本文介绍了一种基于自动化机器学习技术的自动设计得分函数的方法（AutoSF），该方法能够提高知识图中链接预测和三元组分类的准确性，并且优于目前由人设计的最先进的得分函数。

Apr, 2019

介绍了一种新的优化丢失功能的方法以提高 Web 页面排名和协同过滤的性能，并使用结构化估计在希尔伯特空间中进行直接优化，所提出的算法被证明是快速且表现良好。

Apr, 2007

本研究提出了一种基于序列神经网络和局部排名上下文的深度列表上下文模型，通过对排名结果的特征分布的学习来优化初始的排名列表，实验结果证明该模型在标准的信息检索领域中显著提高了学习排序方法的表现。

Apr, 2018

本文通过研究采用分级标签的学习排序问题，提出了一种多目标结构，能够在优化排序性能和等级预测性能方面取得比其他方法更好的结果，证明了利用序数级别信息的好处。

Jun, 2023

该研究旨在通过对 4 个图像和 4 个文本数据集进行实验，比较得出使用不同评分函数进行 Curriculum Learning 的效果。结果表明，在图像数据集中使用迁移学习得到的评分函数相较于传统的模型训练和其他评分函数有显著的改进。

Feb, 2022

该研究探讨了基于得分函数的梯度学习在判别式和生成式分类设置中的应用。实验表明，该方法适用于数据集的不平衡情况，有效提高了二分类性能。

Jul, 2022

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

分析使用得分为基础的生成模型在学习一类亚高斯概率分布时的近似和概括性，介绍了相对于标准高斯测度的概率分布的复杂性概念，证明了通过经验得分匹配生成的分布以维度无关的速率近似目标分布。通过包括某些高斯混合的示例说明了理论，证明中的一个基本要素是导出与正向过程相关的真实得分函数的无维度深度神经网络逼近速率，独立成趣。

Feb, 2024

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

本研究提出一种学习排序的公式，并针对文档相似性和排名上下文，提出几种可扩展的算法，优化满足用户需求的数量，是从文献中的 “排名老虎机” 和 “Lipschitz bandits” 两个多臂老虎机模型推广的。经实验证明，我们的算法学习速度比以前的方法快几个数量级。

May, 2010