DLCM中，通过建模精排生成的Top-N列表中物品间的互相影响，来优化搜索结果。
基于的motivation是：通过建模精排生成的Top-N列表中物品信息，可以补充query的信息。通过建模Top物品的局部信息，来改进排序结果。
具体地说，DLCM中，作者将精排生成的Top-N列表的逆序作为RNN模型的输入，生成Top-N列表中物品的新的分数。逆序的作用是，可以最大程度将精排分高的物品信息，保存到到RNN的隐藏向量中，来补充query的信息，这样其他和精排分高的物品相似的物品的得分也会比较高，从而改进了排序结果。
Motivation：
作者通过用户实际反馈数据，来学习模型参数，即希望该重排序模型将用户点击的物品排在前面【主要用于搜索检索】。
Point-wise模型只考虑单item的得分，而没有考虑最后TopN个item之间的相关性，所以需要一个Rerank的模型来解决这个问题；
Contribution：
本文作者提出使用排序后的TopN个item的信息（local ranking context），来对最终的排序结果进行调整。主要做法是通过使用GRU模型来学习TopN的item形成的local ranking context信息，然后用于rerank。
DLCM模型主要包括3步：
- ① 传统LTR模型，得到精排的TopN个item；
- ② 使用GRU从后到前的顺序学习TopN个item的关系；
- ③ 根据GRU输出进行rerank学习；
GRU使用常见的方式，注意的是这里Item的Position是从低分到高分输入到GRU中的，是因为这样的顺序可以使得高分的Item对最终Sn的影响大一些；
最后进行rerank学习的时候，使用类似于机器翻译中的attention函数。
Metric：①NDCG；②ERR（Expected Reciprocal Rank）；
Listwise Loss Function：①ListMLE，②SoftRank，③Attention Rank
