#3-Новый алгоритм MUVERA от Google. Правка

Обновление ядра Google за июнь 2025 года

Идентификатор ссылки (англ.)	eto-ne-ii-ili-poisk-eto-ii-v-poiske
Время создания:	27-08-2025 в 20:48:44
Время обновления:	27-08-2025 в 20:48:44
Статус:	Активен

Описание

Идентификатор ссылки (англ.)	obnovlenie-yadra-google-za-iyun-2025-goda
Время создания:	27-05-2025 в 12:35:03
Время обновления:	01-07-2025 в 05:47:34
Статус:	Активен

Описание

'#15. Новости : news';

'Seo_NewsController_actionUpdate_';

'#seo_news_update_';

Новый алгоритм MUVERA от Google. Правка

Активен

Почистить кэш новостей Экспресс-правка Разметка ред. Summernote ред. Quill ред. CKEditor ред. Trumbowyg ред. Imperavi ред. Jodit

Общая информация

Название

id (статус)	52 (3)
Идентификатор ссылки (англ.)	novyy-algoritm-muvera-ot-google
Сайт (ID сайта)	shopnseo.ru. #3
Смотреть на сайте	https://shopnseo.ru/news/novyy-algoritm-muvera-ot-google/
Время последнего обновления	18-07-2025 в 15:59:12
Ссылка в БД	https://shopnseo.ru/news/novyy-algoritm-muvera-ot-google/

Ссылка на чужой ресурс при необходимости. Не обязательно.

Картинка для новости с чужого ресурса при необходимости. Не обязательно.

Полный текст < > & " ' « » – — … • · ← → ↑ ↓ ↔

Валюты: € £ ¥ ¢

Типографика: § ¶ ° ± × ÷

Дроби: ½ ⅓ ⅔ ¼ ¾ ⅛ ⅜ ⅝ ⅞

Греческие: α β γ δ ε λ μ π σ ω Δ Σ Ω

Математические: ≈ ≠ ≤ ≥ ∞ √ ∑ ∫ ∂ ∇

Новый алгоритм многовекторного поиска Google (MUVERA) повышает скорость поиска и лучше справляется со сложными запросами.
Google анонсировала новый многовекторный алгоритм поиска под названием&nbsp;<a title="MUVERA" href="https://shopnseo.ru/texts/spravochnik-po-seo-onlayn-torgovle-i-internetu/muvera-ot-google/">MUVERA</a>, который ускоряет поиск и ранжирование, а также повышает точность. Алгоритм может использоваться для поиска, рекомендательных систем (например, YouTube) и для обработки естественного языка (NLP).
Хотя в объявлении прямо не говорилось, что он будет использоваться в поиске, в исследовательской работе четко указано, что MUVERA обеспечивает эффективный многовекторный поиск в веб-масштабе, в частности, делая его совместимым с существующей инфраструктурой (через MIPS) и сокращая задержку и объем используемой памяти.
<h2>Внедрение векторов в поиск</h2>
Векторные вложения &mdash; это многомерное представление отношений между словами, темами и фразами. Оно позволяет машинам понимать сходство через шаблоны, такие как слова, которые появляются в одном контексте, или фразы, которые означают одно и то же. Связанные слова и фразы занимают пространства, которые находятся ближе друг к другу.
<ul>
<li>Слова &laquo;Король Лир&raquo; будут близки к фразе &laquo;Шекспировская трагедия&raquo;.</li>
<li>Слова &laquo;Сон в летнюю ночь&raquo; займут место рядом со словами &laquo;Шекспировская комедия&raquo;.</li>
<li>И &laquo;Король Лир&raquo;, и &laquo;Сон в летнюю ночь&raquo; будут располагаться в пространстве, близком к Шекспиру.</li>
</ul>
Расстояния между словами, фразами и концепциями (технически математическая мера сходства) определяют, насколько тесно они связаны друг с другом. Эти закономерности позволяют машине делать выводы о сходстве между ними.
<h2>MUVERA решает внутреннюю проблему многовекторных вложений</h2>
В исследовательской работе MUVERA утверждается, что нейронные встраивания уже десять лет являются функцией поиска информации, а исследовательская работа ColBERT 2020 года о многовекторной модели упоминается как прорыв, однако в ней отмечается, что она страдает от узкого места, что делает ее далекой от идеала.
<blockquote>
&laquo;Недавно, начиная с эпохальной статьи ColBERT, многовекторные модели, которые производят набор вложений на точку данных, достигли заметно более высокой производительности для задач IR. К сожалению, использование этих моделей для IR является вычислительно дорогим из-за возросшей сложности многовекторного поиска и оценки&raquo;.
</blockquote>
Анонс MUVERA от Google отражает эти недостатки:
<blockquote>
&laquo;&hellip; последние достижения, в частности, внедрение многовекторных моделей, таких как ColBERT, продемонстрировали значительное улучшение производительности в задачах IR. Хотя этот многовекторный подход повышает точность и позволяет извлекать более релевантные документы, он вносит существенные вычислительные проблемы. В частности, возросшее количество внедрений и сложность многовекторной оценки сходства делают извлечение значительно более дорогим&raquo;.
</blockquote>
<h2>Может ли стать преемником технологии RankEmbed от Google?</h2>
Антимонопольный иск Министерства юстиции США (DOJ) привел к получению показаний, которые показали, что один из сигналов, используемых для создания страниц результатов поиска (SERP), называется RankEmbed и описывается следующим образом:
<blockquote>
&laquo;RankEmbed &mdash; это модель двойного кодировщика, которая встраивает как запрос, так и документ в пространство встраивания. Пространство встраивания учитывает семантические свойства запроса и документа в дополнение к другим сигналам. Извлечение и ранжирование затем являются скалярным произведением (мерой расстояния в пространстве встраивания)&hellip; Чрезвычайно быстро; высокое качество для общих запросов, но может плохо работать для хвостовых запросов&hellip;&raquo;
</blockquote>
MUVERA &mdash; это техническое достижение, которое устраняет ограничения производительности и масштабирования многовекторных систем, которые сами по себе являются шагом вперед по сравнению с моделями с двумя кодировщиками (например, RankEmbed), обеспечивая большую семантическую глубину и обработку производительности хвостовых запросов.
Прорывом является метод, называемый фиксированным размерным кодированием (FDE), который делит пространство встраивания на секции и объединяет векторы, которые попадают в каждую секцию, для создания одного вектора фиксированной длины, что ускоряет поиск по сравнению со сравнением нескольких векторов. Это позволяет эффективно использовать многовекторные модели в масштабе, повышая скорость поиска, не жертвуя точностью, которая достигается за счет более богатого семантического представления.
Согласно объявлению:
<blockquote>
&laquo;В отличие от одновекторных вложений, многовекторные модели представляют каждую точку данных с помощью набора вложений и используют более сложные функции подобия, которые могут улавливать более глубокие взаимосвязи между точками данных.
Хотя этот многовекторный подход повышает точность и позволяет извлекать более релевантные документы, он вносит существенные вычислительные проблемы. В частности, возросшее количество вложений и сложность многовекторной оценки сходства делают извлечение значительно более дорогим.
В статье &laquo;MUVERA: многовекторный поиск с использованием фиксированных размерных кодировок&raquo; мы представляем новый алгоритм многовекторного поиска, призванный устранить разрыв в эффективности между одно- и многовекторным поиском.
&hellip;Этот новый подход позволяет нам использовать высокооптимизированные алгоритмы MIPS для извлечения начального набора кандидатов, которые затем могут быть повторно ранжированы с точным многовекторным сходством, тем самым обеспечивая эффективный многовекторный поиск без ущерба для точности&raquo;.
</blockquote>
Многовекторные модели могут давать более точные ответы, чем модели с двойным кодировщиком, но эта точность достигается за счет интенсивных вычислительных требований. MUVERA решает проблемы сложности многовекторных моделей, тем самым создавая способ достижения большей точности многовекторных подходов без высоких вычислительных требований.
<h2>Что это значит для SEO?</h2>
MUVERA показывает, как современный поисковый рейтинг все больше зависит от суждений о схожести, а не от старомодных сигналов ключевых слов, на которых часто фокусируются инструменты SEO и SEO-специалисты. SEO-специалисты и издатели могут захотеть переключить свое внимание с точного соответствия фраз на соответствие общему контексту и намерению запроса. Например, когда кто-то ищет &laquo;вельветовые куртки мужские средние&raquo;, система, использующая поиск, подобный MUVERA, с большей вероятностью ранжирует страницы, которые действительно предлагают эти продукты, а не страницы, которые просто упоминают &laquo;вельветовые куртки&raquo; и включают слово &laquo;средний&raquo; в попытке сопоставить запрос.

Скопировано в буфер!

Вставлено из буфера!

Новый алгоритм MUVERA от Google. Правка

Дополнительные символы