Lead Sale

用户在行中输入请求，
请求被格式化为向量，乘以现成的侧向量，并计算其相关性。


如果没有提前计算向量，就不可能将神经网络应用于大量页面而不影响用户请求的结果的交付时间。

除了向量比较活动之外，Korolev 还开始将新的查询向量与最佳答案明确的其他查询向量进行比较。如果他们站得很近，结果都是一样的。

应该理解的是，神经网络并不能完全 美国移动数据库 取代整个搜索分类公式。在他们的帮助下计算的系数只是用于构建最终公式的因素总数中的“一些”。因此，当我们发出请求时，我们可以看到与语义和确切出现次数相匹配的响应文档。

简而言之，每个因素都朝着自己的方向发展。结果，语义因素和普通因素之间发生了所谓的“斗争”——对意义负责和对文本负责。其他因素包括行为、链接和托管因素。这证明搜索引擎并没有用新算法取代现有工具，而是正在努力用新技术改进现有工具。当特定用户查询几乎没有直接答案时，意义因素就发挥着重要作用。

谷歌推出的Word2vec和Bert算法可能标志着搜索引擎发展的类似里程碑。



竞争搜索引擎 Google 也有一个可与其他排名算法配合使用的 BERT 转换器。该神经网络分析搜索查询及其上下文，而不是分析单个关键事件。也就是说，“Bert”完整地分析了这句话。

必须说，这项技术可以解决分配给它的大量任务，因为它还可以用来理解文本的“含义”。这项技术是相当大的语言模型系列的基础。