Categories
SEO

La nueva tecnología de Google ayuda a crear un potente rango de algoritmos.

Google ha anunciado la liberación de tecnología mejorada que hace que sea más fácil y más rápida de investigar y desarrollar nuevos algoritmos que puedan desplegarse rápidamente.

Esto le da a Google la capacidad de crear rápidamente nuevos algoritmos antispam, mejorados. procesamiento de lenguaje natural y algoritmos relacionados con el ranking y podrán ponerlos en producción más rápido que nunca.

La clasificación de TF mejorada coincide con las fechas de las actualizaciones recientes de Google

. Esto es de interés porque Google ha rodado Varios algoritmos de lucha contra el spam y dos actualizaciones de algoritmos principales en junio y julio de 2021. Esos desarrollos siguieron directamente la publicación de la 2021 de mayo de esta nueva tecnología.

El tiempo podría ser coincidencia pero considerando todo lo que la nueva versión de KERAS- Based TF-Ranking hace,Puede ser importante familiarizarse con él para entender por qué Google ha aumentado el ritmo de la liberación de nuevas actualizaciones de algoritmos relacionadas con el ranking.

Nueva versión de KERAS-Basado en la clasificación de TF

Google Anunció una nueva versión de TF-Ranking que se puede usar para mejorar el aprendizaje neuronal para clasificar los algoritmos, así como los algoritmos de procesamiento de lenguaje natural como Bert.

AnunciCementContinue Lectura a continuación

Es una forma poderosa de crear nuevos algoritmos y amplificar existentes. Los, por así decirlo, y para hacerlo de una manera increíblemente rápida.

Clasificación de TensorFlow

Según Google, TensorFlow

es una plataforma de aprendizaje automático.

En un video de YouTube a partir de 2019, la primera versión de TensorFlow Ranking se describió como:

“El primer OPEn Fuente de la biblioteca de aprendizaje profundo para aprender a clasificar (LTR) a escala. “

La innovación de la plataforma original de clasificación de TF fue que cambió la clasificación de los documentos relevantes.

Los documentos previamente relevantes se compararon entre sí en lo que se llama ranking de pares. La probabilidad de que un documento sea relevante para una consulta se comparó con la probabilidad de otro artículo.

Esta fue una comparación entre pares de documentos y no una comparación de toda la lista.

La innovación de la clasificación de TF es que le permitió la comparación de toda la lista de documentos a la vez, lo que se denomina puntuación múltiple. Este enfoque permite las mejores decisiones de clasificación.

AnunciCementContinue La lectura a continuación

El mejor clasificación de TF permite un rápido desarrollo de nuevos nuevosAlgorithms

El artículo de Google publicado en su blog de AI dice que el nuevo ranking de TF es un lanzamiento importante que hace que sea más fácil que nunca establecer aprendizaje para clasificar (LTR) modelos y obtenerlos en la producción en vivo más rápido.

Esto significa que Google puede crear nuevos algoritmos y agregarlos a buscar más rápido que nunca.

El artículo establece:

“Nuestro nativo El modelo de clasificación KERAS tiene un nuevo diseño de flujo de trabajo, que incluye un ModelBuilder flexible, un DataSetBuilder para configurar los datos de capacitación, y una tubería para capacitar el modelo con el conjunto de datos proporcionado.

Estos componentes hacen que los componentes sean un modelo LTR personalizado. Más fácil que nunca, y facilitar la rápida exploración de nuevas estructuras modelo para la producción y la investigación “.

Clasificación de TF BERT

Cuando un artiEl documento de investigación o CLE o que los resultados fueron mejor mejor, ofrece advertencias y estados de que se necesitaba más investigaciones, es decir, una indicación de que el algoritmo en discusión podría no estar en uso porque no está listo ni un callejón sin salida.

Ese no es el caso de TFR-BERT

, una combinación de clasificación TF y Bert.

BERT es un enfoque de aprendizaje automático para el procesamiento de lenguaje natural. Es una forma de entender las consultas de búsqueda y el contenido de la página web. BERT es una de las actualizaciones más importantes de Google y Bing en los últimos años.

El artículo establece que combinan TF- R con BERT para optimizar el ordenamiento de las entradas de la lista generadas “ mejoras significativas .”

Esta afirmación de que los resultados fueron significativos es importante porque RAILa probabilidad de que algo como esto esté actualmente en uso.

La implicación es que la clasificación de TF basada en KERAS hizo que Bert sea más potente.

Según Google:

“Nuestra experiencia muestra que esta arquitectura TFR-BERT ofrece mejoras significativas en el rendimiento del modelo de idioma preestreno, lo que lleva al rendimiento de vanguardia para varias tareas de clasificación popular …”

TF-Ranking y GAMS

Hay otro tipo de algoritmo, llamado

Modelos de aditivos generalizados

(GAMS), que el ranking de TF también mejora y hace un incluso Versión más poderosa que el original.

Una de las cosas que hace que este algoritmo sea importante es que es transparente en que todo lo que va a generar la clasificación se puede ver y uNderStock.

Lectura deContinue a continuación

Google explicó la importancia de la transparencia como esta:

“La transparencia y la interpretabilidad son factores importantes en la implementación de modelos LTR en sistemas de clasificación que Puede participar en la determinación de los resultados de los procesos, como la evaluación de la elegibilidad de los préstamos, la orientación de publicidad o las decisiones de tratamiento médico.

En tales casos, la contribución de cada característica individual al ranking final debe ser examinable y comprensible para Asegurar la transparencia, la responsabilidad y la equidad de los resultados “.

El problema con los GAMS es que no se sabe cómo aplicar esta tecnología a los problemas de tipo de clasificación.

para Resuelve este problema y podrá utilizar GAM en un establecimiento de clasificación.G, se utilizó la clasificación TF para crear modelos de aditivos generalizados de ranking neuronal (GAMS) que están más abiertos a la clasificación de las páginas web.

Google llama a esto,

aprendizaje interpretable a clasificar GAMS Hotel Search Query Ranking Example .

GAMS Hotel Search Query Ranking Example Esto es lo que dice el artículo de Google AI:

“Para este fin, hemos desarrollado un juego de clasificación neural, una extensión de modelos aditivos generalizados a Problemas de clasificación.

A diferencia de los GAM estándar, un ranking Neural PHAM puede tener en cuenta tanto las características de los elementos clasificados como las características del contexto (por ejemplo, la consulta o el perfil de usuario) para derivar un modelo compacto interpretable.

Por ejemplo, en la figura a continuación, utilizando un juego de clasificación neural hace visible cómo la distancia, el precio y la relevancia, en el contexto de un dispositivo de usuario determinado, contribuyen a la clasificación final de laHotel.

Los juegos de clasificación neural ahora están disponibles como parte de la clasificación de TF … “

Pregunté

Jeff Coyle

, cofundador de la tecnología de optimización de contenido de AI (

@

@marketmuseco ), sobre el ranking de TF y los GAM. AnunciCementContinue leyendo a continuación
Jeffrey, quien Tiene un fondo de ciencia informática, así como décadas de experiencia en marketing de búsqueda, señaló que los GAM son una tecnología importante y mejorando que fue un evento importante.

MR. Coyle compartido:


“He gastado un tiempo significativo investigando la innovación de GAMS de clasificación neural y el posible impacto en el análisis de contexto (para consultas) que ha sido un objetivo a largo plazo de la puntuación de Google. equipos.

Rankgam neural y tecnologías relacionadas son DeadlY Armas para la personalización (especialmente los datos del usuario y la información de contexto, como la ubicación) y para el análisis de intenciones.

Con KERAS_DNN_TFRECORD.PY

DISPONIBLE COMO UN EMPLEO PÚBLICO, vamos a vislumbrar la innovación en un nivel básico.

Recomiendo que todos revisen ese Código “.
El gradiente de mayor rendimiento, los árboles de decisión aumentados (BTDT)

que superan el estándar en un algoritmo es Importante porque significa que el nuevo enfoque es un logro que mejora la calidad de los resultados de búsqueda. En este caso, el estándar es el degradado, los árboles de decisión aumentados (GBDTS), una técnica de aprendizaje de la máquina que tiene varias ventajas.

Advertisementcontinue leyendo a continuación Pero Google también explica que los GBDTS también tienen desventajas: “Gbdts CannoNo se aplique directamente a grandes espacios de características discretas, como el texto de documento RAW. También son, en general, menos escalables que los modelos de clasificación neural “. En un documento de investigación titulado, son ​​los rankers neurales todavía superados por los árboles de decisión impulsados ​​por el gradiente. Los investigadores declaran que el aprendizaje neuronal para clasificar los modelos es ” por un gran margen inferior” para … implementaciones basadas en árboles. ” Los investigadores de Google utilizaron el nuevo ranking de TF basado en KERAS para producir lo que llamaron , Datos aumentó el modelo de cruz latente auténtica (DASALC) . Dasalc es importante porque es capaz de coincidir o superar el estado actual de las líneas de base de la técnica: “Nuestros modelos son capaces de realizar comparativamente con la línea de base sólida a base de árboles, mientras que OUTperforming recientemente publicado el aprendizaje neural para clasificar los métodos por un gran margen. Nuestros resultados también sirven como un punto de referencia para el aprendizaje neuronal para clasificar los modelos “. Clasificación de TF basada en KERAS El desarrollo de algoritmos de clasificación La importante comida para llevar es que este nuevo sistema acelera. Investigación y desarrollo de nuevos sistemas de clasificación, que incluye identificar el spam para clasificarlos fuera de los resultados de la búsqueda. AnunciCementContinue Lectura a continuación El artículo concluye: “En general, creemos que la nueva versión de clasificación TF basada en KERAS hará que sea más fácil llevar a cabo la investigación de LTR neural e implementará sistemas de clasificación de grado de producción”. Google ha estado innovando en Una tasa cada vez más rápida en estos últimos meses, con varios algor de spamLas actualizaciones de ITHM y dos actualizaciones de algoritmos principales a lo largo de dos meses. Estas nuevas tecnologías pueden ser las por las que Google ha estado implementando tantos algoritmos nuevos para mejorar los sitios web de peleas y clasificaciones de spam en general. Citas Blog de Google AI Artículo Avanza en el ranking de TF El nuevo algoritmo dasalc de Google ¿Los rankers neurales siguen descubiertos por los árboles de decisión impulsados ​​por el gradiente? Sitio web de TensorFlow oficial TensorFlow Ranking V0.4.0 GitHub Page https://github.com/tensorflow/ranking/releses/tag/v0.4.0 Ejemplo de KERAS KERAS_DNN_TFRECORD.PY

Leave a Reply

Your email address will not be published. Required fields are marked *