信息检索 (IR) 中的神经排序是指使用神经网络模型来确定文档或项目与用户查询的相关性。 与依赖于手工制作特征（例如关键字频率或链接分析）的传统排序方法不同，神经排序模型从数据中学习模式，以预测文档与查询的匹配程度。 这些模型处理查询和文档文本，通常将它们转换为数值表示（嵌入），并根据它们的交互计算相关性分数。 例如，神经排序器可能会分析诸如“最佳预算笔记本电脑”之类的搜索查询，并为讨论价格合理和技术规格的产品页面分配更高的分数，即使它们与关键字并不完全匹配。
神经排序模型通常分两个阶段工作。 首先，他们使用诸如 transformers、循环神经网络 (RNN) 或卷积神经网络 (CNN) 等架构将查询和文档编码为密集向量表示。 这些嵌入捕获语义关系，例如同义词或上下文含义。 其次，该模型计算查询和每个文档嵌入之间的相似度得分。 训练涉及将标记数据（例如，显示用户发现哪些文档相关的点击流数据）馈送到模型中以优化模型的参数。 一个常见的例子是 Bidirectional Encoder Representations from Transformers (BERT) 模型，该模型经过微调以用于排序任务（BERT-rankers），它处理查询-文档对并通过比较它们的上下文嵌入来预测相关性。 这种方法可以通过理解术语之间的细微联系来处理复杂的查询，例如“不由诺兰执导的具有情节曲折的电影”。
神经排序的优点包括提高捕获上下文和语义的准确性，特别是对于模棱两可或多重含义的术语。 例如，如果用户的搜索历史记录表明存在技术上下文，则对“Java”的查询可能会正确地优先考虑有关编程语言的文档，而不是有关岛屿的文档。 然而，挑战依然存在。 神经模型需要大量的标记数据集和大量的计算资源来进行训练和推理，这使得它们更难部署在诸如实时搜索引擎之类的低延迟系统中。 此外，与 TF-IDF 等更简单的方法相比，它们在可解释性方面可能会遇到困难。 尽管存在这些权衡，但神经排序已成为现代 IR 系统中的标准工具，通常与混合架构中的传统方法一起使用，以平衡准确性和效率。 开发人员可以使用 TensorFlow 或 PyTorch 等框架来实现它，并利用 Hugging Face 的 Transformers 等库中的预训练模型。