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

通过使用深度强化学习模型，本研究提出了一个自动生成措辞的查询改写模型。在模型中结合了查询性能预测方法以产生高效的查询。并且针对信息检索的情境下，运用了信息检索排名模型训练，并在 TREC 2020 Deep Learning track MSMARCO 文献排名数据集上进行实验。结果表明，与各种基线模型相比，本研究的模型性能得到了较大提高。

Jul, 2020

该研究提出了一种基于深度神经网络的 DRMM 模型，旨在解决 ad-hoc retrieval task 中的 relevance matching 问题，经过在 benchmark collections 上的实验，结果表明该模型明显优于一些知名的检索模型和当前最先进的深度匹配模型。

Nov, 2017

提出一种名为 Disentangled Dense Retrieval（DDR）的新型 Dense Retrieval 框架来支持 DR 模型的有效和灵活的领域自适应，该框架包括一个 Relevance Estimation Module（REM）和几个 Domain Adaption Modules（DAMs），通过使 REM 和 DAMs 分离，DDR 实现了一种灵活的训练范式，在不同的领域和语言中都表现出比强大的 DR 基线更好的排名性能。

Aug, 2022

本文介绍了一种深度语义资源推理模型，实现了在信息检索中解决词汇不匹配问题，并在 TREC Terabyte 和 TREC CDS 数据集上展示了其在语义和深度学习 IR 模型方面的优越性。

Jun, 2017

研究通过使用基于注意力机制的神经主题模型和支持向量机进行 PubMed 摘要的检索和排名，以及使用基于查询的注意力句子表示、词袋和 TF-IDF 的多视图表示来实现句子排名模型。最终表现得到显著提高，分别在任务 1 和任务 2 中达到了第一名和 0.86 的均值平均精度（mAP）和 0.58 的宏平均精度（MAA）。

Oct, 2019

本文提出了一种新的长文档重新排序方法，通过利用自注意力机制和模块化 Transformer 框架建立查询到文档的交互模型，避免了编码过程中低维度表示带来的信息瓶颈，实现了从全部文档中提取重要信息的目的，并在 Robust04 和 ClueWeb09 等数据集上实现了有效的重新排序。

May, 2022

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

通过深度学习模型计算关键词和生物医学文献之间的相似度得出相关度评分，以此来解决生物医学文献检索中的关联问题，并成功的胜过了其他最先进的深度学习方法。

Feb, 2018

本研究提出了一种名为 PACRR 的新型神经 IR 模型，旨在更好地建模查询和文档之间的位置相关交互，实验结果表明，该模型在多个基准测试下都得到了更好的结果。

Apr, 2017