互联网的快速发展使得信息规模呈爆炸式增长,信息检索已经成为人们从海量数据中高效获取信息的重要方式。其中,个性化搜索作为信息检索中的一个重要任务,已经成为提高信息检索水平、提升用户检索体验的关键步骤,在工业领域得到了快速发展。个性化搜索作为搜索引擎发展的必然趋势,已经成为各大搜索引擎企业提高搜索准确率、提升搜索服务质量的重要手段。目前,个性化搜索在学术领域也受到了广泛的关注。首先,在个性化搜索的研究领域缺乏被广泛认可的公开数据集。出于隐私保护、信息安全以及商业机密等原因,拥有海量查询日志资源的搜索引擎无法公开原始数据。已公开的查询日志数据集普遍存在缺失关键信息的问题,例如缺失统一的用户标识符、缺失查询内容或文档内容。其次,模糊查询具有歧义性和重查询行为的识别已经成为阻碍个性化搜索技术发展的关键问题。（1）本文通过分析现有的查询日志,选取大规模数据集AOL查询日志作为构建个性化搜索数据集的数据源,提出了基于AOL查询日志的个性化搜索数据集构造方法。为了解决大规模数据处理中存在的处理效率低和空间不足的问题,提出了改进的BM25算法,提高算法效率超过6倍。基于该方法构建个性化搜索基准数据集AOL4PS,通过对该数据集的统计分析以及与现有数据集的对比,阐明了该数据集在个性化搜索任务中的适用性和优越性。（2）为了解决模糊查询具有歧义性的问题,本文提出了融合知识表示的个性化表示方法,通过融合词嵌入中的语义信息和知识表示学习中的结构化信息,对查询进行个性化表示,学习查询级的用户兴趣特征。进一步,为了解决重查询行为的识别问题,本文提出了动态融合个性化表示和查询序列编码的个性化搜索方法（PRQSE）,通过循环神经网络编码用户历史查询行为,建模包含时序信息的序列级用户兴趣特征,并通过双层注意力机制捕获基于查询级和序列级的用户重查询行为。（3）为了验证本文提出的PRQSE模型的有效性,在AOL4PS数据集上与主流的个性化搜索方法进行对比实验,实验结果显示PRQSE模型在多个指标上都显著优于现有的个性化搜索模型。这表明本文提出的模型能够有效融合词嵌入信息和知识表示学习中的结构化信息,实现对查询的个性化表示,对用户历史行为的编码,和对用户重查询行为的有效识别,从而提升个性化搜索效果。