不过，还有另一个证据。还记得“新泽西州机动车管理局”的例子吗？谷歌能够理解“DMV”（机动车辆管理局）和“MVC”（机动车辆委员会）在新泽西州是等效概念。
我们的数据科学团队由 Matt Peters 领导，他们组装了一个 阿富汗数字数据 使用类似 Word2Vec 方法的 ML原型。 如果您在此工具中输入搜索词，它会相应的 Google搜索结果并计算这些结果与原始果询之间的相似度:
但数据是真实的。该工具的意思是，标题为“新泽西州 - 机动车委员会”的页面与“NJ DMV”匹配度很高（93%，尽管系统有点宽容）。我们可以训练一个 ML 系统来执行这项任务，这并不能证明 RankBrain 可以做到这一点，但它至少表明它在 Google 的 ML 能力范围内。
RankBrain 是什么时候开始的？
请注意，RankBrain 的发布日期通常与 2015 年 10 月有关，但文章还指出 RankBrain 已经在“过去几个月”投入使用。 Steven Levy 在《谷歌机器学习》一文中给出了推出的日期为 2015 年 4 月，我们相信这个时间表是准确的。在撰写本文时，RankBrain 可能已经存在至少一年半了。
我们如何采用 RankBrain？
在 Google 可以理解词干、同义词甚至答案的世界里，我们该如何进行关键词研究？让我们回到太空针塔的例子。我将使用Moz 的关键字资源管理器作为本次讨论其余部分的背景.假设我启动我信赖的关键字研究工具并输入短语“太空针塔的高度”：