神经匹配是什么？Google超级同义词系统的原理与分工

摘要：神经匹配（neural matching）是Google在2018年公开的AI系统，负责把用户查询里的词和页面讲的概念对应起来，页面即使没用那个词也能被匹配。Danny Sullivan称它为超级同义词系统。它和RankBrain、BERT各管一段、协同工作，不存在谁替代谁。本文结合一个投影仪客户的真实案例，说明神经匹配怎么运作、和另外两个AI系统怎么分工，以及为什么抠字面去优化它基本无效。

先说一件我印象很深的事。前年我接了一个做家用投影仪的独立站客户，产品页写得很实在：画面怎么调、拖影怎么消、看球赛和看电影分别开什么模式。两个多月后，他后台出现了一个让他自己都看不懂的排名：投影仪运动补偿，稳定在第一页。

看不懂的原因是，他整个页面从头到尾没出现过运动补偿这四个字。他写的是画面拖影、快速画面糊成一片、球在飞的时候看不清，全是大白话。Google却把这个页面和一个他从没写过的专业术语匹配上了。他来问我：保哥，我没写这个词，怎么就排上了，是不是系统出错了？我的回答是没出错，这是神经匹配在起作用，而且匹配得很准。

Google神经匹配系统是什么？

简单说，神经匹配是Google用神经网络技术，把查询里的词和内容背后的概念对应起来的系统。页面不必出现和查询完全相同的字，系统先理解这串词大概指什么，再去找意思对得上的页面。

2018年9月，Google搜索满20周年，在发布会上公开了这套系统。Ben Gomes在那篇讲神经嵌入与神经匹配的官方博客里直接说明了原理：神经嵌入把词转换成对底层概念更模糊、更宽泛的表示，再拿查询里的概念去匹配文档里的概念。

Google给的例子很典型：有人搜为什么我的电视看着怪怪的，系统能返回讲肥皂剧效应（soap opera effect，即高刷新率带来的廉价顺滑感）的页面，即使页面里没有电视看着怪这几个字。

它不是上线一阵就撤掉的实验性功能。Google官方那份列出全部在役排名系统的指南里，神经匹配和RankBrain、BERT、MUM一样仍在清单上，持续运行。理解它，等于理解Google现在给你的页面打分时用的逻辑，而不只是了解一段历史。

Danny Sullivan后来给它起了个好记的外号：超级同义词系统，Search Engine Roundtable当年也记录下了他这个说法。传统同义词是番茄和西红柿这种一对一替换；神经匹配处理的是词和概念之间松散、间接、绕了弯的关联：用户说的是这个，系统能判断他实际想问的是那个。这已经超出换词，属于推断意图。

我常给客户打这个比方：老式搜索像只认暗号的门卫，字对不上就不放行；神经匹配像懂行的销售，你话没说全，他已经知道你要什么。

RankBrain和神经匹配各管哪一段？

两者不是一回事，这是最常被混淆的地方，不少资深SEO也分不清。它们都是AI，都在2015到2018年间先后上线，看起来相似，分工其实很明确。

Google官方的区分很简洁，Search Engine Land把它总结成了一句话：RankBrain帮助把页面和概念关联起来，神经匹配帮助把词和查询关联起来。具体说，RankBrain侧重理解页面讲的是什么概念、能不能回答某类问题；神经匹配侧重理解用户输入的这串词想找什么。一个看内容，一个看查询。

RankBrain作为Google第一个机器学习排名系统的来龙去脉，我单独写过RankBrain到底是什么、怎么运作、能不能优化，想完整梳理这条线可以对照阅读。这里只需记住一点：Sullivan专门澄清过，神经匹配不是用来取代RankBrain的，两者配合工作，神经匹配还能让RankBrain的判断更有效。

BERT和神经匹配的区别在哪里？

2019年Google又上线了BERT，很多人因此更分不清神经匹配、RankBrain、BERT各自负责什么。

我给客户讲过一个容易理解的分工。神经匹配负责从词到概念的跨越，你没写那个词，它能推断出对应概念；BERT负责一句话内部的语序和语法，尤其是介词、连词这类小词如何改变整句意思。Google自己举过例子：巴西旅客去美国需要签证吗，这句里的去（to）是关键，方向理解反了意思就全错，BERT解决的就是这类语序和上下文问题。

这三代技术是一条演进线：从匹配字面，到理解概念，再到读懂语境。这十年的变化我在搜索怎么从关键词匹配一路走到意图理解一文里按时间线梳理过。三者不是三选一，更像三个人一起抬轿子，各抬一角。

神经匹配何时上线、影响多少查询？

上线时间值得记住，它能帮你判断某些排名波动是不是和神经匹配有关。

Google表示，这套系统在2018年公开前几个月就已投入使用，大约在2018年春夏之交上线，当年9月才对外公布。上线时它影响了约30%的查询，相当于每三次搜索就有一次经过神经匹配处理。Search Engine Journal当年那篇神经匹配影响30%查询的报道，对这个数字的分量有详细说明。

第二个关键节点是2019年11月，神经匹配被用于本地搜索。根据9to5Google关于神经匹配进入本地搜索的报道，即使一家店的名称和简介里没写某个词，Google也能根据语义把它匹配给相关的本地查询。这一步对做本地SEO和外贸落地页的人影响很直接。

词向量怎样把词换算成神经匹配要的概念？

原理并不复杂，核心动作只有一个：把词转换成一串数字，即向量。

可以把每个词看成一个巨大多维空间里的点。意思接近的词位置靠近，意思相差大的词距离远。番茄和西红柿几乎重合，拖影和运动补偿离得不远，拖影和红烧肉则隔了十万八千里。系统计算的就是这种距离：查询向量和页面内容向量在空间里是否足够接近。足够接近就算匹配，即使两者表面上没有一个相同的字。

这套向量还能表示词与词之间的关系。有个经典例子：国王的向量减去男人、再加上女人，结果非常接近女王。机器并不理解王权或性别，只是从海量文本里学到了这些概念之间的几何关系。

遇到一个从没见过的新词，系统也能靠这套几何关系把它放到已知词附近，推断出大致意思。所以神经匹配能应付每天大量冒出来的新查询，靠算不靠背。

词向量的思路不是Google独有的，各大搜索引擎都在用类似方法。我之前把百度的DNN和Google这套AI排名做过对比，两者底层逻辑相通，都是把语言放进向量空间计算相似度。明白这一点，就能理解它为什么能匹配你没写过的词：它量的是语义之间的距离，字面对不对得上并不要紧。

投影仪页面为何能靠神经匹配排上“运动补偿”？

回到开头的案例，现在可以解释了。

他页面里反复讲的画面拖影、快速运动画面糊、球赛看不清怎么调，这些大白话在向量空间里的位置和运动补偿这个专业术语高度重叠，因为运动补偿就是解决拖影的技术手段，两者指向同一件事。神经匹配计算距离后，判断这个页面讲的概念和搜运动补偿的人要找的内容基本一致，于是把页面排了上去。

这个案例后来我讲给了每个客户：不必盯着专业术语死磕。很多真实用户根本不知道运动补偿这个词，他们搜的是画面为什么会拖影、投影仪看球模糊。把这些真实说法讲透，神经匹配会把专业术语的流量也带过来。反过来，一个通篇堆砌运动补偿、却没把问题讲明白的页面，照样排不好。

这也说明另一个老说法已经过时：关键词必须一字不差出现在页面上才能排。

他后续的做法更值得参考。想明白这一点后，他没有急着把运动补偿塞进标题，而是把用户的各种真实问法系统地写进内容：有人搜看电影画面顿挫，有人搜球赛拖影怎么办，有人搜投影仪插帧要不要开，他逐条用大白话解释清楚。

结果这个页面陆续承接了一大批他没有刻意优化过的长尾词，运动补偿只是最早出现的那个。顺着神经匹配的机制做内容，和逆着它堆词，几个月后的差距就这样拉开了。

有了神经匹配，关键词研究还要不要做？

客户听完原理后，问得最多的是：既然Google能理解意思，还有必要研究关键词吗？

我的回答一直是：需要，而且更需要，只是研究目标变了。过去很多人把关键词研究做成了抠字面：查出一批词，逐个塞进标题和正文，凑密度。神经匹配让这种做法失效了。

现在关键词研究该做的，是弄清楚用户面对同一个需求，会用多少种说法、从哪些角度提问：有人用术语，有人描述症状，有人问怎么办，有人问为什么。这些说法背后是同一个概念，你要把这个概念的全貌摸清。

关键词现在是理解用户意图的入口，不用再当清单逐个塞进页面。通过这些不同的问法，看清用户卡在哪里、想解决什么，再把内容写到能回答这个底层需求。神经匹配负责把各种问法导向这篇讲透了的内容。研究照做，塞词不做，分界线就在这里。

神经匹配能否被针对性优化或操纵？

结论是：没有可以调节的开关，也基本无法欺骗。

神经匹配位于算法底层，Google没有为它开放任何对外接口，你无法调整参数，也没法针对它单独搞什么骚操作。市面上号称能优化神经匹配的说法，大多言过其实。能做的只有一件最朴素的事：让内容真正覆盖主题、贴合用户想问的意思。

至于欺骗，靠堆同义词、塞近义词去迎合它行不通。它计算的是整段内容表达的概念，你埋了几个词它并不在意。硬堆一批意思相近的词，页面读起来别扭，用户体验先受损，得不偿失。它甚至能判断出页面是否只是看起来懂、实际没讲透。所以应对神经匹配没有捷径，把内容写透是唯一可行的做法。

我见过一个反面例子。有个同行为了蹭一个热门概念的流量，把相关的词换着花样堆满一页，近义词、变体、行业黑话全用上，密度非常高。他以为这是在迎合算法，结果排名不升反降。

原因不难推断：神经匹配计算后发现，这个页面表面上词很密，实际讲的概念很单薄、东一榔头西一棒子，没有解决用户的真实问题。词堆得再多，它在向量空间里和真正优质内容的距离也拉不近。我常用这件事提醒客户：你面对的是一套在计算语义的系统，光盯着一串关键词没有用，它比你想象的更敏感。

外贸SEO和本地SEO怎样顺应神经匹配？

落到实操层面，下面是这些年积累的几条经验。

• 别抠字面，研究当地人怎么说。外贸最常见的错误，是把国内的行业黑话直译成英文，而当地真实用户未必这样表达。与其死守教科书术语，不如弄清楚目标市场的人遇到这个问题时会用哪些词，把这些说法写进内容。
• 覆盖一个概念的多种问法。同一个需求，有人用术语问，有人用大白话问，有人描述症状。神经匹配能把它们关联起来，前提是你的内容确实把这个概念讲全、讲透，系统才能识别出你讲的是同一件事。
• 本地业务尤其要重视这一条。2019年之后本地搜索也用上了神经匹配，店铺简介里没写全的服务，只要内容把相关概念讲清楚，同样有机会被匹配给本地查询。不要再依赖把关键词全部塞进标题的老做法。
• 借它的顺风车带流量，别把它当靶子。你无法瞄准神经匹配去优化，但可以让它顺带为你带来流量，方法就是认真回答用户真正关心的问题。

神经匹配给写内容的人的信号很一致，和Google这些年反复强调的要求相同：写对人有用的内容。它让搜索从对暗号走到了懂人话。你越站在真实用户的角度写，它越能把你的页面匹配给对应的查询。我那个投影仪客户想明白之后，把更多用户的真实问法写进了内容，后来承接的长尾流量，比他硬攻术语那段时间多了一大截。

常见问题解答

神经匹配是一个具体的算法吗？

它是一套系统，不是单一算法。核心是用神经网络把查询里的词和内容背后的概念对应起来，页面不需要出现和查询完全相同的字，也能因为意思接近被匹配上。它是Google官方《排名系统指南》里长期在役的系统之一，2018年9月正式对外公开。

神经匹配和RankBrain有什么区别？

两者分工不同。RankBrain侧重把页面和概念关联起来，理解你的内容讲的是什么；神经匹配侧重把词和查询关联起来，理解用户输入的这串词想找什么。一个看内容，一个看查询。Danny Sullivan澄清过，神经匹配不是用来取代RankBrain的，两者协同工作，还能让RankBrain的判断更准。

神经匹配和BERT是不是重复了？

不重复，两者各负责一部分。神经匹配负责从词到概念的跨越，你没写那个词，它能推断出对应概念；BERT负责一句话内部的语序、介词和上下文，理解语法层面的意思。它们是从理解概念到读懂语境的递进，配合使用，不是三选一。

我能针对神经匹配做优化吗？

没有直接的优化手段。它位于算法底层，没有对外接口，你无法调整参数。唯一有效的做法是让内容真正覆盖主题、贴合用户意图。靠堆同义词、塞近义词去迎合它基本无效，因为它计算的是整段内容表达的概念，不看你埋了几个词。

页面没出现某个关键词，为什么还能排上那个词？

这是神经匹配的典型效果。它把词转成向量、按语义计算距离，只要你内容讲的概念和那个查询指向同一件事，即使字面上没有这个词，也能被匹配上。例如一个讲画面拖影怎么调的页面，可能被排给搜运动补偿的用户，因为两者指的是同一个问题。

神经匹配对本地SEO和外贸有什么影响？

影响很直接。2019年11月起本地搜索也用上了它，店铺简介里没写全的服务，只要内容讲清了相关概念，也能被匹配给本地查询。做外贸时不要照着国内术语直译，要研究当地人遇到这个问题时的真实说法，把这些表达写进内容，才能承接更多真实流量。

权威参考资料