所以要问的问题是“指标是什么？” “，因为这是产品工程师所控制的。这些是机器成功的衡量标准，也决定了算法如何发展和执行。
值得注意的是，机器会根据以下指标适应提供的校正数据：
如果指标不相关，校正数据就会产生误导，机器就会误解所要求的内容，搜索结果的质量也会很差。
如果度量标准相关，学习过程将使机器提供更好的结果。这是一个良性循环。
最终，Bing 客户的使用效果将得到改善。
而 Bing 的产品是成功的！
根据算法提供的结果质量对团队进行评判。该质量是根据这些结果建立 Bing 客户对 Bing 产品的信任的能力来评估的。因此，该团队开发了一种过滤算法，以防止“不良”结果损害 Bing 品牌。
这个过滤器本身是一种基于机器学习的算法。一种过滤器，可以学习识别和删除任何不必要的、令人反感的或有损 Bing 声誉的内容。例如 ：
- 仇恨言论。
- 成人内容。
- 假新闻。
- 冒犯性言论。
该过滤器不会改变排名或“最佳答案”选择，如果触发此过滤器，它只会删除精选片段。
Ali Alvi 在这里提出了一个有趣的观点：他们正在行使不回答问题的权利。
注释必不可少
“Fabrice 和他的团队做得非常出色，我们 100% 信赖他们，”Ali Alvi 说道。他继续说，如果没有 Fabrice Canel 的注释，他们就无法构建生 工作职能邮件数据库 成问答的算法：它们允许算法轻松识别相关块，到达它们并提取适当的段落，而不管它在文档中的什么位置（ Cindy Krum 的“ Fraggles ”）。
但看起来 Canel 的注释不仅仅是识别块：它们甚至提出了文档中不同块之间可能存在的关系，这使得通过从文档的不同部分获取文本来动态编写目录变得更加容易。
因此Bingbot具有“语义标记”的重要作用。
这让我们回到下一点：构建我们的页面并为 Bingbot（和 Googlebot）提供尽可能多的线索是至关重要的，这样它就可以为我们的 HTML 添加最丰富的注 如何评估您的业务绩效？ 释层，因为算法严重依赖这些注释来提取和排名我们的（精彩的）内容。
最简单的 SEO 策略
现在我非常清楚，抓取、存储和排名结果（无论是蓝色链接还是丰富元素）的整个过程是高度相互依赖的。
鉴于 Canel、 Dubut、Alvi、Merchant 和 Chalmers 先生在本系列中所分享的内容，最基本的观点可以总结如下：
- 构建我们的内容以方便其探索、提取和注释。
- 确保我们的内容对于我们的观众和用户来说有价值。
- 在内容、作者和出版商层面构建 EAT（专业性、权威性和可信度）。
无论要求 Bing（或 Google）向其用户呈现什么内容，无论是蓝色链接还是丰富元素，这都是正确的！
这是五篇专门讨论 Bing 算法（以及任何搜索引擎）功能 最新评论 的文章中的第三篇，基于 Jason Barnard 在世界各地进行的一系列访谈！
敬请关注，我们将定期发布 BING 系列的新剧集，讲述我们的 SEO 环球旅行者的冒险经。