情境
Google 搜尋結果的上下文分為四類：
關鍵字：Google 確保顯示的搜尋結果與搜尋者使用的關鍵字相關且有用。
相關關鍵字：Google 透過搜尋與使用者搜尋內容相關的單字，進一步採用關鍵字短語。例如，如果他們尋找“食譜”，Google可以顯示也使用“烹飪”或“烘焙”等字的網頁。
連結：網頁可能連結到使用與搜尋相關的單字的來源。這些連結可以為搜尋者提供更有用的信息。
本地資訊：最後，Google 會編譯使用者喜歡的語 俄羅斯電話號碼數據
言以及位置等信息，以提供本地化結果。在地化對於尋找附近的企業特別有幫助。
設定
合併設定以顯示個人化和本地結果。
個性化和設置
谷歌希望盡可能個人化搜尋引擎體驗。為此，搜尋引擎網站會合併使用者先前的搜尋記錄、儲存的資料（如 cookie）、搜尋設定和位置。每當您單擊搜尋欄並查看最近搜尋的列表時，您都會看到個人化範例。
位置和設置
位置設定透過將本地結果排名高於其他結果來影響搜尋結果。例如，如果用戶尋找“管道工”，他們將首先看到附近管道工的結果。
桌面上的 Google 本機結果。
本機桌面 SERP。
不過，在地化不僅 適用於像特定城市這樣的小規模。在更大的本地範圍內，使用者可以獲得影響其領土甚至整個國家的結果。例如，如果用戶尋找“颶風”，他們可以看到有關當前影響其國家的颶風的結果。
創建在搜尋中可靠地表現良好的內容的堅實基礎需要對搜尋引擎如何排名有同樣紮實的了解。 #SEO #內容行銷
點擊發推文
利用這些知識來改善您的 SEO。
您定位的搜尋字詞應出現在您的內容中。請記得也要解決相關主題。它們的包含有助於 Google 更好地理解您的頁面，而搜尋引擎也希望如此。
3. 產生初始候選人名單
考慮上下文和設定後，是時候建立與查詢相關的頁面清單了。如果您曾經想知道 Google 如何如此快速地為一個關鍵字提供數百萬個搜尋結果，這完全取決於它檢索、分析和顯示網頁的方式。在技術層面上，Google可能會結合使用倒排索引檢索 和語義檢索。使用這個公式可以確保 Google 在整個過程中保持速度和理解。
倒排索引
反向索引將搜尋中的術語與在網路上找到的相關文件相符。這樣做可以減少搜尋引擎搜尋相關內容的時間。搜尋引擎還可以考慮具有倒排索引的文件上的術語頻率、位置和結構。本質上，如果沒有這種類型的網路索引，搜尋引擎將不得不逐一檢查網頁以查看它們是否包含查詢詞。
倒排索引已使用多年，通常被視為資料檢索的首選。這種類型的索引的一個問題是它無法分析搜尋詞或其語義背後的含義。單獨使用倒排索引可能會導致結果不準確。
語意檢索
這就是語義檢索很重要的原因。雖然人工智慧無法像人類一樣思考，但語義搜尋可以為使用者做比關鍵字檢索更多的事情。這種資訊檢索方法使用上下文、使用者意圖和關鍵字之間的關係來理解使用者搜尋背後的推理。這樣做，語意檢索提供了改進的結果。
Google SERP 顯示影像輪播。
顯示相關實體的影像輪播。
當用戶想要查找查詢但忘記了與搜尋相關的單字時，它也很有用。例如，如果他們想找一位歌手但忘記了名字，他們可以描述這個人的特徵，而谷歌可以為他們完成這項工作。僅靠倒排索引，這幾乎是不可能的。
利用這些知識來改善您的 SEO。
始終解決頁面上最重要的語義相關主題。語義檢索是頁面可以對您甚至可能不是目標的許多不同術語進行排名的原因。
4.應用基於神經的排名模型
相關搜尋結果如此之多，搜尋引擎如何選擇它們出現的順序？答案是透過使用機器學習的基於神經的排名模型。搜尋引擎最常用的神經模型之一是學習排名（LTR）。
什麼是學習排名？
LTR 由機器學習技術組成，為資訊檢索系統建立排名模型。他們使用每次點擊作為回饋來監控搜尋者與 SERP 的交互，以創建更好排序的結果清單。隨著時間的推移，模型會訓練自己檢查他們收集的可能結果選項列表，並為每個選項分配相關性評級。評分越高，排名越高。透過遵循這種方法，LTR 模型 可以為使用者顯示更最佳化的結果順序。
它到底是如何運作的？
LTR 模型可以使用幾種策略來產生結果，包括 Pointwise、Pairwise 和 Listwise。這三種策略之間的差異在於每種策略考慮的文件數量。 Pointwise 檢查一個文檔，Pairwise 檢查兩個文檔，Listwise 查看整個文檔清單。
Pointwise 和 Pairwise 使用兩種策略之一對文件進行排序：分類或回歸。這些機器學習技術檢查文件的類別和功能值。另一方面，Listwise 會遍歷多個文件來選擇排名順序。在這三者中，Listwise 往往是最複雜的。
學習排序演算法選項
如今，微軟開發了多種學習排名演算法選項，包括 RankNet、LambdaRank 和 LambdaMART 。他們都使用成對排名，儘管每個人都以自己的方式處理該過程，為您提供了大量的選擇。
