Buchumschlag

R1-Ranker: Teaching LLM Rankers to Reason

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Feng, Tao, Hua, Zhigang, Lei, Zijie, Xie, Yan, Yang, Shuang, Long, Bo, You, Jiaxuan
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Information Retrieval Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

LRanker: LLM Ranker for Massive Candidates
von: Feng, Tao, et al.
Veröffentlicht: (2026)

Guiding Retrieval using LLM-based Listwise Rankers
von: Rathee, Mandeep, et al.
Veröffentlicht: (2025)

MCRanker: Generating Diverse Criteria On-the-Fly to Improve Point-wise LLM Rankers
von: Guo, Fang, et al.
Veröffentlicht: (2024)

The Surprising Effectiveness of Rankers Trained on Expanded Queries
von: Anand, Abhijit, et al.
Veröffentlicht: (2024)

Re-Rankers as Relevance Judges
von: Meng, Chuan, et al.
Veröffentlicht: (2026)

HF-RAG: Hierarchical Fusion-based RAG with Multiple Sources and Rankers
von: Santra, Payel, et al.
Veröffentlicht: (2025)

Can Query Expansion Improve Generalization of Strong Cross-Encoder Rankers?
von: Li, Minghan, et al.
Veröffentlicht: (2023)

UniRec: Unified Multimodal Encoding for LLM-Based Recommendations
von: Lei, Zijie, et al.
Veröffentlicht: (2026)

InPars-Light: Cost-Effective Unsupervised Training of Efficient Rankers
von: Boytsov, Leonid, et al.
Veröffentlicht: (2023)

MultiSlot ReRanker: A Generic Model-based Re-Ranking Framework in Recommendation Systems
von: Xiao, Qiang Charles, et al.
Veröffentlicht: (2024)

InRanker: Distilled Rankers for Zero-shot Information Retrieval
von: Laitz, Thiago, et al.
Veröffentlicht: (2024)

Are LLMs Reliable Rankers? Rank Manipulation via Two-Stage Token Optimization
von: Xing, Tiancheng, et al.
Veröffentlicht: (2025)

ExaRanker-Open: Synthetic Explanation for IR using Open-Source LLMs
von: Ferraretto, Fernando, et al.
Veröffentlicht: (2024)

Rankers, Judges, and Assistants: Towards Understanding the Interplay of LLMs in Information Retrieval Evaluation
von: Balog, Krisztian, et al.
Veröffentlicht: (2025)

TreeRanker: Fast and Model-agnostic Ranking System for Code Suggestions in IDEs
von: Cipollone, Daniele, et al.
Veröffentlicht: (2025)

LLM as Explainable Re-Ranker for Recommendation System
von: Wang, Yaqi, et al.
Veröffentlicht: (2025)

Unified Semantic and ID Representation Learning for Deep Recommenders
von: Lin, Guanyu, et al.
Veröffentlicht: (2025)

RecRanker: Instruction Tuning Large Language Model as Ranker for Top-k Recommendation
von: Luo, Sichun, et al.
Veröffentlicht: (2023)

Evaluating the Explainability of Neural Rankers
von: Pandian, Saran, et al.
Veröffentlicht: (2024)

An Extremely Data-efficient and Generative LLM-based Reinforcement Learning Agent for Recommenders
von: Feng, Shuang, et al.
Veröffentlicht: (2024)

Make Large Language Model a Better Ranker
von: Chao, Wen-Shuo, et al.
Veröffentlicht: (2024)

Large Language Models are Effective Text Rankers with Pairwise Ranking Prompting
von: Qin, Zhen, et al.
Veröffentlicht: (2023)

An Investigation of Prompt Variations for Zero-shot LLM-based Rankers
von: Sun, Shuoqi, et al.
Veröffentlicht: (2024)

CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation
von: Wei, Tianxin, et al.
Veröffentlicht: (2025)

ExpandR: Teaching Dense Retrievers Beyond Queries with LLM Guidance
von: Yao, Sijia, et al.
Veröffentlicht: (2025)

Linear-PAL: A Lightweight Ranker for Mitigating Shortcut Learning in Personalized, High-Bias Tabular Ranking
von: Pawar, Vipul Dinesh
Veröffentlicht: (2025)

Beyond Yes and No: Improving Zero-Shot LLM Rankers via Scoring Fine-Grained Relevance Labels
von: Zhuang, Honglei, et al.
Veröffentlicht: (2023)

Large Language Models are Zero-Shot Rankers for Recommender Systems
von: Hou, Yupeng, et al.
Veröffentlicht: (2023)

RecRankerEval: A Flexible and Extensible Framework for Top-k LLM-based Recommendation
von: Meng, Zeyuan, et al.
Veröffentlicht: (2025)

Preference Discerning with LLM-Enhanced Generative Retrieval
von: Paischer, Fabian, et al.
Veröffentlicht: (2024)

Reproducing and Extending Causal Insights Into Term Frequency Computation in Neural Rankers
von: van Marken, Cile, et al.
Veröffentlicht: (2025)

When More Reformulations Hurt: Avoiding Drift using Ranker Feedback
von: Venktesh, V, et al.
Veröffentlicht: (2026)

Orbit: A Framework for Designing and Evaluating Multi-objective Rankers
von: Yang, Chenyang, et al.
Veröffentlicht: (2024)

OneRanker: Unified Generation and Ranking with One Model in Industrial Advertising Recommendation
von: Sun, Dekai, et al.
Veröffentlicht: (2026)

RLRF: Competitive Search Agent Design via Reinforcement Learning from Ranker Feedback
von: Mordo, Tommy, et al.
Veröffentlicht: (2025)

Beyond Self-Consistency: Loss-Balanced Perturbation-Based Regularization Improves Industrial-Scale Ads Ranking
von: Ramazanli, Ilqar, et al.
Veröffentlicht: (2025)

Do Large Language Models Rank Fairly? An Empirical Study on the Fairness of LLMs as Rankers
von: Wang, Yuan, et al.
Veröffentlicht: (2024)

Leveraging LLM Reasoning Enhances Personalized Recommender Systems
von: Tsai, Alicia Y., et al.
Veröffentlicht: (2024)

LLM-assisted Vector Similarity Search
von: Riyadh, Md, et al.
Veröffentlicht: (2024)

CuriousLLM: Elevating Multi-Document Question Answering with LLM-Enhanced Knowledge Graph Reasoning
von: Yang, Zukang, et al.
Veröffentlicht: (2024)