最近几年,伴随着移动互联网的迅猛发展,互联网已经融入到了我们的日常生活当中,让我们的生活变得越来越便利。然而,随着互联网产生的数据量呈现出爆炸式的增长,我们需要花费越来越多的精力去获取想要的信息。互联网服务提供商们通过搜索引擎,推荐系统等工具为我们从这些海量数据中为挖掘我们最想要的信息。而这些工具的关键是如何基于大数据找到用户想要看到的信息。根据用户意图对信息排序便是重要的解决方法。传统的按照相关度排序和按照重要性排序只能针对少数的简单特征,而无法挖掘复杂信息情况下特征间的关联性。排序学习能够充分发现表征复杂信息的众多特征之间的关联性。本文深入研究排序学习,并通过实验对比发现lambdaMart的建模方式能更准确挖掘排序场景的模式,并且拥有更高的训练效率。针对机器学习方法中的过拟合问题进行了深入研究。同时深入研究分布式系统,实验对比发现基于spark的boosted决策树模型训练效率更高。通过基于spark分布式计算的方式能更高效的训练lambdaMart模型,更快地更新模型,更准确及时的挖掘数据的变化规律。本论文还提出实现特征值压缩的bin算法。基于lambdaMart模型的建模特点,结合spark框架提出特征分布式寻优,和分布式lambda值计算。并提出部分特征采样和特征惩罚因子,在不降低模型训练效率情况下更有效防止过拟合。最后设计并实现算法,实验验证模型解决排序问题的有效性和效率。该研究对解决大数据场景下的排序问题具有重要意义。