只有在进行预先分类之后，他们才会检查权威和信任的信号。
该算法利用机器学习来评估文档、作者和发布者的显性和隐性的权威性和可信度。
与弗雷德里克·杜布特 (Frédéric Dubut) 一样，阿里·阿尔维 (Ali Alvi) 认为该算法基于评估原则：它衡量成功和失败，并进行相应调整。
衡量成功与失败：用户反馈
通过这些端到端的神经网络，人类的控制最终仅限于他们输入的数据和他们用来判断性能的指标。
他们不断地向机器输入我称之为“纠正数据”的东西。目标是告诉机器：
- 她在哪里取得了成功（Frédéric Dubut 谈到了强化学习）。
- 发生故障的地方（导致机器进行调整）。
大部分纠正数据均基于用户反馈，形式如下：
人类评判（相当于谷歌的质量评估员——Frédéric Dubut 在此处对此进行了讨论）。
满意度调查。
来自结果页面的用户反馈
Ali Alvi 认为，这些回报是评判机器的基础，也是评判团队本身的基础。
算法背后团队的主要职责是创建 传真列表 可靠的算法，生成能够建立用户对搜索引擎信任的结果。
与任何其他企业一样，他们的商业模式基于客户满意度。和任何其他企业一样，他们有充分的动力利用客户反馈来改进他们的产品。
SEMrush 流量分析
所有指标、所有网站、所有互联网
由于机器学习主导着排名过程，因此关键问题不是“因素是什么？” ”，但是“指标是什么？ “。
现在，排名的计算或多或少完全对应于神 乌克兰和世界各地的热门市场 经网络的工作，神经网络可以自行运作。
人类的作用是定义指标、执行质量控制并提供可靠的纠正数据以鼓励机器改进。
我们无法了解机器用于排名的因素……Bing 和 Google 的工程师也同样无法了解。 Bing 和 Google 生产的算法有数亿个参数。没有人能够深入研究并了解到底发生了什么。
最初，工程师给机器一组他们认为相关的因素。但是一旦启动数据处理机器，它就会识别并选择这些因素，通常是人类没有想到的因素。 Bing 或 Google 的员工并 最新评论 不知道这些“间接”因素，因此询问他们这些因素是什么毫无意义：他们最初认为重要的一些因素其实并不重要，他们认为次要的一些因素其实也不重要。而且他们没有想到的一些事情却是必要的。