【Chromium Blog】机器学习如何改进 Windows、Mac 和 ChromeOS 上的 Chrome 浏览器地址栏
原文中文，约1700字，阅读约需4分钟。
📝
内容提要
Chrome浏览器最新版本集成了机器学习模型，提升地址栏搜索的准确性和用户体验。团队发现导航时间短时相关性得分降低，希望通过训练专门版本的模型来满足特定用户群体的需求，并改进用户与地址栏的交互方式。
🔎
延伸解读
从手工规则到机器学习：评分系统的演进
Chrome 地址栏的评分系统长期依赖手工调整的公式，虽然有效但缺乏灵活性，难以适应新情况。团队最终转向机器学习模型，以提升搜索建议的相关性。这一转变并非易事，因为替换每天使用数十亿次的核心机制风险极高，但新模型能利用大规模数据训练，带来更精准的评分。
机器学习带来的意外发现：短时间导航的评分逻辑
在训练模型时，团队观察到一个反直觉的现象：当用户刚刚导航到某个 URL 后很快再次使用地址栏，该 URL 的相关性得分会降低。这是因为用户可能误点了不想要的页面，随即返回重试。这一模式在旧系统中未被发现，体现了机器学习从数据中自动捕捉复杂行为的能力。
未来方向：个性化与动态调整
团队计划探索针对特定用户群体（如移动、企业、学术用户或不同地区）训练专门模型，并考虑纳入时间等新信号。同时，用户与地址栏的交互方式随时间变化，相关性评分也需定期更新。新系统支持快速收集信号、重新训练和部署模型，使评分能持续适应用户需求。
❓
Q&A
Chrome浏览器的omnibox是什么？
omnibox是Chrome浏览器的地址栏，用户可以通过它快速查找标签页、书签和网页。
机器学习如何改善Chrome浏览器的地址栏搜索？
机器学习模型提升了地址栏搜索的准确性和用户体验，改进了搜索建议的相关性评分。
Chrome团队在改进评分系统时遇到了哪些挑战？
团队面临替换核心机制的困难，项目规模巨大，且需要在用户使用的情况下进行更改。
短时间导航对相关性评分有什么影响？
短时间导航时，相关性得分会降低，因为用户可能没有找到想要的URL，随后又返回进行再次尝试。
未来Chrome浏览器的地址栏将如何进一步改进？
未来将探索针对特定用户群体训练专门版本的模型，并纳入新的信号以提高相关性。
机器学习模型如何处理用户数据？
机器学习模型通过分析大量用户数据，识别模式并从中学习，以提升搜索建议的相关性。
🏷️
