本文提出了 Deep Contextualized Term Weighting 框架，可以将 BERT 的上下文表示映射到句子和段落的上下文感知权重，用于段落检索和一阶段检索算法，实验表明 DeepCT 的深层上下文理解显著提高了一阶段检索算法的准确性。

Oct, 2019

采用基于知识蒸馏的 ESM 模型剪枝候选文档以减少计算量，从而降低了基于 ETM 模型的查询延迟并提高了检索效果。

May, 2021

本文基于 Guo 等人 (2016) 的深度相关匹配模型 (DRMM)，探讨了几种新的文件相关性排序模型。加入上下文有关的编码，包括多视图的查询和文档输入，测试证明新模型优于 BM25，DRMM 和 PACRR。

Sep, 2018

本文提出了一种通过基于上下文的语言模型来显式建模每个词汇的重要性、扩展查询方法以及基于词典对表示的理解性进行打分的 EPIC 方法，该方法在 MRR@10 上达到了 0.304，且能够显著提高检索效果和降低硬件的查询延迟。

Apr, 2020

本篇研究提出了一种新型的神经信息检索模型 DeepTileBars，能够以子话题和更高层次处理查询到文档之间的匹配关系，其能够更好地捕捉文档的话语结构和匹配模式。实验结果显示，DeepTileBars 在 TREC 2010-2012 Web Tracks 和 LETOR 4.0 等基准数据集上表现优异。

Nov, 2018

在这篇论文中，我们探索了一种低资源替代方法，即基于词嵌入的文档检索模型，发现它在与信息检索任务上经过微调的大型 Transformer 模型相比具有竞争力。我们的结果表明，将 TF-IDF（传统的关键词匹配方法）与浅层嵌入模型简单组合，提供了一种低成本的方法，使其在 3 个数据集上与复杂的神经排序模型的性能相媲美。此外，添加 TF-IDF 度量改进了这些任务上大规模微调模型的性能。

Aug, 2023

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

该论文使用一个概念框架将信息检索中的代表性学习的最新进展进行了组织，包括稀疏和密集表示、无监督和学习表示等四个维度。通过分析发现，COIL 和 DPR、ANCE、DeepCT、DeepImpact 之间的关系以及现有技术的不足之处，论文提出一种名为 uniCOIL 的新技术，并在 MS MARCO 排名数据集上取得了最先进的结果，具有可操作性。

Jun, 2021

本文探讨了利用上下文语境中的神经语言模型 BERT，可以提供更深入的文本信息理解，以增强预先训练的 BERT 模型以及相关的搜索任务。

May, 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