随着数字信息的爆炸式增长,我们迫切需要采用更为高效的方法来查找所需要的信息,这种情况不仅仅是体现在互联网领域中,由于台式计算机的数据存储量也随着硬盘存储能力的提高而激增,这种情况也出现在政府,学校,大型公司的文档管理事务中。现如今这些机构或公司一般是通过数据库中集成的like语句对文档进行搜索,或者是在全文检索工具库比如Lucene的基础上开发出一套知识库管理系统。然而这些方式所提供的搜索功能都是基于关键字的简单匹配,搜索效果并不理想。通过研究信息检索技术的发展进程,发现通过查询扩展或者深度挖掘文本语义的方法来提升检索效果较为有效,于是本文提出了一种将排序学习和查询重构相结合的全文信息检索模型ListGate。论文的主要研究工作如下:(1)论文引入word2vec和LDA这两种能够挖掘文本语义的方法,其中word2vec用于在词向量空间中对原始查询进行重构,将重构查询作为原始查询的扩展,而LDA产生的主题特征被融入到排序学习方法中提升评分函数的效果,同时为了解决查询重构中存在的主题偏移问题,原始查询和重构查询之间的主题偏移可以通过它们在word2vec和LDA生成的语义空间中的距离进行衡量。(2)通过对List Net排序学习算法的改进,提出了不能考虑主题偏移的ListSum模型,然后通过分析ListSum模型的不足进一步提出了能够考虑主题偏移ListGate模型,并给出ListGate模型中使用到的TFIDF,BM25,语言模型,LDA主题模型评分规则的定义,查询重构的算法以及原始查询和重构查询之间主题偏移特征的计算方法。(3)推导出ListGate中神经网络权值在随机梯度下降方法下的权值更新公式,并使用Java语言实现了List Gate模型的学习过程,然后在数据集上进行了实验。实验结果表明,加入了LDA特征的评分网络比没有加入LDA特征的评分网络最后产生的评分函数表现要好,同时引入了主题偏移特征后产生的评分函数效果比直接将原始查询和重构查询的得分线性相加的效果要好。