В Chrome 124 для Mac, Windows и ChromeOS Google обновил адресную строку, или Omnibox, с помощью моделей машинного обучения для предоставления лучших предложений.
Ранее Chrome использовал «набор специально разработанных и вручную настроенных формул», которые «было трудно улучшить или адаптировать к новым сценариям». Например, один из сигналов — «время с момента последней навигации»:
Ожидается, что чем меньше этот показатель (чем недавно вы посещали определенный URL), тем больший вклад этот сигнал будет вносить в более высокий рейтинг релевантности.
Google заявляет, что система оценки, ответственная за отображение/ранжирование URL-адресов и предлагаемых запросов, «долгое время оставалась практически без изменений».
Долгое время использование модели оценки, обученной с помощью машинного обучения, было очевидным путем вперед. Но потребовалось много неудачных попыток, чтобы наконец достичь этого. Наша неспособность решить эту задачу так долго была связана со сложностью замены основного механизма функции, используемой буквально миллиарды раз каждый день.
Эта новая система машинного обучения должна привести к тому, что адресная строка Chrome будет возвращать предложения страниц, которые «более точны и релевантны для вас». Она позволит Google «собирать более свежие сигналы, периодически переобучать, оценивать и развертывать новые модели с течением времени». Одним из улучшений, которое модель внесла со временем с момента последней навигации, было:
…когда время с момента навигации было очень низким (секунды, а не часы, дни или недели), модель снижала рейтинг релевантности. Оказывается, обучающие данные отражали закономерность, когда пользователи иногда переходят по URL-адресу, который им на самом деле не нужен, а затем немедленно возвращаются в Omnibox Chrome и пытаются снова. В этом случае URL-адрес, по которому они только что перешли, почти наверняка не тот, который им нужен, поэтому при второй попытке он должен получить низкий рейтинг релевантности.
Заглядывая в будущее, Google рассматривает возможность включения новых сигналов, «таких как дифференциация времени суток для повышения релевантности».
Команда также изучает «обучение специализированных версий модели для конкретных сред». Этот новый подход в настоящее время применяется на настольных компьютерах, но будущие итерации могут быть ориентированы на мобильные устройства, корпоративное использование и образование.