FairRank: Fairness-aware Single-tower Ranking Framework for News Recommendation
单塔模型被广泛应用于新闻推荐的排序阶段，根据用户行为所指示的用户兴趣与候选新闻的细粒度相关性来准确地对候选新闻进行排序。然而，这些模型可以容易地继承与用户的敏感属性（例如，人口统计学），并且可能生成对具有某些属性的用户不公平的推荐结果。在本文中，我们提出了FairRank，这是一个公平意识的新闻推荐单塔排名框架。由于候选新闻的选择可能是有偏见的，我们建议使用一个共享的候选感知用户模型，以匹配用户的兴趣与一个真实的显示候选新闻和一个随机的新闻，分别学习候选感知用户嵌入，反映用户的兴趣在候选新闻和候选不变的用户嵌入，表明用户的内在兴趣。我们将对抗学习应用于这两种方法，以减少敏感用户属性带来的偏见。此外，我们使用KL损失来正则化从两个用户嵌入中推断出的属性标签，使其相似，这可以使模型捕获更少的候选人感知偏差信息。在两个数据集上的大量实验表明，FairRank可以提高各种单塔新闻排名模型的公平性，而性能损失较小。
2022-04-01 cs.IR
Slate-Aware Ranking for Recommendation
我们看到了石板推荐系统的广泛采用，其中根据用户兴趣和项目内容将有序的项目列表提供给用户。对于每个推荐，用户可以从列表中选择一个或多个项目以进行进一步的交互。在这种情况下，项目之间的相互影响对用户行为的重大影响是很好理解的。现有的推荐方法在推荐系统的排序阶段之后增加了一个重新排序的步骤，该步骤考虑了被推荐项目之间的相互影响来重新排序并生成推荐结果，以最大化期望的总体效用。然而，为了模拟多个推荐项目的复杂交互，由于有限的硬件资源和系统延迟的限制，重新排序阶段通常只能处理几十个候选项。因此，排名阶段对于大多数应用程序来说仍然是必不可少的，以便为重新排名阶段提供高质量的候选集。在本文中，我们提出了一个解决方案命名为Slate-Aware排名（SAR）的排名阶段。通过隐式地考虑候选项之间的关系，它显著地提高了重新排序阶段的候选集的质量，并提高了整个推荐系统的相关性和多样性。在公开数据集上的实验和内部在线A/B测试都验证了该方法的有效性。
2023-02-24 cs.IR
Data Generation via Latent Factor Simulation for Fairness-aware Re-ranking
本文提出了一种用于公平性感知推荐的新型合成数据，即通过潜在因子模拟生成的推荐系统输出，以支持对重新排序算法的研究，同时避免依赖需隐私保护的敏感数据。
2024-09-21 cs.IR
Fairness-aware Personalized Ranking Recommendation via Adversarial Learning
推荐算法通常基于历史用户-项目交互（例如，点击、喜欢或评级）以提供个性化的项目排名列表。由于用户偏好不同，这些交互通常不均匀地分布在不同的项目组上。然而，我们发现，推荐算法可以继承甚至放大这种不平衡的分布，导致不公平的项目组的建议。具体地说，我们形式化的概念排名为基础的统计奇偶性和机会均等的两个公平性措施的个性化排名推荐项目组。然后，我们实证表明，最广泛采用的算法之一-贝叶斯个性化排名-产生不公平的建议，这促使我们努力提出新的公平意识的个性化排名模型。去偏置模型能够在保持推荐性能的同时改进两个提出的公平性指标。在三个公共数据集上的实验表明，与最先进的替代方案相比，所提出的模型具有很强的公平性。本文是SIGIR 2020~ \cite{zhu2020measuring}论文的扩展和重组版本。在本文中，我们重新框架的个性化排名推荐系统中的“项目推荐公平性”的研究问题，并提供了更多的细节所提出的模型的训练过程和实验设置的细节。
2021-03-14 cs.IR
Personalized Ranking for Context-Aware Venue Suggestion
在场馆推荐中，向用户提供个性化的、上下文感知的场馆推荐是非常关键的。这些建议通常基于将场所的特征与用户的偏好进行匹配，这些偏好可以从先前访问的位置收集。在本文中，我们提出了一种新的用户建模方法，它依赖于一组评分功能，使个性化的建议，场地的基础上，场地的内容和评论，以及用户的上下文。我们在TREC上下文建议跟踪数据集上进行的实验证明，我们的方法明显优于最先进的方法。
2017-05-20 cs.IR
Evaluation of Field-Aware Neural Ranking Models for Recipe Search
复杂文档结构中的场交互和相关性的显式建模最近在神经文档嵌入和检索任务中得到了普及。虽然这需要定制的任务依赖模型的规格，令人鼓舞的实证结果开始出现。在这项工作中，我们提出了第一次深入分析的非线性多场相互作用（NL-MFI）在烹饪领域的排名。我们的研究结果表明，字段加权因子分解机模型提供了一个统计上显着的改进，在配方检索任务的基线。此外，我们表明，稀疏捕获的领域知识和特征选择算法的基础上的相互作用的子集提供了显着的优势，基线和详尽的替代品。虽然场交互感知模型在架构基础上更加精细，但由于镜像文档和模型分解，它们在优化方面通常更有效，并且更适合解释性。
2021-07-08 cs.IR
Structure-aware Relative Policy Optimization for Ranking
Tsinghua University（清华大学）；Renmin University of China（中国人民大学）
研究排序问题，提出结构感知相对策略优化框架SRPO，通过顶部加权肯德尔-陶距离测量排列差异并归一化奖励差异，强调高效局部优化，实验证明该方法能提高列表排序的有效性和稳定性。
2026-07-29 cs.AI cs.IR
Contrastive Learning of User Behavior Sequence for Context-Aware Document Ranking
事实证明，搜索会话中的上下文信息对于捕获用户搜索意图非常有用。现有的研究探讨了用户行为序列在会话中以不同的方式，以提高查询建议或文档排序。然而，用户行为序列通常被视为反映用户行为的明确且准确的信号。实际上，它是高度可变的：用户对同一意图的查询可能会有所不同，并且可以单击不同的文档。为了学习一个更强大的表示用户的行为序列，我们提出了一种基于对比学习的方法，它考虑到用户的行为序列的可能变化。具体来说，我们提出了三个数据增强策略，以产生类似的用户行为序列的变体，并将它们与其他序列进行对比。在这样做时，模型被迫在可能的变化方面更加稳健。将优化后的序列表示方法引入到文档排序中。在两个真实查询日志数据集上的实验表明，该模型的性能明显优于现有的方法，证明了该方法在上下文感知文档排序中的有效性.
2021-08-24 cs.IR
Constraint-Aware Generative Re-ranking for Multi-Objective Optimization in Advertising Feeds
Bilibili Inc（哔哩哔哩公司）
本文提出一种面向约束的生成重排框架，通过整合序列生成与奖励估计，提升广告流中多目标优化的效率与效果。
2026-03-04 cs.IR
REGENT: Relevance-Guided Attention for Entity-Aware Multi-Vector Neural Re-Ranking
Missouri University of Science and Technology（密苏里科学与技术大学）；Department of Computer Science（计算机科学系）
提出神经重排序模型 REGENT，通过将实体作为语义骨架引导注意力机制，结合词汇匹配与语义推理，在三个数据集上达到 SOTA，确立了实体感知信息检索的新范式。
2025-10-13 cs.CL cs.IR
Attention over Self-attention:Intention-aware Re-ranking with Dynamic Transformer Encoders for Recommendation
重新排序模型细化了由先前的全局排序模型生成的项目推荐列表，这已经证明了它们在提高推荐质量方面的有效性。然而，大多数现有的重排序解决方案只学习隐式反馈与共享的预测模型，这令人遗憾地忽略了不同的用户意图下的项目间的关系。在本文中，我们提出了一种新的意图感知重排序模型与动态Transformer编码器（RAISE），旨在执行用户特定的预测，为每个单独的用户的基础上，她的意图。具体来说，我们首先提出挖掘潜在的用户意图从文本评论与意图发现模块（IDM）。通过区分评论信息的重要性与共同注意力网络，潜在的用户意图可以显式地建模为每个用户项目对。然后，我们引入了一个动态的Transformer编码器（DTE），以捕捉用户特定的项目之间的项目候选人无缝地容纳通过IDM学习潜在的用户意图之间的关系。因此，人们不仅可以实现更个性化的推荐，而且还可以通过在现有的推荐引擎上构建RAISE来获得相应的解释。在4个公开数据集上的实验结果表明，本文提出的RAISE算法在Precision@5、MAP@5和NDCG@5下的相对性能分别提高了13.95%、9.60%和13.03%。
2023-03-12 cs.IR
From Easy to Hard: A Dual Curriculum Learning Framework for Context-Aware Document Ranking
University of Montreal（蒙特利尔大学）；University of Cambridge（剑桥大学）；Renmin University of China（中国人民大学）；Huawei Poisson Lab（华为泊松实验室）
搜索会话中的上下文信息对于捕获用户的搜索意图是重要的。已经提出了各种方法来对用户行为序列进行建模以改进会话中的文档排序。通常，（搜索上下文，文档）对的训练样本在每个训练时期中随机采样。在现实中，理解用户的搜索意图和判断文档的相关性的难度在不同的搜索上下文之间有很大的差异。混淆不同难度的训练样本可能会混淆模型的优化过程。在这项工作中，我们提出了一个课程学习框架上下文感知的文档排序，其中的排名模型学习搜索上下文和候选文件之间的匹配信号，在一个容易到困难的方式。在这样做的过程中，我们的目标是引导模型逐渐走向全局最优。为了利用正面和负面的例子，设计了两个课程。在两个真实查询日志数据集上的实验表明，该框架可以显著提高现有方法的性能，证明了课程学习在上下文感知文档排序中的有效性.
2022-09-15 cs.AI cs.IR
Think When Needed: Model-Aware Reasoning Routing for LLM-based Ranking
Zhejiang University（浙江大学）；Nanyang Technological University（南洋理工大学）；Singapore University of Technology and Design（新加坡科技设计大学）
研究基于大语言模型排序时推理时机与效果问题，提出推理路由框架，利用生成前信号决定推理与否，能自适应选策略，经实验验证该框架可提高排序效用并减少令牌消耗，解决准确性与效率权衡问题。
2026-07-17 cs.IR
Mitigating Exploitation Bias in Learning to Rank with an Uncertainty-aware Empirical Bayes Approach
本文提出EBRank，一种基于经验贝叶斯的不确定性感知排序算法，通过仅用非行为特征构建先验、利用用户行为更新后验并结合主动探索，缓解学习排序中的利用偏差，在三个公开数据集上显著优于现有排序算法。
2023-05-26 cs.IR
LIFT: A Lifecycle-aware Interaction Factorization Transformer for Unified Retrieval and Ranking
Beijing University of Post and Telecommunications（北京邮电大学）；Southeast University（东南大学）；Xiaohongshu（小红书）
该研究针对级联推荐系统检索与排序阶段信息异质问题，提出LIFT模型，通过分解交互状态实现两任务共享建模，在ML-20M和Taobao数据集上较基线分别提升4.9%、3.6%联合得分。
2026-10-09 cs.IR
Co-BERT: A Context-Aware BERT Retrieval Model Incorporating Local and Query-specific Context
基于BERT的文本排序模型极大地提高了自组织检索的最新水平，其中大多数模型倾向于独立地考虑单个查询-文档对。与此同时，在排名模型中考虑跨文档交互和查询特定特征的重要性和有用性已被反复证实，主要是在学习排序的背景下。然而，基于BERT的排名模型还不能完全结合这两种类型的排名上下文，从而忽略了来自排名的文档间关系和查询之间的差异。为了缓解这一差距，在这项工作中，一个端到端的基于转换器的排名模型，名为共同BERT，已提出利用几个BERT架构校准查询文档表示使用伪相关反馈建模前的一组文档的相关性联合。在两个标准测试集上进行的大量实验证实了所提出的模型在提高文本重排序性能方面的有效性。我们计划使我们的实现开源，以便进行进一步的比较。
2021-04-17 cs.IR
Multilingual Humour-Aware Retrieval with Dense and Re-Ranking Models
Democritus University of Thrace（德谟克利特色雷斯大学）
本研究使用XLM-RoBERTa稠密检索和重排序模型，在CLEF 2025 JOKER任务1基准上探索多语言幽默感知检索，发现葡萄牙语表现优于英语，揭示了语义表示在捕捉幽默线索方面的局限性。
2026-05-24 cs.IR
Intent-aware Ranking Ensemble for Personalized Recommendation
本文提出意图感知排序集成模型IntEL，通过学习物品级个性化权重融合不同目标的排序列表，以同时满足用户多种行为意图，并在理论上和两个大规模数据集上验证了其有效性。
2023-04-15 cs.IR
Feature-aware Diversified Re-ranking with Disentangled Representations for Relevant Recommendation
相关推荐是一种特殊的推荐场景，当用户对一个目标项目表示兴趣时，点击，喜欢和购买）。除了考虑建议与触发项目之间的相关性外，建议还应多样化，以避免信息茧。然而，现有的多样化推荐方法主要集中在项目级的多样性，这是不够的，当推荐的项目都是相关的目标项目。此外，冗余或嘈杂的项目功能可能会影响性能的简单特征感知推荐方法。面对这些问题，我们提出了一个功能分解自平衡重新排序框架（FDSB），以捕获功能感知的多样性。该框架包括两个主要模块，即解纠缠注意编码器（DAE）和自平衡多方面排名。在DAE中，我们使用多头注意力从丰富的项目特征中学习分离的方面。在排名器中，我们开发了一个特定于方面的排名机制，能够自适应地平衡每个方面的相关性和多样性。在实验中，我们对收集的数据集进行离线评估，并在快手应用程序上部署FDSB，对相关推荐功能进行在线A/B测试。推荐质量和用户体验的显著改善验证了该方法的有效性。
2022-06-10 cs.IR
Fairness-Aware Ranking in Search & Recommendation Systems with Application to LinkedIn Talent Search
LinkedIn Corporation（领英公司）
我们提出了一个框架，用于量化和减轻算法偏见的机制，设计用于排名的个人，通常用作网络规模的搜索和推荐系统的一部分。我们首先提出了补充措施，以量化偏见方面的保护属性，如性别和年龄。然后，我们提出了算法计算公平意识的重新排名的结果。对于一个给定的搜索或推荐任务，我们的算法寻求实现一个期望的分布排名靠前的结果相对于一个或多个受保护的属性。我们表明，这样的框架可以量身定制，以实现公平的标准，如机会均等和人口均等取决于所需的分配的选择。我们评估所提出的算法，通过广泛的模拟在不同的参数选择，并研究了公平意识排名的偏见和效用的措施。最后，我们提出了在线A/B测试结果，从应用我们的框架对LinkedIn人才搜索的代表性排名，并讨论在实践中吸取的教训。我们的方法在不影响业务指标的情况下，极大地改善了公平性指标（具有代表性结果的搜索查询数量增加了近三倍），这为全球100%的LinkedIn Recruiter用户部署铺平了道路。我们是第一个大规模部署的框架，用于确保招聘领域的公平性，对超过6.3亿LinkedIn会员产生了潜在的积极影响。
2019-07-24 cs.IR cs.LG
LO-FAR: A Cost-Aware Local Filter for Sparse Feature Ranking in Industrial Ad Recommendation
Meta Platforms, Inc.（Meta平台公司）
研究工业广告推荐中稀疏特征排序问题，提出仅用CPU的LO-FAR工作流程，通过轻量级局部估计器排序，在生产数据集上约两小时完成排序，保留下游归一化熵增益，证明简单局部过滤器在成本和周转约束下是实用生产选择。
2026-07-24 cs.IR
FARA: Future-aware Ranking Algorithm for Fairness Optimization
针对现有公平排序方法仅贪婪优化当前会话导致长期次优的问题，本文提出 FARA，通过 Taylor 展开分析未来曝光并采用两阶段规划联合优化相关性与公平性，理论最优且实验显著优于现有方法。
2023-08-19 cs.IR
UniSGR: Unified Framework for Semantic ID Generation and Ranking
Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团）
针对推荐系统中生成式检索的多目标排序问题，提出UniSGR框架。采用两阶段训练范式，引入任务感知令牌和语义树注意力策略，实验证明其有效性和可扩展性。
2026-07-07 cs.IR
Towards Comprehensive Recommender Systems: Time-Aware UnifiedcRecommendations Based on Listwise Ranking of Implicit Cross-Network Data
School of Computing, National University of Singapore（新加坡国立大学计算机学院）
Web应用程序中信息的丰富性使得推荐对于用户和应用程序都是必不可少的。尽管现有的推荐系统的有效性，我们发现两个主要的限制，降低其整体性能：（1）无法提供及时的建议，为新的和现有的用户考虑用户偏好的动态性质，（2）没有完全优化的排名任务时，使用隐式反馈。因此，本文提出了一种基于深度学习的统一跨网络解决方案，以缓解冷启动和数据稀疏问题，并为新用户和现有用户提供及时的推荐。此外，本文将隐式反馈下的排序问题视为分类任务，并提出了一种通用的隐式数据个性化列表优化准则，以有效地对项目列表进行排序。我们说明了我们的跨网络模型使用Twitter的辅助信息的建议在YouTube的目标网络。与多个时间感知和跨网络基线的广泛比较表明，所提出的解决方案在准确性，新颖性和多样性方面是优越的。此外，在流行的MovieLens数据集上进行的实验表明，所提出的列表排序方法优于现有的最先进的排序技术。
2020-08-25 cs.AI cs.IR cs.LG
LTR-ICD: A Ranking-Aware Framework for Automatic ICD Coding
Center for Applied Intelligent Systems Research（应用智能系统研究中心）；Halmstad University（哈马碧大学）
本研究提出LTR-ICD框架，将自动ICD编码任务从分类改为分类与排名任务，在主要诊断编码排名准确率及微、宏F1值上均优于现有最优方法。
2026-08-26 cs.CL cs.IR cs.LG
A Hybrid Approach to Web Service Recommendation Based on QoS-Aware Rating and Ranking
随着互联网上具有相同或相似功能的Web服务数量的不断增加，越来越多的服务使用者在寻找和选择合适的Web服务时，将注意力集中在Web服务的非功能属性上，即服务的服务质量（quality of service，QoS）。对于大多数QoS感知的Web服务推荐系统，推荐的Web服务列表通常是基于一个面向评级的预测方法，旨在预测潜在的评级，活跃的用户可能会分配给未评级的服务尽可能准确地获得。然而，在一些应用场景中，评级预测的高准确性可能不一定导致令人满意的推荐结果。在本文中，我们提出了一个面向排名的混合方法相结合的基于项目的协同过滤和潜在因素模型来解决Web服务的排名问题。特别是，两个Web服务之间的相似性来衡量他们的排名，而不是传统的QoS评级之间的相关系数。此外，我们还改进了衡量标准NDCG（归一化折扣累积增益），用于评估排名顺序返回的前K个建议的准确性。在真实Web服务的QoS数据集上进行了全面的实验，实验结果表明，该方法的性能优于其他同类方法。
2015-01-18 cs.IR cs.SE
RaCT: Ranking-aware Chain-of-Thought Optimization for LLMs
本文提出RaCT方法，通过思维链提示与SFT-RPO两阶段训练相结合，在提升LLM文本重排序性能的同时有效保留其通用推理能力。
2025-09-19 cs.IR
Bridge the Gap between Past and Future: Siamese Model Optimization for Context-Aware Document Ranking
Ant Group（蚂蚁集团）
针对仅用历史会话数据难以捕捉动态用户意图的问题，提出含历史条件与未来感知模型的孪生优化框架，结合带动态门控的对等知识蒸馏，使推理时仅用历史数据的ForeRanker排序性能优于现有方法。
2025-05-20 cs.CV cs.IR
Not All Candidates are Created Equal: A Heterogeneity-Aware Approach to Pre-ranking in Recommender Systems
ByteDance Hangzhou P.R.China（字节跳动杭州中国）；ByteDance Beijing P.R.China（字节跳动北京中国）；ByteDance Shenzhen P.R.China（字节跳动深圳中国）；ByteDance Shanghai P.R.China（字节跳动上海中国）
本文提出HAP方法，通过冲突敏感采样和定制化损失设计，解决推荐系统预排序中的异质性问题，提升效果并降低计算成本。
2026-03-04 cs.AI cs.IR cs.LG
AQR-HNSW: Accelerating Approximate Nearest Neighbor Search via Density-aware Quantization and Multi-stage Re-ranking
Arizona State University（亚利桑那州立大学）
AQR-HNSW通过密度感知量化和多阶段重排序提升HNSW算法的可扩展性，实现更高的查询速度和更低的内存消耗。
2026-02-25 cs.IR
CAM2: Conformity-Aware Multi-Task Ranking Model for Large-Scale Recommender Systems
Meta Inc.（Meta公司）
CAM2通过因果建模将用户从众行为与真实兴趣解耦，构建从众感知的多任务排序模型，在Facebook Watch上实现用户参与度提升0.50%和日活用户增长0.21%。
2023-04-17 cs.IR cs.LG
VARG: Value-Aware and Ranking-Aligned Generative Retrieval for Dynamic E-commerce Search
University of Science and Technology of China（中国科学技术大学）；Taobao & Tmall Group of Alibaba（阿里巴巴淘宝天猫集团）；Nankai University（南开大学）
针对电商搜索召回与粗排整合问题，提出VARG生成式检索系统，通过RQ-VAE语义前缀、价值排序令牌及Prefix-GRPO对齐，在离线与在线测试中提升GMV、IPV和PCTR。
2026-09-15 cs.IR
Regret-aware Re-ranking for Guaranteeing Two-sided Fairness and Accuracy in Recommender Systems
针对推荐系统中个体公平性缺失问题，提出BankFair+方法，结合遗憾理论与模糊规划实现重排序，平衡个体与提供者公平性，实验验证其优越性。
2025-04-20 cs.IR
Dealing with Typos for BERT-based Passage Retrieval and Ranking
段落检索和排序是开放域问答和信息检索中的一项关键任务。目前有效的方法主要依赖于预先训练的基于深度语言模型的检索器和排序器。这些方法已被证明有效地建模查询和段落之间的语义匹配，也存在关键字不匹配，即段落，相关的查询，但不包含重要的查询关键字。在本文中，我们考虑密集检索器（DR），一个通道检索方法，和BERT重新排序，一个流行的通道重新排序方法。在这种情况下，我们正式研究这些模型如何响应和适应特定类型的关键字不匹配-由查询中发生的关键字错别字引起的。通过实证研究，我们发现错别字会导致检索和排名效率的显著下降。然后，我们提出了一个简单的类型感知培训框架的DR和BERT重新排名，以解决这个问题。我们在MS MARCO通道排名数据集上的实验结果表明，通过我们提出的打字感知训练，DR和BERT重新排名器可以对查询中的打字错误变得鲁棒，从而与没有适当考虑打字错误的模型相比，显着提高了有效性。
2021-09-13 cs.IR
Multi-factor Sequential Re-ranking with Perception-Aware Diversification
提出MPAD框架，通过图聚类提取多尺度兴趣并设计两个子模型评估准确性与多样性，以序列方式联合优化信息流推荐，已应用于淘宝首页主流量。
2023-05-21 cs.IR
Rank-Deviation Quality: A Distance-Aware Metric for Multi-Answer Retrieval and Ranking Evaluation
Amazon（亚马逊）
研究人员提出适用于多答案检索与排序评估的RDQ指标，该指标基于序数排序，兼顾返回项与排序，在POI数据集和TREC基准测试中展现出良好性能。
2026-08-27 cs.IR
Mood-Aware Music Recommendation: Integrating User Affective Signals into Ranking Systems
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
提出一种情绪条件排序框架，通过能量-效价空间的softmax采样将用户情感信号融入推荐过程，单盲实验表明能提升推荐质量。
2026-06-15 cs.AI cs.IR
Test-Time Optimization of Query Embeddings with Ranking Aware Reward Maximization
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本研究提出TTT-Embed框架，将排名奖励提炼为轻量学习向量，无需访问模型权重即可优化，在多嵌入模型和MTEB任务上显著提升测试时检索效果，且具备良好泛化性，解决了灾难性遗忘问题。
2026-08-14 cs.IR
Set-to-Sequence Ranking-based Concept-aware Learning Path Recommendation
针对学习路径推荐中概念相关性建模不足的问题，提出SRC框架，通过概念感知编码、注意力解码、策略梯度优化及知识追踪辅助模块提升路径推荐效果。
2023-06-07 cs.CY cs.IR
DSFNet: Learning Disentangled Scenario Factorization for Multi-Scenario Route Ranking
针对多场景路线排序中场景数量爆炸、高度纠缠和高容量需求等挑战，本文提出DSFNet，通过解耦场景分解网络及场景感知技术，并构建首个公开数据集MSDR，已在工业界验证其有效性。
2024-11-05 cs.IR
Centrality-aware Product Retrieval and Ranking
Institute for People-Centred AI, University of Surrey（萨里大学以人为本人工智能研究所）；Centre for Translation Studies, University of Surrey（萨里大学翻译研究中心）；eBay Inc.（eBay公司）
本文提出用户意图中心性优化（UCO）方法，通过双损失优化处理困难负样本，并构建人工标注的eBay评估集，以提升电商平台中产品检索与排序对用户意图的匹配度和排序效率。
2024-10-21 cs.AI cs.IR
Confidence-Aware Active Feedback for Interactive Instance Search
Wuhan University（武汉大学）；National Engineering Research Center for Multimedia Software（国家多媒体软件工程技术研究中心）；Hubei Key Laboratory of Multimedia and Network Communication Engineering（湖北省多媒体与网络通信工程重点实验室）
在线相关反馈（RF）被广泛应用于实例搜索（INS）任务中以进一步改进不完美的排序结果，但其交互效率往往较低。主动学习（AL）技术通过选择有价值的反馈候选来解决这个问题。然而，主流AL方法需要一个初始标记集的冷启动，往往是计算复杂的解决。因此，它们不能完全满足交互式INS任务中对在线RF的要求。为了解决这个问题，我们提出了一个置信度感知的主动反馈方法（CAAF），是专门为在线RF交互式INS任务。受自主学习中的显式难度建模方案的启发，CAAF利用成对流形排序损失来评估每个未标记样本的排序置信度。排序置信度不仅通过指示有价值的反馈候选来提高交互效率，而且通过调制流形排序中的扩散权重来提高排序质量。此外，我们设计了两种加速策略，一种近似优化方案和一种top-K搜索方案，以降低CAAF的计算复杂性。在图像INS任务和视频INS任务上进行的大量实验证明了该方法的有效性。值得注意的是，在NIST TRECVID 2021的实际大规模视频INS任务中，CAAF使用的反馈样本减少了25%，以实现几乎与冠军解决方案相当的性能。此外，在相同数量的反馈样本下，CAAF的mAP为51.9%，大大超过冠军解决方案的5.9%。代码可在https://github.com/nercms-mmap/caaf上获得。
2022-10-27 cs.CV cs.IR cs.MM
OutRank: Speeding up AutoML-based Model Search for Large Sparse Data sets with Cardinality-aware Feature Ranking
Outbrain inc.（Outbrain公司）
OutRank通过基数感知特征排序加速AutoML模型搜索，在合成和真实数据集上无性能损失或优于基线，并支持探索高达300%更大的特征空间。
2023-09-04 cs.AI cs.IR cs.LG
FARE: Deep Reinforcement Learning For Fair Exposure Constrained Uncertainty Aware Financial Content Personalization
FARE提出将SOV约束排序建模为深度强化学习，并引入CTR预测不确定性到策略设计，通过模块化执行层实现公平曝光，减少偏差同时最小化参与度损失。
2026-09-29 cs.AI cs.IR cs.LG
SAR-Net: A Scenario-Aware Ranking Network for Personalized Fair Recommendation in Hundreds of Travel Scenarios
Alibaba Group（阿里巴巴集团）；The University of Sydney（悉尼大学）
阿里巴巴的旅游营销平台为Fliggy、淘宝、支付宝等数百个不同的旅游场景提供了不可或缺的作用。要为访问不同场景的用户提供个性化推荐服务，有两个关键问题需要仔细解决。首先，由于不同场景的交通特点，训练一个统一的模型来服务所有人是非常具有挑战性的。其次，在推广期间，由于人工干预，一些特定项目的曝光量会重新加权，从而产生有偏差的日志，这会使使用这些有偏差的数据训练的排名模型降级。在本文中，我们提出了一种新的场景感知排名网络（SAR-Net）来解决这些问题。SAR-Net通过两个特定的注意力模块学习用户的跨场景兴趣，从不同的场景中获取丰富的数据，分别利用场景特征和项目特征来调节用户的行为特征。然后，以前一模块的编码特征为输入，采用一个特定于机器人的线性变换层进一步提取特定于机器人的特征，接着是两组去偏专家网络，即，粮农组织特有专家和粮农组织共有专家。它们独立地输出中间结果，这些中间结果通过多场景门控模块进一步融合到最终结果中。此外，为了减轻人工干预造成的数据公平性问题，我们提出了公平系数（FC）的概念来衡量个体样本的重要性，并使用它来重新权衡去偏专家网络中的预测。在覆盖超过8000万用户和155万旅游项目的离线数据集上的实验和在线A/B测试证明了我们的SAR-Net的有效性及其优于最先进的方法。
2021-10-19 cs.AI cs.IR cs.LG
Driving Engagement in Daily Fantasy Sports with a Scalable and Urgency-Aware Ranking Engine
Unmesh Padalkar
本文提出一种可扩展的排名引擎，通过实时紧迫性特征和时间间隔编码提升每日幻想体育的推荐效果，实现9%的nDCG@1提升。
2026-04-15 cs.IR cs.LG
Trading Engagement for Sustainability: Carbon-Aware Re-ranking for E-commerce Recommendations
University of California, Berkeley（加州大学伯克利分校）
本文提出一种碳感知重排序策略，通过检索增强的碳足迹估计管道推断缺失的产品碳足迹标签，并在三个推荐模型上权衡用户参与度与碳排放，实现可持续推荐。
2026-06-03 cs.AI cs.IR cs.SI
Enhancing Talent Search Ranking with Role-Aware Expert Mixtures and LLM-based Fine-Grained Job Descriptions
HKUST (GZ)（香港科技大学（广州））；Alibaba Group（阿里巴巴集团）；HKUST（香港科技大学）；Zhijiang Lab（浙江实验室）；Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室（深圳））
本文提出基于大语言模型和角色感知专家混合的方法，提升人才搜索排名效果，通过细粒度职位描述提取和行为建模，提升CTR和CVR，实现招聘效率和成本节约。
2025-10-05 cs.AI cs.IR cs.LG
Enhancing Cross-Sectional Currency Strategies by Context-Aware Learning to Rank with Self-Attention
University of Oxford（牛津大学）；Oxford-Man Institute of Quantitative Finance（牛津-曼氏量化金融研究所）
跨部门货币策略的表现关键取决于在投资组合构建之前对工具进行准确排名。虽然这个排名步骤传统上是使用分类法，或通过排序逐点回归或分类技术产生的输出来执行的，但使用学习排名算法的策略最近已经成为具有竞争力和可行的替代方案。虽然这些策略的核心排名是在全球范围内学习的，并且平均提高了排名的准确性，但它们忽略了投资组合重新平衡时资产特征分布之间的差异。这一缺陷使得它们容易产生次优排名，可能在最需要准确性的重要时期。例如，这可能发生在关键的风险规避时期，从而使投资组合面临大量不必要的提款。我们解决这个缺点与类似的想法从信息检索：查询的顶部检索到的文档或本地排名上下文提供有关查询的自身特征，然后可以用来完善初始排名列表的重要信息。在这项工作中，我们使用一个上下文感知的学习排名模型，该模型是基于Transformer架构的编码顶部/底部排名的资产，学习上下文，并利用这些信息来重新排名的初始结果。对31种货币进行回测，我们提出的方法将夏普比率提高了约30%，并显著增强了各种性能指标。此外，这种方法还提高了夏普比率时，分别在正常和风险小康市场状态的条件。
2022-01-27 cs.IR cs.LG q-fin.PM
