当然，不清楚或未知问题的答案是什么。 最后一点，重要的是要消除我在推出 Hummingbird 时看到的说法：不，您的网站并没有因为神秘的 RankBrain 惩罚而失去可见性。 完成排名Brain Gears Christine Schechinger，一位我非常尊敬的出色的 SEO 极客，在 Search Engine Land 的这篇文章中将 RankBrain 与知识图谱和实体搜索联系起来。

然而尽管我同意

RankBrain 是 Hummingbird 的补丁，并且 Hummingbird 还不是 Google 宣布的“语义搜索”，但我们在几点上存在分歧。 我不认为蜂鸟和知识图是同一个东西。它们当然有着相同 电话号码数据 的使命（从字符串转向事物），而蜂鸟使用了知识图背后的一些技术，但它们仍然是两个不同的东西。

恕我直言这是 SEO

的一个常见误解。事实上，我并不认为特色片段（又名答案框）是知识图本身的一部分，正如人们普遍认为的那样。 因此，如果蜂鸟不像知识图，我们不仅应该将实体视为名义实体（人、“爱”等概念、行星、标志、品牌），而且还应将其视为可搜索的实体，这是完全不同的。

正如  所描述的

搜索机构是： 一个搜索者提出的问题。 响应查询的文件  内容营销是任何营销策略 搜索者提交查询的搜索会话。 提交查询时。 响应查询而投放的广告 文档链接中的锚文本 与文档关联的域 这些搜索实体之间的关系可以创建“概率分数”，该分数可以确定网络文档是否显示在给定的 SERP 中。

我们不能排除这样

一个事实：RankBrain 使用搜索实体来查找从未见过的查 資料庫數據  询的最有可能和正确的答案，然后使用概率得分作为定性指标，向查询用户提供合理、可靠的 SERP。 不过，RankBrain 最大的进步在于它如何处理分析的内容量以创建向量。

它似乎比我们在讨论

链接图如何工作时总是考虑的经典“链接锚文本和周围文本”更大。 谷歌提交的一项专利引用了格雷格·科拉多 (Greg Corrado) 引用的人工智能专家托马斯·斯特罗曼 (Thomas Strohmann) 的著作。 Bill Slavsky 在 Gofishdigital.com 上的这篇文章中对这项专利进行了很好的（重新）解释，它描述了 Google 可以为难以理解的查询找到可能含义的过程。

在该专利中

上下文和“概念”以及 RankBrain 使用向量的事实（同样，“嵌入数学实体中的大量书面语言”）非常重要。这可能是因为需要这些向量来理解上下文并检测已知的概念，从而使其更有可能积极匹配查询中试图理解的未知概念。 关于 RankBrain 的猜测 正如章节标题所示，我现在进入这篇文章中最具推测性的部分。