在大型电子商务平台中，搜索系统通常由一系列模块组成，其中包括召回、预排序和排序阶段。我们提出了一种新颖的方法：一种具有一般化和秩次一致性的预排序模型（GRACE），通过引入多个二分类任务来预测产品是否在排名模型估计的前 k 个结果中，从而实现排名的一致性，并通过预训练对所有产品的对比学习来实现一般化。实验证明，在离线度量和在线 A/B 测试中都取得了显著的改进：AUC 增加了 0.75％，CVR 增加了 1.28％。

May, 2024

该研究提出了一种基于 MoE 框架和对比学习的个性化排序方法 AW-MoE，能够有效地处理长尾用户和不同用户的个性化特征交互，并在真实的京东数据以及公共数据集上验证了其有效性和优越性。

Jun, 2023

提出全局优化框架，实现对电子商务搜索中商品的排名，具体包括了相互影响的采购概率预测和排名任务，得出有关 GMV 的优化结果。

May, 2018

本文提出了一种基于 Bert-Large 的双阶段排序方案，首先通过精细的查询 / 标题关键词匹配检索候选商品，然后利用经过人工标注数据的 BERT-Large 进行分类，同时在多个 GPU 主机上实现并行预测和基于 Tensorflow 的 C++ 分词自定义操作。在数据挑战中，我们的模型在监督阶段的总 F1 分数上获得了第一名，在最终阶段的平均每个查询的 F1 分数上获得了第二名。

Aug, 2020

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

文章提出采用反事实风险最小化法（CRM）来实现从真实世界的日志数据中学习排名模型，以避免需要有关性的判断和数据聚合，此方法更适合从 Logged 数据中学习，CRM 方法有效地从 Logged 数据中学习，效果显著优于基线排名器（λ-MART），并且优于各种深度神经网络模型的全信息损失（例如交叉熵）的表现。

Jul, 2019

该论文研究利用用户点击来进行学习排序的方法及其相关领域，提出了一个框架来统一在线、反事实和监督学习，并将其统一成一种通用且有效的排序学习方法。

Dec, 2020

本论文提出使用强化学习等算法解决电子商务平台中的多步排名问题，并通过模拟和淘宝搜索引擎实验，与在线学习到排名方法相比，获得了高于 40％和 30％的总交易金额增长。

Mar, 2018

本文提出了一种名为 ATRank 的基于注意力机制的用户行为建模框架，主要用于推荐系统，通过将异构用户行为投影到多个潜在语义空间中，使用自注意力在行为之间进行影响，并通过 vanilla attention 提供给下游应用程序使用，实验证明 ATRank 具有更好的性能和更快的训练速度，进一步探索 ATRank 使用一种统一模型同时预测不同类型的用户行为，显示出与高度优化的单独模型相当的性能。

Nov, 2017

本文介绍了将预训练语言模型（PLMs）引入搜索引擎的相关技术及其在实际应用中所面临的问题，使用 ERINE 语言模型以及创新的预训练策略、调整排列信号的方法，成功提高搜索引擎的性能。

May, 2021