- 综合排序
- 最热优先
- 最新优先
- 来自专栏罗超频道
视觉搜索是移动搜索的未来？
在《展望3B大战之后的搜索变数》一文中，我曾分析过移动搜索与传统搜索的不同——搜索诉求从获取信息变为更加本地化、生活化的实体搜索；搜索方式从WEB网页变为APP；输入方式也因为使用场景的移动性、移动设备的特征和网络环境而发生了巨大变化 移动设备的摄像头已是标配，视觉搜索极具想象空间，Google Glass就被认为是一个基于视觉搜索的可穿戴设备。 什么是视觉搜索？ 视觉搜索最简单的说法就是“以图搜图”。 与简单的匹配不同，视觉搜索是基于算法和数据的。首先需要搜索引擎拥有大量图片库，然后提取特征值，聚类建索引。在用户搜索时，将搜索照片进行解析，去繁存真，检索并根据相关性排序，返回结果。 而视觉搜索呢？人眼所见即所得。只要人类能看到的，它都可以帮你进行抓取并搜索。 未来的视觉搜索是什么样呢？类Google Glass的智能眼镜的普及会成为一个里程碑。 这是Google和百度等搜索巨头都对视觉搜索投入大量资源的原因——流量入口是搜索引擎的生命之源。 现实远非完美 视觉搜索未来很丰满，但是现实仍有些残酷。
2K40发布于 2018-04-25 - 来自专栏云云众生s
搜索的未来是向量
他们脑海中有一个想要的东西的画面，但缺乏精确的术语，他们的搜索最终提交了诸如“拧紧螺丝的东西”之类的关键词。对该搜索的人类响应者将返回一个螺丝刀索引。你的基于关键词的搜索会返回什么？ 向量搜索提供了传统关键词搜索无法实现的可能性。 向量搜索的工作原理 向量搜索利用先进的机器学习模型将文本数据转换为高维向量，捕捉词语和短语之间的语义关系。 与依赖精确匹配的传统基于关键词的搜索不同，向量搜索理解查询背后的上下文和含义，从而能够检索更相关的结果。 换句话说，当用户在由向量搜索驱动的搜索功能中搜索“拧紧螺丝的东西”时，系统不会仅仅查找包含这些确切词语的文档。相反，它会解释查询背后的含义，并识别包含“螺丝刀”和相关术语的相关文档。 相关文章： 如何让PostgreSQL的向量数据速度与Pinecone一样快 向量数据库：几何遇见机器学习 关于向量搜索一定要预先知道的事情 不要在专用向量数据库上构建您的未来 Pgvector与Pinecone
52810编辑于 2024-06-28 - 来自专栏字根中文校对软件
搜索引擎的未来
最近msn推出了 http://beta.search.msn.com 搜索引擎 试用后发现和google的还是区别很大的，最突出的区别是 搜索结果相关性很高，不像google搜索的东西太多， 需要看很久才能找到自己想要的东西 现在用msn的 highlightviewer更方便 看下面的图片 : 搜索 机器人 小叮咚 “微软的搜索引擎很快就可以做得和Google一样好，我对此深信不疑，”他说，“问题是，谁关心呢？” 这吸引了一大批新的竞争对手，一心希望凭借自己崭新的搜索网站，从Google那里分一杯羹。 诸如Clusty.com等网站甚至不尝试创造更好的搜索结果。相反，他们专门研究显示形式，从其它搜索引擎中获得搜索结果，然后以一种更易接受的形式呈现给用户。 如果你想比较各个搜索引擎如何处理同一种查询，并想了解它们生成的搜索结果经常重叠的程度有多小，请登陆 http://clusty.com/
2K30发布于 2019-02-14 - 来自专栏ytkah
语音搜索对未来SEO的影响
现在投放市场的大多数移动设备都配备了最新的人工智能（AI）技术，使我们能够用语音进行搜索，而不是输入。 但是，语音搜索的方式与基于文本的搜索不同。 谷歌趋势--语音搜索兴趣随时间变化 语音搜索是一种更容易、更快捷的方式，可以在家里、在路上、在做饭或从一个地方到另一个地方的通勤中搜索东西。因此，人们越来越多地采用这种形式的搜索也就不足为奇了。 随着语音搜索现在能够提供基于地理位置的结果，你的在线业务列表需要是最新的，并且完全匹配。每个列表之间最轻微的差异都可能导致搜索引擎排名下降。 与语音搜索有关的SEO的未来 语音搜索将在这里停留。 你的内容需要继续吸引这两种类型的搜索者。 使企业适应语音搜索的提示 因此，我们已经研究了一些可能随着语音搜索的扩散而出现的机会和问题。我们也瞥见了未来对SEO的影响。 搜索引擎的未来是自然语言处理，所以要参与对话，以保持领先于你的竞争对手。 本文作者Markerle Davis是Soap Media的营销总监，自2005年以来一直是谷歌的首要合作伙伴。
89120发布于 2021-07-14 - 来自专栏AI科技大本营的专栏
这篇论文，透露谷歌团队构想的“未来搜索”
下图 3 显示了现代搜索引擎（左）和现代预训练 LMs 对这个示例查询的响应。搜索引擎识别一个相关网页并尝试提取代码片段，但无法充分回答问题。 （6）算术、逻辑、时间和地理推理 众所周知，现代搜索引擎可以处理某种形式的算术推理的查询。 当前的搜索引擎表现得好像它们有某种秩序感、时间感、逻辑性，甚至地理距离感。 从传统而言，图像搜索和文档搜索利用的索引差异较大，由此看来，拥有一个能够处理多种模式的统一模型恰好可以弥补这一差距。 例如，对于 Web 搜索应用程序来说，出现在标题或锚文本（超链接的代码）中的术语变得更为重要。 目前现存的 LMs 未能考虑到这种丰富的文档结构。 如何成功地建模和利用丰富的文档结构是未来研究的一个有趣的方向，可以为预训练的 LMs 的 IR-centric 应用提供显著的优势。
40610编辑于 2023-05-08 - 来自专栏刘旷专栏
未来的搜索大战：生态能力成为胜负手
具体来说，夸克搜索脱胎于阿里旗下原有的搜索团队，而这支搜索团队最早正是来自UC的搜索团队，而UC的传统业务主要是依靠移动搜索广告来实现的。 生态能力或将成为未来智能搜索胜负手 从目前参与智能搜索的各路玩家情况来看，无论是实力雄厚的BAT，还是如日中天的字节跳动、华为，都是国内互联网科技领域的重量级玩家，这也决定了未来智能搜索的壁垒会很高。 而对于能够参与其中的玩家来说，生态能力则会成为其未来决胜的重要考量。 百度就曾对外表示，内容版权未来将会是个很大的限制性因素。事实上，百度与头条之间、头条与腾讯之间都曾围绕优质内容发生过多次摩擦，这也从侧面证明了这一点。 总体来说，无论是内容生态还是服务生态，都会对搜索平台的未来发展产生深远影响。更进一步来讲，未来唯有拥有良好的内容生态和服务生态的搜索平台，才会拥有更大的发展机会。
43530发布于 2021-02-04 - 来自专栏罗超频道
移动搜索三国杀，谁能代表未来趋势？
综合来看，三者在移动搜索领域都拥有各自竞争优势，百度无疑代表了移动商业化方向，神马背靠UC浏览器获得强势导流，360稳扎稳打不断进行产品创新，那么究竟谁才能代表未来的发展趋势？ 在移动搜索领域，百度依旧占据着头把交椅，且目前以较大优势领先，但后起之秀层出不穷，未来依然充满着变数。百度并没有高枕无忧，正在大力发展深度学习、人工智能等新技术，要为在移动搜索的领先地位上一个保险。 作为后来者，360移动搜索APP从一开始聚焦产品功能上的创新，无论是应用直达、语音搜索、拍题神器、玩图神器以及智能过滤过滤，以及近期刚刚推出的摸字搜索功能，都能在360搜索APP上看到浓重的技术派烙印。 这些未来都可以被神马整合到搜索数据之中。神马未来会把阿里的各种资源串联起来，充当其资源出口和流量入口的角色。 提升用户体验是移动搜索竞争之本 在如今的移动端搜索领域，各方均集中了更多的资源全力开拓，战局与当初的PC搜索界异曲同工。
73670发布于 2018-04-28 对话式信息检索：从搜索到交互的未来
在伦敦大学学院计算机科学教授、某机构学者Emine Yilmaz看来，未来用户将通过对话与计算机交互来精确识别所需信息，而非滚动浏览冗长的结果列表。 传统的基于网页的搜索引擎通常会返回一个结果列表，用户只需从中选择最感兴趣的一两个。但很少有语音服务用户愿意听完10到20个结果的播报，因此，能够交互式地优化查询变得至关重要。 点击传统搜索引擎返回的20个结果中的两个链接，不仅传达了关于这两个链接的信息，也隐含了对其余18个链接的反馈。而如果基于语音的查询只返回一个结果，用户决定是否与该结果互动所能提供的信息量就少得多。
9910编辑于 2026-03-20- 来自专栏ATYUN订阅号
深度学习的未来：神经网络架构搜索(NAS)
它是从所有可能的体系结构中找到一个体系结构，通过遵循将性能最大化的搜索策略。下图总结了NAS算法。 ? NAS方法的维度 它有三个独立的维度搜索空间，搜索策略和性能估计。 在这种情况下，外部结构是固定的，而NAS只搜索单元结构。这种类型的搜索称为微搜索或单元搜索。 ? 渐进式神经结构搜索（PNAS） PNAS执行单元格搜索，如本教程的搜索空间部分所述。它们从块构造单元格，并通过以预定义的方式添加单元格来构造完整的网络。 ? 单元以预先定义的数字串联起来形成网络。 PNAS的步骤 微结构的搜索（DARTS） 神经架构的搜索空间是离散的，即一个架构与另一个架构至少有一个层或层中的一些参数不同，例如5×5过滤器与7×7过滤器。 该方法将连续松弛法应用于离散搜索，实现了基于梯度的直接优化。
2.7K30发布于 2019-07-05 深度搜索如何重塑开发模式：未来搜索引擎的智能化演进
深度搜索如何重塑开发模式：未来搜索引擎的智能化演进随着人工智能技术的迅猛发展，搜索引擎行业正经历着革命性的变革。深度搜索作为其中的关键技术之一，正在重塑开发模式，并推动未来搜索引擎向智能化方向演进。 本文将探讨深度搜索在这一过程中的重要作用及其未来发展趋势。深度搜索：从基础算法到智能核心深度搜索（Depth-First Search，DFS）是一种用于遍历或搜索树或图的算法。 深度搜索技术的发展使得未来的搜索引擎能够更好地适应不同设备和平台的特性，为用户提供一致且高效的搜索体验。 未来搜索引擎的智能化演进融合生成式AI与搜索技术未来的搜索引擎将进一步融合生成式AI与搜索技术，提供更加智能和全面的搜索体验。生成式AI可以根据用户的查询生成详细且相关的答案，而不仅仅是提供链接。 未来的搜索引擎将不仅仅是信息的分发工具，更是用户获取知识、解决问题和探索未知的智能助手。
49510编辑于 2025-03-19- 来自专栏AI.NET极客圈
AI工具推荐之搜索工具：重塑信息检索的未来
本文将深入探讨AI搜索工具的特点、分类、应用场景及其未来发展潜力，旨在为读者提供一份全面且实用的指南，帮助大家更好地理解和利用这一新兴技术。 AI搜索工具的分类与特点 AI搜索工具根据功能和应用场景的不同，可分为四大类： 通用AI搜索引擎 特定领域AI搜索工具 创意界面AI搜索工具 集成AI搜索助手 1. 官网：https://www.n.cn/ 天工AI搜索 特点：昆仑万维开发的天工AI搜索支持多模态搜索（未来将扩展至图像和语音），并能进行20轮以上的深度追问，适合信息整合和提炼。 未来展望 随着AI技术的持续突破，AI搜索工具的未来充满潜力。以下是几个可能的发展方向： 多模态搜索 未来的工具将支持图像、语音和视频搜索，用户可通过拍照或语音提问获取答案。 结语 AI搜索工具正以其智能、高效的特点重塑信息检索的未来。无论是通用搜索的便捷性、领域特定的专业性，还是独特界面的创新性及集成助手的实用性，这些工具都展现了超越传统搜索引擎的巨大优势。
1.5K10编辑于 2025-04-04 - 来自专栏罗超频道
【软文慎入】李彦宏“赏花”，看视觉搜索未来！
还有一个原因可能是，“赏花宝典”与百度正在攻坚的“视觉搜索”有紧密联系，这是一项面向未来但又复杂浩大的工程。 随着百度魔图凭“PK大咖”功能迅速走红，百度在人脸识别技术的进展获得业界关注。 与此相似，“识花应用”也是“视觉搜索”的一种，视觉搜索更直白地说是“以图搜图”。几个月前我曾进行过分析，认为“视觉搜索”是移动搜索的未来。 百度Hackathon鼓励天马行空，更鼓励解决实际问题。 比如这个识花应用，就可能在进一步突破之后，纳入百度APP的移动搜索当中。 视觉搜索的难点 见微知著，“赏花宝典”虽然是个技术demo，却也集中体现了未来视觉搜索技术发展需要解决的问题。 1． 但这三种都还是“猜测搜索意图”。而不是理解用户搜索意图。 如何通过识别图片，进而理解用户搜索意图是当前的难点。 现实残酷，未来依然很丰满。这需要搜索科学家们的持续努力，早日带来我们一种全新的搜索引擎。(本文首发钛媒体)
99960发布于 2018-04-25 - 来自专栏C++领域相关博客
DeepSeek与人工智能的结合：探索搜索技术的未来
DeepSeek作为一种新兴的搜索技术，通过深度学习和人工智能的结合，为搜索体验带来了全新的可能性。 基于预训练模型的语义搜索是实现高效搜索的关键。 跨语言支持：实现多语言的搜索能力对于全球化应用至关重要。 计算资源需求：深度学习模型的训练和推理需要大量计算资源，优化效率是未来发展的重点。 未来，我们可以期待DeepSeek在以下方向的持续改进： 实时性提升：优化搜索引擎的响应速度，处理更大规模的数据。 多模态融合：进一步提升多模态数据的搜索效果，实现更加全面的搜索能力。 扩展领域：将搜索技术应用到金融、物流等新兴领域，推动行业的数字化转型。 DeepSeek的未来充满可能，让我们拭目以待！
88510编辑于 2025-02-08 谷歌 Gemini 2.5 开发者大会引爆搜索革命：AI 搜索引擎重塑互联网未来
一、Gemini AI 搜索引擎：从搜索框到智能交互的跨越谷歌的传统搜索框，作为其最核心的产品，曾是无数用户获取信息的主要入口。 PoloAI 研究发现，OpenAI 的 ChatGPT Search 和 Perplexity 的 AI 搜索在数据获取上依赖外部资源，而谷歌凭借多年积累的海量搜索数据，包括用户查询记录、点击行为和搜索结果反馈等 Project Mariner：这是一款极具潜力的 AI 代理，它能够自主浏览网页并执行各种任务，未来很可能与 AI Mode 深度融合，大幅提升搜索的自动化水平。 五、搜索的 AI 化：重塑互联网新秩序作为 AI 领域的专业媒体，PoloAI 认为，谷歌 Gemini AI 搜索引擎的灰度测试以及即将在 I/O 2025 大会上的发布，标志着搜索技术正从传统的链接导向模式 这场搜索领域的 AI 革命，究竟会如何改写互联网的未来格局，值得我们持续关注。
36810编辑于 2025-05-20- 来自专栏AI科技评论
Sam Altman：ChatGPT 不会取代谷歌搜索，但未来的 AI 可能会
Q5：你认为ChatGPT会取代传统的搜索引擎吗？比如谷歌搜索。 Sam Altman：我认为ChatGPT不会，但未来的人工智能系统可能会。如果你只关注昨天的新闻，那么你很可能错失新的机会。 我更感兴趣的是思考搜索以外的新应用。这些新的应用，不一定要等到 AGI 的出现；相反，我认为这样的局面（新的AI应用爆炸）很快就会发生。 Q6：我们现在已经快要实现AGI了吗？ Q9：Greg曾谈到未来第三方API与第一方产品（也许是企业工具）协同的想法。在将 AI 产品化的过程中，你认为应该如何保持OpenAI的开放精神？ 所以我觉得最重要的事应该是将 AI 开放给大众，这样他们才会知道未来会发生什么。
69140编辑于 2023-02-23 - 来自专栏chenjx85的技术专栏
超参数搜索——网格搜索和随机搜索
我们在搜索超参数的时候，如果超参数个数较少（三四个或者更少），那么我们可以采用网格搜素，一种穷尽式的搜索方法。 但是当超参数个数比较多的时候，我们仍然采用网格搜索，那么搜索所需时间将会指数级上升。 比如我们有四个超参数，每个范围都是[10,100]，那么我们所需的搜索次数是10*10*10*10=10^4。 如果再增加一个超参数，那么所需的搜索次数是10^5，搜索时间指数级上升。 所以出现了这样的做法，网格搜索，但是网格取稀疏一点，比如上面例子中的[10,100]，我们就去10,30,50,70,90这几个数，降低一下搜索次数。 所以又有人提出了随机搜索的方法，随机在超参数空间中搜索几十几百个点，其中就有可能会有比较小的值。 这种做法比上面稀疏化网格的做法快，而且实验证明，随机搜索法结果比稀疏化网格法稍好。 这样可以保证我们找到一个局部最小值点，结果可能会比随机搜索稍好一点。 当然，如果随机搜索直接得到更好的局部最小值，甚至全局最小值，那么……只能说你的运气爆表了。
3.3K30发布于 2018-08-16 - 来自专栏攻城狮与产品喵
【DEDE搜索】dede搜索框搜索指定栏目文章
cms常用的参数标签汇总、以及操作过程中的一些bug问题解决方法，dede网站二开，以下龙腾飞网络科技-小吴在建站实操中笔记记录，织梦dede建站教程保存使用非常方便： 【DEDE建站教程】 dede搜索框搜索指定栏目文章 当产品信息达到一定量时就会用到搜索来方便用户查询。可是dedecms模板没有这个功能。只有全站和google搜索。 而我们要的只是搜索指定的几个栏目。如我只要用户搜索我的产品。这是企业最想要的。 因为要满足某些条件，需要对dedecms网站搜索进行修改，只搜索指定栏目文章的方法： 第一步：找到 /include/arc.searchview.class.php 文件,大约在300行和470行左右有两个 cquery = "Select * From `dede_archives` arc where arc.typeid not in （1,2,3…） and {$this->AddSql}"; //搜索 act.id not in （4,5,,6…） and {$this->AddSql} $ordersql limit $limitstart,$row"; 把sql语句换成这两句，括号里面的是你不搜索栏目的
1.1K00编辑于 2025-03-13 - 来自专栏null的专栏
Facebook搜索的向量搜索
概述 不管是搜索系统还是推荐系统中，向量召回都是一个不可或缺的一个部分，担负着重要的作用。 传统的搜索以文本匹配为主，通过query中的词（如果是中文，需要首先对query进行分词）检索所有的候选doc，如果doc中出现了query中的词，则表示命中，最后返回所有命中的doc。 Facebook将向量召回应用在社交网络的搜索中，针对其场景的特殊性，提出将用户的上下文环境考虑进query的向量中。 特征工程 在FaceBook的向量搜索中，基于其特定的场景，使用到的特征包括query和document的文本特征、位置特征、社交Embedding特征。 文本特征。 在本地广告、小组或事件的搜索场景中，位置匹配是很重要的。query侧增加搜索人的城市，地区，国家和语言。document侧增加管理员打的小组地域标签。
2.8K50编辑于 2022-05-12 - 来自专栏大数据文摘
麻省理工新型“人造肌肉”材料，未来或可驱动微型飞行器用于救援搜索
不过，目前研发的 DEA 还停留在实验室阶段，未来进入世纪应用应该还有一段距离。不过可以肯定得是，这对于开发用于环境探索和操纵等多种应用的下一代软机器人非常重要。 点「在看」的人都变好看了哦！
64140编辑于 2022-04-07 - 来自专栏磐创AI技术团队的专栏
网格搜索或随机搜索
现在，通过这个类比，我相信你可以感觉到，随着我们尝试的服装数量的增加，网格搜索将需要更多的时间。 如果只是两件衬衫、一条裤子和一双鞋，这不会花很长时间。 随机搜索不会花费很长时间，因为它只会尝试一些随机选择的组合。因此，如果你的选项网格很小，那么使用它是没有意义的。训练所有选项或仅训练其中几个选项的时间几乎相同。 计算网格搜索的RMSE。 网格搜索得到了最好的结果，因为它训练了每个模型，因此，它将找到最佳拟合。当你尝试了太多的组合时，你需要训练。在这种情况下，随机搜索是一个很好的选择。 当有太多的超参数组合可供选择时，随机化搜索可能是最佳选择。例如，当使用网格搜索时，你可以运行它并获得最佳估计器，以便为你指明正确的组合方向。
69310编辑于 2024-05-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号