如今,互联网上的数据量呈指数级增长趋势,各种各样的数据与日俱增。面对如此浩瀚的数据海洋,如何从中快速、准确地获取用户需要的信息越发成为一个亟待解决的问题,这也是如今的信息检索技术所要面对的巨大挑战。目前,信息检索中引入语义信息的主流做法是使用机器学习方法LDA训练主题模型。尽管融入LDA主题信息后,检索性能有所提升,但是LDA模型的算法复杂度太高,导致其训练主题信息时容易受限于语料的规模和主题的数目,因此不能很好地解决如今大数据时代面临的检索问题。2015年微软分布式、高性能工具LightLDA的开源,使我们看到了这一问题解决的希望。本文正是着眼于大数据时代面临的检索问题,探讨了 LightLDA在信息检索中应用的可行性和有效性,主要工作包括以下两个方面:第一,将LightLDA应用到信息检索模型中。我们利用LightLDA对几个规模较大的TREC数据集进行了主题信息的训练,并将训练后的主题信息融入到语言模型框架中,构建了基于主题信息的检索模型(简称LLBDM);然后在此基础上,利用信息熵的概念尝试构建了新的检索模型(简称LMLIE)。最后,把这两种模型的效果和信息检索中的Baseline做了比较,并分析了相关参数对模型的影响。通过实验,验证了 LightLDA在信息检索模型中的可行性和有效性。第二,将LightLDA应用到伪相关反馈中。我们利用LightLDA对伪相关反馈文档进行了主题信息的训练,然后基于Rocchio伪相关反馈框架和上述主题信息,构造了伪相关反馈模型Rocchio-LightLDA。最后,把Rocchio-LightLDA模型和伪相关反馈中的Baseline模型做了比较,并分析了相关参数对模型的影响。通过实验,验证了 LightLDA在伪相关反馈中的可行性和有效性。通过以上两方面的研究,我们成功地把LightLDA应用到了信息检索领域,为如今大数据时代面临的检索任务提供了一种可行的解决方案,同时对基于海量数据检索的相关问题也有一定的借鉴意义。