FIRST: Faster Improved Listwise Reranking with Single Token Decoding
针对传统列表式大语言模型重排序效率低、对高相关段落排序误差重视不足的问题，提出FIRST方法，通过单token解码直接获取排序结果并引入排序学习损失，推理提速50%且性能提升，还验证了其用于检索器相关性反馈的显著效果。
2024-06-21 cs.IR
ListT5: Listwise Reranking with Fusion-in-Decoder Improves Zero-shot Retrieval
本文提出ListT5，一种基于Fusion-in-Decoder的列表式重排序方法，通过m元锦标赛排序和输出缓存实现高效推理，在BEIR零样本检索上以+1.3 NDCG@10超越RankT5，并解决中间丢失问题。
2024-06-06 cs.IR
SQL-Rank: A Listwise Approach to Collaborative Ranking
University of California, Davis（加利福尼亚大学戴维斯分校）；Department of Computer Science, University of California, Davis（加利福尼亚大学戴维斯分校计算机科学系）；Department of Statistics, University of California, Davis（加利福尼亚大学戴维斯分校统计系）
在本文中，我们提出了一个列表式的方法来构建用户特定的排名在推荐系统中的合作方式。我们将列表方法与以前的逐点和成对方法进行对比，这些方法分别基于将每个评级或每个成对比较作为一个独立的实例。通过扩展（Cao et al. 2007）的工作，我们将列表式协作排名转换为置换模型下的极大似然，该模型基于低秩潜在得分矩阵将概率质量应用于置换。我们提出了一种新的算法称为SQL-Rank，它可以容纳领带和缺失数据，并可以运行在线性时间。我们开发了一个理论框架，用于分析基于置换模型的新表示理论的列表排序方法。应用这个框架的协作排名，我们得出渐近统计率的用户和项目的数量一起增长。我们的结论表明，我们的SQL-Rank方法往往优于目前最先进的算法，如加权MF和BPR的隐式反馈，并取得了良好的效果相比，显式反馈算法，如矩阵分解和协作排名。
2019-02-06 cs.IR cs.LG stat.ML
Position Bias Undermines Preference Consistency in Listwise LLM-Based Reranking
RMIT University（皇家墨尔本理工大学）
本研究揭示基于LLM的列表式重排序存在位置偏差，引入多维度评估框架验证其会破坏偏好一致性，且均衡位置曝光无法修复该问题。
2026-08-05 cs.IR
Regression Compatible Listwise Objectives for Calibrated Ranking with Binary Relevance
针对排序学习方法输出分数缺乏尺度校准的问题，提出回归兼容排序方法，在二元标签场景下实现排序与回归目标的对齐，在公开基准和YouTube搜索中均取得更优效果并已上线部署。
2023-08-21 cs.IR
RIA: A Ranking-Infused Approach for Optimized listwise CTR Prediction
Beijing University of Posts and Telecommunications（北京邮电大学）
RIA提出一种融合排名的端到端框架，通过整合点评和列表级评估，提升CTR预测性能并优化效率。
2025-11-26 cs.AI cs.IR
Contextual Dual Learning Algorithm with Listwise Distillation for Unbiased Learning to Rank
ICT, CAS（中国科学院信息技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
针对现有无偏排序学习方法在真实点击数据上性能不明的问题，提出带列表式蒸馏的上下文对偶学习算法CDLA-LD，同时解决位置与上下文偏置，在百度搜索日志子集数据集上验证了有效性。
2024-08-19 cs.AI cs.IR
SumRank: Aligning Summarization Models for Long-Document Listwise Reranking
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）
本文提出SumRank模型，通过压缩长文档为简洁的排序对齐摘要，提升列表级重排序的效率与效果，实验显示其在多个基准数据集上达到最优性能。
2026-09-11 cs.IR
TSPRank: Bridging Pairwise and Listwise Methods with a Bilinear Travelling Salesman Model
University of Edinburgh（爱丁堡大学）；Nvidia Research（英伟达研究院）
针对传统成对排序全局效果差、列表式排序调参复杂提升有限的问题，提出将排序重构为旅行商问题的TSPRank混合方法，可集成到现有骨干模型嵌入中，在多任务多模型上显著优于纯成对和列表式方法。
2025-03-23 cs.AI cs.IR
ListBERT: Learning to Rank E-commerce products with Listwise BERT
对于拥有无数产品的电子商业平台来说，高效搜索是一个关键组成部分。每天都有数以百万计的用户在搜索符合他们需求的产品。因此，在顶部显示相关产品将增强用户体验。在这项工作中，我们提出了一种新的方法，融合了变压器为基础的模型与各种列表损失函数的排名电子商业产品，用户查询。我们在时尚电子商业语料库上预训练了一个RoberTa模型，并使用不同的列表损失函数对其进行了微调。我们的实验表明，与其他流行的列表损失函数，如ListNET和ListMLE相比，与基于NDCG的代理损失函数（approxNDCG）微调的RoBERTa模型实现了13.9%的NDCG改进。与基于成对RankNet的RoBERTa模型相比，基于近似NDCG的RoBERTa模型也实现了20.6%的NDCG改进。我们称我们的方法直接优化的RoBERTa模型在一个端到端的方式与列表代理损失函数作为ListBERT。由于在实时搜索设置中有低延迟的要求，我们展示了如何通过使用知识蒸馏技术来轻松采用这些模型来学习一个以代表为中心的学生模型，该模型可以轻松部署，并导致排名延迟降低约10倍。
2022-06-30 cs.IR
LLM-based Listwise Reranking under the Effect of Positional Bias
University of Amsterdam（阿姆斯特丹大学）；University of Cambridge（剑桥大学）；Baidu Inc.（百度公司）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出DebiasFirst方法，通过位置校准和位置感知的数据增强缓解大语言模型在列表级重排序中的位置偏见问题，提升排序效果和鲁棒性。
2026-04-04 cs.IR
CoRanking: Collaborative Ranking with Small and Large Ranking Agents
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院）；Baidu Inc.（百度公司）
针对大语言模型列表式排序效率低的问题，提出结合小型预排序与LLM重排的CoRanking框架，辅以强化学习训练的顺序调整器缓解位置偏差，在降70%延迟的同时效果更优。
2025-08-30 cs.CL cs.IR
Stop Overthinking: Unlocking Efficient Listwise Reranking with Minimal Reasoning
Beijing Institute of Technology（北京理工大学）
本文提出Length-Regularized Self-Distillation框架，通过合成高效推理数据集，减少推理成本，提升列表级重排序效果。
2026-05-14 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
Calibration-compatible Listwise Distillation of Privileged Features for CTR Prediction
针对CTR预测中特权特征蒸馏的逐点损失排序能力不足、常用列表损失损害校准能力的问题，提出校准兼容列表式蒸馏方法，兼顾排序与校准效果，经理论证明与多数据集实验验证有效。
2023-12-14 cs.IR
A Domain Generalization Perspective on Listwise Context Modeling
Ctrip Travel Network Technology Co., Limited（携程旅行网络科技有限公司）
作为信息检索中解决排序问题的最流行的技术之一，LETOR（Learning-to-rank）由于其在各种数据采掘应用中的重要性而受到学术界和工业界的广泛关注。然而，大多数现有的LETOR方法选择学习一个单一的全局排名函数来处理所有查询，而忽略了查询之间存在的实质性差异。在本文中，我们提出了一个领域泛化策略来解决这个问题。我们提出了查询不变的列表上下文建模（QILCM），一种新的神经架构，通过学习\textit{query-invariant}潜在表示消除查询间变异的不利影响，使排名系统可以更好地推广到看不见的查询。我们在基准数据集上评估了我们的技术，证明QILCM的性能大大优于以前的最先进的方法。
2019-02-12 cs.IR cs.LG
One Pass, Any Order: Position-Invariant Listwise Reranking for LLM-Based Recommendation
RMIT University（皇家墨尔本理工大学）
本文提出InvariRank框架，通过结构化注意力掩码和RoPE共享位置框架，实现位置不变的列表重排序，提升推荐系统稳定性与效率。
2026-04-30 cs.IR cs.LG
E2Rank: Unifying Text Embedding and Listwise Reranking for Effective and Efficient Search
Renmin University of China（中国人民大学）；Alibaba Group（阿里巴巴集团）
E2Rank是统一文本嵌入与列表式重排序的框架，通过将列表式提示视为伪相关反馈查询，在单一模型内实现高效检索与重排序，在BEIR等基准上性能优异且延迟更低。
2026-08-27 cs.AI cs.CL cs.IR
Listwise Learning to Rank with Deep Q-Networks
University of California, Berkeley（加州大学伯克利分校）
学习排序是根据文档与给定查询的相关性对文档序列进行排序的问题。深度Q学习已被证明是训练智能体进行顺序决策的有用方法。在本文中，我们展示了DeepQRank，我们的深度q-学习排序代理，展示了可以被认为是最先进的性能。虽然计算效率低于线性回归等监督学习方法，但我们的代理在用于训练和评估的数据格式方面的限制较少。我们对微软的LETOR列表数据集运行我们的算法，并实现了NDCG@1（范围[0，1]内的排名精度）为0.5075，勉强击败了领先的监督学习模型SVMRank（0.4958）。
2020-02-13 cs.IR cs.LG
Building Better Encoder-only Cross-Encoders: A Controlled Study of Training Strategies for Neural Re-ranking
Sorbonne Université, CNRS, ISIR（索邦大学）；Sinequa by ChapsVision（ChapsVision旗下Sinequa）；Université de Toulouse, CNRS, IRIT, CLLE（图卢兹大学）
本文复现并比较了不同蒸馏技术在跨编码器上的效果，发现强调相对比较的目标在性能上优于传统方法。
2026-09-01 cs.IR
Rethinking the Necessity of Adaptive Retrieval-Augmented Generation through the Lens of Adaptive Listwise Ranking
Hefei University of Technology（合肥工业大学）；University of Science and Technology of China（中国科学技术大学）
本文通过适应性列表排序视角重新审视适应性检索增强生成的必要性，提出AdaRankLLM框架，通过零样本提示和段落dropout机制验证适应性排序的必要性，并通过两阶段渐进蒸馏提升小模型的精确排序与适应过滤能力。
2026-04-17 cs.AI cs.CL cs.IR
Zero-Shot Listwise Document Reranking with a Large Language Model
University of Waterloo（滑铁卢大学）
针对监督排序方法依赖大量标注数据的问题，提出无需任务特定训练的大语言模型列表式重排序器LRL，在多数据集上表现优于零样本逐点方法，且具备跨语言泛化潜力。
2023-05-03 cs.CL cs.IR
Likert or Not: LLM Absolute Relevance Judgments on Fine-Grained Ordinal Scales
本研究挑战“列表式排序优于点式评分”的共识，发现采用足够大的有序标签空间时，点式评分与列表式排序的差距缩小至统计不显著，涵盖四个 LLM 和多个基准数据集。
2025-05-25 cs.IR cs.LG
Improving Neural Ranking via Lossless Knowledge Distillation
我们探索了一种新的视角知识蒸馏（KD）的学习排序（LTR），并介绍了自蒸馏神经排名（SDR），其中学生排名相同的参数，他们的老师。与现有的排名蒸馏工作，追求良好的性能和效率之间的权衡，SDR是能够显着提高排名性能的学生在教师排名，而不增加模型容量。SDR的关键成功因素，它不同于普通的蒸馏技术分类是：（1）一个合适的教师分数转换函数，（2）一个新的列表蒸馏框架。这两种技术都是专门为排名问题而设计的，在现有的知识蒸馏文献中很少研究。SDR基于最先进的神经排名结构，能够将神经排名性能的极限推到最近严格的基准研究之上，并在9个关键指标中的7个指标上显著优于传统的强梯度提升决策树模型，这在文献中尚属首次。除了强有力的实证结果外，我们还从理论上解释了为什么列表蒸馏对神经排名器有效，并提供消融研究来验证SDR框架中关键因素的必要性。
2022-04-06 cs.IR
Rank-without-GPT: Building GPT-Independent Listwise Rerankers on Open-Source Large Language Models
University of Waterloo（滑铁卢大学）；Cohere（Cohere公司）；Comcast Applied AI（康卡斯特应用人工智能部门）
本文首次基于开源 LLM 构建不依赖 GPT 的列表式重排序器，性能超越 GPT-3.5 并接近 GPT-4，同时证明高质量列表式标注数据至关重要。
2023-12-05 cs.CL cs.IR
Rethinking Reasoning in Document Ranking: Why Chain-of-Thought Falls Short
本研究系统比较了有无思维链的重排序器，发现推理增强虽成本高但性能更差，直接微调更稳定有效，并指出了校准感知评分与简洁推理策略等改进方向。
2025-10-10 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
ResRank: Unifying Retrieval and Listwise Reranking via End-to-End Joint Training with Residual Passage Compression
Qwen Applications Business Group of Alibaba（阿里巴巴Qwen应用业务组）
ResRank通过端到端联合训练与残差段落压缩技术，解决传统重排序方法中输入长度增加导致的排名质量下降和推理延迟问题，实现高效且有效的检索与重排序统一。
2026-04-24 cs.AI cs.IR
ReasonRank: Empowering Passage Ranking with Strong Reasoning Ability
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院 Gallagher 分校）；Baidu Inc., Beijing, China（百度公司，北京，中国）；Carnegie Mellon University（卡内基梅隆大学）
本文提出ReasonRank，通过自动化生成推理密集型训练数据和两阶段训练方法，提升文档排序性能，实验表明其优于现有基线并具有更低延迟。
2026-04-22 cs.AI cs.CL cs.IR
SmoothI: Smooth Rank Indicators for Differentiable IR Metrics
信息检索（IR）系统传统上旨在最大限度地提高基于排名的指标，例如精度或NDCG。然而，排名操作的不可微性阻止了在最先进的神经IR模型中直接优化这些度量，这些模型完全依赖于计算有意义的梯度的能力。为了解决这个缺点，我们提出了SmoothI，一个平滑的近似排名指标，作为一个基本的积木设计可微近似IR指标。我们进一步提供了SmoothI和衍生近似的理论保证，特别是近似误差随逆温度超参数呈指数下降，控制近似的质量。在四个标准的学习排名数据集上进行的广泛实验验证了基于SmoothI的列表损失的有效性，与以前提出的相比。在基于文本的IR任务上使用香草BERT排名模型的其他实验也证实了我们的列表方法的好处。
2021-05-03 cs.IR
Guiding Retrieval using LLM-based Listwise Rankers
L3S Research Center（L3S研究中心）；University of Glasgow（格拉斯哥大学）；Delft University of Technology（代尔夫特理工大学）
针对级联式检索-重排序的有界召回问题，提出适配列表式LLM重排序器的自适应检索方法，通过合并初始排序与反馈文档结果，在推理次数不变的情况下显著提升检索效果。
2025-01-15 cs.AI cs.IR
Layer-wise Token Compression for Efficient Document Reranking
Amazon AGI（亚马逊人工智能）；Amazon AWS（亚马逊云科技）
本文提出逐层令牌压缩（LTC）方法，通过在中间Transformer层应用自适应令牌池化，提升文档重排序的效率，实验表明在中间层压缩能保持排序质量并显著提高推理吞吐量。
2026-05-21 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
Ranked by Position: Order Sensitivity as an Exploitable Attack Surface in LLM Listwise Recommenders
Stanford University（斯坦福大学）
研究大语言模型列表式推荐器中因位置偏差产生的顺序敏感性攻击面，引入“promo@k”量化漏洞，通过实验得出不同方法对其的影响，证明输入候选顺序是安全相关攻击向量。
2026-07-29 cs.CL cs.IR cs.LG
JointRank: Rank Large Set with Single Pass
提出与模型无关的JointRank方法，通过将候选集划分为重叠块并行排序并聚合局部比较构建全局排序，有效解决大规模集合重排序的输入限制与质量问题，显著提升了排序质量并降低了延迟。
2025-06-27 cs.IR
AcuRank: Uncertainty-Aware Adaptive Computation for Listwise Reranking
Seoul National University（首尔大学）；University of California, Santa Barbara（加利福尼亚大学圣塔芭芭拉分校）
AcuRank提出基于不确定性估计的自适应重排序框架，动态调整计算量，在TREC-DL和BEIR上实现更优的准确率-效率权衡。
2025-10-24 cs.AI cs.CL cs.IR
An Alternative Cross Entropy Loss for Learning-to-Rank
Google Research（谷歌研究院）；National Institutes of Health（美国国立卫生研究院）
列表式学习排序方法形成了在诸如信息检索之类的应用中广泛采用的一类强大的排序算法。这些算法通过优化作为整个集合的函数的损失来学习对一组项目进行排名-作为典型的不可微排名度量的替代。尽管他们的经验的成功，现有的列表方法是基于统计学和理论上仍然难以理解。特别地，没有一个经验上成功的损失函数与排名度量相关。在这项工作中，我们提出了一个交叉熵为基础的学习排序损失函数，理论上是合理的，是一个凸边界NDCG -一个流行的排名指标-是一致的NDCG下常见的信息检索的学习场景。此外，在基准学习排序数据集上使用梯度提升机实现所提出的方法的经验评估表明，我们提出的公式在质量和鲁棒性方面优于现有算法。
2021-02-04 cs.IR cs.LG stat.ML
Theoretical Guarantees for LT-TTD: A Unified Transformer-based Architecture for Two-Level Ranking Systems
本文提出统一两级排序的 LT-TTD 架构，结合双塔模型与 Transformer，并给出误差传播、排序质量和收敛性的理论保证，同时引入 UPQE 评估指标。
2025-05-07 cs.IR stat.ML
Chain-of-Thought Re-ranking for Image Retrieval Tasks
本文提出思维链重排序方法CoTRR，通过列表式排序提示和查询解构提示让多模态大语言模型直接参与候选图像重排序，在TIR、CIR和Chat-IR三个图像检索任务上取得最先进性能。
2025-09-18 cs.CV cs.IR
Holistic Utility Preference Learning for Listwise Alignment
School of Computer Science and Technology, Hangzhou Dianzi University（计算机科学与技术学院，杭州电子科技大学）；Harbin Institute of Technology（哈尔滨工业大学）
DRPO通过整体效用学习提升列表对齐效果，优化响应排名质量
2025-12-16 cs.AI cs.CL cs.IR
SalesLoop: Reinforcement Learning from Performance Feedback for Sales Lead Ranking
Li Auto Inc.（理想汽车公司）
研究针对CRM系统中线索排名模型离线精度高但生产中表现不佳的问题，提出SalesLoop强化学习框架，通过引入性能感知奖励和判别式GRPO，有效提升了排名指标，经生产测试验证有显著效果。
2026-07-24 cs.AI cs.IR cs.LG
Self-Calibrated Listwise Reranking with Large Language Models
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；School of Information, Renmin University of China（中国人民大学信息学院）；NExT++ Research Centre, National University of Singapore（新加坡国立大学NExT++研究中心）；Baidu Inc.（百度公司）
针对LLM列表式重排序中上下文窗口限制和计算成本高的问题，提出自校准列表式重排序方法，通过相关性感知框架和自校准训练生成全局相关性分数，在BEIR和TREC基准上验证了有效性和效率。
2024-11-07 cs.CL cs.IR
Precision Anti-Cancer Drug Selection via Neural Ranking
The Ohio State University（俄亥俄州立大学）
针对抗癌药物选择问题，提出将药物优先排序表述为列表排序问题，开发了 List-One 和 List-All 两种神经列表排序方法，其中 List-All 在 50% 测试细胞系中 hit@20 提升达 8.6%。
2023-06-30 cs.IR cs.LG q-bio.QM
Very Efficient Listwise Multimodal Reranking for Long Documents
Magellan Technology Research Institute (MTRI)（马杰拉技术研究院（MTRI））
本文提出ZipRerank，通过轻量级查询-图像早期交互机制和单次前向传递消除自回归解码，实现高效多模态重排序，实验表明其在MMDocIR基准上性能优异且显著降低LLM推理延迟。
2026-05-12 cs.AI cs.CV cs.IR
Listwise Generative Retrieval Models via a Sequential Learning Process
本文提出一种列表式生成检索方法，通过序列学习过程优化docid列表生成，并引入相关性校准，在二元和多级相关性数据集上超越现有GR基线。
2024-03-19 cs.IR
Agentic AI for Human Resources: LLM-Driven Candidate Assessment
aiXplain, Inc.（aiXplain公司）
本文提出一个模块化且可解释的框架，利用大语言模型自动化招聘中的候选人评估。系统整合多种来源生成结构化评估报告，采用LLM生成的评分标准和多代理架构进行细粒度评估，输出透明、可审计的评估报告和推荐。
2026-03-17 cs.AI cs.CL cs.IR
Learning to Rank For Push Notifications Using Pairwise Expected Regret
Twitter（推特）
列表排序损失在推荐系统中得到了广泛的研究。然而，新的内容消费模式对排名方法提出了新的挑战。在这项工作中，我们有助于分析学习排序个性化的移动推送通知，并讨论了独特的挑战，这提出了传统的排名问题相比。为了解决这些挑战，我们引入了一种新的排名损失的基础上加权候选人之间的成对损失的预期遗憾误排序对。我们证明了所提出的方法可以优于以前的方法，无论是在模拟环境中，并在一个主要的社会网络的生产实验。
2022-01-19 cs.IR cs.LG
Attention-based neural re-ranking approach for next city in trip recommendations
Edinburgh（爱丁堡）；Saint-Petersburg（圣彼得堡）
本文描述了一种解决旅游预订系统下一个目的地城市推荐问题的方法。我们提出了一个两阶段的方法：一个启发式的候选人选择方法和一个注意力神经网络模型的候选人重新排名。我们的方法的灵感来自列表学习排名方法和自然语言处理的最新发展，特别是Transformer架构。我们使用这种方法来解决Booking.com推荐挑战我们的团队使用这种方法在挑战中获得了第5名，在数据集的封闭部分上获得了0.555的准确度@4值。
2021-03-23 cs.IR cs.LG
More Efficient LLM Reranking with Whole-Pool, Setwise, Long-Context Language Models
The University of Queensland（昆士兰大学）
提出整池集合重排序方法，利用长上下文语言模型一次性处理所有候选段落，并通过DualEnd方法从两端同时排序，减少模型调用次数，提升效率。
2026-10-07 cs.IR
LIGE-GR: A Smooth Leap from Ranking to Generative Recommendation in the LLM Era
Meta Platforms, Inc.（Meta平台公司）
针对LLM时代推荐系统升级难题，提出LIGE-GR框架，将逐点排序系统泛化为列表式生成，在保持兼容性的同时提升短视频推荐时长，验证于Instagram Reels和Facebook Video。
2026-09-22 cs.IR cs.LG
Listwise Learning to Rank by Exploring Unique Ratings
Northwestern University（西北大学）
在本文中，我们提出了新的列表式学习排名模型，减轻现有的缺点。现有的列表式学习排名模型通常来自经典的Plackett-Luce模型，它有三个主要的局限性。(1)它的排列概率忽略了关系，即，对于一个查询，多个文档具有相同的评级的情况。这可能会导致不精确的排列概率和低效的训练，因为逐个选择文档。(2)它不支持具有高度相关性的文件。(3)它有一个松散的假设，即在不同步骤对文档进行采样是独立的。为了克服前两个限制，我们的模型排名从一个候选人集的基础上，以降序排列的独特的评级水平选择文件。训练中的步骤数由唯一评级级别数决定。我们提出了一个新的损失函数和相关的四个模型的加权分类任务的整个序列，通过分配高权重的高评级的优化归一化贴现累积增益（NDCG）的选定的文件。为了克服最后的限制，我们进一步提出了一种新颖有效的方法，通过将自适应的Vanilla递归神经网络（RNN）模型与先前步骤中给定的选定文档相结合来改进预测得分。我们对RNN模型已经选择的所有文档进行编码。在单步的中，我们使用RNN的最后一个单元多次对具有相同评级的所有文档进行排名。我们已经使用三种设置实现了我们的模型：神经网络、具有梯度提升的神经网络和具有梯度提升的回归树。我们在四个公共数据集上进行了实验。实验表明，该模型明显优于最先进的学习排名模型。
2020-01-23 cs.IR cs.LG stat.ML
RankSteer: Can Pointwise LLM Rankers Be Calibrated at the Representation Level?
Leiden University（莱顿大学）；Brown University（布朗大学）
RankSteer 通过激活引导框架提升零样本点wise LLM 排序性能，利用三个解耦方向校准排序行为，无需修改模型权重。
2026-09-21 cs.IR
SWIM: Step-Wise Integrated Measure for Session-supervised List Evaluation in Generative Re-ranking
University of Science and Technology of China（中国科学技术大学）；Kuaishou Technology（快手科技）
针对工业推荐系统生成式重排序的会话级动态捕捉不足问题，提出SWIM列表级评估器，结合因果掩码Transformer实现高效评估，在重排序任务中显著提升推荐参与度。
2026-08-27 cs.IR
Reproducing NevIR: Negation in Neural Information Retrieval
本研究复现并扩展了NevIR基准，评估最先进IR模型对否定的处理能力，发现列表式LLM重排序器表现最佳但仍不及人类，且微调难以跨数据集泛化，仅交叉编码器和列表式重排序器在两项否定任务中表现合理。
2025-05-04 cs.IR
