京东零售技术团队在2024年发表多篇AI论文，涉及目标检测和排序模型等，提出新框架和方法以提升电商搜索和推荐系统性能，解决长尾商品和用户偏好问题，推动技术进步。

本文介绍了一种结合传统特征与深度卷积神经网络的多模式学习排序模型，旨在提升电子商务搜索结果的排名质量。研究表明，该模型在多个数据集上表现优越，并成功应用于美团外卖等平台，显著改善了用户搜索体验及产品排序的准确性与多样性。

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。