而是一个在部署前经过预训练的（例如在上面提到的引导阶段）。 然后通过与预期的最终目标以及之前的成功和失败结果进行比较，不断地自我检查和调整。 在搜索引擎机器学习的介绍部分开始时，将有一组“已知”查询和结果的起始集（具有满足用户的已知结果集的查询）。 算法将以此为基础进行训练。 然后它将收到没有“臭名昭著”结果的查询，以产生自己的“估计”。 然后根据当时公布的“众所周知”产生一个及格分数。 该系统将继续这样做，越来越接近理想。 广告 继续阅读下文 为其准确性分配一个值并为下一次尝试进行调整。 始终努力向“众所周知”越来越近。
最终，“众所周知”的答案必须被搁置一旁，系统必须 厄瓜多尔电话号码表 知道如何从外部线索中识别出好的东西并将其作为目标。 例如，质量评论者的评级或大量用户与 SERP 结果的交互。 如果质量评估者或 SERP 信号表明结果不完美，则会将其输入系统并执行信号权重的微调 - 尽管可能只是大规模的。 一个好的信号会加强成功。 可以这么说，给系统一个 cookie。 机器学习系统需要一个 cookie。 信号示例 当我们想到信号时，我们往往会想到链接、锚点、HTTPS、速度、标题等等。 广告 继续阅读下文 在他们的采访中，Barnard 和 Fagella 讨论了一些最有可能在某些查询中使用的附加信号的示例。
我们需要注意并用来激发其他想法的事情（就像 Stevie）。 环境信号，例如： 一周中的天。 工作日与周末。 放假与否。 季节。 Geo 及其与其他信号的结合方式。 天气。 丹重要地暗示，周一围绕“胸痛”的搜索量激增之类的事情可能会在那天触发第三级数据的可见性增加，例如心脏病发作识别建议。 谷歌的目标 丹还提出了一些有趣的事情供我们所有人考虑，他说： “问题是，这些因素的权重总是在变化和变化，这取决于谷歌想要做什么以提高相关性。Google 想要降低我们将系统游戏化的能力。 他们可能想更改规则只是为了确保您不知道它们是什么。