本文提出以往基于神经网络的信息检索模型忽略了上下文信息，从而会存在三个问题。作者提出了三个解决方案并开发了 Co-PACRR 模型，相较于其他模型有更好的检索结果。

Jun, 2017

本文通过可视化中间层输出和分析中间权重与最终相关性分数之间的关系，旨在探究最近提出的神经 IR 模型 PACRR 模型的内部运作机制，并提供对广泛应用有用的几点见解。

Jun, 2017

本文基于 Guo 等人 (2016) 的深度相关匹配模型 (DRMM)，探讨了几种新的文件相关性排序模型。加入上下文有关的编码，包括多视图的查询和文档输入，测试证明新模型优于 BM25，DRMM 和 PACRR。

Sep, 2018

为了减轻点击率（CTR）和转化率（CVR）预测中的位置偏见，我们提出了两种不受位置偏见影响的 CTR 和 CVR 预测模型：位置感知点击转化（PACC）和通过位置嵌入的 PACC 模型（PACC-PE）。实验结果表明，我们的模型在评级有效性上表现更好，可以极大地减轻 CTR 和 CVR 预测中的位置偏见。

Jul, 2023

本文提出了一种深度位置交互网络 DPIN，以有效组合所有候选项和位置来估算每个位置的 CTR，实现离线和在线的一致性，并在服务性能的限制下对位置、用户、上下文和项目之间的深度非线性交互进行建模。同时，我们提出了一种评估指标 PAUC (position-wise AUC)，以解决 CTR 预测中的位置偏差问题，并在真实数据集上进行了广泛的实验，证明了方法的有效性和效率。在 A/B 测试中，我们的方法已在生产中部署，并观察到与高度优化的基准相比有显著的改进。

Jun, 2021

本文提出了一种上下文感知的神经排序模型，通过引入两级分层循环神经网络对查询、搜索任务进行搜索上下文表示的学习，并结合文档排序和查询建议两个伴随的检索任务来提高检索性能，并在循环状态的两个级别上引入注意力机制来识别搜索上下文和用户正在进行的搜索活动之间的可变依赖结构。通过丰富的实验比较以及深入的消融分析，证实我们所提出的方法对于建模搜索任务中隐藏的搜索上下文具有价值。

Jun, 2019

本文提出了一种新的深度学习体系结构 DeepRank，以模拟人类判断过程来进行信息检索中的相关性排名，并使用卷积神经网络（CNN）或二维门控循环单元（2D-GRU）来确定本地相关性和产生全局相关性分数。通过在基准 LETOR 数据集和大规模点击数据上的实验证明了 DeepRank 在精确 / 语义匹配信号，接近启发式，查询术语的重要性和不同的相关性要求等方面能够显著优于学习排名方法和现有的深度学习方法。

Oct, 2017

自注意力机制网络在顺序推荐任务中取得了显著的性能表现。本研究探讨了学习到的位置编码，发现其通常捕捉到令牌之间的距离。基于这一发现，我们提出了直接学习位置关系的新型注意力模型。大量实验证明了我们提出的模型 PARec 和 FPARec 优于之前的自注意力方法。

Jul, 2024

论文研究了信息检索系统不仅可以检索与查询相关的信息，而且可以将其 “理解” 并综合成一个单一的文档，使用递归神经网络进行深度学习来人工合成文档，通过众包实验评估文档的相关性。

Jun, 2016

本文提出了一种数据驱动的方法，使用分层神经匹配模型（HiNT）来建立不同粒度的相关信号，以便在广泛的语义匹配中自适应的估计查询和文档之间的相关性。研究结果表明，我们的 HiNT 模型在基准自适应检索数据集上优于现有最先进的检索模型。

May, 2018