سنجش میزان ارتباط بین نتایج جستجو و پرس و جوی کاربران در جستجوی وب و به طور کلی در بازیابی اطلاعات، بسیار حیاتی است. به طور متداول این سنجش به وسیله ارزیابی بشری برای قضاوت در مورد مرتبط بودن مستندات و پرس و جوها انجام می شود. اما معمولاً ارزیابی های صریح پرهزینه هستند و بدست آوردن آن ها مشکل است. حال آنکه هم زمان با استفاده روزانه میلیون ها کاربر جستجوگر وب از موتورهای جستجو، آنان به طور تلویحی اطلاعات ارزشمندی در مورد الویت نتایج جستجو فراهم می کنند. اگر بتوانیم تعاملات کاربران با نتایج جستجو را به شکل معناداری مدل سازی و تفسیر نماییم، داده های بسیاری برای ارزیابی، نگهداری و بهبود سیستم های بازیابی اطلاعات، بدست آورده ایم. این موضوع سبب گرایش به استفاده از روش های یادگیری ماشینی برای توابع یادگیری رتبه دهی شده است. هدف این مطالعه توسعه روشی برای استفاده از داده های بازخورد ضمنی در آموزش یک الگوریتم یادگیری برای رتبه دهی است. در این پژوهش چهار ویژگی جدید بازخورد ضمنی که از لاگ تعامل کاربران با نتایج جستجو و ویژگی های استاتیک صفحه-پرس و جو، قابل بازیابی است، پیشنهاد شده است. با بر گرفتن الگوریتم rankingsvm به عنوان الگوریتم یادگیری برای رتبه دهی و بر اساس معیارهای استاندارد ارزیابی، نشان داده شده است که افزودن ویژگی های پیشنهادی باعث بهبود دقت پیش بینی رتبه بندی می شود