查询扩展通过向用户的原始查询添加相关术语或概念来改进图像搜索，从而增加检索到相关图像的可能性。当用户搜索“car”（汽车）之类的术语时，系统可能会将查询扩展到包括同义词（“automobile”，汽车）、相关类别（“vehicle”，车辆）或特定类型（“sedan”，轿车；“SUV”，运动型多用途车）。这通过扩大搜索范围，涵盖与图像相关的更广泛的相关元数据或标签，解决了原始查询中的限制，例如歧义或范围狭窄。例如，标记为“convertible”（敞篷车）的图像可能不会出现在基本的“car”（汽车）搜索下，但在查询扩展到包含相关术语时可能会被检索到。
从技术上讲，查询扩展依赖于语义相似性模型（例如，Word2Vec、BERT）或结构化知识库（例如，WordNet）等方法来识别相关术语。例如，搜索“jaguar”（捷豹/美洲虎）可能会根据上下文促使系统为野生动物图像添加“Panthera onca”（美洲虎的学名）或为汽车内容添加“Jaguar cars”（捷豹汽车）。开发者可以通过一个扩展模块来实现这一点，该模块基于共现统计或嵌入来附加术语。一些系统还使用用户交互数据：如果用户在搜索“jaguar”（捷豹/美洲虎）后点击了动物相关的结果，未来的扩展可能会优先考虑生物学术语。这需要将扩展逻辑集成到搜索流程中，通常通过修改查询字符串或调整扩展术语的排名权重来实现。
其好处包括缓解同义词（例如，“cell phone” vs. “mobile”，手机）和多义词（例如，作为水果的“apple” vs. 作为品牌的“apple”，苹果）的问题。例如，根据用户上下文将“apple”扩展为“fruit”（水果）或“MacBook”（苹果笔记本电脑）可以提高准确性。挑战包括避免过度扩展（例如，当用户想要科技产品时，将“tree”（树）添加到“apple”）。为了解决这个问题，系统可以使用上下文线索，例如搜索历史或会话数据。像图库平台之类的系统使用扩展来处理区域性术语（例如，“lift” vs. “elevator”，电梯）或技术术语（例如，“MRI” vs. “magnetic resonance imaging”，磁共振成像）。对于开发者而言，有效地实现这一点需要通过测试和调整扩展规则或模型阈值来平衡召回率和准确率。
