본 논문은 텍스트 임베딩 모델을 활용하여 효율적인 검색 및 재순위 정렬을 수행하는 $\text{E}^2\text{Rank}$ 프레임워크를 제안합니다. 이 프레임워크는 단일 텍스트 임베딩 모델을 listwise ranking objective 하에서 지속적인 훈련을 통해 고품질 검색과 listwise 재순위 정렬을 모두 수행할 수 있도록 확장합니다. $\text{E}^2\text{Rank}$는 코사인 유사도를 사용하여 쿼리와 문서 임베딩 간의 통합 랭킹 함수를 적용하며, 상위 K개의 문서에서 신호를 얻어 향상된 쿼리로 listwise ranking prompt를 구성합니다. 이는 계산 효율성을 유지하면서 재순위 정렬 성능을 향상시킵니다. 실험 결과, $\text{E}^2\text{Rank}$는 BEIR 재순위 정렬 벤치마크에서 SOTA를 달성했으며, BRIGHT 벤치마크에서도 경쟁력 있는 성능을 보였습니다. 또한, 랭킹 훈련 과정이 MTEB 벤치마크에서 임베딩 성능을 향상시키는 것을 확인했습니다.
