W środę, 14 grudnia 2022 r., Google ogłosił nowy system antyspamowy o nazwie SpamBrain. Ten oparty na sztucznej inteligencji system wykorzystuje moc sztucznej inteligencji do wykrywania stron, które kupują lub wysyłają nietypowe linki. w tym bezpośrednie wykrywanie spamu Ta aktualizacja nosi nazwę Aktualizacja spamu z linkami z grudnia 2022 r. i jej pełne wdrożenie zajmie około dwóch tygodni. Wpłynie to na wszystkie języki i może spowodować zmiany w rankingach, ponieważ kredyty uzyskane z nieprawidłowych linków zostaną utracone.
Google konsekwentnie podkreśla, że linki uzyskane w wyniku spoofingu w rankingu wyszukiwania są zasadniczo linkami spamowymi. Algorytmy i ręczne działania mają na celu w dużej mierze dezaktywację tych linków. Proszą każdego, kto znajdzie witrynę zawierającą nienaturalne tworzenie linków, o zgłoszenie jej za pomocą wskazówek dotyczących „zgłaszania spamu” tutaj: https://goo.gle/sc-forum. Ci, którzy mają konkretne opinie na temat tej aktualizacji, mogą publikować na „Pomoc społeczności” tutaj: https://goo.gle/sc-forum Dowiedz się więcej o SpamBrain tutaj: /search/blog/2022/04/webspam-report-2021#spambrain:-our-most-effect-solution-against-spam.
Czterech autorów, Duy Nguyen, Ildar Akhmedyanov, Jacob N Scott i Karthikgeyan Elangovan, opublikowało artykuł na temat wykorzystania technik uczenia się przez wzmacnianie (RL) w celu poprawy wydajności systemu rekomendującego. Skupili się na dwóch konkretnych technikach RL: algorytmie aktor-krytyk i algorytmie aktor-krytyk. i głębokiego uczenia się przez wzmacnianie (DRL) i opisz korzyści, jakie każdy z nich może wnieść do systemu rekomendującego. Autorzy przedstawiają również szczegółowy przegląd najnowszych badań nad wzmacnianiem głębokiego uczenia się na potrzeby swoich prac wprowadzających i zapewniają wgląd w potencjalne wyzwania związane z jego użyciem.Na koniec omawiają, jak zintegrować metodę RL z tradycyjnym połączeniem metod filtrowania w celu zwiększenia wydajności nawet dalej. Ten artykuł jest przydatnym źródłem informacji dla tych, którzy chcą zrozumieć rolę, jaką uczenie się przez wzmacnianie może odgrywać w poprawie skuteczności systemów rekomendujących.