有趣的是，专利中的例子指的是视频。
这个可搜索的基于标记模型的结的索引可以使用与搜索查询相关联的标记，这些标记可以与索引中的标记匹配。使用搜索算法，可以根据一个或多个结果概率选择结果。
机器学习系统可以生成和更新
模型来做出预测并创建排名。
基于机器学习模型的预测可以 电报数据 包含结果、一个或多个特征以及预测值。
一个机器学习模模型的结型可以预测搜索者是否会观看视频 Y（示例结果），该模型可以给出以下特征：用户位于美国、过去曾观看过音乐视频 X 以及其默认语言设置为英语（特征示例）。
该机器学习模型可以包含每个特征的分数：
0.5 表示位于美国
观看音乐视频需 0.9 X
0.3 将默认语言设置为英语
机器学习模型可能包括其他 有效销售培训平台的特点 特征的权重（例如，使用地点在加拿大），但由于这些特征不存在于此示例预测中，因此它们的权重可能不会对预测做出贡献。
某个特定特征的缺失可能对于
预测结果很重要，因此可能会被考虑在内。
预测值可以标准化为任何适用的方式表示百分比或概率。
该实例可能包含结果：“用户是否会观 消費者數據 看视频 Y”，特征：“位于美国”，“看过视频 X”和“默认语言英语”，以及预测：“0.9”（标准化）。
特征可以是与实例相关的任何适用属性，并且可以基于用户（例如，用户人口统计、用户历史记录、用户关联（例如用户帐户或偏好））、设备（例如，用户的设备类型、设备特征、设备功能、设备配置等）、最近事件等。
特征可以包括观众位置、观众语言偏好、观看历史、观众帐户、观模型的结众订阅、设备型号类型、设备屏幕分辨率、设备操作系统、假期指定、体育赛事等。