< P > Новый мульти -мульти -алгоритм Google улучшает скорость поиска и лучше работает в трудных запросах.
< IMG Width = "1600" Height = "840" SRC = "https://www.searchenginejournal.com/wp-content/uploads/2025/06/gogle-muvera-259.jpra-259.jp. https://www.searchenginejournal.com/wp-content/uploads/2025/06/google-muvera-259.jpg 1600W, https://www.searchenginejournal.com/wp-content/uploads/2025/06/google-muver-259-480. https://www.searchenginejournal.com/wp-content/uploads/2025/06/google-muver-259-680x357.jpg 680w, https://www.searchenginejournal.com/wp-content/uploads/2025/06/google-muver-259-384x202.jpg 384W, https://www.searchenginejournal.com/wp-content/uploads/2025/06/google-muvernal.com/wp-content/uploads/2025/06/google-259-7-7-7-7-7-7-7-7-79-7 768W, https://www.searchenginejournal.com/wp-content/uploads/2025/06/google-muver-259-1024x538.jpg 1024W "Размеры =" (максимум-width: 1600px) < p >Google объявил о новом мульти -вагоническом поисковом алгоритме Muvera, который ускоряет поиск и рейтинг и повышает точность. Алгоритм можно использовать для поисковых систем, систем рекомендаций (таких как YouTube) и для обработки естественного языка (NLP).
~ < p > Хотя объявление явно не сказано, что оно используется в поиске, исследовательская работа дает понять, что Muver & NBSP; Много векторных поисков в Интернете и, особенно, что позволяет его совместимой с существующей инфраструктурой (через MIP) и сокращением задержки и памяти.
~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ < H2 > ВЕКТОРНОЕ ВКЛЮЧЕНИЕ В ПОИСКАХ < p >Включение вектора – это многомерный образ отношений ' занятия между словами, темами и фразами. Это позволяет машинах понимать сходство с такими моделями, как слова, которые появляются в одном контексте или фрах, которые означают одни и те же вещи. Слова и фразы, связанные с связанными местами, которые приближаются друг к другу.
< ~ iframe class = "sej-iframe-afframe-height" id = "in-content-iframe" scrowning = "no" no "sc = "https://www.searchenginejournal.com/wp-json/sscats/v2/tk/midle_post_text" > < ul > < li > слова & ldquo; Король Лир & Rdquo; будет близок к фразе & ldquo; Трагедия Шекспира. & Rdquo;
< li > слова & ldquo; Средняя ночь & Rsquo; S Dream & Rdquo; будет занимать пространство рядом с & ldquo; Шекспирская комедия. & Rdquo;
~ < li > оба & ldquo; Король Лир & Rdquo; и & ldquo; Среднее количество конечностей & Rsquo; S Dream & Rdquo; будет расположен в пространстве недалеко от Шекспира.
< p >Расстояния между словами, фразами и понятиями (технически математическая мера сходств) определяют, насколько близко ' каждый с другим. Эти шаблоны позволяют машине выдвигать сходство между ними.
< H2 > Muvera решает неотъемлемая проблема инвестированных векторов
< p > Исследование Муверры отмечает, что вкладки на нейронные вкладки были особенностью поиска информации в течение десяти лет и предоставляют исследовательский документ о мульти -книге Колберта с 2020 года как прорыв, но он говорит, что он страдает от узкого места, что делает его менее идеальным.
~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ < Block Flower >< P >& ldquo; Недавно, начиная с бумаги Colbert, несколько моделей, которые производят набор хранилища в точке данных, достигли заметно превосходной производительности для ИК-задач. К сожалению, использование этих моделей для IR является всесторонне дорого из -за повышенной сложности поиска и оценки многокачественных. < p >< em > Google & Rsquo; S подтверждение Muver резонирует с ними недостатки:
< Block Flower >< P > & ldquo; & Хеллип; Недавние достижения, в частности, внедрение моделей с мультиспектом, таким как Collbert, продемонстрировали значительное повышение эффективности ИК-задач. Несмотря на то, что этот мульти -векторный подход повышает точность и позволяет вам получать более подходящие документы, он вводит значительные вычислительные задачи. В частности, увеличение количества встраивателей и сложность разработки оценки сходства делает поиск гораздо дороже. < H2 > может быть преемником Google & Rsquo; S Technology Rankembed ? < p >Полезность Министерства юстиции США (DOJ) привела к доказательствам того, что один из сигналов, используемых для создания страниц результатов поисковой системы (SERP), называется Rankembed, который был описан как:
~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ < Block Flower >< P > & ldquo; Rankembed -это модель с двойным кодом, которая создала как запрос, так и документ в застроенном пространстве. Установка места учитывает семантические свойства запросов и документ в дополнение к другим сигналам. Затем поиск и рейтинг – точечный продукт (мера расстояния в пространстве) и amp; Хеллип; Очень быстро; Высокое качество общих запросов, но может плохо работать для запросов на хвост & Хеллип; & Rdquo;
< p >Muvera-это технологический прогресс, касающийся ограничений производительности и масштабирования многопроцестных систем, которые сами являются шагом за пределами двойных моделей (таких как щит), обеспечивая большую семантическую глубину и обработку производительности спроса.
~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ < p > Прорыв-это метод, называемый фиксированным кодированием (FDE), который делит встроенное пространство на раздел и объединяет векторы, которые попадают в каждый раздел, чтобы создать один вектор фиксированной длины, что делает поиск быстрее, чем сравнивать несколько векторов. Это позволяет эффективно использовать многоуровневые модели в масштабе, улучшая скорость поиска, не жертвуя точностью, которая происходит из более богатого семантического представления.
< p >< em > ad: 0 ~/p > > 62 > 62 < Blockquote >< P > & ldquo; в отличие от < p >Несмотря на то, что этот мульти -векторный подход повышает точность и позволяет вам получать более подходящие документы, он вводит значительные вычислительные задачи. В частности, увеличение количества встраивателей и сложность разработки оценки сходства гораздо дороже.
< p > in & lsquo; Muvera: несколько поисков с использованием фиксированных кодов измерений & rsquo;, введите новый разноцветный алгоритм поиска, предназначенный для преодоления разрыва эффективности между одним и мульти-
~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ < p > & Хеллип; Этот новый подход позволяет нам использовать высоко оптимизированные алгоритмы MIPS для получения первоначального набора кандидатов, которые затем можно переработать с точным сходством многопоточного, что обеспечивает эффективную многопользовательскую точность. < P > Несколько моделей могут дать более точные ответы, чем модели с двойным делом, но эта точность является ценой интенсивных вычислительных требований. Muvera решает сложность моделей с несколькими моделями, тем самым создавая способ достижения большей точности многоэтажных подходов без высоких требований.
< H2 > Что это значит для SEO ? < P > Muverra показывает, как современный рейтинг поиска все чаще зависит от суждений сходства, а не от старых модных ключевых сигналов, которые часто сосредоточены SEO и SEO -инструменты. SEO и издатели могут захотеть изменить свое внимание с точного соответствия фразы к координации с общим контекстом и намерением запроса. Например, когда кто -то ищет & ldquo; Кормирлые куртки мужчины & Rsquo; S Medium, & Rdquo; Система, которая использует Muvera-подобную для поиска, вероятно, будет размещать страницы, которые на самом деле предлагают эти продукты, а не страницы, на которых просто упоминается «ldquo; вельветовые куртки & rdquo; и включают слово & ldquo;