近年来，在信息检索（IR）中对多维相关性进行建模已引起了广泛的关注。 但是，大多数现有研究是通过相对较小规模的用户研究进行的，这可能无法反映现实世界和自然搜索情况。 在本文中，我们建议研究大规模查询日志上的多维用户相关模型（MURM），该模型在自然搜索设置中记录用户的各种搜索行为（例如，查询重新编写，点击次数和停留时间等）。 通过提供两个额外的维度，即兴趣和习惯，我们改进了现有的MURM模型（包括五个维度：时事性，新颖性，可靠性，可理解性和范围）。 这两个新维度代表对检索到的文档的个性化相关性判断。 此外，对于丰富的MURM模型中的每个维度，制定了一组可计算的特征。 通过对Bing的查询日志和TREC会话跟踪数据进行广泛的文档排名实验，我们系统地研究了每个维度对检索性能的影响，并获得了一系列有见地的发现，这些发现可能会为未来的IR系统设计带来好处。
