排序是信息检索的核心问题，因为一个搜索系统的好坏主要由它的排序结果的正确率来评价。信息检索中提出了许多排序模型。直到最近，被称为“排序学习”的机器学习技术被深入应用于这个任务。在过去的大部分工作中，一个单一的排序模型被用来处理所有的查询。这可能是不太恰当的，因为不同的查询之间往往有比较大的差异。 本文首先论述对于不同的查询，采用不同的排序模型的必要性。然后提出一个通用的依赖于查询的排序学习框架。该框架是基于查询聚类的。该框架将训练查询表示成查询特征空间的一个点。在排序的时候，给定一个测试查询，框架找出与它接近的训练查询，构建一个依赖于测试查询的训练集，然后用这个训练集训练一个模型，最后使用这个模型对与测试查询关联的文档进行排序。这个框架对于改善排序的精度确实是有帮助的，因为它利用了相似查询的有用信息，同时避免了不相似查询的负面影响。 当进行查询聚类的时候，使用的查询特征以及查询相似性的计算，对于聚类的精度是非常关键的。从以前的工作中，我们知道同样的特征对于不同的查询，它的区分度是不一样。本文提出了一种新颖的查询相似性表示方法：利用特征的区分度将查询表示成一个特征排序，然后本文使用特征排序的相似度来表示查询的相似度。本文构建依赖于测试查询的训练集时，使用了两种方法来选择相似的查询：KNN和固定距离的算法。 本文在LETRO（TREC，OHSUMED）数据集上进行实验。实验结果表明，依赖于查询的排序方法要优于使用单一排序模型进行排序的方法。