单的同义词转变为答案的世界。这是另一个例子，搜索“神秘博士恶棍”： 告诉你“恶棍”是“怪物”和“敌人”的同义词，这是一个客厅把戏。你真正想知道的是神秘博士的流氓画廊包括 Daleks、Cyber​​men 和 Weeping Angels。谷歌可以建立这种联系。 这些不仅仅是例外挑选示例很容易，但这些极端情况还是新常态？我对 10,000 个关键字（仅第一页）进行了分析，发现只有 57% 的结果在标题和片段中都有搜索词组。我使用了一个非常宽容的匹配（例如，允许复数）并且所讨论的关键字集大多是较短的术语，而不是长尾查询。我还允许这些条款以任何顺序出现。

请记住，显示片段并不总是 META 描述——它们被 Google 选择为很好的匹配项。所有这一切都是说，即使使用相当宽容的方法和对“匹配”的松散定义，我的数据集中只有超过一半的第一页结果与搜索查询匹配。上面的例子不是异常值——它们是我们直接的、不可 号码表 避免的 SEO 未来。算法正在学习 这深入到文章中，您可能想知道这与 RankBrain 有什么关系。有很多关于 RankBrain 的猜测，所以我将尽我所能根据我们所了解的事实来工作。您将需要一些基本的背景信息……究竟什么是深度学习？首先，我们似乎都同意的一件事是 RankBrain 使用机器学习，因此是“大脑”部分。

具体来说，RankBrain 使用“深度学习”。那么，什么是深度学习？根据维基百科：深度学习是机器学习的一个分支，它基于一组算法，试图通过使用具有多个处理层的深度图对数据中的高级抽象进行建模，由多个线性和非线性变换组成。晶莹剔透，对吧？要了解深度学习和现代机器学习的现状，您必须了解神经网络。让我们从一个简单的神经网络开始，这种网络在 1990 年代初期很流行：神经网络建立在对人类大脑作为“节点”（神经元）系统和这些节点之间连接的基本理解的基础之上。在规模上，人脑能够使用这种节点和连接系统来学习极其复杂的想法。那么，我们如何让这个模型发挥作用呢？让我们从所谓的“监督学习”开始。在这样的神经网络中，我们有一组已知的输入和一组期望的输出。