本研究提出了一种新型双塔预排序模型InteractRank，旨在解决现有搜索系统在预排序阶段捕捉查询-项目交互特征的不足。该模型结合历史用户参与数据，提升了Pinterest的在线参与度指标6.5%。

该研究提出了一种个性化方法，利用双塔模型和对比学习显著提升大语言模型的响应质量，具有重要应用潜力。

本研究探讨了双塔模型在无偏学习排序任务中的日志策略混淆问题，并在真实数据集上进行了应用。研究发现，混淆问题对双塔模型的影响不显著，同时指出专家注释与用户点击行为之间存在不匹配，填补了理论与实践之间的空白。

本文介绍了基于ERNIE-Gram模型训练的排序模型和基于RocketQA的CrossEncoder训练的单塔模型。排序模型使用双塔模型和margin_ranking_loss进行训练，评估指标为AUC。训练环境依赖于Python和PaddlePaddle等库。代码结构包括部署、环境依赖、代码结构、数据介绍等部分。基于RocketQA的CrossEncoder训练的单塔模型用于搜索的排序阶段，对召回的结果进行重新排序。CrossEncoder模型与Pairwise模型的区别在于输入方式、训练方式、处理效率和应用场景等。