提出了一个新的置换相关的推荐系统架构 PRF，并且通过在淘宝应用程序的实际应用中取得 11.0％的 PV 平均值和 8.7％的 IPV 平均值，性能超过当前最先进的方法。

Feb, 2021

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

通过引入整个链式样本空间依赖，本文提出了一种名为 ECM 的整体链式跨领域模型，用于解决预排序系统中样本选择偏差问题，并设计了一种名为 ECMM 的细粒度神经结构，进一步提高预排序的准确性。实证评估结果表明，我们的预排序模型在实时大规模流量日志中表现优于最先进的方法，在可接受的时间消耗内实现了效率和效果的更好平衡。

Oct, 2023

通过构建一个应用于电商赞助搜索的层次化网络框架，结合历史广告点击数据来进行信号、检索关键词和广告的关联，选择模型权重最佳的边缘来提高 RPM/CTR，从而达到多维度广告检索和推荐的目的。

Dec, 2017

本研究提出了基于互信息的偏好多样性模型（PODM-MI），通过采用多维高斯分布来捕捉用户对多样性的偏好，并最大化多样性偏好与候选项之间的互信息，以提高它们之间的相关性，适应性地进行排序，实现准确性和多样性之间的平衡。在实际的在线电子商务系统上的实验证明了 PODM-MI 的重大改进，并成功地在一家电子商务搜索平台上部署了 PODM-MI。

May, 2024

本研究提出了一种端到端的神经匹配框架 (EENMF)，用于模拟基于向量的广告检索和基于神经网络的广告预排名。在大规模赞助搜索中，所提出的方法显著优于基准测试。

Dec, 2018

本研究旨在通过端到端的学习，从原始用户行为中进行个性化推荐引擎的革新，通过一种新的密集全行动损失，编码用户的长期兴趣来优化用户嵌入，通过直接学习实时操作序列来捕获用户的短期意图。通过离线和在线实验验证了新模型架构的性能，并解决了在生产中使用混合 CPU/GPU 设置服务这种复杂模型的挑战。

Sep, 2022

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

级联排序在在线广告和推荐系统中被广泛应用于大规模前 k 选择问题，而学习排序是优化级联排序系统模型的重要方法；本文提出了一种新颖的适应级联排序系统的优化目标的方法，通过多任务学习框架自适应地结合放松和完整优化目标的优化；并且引入置换矩阵表示排序度量，并使用可微排序技术获得带有可控逼近误差界限的放松置换矩阵，从而在深度学习框架内直接且适当地优化放松和完整优化目标，通过提出的代理损失进行；实验证明了方法的有效性和泛化性，并且在线实验表明了方法的显著应用价值。

Oct, 2023

本论文提出了一个名为 SetRank 的新型神经学习排序模型，使用自我注意力机制和感知不变性来捕捉跨文档相互作用以及局部上下文信息，从而实现对任意大小文档集的置换不变性排名。与传统的学习排名模型和最先进的神经 IR 模型相比，经实验证明，SetRank 在三个大型基准测试中表现显着优于基线。

Dec, 2019