В этом уроке я продолжаю разбор нейросетевых алгоритмов поиска и показываю, как их следы можно найти в реальной выдаче. Мы идём по цепочке BERT, MUM, Яндекс Яти, DSSM и RankBrain, разбираем зональный анализ документов, дистилляцию моделей и пассажное ранжирование. Затем на живых запросах в Google и Яндексе смотрим, где семантический поиск справляется, а где ломается. Урок подойдёт SEO-специалистам, которые хотят понимать, что из этого стоит учитывать в текстах, и не хотят переоценивать возможности поисковых нейросетей.
0:00–2:38 Что есть у Google и Яндекса. Кандидаты отбираются быстрыми моделями вроде BM25, затем BERT может их доранжировать, но он дорогой. MUM сильнее, мультимодальный и умеет генерировать текст, в русском поиске его, скорее всего, нет. Яндекс Яти рассматриваем как обученный Яндексом BERT с зональным анализом документов: из длинных статей можно брать заголовки и сравнивать с ними запрос. Первый пассаж включает H1, поэтому заголовки стоит оптимизировать. При нарезке документов на чанки к пассажу обычно добавляют заголовок, чтобы было понятно, к какой теме он относится. 2:38–5:20 Зональный анализ, DSSM и RankBrain. Зональный анализ экономит токены: всю страницу в модель не засунуть. Первый абзац вместе с заголовком…
🔒
Этот материал доступен участникам Клуба. Войдите или оформите доступ,
чтобы читать целиком, открывать видео и комментировать.
