随着网络技术的迅速发展和互联网规模的不断扩大,互联网已成为全球最大、最广泛使用的信息库。如何有效检索这些海量信息成为当前重要的研究课题,因而信息检索技术越来越受到人们的重视。在目前绝大多数的信息检索系统中,其检索出来的信息(如文档等)都以排序的方式返回给用户。因此,如何高效地为信息进行排序成为信息检索模型研究的核心问题之一。 近年来,利用监督学习的方法构造排序模型是信息检索领域中对排序方法研究的热点。排序感知机算法与排序支持向量机算法是基于监督学习的排序算法中的代表。然而,目前所有的排序学习方法都是基于有监督学习的方法,需要大量的人工标注样本。标注样本是一项耗时长、难度大且代价昂贵的工作。因此,找到一种能够降低标注代价的排序学习方法是十分必要的。 本文针对信息检索中排序学习样本标注代价过大的问题,提出把主动学习方法融入到排序学习中去,在查询函数的设计与构造、主动排序学习算法的研究与实现、实验设计与实验验证分析等方面开展研究。 本文提出了基于样本不确定程度的查询函数。使用本文提出的查询函数,排序模型可以通过计算每个样本对应不同序标号的确定程度,自动找出最不确定的样本,作为“最值得标注”的样本,减少了样本标注量,从而降低了标注代价。提出并实现了基于数据点的主动排序感知机(Active PRank)算法和基于有序对的主动排序支持向量机(Active RSVM)算法,并应用于文档检索和网页检索。 通过在两个大规模真实数据集上的实验表明,使用本文提出的算法可在保证排序模型性能的前提下,减少样本的标注量；在同等标注量的条件下,可以提高排序结果的正确率。