学习排名在信息检索中起着非常重要的作用。 现有的作品主要集中于对所有样本应用一种排名模型，这可能不适合现实。 本文提出了一种基于查询级向量提取的学习排序的新方法，该方法假设所有样本都可以分为多个部分，并且每个部分都用于训练模型的一组参数。 基于此假设，我们提取了查询级向量，并提出了一种基于k-means ++的数据集划分方法，该方法用于优化ListNet方法和RankNet方法。 实验结果表明，我们的假设是正确的，我们的方法在提高ListNet和RankNet的性能方面起着非常重要的作用，并且易