RankBrain usa inteligência artificial para incorporar grandes quantidades de linguagem escrita em entidades matemáticas – chamadas vetores – que o computador pode entender. Se RankBrain vê uma palavra ou frase que não está familiarizada, a máquina pode adivinhar quais palavras ou frases podem ter um significado semelhante e filtrar o resultado em conformidade, tornando-o mais eficaz no tratamento de consultas de pesquisa nunca antes vistas .
Mais uma vez, RankBrain está sendo chamado como essencialmente um motor de relevância, uma máquina para melhor compreensão das semelhanças e relações entre as palavras. Quais são esses vetores que o artigo menciona, no entanto? No sentido geral, os vetores são um conceito matemático – um ponto no espaço com direção e magnitude. Os vetores são uma maneira de codificar informações complexas.
Felizmente, temos outra pista, do projeto público ML do Google, TensorFlow . Um dos projetos secundários do Google é uma biblioteca chamada Word2Vec que, como o nome indica, usa ML para converter palavras em vetores. Os métodos tradicionais de codificação de palavras para recuperação de informações podem lidar com problemas simples, como a pluralização e o atraso, mas têm pouco ou nenhum sentido dos relacionamentos. Word2Vec e modelos similares são capazes de aprender relacionamentos como os exemplos abaixo (Fonte: Tensorflow.org, © 2016 Google):
Aqui, o Word2Vec aprendeu que o relacionamento entre homem e mulher é o mesmo que a relação entre o rei ea rainha (codificado na direção do vetor). Da mesma forma, a relação entre o tempo do verbo andando para caminhar é o mesmo que a relação entre nadar e nadar. Mais importante ainda, essas regras não precisavam ser especificadas. A máquina os aprendeu estudando grandes coleções de palavras reais em contexto. Continue lendo Pesquisa tática de palavras-chave em um mundo RankBrain
by 
