因此，约翰证实了三个理论中的第一个，即 Rankbrain 仅用于解释搜索查询。网站的实际评分是在蜂鸟算法中进行的，以确保搜索结果的排序。 目前尚不清楚用户信号是否被用作解释搜索查询的训练数据，例如用于调查目的。
Rankbrain 用于查询细化
我相信谷歌的第一个声明，即Rankbrain是作为查询细化的一种手段，即在搜索查询方面。尤其是因为 Paul Haahr 在这两个视频中给我留下了更为能干的印象，而 Gary Illyes 并不是第一个在交流中显得有些不自信的人。然而，这意味着，与 Gary Illyes 的说法相反，Rankbrain 并不是一个直接的排名因素。
我还认为除了 Rankbrain 之外，还会 手机数据 使用其他机器学习系统，例如用于对网站进行评分。如果现在不这样做，那么将来也会这样做。 我也确信谷歌使用机器学习来确定搜索意图，包括真实的用户数据。但迄今为止几乎所有一切都只是猜测或假设。
Rankbrain 作为搜索查询和 Hummingbird 之间的中介
让我们来看看谷歌搜索引擎目前大概是如何运作的。
Google的功能大致分为以下几个方面：
- 抓取和索引
- 理解和扩的训练数展搜索查询（包括 Rankbrain）
- 检索和评分（蜂鸟/知识图谱）
- 检索后调整（包括 Panda、Penguin）
顺便说一句，负责评分（即无论搜 安全和隐私 索查询如何都对单个文档进行评估）的不是 Rankbrain，而是 Hummingbird 算法。 Rankbrain 最初仅解释搜索查询。这就是谷歌目前的工作方式
如果我们解读 Gary Illye 在 Twitter 上听起来几乎恼怒的帖子以及他对 Rand Fishkin 的问题的回答，Rankbrain 可以用来根据搜索意图对排名因素进行不同的加权。所以它会对文档的排名产生影响。
现在一些 SEO 声称，至少在通过 Rankbrain 确定搜索意图时，Google 依赖于真实的用户信号。我一开始也这么认为，但根据Gary Illyes 的说法， 似乎并非如此。 至少网上没有野外用户信号。
如果你读懂其中的内涵，就会发 德斯刀片工廠 现有两种可能性：
- 谷歌可以使用其搜索评估器的用户信号来确定搜索意图或根据搜索意图创建关键字模型组。
- 谷歌可以捕捉用户信号并将其用作 Rankbrain 离线机器学习系统的训练数据。
但这仅是纯粹的猜测。
让我们通过 Hummingbird 对文件进行实际评分。 我将尝试借助 Paul Haahr 在 SMX West 2016 上的演讲来解释这一点，但具体情况我并不了解。
根据 Paul Haahr（见下面的视频）的说法，Google 将文档和网站分类为索引中的所谓分片。据哈尔说，碎片有数千种。我想象这些碎片是根据文档的用途和/或索引中的主题区域进行分类的。然后，根据文档的总体得分与通过 Rankbrain 识别的搜索查询的搜索意图的比较来确定与排名相关的总体得分。保罗·哈尔谈进球
有关 Rankbrain 其他用途的更多理论，我推荐 Kai Spriestersbach 在 SEOkomm 2016 上的演讲。但是，我不完全同意对跳出率和点击率等参与度数据对 Rankbrain 的影响的评估。
在 Kai 的演讲中，我们或许应该更多地谈论 Google 的机器学习，而不是明确地谈论 Rankbrain
任何对该主题感兴趣的人都应该观看 Marcus Tandler 的主题演讲：
Marcus Tandler 讲座，机器的崛起
机器学习将来会对排名产生什么影响？
我认为机器学习功能不仅用于Rankbrain，而且已经用于 Hummingbird 以及知识图谱的持续开发、扩展和构建。使用机器学习来打击垃圾邮件，例如在企鹅算法的背景下，遭到了谷歌和加里·伊利斯（Gary Illyes）声明的反驳。我希望这一明确的说法仍然有效。
由于谷歌的声明相互矛盾，因此无法回答谷歌是否已经在使用机器学习来评估网站。这对于未来来说是有意义的。
我认为机器学习长期以来一直被用于对搜索查询、内容以及实体进行分类（更多关于语义和实体）。并不一定非要通过 Rankbrain。一些或两种机器学习技术可能已经直接融入到蜂鸟算法中。
尤其是与知识图谱作为语义数据库相结合时，谷歌将拥有两种强大的工具。