RankBrain
RankBrain 是 Google 于 2015 年首次引入搜索的、基于机器学习的排名系统。它把搜索词中的词语理解为概念而非单个关键词，从而能把首次见到的查询，当作已经熟知的、语义相近的查询来处理。
RankBrain 是 Google 于 2015 年首次引入搜索的、基于机器学习的排名系统。它把搜索词中的词语理解为概念而非单个关键词，从而能把首次见到的查询，当作已经熟知的、语义相近的查询来处理。
为什么重要
RankBrain 是Google 算法从关键词匹配迈向语义理解的转折点。公开时，Google 表示每天涌入的查询中约有 15% 是从未见过的搜索词，并提到 RankBrain 与内容、链接并列，是最重要的信号中的第三位，令业界为之震动。它给内容创作者带来的含义很明确：即便正文中没有与搜索词完全一致的表达，只要语义相通就可能获得排名，因此相比机械地罗列同义词，充分深耕主题更占优势。
运作方式
RankBrain 把词语和短语表示为数学向量，以计算概念之间的距离。当一个冗长而含糊的长尾关键词问题进来时，它会将其关联到语义相近的已知查询，以此找到结果。引入初期它只用于那 15% 首次见到的查询，此后才扩展到全部查询。与常见的误解不同，RankBrain 与其说是给页面打分的排名因素，不如说更接近一套解读查询的系统，因此并不存在所谓"RankBrain 优化"这种单独的手法。用自然的语言去满足搜索意图，才是事实上的应对之道。
延伸至 BERT、MUM 的演进
RankBrain 开启的机器学习排名谱系，延续如下。
| 系统 | 引入 | 作用 |
|---|---|---|
| RankBrain | 2015 | 把词语理解为概念，解读首次见到的查询 |
| Neural Matching | 2018 | 把握查询与页面在概念上如何关联 |
| BERT | 2019 | 在句子中双向理解词语的语境（BERT 更新） |
| MUM | 2021 | 性能是 BERT 的 1,000 倍，横跨 75 种语言、文本与图片的多任务模型 |
它们并非相互取代，而是协同工作的集成体，且至今仍全部列在 Google 的排名系统指南中。如今像 AI Overviews 这样的生成式搜索功能，也是站在这套语义理解栈之上的。
Sources:
- A guide to Google Search ranking systems - Google Search Central
- How AI powers great search results - Google Blog
- FAQ: All about the Google RankBrain algorithm - Search Engine Land
inblog 如何提供帮助
RankBrain 之后的搜索，不是关键词匹配，而是语义匹配。在 inblog 中围绕搜索意图充分深耕主题来写作，即便不去逐一瞄准精确的关键词变体，也能在语义相关的各种查询中获得展示。