随着互联网上资源和服务的日益增多,人们常常需要借助于搜索引擎来查找相关信息。通用搜索引擎返回的结果包含了大量的杂质信息,用户通常还需要从中筛选符合自己查询意图的结果。垂直搜索引擎虽然能返回某一领域的精准答案,但是当用户具有多个查询意图时,需要提交到多个垂直搜索引擎才能得到较为全面的检索结果。如果通用搜索引擎能准确地分类用户的查询意图,进而有针对性的整合一个或多个垂直搜索引擎的结果,并且用不同的方式来展示,则能够提高用户的搜索满意度。传统的意图分类方法通常基于统计机器学习,如果要获得较好的效果则需要大量的人工标注语料。本文通过引入百科知识,在无需大量人工标注的情况下从非统计和统计两个角度来解决意图分类问题。主要内容包括以下几个方面:第一,本文分析了传统意图分类算法面临的几大难题,提出了一种基于百科知识的意图分类算法。算法将用户查询和意图类别分别映射到百科表示空间中,并在此表示空间中使用非统计方法来分类查询意图。最后通过与传统意图分类算法的对比实验来说明该方法的有效性和优越性。第二,本文针对统计分类方法需要大量人工标注数据的局限性,利用每个意图类别的大规模种子词条来模拟真实的用户查询,并以此来训练统计分类器。在相同标注数据规模下,通过与用真实用户查询训练的分类器进行比较说明该方法的有效性。第三,本文融合两种不同的意图分类方法的优点,组合为一个性能更优的意图分类器,并通过在相同数据集上的对比实验来说明融合后带来的优势。本文在传统搜索引擎的基础上,首先根据意图分类结果选择相应的垂直搜索引擎,然后根据意图相关性对搜索结果打分推荐,使搜索结果更符合用户的查询意图。