一旦我们有了全部的特征，接下来就可以输出整个训练集（评判附加特征）到一��新的文件（sample_judgements_wfeatures.txt）：
buildFeaturesJudgmentsFile(judgements, filename='sample_judgements_wfeatures.txt')相应地将输出一个完整的具体RankLib评分列表：
3 qid:1 1:9.476478 2:25.821222 # 1370 3 qid:1 1:6.822593 2:23.463709 # 1369这里特征1是在属性title(1.json.jinja)上检索“Rambo”时的TF*IDF分值；特征2是更复杂的检索（2.json.jinja）的TF*IDF分值。
接下来进行训练！这一行是通过命令行使用已保存文件作为评判数据来执行Ranklib.jar
trainModel(judgmentsWithFeaturesFile=' sample_judgements_wfeatures.txt', modelOutput='model.txt')正如下文所示，这只是很基础地执行Java -jar Ranklib.jar来训练一个LambdaMART模型：
def trainModel(judgmentsWithFeaturesFile, modelOutput): # java -jar RankLib-2.6.jar -ranker 6 -train sample_judgements_wfeatures.txt -save model.txt cmd = "java -jar RankLib-2.6.jar -ranker 6 -train %s -save %s" % (judgmentsWithFeaturesFile, modelOutput) print("Running %s" % cmd) os.system(cmd)然后使用简单的Elasticsearch命令把模型保存到Elasticsearch中：
saveModel(es, scriptName='test', modelFname='model.txt')这里的savaModel跟看起来一样，只是读取文件内容并POST到Elasticsearch中，作为一个ranklib脚本存储。
使用LTR模型进行搜索一旦完成训练，就准备好了发起检索！在search.py中有一个非常简明直观的例子，里面只有一个简单查询。执行命令python search.py rambo，将会使用训练好的模型检索“rambo”，并执行以下重打分查询：
{ "query": { "match": { "_all": "rambo" } }, "rescore": { "window_size": 20, "query": { "rescore_query": { "ltr": { "model": { "stored": "test" }, "features": [{ "match": { "title": "rambo" } }, { "multi_match": { "query": "rambo", "type": "cross_fields", "tie_breaker": 1.0, "fields": ["overview", "genres.name", "title", "tagline", "belongs_to_collection.name", "cast.name", "directors.name"] } }] } } } } }注意这里我们只对前20个结果做重排序。也可以直接使用LTR查询，实际上直接运行模型更好一些，即使在整个集合上运行要耗费几百毫秒。对于一个较大的集合可能并不可行。一般来讲，最好只对前面N个结果做重排序，因为机器学习排序模型的性能成本的原因。
这就是一个刚好能工作的完整例子了。当然只是一个入门级的小规模示例，刚刚能达到目的；对于特定问题可能会有更多不同的状况，所选的特征、如何记录特征、训练模型，以及实现一个排序基线函数，基本上依赖于你的领域。但我们在《相关性检索》中提到的很多内容仍然适用。
后续内容后续的博客文章中我们会更多地介绍LTR，包括：
基础：更多地介绍LTR到底是什么
应用：将LTR应用于搜索、推荐系统、个性化及更多场景
模型：流行的模型是什么？模型选择时如何考量？
思考：使用LTR时有哪些技术和非技术因素需要考量？