该研究提出上下文文档嵌入，通过双编码器架构捕捉文档的语义和上下文信息，提升文本分析效果。双编码器分别处理文档内容和上下文信息，利用对比损失函数优化，生成更准确的文档表示。实验显示，该方法在文本检索和分类任务中优于传统方法，但对显式上下文元数据的依赖可能限制应用，未来可探索隐式方法增强鲁棒性。

本研究提出了一种新的文档嵌入方法，结合文档及其邻近文档的上下文，通过对比学习和新架构提升检索效果。在多个场景中优于现有双编码器，尤其在领域外表现突出，并在MTEB基准测试中取得了领先结果。

研究介绍了STREAMINGIR基准，用于评估检索方法在动态语料库中的泛化能力。比较了双编码器和生成式检索的性能和效率。结果显示，生成式检索在不同监督下表现不同，但通过参数优化可提升性能，与双编码器竞争。

检测任务导向对话中的超范围用户话语很重要。我们提出了DETER框架，使用双编码器生成用户话语嵌入，并通过神经网络进行分类。DETER结合自我监督生成异常值和开放域数据集短语，确保全面训练。基于阈值的重新分类机制细化预测。在多个数据集上，DETER显著提高了已知和未知意图的F1分数。

该研究提出了UniDEC框架，通过多类损失统一训练双编码器和分类器，解决极端多标签分类问题。采用Pick-Some-Label方法，UniDEC在单GPU上实现了与多GPU方法相当的先进结果，并具备大规模数据集的可扩展性。

本研究提出了一种基于语言的搜索方法，通过双编码器和跨注意力的视觉文本变压器相结合，提高了图像和视频数据集的检索准确性和可扩展性。该方法在Flickr30K图像数据集和VATEX视频数据集上进行了验证。

该研究比较了双编码器与稀疏词袋模型和注意力神经网络的检索能力。研究发现双编码器在编码维数、金标和排名较低文件之间的边际以及文档长度方面存在限制。研究提出了一种结合了双编码器和注意力结构的简单神经模型，并探索了稀疏-密集混合模型以提高检索精度。这些模型在大规模检索中胜过替代方案。

本文比较了双编码器和交叉编码器的差异，双编码器适合搜索，速度快且可扩展性强，交叉编码器适合分类和高精度排名，更准确。双编码器独立编码每个句子，将输入文本编码为固定长度向量，而交叉编码器同时对两个句子进行编码，能捕获句子之间的关系。在实践中，可以先使用双编码器减少候选数量，再使用交叉编码器获取最终结果。交叉编码器可用于语义相似性任务。通过两阶段检索和重新排序系统，可以在实践中使用双编码器和交叉编码器。

本研究使用双编码器和跨注意力的视觉文本变压器方法进行基于语言的搜索，提高了检索准确性和可扩展性。在Flickr30K图像数据集和VATEX视频数据集上进行了验证。

该研究提出了一种新的方法，使用双编码器对比有序学习框架，将腹主动脉钙化量化为有序回归问题，并预测未来心血管事件的风险。在两个临床数据集上评估，具有高灵敏度和高准确性。

该文介绍了一种新的多语言实体链接公式，使用面向语言不可知的知识库解析语言特定的提及。作者训练了一个双编码器，以获得单个实体检索模型，覆盖了100多种语言和2000万个实体。该模型在跨语言链接任务中表现优异，但仍面临着罕见实体和低资源语言的挑战。作者提出了一个新的大型多语言数据集Mewsli-9，以帮助增强模型和训练。