基于关联反馈的查询语言建模已被广泛应用于提高信息检索的有效性。 然而,在现有方法中,尚未充分解决查询内词条的依赖性(即,不同查询词和词条组合之间的依赖性)。 本文旨在在一个全面的框架(即方面查询语言模型(Aspect Query Language Model,AM))中研究此问题。 我们建议使用隐藏的马尔可夫模型(HMM)结构来扩展AM,以合并查询内词项依存关系,并学习用于查询语言建模的新颖方面HMM(AHMM)的结构。 在提出的AHMM中,查询词的组合被视为表示查询方面的潜在变量。 它们进一步形成遍历HMM,其中将潜在变量(节点)之间的依存关系建模为过渡概率。 来自反馈文档的分段块被视为HMM的可观察对象。 然后通过HMM优化AHMM结构,可以估计潜在变量的先验和观察到的块的概率分布。 我们对三个大型文本检索会议(TREC)集合进行的广泛实验表明,我们的方法不仅在有效性和鲁棒性方面显着优于许多强大的基准,而且还比AM和其他状态更好的结果最先进的方法,即潜在概念扩展模型。 (c)2014年,Wiley Periodicals,Inc.