随着互联网的发展，搜索引擎的重要性与日俱增。如何有效的查找需要的信息是非常关键的，一个好的搜索引擎可以极大的节省用户查找信息的时间。搜索引擎包含多个组成部分，其中网页排序是搜索引擎设计的核心问题，排序结果的准确率直接决定了搜索引擎的性能和用户体验。信息检索领域中有许多的网页排序算法，其中以样本对级别方法的模型应用比较广泛。　　 而排序学习，就是利用机器学习的方法来对一系列的文档或网页进行排序，这种排序方法在近年来获得了许多人的关注。然而，大部分的排序学习方法，只采用了全监督学习的方式。由于全监督学习中，使用的都是已标注的训练样本，而已标注的训练样本比较稀少和昂贵，因此很难获得大量的已标注训练数据。在这篇文章中，我们提出一种直推式的排序学习方式的框架，利用无标注的测试数据来改善我们的训练。我们会从无标注的测试数据中，利用关联规则提取出文档对之间的信息，然后把提取出来的信息加入到排序模型的训练当中。为了要把提取出来的无标注样本的信息结合到需要优化的函数当中，我们重新设计了一种损失函数，在原有的损失函数当中结合了代表未知信息的项，把这种信息和已知的训练数据的信息结合起来，然后用已有的基于样本对的排序学习方法来训练。在本文中，我们把我们所提出的直推式框架与排序支持向量机(RSVM)结合起来，提出一种新的直推式排序学习方法，称为AR-RSVM。　　 本文在LETOR(TD2003,TD2004,OHSUMED)数据集上进行了实验，并且通过交叉校验的方法来避免过拟合。实验采取了多个评估指标进行衡量。实验结果表明，本文所提出的方法能够有效地结合无标注样本的信息，并能比原有的排序学习方法取得更好的效果。最后，我们还通过了显著性水平分析来说明，从统计的角度来说，改进后的算法也超过了已有的排序学习方法。