信息技术的快速发展改变了人们的工作、学习与生活,如何从大量的文本数据中快速并且准确地检索到用户需要的信息成为了大数据信息时代的一大难题。传统信息检索方法是基于关键词的检索,忽略了语义信息,用户检索体验较差。本文将查询匹配方法引入查询扩展技术,并且结合改进后的排序算法和全文搜索引擎对信息检索技术进行优化,有助于改善用户查询过程中存在的“词不达意”和“文档不匹配”的问题。本论文的工作内容及主要贡献如下。首先,针对传统查询扩展算法忽略语义信息的缺点,在基于Word2vec查询扩展方法的基础上,结合自动阈值筛选方法和改进的LSF技术,提出基于词向量的语义扩展算法LW-TF。LW-TF算法实现的查询匹配包括两个步骤:一是结合自动阈值筛选方法和改进的LSF技术,以获取语义扩展词实现语义匹配;二是通过向量加权法获取查询向量和文档向量,实现关联匹配。实验结果表明,基于词向量的语义扩展算法相较于其他算法实现了查全率和查准率的提升,证明了算法的有效性。其次,本文结合LW-TF算法与改进后的BM25F-N排序评分算法,在全文检索的基础上,提出基于词向量扩展的语义检索算法,改善了传统搜索引擎排序算法对搜索结果评分排序时容易忽略文档重要信息的缺点。本文以财经新闻作为实验数据,将新闻的时间因素和网站知名度因素列为搜索结果排序的重要考核指标。实验结果表明,基于词向量扩展的语义检索算法的检索效果,相较于其他算法实现了语义检索查全率、查准率和F-measure的提升,达到了良好的检索效果。最后,建立了基于词向量扩展的语义检索模型,完善各个功能模块并通过实验验证。检索结果表明本文提出的语义检索模型相较于传统查询检索方法,充分考虑了查询与扩展词之间的语义关系以及查询与文档之间的匹配关系,同时引入时间因素和网站知名度因素对检索结果进行排序。希望通过本次研究可为语义检索模型的研究与设计提供一定参考价值。