如今信息爆炸的互联网时代，尤其是移动应用的不停使用，产生了大量的信息，更有海量的用户群体，如此，因特网所涵盖的信息远远大于任何传统媒体所涵盖的信息，海量用户更是从各种角度、以各种的逻辑方式展开个性化的信息检索，如何在浩如烟海的信息资源中快速、准确地找到最需要的信息，是对现有的信息检索技术的一项挑战。当前主流的搜索引擎是基于单一输入框的，即基于关键字的查找，通常用户提供比较短的查询语句，并不能完整而详细地描述用户的需求，就此，查询扩展成为解决这一问题的热点。现有的查询扩展技术，不论是使用WordNet还是使用本体知识库，语义都是它们共同的缺陷。　　针对查询扩展忽略语义的问题，本文提出了一种基于语义属性特征图的查询扩展方法。其中一个重要概念就是关联数据(Linked Data)，它通过网络把以前没有关联的相关数据连接在一起，利用资源描述框架(RDF)图模型形成链接开放数据云(Linked Open Data Cloud)，关联数据虽然本身并不具备语义特征，但它可以在数据层面建立跨领域的关联，成为查询扩展一个新的研究方向。　　该方法将语义网、关联数据技术以及图的思想相融合，以DBpedia为数据源，通过构建以资源为顶点的语义属性图，挖掘更多关联的语义信息，更全面的实现扩展。首先，通过有监督的学习训练方法，数据挖掘出语义属性特征的权重值，用于表达扩展资源的有用性;然后在整个DBpedia图上通过标签属性实现查询关键字到匹配资源的映射，实现自然语言的关键词与关联数据知识的匹配，进而完成数据的抽取与预处理过程;接着，根据属性特征广度搜索出邻接点，并将其作为与关键词语义上相关联的词，即扩展候选词;最后通过设定的阈值，过滤、筛选出词相关性分值score最高的作为最终扩展词。　　本论文实验数据下载DBpedia3.9的部分数据包，训练测试集选用Freitas、Augenstein等人共用标准，实验表明，与Augenstein的LOD Keyword Expansion方法相比，基于语义属性特征图的扩展方法召回率(Recall)达到0.89，平均逆排序(MRR)提高4个百分点，与用户查询需求更匹配。