微软必应的差异化探索:一条不得不选择的路

面对日益激烈的搜索市场竞争,必应选择了差异化作为其主要的发展方向。通过引入社交信号和知识图谱等特性来改善用户体验,尤其是在美国市场取得了显著进展。然而,在中国市场,必应面临着诸多挑战。

差异化,是必应一条不得不选择的探索方向。

差异化,是必应一条不得不选择的探索方向。

常规搜索竞争空间日渐逼仄,押注差异化或是必应的必由之路

去年9月,必应在美国展开“Bing It On”推广活动——在去掉品牌识别的情况下,让用户比较哪家的搜索结果更好。据说选择必应的用户超过谷歌;而在另外一些报道中,也有用户说谷歌的搜索结果比必应更好。结论因人而异。

然而无论哪个搜索结果更好,一个更重要的事实是,尽管微软认为更多的人选择认同必应搜索,但必应的份额并不会因此而获得明显提升。这意味着,对常规搜索结果同质型的改进,已难以在搜索市场掀起涟漪。

差异化,于是成为一条不得不选择的探索方向。

社交信号

本周,微软资深副总裁沈向洋时隔几个月再次回国。在介绍近期必应的新改变时,首先就提到了社交信号的引入。实际上大约在去年5月,必应搜索(英文版)就开始在搜索结果页面最右侧开辟出新的一栏,用以展示社交搜索结果。

如果你的Facebook好友信息中,有与你的搜索关键词有匹配的内容,就会被搜索出来。在美国市场,必应在这方面具有一定优势,因为他们和Facebook是合作伙伴,而谷歌和Facebook更经常被定义为某种竞争对手。谷歌只能另起炉灶自己搞。

中国市场同样在进行类似的尝试,各个搜索引擎都已陆续在搜索结果中,嵌入来自社交网络的内容。路线更为激进的是云云搜索,云云已经不单独把社交网络的搜索结果列在一处,而是借助社交信号对搜索结果的排序进行实质性影响。

这种探索充满争议。沈向洋也并不握有确定的答案。

为什么必应的社交搜索放在最右侧,而不是融进常规搜索结果中?“我们试了不同的方式”,沈向洋说融为一体是正路,但是目前的测试结果显示,社交搜索内容引入直接排序中,并不能明显带来搜索结果整体相关性的提升。

哪方面出了问题,数据源还是挖掘方式?沈向洋认为:这是因为社交信号还不够强。在他看来,社交网络中内容流的价值,还需要继续发展才有可能变得更重要。而必应将继续观察社交对搜索影响几何,这种尝试仍将在美国进行而不是在中国。

知识图谱

在必应的三栏式搜索结果中,左边是网页搜索结果,右侧是社交搜索结果,而中间的一栏则被用于放置知识图谱结果。这一功能可以将搜索结果进行知识系统化,通过任何一个关键词都能获得完整的知识体系。去年5月和12月,谷歌和必应分别推出类似产品。

比方搜索“Michael Jordan Berkerley”这个关键词。Michael Jordan在美国通常被理解成NBA球星乔丹,但加上Berkerley实际上想搜的是来自伯克利大学一位同名的教授。知识图谱需要根据这个关键词找到正确的实体对象。这是第一步。

随后,知识图谱还应提供与这位Michael Jordan相关的各种信息,例如与他关系密切或者接近的其他教授名单。而发现这层人与人之间的相互关系,来自用户的参与——在搜索Michael Jordan教授的同时,大家还搜索了哪些人。

搜索依靠与用户的互动进行关系挖掘。这种方式的副作用是,搜索量越高结果越准确,也就是说一家独大的马太效应会越发明显。

而且如何找到正确的实体对象也是挑战,据推算这种实体对象的数量约有3亿,每个对象还有各自不同的内容。另外困难还来自对自然语言的处理,以及某些知识具有并不唯一的多重答案,比方对于印度最长的河这种问题,就有不同的答案。

然而这些问题并不会牵绊必应。除了市场竞争方面的考虑,沈向洋还指出“搜索到最后代表了人类知识的积累,这是非常了不起的事情”。

中国市场怎么办?

上述种种基本都在美国发生,那么中国市场呢?

必应是个重要因素么?据CNZZ数据,必应在中国的份额仅有0.5%。那么必应不重要?根据comScore的数据,全球搜索市场必应虽然被Yandex超过,但仍然排在第五位;美国市场,必应排在谷歌之后,占据16.5%的份额,而且还是雅虎搜索的合作伙伴。

这种现状与微软几年前的决策有关——全力在美国市场搏杀。不只如此,必应还错失谷歌中国政策调整带来的机遇窗口。微软全球资深副总裁、搜索业务负责人沈向洋谈到这一现状时也承认:“我们在中国决心不够大、投入不够多”。

如今这两种不够,并没有任何得到缓解的迹象。必应把一些希望寄托在需要英文搜索的中国用户身上(显然这并不是一个规模庞大的群体);同时也放话有意和国内搜索引擎合作(上次和百度牵手半年无疾而终);借道浏览器?必应暂时还没有想清楚。

内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合Koopman算子理论与递归神经网络(RNN)的数据驱动建模方法,旨在对非线性纳米定位系统进行有效线性化建模,并实现高精度的模型预测控制(MPC)。该方法利用Koopman算子将非线性系统映射到高维线性空间,通过递归神经网络学习系统的动态演化规律,构建可解释性强、计算效率高的线性化模型,进而提升预测控制在复杂不确定性环境下的鲁棒性与跟踪精度。文中给出了完整的Matlab代码实现,涵盖数据预处理、网络训练、模型验证与MPC控制器设计等环节,具有较强的基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)可复现性和工程应用价值。; 适合人群:具备一定控制理论基础和Matlab编程能力的研究生、科研人员及自动化、精密仪器、机器人等方向的工程技术人员。; 使用场景及目标:①解决高精度纳米定位系统中非线性动态响应带来的控制难题;②实现复杂机电系统的数据驱动建模与预测控制一体化设计;③为非线性系统控制提供一种可替代传统机理建模的有效工具。; 阅读建议:建议结合提供的Matlab代码逐模块分析实现流程,重点关注Koopman观测矩阵构造、RNN网络结构设计与MPC控制器耦合机制,同时可通过替换实际系统数据进行迁移验证,深化对数据驱动控制方法的理解与应用能力。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值