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

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

个性化上下文感知的文档导向对话系统的集成具有重要的商业价值，但尚未得到充分研究。通过个性化上下文感知的文档导向对话系统的概念，我们引入了上下文感知的段落检索任务，并构建了一个专门为此目的策划的数据集。我们描述了多个基线系统来解决这个任务，并提出了一种新颖的方法，个性化上下文感知搜索（PCAS），在段落检索过程中有效利用上下文信息。在多个常见的密集检索系统上进行的实证评估表明，我们提出的方法不仅在检索相关段落方面优于基线系统，而且在识别所有可用上下文中的相关环境方面表现出色。我们预计我们的工作将成为激发未来研究在这个有前景的方向上的催化剂。

Aug, 2023

提出一种新颖的联合训练方法，将密集型段落检索和段落重新排名进行联合优化，其中动态列表蒸馏、混合数据增强策略和列表训练方法等对于检索和重新排名均具有显著的贡献，实验结果表明该方法在 MSMARCO 和自然问题数据集上具有有效性。

Oct, 2021

提出一种混合协作的篇章重排序方法，利用上游检索器的相似度测量结果进行篇章重排序，并结合了稀疏和密集检索器的词汇和语义特征，以提高传统检索和重排序方法的性能。

May, 2023

本研究展示了如何使用密集向量表示实现开放领域的问答，通过一个简单的双编码框架，通过从一小部分问题和段落中学习嵌入来实现检索，并在多个开放域 QA 基准测试中超越了传统的基于 TF-IDF 或 BM25 的方法，为终端 QA 系统的最新性能奠定了基础。

Apr, 2020

论文提出两种对话查询重构方法：基于词频的重构和使用预训练序列到序列模型生成人类可理解的自然查询。两种方法的优点、缺点和不同行为进行了详细的定量和定性分析，并提出将它们的输出与相互排名融合结合使用，从而实现了最先进的检索效果，NDCG@3 相对于 TREC CAsT 2019 的最佳提交有 30％ 的提高。

May, 2020

本文提出了一种名为 CFC 的新的问题回答模型，它结合了来自多个文档的证据信息，其粗粒度模块尊重从查询中解释文档以及找到相应答案，而其细粒度模块通过比较其在所有文档中与查询的出现次数得分每个候选答案。 这种模型使用共同关注和自我关注的层次结构设计，学习强调输入的不同部分。 在 Qangaroo WikiHop 的多证据问题回答任务中，CFC 在盲测试集上获得了 70.6％的最新技术结果，尽管没有使用预先训练的上下文编码器，但仍比之前最佳结果高出 3％的准确性。

Jan, 2019

通过研究密集短语检索系统，探讨短语检索是否可以作为粗粒度检索（如段落和文档）的基础，并提出了短语过滤和矢量量化等方法，可以将检索索引的大小减小至原来的 4-10 倍，从而使得密集短语检索成为多粒度检索的实用解决方案。

Sep, 2021