本文提出了一种名为 “置信度排名” 的新型框架，使用两个不同的模型以排名函数的形式设计优化目标，允许针对不同凸代理函数的评估指标进行直接优化，例如 AUC 和 Accuracy。实验结果表明，引入置信度排名损失后，可以在公共和工业数据集的 CTR 预测任务上胜过所有基线，该框架已在 JD.com 的广告系统中部署以提高精细排名阶段的主要流量表现。

Jun, 2023

本研究提出了一种统一的框架，使用简单的构建块限制，允许对各种基于排名的目标进行高度可扩展的优化，并在多个实际检索问题上展示了我们方法的优势，同时在性能和精度方面显著改进了基线。

Aug, 2016

提出了一种新的基于批处理的排名估算器和平滑的排名敏感损失函数的个性化排名框架，该框架比先前的工作具有更稳定和准确的排名近似，并且可以通过显式使用并行计算来加速训练，在三个物品推荐任务上取得一致的准确性改进和时间效率优势。

Nov, 2017

本文介绍了一种名为 Calibrated Boosting-Forest 的新技术，它是梯度提升机的一种集成，能够支持连续和二进制标签，并能够保持校准的后验概率，同时提供了调整超参数的替代方案，并且在基于配体的虚拟筛选方面取得了优异的表现。

Oct, 2017

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

本文提出一种 MRC 模型后处理方法，依赖于 XGBoost 模型的校准器，结合手动特征和表示学习特征来改善模型的鲁棒性和性能表现，实验结果表明在针对敌对数据的情况下，模型的性能有超过 10% 的提升，同时也提升了原始和泛化数据集的性能。

Feb, 2022

通过分析神经网络排序器的不确定性和标定性，本文提出了一种新的基于主义预测分布的随机排名器来解决常见的对话响应排序领域中的风险问题。其中，BERT-based rankers 的标定性不稳定，而 uncertainty estimation 模型则对风险感知神经排序和预测无法回答的对话背景具有益处。

Jan, 2021

本文提出了一种使用分类方法代替 SBC 进行 Bayesian 计算的方法，该方法利用学习的测试统计量，通常具有比 SBC 更高的统计功率和可解释的误差度量，并可用于不同数据生成过程的似然函数自由推理或传统的推理方法，例如马尔可夫链蒙特卡罗或变分推理。

May, 2023

本文提出了一种基于线性规划优化问题的方法来平衡推荐系统或搜索问题中多种类别需要协调的目标，通过学习一个双重随机矩阵来实现权衡与适应，最终实验结果表明该模型可以取得更好的平衡效果。

Apr, 2023

本文提出了两种参数标定方法：高斯标定和 Gamma 标定。 进行了广泛的评估，表明这两种标定方法和无偏经验风险最小化极大地提高了标定性能。

Dec, 2021