随着计算机信息技术的飞速发展,网上购物已经慢慢进入我们的日常生活,从本质上影响并逐渐改变了人们的购物消费习惯。网上购物的飞速发展在给电商带来巨大收益的同时,也为消费者带来方便,例如可以随时随地网上购物,方便快捷。但是随着网上商品种类以及相似种类越来越多,用户在面对大量的搜索结果的同时亦面临商品标签或者标题掺入高排名或与商品相关度不高的词汇,导致搜索精度不高、商品分类粗糙以及搜索结果的页面显示混乱等问题。面对以上多种问题,本文从传统的信息检索领域出发,研究了常用的信息检索模型,并对Pointwise、Pairwise以及Listwise这三种方法进行了系统的实验对比分析;在此基础上,首先分析了机器学习中学习排序模型训练与测试的整体流程及Bag-of-words模型,为了提高现有模型的商品搜索精度,提出“商品图像深度语义”概念,并综合“特征工程”和“学习”两方面建立特征构造方法;之后,针对Listwise模型进行剖析,重点研究其计算过程中分数序列转化为概率分布的机理,通过优选实验,确定以整个序列为例的ListNet方法是解决商品搜索过程中排序学习流程最直接、最有效的方法;针对ListNet方法忽略整个序列中文档位置信息的自身缺陷及考虑商品搜索的实际特征,在现有的模型中引入位置加权损失因子,并实验优选SHF-SDCG损失函数融合框架,然后采用神经网络模型和梯度下降法对新模型进行优化;最后,通过一系列实验对新模型的有效性与准确性进行了验证。实验过程中,分别采用数据集一(无图像语义特征)与数据集二(集成图像语义特征)对ListNet新模型进行训练与测试,并分别用NDCG@K和P@K指标进行评价,结果表明:引入商品图像深度语义特征的ListNet新模型更具优越性,对电子商务的发展具有较大的指导意义。