Rich Data

首先，谷歌必须编译一个通常包含数千个文档且主题适当的语料库来响应搜索查询。然后，Google 会从这数千份文档中选择数百份文档进行特殊文档评分。为此，Google 使用及时性信号、页面排名、本地化信号......



然后使用深度学习系统进行排名。





文档评分使用经典的信息检索信号和因素（例如关键词、TF-IDF、内部和外部链接等）来确定文档与搜索查询的客观相关性。

然后，排名可以基于使用用户数据和质量信号或可分配给 EEAT 概念 现金应用数据库 进行训练的信号的深度学习系统。由于这些信号用于检测相关性、能力、权威性和信任的模式，因此排名会出现时间延迟。



用户数据可用于确定用户在进行搜索查询时喜欢什么类型的内容。它是长篇全面的内容，还是简短的清单、说明或定义？因此，根据微意图对搜索意图进行分类非常重要。请参阅我的两篇文章《如何使用 12 个微意图进行 SEO 和内容旅程映射》和《微意图及其在客户旅程中的作用》。

我认为只需几周后就可以基于用户数据进行迭代重新排名，这取决于 Google 收集足够用户数据的速度。从 EEAT 信号中学习需要更长的时间，因为收集信任模式和训练算法要复杂得多。核心更新似乎是这里排名的原因。

据我了解，Google 从三个不同的层面进行评估。 （更多内容请阅读文章《谷歌排名的维度》）



文档级别：
在文档级别，会评估内容与搜索意图的相关性。

这可以分几个步骤完成。首先，使用经典信息检索因素（例如正文、标题、页面标题等中的关键词的使用）对内容进行评估，以得出分数。第二步，根据用户信号对内容重新分类。深度学习模型和组件可用于此目的。

用户信号和质量评估者输入用于训练人工智能模型，该模型识别新的相关属性，从而识别原始排名的模式，并根据用户信号对结果重新排序。