
随着针对 Google 垄断行为补救裁决的推进,更多法院文件被披露。这些文件揭示了 Google 搜索索引、垃圾评分、PageRank、页面质量及 Glue 等核心机制的细节。尽管部分信息源自非 Google 员工且未必反映当前算法全貌,但仍为理解其搜索系统提供了重要参考。
Google 搜索索引存储内容
法院文件显示,Google 搜索索引中存储了文档 ID(DocID)、URL 映射、时间戳及垃圾评分等关键数据。每个文档均拥有唯一 DocID,并关联一组信号、属性或元数据,其中部分数据源于用户交互与流行度衡量。
垃圾评分与页面质量影响爬取
Google 确定网页爬取频率时,不仅依据垃圾评分,还综合考量页面质量与流行度信号。这意味着低质量或高垃圾评分的页面可能被降低爬取优先级甚至停止抓取。
PageRank 仍是关键质量信号
PageRank 作为质量分数的重要组成部分,依然是 Google 评估网页质量的关键指标。但值得注意的是,大部分质量信号实际上直接来源于网页本身的内容与结构特征。
Glue 日志记录用户交互数据
Glue 是 Google 用于收集查询与用户响应交互数据的日志系统。其记录内容包括查询文本、语言、用户位置、设备类型、SERP 展示内容,以及用户的点击、悬停行为和停留时长等,这些数据被用于优化排名信号处理。
RankEmbed BERT 深度学习排序模型
RankEmbed BERT 是一种深度学习排序模型,利用过去 70 天的搜索日志及人工质量评估员生成的评分进行训练。该模型具备强大的自然语言理解能力,可更高效地识别与查询意图匹配的最佳文档。

