기존의 pairwise LETOR 방법들은 쌍별 비교에만 초점을 맞춰 전역 순위 최적화에 한계를 보이고, listwise 방법들은 복잡한 튜닝과 미미한 성능 향상을 보인다. 본 논문에서는 pairwise와 listwise 방법을 결합한 TSPRank를 제안한다. TSPRank는 순위 문제를 TSP 문제로 재구성하여 pairwise 관계를 모델링하고, 조합 최적화를 통해 listwise 순위를 결정한다. 기존 백본 모델의 임베딩에 추가적으로 통합되어 성능을 향상시키며, 주식 순위, 정보 검색, 역사적 사건 순서 정렬 등 다양한 작업에서 기존 방법보다 우수한 성능을 보였다. TSPRank는 전역 정보 활용 능력이 뛰어나다는 것이 주요 장점이다.
