随着全球信息化程度的不断加深,人们的搜索任务变得越来越复杂,探索式搜索逐渐成为人们执行web搜索的主要方式。但是关于探索式搜索的研究还存在很多问题面临很多挑战,其中面向探索式搜索的查询推荐就是一个亟待解决的问题。目前的查询推荐方法主要是针对用户当前提交的查询进行优化,而很少关注用户在整个搜索过程中的信息需求,缺乏对复杂搜索过程的特征分析以及用户在面对复杂搜索任务时的行为特征分析,因此只能适用于一些复杂度比较低的lookup式搜索任务的推荐需求,一旦面对复杂度更高的探索式搜索时其推荐效果往往很差。针对上述问题,本文首先对大量的探索式搜索过程进行实验分析,然后根据探索式搜索的基本特征设计了一个基于贝叶斯玫瑰树的识别模型,通过该模型成功地从海量搜索日志中识别出所有符合探索式搜索特征的搜索过程,从而为后面的查询推荐积累大量的优质搜索经验。随着对探索式搜索过程的不断深入分析,本文发现在探索式搜索过程中用户的搜索需求或目标一直在不停地变化。于是,为使推荐结果更贴近用户的真实需求,本文根据用户在探索式搜索过程中表现出来的多种行为特征,设计了一个基于加权马尔可夫链的搜索状态预测模型,通过该模型可以为查询推荐处理提供更准确的需求分析,最后本文利用机器学习方法将之前获取的大量优质搜索经验构建成探索式搜索目标迁移图,并利用随机游走算法从该图中选择与当前查询相关的迁移过程推荐给用户。另外本文还基于搜索目标迁移图从查询的相似性、多样性等多视角出发,为搜索用户推荐出多条类似搜索逻辑链的探索路径来帮助用户快速地完成探索任务。本文的主要贡献体现在以下几个方面:（1）为了分析探索式搜索过程中用户搜索行为特征以及累积不同用户在各种探索任务中的搜索经验,本文基于贝叶斯玫瑰树模型设计了一种可以从海量搜索日志中挖掘探索式搜索过程的识别方法。该方法基于用户搜索内容的层次化结构特征,以搜索子任务为基本分析单元,利用贝叶斯玫瑰树算法对探索式搜索过程进行层次化建模。最后根据贝叶斯玫瑰树的树形结构特征以及玫瑰树中不同节点间的关联特征计算出不同子任务间的相关度,并基于机器学习算法识别出由多个相关搜索子任务组成的探索式搜索过程。（2）为了能够准确把握搜索用户在探索式搜索过程中不断变化的搜索需求,本文设计了一种探索式搜索状态预测方法,该方法根据用户的搜索点击、查询重构等多种搜索行为特征,将探索式搜索过程划分为4种搜索状态,并利用基于梯度提升决策树的多元分类算法实现对搜索状态的自动识别。最后提出一个基于加权马尔可夫链的搜索状态预测模型,从而有效地把握住用户搜索需求的动态变化。（3）通过对探索式搜索过程的深入分析,本文发现在探索式搜索中存在大量的搜索目标迁移现象,如果从搜索用户的视角出发,探索式搜索过程可以被视为用户在不同搜索目标间进行不断迁移的过程。于是本文基于该现象设计了一种支持探索式搜索的新查询推荐方法,该方法首先根据用户在搜索目标迁移过程中所表现出的行为特征利用机器学习算法从搜索日志中提取出不同用户的搜索目标迁移过程,然后将这些迁移过程构建成搜索目标迁移图,最后利用随机游走算法从该图中选择与当前查询相关的迁移过程推荐给用户。（4）对大量探索式搜索过程进行分析后,本文发现由于相关领域知识的缺乏,在执行探索式搜索的初期,用户头脑中很难形成一个相对清晰的搜索思路,常常会偏离任务目标,对一些不必要的信息进行搜索学习,从而导致用户的搜索时间过长搜索效率低下。为了解决该问题,本文设计了一种面向探索式搜索的探索路径推荐方法。该方法首先引入前面设计的搜索目标迁移图,然后利用迪杰斯特拉路径搜索算法完成探索路径的构建,最后基于搜索相关性和查询多样性对推荐路径进行双重优化从而保证推荐结果的有效性。（5）为了验证本文设计的查询推荐方法的有效性,本文设计了多种探索式搜索任务,并组织多名志愿者针对这些搜索任务展开实际搜索,最后基于主观评价与客观评价两个不同的视角分别设计了不同的测试方法。