相关搜索是数据挖掘研究领域中一个经典的主题,其具体任务是在知识图谱中搜索与查询实体最为相关的答案实体。对于用户来说,将其查询需求规范化地表达成相关性查询较为困难,因此现有的方法一般是基于用户提供的样例答案实体来推断出查询语义所对应的元路径。然而,真实的用户往往只能提供很少的样例,甚至在交互开始的时候无法给出任何样例（也称为冷启动问题）,这也限制了现有方法的有效应用。为了解决这些问题,本文提出了迭代式相关搜索的方法。在每轮迭代中,用户可以在自动生成的答案实体中进行标记,这相比人为输入更为简单,同时本文也会根据用户的反馈来改进生成的答案实体从而起到激励用户的作用。为了实现这种新的迭代机制,本文提出了一种通用的方法TRAVERS。首先,该方法创新性地提出了基于加权最大覆盖模型的多样性驱动的排序模块,该模块可以有效地解决冷启动问题;其次,该方法通过成对排序学习增强的相关性驱动模块来学习相关性,并削弱了用户标记的不均衡样本的影响;此外,该方法通过将两种不同排序模块的结果进行动态整合来解决“探索-利用”困境;最后,本文在考虑了不同噪声因素的情况下进行了较丰富的实验。大量的模拟和真实用户行为实验表明,TRAVERS的表现优于各种经过适配的基线模型。