人工智能改变搜索引擎优化的速度超乎想象( 三 ) 本文转自：北京邮电大学出版

然而，目前谷歌的运行方式已经不是这样了。作为一款机器学习法或深层强化学习法产品，谷歌人工智能系统的运行机制截然不同。
谷歌公司内部仍有许多核心算法。人工智能系统的工作任务在于：充分了解这些核心算法如何混合搭配才能更适用于不同类型的搜索结果。例如，在某些搜索结果中，人工智能系统或许知道最重要的信号是标签标题。
增加对标签标题匹配算法的关注度，可能会带来更好的搜索体验。然而，换一种搜索结果后，同一信号带来的搜索体验或许根本谈不上良好，甚至是极其糟糕的。因此，在另一种垂直搜索中，也许另一种算法，即网页排名更有效。
这也就意味着，针对不同的搜索结果，谷歌都会提供截然不同的混合运算法。现在我们终于明白，脱离搜索结果所处的大环境后，针对各个网站进行的回归分析为什么存在极大的缺陷。
正因如此，当今的回归分析必须借助特定的搜索结果来进行。斯托弗提出了一种搜索建模路径，可以衡量谷歌的计算法发生的变化。首先，对于特定的关键字搜索，可以通过快照的方式，拍下之前搜索引擎模型的调整情况。然后，在发现排名变化之后，重新调整搜索引擎模型，显示出前后两种搜索引擎模型设置的变量。通过此种方法，在排名发生变化的时候，我们就可以清楚地看到哪种算法升级了，哪种降级了。
2.人类力图预测未来时，总是低估未来的种种可能性
了解了这类相关知识后，我们可以致力改进搜索引擎优化的特定部分，针对不同的搜索结果搜索相关网站。但是，这种方法将不会（也无法）适用于其他搜索结果。这是因为人工智能系统依据搜索结果（或关键字）进行搜索。顾名思义，是为每个搜索结果量身定做的最佳算法。
3.进行市场定位，避免错误分类
谷歌意识到，可以教给全新的深层强化学习系统如何辨别“好”网站与“坏”网站。针对各种搜索结果，谷歌会权衡并提供不同的算法。同样，谷歌公司认识到，每个垂直搜索中都包含“好”网站和“坏”网站。毫无疑问，这是因为不同的垂直搜索拥有的客户关系管理系统不同、模板不同，整体数据结构也不同。
人工智能系统的运行，实际上等于是学会在各种环境中进行正确的“设置” 。正如你已经猜到的那般，这种设置完全依赖于操作过程中的垂直搜索。因此，举个例子来说，谷歌知道医疗健康服务网是医疗行业中的知名网站，在排名时想将其置于搜索结果目录的顶部。任何类似于医疗健康服务网站点结构的网站都将被归入“好”网站之列。同理，在医疗业搜索中，任何类似于垃圾网站结构的网站都会被划入“坏”网站之列。
人工智能系统借助深层强化学习能力，对“好”网站和“坏”网站进行分类汇总。设想一下，假如有一家网站不加归类地杂糅各行各业的内容，将会出现什么情况呢？
首先，对于深层强化学习系统如何运行的问题，仍必须对诸多细节进行讨论。在将网站区分为“好”与“坏”两个阵营之前，人工智能系统必须确定所有网站的具体类型。尽管耐克官网或者医疗健康服务网上都拥有各种各样的次级类别，但其总体类型显而易见，因此这类网站很容易区分。
但是如何区分涵盖多种不同类型内容的那些网站呢？比如指南型系列网站，此类网站涵盖的信息种类繁多、庞杂。针对这种情况，深层强化学习系统根本无能为力。那么谷歌对这些网站采用了哪些数据呢？回答是：看起来可能很随意。谷歌可能会选择其中的某种信息类型。对于维基百科等知名网站，谷歌可能会放弃分类过程，以确保深层强化学习过程不会降低现有的搜索体验感受（即所谓的“大而无当”）。