随着信息检索技术的不断发展,人们对其的要求也越来越高。通常情况下,大多数web检索系统只是根据文档与查询的匹配度返回结果文档集并基于排序原则PRP(probability ranking principle)对结果文档集进行排序。这样的排序结果从内容上看会比较单一,容易造成冗余,故不能满足用户对信息多样性的查询需求。更重要的是,由于查询词的歧义性,内容的单一会造成用户找不到自己所需要的信息,并因此放弃此次查询。在信息检索中,搜索结果多样化作为解决此类问题的方法越来越被关注,其旨在产生排序结果集,使得前N篇文档可以覆盖用户查询的更多子意图并有较低的冗余性。到目前为止,已经提出很多启发式的多样化模型,但这些模型只考虑到有限的一些特征以及需要大量的工作调节模型中的参数。本论文的重点是通过建立学习模型解决以上问题。具体工作是,首先,通过分析启发式的多样化排序模型Affinity Ranking模型,为我们设计Learning Affinity Ranking模型提供动机。然后,对于模型的学习排序算法我们设计一个可以将多样化评价指标加入算法损失函数的学习算法,通过此学习算法,建立比原始Affinity Ranking模型更加高效且具有鲁棒性的排序模型。另外,本文的另一个具体工作是将已提出的多样化模型进行组合设计更加高效的多样化排序模型,然后提出文档排斥理论并设计模型学习算法。我们的两个实验都是实施在TREC Web Tracks 2009年到2011年的多样化任务上,实验的结果从有效性和鲁棒性上说明我们的学习模型优于之前一些模型。