Google搜索副总裁Pandu Nayak近日发文,详解了支撑Google搜索理解人类语言并返回精准结果的四大核心AI模型。这些模型并非独立运作,而是通过协同执行不同任务,共同提升搜索结果的相关性与质量。
RankBrain:理解词语与现实概念的关联
作为Google于2015年推出的首个深度学习系统,RankBrain至今仍是搜索结果排序的关键。其核心作用在于理解搜索查询中的词语与现实世界概念之间的映射关系,从而确定最佳排序。
例如,当用户搜索“食物链最高层消费者的名称是什么”时,RankBrain能通过学习识别出“食物链”这一概念指向动物而非人类消费者,进而将查询与“顶级捕食者”这一准确概念进行匹配。
神经匹配(Neural Matching):基于广泛概念的语义理解
自2018年引入以来,神经匹配使Google能够超越单一关键词,从更广泛的概念层面理解查询与网页内容的关系。该模型通过分析整个查询和页面的语义表示,扩大了相关内容的检索范围。
以搜索“如何管理绿色的见解”为例,神经匹配能通过解析“管理”、“领导力”、“个性”等概念的广泛表征,识别出用户实际是在寻找基于颜色性格指南的管理建议,而非字面意义上的绿色管理。
BERT:精准捕捉词语序列与语境含义
BERT于2019年推出并已应用于所有查询,旨在同时优化内容检索与排名。它能深入理解特定语境下词语间的相互关系,确保介词等小词不会被忽略,从而更准确地把握用户意图。
例如在搜索“你能帮别人从药店拿药吗”时,BERT能识别出介词“帮”和“从”所蕴含的“代为取药”之意,避免了以往仅返回配药指南类结果的问题,证明了微小词汇在查询中的关键作用。
MUM:多模态跨语言的统一信息理解
作为2021年推出的多任务统一模型(Multitask Unified Model),MUM的能力比BERT强大千倍,兼具语言理解与生成能力。它接受过75种语言及多种任务的训练,支持文本、图像等多模态输入,具备更全面的世界知识理解力。
目前MUM仍处于应用早期阶段,主要用于改善COVID-19疫苗信息查询,并将在Google Lens中实现图文结合的搜索体验。
核心AI模型功能总结
- RankBrain:建立关键词与现实概念的关联,优化内容排序;
- 神经匹配:拓展概念理解广度,扩大相关内容检索范围;
- BERT:解析词语序列与语境,精准捕捉查询深层含义;
- MUM:实现跨语言、多模态的综合信息与知识理解。
上述AI系统协同工作,确保Google能以最高效的方式查找并呈现与用户查询最相关的内容。
来源:Google

