谷歌再次更新算法：除了文章做優(yōu)化你還可以這樣做-魔扣目錄

來自一位在谷歌工作15年的對話：如果非要問我在谷歌工作的15年里學(xué)到了什么，那一定是這句話：人們的好奇心是永無止境的。我們每天都會看到數(shù)十億次的搜索，其中15%的查詢是我們以前從未見過的——所以我們建立了一些方法來展示這些無法預(yù)料的查詢。

當(dāng)這樣的人來搜索時，我們并不總是很確定查詢的最佳方式。我們可能不知道如何使用正確的拼寫單詞，或者如何拼寫一些東西，因為很多時候，我們來搜索是為了學(xué)習(xí)——我們不一定自身一開始就有這些知識。

搜索的核心是理解語言。我們的工作是弄清楚你在搜索什么，并從網(wǎng)上找到有用的信息，無論你如何拼寫或組合你的關(guān)鍵詞。雖然多年來我們不斷提高我們的語言理解能力，但有時我們?nèi)匀徊荒芎芎玫乩斫馑貏e是在處理復(fù)雜的或非正式的語言查詢時。事實上，這就是為什么人們經(jīng)常使用“關(guān)鍵字-ese”的原因之一，即鍵入他們認為我們能理解的字符串，但并不是他們確切要問的問題。

我們的研究團隊在語言理解科學(xué)方面取得了最新進展：

機器學(xué)習(xí)使這一切成為可能——我們在理解搜索的方式上取得了顯著的進步，這是過去五年里最大的飛躍，也是搜索歷史上最大的飛躍之一。

將BERT模型應(yīng)用于搜索：

去年，我們引入并開源了一種基于神經(jīng)網(wǎng)絡(luò)的自然語言處理(NLP)預(yù)訓(xùn)練技術(shù)，我們也稱之為：BERT。簡潔的說，這項技術(shù)可以讓任何人建立自己的最先進的自動問答系統(tǒng)。

這項突破性的成果是谷歌transformers模型研究結(jié)果，處理一個句子中所有單詞之間的關(guān)系，而不是一個接一個地處理。

因此，BERT模型可以通過查看上下文的所有單詞來考慮完整語義，這對于理解搜索查詢背后的意圖特別有用。

但使這一成果成為可能的不僅僅是軟件上的進步:我們也需要新的硬件。我們可以用BERT構(gòu)建的一些非常復(fù)雜的模型，但是也挑戰(zhàn)了我們傳統(tǒng)硬件的極限，所以我們第一次使用最新的云計算cpu來提供搜索結(jié)果，并迅速為您提供更多相關(guān)信息。

破解你的搜索：

有很多技術(shù)細節(jié)，但這對你來說意味著什么呢?通過將BERT模型應(yīng)用于搜索中的排名和特色摘要，我們能夠更好地幫助你找到有用的信息。

事實上，當(dāng)涉及到排名結(jié)果時，BERT將幫助搜索引擎更好地理解美國1/10的搜索，隨著時間的推移，我們將把這一點引入更多的語言和地區(qū)。

特別是對于較長的、會話性較強的搜索，或者在“for”和“to”等介詞對意思很重要的情況下進行搜索時，搜索引擎將能夠理解查詢語句中的上下文。你可以用一種你覺得很自然的方式來進行搜索。

為了啟動這些改進，我們做了大量測試，以確保這些更改實際上更有幫助。這里有一些例子展示了我們的評估的過程，證明了BERT理解你搜索背后意圖的能力。

以下是“2019 brazil traveler to usa need a visa”的搜索結(jié)果。“to”這個詞以及它與查詢中的其他詞之間的關(guān)系對于理解語義非常重要。

這是關(guān)于一個巴西人去美國旅行的故事，而不是反過來。在此之前，我們的算法無法理解這種聯(lián)系的重要性，因此我們同樣也返回了美國公民前往巴西的結(jié)果。（andy老師備注：之前的算法中，介詞是無任何意義的）。

有了BERT, 搜索引擎能夠把握這種細微差別，并且知道非常常見的單詞“to”在這里實際上非常重要，我們可以為這個查詢提供更相關(guān)的結(jié)果。

讓我們來看看另一個問題:“do estheticians stand a lot at work？”，以前，我們的系統(tǒng)采用的是匹配關(guān)鍵字的方法，將結(jié)果中的“stand-alone”與查詢中的“stand”匹配。但這不是“stand”這個詞在語境中的正確用法。另一方面，我們的BERT模型理解上下文，“stand與”work",這是一種肢體動作，并給出了更有用的搜索結(jié)果。