Google RankBrain

Google RankBrain

Google RankBrain 于 2015 年上线，是 Google 第一个用于搜索的深度学习 AI 系统。 RankBrain 解决的也是对查询词的深入理解问题，尤其是比较长尾的词，经过训练的 AI系统能够找到与用户查询词不完全匹配，但实际上很好地回答了用户查询问题的那些页面，和百度 DNN 模型是非常相似的。

2015 年 RankBrain 上线时，15%的查询词经过 RankBrain 处理，2016 年所有查询词都要经过 RankBrain 处理。由于运行RankBrain 比较贵，通常Google 只在排名最后阶段对 20～30 个URL 进行 RankBrain 计算。

Google 自己经常举这个查询作为展示 RankBrain 的例子：

What’s the title of the consumer at the highest level of a food chain?

这个查询词相当长尾，字面匹配的结果比较少，而且查询中的几个词容易有歧义，比如 consumer 通常是消费者的意思，food chain 也可以理解为餐饮连锁，但这个完整的查询和购物、消费者、饭馆之类的意思没有任何关系，RankBrain 能理解其实用户问的是食物链顶端的那一层名称是什么。同样，最后的 RankBrain 这一步不是按照经典关键词匹配计算相关性的，而是基于用户点击数据。

这种长尾查询数量很大，每天 Google 收到的查询里有 15%是以前没出现过的。这种查询靠关键词匹配就比较难找到高质量页面，数量太少，甚至没有，但理解了查询的真实意义和意图，就能找到满足用户需求的、关键词并不匹配的页面。

从某种角度看，RankBrain 帮助 Google 更好理解词汇与概念之间的关系。看到词就想到对应的概念，这对人来说是直觉，但对程序来说是个复杂的挑战。RankBrain 做到的是透过词汇，理解其代表的实际概念。

Google 没有具体说明 RankBrain 的训练方法，估计和百度 DNN 模型也是类似的。 2019 年，Google 工程师 Gary Illyes 在 Reddit 上举办的一次问答活动上曾这样描述 RankBrain 的工作原理（大意）：

RankBrain 是一个机器学习排名算法组件，对某些查询量很小，甚至以前没出现过的查询词，RankBrain 可以使用历史搜索数据预测用户最可能点击哪个页面。RankBrain 一般来说依靠的是数月的用户与搜索结果页面的互动数据（我的理解是点击率、快速返回次数及时间、二次点击、重新组织查询词等行为），不是用户与网站网页本身的互动（我的理解是停留时间、访问深度、转化率等）。

就我对 Gary Illyes 的话的理解，RankBrain 的训练方法和百度 DNN 模型是一样或极为类似的。

本文档为站内渲染。原始文件本地路径：saas/source/seo-llm/SEO实战密码-markdown-第09章-人工智能与-SEO-使用中的人工智能搜索算法-Google-RankBrai-59e513.md（仅本地保留，不入库不部署）