在如今的大数据时代,文本信息错综复杂,如何在浩瀚的文本信息库中快速且准确的查询到所需要的文本为信息检索带来了挑战性难题。在选取准确的关键词和筛选限制条件问题上的困难,使得在大量文本信息中精准查找所需文本信息的任务变得枯燥乏味且费时费力。近年来,研究人员开始借助机器学习算法对文本信息进行分类从而帮助解决文本信息检索任务,但是运用机器学习算法为文本信息检索任务带来了新的挑战。首先,某个文本领域的专家可能并不精通机器学习甚至对机器学习领域毫无研究,而大多数分类方法需要不断地调节分类算法中的参数才能得到令人满意的分类准确率;其次,机器学习中的分类算法大多是有监督学习,然而让文本领域的专家对每个未标注的文本信息标注标签又是一项及其繁琐的任务。本课题试图解决上述两个约束,引入了语义交互和主动学习算法,构建了一个基于语义交互和主动学习的迭代式检索框架,并设计实现了一个交互式的信息检索可视分析系统:通过计算文本相似度获得初始训练数据集;利用卡方检验获取文本特征构建SVM分类器;利用主动学习查询SVM分界面附近的样本点进行标注,从而迭代优化分类器。并且构建了一个可以进行文档移动、高亮、检索、注释语义交互的力导向图,通过力导向图、t-SNE降维图、词云辅助用户了解文献信息并标注正确的标签。在案例研究中发现本方法中可视化系统以及实现了语义交互的力导向图可以清晰显示出文献间的关系,并提高用户标注的准确度;本方法的主动学习,降低了推荐系统的标注量,并加快了需求挖掘和样本学习的速度。在用户需求模糊的情况下,本方案可以快速且准确的查询到用户真正需求的文献。