随着各类网络资源的指数式增长,搜索引擎的使用已经成为当今社会每个人最基本的技能之一,高效的信息检索模型也有着更加重要的意义。在排序过程中引入机器学习方法的排序学习是信息检索模型的一个关键组成部分,取得了十分优秀的效果,能够在很大程度上满足人们在信息过载的时代的检索需求。但排序学习模型将排序看作一个静态的过程,一次性将和关键词相关的文档全部输出。在实际的检索场景中,使用者和检索模型之间是存在交互的,使用者给出对检索结果的反馈,检索模型根据这个反馈返回新的一页文档。现有的排序学习模型将排序视为一个一次性的过程,忽视了用户的反馈,排序效果有待改善。针对这类问题,为了进一步提升排序性能,本文将排序学习结合已有的强化学习算法和相关的深度神经网络模型,提出了两种可交互的信息检索模型,主要工作包括:1)将强化学习和排序学习相结合,根据搜索引擎的使用过程以及强化学习的应用场景,将排序过程定义为序列决策过程。对用户和排序学习模型之间的交互过程进行了马尔科夫建模,对该过程中的状态、动作以及回报等进行了详细定义,并构建了交互式的排序学习模型。2)使用深度学习领域的长短时记忆网络对用户建模,将强化学习领域的策略梯度方法应用到交互式的排序学习过程中,提出了基于策略梯度的排序学习模型。在用户和排序学习模型的交互过程中,根据用户的反馈对其检索意图进行学习,逐步改进排序策略,改善排序效果,并且在实验中对模型的有效性做出了验证。3)针对交互式排序学习模型,根据强化学习经典算法Actor-Critic算法优化排序策略,使用时间卷积网络对用户建模,提出了基于Actor-Critic算法的排序学习模型,并设计实验将本文所提出的模型和一些经典的排序学习模型做比较,验证了模型的有效性。