关于查询扩展(QE)的研究工作中,大多数研究工作假设文档中的词项是相互独立的。因此研究者对查询扩展模型里的反馈文档进行建模时,一般使用的是多项分布。本文认为,在查询扩展方法中,应该存在一个更合适的分布对反馈文档进行建模,从而可以更自然地处理反馈文档中词项与词项之间的依赖关系,获得优于传统相关模型(RM,用于生成反馈文档)的建模能力。在信息检索领域里,最近,文档玻尔兹曼机(DBM)被提出,它对文档进行建模时,不再保留“词项之间相互独立”的假设,即该模型可以自然地捕获词项与词项之间的依赖关系。同时,DBM已被证明是传统语言模型的泛化,而且该模型在ad hoc查询任务中获得了更好的结果。在本文中,基于这样一个新的文档模型,我们将传统的RM方法中的多项分布替换为DBM,同时保留原始的QE框架,保证模型的简洁。在本文提出的查询扩展方法中,利用反馈文档训练DBM,得到新的相关模型,该相关模型称为相关DBM(rDBM)。扩展后的查询根据rDBM中的参数信息生成,并且本文给出了给定文档中扩展查询的似然函数,该似然函数的值作为对文档的最终评分,从而对文档进行排序。在训练rDBM时遇到的一个难点是数据稀疏问题,这将导致训练出来的rDBM模型是过拟合的,从而影响查询结果。为了解决该问题,本文采用了可信信息优先原则(CIF)优化rDBM模型,优化过的rDBM模型使我们的查询扩展方法更有效率、更有实用价值。本文在TREC数据集上进行了相关对比实验,实验结果证明本文提出的基于DBM的查询扩展方法的有效性,以及模型选择方法CIF的有效性。除此之外,本文中采用赤池信息准则AIC方法对文档玻尔兹曼机模型进行优化,一方面降低了模型的复杂度,另一方面避免了由于数据稀疏产生的过拟合现象,提高了检索效果。这也在TREC数据集上得到了证明。