Чем больше я экспериментирую с векторными эмбеддингами и...

Чем больше я экспериментирую с векторными эмбеддингами и семантическим поиском, тем меньше я верю, что это продвинутый фактор ранжирования Google 📈, — говорит Сайрус Шепард.

Скорее, это больше похоже на базовое условие для участия в игре.

Тот минимум, который нужен, чтобы просто быть в игре ♦️

Возьмите любой конкурентный запрос, и у всех топ-100 результатов в выдаче будут достаточно схожие векторные эмбеддинги относительно этого поискового запроса.

И при этом часто нет никакой корреляции с позицией.

Так в чем же дело?

Мы знаем, что поиск "релевантных" документов — это один из первых шагов, которые Google предпринимает при ответе на запрос.

Сокращение числа возможных документов с миллиардов до нескольких тысяч.

После этого такие сигналы, как ссылки, клики, качество и все остальные факторы ранжирования, вероятно, играют гораздо более важную роль.

Так что же, векторные эмбеддинги бесполезны?

Нет, отнюдь нет.

Особенно для понимания контента в больших масштабах, определения релевантности, поиска аномалий и целого ряда других задач.

(И, как отметил в комментариях Кай Шпристерсбах, очень сложные запросы / развернутые поисковые фразы с гораздо большей вероятностью выигрывают от такого типа анализа!)

Но подняться с 10-й на 5-ю позицию по конкурентному запросу за счет улучшения показателей косинусного сходства?

Я пока не вижу тому доказательств.

Буду рад, если кто-то докажет, что я неправ!

Если у вас есть доказательства обратного или вы считаете, что я упускаю что-то важное, пожалуйста, поделитесь...

@MikeBlazerX