提出了一种基于自注意力机制的上下文感知神经网络模型，用于学习商品的排序分数，在训练和推理阶段都考虑了列表中其他商品的交互作用，相较于多层感知机模型，取得了显著的性能提升，在排序学习基准 MSLR-WEB30K 上实现了新的最佳结果。

May, 2020

本文提出了一种领域泛化策略解决学习排名问题，使用 Query-Invariant Listwise Context Modeling （QILCM）神经架构，该架构通过学习查询不变的潜在表示来消除查询间的可变性，从而在基准数据集上比之前最先进的方法表现更好。

Feb, 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

本文介绍了使用 Transformer-Kernel 模型进行文档重排序的方法，并通过 TREC 2019 深度学习赛道的评价来表明其有效性。

Dec, 2019

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

在 TREC 网络搜索数据集和 MIRACL 跨语言数据集上，使用无需特定任务训练数据的 Listwise Reranker with a Large Language Model (LRL) 可以作为第一阶段和最终阶段的重新排序方法，在多层文本排序任务中取得了强大的效果。

May, 2023

本文提出了使用弱监督学习方法训练神经排序模型来解决信息检索排名问题，并通过实验结果表明，基于弱标记数据的预训练可以极大地提高神经排序模型的性能。

Apr, 2017

本文提出了一种新的上下文感知再排序框架 —— 生成再排序网络（GRN），包括一个基于 Bi-LSTM 和自注意力机制的评估器和一个带有 GRU、注意力机制和指针网络的生成器，通过交叉熵损失和策略梯度来优化，实验结果表明，GRN 在推荐任务中的表现优于现有的基于点 / 列表的方法 5.2%~6.1%。

Apr, 2021

该研究论文主要讨论了信息检索中的排名模型如何应用传统启发式方法、概率方法和现代机器学习技术等技术构建，并重点介绍了基于浅层或深层神经网络的神经排名模型，分析了其基本原理和学习策略，并通过基准测试比较了这些模型，最后探讨了当前文献中存在的问题以及未来的发展方向。

Mar, 2019

本文提出在解决图像裁剪领域中的排序问题时，LVRN 模型通过将图像裁剪看作是一种列表排序任务的方法，提出了 RoIRefine 技术，并将其与列表排序相结合，从而达到了最先进的性能。

May, 2019