谷歌宣布发布改进技术，使研究和开发可以快速部署的新算法变得更加容易和快捷。

  这使 Google优化能够快速创建新的反垃圾邮件算法、改进自然语言处理和排名相关算法，并能够比以往更快地将它们投入生产。

改进的 TF 排名与最近 Google 更新的日期一致

  这很有趣，因为谷歌在 2021 年 6 月和 7 月推出了几种垃圾邮件对抗算法和两个核心算法更新。这些发展是在 2021 年 5 月这项新技术发布之后直接进行的。

  时机可能是巧合，但考虑到新版本基于 Keras 的 TF-Ranking 所做的一切，熟悉它可能很重要，以了解为什么谷歌加快了发布与排名相关的新算法更新的步伐。

新版基于 Keras 的 TF-Ranking

  Google 发布了新版本的 TF-Ranking，可用于改进神经学习以对算法以及 BERT 等自然语言处理算法进行排序。

  

  这是一种创建新算法和放大现有算法的强大方法，可以说，并且以极快的方式进行。

TensorFlow 排名

  根据谷歌的说法，TensorFlow是一个机器学习平台。

  在 2019 年的 YouTube 视频中，TensorFlow 排名的第一个版本被描述为：

  “第一个用于大规模学习排名 (LTR) 的开源深度学习库。”

  原有TF-Ranking平台的创新之处在于它改变了相关文档的排序方式。

  以前的相关文件在所谓的成对Google排名中相互比较。将一个文档与查询相关的概率与另一个项目的概率进行比较。

  这是一对文档之间的比较，而不是整个列表的比较。

  TF-Ranking 的创新之处在于它可以一次比较整个文档列表，称为多项目评分。这种方法允许更好的排名决策。

改进的 TF 排名允许快速开发强大的新算法

  谷歌在其 AI 博客上发表的文章称，新的 TF-Ranking 是一个主要版本，它比以往任何时候都更容易设置学习排名 (LTR) 模型并更快地将它们投入生产。

  这意味着 Google 可以比以往更快地创建新算法并将其添加到搜索中。

  文章指出：

  “我们的原生 Keras 排名模型具有全新的工作流程设计，包括灵活的 ModelBuilder、用于设置训练数据的 DatasetBuilder 以及使用提供的数据集训练模型的 Pipeline。

  这些组件使构建定制的 LTR 模型比以往任何时候都更容易，并有助于快速探索用于生产和研究的新模型结构。”

TF-Ranking BERT

  当一篇文章或研究论文指出结果稍微好一点，提出警告并指出需要更多研究时，这表明正在讨论的算法可能没有使用，因为它没有准备好或死胡同。

  

  

  TFR-BERT不是这种情况，它是 TF-Ranking 和 BERT 的组合。

  BERT 是一种用于自然语言处理的机器学习方法。这是一种理解搜索查询和网页内容的方法。

  BERT 是过去几年 Google SEO 和 Bing SEO最重要的更新之一。

  文章指出，将 TF-R 与 BERT 结合以优化列表输入的排序产生了“重大改进”。

  这种结果显着的声明很重要，因为它增加了当前正在使用这样的东西的可能性。

  这意味着基于 Keras 的 TF-Ranking 使 BERT 更加强大。

  根据谷歌的说法：

  “我们的经验表明，这种 TFR-BERT 架构显着提高了预训练语言模型的性能，从而为几个流行的排名任务带来了**进的性能……”

TF-Ranking 和 GAM

  还有另一种算法，称为广义加性模型(GAM)，TF-Ranking 也改进并制作了比原始版本更强大的版本。

  使该算法变得重要的一件事是它是透明的，因为可以看到和理解生成排名的所有内容。

  谷歌这样解释透明度的重要性：

  “透明度和可解释性是在排名系统中部署 LTR 模型的重要因素，这些模型可能涉及确定流程的结果，例如贷款资格评估、广告定位或指导医疗决策。

  在这种情况下，每个特征对最终排名的贡献应该是可检查和可理解的，以确保结果的透明度、问责制和公平性。”

  GAM 的问题在于不知道如何将这种技术应用于排序类型的问题。

  为了解决这个问题并能够在排名设置中使用 GAM，TF-Ranking 被用来创建神经排名广义加性模型 (GAM)，它对网页的排名方式更加开放。

  谷歌称之为，可解释的排名学习。

  这是谷歌人工智能文章所说的：

  “为此，我们开发了神经排序 GAM——广义可加模型对排序问题的扩展。

  与标准 GAM 不同，神经排序 GAM 可以同时考虑已排序项目的特征和上下文特征（例如，查询或用户配置文件）以推导出可解释的紧凑模型。

  例如，在下图中，使用神经排名 GAM 可以看出距离、价格和相关性在给定用户设备的上下文中如何影响酒店的最终排名。

  神经排序 GAM 现在可作为 TF-Ranking 的一部分使用……”

  我向AI 内容优化技术 MarketMuse ( @MarketMuseCo ) 的联合创始人Jeff Coyle询问了 TF-Ranking 和 GAM。

  拥有计算机科学背景和数十年搜索营销经验的杰弗里指出，GAM 是一项重要的技术，改进它是一件重要的事情。

  Coyle 先生分享了：

  “我花了大量时间研究神经排名 GAM 的创新以及对上下文分析（查询）的可能影响，这是 Google 评分团队的长期目标。

  神经 RankGAM 和相关技术是个性化（特别是用户数据和上下文信息，如位置）和意图分析的致命武器。

  使用keras_dnn_tfrecord.py作为公共示例，我们可以在基本层面上一瞥创新。

  我建议每个人都检查一下那个代码。”

优于梯度提升决策树 (BTDT)

  在算法中击败标准很重要，因为这意味着新方法是提高搜索结果质量的一项成就。

  在这种情况下，标准是梯度提升决策树 (GBDT)，这是一种具有多种优势的机器学习技术。

  但谷歌也解释说GBDTs也有缺点：

  “GBDT 不能直接应用于大型离散特征空间，例如原始文档文本。一般来说，它们的可扩展性也低于神经排序模型。”

  谷歌的研究人员使用新的基于 Keras 的 TF-Ranking 来生成他们所谓的数据增强自我注意潜在交叉 (DASALC)模型。

  DASALC 很重要，因为它能够匹配或超越当前**进的基线：

  “我们的模型能够与强大的基于树的基线相媲美，同时在很大程度上优于最近发布的神经学习来对方法进行排序。我们的结果还可以作为神经学习对模型进行排名的基准。”

基于 Keras 的 TF-Ranking 加速了排名算法的发展

  重要的一点是，这个新系统加快了新排名系统的研究和开发，其中包括识别垃圾邮件以将其从搜索结果中排名。

  文章总结道：

  “总而言之，我们相信新的基于 Keras 的 TF-Ranking 版本将使神经 LTR 研究和部署生产级排名系统变得更加容易。”

  在过去的几个月里，谷歌一直在以越来越快的速度进行创新，在两个月的时间里进行了几次垃圾邮件算法更新和两次核心算法更新。

  这些新技术可能是谷歌推出如此多的新算法来改善垃圾邮件打击和网站排名的原因。

  本文地址：Google搜索SEO优化怎么做？谷歌的新技术有助于创建强大的排名算法揭秘 https://cdnanqi.cn/p>

Google搜索SEO优化怎么做？谷歌的新技术有助于创建强大的排名算法揭秘   https://cdnanqi.cn/wangluotuiguang/21033.html