Dokumenty zwraca się w kolejności malejącego podobieństwa.
Model probabilistyczny W modelu probabilistycznym relewancję traktuje się jako zdarzenie losowe, a proces wyszukiwania modeluje się narzędziami rachunku prawdopodobieństwa. Podejście to wprowadzili w 1960 Melvin E. Maron i John L. Kuhns, a następnie rozwijali m.in. Stephen Robertson i Karen Spärck Jones. Uzasadnieniem jest nieostrość języka naturalnego: system nie może z całkowitą pewnością wskazać, które dokumenty są relewantne dla danego zapytania, może natomiast szacować prawdopodobieństwo relewancji.
Sformułowana przez Robertsona w 1977 zasada porządkowania według prawdopodobieństwa (ang. probability ranking principle) mówi, że uszeregowanie dokumentów według malejącego prawdopodobieństwa relewancji jest optymalne przy podanych założeniach. Najbardziej rozpowszechnioną praktyczną realizacją tego podejścia jest funkcja rankingowa BM25.
Uczenie rankingu Uczenie rankingu (ang. learning to rank, LTR) obejmuje metody, w których funkcję rankingową wyznacza się za pomocą uczenia maszynowego.