图片来源：Enrico Altavilla
看来 RankBrain 是 Hummingbird 常规更新的必要“补丁”。事实上，我们应该记住，帮助谷歌理解“文字查询”。
然而，正如 Danny Sullivan 在 Search Engine Land 上的上述常见问题解答文章中所写，RankBrain 与 Hummingbird v.2 并不相同，而是一种“改进” Hummingbird 功能的新算法。
如果您在阅读 Greg Corrado 的话时查看上面的图片，我们可以高度准确地说，RankBrain 在整个搜索过程的“理解”和“检索”阶段之间起作用。
显然，理解高度模糊和口语化的查询对于 Hummingbird 来说非常困难 —— 事实上，谷歌需要创建 RankBrain。
RankBrain 与 Hummingbird 类似，概括并重写这些类型的查询，试图匹配它们背后的意图。
为了理解一个前所未见或者模糊的问题，RankBrain 使用向量，引用彭博社的 泰国电话号码数据 一篇文章的说法，即“嵌入数学实体中的大量书面语言”，并尝试查看这些向量是否与它试图回答的问题有任何关系。
不过，向量似乎并不是典型的蜂鸟算法中的一个全新特征。我们有 Matt Cutts 本人提供的证据证明 2013 年也发生过类似的事情，您可以从下面的 Twitter 对话中看到：
那时，Google 还远远不够完美
一旦发现可能回答查询的网络文档，RankBrain 就会检索它们并让它们继续执行搜索阶段的步骤，直到这些文档显示在可见的 SERP 中。
在这种背景下，我们应该接受 RankBrain 作为“排名因素”的定义，因为对于 RankBrain 执行的特定查询集而言，它在很大程度上是正确的。
换句话说，RankBrain 越是将网络文档视为对未知或难 您无需再在访问的页面上寻找社交分享栏 以理解的查询的潜在正确答案，该文档在相关 SERP 中的排名就越高 – 同时还会考虑其他适用的排名因素。
当然，搜索者的选择最终会告诉谷歌这个不清楚或未知的问题的答案是什么。
最后要说的是有必要揭穿我在
Hummingbird 推出时看到的说法：不，您的网站并没有因为神秘的 RankBrain 惩罚而失去可见性。
加速 RankBrain
Christine Schachtinger 是一位才华横溢的 SEO 极客，我非常尊重她，她在Search Engine Land 上的这篇文章中将 RankBrain 与知识图谱和实体搜索联系起来。然而，尽管我同意 RankBrain 是 Hummingbird 的一个补丁，并且 Hummingbird 还不是 Google 宣布的“语义搜索”，但我们的观点在一些方面存在分歧。
我不认为蜂鸟和知识图谱是同一件事。它们确实有 阿拉伯语数据 着相同的使命（从字符串到事物），并且蜂鸟使用了知识图谱背后的一些技术，但它们仍然是两个独立的东西。
在我看来，这是对 SEO 的一个常见误解。事实上，我不认为精选片段（又名答案框）是知识图谱本身的一部分，尽管人们普遍认为如此。
所以，如果蜂鸟不像知识图谱，那么我们不仅应该将实体视为命名实体人、”爱”之类的概念、行星、地标、品牌）,还应该将其视为搜索实体,这搜索其视为搜索实体.
Bill Slawski 描述的搜索实体如下：
搜索者提出的问题。
查询回复文件
搜索者提交查询的搜索会话。
提交查询的时间。
针对该问题投放的广告
文档中链接的锚文本
与文档关联的域
这些搜索实体之间的关系可以形成“概率分数”，可以决定网络文档是否显示在给定的 SERP 中。
我们不能排除这样一个事实：RankBrain 使用搜索实体来找到从未见过的问题的最可能和最准确的答案，然后使用可能性分数作为定性指标来向查询用户呈现合理、可靠的 SERP。