Την Τετάρτη, 14 Δεκεμβρίου 2022, η Google ανακοίνωσε ένα νέο σύστημα κατά των ανεπιθύμητων μηνυμάτων που ονομάζεται SpamBrain. Αυτό το σύστημα με τεχνητή νοημοσύνη αξιοποιεί τη δύναμη της τεχνητής νοημοσύνης για τον εντοπισμό ιστότοπων που αγοράζουν συνδέσμους ή στέλνουν ασυνήθιστους συνδέσμους. συμπεριλαμβανομένου του άμεσου εντοπισμού ανεπιθύμητων μηνυμάτων Αυτή η ενημέρωση ονομάζεται Ενημέρωση ανεπιθύμητης αλληλογραφίας του Δεκεμβρίου 2022 και θα χρειαστούν περίπου δύο εβδομάδες για να κυκλοφορήσει πλήρως. Θα επηρεάσει όλες τις γλώσσες και μπορεί να προκαλέσει αλλαγές στην κατάταξη, καθώς οι πιστώσεις που κερδίζονται από μη κανονικούς συνδέσμους θα χαθούν.
Η Google τονίζει σταθερά ότι οι σύνδεσμοι που λαμβάνονται μέσω της πλαστογράφησης κατάταξης αναζήτησης είναι ουσιαστικά σύνδεσμοι ανεπιθύμητης αλληλογραφίας. Και οι αλγόριθμοι και οι μη αυτόματες ενέργειες στοχεύουν να απενεργοποιήσουν σε μεγάλο βαθμό αυτούς τους συνδέσμους. Ζητούν από οποιονδήποτε βρει έναν ιστότοπο που περιλαμβάνει αφύσικη δημιουργία συνδέσμων να τους αναφέρει μέσω των οδηγιών "αναφορά ανεπιθύμητης αλληλογραφίας" εδώ: https://goo.gle/sc-forum. Όσοι έχουν συγκεκριμένα σχόλια για αυτήν την ενημέρωση μπορούν να δημοσιεύσουν «Κοινότητα βοήθειας» εδώ: https://goo.gle/sc-forum Μάθετε περισσότερα για το SpamBrain εδώ: /search/blog/2022/04/webspam-report-2021#spambrain:-our-most-effect-solution-against-spam.
Τέσσερις συγγραφείς, οι Duy Nguyen, Ildar Akhmedyanov, Jacob N Scott και Karthikgeyan Elangovan, έχουν δημοσιεύσει μια εργασία σχετικά με τον τρόπο χρήσης τεχνικών από την ενισχυτική μάθηση (RL) για τη βελτίωση της απόδοσης του συστήματος συστάσεων. Επικεντρώθηκαν σε δύο συγκεκριμένες τεχνικές RL: τον αλγόριθμο ηθοποιού-κριτικού και τον αλγόριθμο ηθοποιού-κριτικού. και βαθιάς ενισχυτικής μάθησης (DRL) και περιγράψτε τα οφέλη που μπορεί να φέρει το καθένα σε ένα σύστημα συστάσεων. Οι συγγραφείς παρέχουν επίσης μια λεπτομερή επισκόπηση της πρόσφατης έρευνας για την ενίσχυση της βαθιάς μάθησης για την εισαγωγική εργασία τους και παρέχουν πληροφορίες για τις πιθανές προκλήσεις που σχετίζονται με τη χρήση της. Τέλος, συζητούν πώς να ενσωματωθεί η μέθοδος RL με τον παραδοσιακό συνδυασμό μεθόδων φιλτραρίσματος για αύξηση της αποτελεσματικότητας ακόμα μακρύτερα. Αυτό το άρθρο είναι μια χρήσιμη πηγή για όσους θέλουν να κατανοήσουν τον ρόλο που μπορεί να παίξει η ενισχυτική μάθηση στη βελτίωση της αποτελεσματικότητας των συστημάτων συστάσεων.