众所周知，谷歌的研究团队遍布世界各地，纽约自然是一个非常重要的位置，尤其是谷歌算法研究组的繁衍地。目前，谷歌算法优化团队为SUMO提供了大量的算法支持。诞生了谷歌产品，并解决了很多挑战，包括基本优化、隐私保护、完善好友推荐等挑战。
    
     为了让您第一次了解Google算法和优化的更新进展，Google研究博客今天更新了新闻，Google NYC算法优化团队发布了主页。一瞥谷歌算法优化团队全景图。
    
     目前，该团队与Google内的许多团队密切相关，包括广告、搜索、YouTube、Play、基础设施、地理、社交、图像搜索和云服务，以及机器学习、分布式优化、经济学、数据迷你等多个领域的研究。NG和数据驱动的优化。
    
     算法优化与产品技术有着密切的联系，因此有很多交叉点。NYC算法优化团队的产品经理Vahab Mirrokni在一篇更新的博客中指出，该网站将覆盖三个子领域：大规模图形挖掘、大规模优化和市场算法，包括基础研究和长期和短期响应。拱门。
    
     项目组负责为Google的大量产品建立更大的图形算法和分析数据库。通过数据挖掘和机器学习，研究人员将解决图形算法问题，并在顶级期刊或学术会议上领导基础研究成果。NCES。
    
     大规模相似性排序：在WWW、ICML、VLDB等顶级期刊会议上，研究小组提出了一些基于相似性排序的有效方法，包括自组织网络和大规模多分类二值映射中相似性排序的计算。
    
     减少和聚合：多分类二部图的相似性排序，WWW 2014。
    
     平衡分区：对于大规模的图形优化问题，平衡分区自然是更困难的问题。去年，在WSDM 2016中，Google发表了一篇名为通过线性嵌入的分布式平衡分区的论文，该文章将分区大小相比之下减少了15%到25%。用当前的顶算法。
    
     聚类和连接组件：Google团队说，它现在有顶尖的应用算法，包括层次聚类、重叠聚类、局部聚类、谱聚类和连接性组件，并且该算法比更好的算法快10到30倍。HM曾经研究并扩展到数十亿的图形。
    
     公私图计算：谷歌对基于隐私的数据保护的创新模型做了大量研究。
    
     项目团队致力于开发大规模的优化技术，提高Google底层技术的效率和健壮性。Google目前在投资组合优化、在线算法和控制理论等领域使用这种技术，使其达到高峰。大规模计算基础设施上的t输入输出比。无论是离线优化还是在线优化，项目团队都致力于提高吞吐量、减少延迟、更小化资源拥挤、更大化缓存以及更小化分布式系统中的冗余。核心产品包括：
    
     一致性哈希：Google已经设计了一个无内存的平衡分配算法，可以将动态客户端集分配给动态服务器集，这样每个服务器的负载是有限的，并且每个更新操作的分配不会有太大的变化。开放源代码和开放源代码。
    
     基于核心集的分布式优化：可组合核心集为解决大规模数据集优化问题提供了一种有效的方法。此外，该技术可用于分布式均衡集群和分布式子模块更大化。
    
     分布子模更大化的随机可组合核集，STOC 2015
    
     Google搜索基础结构优化：算法优化小组与Google搜索基础结构小组建立了分布式反馈控制循环。此外，该小组还通过增加任何一台机器的查询流来提高缓存效率。
    
     项目团队分析和设计谷歌的整体市场，并从经济和计算两方面有效促进谷歌的业务。研究包括优化DoubleClick的显示广告，以及赞助搜索和移动广告。
    
     显示广告研究：显示广告生态系统为在线随机优化和计算经济学提供了极好的平台，在各种研究问题上，如全页优化和更优合同设计。优化广告招投标交易，通过处理中介招投标活动，优化定价策略，实现预订合同和广告交易的更佳收益管理。
    
     在线竞标者的整体页面优化和亚模块福利更大化，电子商务会议（ACM）2013
    
     中介机构拍卖：扩展抽象、ACM电子商务会议（EC）2010
    
     电子商务（EC）2011版广告展示收益优化
    
     在线随机匹配：该团队开发了用于在线随机匹配、预算分配和峰值流量处理的新算法，以及一个称为子模块福利更大化的通用问题。
    
     对抗性和随机性在线预算分配的同时逼近，ACM暹罗2012
    
     基于流量尖峰的在线分配：混合对抗和随机模型，EC 2015
    
     在线亚模块福利更大化：贪心节拍1 / 2随机序，STOC 2015
    
     鲁棒随机分配：在一篇题为《对抗和随机在线预算分配的同时逼近》的文章中，研究人员探索了在线算法，这些算法在对抗和随机到达模型中表现良好。g.对抗模型和随机模型，研究小组开发了一种混合模型和算法，其近似因子可以随预测精度而变化。
    
     对抗和随机在线预算分配的同时逼近，ACM/暹罗2012
    
     基于流量尖峰的在线分配：混合对抗和随机模型，EC 2015
    
     优化广告商活动：该小组研究算法，包括积极的结转效应，基于搜索投标的预算优化，和多预算约束的简单投标优化策略。
    
     酒类2012的在线活动的预算优化
    
     基于搜索的广告拍卖中的预算优化，ACM电子商务会议2007
    
     动态机制设计：该团队已经为网络广告中的复杂设置开发了有效的机制，包括在线设置和多面体约束。此外，还设计了一系列新的动态机制，称为银行账户机制，用于有效地设计n-透视动态机制，可以应用于不依赖于预测未来步骤的情况。
    
     雷锋人工智能科技综述摘要：NYC算法和优化团队已经存在很长时间了，但是由于其交叉性、明显的基础研究等特征，还没有主阵营为算法和优化提供平台。在Google Brain Team、自然语言理解Team、欧洲研究Team、Security和Privacy Team等众多团队建立了自己的博客和子网站之后，NYC算法和优化团队更近发布了网站的主页。当然，从整体情况让大家了解Google算法优化的过去和未来，并且从这个研究组的系统安排中，我们可以从研究中得到启发。