近年来,随着互联网技术的快速发展与应用,线上数字内容呈现出爆炸式的增长趋势。用户在使用传统搜索系统进行信息搜索时,经常会获得海量不相关的搜索结果,这些结果往往与用户最真是的搜索意图相去甚远。信息检索中用户在查询时输入的查询词比较少,在信息匹配上容易产生歧义性,导致搜索结果不全面、不准确。为了减少信息负担,个性化搜索的需求日益增加,如何准确返回针对单个用户查询意图相关的文档成为了重要的研究课题。在这种情况下,很多研究者对社会标签产生了兴趣,利用用户对网络资源所标注的标签,学习用户的行为和兴趣,实现个性化查询扩展。采用社会标签虽然可以提高检索质量,但是真实的标签系统往往比较稀疏,并且标签本身存在不规范性、随意性,传统的基于社会标签的个性化查询扩展搜索结果往往并不理想。在扩展词的选择方面,由于标签与被标注资源本身可能字面上相差甚远,也并非该资源的精确描述,因此借助标签来进行查询扩展效率不高。为了解决这一问题,本文主要贡献如下:(1)本文利用标签-主题模型方法来对用户兴趣模型进行建模,模型基于词进行隐含主题的学习。在该方法中,扩展词的选择并不仅仅依赖于词项匹配,而是基于主题的相关度来进行。(2)在本文中,我们通过考虑从文档中提取的标签,文档和单词之间的多重关系作为多关系图来扩展以前的研究。我们使用词嵌入模型(WE)的学习标签之间的关系,单词之间以及标签和单词之间的关系。根据标签和单词之间的相似性构建三个关联图,并将所有关系融入到多语义查询扩展框架中进行个性化搜索。(3)本文进一步提出了个性化查询扩展方法,利用社会标签的多语义关系来进行扩展词的选择。基于大规模真实社会化标签数据集上的实验结果表明,本文提出的方法优于传统的非个性化搜索以及基于社会化标签系统的个性化查询扩展方法。