随着互联网的飞速发展,用户需要面对的数据越来越多,要想从这海量的数据中有效地找到符合需求的数据,当前只能使用搜索引擎。然而实际上大多数用户面对搜索引擎返回的成千上万的结果,往往无从下手,其中存在着大量与用户搜索意图不相关的干扰结果。另外,传统搜索引擎的结果返回方式为一维线性列表,也降低了用户的查询效率。目前,对于提高用户搜索效率的研究越来越受到重视,许多学者从搜索结果文档或搜索日志入手提出各种各样提高搜索效率的方法。本文主要研究和探索如何基于现有搜索引擎资源提高用户的搜索效率,实现一种能弥补现有系统不足的方法。该方法从搜索日志入手,对搜索日志信息进行有效的处理和提取,得到相关的数据集。然后构造种子搜索词在数据集中提取满足不同层面搜索意图的候选词语,并提取有效特征数据进行训练,得到一个二分类模型。对于用户查询词,先用分类模型得到用于推荐的相关搜索词,再通过短文本相似度计算等方法合并相似文本。最后返回给用户不同意图的相关搜索词以及结构更加合理的搜索文档。实验表明,该方法能够提取出符合预期的相关搜索词,进而有效提升搜索效率。