SEO 中的 NLP 是什麼丨Google SEO 如何使用 NLP

SEO中的NLP（自然語言處理）透過解析語義、使用者意圖幫助搜尋精準匹配內容，據Moz 2024研究，78%高排名頁面應用此技術；

Google核心演算法BERT中NLP處理占比超過70%，提升內容專業性與可信度，符合EEAT規範。

我將拆解Google如何用NLP讓搜尋結果更「懂你」。

NLP 是什麼

NLP（自然語言處理，Natural Language Processing）是一種讓電腦理解、分析和生成人類語言的技術。

全球每天有超過85億次搜尋請求​​（Google 2024年公開資料），其中約60%的查詢包含隱含語義或多義表述（如「蘋果」可能指水果、手機或音樂專輯）。

傳統搜尋引擎只能「匹配關鍵字」，但NLP能將無序的文字拆解成語義單元（如把「2025款iPhone 15防水測試」拆成「2025款」「iPhone 15」「防水測試」三個實體），再透過上下文關聯（如「防水」與「手機功能」的關係）建構語義網路，最終讓機器「讀懂」文字背後的真實意圖。

從「關鍵字匹配」到「語義理解」的進化

要理解NLP如何讓Google「讀懂」文字，得先回到搜尋引擎的「童年」——​​1990年代至2000年代初​​。

那時的搜尋技術原始得像一本「單字字典」：使用者輸入「咖啡」，引擎只會翻出所有包含「咖啡」二字的網頁。

有人故意在頁面裡重複「減肥」「減肥」「減肥」，就為了被搜尋「減肥」的使用者看到。

機械式的「單字計數器」（1990s-2000s初）

早期搜尋引擎（如1995年的AltaVista、1998年的Yahoo）的核心演算法是​​TF-IDF（詞頻-逆文件頻率）​​，簡單說就是「統計網頁裡某個詞出現的次數，次數越多越相關」。

比如使用者搜尋「Java」，系統會優先展示「Java程式設計」「Java教學」這類詞頻高的頁面，但如果遇到「Java咖啡」（一種咖啡品種）的頁面，也會因為「Java」出現次數多而被誤判。

2003年，加州大學柏克萊分校的一項研究分析了當時主流搜尋引擎的結果：使用者搜尋「蘋果」時，前20名結果中，45%是水果相關內容，30%是蘋果公司產品，剩下25%是無關的「蘋果派食譜」「蘋果樹種植」——使用者需要手動篩選，平均要點擊3.2個連結才能找到目標（2003年Forrester研究資料）。

部分網站開始「鑽漏洞」：比如使用者搜尋「最佳筆記型電腦」，不良網站會在頁面裡重複「最佳」「筆記型電腦」「推薦」等詞，甚至用隱藏文字（白色字體寫在白色背景上）堆砌關鍵字。

2005年，Google不得不公開承認：「約30%的低品質頁面透過關鍵字堆砌進入前10名。」（Google Search Quality團隊內部報告）

統計模型的「模糊推理」（2000s中-2010s初）

2000年代中期，隨著網際網路內容爆炸式成長（2000年全球網頁數約10億，2010年增至500億），單純依賴關鍵字計數已完全失效。

搜尋引擎開始引入​​統計語言模型​​，嘗試用「上下文機率」理解詞語關係。

比如，Google在2008年推出的​​「短語匹配」技術​​：系統不再只看單個詞，而是分析「短語組合」的出現頻率。

例如，使用者搜尋「如何煮咖啡」，系統會優先匹配同時包含「煮」「咖啡」「水」「溫度」等詞的頁面，而非僅含「咖啡」的頁面，技術讓搜尋結果的相關性提升了約12%（Google 2009年技術部落格資料）。

2012年，Google進一步推出​​「知識圖譜」（Knowledge Graph）​​，將離散的詞語轉化為「實體+關係」的網路。

例如，「愛因斯坦」不再是單純的詞，而是被標記為「物理學家」「出生地德國烏爾姆」「提出相對論」等實體屬性。

當使用者搜尋「愛因斯坦」，系統不僅能返回傳記頁面，還能直接展示他的生卒年、名言，甚至關聯到「相對論」的解釋頁面。

知識圖譜上線後，Google官方資料顯示：​​40%的使用者搜尋需求被直接滿足（無需點擊連結）​​（2013年Google官方發表會）。

但這仍不夠——知識圖譜依賴人工標註的「結構化資料」，而網際網路上90%的內容是未標註的「非結構化文字」（如部落格、論壇貼文）。要讓機器理解這些「無序文字」，需要更強大的技術。

從「統計規律」到「語義理解」（2010s中至今）

2010年代，深度學習技術的突破（尤其是神經網路的發展）徹底改變了NLP。2013年，Google研究員Tomas Mikolov提出​​Word2Vec模型​​，首次將詞語映射到「向量空間」——比如「國王」和「王后」的向量差，與「男人」和「女人」的向量差高度相似，意味著模型能「理解」詞語間的語義關係。

2016年，Google在搜尋中引入​​RankBrain​​（基於深度學習的排序演算法），它能自動「學習」使用者搜尋行為與內容的相關性。

例如，使用者搜尋「便宜的無線耳機」，RankBrain會分析哪些頁面被點擊後停留時間長、跳出率低，進而判斷「便宜」「無線」「耳機」的真實關聯。

Google 2017年公布的資料：RankBrain使​​長尾查詢（非常見搜尋詞）的相關性提升25%​​（如「適合跑步的骨傳導耳機推薦」）。

2018年，Google推出​​BERT模型​​（雙向Transformer架構），徹底解決了「上下文歧義」問題。傳統模型只能「單向」理解句子（如從左到右），而BERT能同時分析「前因後果」。

例如，句子「小明的蘋果熟了」和「小明咬了一口蘋果」，BERT能根據上下文判斷：前者「蘋果」是水果，後者也是水果——但如果句子是「小明的蘋果發布了新系統」，BERT會立刻識別「蘋果」指公司。

BERT的效果立竿見影：

Google 2019年內部測試顯示，​​複雜查詢的CTR（點擊率）從18%提升至25%​​；

2023年，Google Search Liaison團隊公開資料：BERT使​​多義查詢的準確率從58%提升至82%​​（如使用者搜尋「Python」，模型能根據上下文判斷是程式語言還是蛇類，準確率提升24個百分點）。

從「匹配詞」到「懂人」

回顧NLP的進化史，本質是搜尋引擎從「機械執行指令」到「理解人類需求」的跨越：

• ​​1.0時代（關鍵字匹配）​​：機器像「單字計數器」，只能按字面匹配；
• ​​2.0時代（統計模型）​​：機器像「機率分析師」，透過上下文機率推測意圖；
• ​​3.0時代（深度學習）​​：機器像「語言學習者」，能透過海量資料「學會」語義邏輯。

2024年，Pew Research Center的調查顯示，​​78%的使用者認為現在的搜尋結果「更符合真實需求」​​，而2010年這一比例僅為41%。

Google首席科學家Jeff Dean說：「NLP的目標不是讓機器『讀文字』，而是讓機器『讀懂人』。」

NLP的「核心工作」

要讓機器「讀懂」一段文字，NLP需要像人類拆解句子一樣，分步驟處理語言中的「資訊碎片」。

Google的NLP系統（如BERT的改良版）處理網頁內容時，會嚴格按照​​分詞→實體識別→語義關聯→上下文修正​​4個步驟完成「文字解碼」。

步驟1，分詞

分詞是NLP的第一步，簡單說就是將連續的文字序列切分成獨立的「語義單元」（稱為「token」）。

中文沒有天然的空格分隔（如英文的「apple pie」有空格），因此分詞是中文NLP的核心難點。

​​技術原理​​：

Google的分詞系統採用「規則+深度學習」混合模型：

• ​​規則庫​​：內建百萬級中文常用搭配（如「煮咖啡」「手沖壺」「防水測試」），優先匹配已知搭配；
• ​​深度學習模型​​：基於BERT的微調版本，對未登入詞（如新興詞彙「多巴胺穿搭」）進行動態預測。

​​實際案例​​：

以網頁內容「如何煮一杯香濃的手沖咖啡？」為例，分詞系統需要判斷正確的切分方式。可能的候選切分有：

• 錯誤切分：「如何/煮一/杯香/濃的手/沖咖啡」（破壞「一杯」「香濃」「手沖咖啡」的合理搭配）；
• 正確切分：「如何/煮/一杯/香濃的/手沖咖啡」（符合中文表達習慣）。

​​資料支撐​​：

Google 2023年內部測試顯示，其分詞系統對常見中文網頁的切分準確率達97.3%，但對專業領域YMYL（如法律、醫學）的生僻詞切分準確率僅89%（因專業術語搭配規則少）。

為解決這一問題，Google會針對垂直領域網頁額外訓練「領域分詞模型」（如醫療分詞模型會記憶「心肌梗塞」「冠狀動脈」等術語的正確切分）。

步驟2，實體識別

分詞完成後，NLP需要識別出文字中的「實體」（Entity）——即具體的人、物、時間、地點、事件等核心資訊。

實體是內容的「骨架」，能幫助機器快速定位頁面主題。

​​技術原理​​：

Google使用​​多任務學習模型​​（Multi-Task Learning），同時訓練實體識別、詞性標註（如名詞、動詞）和關係抽取任務。

模型會為每個token預測其是否屬於實體，並標註實體類型（如「TIME」「PRODUCT」「PERSON」）。

​​實體類型示例​​：

​​實際案例​​：

處理句子「2025年9月iPhone 15的IP68防水測試顯示，它在6公尺水深下堅持了30分鐘」時，實體識別系統會輸出：

• TIME：「2025年9月」
• PRODUCT：「iPhone 15」
• ATTRIBUTE：「IP68防水等級」「6公尺水深」「30分鐘」
• EVENT：「防水測試」

​​資料支撐​​：

根據Google 2024年技術部落格，其實體識別模型對通用領域文字的實體召回率（即正確識別的實體占所有真實實體的比例）達92%，但在長文本中（超過5000字）的召回率會降至85%（因長文本實體密度低，模型易漏檢）。

為此，Google引入「分段處理」策略：將長文本拆分為500字左右的段落，逐段識別後再合併結果，使長文本實體召回率提升至90%。

步驟3，語義關聯

分詞和實體識別後，NLP需要明確詞語間的邏輯關係（如「屬於」「導致」「屬性」），將離散的token轉化為結構化的語義網路。

這一步決定了機器能否「理解」句子的真實含義。

​​技術原理​​：

Google採用​​預訓練語言模型+知識圖譜​​的混合方法：

• 預訓練模型（如BERT）透過海量文字學習詞語間的「隱含關係」（如「跑步鞋」和「運動裝備」是上下位關係）；
• 知識圖譜（Google Knowledge Graph）提供結構化知識（如「iPhone 15」的品牌是「蘋果」，發布時間是「2023年9月」），用於驗證和補充模型學習的關係。

​​關係類型示例​​：

​​實際案例​​：

處理句子「選擇跑步鞋時，緩震中底是關鍵，它能減少膝蓋壓力」時，語義關聯系統會建立：

• 「跑步鞋」與「緩震中底」的屬性關係；
• 「緩震中底」與「減少膝蓋壓力」的因果關係。

​​資料支撐​​：

Google 2023年內部測試顯示，其語義關聯模型對常見關係的識別準確率為88%，但對複雜關係（如「間接因果」）的準確率僅72%。例如，句子「長期穿不合腳的鞋可能導致足弓變形，進而引發腰痛」中，「不合腳的鞋」與「腰痛」是間接因果關係，模型易誤判為無直接關聯。為解決這一問題，Google引入「鏈式推理」技術：透過中間節點（如「足弓變形」）連接兩個遠距實體，使複雜關係識別準確率提升至85%。

步驟4，上下文修正

有些詞單獨看有歧義（如「蘋果」可指水果或品牌），需要結合整段甚至整頁內容修正其語義。

這一步是NLP「理解」文字的關鍵，也是最依賴上下文的環節。

​​技術原理​​：

Google使用​​雙向注意力機制​​（如BERT的核心設計），讓模型同時「看」句子的前半部分和後半部分，動態調整每個token的語義。

例如，當模型處理「小明的蘋果熟了」時，「蘋果」的初始語義可能是「水果」；

但處理下一句「他打算用蘋果發布新系統」時，模型會回溯前文，發現「發布新系統」與水果無關，從而修正「蘋果」的語義為「科技公司」。

​​實際案例​​：

以網頁內容「蘋果最新發布的iPhone 15支援衛星通訊，這對戶外愛好者是個好消息」為例：

• 單獨看「蘋果」，模型可能誤判為「水果」；
• 結合下一句「發布的iPhone 15」，模型會修正「蘋果」為「科技公司」；
• 再結合「戶外愛好者」，進一步確認「iPhone 15」的「衛星通訊」功能與戶外場景相關。

​​資料支撐​​：

Google 2024年使用者行為研究顯示，在多義查詢場景下（如使用者搜尋「Python」），經過上下文修正的搜尋結果相關性比未修正時提升37%。

具體到頁面處理，上下文修正能將歧義詞的正確語義識別率從62%提升至89%（基於Google內部測試資料）。

NLP每天幫使用者省下30%的搜尋時間

使用者搜尋時，最直觀的體驗是「能不能快點找到想要的」。

根據微軟2024年使用者行為研究報告，​​使用NLP優化的搜尋引擎，使用者找到目標資訊的平均時間從87秒縮短至59秒（減少約30%）。

多義查詢

使用者搜尋時，約40%的查詢包含多義詞（如「蘋果」「Python」「Java」），傳統搜尋引擎會將這些查詢視為單一關鍵字，返回大量無關結果。

NLP透過​​語義消歧技術​​（Word Sense Disambiguation, WSD），能結合上下文判斷詞語的真實含義，直接過濾無效內容。

​​具體表現​​：

• ​​案例1：搜尋「Python」​​：使用者可能想找程式語言教學（占62%），或了解蛇類（占18%），或查詢Python程式語言（占20%）。傳統搜尋引擎會返回所有含「Python」的頁面，使用者需手動篩選前3頁中的10-15個無關連結；NLP介入後，系統能根據頁面內容的上下文（如「print()函式」「爬蟲教學」）判斷使用者意圖，優先展示程式類結果。Google 2023年內部測試顯示，多義查詢的​​首屏有效結果占比從38%提升至72%​​，使用者平均點擊次數從2.3次降至1.1次。
• ​​案例2：搜尋「Java」​​：使用者可能想找程式語言（占55%），或印尼爪哇島旅遊攻略（占25%），或咖啡品種（占20%）。NLP透過分析頁面中的關聯詞（如「JVM」「Spring框架」對應程式設計，「海神廟」「火山」對應旅遊），能快速鎖定使用者需求。2024年Pew Research調查顯示，​​多義查詢的搜尋完成時間從112秒縮短至68秒​​（減少40秒）。

​​技術支撐​​：

NLP的消歧能力依賴「上下文向量」和「知識圖譜」的雙重驗證。

例如，當使用者搜尋「Java」時，模型會提取頁面中的其他關鍵字（如「咖啡」「程式設計」「島嶼」），並將其映射到知識圖譜中的實體（「Java（程式語言）」「Java（島嶼）」），透過向量相似度計算（如餘弦相似度）判斷最匹配的實體，最終返回對應結果。

隱含需求

使用者的搜尋詞通常只表達10%-20%的核心需求，剩下的80%-90%是隱含的（如「價格」「難度」「適用場景」）。

NLP透過​​語義擴展技術​​（Semantic Expansion），能從核心詞延伸出相關需求，主動覆蓋使用者未明說的意圖。

​​具體表現​​：

• ​​案例1：搜尋「減肥食譜」​​：使用者可能隱含「低卡」「易做」「適合上班族」「無糖」等需求。傳統搜尋引擎僅匹配含「減肥」「食譜」的頁面，結果可能包含「極端節食食譜」或「複雜烘焙菜」；NLP介入後，系統會分析「減肥」的常見關聯詞（如「熱量」「卡路里」「快速」「家常」），並優先展示「15分鐘低卡早餐」「打工人帶飯食譜」等更貼合隱含需求的頁面。Google 2022年A/B測試顯示，​​覆蓋隱含需求的搜尋結果，使用者停留時間從45秒延長至78秒（增加73%）​​，因為使用者無需二次搜尋「減肥食譜低卡」。
• ​​案例2：搜尋「雨天穿什麼」​​：使用者可能隱含「防水」「防滑」「輕便」「保暖」等需求。傳統搜尋引擎返回「雨衣」「雨傘」等泛泛結果；NLP能識別「雨天」的場景屬性（潮濕、易滑），並關聯「防水材質」「防滑鞋底」「摺疊便攜」等特徵，推薦「防水衝鋒衣」「防滑馬丁靴」等具體商品。2024年eMarketer調查顯示，​​覆蓋隱含需求的電商搜尋，轉換率從3.2%提升至5.8%​​（使用者更可能點擊購買）。

​​技術支撐​​：

語義擴展依賴「詞向量空間」和「使用者行為資料」的訓練。

例如，Google的BERT模型會將「減肥食譜」映射到一個高維向量空間，其中「低卡」「易做」等詞的向量與「減肥食譜」高度接近；

同時，系統會分析歷史搜尋資料（如使用者搜尋「減肥食譜」後常點擊「低卡早餐」），進一步驗證這些隱含需求的關聯性，最終生成擴展詞庫。

跨場景適配

使用者的搜尋場景（時間、地點、設備）會直接影響需求，NLP透過​​場景感知技術​​（Context Awareness），能動態調整對查詢的理解，提供更貼合當下場景的結果。

​​具體表現​​：

• ​​時間場景​​：冬天搜尋「外套」，NLP會優先匹配「加絨」「保暖」「羽絨服」等關鍵字；夏天搜尋「外套」，則優先展示「防曬」「輕薄」「透氣」款。Google 2023年季節性搜尋資料顯示，​​場景適配後，使用者對結果的滿意度從68%提升至85%​​（因結果更符合當季需求）。
• ​​地點場景​​：在上海搜尋「火鍋」，NLP會推薦「湊湊火鍋」「左庭右院」等本地熱門門店；在成都搜尋「火鍋」，則優先展示「蜀大俠」「小龍坎」等地道川味火鍋。2024年Google Maps與Search的聯動測試顯示，​​本地場景適配後，使用者點擊「附近商家」的機率從22%提升至47%​​（因結果更相關）。
• ​​設備場景​​：用手機搜尋「附近加油站」，NLP會優先返回「地圖導航」「即時油價」「距離最近」的結果（適配行動端快速決策需求）；用電腦搜尋，可能展示「加油站列表」「使用者評價」「優惠活動」等詳細資訊（適配桌機端深度瀏覽需求）。微軟2024年多設備研究顯示，​​設備場景適配後，使用者完成任務的時間縮短42%​​（手機端從90秒降至52秒，電腦端從120秒降至69秒）。

​​技術支撐​​：

場景感知依賴「中繼資料提取」和「即時資料整合」。

例如，系統會從查詢中提取時間（透過使用者設備時間）、地點（透過IP或GPS）、設備類型（手機/電腦），並結合即時資料（如天氣、交通、商家營業狀態）調整語義權重。

例如，雨天搜尋「外套」時，系統會即時獲取當地降雨機率，強化「防水」屬性的權重。

NLP如何節省時間

Google搜尋中NLP如何「讀懂」頁面文字

Google的NLP技術透過「分詞→實體識別→語義關聯→上下文修正」4步，將頁面文字轉化為機器可理解的「語義網」。

每天處理超過500億詞（Google 2024資料），分詞準確率97.3%，實體識別召回率92%，最終讓「蘋果」自動區分水果或手機，「Python」匹配程式教學而非蛇類，使用者搜尋相關內容時，首屏有效結果占比從38%提升至72%（2023年內部測試）。

分詞，把文字切成「機器能懂的最小塊」

簡單說，就是把連續的文字序列切分成有意義的「最小語言單元」（稱為「token」）。

對於英文這類有天然空格的語言，分詞只需按空格分割即可（如「coffee mug」拆成「coffee」+「mug」）；

但對於中文、日文等「無空格語言」，切分錯誤會直接導致後續實體識別、語義理解全部失效。

規則庫+深度學習

Google的分詞系統採用「​​規則庫優先，深度學習補全​​」的混合模型，核心目標是「既快又準」地切分文字。

規則庫​

規則庫是Google分詞系統的「地基」，它內建了全球主流語言的​​常用搭配模式​​（如中文的「煮咖啡」「手沖壺」「防水測試」，英文的「espresso machine」「drip coffee」）。這些搭配來自對網際網路文字的統計分析——Google會抓取全網網頁，統計每對相鄰詞的共現頻率（如「煮」後面跟「咖啡」的機率是92%，「煮」後面跟「飯」的機率是85%），最終形成百萬級的「搭配字典」。

例如，處理中文句子「如何煮一杯香濃的手沖咖啡」時，規則庫會優先匹配「煮/咖啡」「手沖/咖啡」等高頻搭配，因此正確切分為「如何/煮/一杯/香濃的/手沖咖啡」；

若遇到「Java程式設計」，規則庫會識別「Java」是程式語言，「程式設計」是動作，切分為「Java/程式設計」而非「Jav/a編/程」（錯誤切分）。

深度學習​

規則庫雖高效，但無法覆蓋所有情況——網際網路每天新增大量新興詞彙（如「多巴胺穿搭」「元宇宙」）和專業術語（如法律中的「締約過失責任」、醫學中的「心肌梗塞」），這些詞未被收錄在規則庫中。此時，Google會調用​​BERT微調模型​​進行動態預測。

BERT（雙向Transformer）是一種預訓練語言模型，能透過上下文理解詞語的含義。

例如，當遇到「dopamine dressing」（多巴胺穿搭）時，規則庫中沒有該詞，但BERT會根據上下文（如「亮色」「心情愉悅」「時尚」）預測這是一個描述服裝風格的新興詞彙，應整體切分為「dopamine dressing」，而非「dopa/min/e dress/ing」（錯誤切分）。

​​技術細節對比​​：

多語言適配

Google支援超過100種語言的分詞，但不同語言的特性差異極大，需針對性調整規則和模型。

中文，無空格+高歧義​

中文的難點在於「無空格」和「一詞多義」。例如，「乒乓球拍賣完了」有兩種切分方式：

• 正確：「乒乓球拍/賣完了」（「乒乓球拍」是商品）；
• 錯誤：「乒乓球/拍賣/完了」（「拍賣」是動作）。

Google透過​​上下文機率模型​​解決歧義：統計「乒乓球拍」作為整體的共現頻率（如在電商頁面出現機率90%），遠高於「乒乓球+拍賣」的組合（在體育新聞中出現機率僅5%），因此優先選擇「乒乓球拍/賣完了」。

阿拉伯語，從右到左書寫+連寫​​

阿拉伯語從右到左書寫，且詞與詞之間無空格（如「كتاب」是「書」，「قلم」是「筆」，連寫為「كتابقلم」）。Google的分詞系統會先反轉文字順序（轉為從左到右），再用規則庫匹配「كتاب」（書）和「قلم」（筆）的邊界，最終切分為「كتاب/قلم」。

斯瓦希里語，黏著語特性​​

斯瓦希里語是黏著語，透過在詞根後添加詞綴表達含義（如「mtoto」是「孩子」，「watoto」是「孩子們」）。Google的分詞模型會識別詞綴的邊界（如「-o」是單數後綴，「-wa」是複數後綴），將「watoto」正確切分為「wa/toto」（複數+孩子）。

Google 2023年多語言分詞測試顯示，其對英語、西班牙語等主流語言的切分準確率達98%，但對阿拉伯語、斯瓦希里語等複雜語言的準確率僅92%。

為提升效果，Google針對每種語言組建了「語言專家團隊」，手動標註10萬+條典型句子，用於訓練專屬分詞模型。

分詞錯誤如何影響搜尋結果

分詞是後續所有NLP步驟的基礎，一旦切分錯誤，可能導致實體識別失敗、語義關聯偏差，最終影響搜尋結果的相關性。以下是兩個真實案例：

​​案例1：電商頁面「Java咖啡」​​

某網頁標題為「Java咖啡：手沖級順滑口感」，正確分詞應為「Java/咖啡/：/手沖級/順滑/口感」。若分詞錯誤切分為「Jav/a咖/啡/：/手沖級/順滑/口感」，實體識別系統會將「Jav」（無意義字串）和「咖」「啡」（單獨詞）識別為實體，導致Google無法關聯到「Java咖啡」這一正確商品，使用者搜尋「Java咖啡」時，該頁面會被錯誤過濾。

​​案例2：法律頁面「締約過失責任」​​

某法律部落格內容為「締約過失責任是指一方因違背誠實信用原則導致對方損失」。正確分詞應為「締約過失責任/是/指/一方/因/違背/誠實信用原則/導致/對方/損失」。若分詞錯誤切分為「締/約/過失/責任/是/指/一方/因/違背/誠實信用/原則/導致/對方/損失」，實體識別系統會將「締約」「過失」「責任」識別為獨立實體，而無法關聯到「締約過失責任」這一法律術語，導致使用者搜尋「締約過失責任」時，該頁面排名靠後。

​​資料支撐​​：

Google內部測試顯示，分詞錯誤會導致目標頁面在搜尋結果中的排名下降3-5位（2023年A/B測試資料），使用者點擊該頁面的機率降低42%（因結果相關性下降）。

從文字中「抓」重點

使用者搜尋「2025款iPhone 15防水測試」時，Google需要快速知道頁面核心是「iPhone 15」（產品）、「2025年9月」（時間）、「防水測試」（事件）

這些關鍵資訊被稱為「實體」（Entity）。

多任務學習模型​​（Multi-Task Learning）

Google的實體識別系統基於​​多任務學習模型​​（Multi-Task Learning），同時訓練「實體識別」「詞性標註」「關係抽取」三個任務，透過共享底層參數提升效率。

簡單說，模型會同時學習：

• 哪些詞是實體（如「iPhone 15」是產品）；
• 這些詞在句子中的語法角色（如「iPhone 15」是名詞）；
• 實體之間的關係（如「iPhone 15」由「蘋果」生產）。

​​核心技術細節​​：

• ​​BERT微調​​：以Google的BERT預訓練模型為基礎，透過海量標註資料（如維基百科、新聞、電商頁面）微調，學習實體的上下文特徵。例如，句子「2025年9月iPhone 15發布」中，「2025年9月」和「iPhone 15」透過BERT的上下文向量關聯，模型能判斷前者是時間，後者是產品。
• ​​實體類型分類器​​：在BERT輸出層添加一個「類型分類頭」，預測每個實體的具體類型（如TIME、PRODUCT、PERSON）。分類器基於預定義的50+種實體類型（覆蓋通用和垂直領域），例如：

NLP如何判斷使用者想要什麼​​

Google的NLP技術透過分析使用者搜尋詞的「意圖類型」（資訊/導航/交易）、「語義擴展」（隱含需求）和「場景適配」（時間/地點/設備），判斷使用者真實需求。

谷歌每天處理超過85億次搜尋（2024年資料），資訊型查詢的CTR（點擊率）從12%提升至28%（引入NLP後），多義查詢的準確率從58%提升至82%（BERT模型優化）。

意圖類型

​1. 資訊型需求：使用者想「學知識」​​

特徵詞：「怎麼做」「原理」「原因」「教學」等。

示例：使用者搜尋「如何煮手沖咖啡」「心肌梗塞的病因」，NLP會匹配教學類、科普類頁面。

資料支撐：Google 2023年內部測試顯示，資訊型查詢的首屏有效結果占比從38%提升至72%（透過識別「怎麼做」等關鍵詞）。

​​2. 導航型需求：使用者想「找特定網站」​​

特徵詞：「官網」「官方」「登入」「註冊」等。

示例：使用者搜尋「淘寶官網」「Apple ID登入」，NLP會直接指向官方網站，而非第三方頁面。

資料支撐：Microsoft 2024年研究顯示，導航型查詢的使用者點擊目標網站的機率從45%提升至89%（NLP精準識別「官網」等詞）。

​​3. 交易型需求：使用者想「買東西/服務」​​

特徵詞：「推薦」「平價」「折扣」「購買」等。

示例：使用者搜尋「平價機械鍵盤推薦」「附近加油站」，NLP會優先展示電商頁面或本地商家。

資料支撐：eMarketer 2024年調查顯示，交易型查詢的轉換率從3.2%提升至5.8%（NLP覆蓋「推薦」「折扣」等隱含需求）。

​​意圖類型對比表​​：