Pseudo-Relevanz-Feedback (PRF) wird häufig verwendet, um die Leistung traditioneller Informationsabrufmodelle (IR) zu verbessern, indem es top-ranking-Dokumente nutzt, um neue Abfragebegriffe zu identifizieren und zu gewichten. Dies reduziert so den Einfluss von Vokabularunterschieden zwischen Abfrage und Dokument. Obwohl neuronale Abrufmodelle kürzlich starke Ergebnisse für ad-hoc-Abrufe gezeigt haben, ist ihre Kombination mit PRF nicht einfach aufgrund von Inkompatibilitäten zwischen bestehenden PRF-Ansätzen und neuronalen Architekturen. Um diese Lücke zu schließen, schlagen wir ein end-to-end neuronales PRF-Framework vor, das mit existierenden neuronalen IR-Modellen verwendet werden kann, indem verschiedene neuronale Modelle als Bausteine eingebettet werden. Ausführliche Experimente auf zwei Standardtestkollektionen bestätigen die Effektivität des vorgeschlagenen NPRF-Frameworks bei der Verbesserung der Leistung zweier neuester neuronaler IR-Modelle.