本研究探讨了神经检索模型如何编码与任务相关的属性，特别是词频。通过对西班牙语和中文数据集应用激活修补方法，确认了词频信息在不同语言中的普遍性，并强调了信息检索的可解释性和机器学习研究的可重复性。

本文介绍了多种新型神经检索模型及其在社交媒体和电子商务中的应用，如MP-HCNN、Deep Retrieval和Uni-Retriever。这些模型通过改进特征嵌入和检索策略，显著提升了推荐系统的性能和用户体验，尤其在处理稀疏特征和个性化搜索方面表现突出。

本文探讨了自动收集弱标签数据集的方法及其对神经检索模型性能的影响，发布了包含400,000个波兰语问题的MAUPQA数据集。研究提出了Interactive-KBQA框架，增强了多语种知识图谱问答系统的能力，并在多个数据集上取得了良好结果。此外，基于ChatGPT的CQL生成框架在CCKS 2023竞赛中获得第二名。

本文介绍了一种多任务学习的神经检索模型M3-Embedding，支持100多种语言，能够有效处理多种检索任务。该模型在多个基准测试中表现优异，采用自知识蒸馏方法提升训练质量，并提出的多跳密集检索方法在开放域问题上取得了先进性能，展示了强大的跨语言转移能力。