Zespół badaczy opracował metodę Multi-Item Scoring (MIS), która znacznie przyspieszył proces rankingowania elementów na całej stronie internetowej, jednocześnie zachowując wysoką jakość wyników. Tradycyjne podejścia albo były szybkie ale nie uwzględniały powiązań między wybranymi elementami, albo były dokładne ale wymagały wielokrotnego przetwarzania modelu dla każdego kandidata, co zajmowało dużo czasu.
MIS rozwiązuje ten dylemat, przetwarzając model zaledwie raz na żądanie i wykonując lekkie obliczenia do oceny wielu elementów jednocześnie. Metoda ta bierze pod uwagę globalnych interakcji między kandydatami, miejscowy kontekst wynikający z już wybranych elementów oraz pozycje na stronie, wszystko w ramach jednej architektury reprezentacji. Dzięki temu podejściu model jest w stanie rozumieć, jak wcześniej wybrane elementy wpływają na kolejne pozycje w rankingu - coś, czego nie potrafiły robić szybsze tradycyjne metody.
Testy na dużych zbiorach danych oraz rzeczywisty eksperyment na platformie społeczno-wideo wykazały, że MIS osiąga jakość porównywalna z metodami autoregresyjnymi, ale 4 razy szybciej na CPU i 3,5 raza szybciej na innym benchmarku. To pozwala platformom wdrażać bardziej zaawansowane systemy rankingowania bez konieczności znacznych inwestycji w sprzęt, co ma bezpośredni wpływ na wydajność biznesową i doświadczenie użytkowników.