谷歌宣布发布改进的技术，使得研究和开发能够快速部署的新算法更容易和更快。
这使谷歌能够快速创建新的反垃圾邮件算法，改进自然语言处理和排名相关算法，并能够比以往更快地将其生产为生产。
改进的TF排名与近期谷歌更新的日期相一致
这是感兴趣的，因为谷歌已经滚动了在2021年6月和7月2021年的几种垃圾邮件战斗算法和两种核心算法更新。这些开发直接遵循了这项新技术的发布。
时间可能是巧合的，但考虑到新版Keras的一切 – 基于TF排名，熟悉它可能是很重要的，以便理解为什么谷歌增加了释放新的排名相关算法更新的步伐。
基于Keras的新版TF排名
谷歌宣布新版本的TF排名可用于改善神经学习，以提高算法以及像BERT这样的自然语言处理算法。
广告联接算法读数以下
这是创建新算法的强大方法，并扩大现有算法那些，所以要说，并以一种非常快的方式来做。
张于谷歌，
Tensorflow
是机器学习平台。[在2019年的YouTube视频中，第一个版本的TensorFlow排名被描述为：
“第一个open源深入学习库，用于在规模上学习排名（LTR）。“
原始TF排名平台的创新是它改变了相关文件的排名方式。
以前的相关文件在被称为成对排名中相互比较。与查询相关的一个文档的概率与另一个项目的概率进行了比较。
这是对文件成对与整个列表的比较之间的比较。
创新TF排名是它使其在称为多项评分的时间中的整个文档列表的比较。这种方法允许更好的排名决策。
下面的广告传票读数改进的TF排名允许快速发展强大的新算法
谷歌的文章在他们的AI博客上发表的文章说，新的TF排名是一个主要的释放，这使得比以往任何时候都更容易，以便为等级（LTR）模型而让他们进入现场生产。[这意味着谷歌可以创建新的算法，并将它们添加到比以往更快的搜索。
“”我们的本土Keras排名模式具有一个全新的工作流程设计，包括一个灵活的型号建立，一个数据集合，用于设置培训数据，以及使用提供的数据集训练模型的管道。
这些组件使建立定制的LTR模型比以往任何时候都更容易，促进了对生产和研究的新模型结构的快速探索。“
TF排名伯特
当artiCLE或研究论文指出，结果略微更好，提供了需要的警告，并说明需要更多的研究，这表明讨论的算法可能不使用，因为它没有准备好或死路。
[图123是
TFR-BERT
的情况，TF排名和伯特的组合。
伯特是自然语言处理的机器学习方法。这是一种了解搜索查询和网页内容的方法。
伯特是过去几年谷歌和冰最重要的更新之一。
条款组合TF- r与bert进行优化所生成的列表输入的排序“
显着改进
。
这句话结果是重要的是重要的，因为它是重要的这些概率是如此目前正在使用的概率。
含义是基于角饼的TF排名使得伯特更强大。
根据谷歌：
“我们的经验表明，这个TFR-BERT架构在预训价的语言模型性能方面提供了显着的改进，导致几个受欢迎的排名任务的最先进的表现……”
Tf排名和Gam
另一种算法，称为
广义添加剂模型
（Gams），TF排名也改善并使均匀比原版更强大的版本。 使得该算法重要的是它是透明的，因为可以看到进入排名的所有内容和你nderstood。谷歌解释了如下所示的重要性：
“”透明度和解释性是在排名系统中部署LTR模型的重要因素可以参与确定贷款资格评估，广告瞄准或指导医疗决策等过程的结果。在这种情况下，每个个人特征对最终排名的贡献应该是考试和理解的确保结果的透明度，问责制和公平。
Gams的问题是，不知道如何将这种技术应用于类型问题。
为了解决这个问题并能够在排名中使用GamG，TF排名用于创建神经排名的广义添加剂模型（GAM），这些模型更加开放，对网页如何排名。
Google呼叫这一点，
可解释的学习 – 排名
。
这是谷歌AI文章所说的：
“
”“我们已经开发了一个神经排名游戏 – 广义添加剂模型的延伸排名问题。与标准游戏不同，神经排名GAM可以考虑排名项目的特征和上下文特征（例如，查询或用户配置文件）来导出可解释的紧凑型号。
例如，在下图中，使用神经排名GAM可以在给定用户设备的上下文中可以看出距离，价格和相关性，有助于最终排名Hotel。神经排名游戏现在可作为TF排名的一部分可用……“
作为TF排名的一部分，作为TF排名的一部分可用。
HERE。我曾问过杰夫·耐盖，AI内容优化技术的联合创始人（
@MarketMuseco ），关于TF排名和游戏。广告联系读数下方杰弗里，谁有一个计算机科学背景以及数十年的搜索营销经验，指出，Gams是一个重要的技术和改善它是一个重要事件。
Mr。 Coyle共享：
“我花了很大的时间，研究神经排名的GAMS创新以及对语境分析的可能影响（对于查询），这是谷歌得分的长期目标团队。 神经役和相关技术是死亡的Y武器的个性化（特别是用户数据和上下文信息，喜欢的位置）和意图分析。
用
Keras_dnn_tfrecord.py
作为一个公开的例子，我们可以在创新时获得一瞥一个基本级别。
我建议每个人都检查那个代码。“
优于梯度提升决策树（BTDT） 以算法击打标准的情况重要的是，这意味着新方法是提高搜索结果质量的成就。
在这种情况下，标准是梯度提升决策树（GBDT），一种具有若干优点的机器学习技术。
下面的广告联系读数
但谷歌还解释说，GBDTS也有缺点：
“”GBDTS Canno“T直接应用于大型离散特征空间，例如原始文档文本。通常，它们也比神经排名模型更少。这个神经学习级别的模型是“
，通过大的边缘劣质”到……基于树的实现。
谷歌的研究人员使用了基于新的Keras的TF排名来生产他们所谓的东西，数据增强的自我关节潜在交叉（Dasalc）模型。
Dasalc是重要的，因为它能够匹配或超越现有领域的当前状态：
“”我们的模型能够与强大的基于树的基线相对较差，而OUTerforming最近公布了神经学习，通过大边缘排列方法。我们的结果还作为神经学习的基准。
基于Keras的TF排名速度的排名算法 重要的外卖是这种新的系统速度新排名系统的研究和开发，包括识别垃圾邮件，以将它们排除在搜索结果之外。下面
本文得出结论：
“总而言之，我们相信基于新的Keras的TF排名版本将使神经阻滞研究和部署生产级别排名系统更容易。”
谷歌一直在创新过去几个月的速度越来越迅速，有几个垃圾邮件算法验证在两个月的过程中更新和两个核心算法更新。这些新技术可能是为什么谷歌一直推出这么多的新算法，以改善垃圾邮件战斗和排名网站。
谷歌AI博客文章 谷歌的新达斯拉尔算法 https://github.com/tensorflow/ranking/releases/tag/v0.4.0
