شبکه های عصبی سیستم ها و روش های محاسباتی در یادگیری ماشین هستند که بر اساس ساختار نورون های مغزی طراحی شده اند. این شبکه ها مانند نورون های مغزی، اطلاعات را دریافت، پردازش و ارسال می کنند. شبکه های عصبی مانند مغز انسان قابلیت به خاطر سپردن خاطرات و آموزش و یادگیری موضوعات جدید را دارند؛ داده ها را دسته بندی کرده و الگوهای بین آنها را شناسایی می کنند.
با توجه به ویژگی های کلیدی شبکه های عصبی، موتور جستجوی گوگل نیز برای رسیدن به اهداف خود بر روی توسعه این شبکه ها سرمایه گذاری کرده است تا بتواند بر اساس آنها الگوریتم های جستجوی خود را بهینه کرده و بهترین نتیجه را به کاربران ارائه دهد.
استفاده از الگوریتم های مبتنی بر شبکه های عصبی در گوگل باعث شده است که نتایج ارائه شده در صفحه جستجو کاملا منطبق با نیاز کاربر باشد. الگوریتم های BERT، RankBrain و MUM و تطبیق عصبی گوگل از مهم ترین الگوریتم های مبتنی بر شبکه های عصبی گوگل هستند. با توسعه این الگوریتم ها بر اساس شبکه های عصبی، موتور جستجوی گوگل توانست زبان انسان را به خوبی درک کند و نتایج جستجو را بر طبق نیاز کاربر به فرمت تصویر، ویدیو یا متن به او نشان دهد.
رنک برین یکی از الگوریتم های مبتنی بر یادگیری ماشین و هوش مصنوعی است. یادگیری ماشین از شبکه های عصبی برای شناخت الگوها استفاده می کند. این الگوها شامل بررسی رفتار کاربران در مواردی مانند نرخ بازگشت از سایت، زمان ماندن کاربر در یک صفحه و نرخ کلیک می باشند. در الگوریتم Rank Brain جستجوهای گذشته کاربر بررسی می شود و محتواهای مرتبط با هر جستجو طبق الگوهای یادگیری ماشین رتبه بندی می شوند. از طرف دیگر استفاده از هوش مصنوعی در این الگوریتم باعث می شود که رنک برین بتواند تا حدودی مستقل عمل کند و در جستجوهای جدید کاربر بر دانش خود تکیه کند و بهترین نتیجه را به کاربر نشان دهد.
در جستجوهای کاربر، عبارت مورد نظر تجزیه و تحلیل شده، مترادف کلمات و مفهوم کلی عبارت مشخص می شود. سپس الگوریتم رنک برین نتایج جستجوهای قبلی کاربر را بررسی کرده تا بتواند هدف کاربر از جستجو را مشخص کند و بهترین نتایج را در SERP نشان دهد. یکی از مهم ترین دستاوردهای توسعه این الگوریتم مبتنی بر شبکه های عصبی توسط گوگل، تمرکز بر روی کیفیت محتواست. با توسعه رنک برین محتواها دیگر بر اساس تعداد کلمات کلیدی و بک لینک ها طبقه بندی نمی شوند، بلکه کیفیت محتوا و برطرف کردن نیاز کاربران در اولویت رتبه بندی مقالات قرار دارد.
الگوریتم BERT (Bidirectional Encoder Representations from Transformers) یک مدل یادگیری عمیق است که برای درک بهتر زبان طبیعی انسان گسترش یافته است. در گذشته گوگل برای درک یک عبارت آن را کلمه به کلمه و از راست به چپ یا چپ به راست (با توجه به چپ چین یا راست چین بودن زبان) تحلیل می کرد. با گسترش الگوریتم برت، عبارات طولانی از هر دو جهت بررسی شده و معنی کلمات در کنار هم در نظر گرفته می شود.
با استفاده از این الگوریتم هنگامی که یک عبارت یا جمله در گوگل جستجو می شود، گوگل به جای نشان دادن نتایج مرتبط با کلمه کلیدی عبارت، نتایجی را نشان می دهد که کاملا پاسخگوی عبارت سرچ شده باشد. به عنوان مثال در هنگام جستجوی عبارت (کدام دارو برای سرماخوردگی کودکان مفید است؟)، گوگل به جای نشان دادن نتایج مرتبط با کلمه کلیدی سرماخوردگی کودکان، داروهای مناسب این بیماری در کودکان را معرفی می کند.
الگوریتم مبتنی بر هوش مصنوعی و یادگیری عمیق MUM (Multitask Unified Model)، یکی از الگوریتم های نوظهور گوگل است که می تواند تصاویر را نیز به خوبی پردازش کند. این الگوریتم می تواند ضمن درک زبان طبیعی انسان، محتوای تصاویر را نیز بررسی کرده و در صورت مرتبط بودن با جستجوی کاربر، تصاویر را نیز به او نشان دهد. برخی از سوالات کابران چندوجهی بوده و نیاز به پاسخ های تصویری دارند که این الگوریتم می تواند با ارائه تصاویر مناسب، پاسخ های دقیق تری را به کاربران ارائه دهد.
الگوریتم Neural Matching یا الگوریتم تطبیق عصبی گوگل می تواند با استفاده از تکنیک های یادگیری عمیق، ارتباط بین کلیدواژه ها و جملات را کشف کرده و ضمن استخراج مفهوم آنها، نتایج دقیق تری را به کاربر نشان دهد.
این الگوریتم در صفحات مختلف وب به دنبال محتوایی است که با مفهوم جستجوی کاربر تطبیق داشته باشد و استفاده دقیق از کلمات جستجو شده توسط کاربر را به معنای مناسب بودن آن محتوا نمی داند. در الگوریتم تطبیق عصبی علاوه بر درک عبارات هم خانواده و مترادف، مفهوم کلی محتوا در نظر گرفته می شود و نتایجی را در رتبه های بالا نشان می دهد که مفهوم کل محتوا به عبارت جستجو شده توسط کاربر نزدیک باشد.
استفاده از الگوریتم های مبتنی بر شبکه های عصبی در گوگل باعث شد که مفهوم یک محتوا نسبت به استفاده از کلمات کلیدی در اولویت قرار بگیرد. این الگوریتم ها محتواهایی با زبان انسانی را ترجیح می دهند و بر روی محتوای باکیفیت تمرکز دارند. الگوریتم های مبتنی بر شبکه های عصبی، سیستم رتبه دهی محتواهای گوگل را تغییر داده و احساسات و نظرات دیگر کاربران درباره یک محتوا را نیز در رتبه بندی آن تاثیر می دهند.
برای بهینه سازی صفحات سایت بر اساس الگوریتم تطبیق عصبی راهکارهای مختلفی وجود دارد که در ادامه تعدادی از آنها را بیان می کنیم:
شبکه های عصبی دارای قدرت یادگیری هستند و با توجه به داده های گذشته، خود را تقویت کرده و هوشمندانه تر فعالیت می کنند. به همین دلیل استفاده از شبکه های عصبی در توسعه الگوریتم های گوگل، باعث شد که گوگل بتواند پاسخ مناسب تری را به جستجوی کاربران ارائه دهد. این پاسخ بر اساس درک دقیق از مفهوم عبارت جستجو شده و بررسی مفهوم کلی محتواهای موجود در وب به کاربران ارائه می شود.
