文章重新排序任务旨在根据给定问题对多篇候选文章进行排序,该任务在许多自然语言处理应用中发挥了关键作用,例如用于开放域问答的文章检索模块。由于目前的文章重新排序研究聚焦于单语言问题,因此对于跨语言文章重新排序任务存在定义不全的问题。此外,由于跨语言文章重新排序任务自身特性,其中又存在着诸多困难与挑战:问题和文章使用不同语言的情况;缺少用于模型训练和评估的标注数据;模型倾向于选择和问题相同语言的文章;模型在高资源语言和低资源语言之间存在性能差异。针对上述困难与挑战,本文提出了相应的解决办法,主要研究内容及贡献如下:（1）首次探索了广义的跨语言文章重新排序任务并进行形式化定义。该任务旨在根据给定问题对多种语言的多篇候选文章进行重新排序。任务具有以下特性:a)问题并不局限于某一种特定语言;b)每个问题的候选文章中至少有一部分使用和问题不同的语言。（2）提出了面向有限标记样本的跨语言文章重新排序方法。首先,本文提出跨语言复述识别任务作为扩展预训练,以利用大规模无监督平行语料来对齐不同语言的文本;其次,本文提出了三种有效的训练策略,通过利用现有英语数据集及其翻译,缓解了标注数据稀缺的问题;最后,本文提出了一种数据增强方法,在不使用额外数据的情况下,利用有限的目标任务数据进行数据扩增,以此提高模型性能。（3）提出了基于知识蒸馏和对抗学习的跨语言文章重新排序方法。首先,本文利用知识蒸馏方法,将高资源语言上的知识迁移到低资源语言,从而缩小模型在不同语言之间的性能差距;其次,本文通过语言判别任务判断问题和文章是否使用同种语言,与此同时,利用对抗训练促使模型无法正确识别文本语言,从而对齐不同语言的嵌入分布。综上所述,本文首次探索了跨语言文章重新排序任务,提出了面向有限标记样本的跨语言文章重新排序模型,并利用知识蒸馏和对抗学习解决了跨语言文章重新排序中存在的问题,具有理论意义和实际意义。