学习排序是利用机器学习技术来对搜索结果进行排序的技术,在包括信息检索与数据挖掘等技术在内的众多应用领域中具有重大作用,因此近年来备受关注。学习排序假设每个培训实例都与一个可靠的标签相关联,并提供了一种优秀的自动化框架进行特征组合,这些组合可以查询依赖特征,如通过现存搜索引擎给文档赋予分数,也可以查询独立特征。本文调查了两种基本类型的辅助信息,并以此引入相应的学习算法中。研究使用的概率排序模型首先结合广义线性模型和Plackett-Luce(P-L)模型,用于处理基于实例的解决多分类标签的排序问题。目标是训练学习一种排序功能,排序功能通过训练并使用最大似然估计方法来估计标签排序,并迭代地训练排序功能,该功能可以在整套标签上产生完整的排序,并且在标签不完整的情况下依旧能提供有效的标签排序功能。随后排序功能通过两种辅助信息改进的ListMLE算法的新算法进行优化,该方法可以通过真实值标签和注释者专业知识程度来迭代地训练排序功能。此外,学习排序可以从众包标签中探索排序,改进后的算法在合成的以及实际的数据上都经过了测试,结果显示新的方法明显优于平均方法和现有众包回归方法。而对于拥有数据庞大的标签数据集将采用top-k技术,通过对全排序以及利用top-k技术进行排序的对比验证,使用top-k技术进行排序学习在时间效率上是有帮助的,并且结果与具有真实值的全排序标签的学习结果相当。