同构搜索的特征排序

ISOM 中的搜索是一个排序问题，而非仅仅是关键词匹配问题

当研究搜索结果仅仅匹配了某个词语而未能判断其有用性时，这种搜索体验便会失败。用户访问 ISOM 是为了回答诸如“哪篇论文值得打开阅读”、“本季度的哪个会议更重要”或“哪种分析方法能最好地解释一个他们尚不了解的方法”等问题。这意味着排序不仅需要反映文本的重叠度，还需要体现编辑的信心、来源的质量、时效性以及研究人员的潜在意图。

相关性是基础，而非全部系统

第一层仍然是语义相关性。关于不确定性校准的查询应检索不确定性校准的论文，而非泛泛的机器学习帖子。但纯粹的相似性本身是不够的。在研究搜索中，许多论文共享相同的热门词汇，但在深度、清晰度和下游可用性方面却存在显著差异。ISOM 将词汇和语义匹配视为将文档纳入考虑范围的基础，而非其获得首要位置的最终原因。

编辑信心至关重要

ISOM 还需要一种方式来反映一个结果作为阅读目的地的完整性和可信度。一篇拥有强有力摘要、清晰元数据和已验证来源链接的英文已发表分析文章，其排名通常应高于一篇碰巧包含相同术语但质量较差的页面。这并非是为了隐藏相关材料，而是为了奖励那些更容易验证且使用更快捷的结果。

新鲜度应有助益，但不致混乱

新鲜度在研究中很有用，但不应导致排名不稳定。昨天发表的论文并不一定比上个月的深度分析更有价值。因此，ISOM 将新鲜度作为一种受控的提升因素，而非主导规则。当质量相当时，近期材料应更早出现；而高质量的旧资源如果能持续良好地回答查询，也应保持可发现性。

来源质量和结构也是信号

搜索排名也受益于读者点击后易于识别的信号。结果是否包含作者、会议信息和发表时间？它是否指向论文、DOI 或出版商页面？摘要是否解释了工作的重要性，而非重复一个模糊的短语？这些信号并不能取代相关性，但它们有助于区分一个浅显的结果和一个有用的结果。

我们为何避免不透明的权重叠加

损害搜索质量最简单的方法之一就是堆叠隐藏的权重，直到排名变得无法解释。如果一个结果排名靠前，团队应该能够说明它是因为更好地匹配了主题、更新的、具有更强的编辑信心，还是来自更好的来源记录。一个可解释的排名系统更容易调试和改进，因为每个信号都有明确的目的。

排名应尊重不同的结果类型

ISOM 搜索结合了论文分析、原创帖子和会议数据。这些类型不应被视为相同而相互竞争。一个会议截止日期可能是某个查询的最佳答案，而一篇深度论文分析可能是另一个查询的最佳答案。因此，排名层需要类型感知的判断，而不是假设每个匹配项都属于一个具有单一评分规则的扁平列表。

我们追求的标准

一个好的排名系统并非最大化最新页面点击量的系统。它是一个能帮助读者以最少的精力触及最有用的下一个文档的系统。对 ISOM 而言，这意味着将相关性、新鲜度、来源质量和编辑信心结合到一个对团队而言仍可理解、对读者而言仍有用的排名模型中。