论文名：Learning a Deep Listwise Context Model for Ranking Refinement
背景
在搜索场景下，给定一个查询q，q和d特征的向量表示x(q,d)，rank阶段的loss可以表示为：
其中：Q是query的集合，D是doc集合，f是rank模型函数
可以看到，传统的rank模型是一种point-wise的建模方法，没有考虑不同doc之间互相的影响。因此这篇论文提出了考虑上下文影响的rerank模型DLCM，其loss可以表示为：
其中：Rq是rank模型 f 的排序结果，Xq = {x(q,d)|d ∈ Rq} ，I 表示local context model，建模上下文信息，φ是最终的打分函数
重点在于如何找到最优的 I 和 φ 来最小化loss
模型结构
DLCM模型主要包含3个步骤：
1. 用rank模型对doc排序，并用embedding层把（q，d）表示为特征向量x(q,d) (这个特征向量是从rank模型的计算结果，还是rerank阶段通过embedding层训练出来的？)
2. 按rank模型排序位置从低到高把特征向量x(q,di)输入GRU中，最终产生一个隐向量sn和n个隐层输出oi
和 n个隐层输出 oi ，i∈[1,n] ，这个局部模型被称为local context model - I(Rq,Xq) ，输出被称为local ranking context
标签：DLCM,loss,Rq,特征向量,模型,rank,重排 From： https://www.cnblogs.com/xumaomao/p/18213440