели изображений, прямые ответы и другие нетекстовые элементы.

При этом Google объединит эти алгоритмы, чтобы:

· Пониматьзапрос: расшифровка намерения слов и фраз, которые пользователи вводят в строку поиска.

· Определите релевантность:Ранжирование результатов на основе того, насколько содержимое соответствует запросу, с использованием сигналов прошлых взаимодействий и оценок качества.

· Отдавайте предпочтение свежести: Обеспечение того, чтобы самая свежая и актуальная информация поднималась в рейтингах, когда это важно.

· ПерсонализацияРезультатов : адаптация результатов поиска не только к запросу, но и к контексту пользователя, например, к его местоположению и устройству, которое он использует. Естьедва ли больше персонализации, чем эта.

Из всего, что мы видели до сих пор, я считаю, что Tangram, Glue и RankEmbed-BERT — единственные новинки, просочившиеся на сегодняшний день.

Как мы видели, эти алгоритмы основаны на различных показателях, которые мы сейчас еще раз разберем, извлекая информацию из испытания.

Метрики, используемые Google для оценки качества поиска

В этом разделе мы снова сосредоточимся на опровержении показаний профессора Дугласа В. Оарда и включиминформация из предыдущей утечки «Проекта Веритас».

На одном из слайдов было показано, что Google использует следующие метрики для разработки и корректировки факторов, которые его алгоритм учитывает при ранжировании результатов поиска, а также для отслеживания того, как изменения в его алгоритме влияют на качество результатов поиска. Цель состоит в том, чтобы попытаться уловить намерения пользователя.

1. Оценка IS

Оценщики играют решающую роль в разработке и совершенствовании поисковых продуктов Google. Благодаря их работе генерируется метрика, известная как «IS Score» (показатель удовлетворенности информацией от 0 до 100), полученная на основе оценок оценщиков и используемая в качестве основного показателя качества в Google.

Он оценивается анонимно, когда оценщики не знают, тестируют ли они Google или Bing, и используется для сравнения производительности Google с его основным конкурентом.

Эти оценки IS не только отражают воспринимаемое качество, но также используются для обучения различных моделей в поисковой системе Google, включая алгоритмы классификации, такие как RankBrain и RankEmbed BERT.

По документам по состоянию на 2021 год они используют IS4. IS4 считается приблизительным вариантом полезности для пользователя и должен рассматриваться как таковой. Его описывают как, возможно, самый важный показатель ранжирования, однако они подчеркивают, что он является приблизительным и подвержен ошибкам.