摘要：通過在查詢擴(kuò)展中引入深度學(xué)習(xí)框架,并結(jié)合局部和全局查詢擴(kuò)展模型,從而解決查詢擴(kuò)展中偽相關(guān)反饋引起的查詢漂移問題。選擇eBay于2017年的查詢短語和商品名稱作為實(shí)驗(yàn)數(shù)據(jù),在偽相關(guān)反饋的基礎(chǔ)上提出基于深度學(xué)習(xí)的查詢擴(kuò)展模型(deep learning based query expansion model,DLQEM),以實(shí)現(xiàn)更準(zhǔn)確有效的查詢擴(kuò)展,并將其應(yīng)用到信息檢索任務(wù)中。實(shí)驗(yàn)結(jié)果表明,DLQEM的precision@10值在偽相關(guān)反饋(PRF)的基礎(chǔ)上分別提高了3.5%和3.7%,驗(yàn)證了本文所提出假設(shè)(通過概念相關(guān)擴(kuò)展詞與反饋信息擴(kuò)展詞取交集能夠有效地控制反饋相關(guān)擴(kuò)展詞造成的查詢漂移)的有效性。深度學(xué)習(xí)能夠解決監(jiān)督學(xué)習(xí)在短文本集上難以獲得好的分類效果的問題,將其與傳統(tǒng)查詢擴(kuò)展模型進(jìn)行結(jié)合,解決了傳統(tǒng)查詢擴(kuò)展中需要用戶參與和檢索速度遲緩兩大弊端,控制了查詢漂移。