لیست کامل هشدارهای تکمیل خودکار Google در کروم

گوگل کروم از یک مدل یادگیری ماشینی استفاده می کند برای تکمیل خودکار نوار آدرس این مدل احتمالاً یک پرسپترون چند لایه (MLP) است. چندین ورودی را برای پیش بینی و رتبه بندی پیشنهادات پردازش می کند.

در اینجا خلاصه ای از این سیگنال ها آمده است:

توابع ورودی:

تاریخچه مرور کاربر:

• log_visit_count: (float32[-1,1]) تعداد لگاریتمی بازدیدهای هر کاربر در URL.
• log_typed_count: (float32[-1,1]) عدد لگاریتمی URL وارد شده در نوار آدرس.
• log_shortcut_visit_count: (float32[-1,1]) تعداد لگاریتمی بازدیدهای هر کاربر به URL از طریق میانبر دسکتاپ.
• سپری شده_time_last_visit_days: (float32[-1,1]) روز از آخرین بازدید کاربر از URL.
• log_elapsed_time_last_visit_secs: (float32[-1,1]) ثانیه های لگاریتمی از آخرین بازدید کاربر از URL گذشته است.
• سپری شده_time_last_shortcut_visit_days: (float32[-1,1]) چند روز از آخرین بازدید کاربر از URL از طریق میانبر دسکتاپ.
• log_elapsed_time_last_shortcut_visit_sec: (float32[-1,1]) ثانیه های لگاریتمی از آخرین بازدید کاربر از URL از طریق میانبر دسکتاپ گذشته است.
• number_of_bookmarks_on_url: (float32[-1,1]) تعداد نشانک های مرتبط با URL.
• shortest_shortcut_len: (float32[-1,1]) طول کوتاهترین میانبر دسکتاپ برای URL.

امکانات وب سایت:

• url_length: (float32[-1,1]) طول رشته URL.

ویژگی های مطابقت:

• کل_عنوان_مطابق_طول: (float32[-1,1]) طول کل تطابق بین ورودی کاربر و عنوان وب سایت.
• total_bookmark_title_match_length: (float32[-1,1]) طول کل تطابق بین ورودی کاربر و عناوین نشانک برای URL.
• مجموع_میزبان_مسابقه_طول: (float32[-1,1]) طول کل تطابق بین ورودی کاربر و URL میزبان.
• کل_طول_تصادف_مسیر: (float32[-1,1]) طول کل منطبقات بین ورودی کاربر و مسیر URL.
• total_query_or_ref_match_length: (float32[-1,1]) طول کل منطبقات بین ورودی کاربر و بخش‌های پرس و جو/مرجع URL.
• first_url_match_position: (float32[-1,1]) موقعیت اولین تطابق بین ورودی کاربر و URL.
• first_bookmark_title_match_position: (float32[-1,1]) موقعیت اولین تطابق بین ورودی کاربر و عنوان نشانک برای URL.
• host_match_at_word_boundary: (float32[-1,1]) نشانگر Boolean نشان می دهد که آیا تطابق میزبان در یک مرز کلمه رخ می دهد یا خیر.
• has_non_scheme_www_match: (float32[-1,1]) نشانگر بولی که آیا مطابقت وجود دارد، صرف نظر از طرح (http/https) یا پیشوند “www”.
• is_host_only: (float32[-1,1]) نشانگر بولی که آیا ورودی کاربر فقط با میزبان مطابقت دارد یا خیر.

پردازش مدل:

این توابع تغذیه می شوند شبکه عصبی معماری شبکه، شامل لایه ها و وزن های خاص، در داخل تعریف می شود فایل مدل

خروجی:

مدل یک نتیجه پیش بینی شده (float32[-1,1]، نشان دهنده ارتباط هر پیشنهاد تکمیل خودکار بالقوه است. این امتیاز برای رتبه‌بندی پیشنهادها استفاده می‌شود، با امتیازهای بالاتر در نوار آدرس کشویی بالاتر نشان داده می‌شود.

معماری مدل:

1. لایه ورودی: 20 تابع ورودی که هر کدام با یک گره جداگانه نمایش داده می شوند (مثلاً سپری شده_time_last_shortcut_visit_days، log_visit_count، کل_عنوان_مطابق_طول).
2. لایه الحاقی: همه 20 ویژگی ورودی در امتداد محور 1 مرتبط هستند و در نتیجه یک تانسور یک شکل ایجاد می شود ? x 20. “؟” اندازه دسته متغیر را نشان می دهد.
3. لایه متراکم (کاملا متصل): یک لایه کاملا متصل با:

• • وزن ها: فرم 64*20که شامل 64 نورون در این لایه است. وزن ها به صورت کوانتیزه می شوند int8 برای کارایی
  • اعتیاد: فرم 64، اصطلاح سوگیری برای هر نورون.
  • تابع فعال سازی: ReLU (واحد خطی اصلاح شده).
  • کوانتیزاسیون: کوانتیزاسیون نامتقارن ورودی ها اعمال می شود.
  • لایه متراکم (کاملا متصل): یک لایه کاملا متصل دیگر با:
    • وزن ها: فرم 1*64، منجر به یک نورون خروجی واحد می شود.
    • اعتیاد: فرم 1، یک اصطلاح بایاس برای نورون خروجی.

1. لایه لجستیک: این احتمالاً نشان دهنده یک تابع فعال سازی سیگموئیدی است که در خروجی لایه متراکم قبلی اعمال می شود و مقداری بین 0 و 1 تولید می کند.
2. لایه خروجی: یک گره خروجی (“سیگموئید”) که نشان دهنده نتیجه پیش بینی شده است.

مشاهدات کلیدی:

• معماری ساده: این مدل از دو لایه متراکم پنهان با فعال سازی ReLU و یک فعال سازی سیگموئید نهایی برای خروجی تشکیل شده است.
• کوانتیزاسیون: این مدل از کوانتیزاسیون برای کاهش اندازه و بهبود عملکرد استفاده می کند int8 وزن برای اولین لایه متراکم.
• ویژگی های مهندسی: ویژگی‌های ورودی ترکیبی از مقادیر خام و ویژگی‌های مهندسی هستند (به عنوان مثال، تبدیل‌های لگاریتمی، طول تطبیق، شاخص‌های بولی).