排序学习作为一种基于机器学习与信息检索的交叉技术,已经广泛地应用于Web搜索、文档检索、推荐系统、问答系统等多个领域。排序学习会根据不同的排序学习数据集（即构造相异特征）和排序学习方法训练出不同的排序模型,以对新输入目标列表进行排名预测。随机森林作为一种基于bagging的集成技术,已被证实在中小规模数据集上具有极其优秀的预测性能。基于此,本文通过研究基于随机森林的排序学习方法并应用在自制电影及公司数据集上,旨在进一步提高电影及公司排名预测的整体精度。论文的主要工作有:（1）提出基于随机森林的Bootstrap自适应双集成排序学习方法（Random Forest-based Bootstrap Self-adaptive Double-ensemble,RF-based BSD）。适当缩小Bootstrap比例和采用基于双集成的方法能有效提高模型性能,于是设计一种Bootstrap自适应函数同时将随机森林的基模型由树模型替换为集成模型。首先,BSD将根据输入的排序学习格式数据集的查询数、查询-实例对数和特征数自动确定随机森林的子采样比例。然后采用单集成思想（基于boosting的集成算法）来训练随机森林的基排序器。最后采用bagging思想输出最终的双集成模型。（2）制作电影数据集与公司数据集。首先通过python爬虫获取网站数据,构建相关特征。其中构建的电影特征包含时序、影院、发行商、类型、系列和其他共六大类特征（包括共21小类特征）,公司特征包含排名、收益、价值和其他共四大类特征（包括共10小类特征）。然后对原始资源数据实行数据缺失处理、数据归一化、数据排名处理、数据标签划分以及数据格式处理,得到排序学习格式的数据集。（3）构建多种排序学习模型实现电影及公司的排名预测,进行实验对比验证所提出方法的有效性。首先采用原始的随机森林框架,训练出单集成模型。以基于boosting的三种单集成模型作为基排序器,采用基于随机森林的Bootstrap自适应双集成排序学习方法训练出三种不同的双集成模型。然后用这四种模型分别在自制电影及公司数据集上开展对比实验。实验结果显示,所提出方法能有效得出随机森林的最佳子采样比例。通过对比平均均值精度和归一化折扣累计增益两个评估指标,本文所提出方法训练出的双集成模型的性能均高于原始方法训练出的单集成模型。同时,所提出方法的排名预测结果与网站上排名列表基本相符,其表现最佳模型的平均均值精度基本处于98%以上。