RSRank: Learning Relevance from Representational Shifts
RSRank：从表示偏移中学习相关性用于重排序
🧭 重排序 · 表示偏移 · 零阈值过滤
Adobe Research
利用查询在文档条件下的表示偏移作为相关性信号，零阈值过滤，克服启发式阈值依赖
📌 工作参考价值（4 点）
- 将 RS 信号用于电商搜索重排序：在精排阶段，用用户查询在商品描述条件下的 hidden state 变化量作为特征，代替传统 logit 或人工特征，可能捕捉更细腻的相关性，尤其适合语义模糊的长尾 query。
- 零阈值过滤简化工程阈值：RS 信号经投影后，不相关文档得分天然接近 0，可省去离线调阈值的麻烦，线上直接截断即可；在推荐系统召回后过滤粗糙结果时，能减少人工维护阈值的工作量。
- 轻量训练框架便于部署：只需在预训练 LLM 顶层加一个投影头，训练成本低，适合在已有 RAG 或搜索管道中快速实验；电商 Agent 生成推荐理由时，可用此方法对候选知识片段做即插即用的相关性过滤。
- 对齐 Oracle 文档集的思路可迁移：如果业务中存在高相关“理想文档”集合（如人工标注的金牌结果），可以计算候选文档与 Oracle 文档集产生的 RS 相似度作为弱监督信号，用于训练推荐排序模型。