信息检索一直是信息检索研究的重点之一。近年来，提出了 Dense Retrieval（DR）技术来缓解诸如词汇不匹配问题等固有缺陷，但是绝大多数现有 DR 模型的培训都依赖于从语料库中抽样负实例来优化成对损失函数，即不公平的样本，因此提出了 Learning To Retrieve（LTRe）培训技术， 它通过预先构建文档索引，并在每个培训迭代中在没有负样本采样的情况下执行全检索，从而在整个语料库中检索相关文档，实验表明，LTRe 在有效性方面明显优于所有有竞争力的稀疏和密集基线。它甚至在合理的延迟限制下比 BM25-BERT 级联系统表现更好。

Oct, 2020

深度推荐系统在现代 Web 服务中得到广泛应用，然而传统的两阶段工作流存在协作限制，因此需要探索检索员和排名员之间的有效协作。

Jun, 2022

本文提出 Ada-Retrieval，一种适应性多轮检索范式，用于推荐系统，通过迭代地改进用户表示以更好地捕捉完整物品空间中的潜在候选物，实验结果表明 Ada-Retrieval 显著提升了各种基础模型的性能。

Jan, 2024

本研究提出了一个基于深度增强学习的新型推荐框架，称为 DRR，它将推荐视为一种顺序决策过程，并采用 “Actor-Critic” 增强学习方案来模拟用户与推荐系统之间的交互，同时考虑动态适应和长期回报，经过四个真实数据集的广泛实验，证明了 DRR 方法确实优于现有的竞争对手。

Oct, 2018

通过将大空间的判别式自然语言理解任务重新构造为学习检索任务，采用密集检索方法来解决大决策空间的预测问题，提高了预测的泛化能力和决策表示的语义意义。

Oct, 2023

提出了生成检索（GR）和生成稠密检索（GDR）两种机制，通过克服记忆机制的精度、记忆混淆和记忆更新成本等问题，在小规模语料库中实现了较好的检索性能和可扩展性。

Jan, 2024

本研究提出一种基于深度学习的个性化推荐算法，称为带符号距离的深度记忆推荐器，能够显式和隐式地捕捉用户和商品之间的非线性关系，并在一般的推荐任务和基于购物篮的推荐任务中表现良好。通过对两个推荐任务中六个真实数据集的大量实证研究，我们的方法显著提高了十种最先进的推荐模型的效果。

May, 2019

本研究中，我们提出了一种新的方法来扩展近似最近邻搜索到任意匹配函数（例如深度神经网络），并使用可插拔的对抗性训练任务来保证搜索结果的准确性；通过在开源和工业数据集上的实验证明了我们方法的有效性，并在淘宝展示广告平台上进行了全面部署，带来了相当可观的广告收入增长。

Feb, 2022

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

提出一种新颖的单阶段生成检索模型，将 Amazon 数据集用于训练，结果表明，这种模型能够获得更好的推荐效果和更好的泛化能力以推荐 “冷启动” 物品。

May, 2023