Wir untersuchen mehrere neue Modelle für die Relevanzbewertung von Dokumenten, aufbauend auf dem Deep Relevance Matching Model (DRMM) von Guo et al. (2016). Im Gegensatz zu DRMM, das kontextunabhängige Kodierungen von Begriffen und Abfrage-Dokument-Begriffinteraktionen verwendet, integrieren wir reichhaltige kontextsensible Kodierungen in unsere Modelle. Diese sind durch die konvolutorischen n-Gramm-Matching-Funktionen des PACRR (Hui et al., 2017) inspiriert, aber auf verschiedene Weisen erweitert, darunter mehrere Ansichten der Abfrage- und Dokumenteingaben. Wir testen unsere Modelle an Datensätzen aus der BIOASQ-Fragebeantwortungsaufgabe (Tsatsaronis et al., 2015) und TREC ROBUST 2004 (Voorhees, 2005), wobei wir zeigen, dass sie BM25-basierte Baseline-Modelle, DRMM und PACRR übertrumpfen.