Rand Fishkin 以一了深度学习过程： 请记住——我重复一遍，以免造成误解——RankBrain（还）不是一个深度学习系统，因为它仍然需要输入才能工作。那么…它是如何工作的？ 它解释语言并解释问题。 在接受彭博社采访时，Greg Corrado 解释了 RankBrain 的工作原理： 当人们进行模糊搜索或使用俚语，试图解决典型的计算机错误时，它会起作用，因为他们不理解问题或以前从未见过它们。
我们可以将 视为
Google 开发的第一个 100% 后蜂鸟算法。 即使我们 whatsapp 数据库 在蜂鸟发布后推出了一些新算法（例如质量更新），它们也是基于蜂鸟之前的算法和/或服务于非常不同的搜索阶段（特别是过滤/聚类和分类）。 图片来源：恩里科·阿尔塔维拉 RankBrain 似乎是正常蜂鸟更新的必要“补丁”。
事实上我们应该记住
Hummingbird 本身就是为了帮助 Google 理解“文 读了大量相关资料后字查询”。 然而，正如 Danny Sullivan 在上述搜索引擎领域常见问题解答文章中所写，RankBrain 与 Hummingbird v.2 不同，而是一种“改进”Hummingbird 功能的新算法。
如果您在阅读 Greg Corrado 的文字时查看上图，我们可 那么故事到底是什么 以相当准确地说 RankBrain 在整个搜索过程的“理解”和“检索”阶段之间工作。 显然，更加晦涩和基于俚语的查询对于蜂鸟来说太难理解了——事实上，谷歌需要创建 RankBrain。
RankBrain 与 Hummingbird 一样，概括并重写了这 資料庫數據 些类型的问题，试图匹配它们背后的意图。 为了理解一个前所未见或晦涩难懂的问题，RankBrain 使用向量，引用彭博社的文章，这些向量是“嵌入数学实体中的大量书面语言”，并尝试看看这些向量对于它试图回答的问题是否有意义。
不过向量似乎并不是典型蜂
鸟算法中的全新功能。我们在 2013 年通过 Matt Kitts 本人获得了非常类似的证据，您可以从下面的 Twitter 对话中看到： 当时，谷歌距离完美还有很长的路要走。 在发现可能回答查询的 Web 文档后，RankBrain 会检索它们并通过搜索阶段的步骤移动它们，直到这些文档出现在可见的 SERP 中。
正是在这种背景下
我们应该接受 RankBrain 的定义作为“排名因素”，因为对于 RankBrain 提出的特定查询集来说，这是完全正确的。 换句话说，RankBrain 认为某个网络文档是未知或难以理解的查询的正确答案的可能性越大，该文档在相关 SERP 中的排名就越高——同时考虑其他适用的排名因素。