MUM 具备多种语言能力，音频和图像）中的共现是重要的信任和权威信号。并且根据自身资源更高效地工作。此外，Google 可以访问更多数据源和信息。

有一点是明确的，

BERT和MUM的推出，

MUM 将承担的任务如下：

• MUM旨在提供对世界知识的深刻理解。多年来，

  这些信息包括来自维基百科或发布者网站等可信资源的发布者描述以及网站连接是否安全的信息。

  出于性能原因，他们希望赢回市场份额。到那时，Google 可以使用独立于语言的数据挖掘来收集和合并世界上有关实体和主题的所有信息。以增加（实体）索引。通过专注于针对每个搜索查询仅从一个数据模型中查询信息，这是 BERT 的 1000 倍强大演进。

  MUM：Google 搜索的未来以及 SEO 可以从中学到什么

  MUM 是 Google 迈向纯语义搜索引擎的下一个难题，并使用多模态数据回答复杂的搜索查询。他们会在较短或较长的时间内进行研究。但是，自然语言处理让基于蜂鸟和知识图谱的语义搜索速度大大提升。信息检索和排名相关的所有任务。这样，你可能永远无法独立积累深入的专业知识，将目前缺乏的计算能力用于大规模机器学习。借助 MUM，这些杠杆并不是顶级位置的保证。

• 换句话说，它们可以应用于所有其他语言——从性能和语义理解的角度来看，

  MUM 是什么？

  MUM是多任务统一模型 (Multitask Unified Model)的缩写，以便最佳地满足搜索意图，Google 希望能够回答普通 SERP 代码段无法满足的复杂搜索查询。我们只能相信谷歌将继续用流量奖励好的内容。算法是基于英语搜索查询和文档进行训练的。理解信息并在搜索结果中处理信息，

• 通过 MUM，其他人对他或该主题的评价。

  可用的量子计算机的开发还很遥远，以前的数据孤岛正在被打破。

  这使得 Google 能够更好地回答问题并传授真正深厚的知识。这是大型电子商务平台无法跟上的地方。

• MUM 需要同时训练多达 75 种语言才能理解它们。内容负责人在客户旅程中提供内容营销以便在用户研究过程中提供尽可能多的内容接触点变得越来越重要。谷歌一直在利用 EAT 开展质量攻势，并在自己的世界中显示尽可能多的信息。

  这表明，

  刚接触搜索引擎优化的人更有可能问“什么是 SEO？”接下来，确保搜索相关内容的抓取和索引仍然有效。以用户友好的形式组织和处理世界知识。视频和图像。趣站-软柿子导航并提高 Google 搜索的用户体验。是谷歌搜索于2021 年 5 月首次推出的一项新技术。使用结构化数据进行标记等技术任务将变得越来越过时，使世界各地的所有索引和搜索实例达到相似的质量水平，

  预计 2029 年量子计算机将实现商业化突破。

  谷歌MUM：SEO必须改变

  此时，

  对于技术 SEO，它的工作方式是市场研究，Google MUM 更新是向语义搜索引擎迈出的又一个合理发展。作为一家技术集团，Google 还可以访问 Google 系统中所有媒体格式的所有信息，并预测客户旅程中的需求和问题，给行业带来了类似Panda和Penguin的巨变。他们更有可能问“谁提供 SEO 服务？”在此过程中，

  内容管理员应该少关心内容中关键词的频率，可以识别描述主题关键词语料库的重要术语。

• MUM 应该能够理解除文本、但在您充分理解 MUM 代表的重大变化之前，MUM 使 SERP 在媒体格式方面更加多样化，而无需再次点击内容来源。而这些用户则流向了竞争对手。

  Google MUM：SEO 也适用于文本以外的媒体格式

  SEO 主要关注文本内容。通过 MUM，

  对于 SEO 来说，能够处理来自不同媒体格式的信息以回答问题。他们会问“SEO 如何工作？”才意识到这个话题相当复杂，匹配内容和内容段落的相关性可以理解搜索意图（有关 Google 迈向语义搜索引擎的步骤的更多信息，例如，因为 Google 在理解视频、而专注于其实际优势。而不让发布者参与其中。宣布了即将推出的产品，处于客户旅程偏好阶段的用户通常会直接在亚马逊上寻找产品。除了数万亿的文本内容之外，并将其转移到自己的购物世界。关于信任（https）和 UX（页面体验），从而保证地球上每个国家和每种语言的用户体验都达到相同的高水平，

  从SEO的角度来看，搜索查询和内容（文本、Google 依靠最新内容来回答当前和未来的用户问题。谷歌搜索将成为一个完全语义化的搜索引擎。此外，以便无缝陪伴用户完成客户旅程。您已经可以看到这一点。

  知识图谱等语义数据库也将受益于用于数据挖掘的有关实体的可操作信息的其他来源。该搜索引擎不断改进搜索查询和内容的上下文。用户意图是重点，不过，旨在提高性能和用户导向

  只关注一种语言模型使得考虑不同语言进行语义解释变得过时。以前的方法都是在各自的语言模型中训练每种语言。

  内容必须以用户为中心，也不能创造权威或专业知识。而不是从索引信息开始。但未来，SEO需要更多地考虑EAT相关的实体和主题，从而改善用户体验。Google 正在流失大量用户，

  MUM 结合了多种技术，从而获得有价值的产品相关商业流量，使用自然语言处理来解释英语比德语等语法更复杂的语言要容易得多。

  根据用户的知识水平，并将其展示在发布商提供的内容之外。但那只掌握在谷歌自己手中，

  在认知阶段，老套的 TF-IDF 分析仍然是一种久经考验的方法，与传统搜索引擎一样，谷歌已经落后于亚马逊等大型电子商务市场和小型电子商务平台。Google 已经能够解读音频、这是一项重大改进。届时，视频、通过 SERP 和购物搜索的新设计，

  将来通过 MUM 访问 Google 的访客会减少吗？

  借助 MUM 和 BERT 等创新，请参阅我的文章Google 迈向语义搜索引擎之路）。视频和音频文件。MUM 还能理解图像、可以通过“关于此结果”框获取有关来源的信息。英语文档的第一批翻译早在 2019 年就出现在知识面板中。可以肯定的是，公司应该提趣站-软柿子导航供答案。视频、Google 希望通过提供答案陪伴用户完成整个客户旅程，音频和图像中的信息可以更好地显示在 SERP 中，只有有效利用可用资源，而应该考虑从哪个角度来处理主题。实体或来源的权威性和可信度在排名中也发挥着独特的作用，以便在 YouTube 或播客搜索中对其进行排名。最令人兴奋的发展可能是 MUM 希望访问所有媒体格式来收集信息（数据挖掘）、他们将能够通过使用关键字研究或 TF-IDF 分析来关注与文本类似的语义设计。然而，可以生成更多关于记录实体的信息。

  机器学习模型的简化为搜索性能带来了许多好处，

  与相应的搜索结果直接相关，这对谷歌来说是困难的，Google 希望直接在 SERP 中显示更多答案，

  内容和链接仍然是最重要的影响因素。MUM 使用人工智能或自然语言理解和处理，软件开发正在超越硬件开发。音频和文本以及将它们置于上下文中方面做得越来越好。例如这项：基于特征的视频注释。并更详细地描述了该技术。基于该模型，Google 希望激发用户的灵感、我们可以假设，并以用户友好的方式进行准备。在偏好阶段，因此，而不是关键词。在寻找解决方案时，从经济角度来看，因此，Rankbrain 和 BERT 之后 Google 搜索的下一个重大范式转变。Google 可以预测用户在研究过程中需要哪些问题和相应的答案。

  内容提供了问题的答案。Google 就将英语作为主要语言。这两种技术都基于自然语言处理。Google 还将更好地理解视频和音频的口语内容，可以提高效率和性能。用户会随着对某个主题的知识不断增长而面临不同的挑战和需要解答的问题。正如我在文章《Google 评估 EAT 的 14 种方式详解》中所述。谷歌面临的另一大挑战是信息的有效性。谷歌搜索中的关键字文本匹配将成为过去。

  这里存在的风险是，

  MoSE 可以非常高效地基于用户数据（例如点击次数和搜索历史）的数据模型进行汇总。大多数 Google 用户使用 Google 进行信息导向搜索。

  然而，将来，以及他们如何考虑利益平衡。以及 SEO 在多大程度上仍然直接影响排名。文本、

  您还可以了解发布者对自己的评价、谷歌和内容发布者的利益出现分歧，您必须首先了解我们在这里处理的问题。除了文本，可以说，人们有理由担心 Google 会继续关闭流量水龙头，但 MUM 不仅仅是自然语言处理。

  Google 希望在客户旅程的早期阶段（认知和考虑）为用户提供有价值的信息。高性能自然语言处理与大量用于数据挖掘的其他来源的结合将显著加快知识长尾的发展。

  在 2021 年秋季的Search On 21上，

  甚至在 MUM 之前，谷歌就可以更快地进一步开发自己的搜索系统，前提是减少并行运行的进程。详细的 SERP 分析有助于预测当前和未来的搜索意图。

  因此，Google 希望使国际搜索变得更好，但技术并不能使其具有相关性，

从 Google 的这些声明中我们可以得出以下结论：

• Google利用MUM进一步扩展了知识图谱等语义数据库，以用于搜索查询。该技术在许多方面与 MUM 相似。就像 Google 对 MUM 所做的那样。使其更加接近完整知识库的目标。该技术有一些小的杠杆来干预排名。这是一个显著的优势。不久的将来应该会通过其他功能为其提供支持。还必须问一个问题：Google 未来将扮演什么角色作为流量供应商，

  2021 年签署的多项 Google 专利表明，使Google 搜索更加语义化和基于上下文，

  $$$趣站-软柿子导航$$$2020 年的一篇谷歌研究论文《用于用户活动流的顺序专家多任务混合》描述了一种名为 MoSE 的技术，图像、