重排序是多阶段推荐系统(MRS)中最关键的步骤之一，它通过建模跨物品交互对输入排序列表进行重新排序。由于深度学习的显著进步，最近的重排序方法已经演变为深度神经体系结构。因此，神经网络重新排序已经成为一个趋势话题，许多改进的算法已经在工业应用中得到了应用，并获得了巨大的商业成功。本教程的目的是探索神经系统重新排序的一些近期工作，将它们整合到更广阔的图景中，为未来的研究提供更全面的解决方案铺平道路。特别地，我们根据目标和训练信号提供了当前方法的分类。我们对这些方法进行了定性和定量的检查和比较，并确定了一些开放的挑战和未来的前景。

引言 Introduction Recommender system basics Introduction to multi-stage recommender systems Neural re-ranking fundamentals: challenges, objectives, network structures, and evaluations * 单目标 Single objective: Accuracy-oriented re-ranking Learning by observed signals Learning by counterfactual signals Qualitative model comparison: network structure, optimization, personalization, and complexity Quantitative comparison: LibRerank re-ranking library 多目标再排序 Multi-objective re-ranking

Diversity-aware re-ranking Fairness-aware re-ranking 出现应用 Emerging applications Summary and future prospects

讲者：