本文提出了一种仅依赖于交叉编码器的检索方法，并使用 CUR 分解使得此方法在可接受的计算成本内提供了比基于双编码器或 TF-IDF 的现有方法更好的检索结果，尤其是针对超过 10 个邻居搜索的情况。

Oct, 2022

本研究提出了一种针对实际中 k-NN 查询困难的问题，采用近似矩阵分解技术的方法进行高效向量检索，该方法可以自适应地选择锚定项，以最小化检索近似误差。研究实验证明，该方法相对于使用 BM25 或双编码器的传统检索方法和 ANNCUR 方法，能够提高 k-NN 检索率。

May, 2023

提出了一种新颖的学习型后交互模型（LITE），通过解决轻量级评分器的手工设计和访问个体文档令牌嵌入的问题来改善查询 - 文档关联性在信息检索中的性能，并在领域内和零样本重排序任务上优于以前的后交互模型。

Jun, 2024

本论文提出了一种基于聚类的检索模型，通过迭代聚类过程来模拟查询，并将文档表示为多个伪查询，通过两步得分计算程序优化匹配函数，实现了高效的近似最近邻搜索，达到了最先进的结果。

May, 2021

本文中，我们提出了一个简单的基线方法，使用不对称架构来提高 Dual Encoder 检索器的效率。我们发现即使使用只有两层的 BERT-based 查询编码器，通过无监督的蒸馏和适当的学生初始化，仍然可以在 BEIR 基准测试中保持 92.5％的 DE 性能。我们希望我们的研究可以鼓励社区重新评估方法复杂性和性能提升之间的权衡。

Jun, 2023

通过对比多个候选嵌入，CMC 框架提供上下文化的表示，并且能够同时处理多个比较，从而作为轻量级的重新排序器和加强的检索器。

May, 2024

本文提出了 “聚类嵌入学习”（CEL）作为嵌入学习中应对冷启动、低频用户和项目，以及内存成本等问题的综合解决方案，能够自动且动态地通过自上而下的方法对用户和项目进行聚类，而聚类内的实体共同学习共享的嵌入向量，被验证在减小嵌入表大小、提高性能等方面具有显著优势。

Feb, 2023

我们展示了在低延迟情境下，基于较浅的变形器模型（即具有有限层数的变形器）的交叉编码器实际上比全规模模型表现更好，因为它们可以在相同的时间预算内估计更多文档的相关性。我们进一步展示，较浅的变形器模型可能受益于目前成功应用于推荐任务的广义二进制交叉熵 (gBCE) 训练方案。我们在 TREC 深度学习通过排序查询集上的实验中，展示了低延迟环境下较浅和全规模模型的显着改进。

Mar, 2024

提出了一种协作相似度嵌入模型（CSE），该模型利用了用户 - 项目二分图中可用的全面协作关系，用于表示学习和推荐，通过直接接触和 k - 阶邻域接近度学习用户 - 项目关联，并且针对性地设计了一种采样技术来捕捉这两种不同类型的接近度关系。在 8 个基准数据集上进行的广泛实验证明 CSE 优于最先进的推荐方法。

Feb, 2019

使用双编码器模型，在相同的密集向量空间中对实体和提及进行编码，并通过近似最近邻搜索检索候选实体，从而实现实体链接。通过使用维基百科中的锚文本链接训练双编码器，该方法优于离散别名表和 BM25 基线，并且与标准 TACKBP-2010 数据集中最佳结果相当，还可以快速检索候选者，并可以很好地推广到从 Wikinews 推导出的新数据集。在建模方面，我们演示了无监督的负采矿算法在这一任务中的重要作用。

Sep, 2019