我们无法笼统地说出一个文本片段包含体的文档多少个单词或一个窗口有多大。理论上，它也可以是一整篇文本。然而，结合文本的整体视图来查看各个段落或章节更有意义。这也解释了为什么数百个术语的非常广泛的内容可以一起获得最高排名。
对于与实体相关的搜索查询的文档
的评分分两个步骤进行。首先，使用经典信息检索方法确定前 n 个文档并按顺序排列。第二步，根据这些文件与所请求实体的相关性进行加权，然后重新排列顺序。公式如下：
其中 e 代表实体，q 代表搜索查询，d 代表文档，Dq 代表与搜索查询相关的所有文档。如果将 Dq 限制在前 k 个文档，则性能可以显著提高。
基于实体的评分可以使用与基于术语的搜 whatsapp 筛查 索系统相同的评分算法来执行，只是术语与实体进行了交换。为了提高性能，可以将连接的实体及其每个文档的权重存储在文档索引中。 （更多内容请阅读文章基于实体的索引：从内容索引到实体索引 ）
这种基于实体的评分体的文档可以轻松添加到经典的基于体的文档关键字的搜索中，或者可以单独或组合使用两种方法。
实体、自然语言处理体的文档和向量空间分析是索引和排名的核心方法
在本文的最后，我想根据过去 10 个月的 里夫斯清理跑道准备着陆 研究结果得出一个中期结论。
机器学习和量子计算体的文档的进步使得自然语言处理和向量空间分析等方法在实践中对谷歌来说越来越高效和可扩展，使得解释实体、搜索查询和内容以及对其进行排名变得越来越容易。
我研究了知识图谱的可能数据源以及 Google 在为知识图体的文档谱挖掘信息时面临的挑战。自然语言处理在谷歌非结构化数据挖 007 厘米 掘中扮演着怎样的核心角色已经变得十分清晰。然而，信息的完整性和准确性之间的矛盾仍然存在。以下是个人贡献：