利用机器学习技术来对搜索结果进行排序,这是近几年非常热门的研究领域。信息检索和推荐领域一般的做法是:通过一个打分函数将搜索词和文档的关联关系转化为相关度预估,然后根据预估值对文档序列进行排序后的结果返回给用户。但随着影响相关度的因素变多以及候选文档的增多,排序难度也越来越高。在搜索引擎中,对于一个拥有大量候选文档的关键词,关心的往往只有排在前面的相关度较高的部分文档,即topN文档。因此,可以先通过一个简单的初次排序后,再对topN文档进行重排,这样既降低了算法复杂度又改善了用户体验。然而目前已有的学习排序（Learning to Rank,LTR）算法存在着大量的弊端,一方面它们往往没有考虑文档之间的相对关系导致了大量的信息损失,例如Ranking SVM;另一方面在计算效率和交互信息的提取能力上依然存在不足,例如DLCM（Deep Listwise Context Model）。为了解决上述问题,提出了基于多注意力的融合上下文重排序模型MA-LCM（Multi Attention Listwise Context Model）。首先,使用Ranking SVM对所有的文档集进行初排;然后,截断topN的文档,将其映射为更强的表征向量送入由多个编码单元组成的编码器,这些编码单元是基于多头注意力机制和前馈神经网络设计的;最后,通过多个解码单元组成的解码器将编码向量映射为分数序列,排序后得到文档的最终排序结果。另外,还使用了一种注意力前移的Listwise损失策略,使得模型的学习目标更加贴近评估标准。MA-LCM中的多重解码框架（Multi Decoder Framework）可以适应不同解码策略的组合形式。由于并行编码的使用,MA-LCM在序列长度的变化上表现的非常稳定。最后,实验表明MA-LCM比现有优化算法有着更优秀的排序能力。