查询扩展通过向原始查询添加相关术语或变体来改进搜索结果，从而帮助系统检索更多可能与确切关键词不匹配的相关内容。当用户搜索信息时，他们通常使用简短或含糊不清的术语，这可能导致不完整或不相关的结果。通过使用同义词、上下文术语或相关短语扩展查询，搜索系统可以考虑人们描述同一概念的不同方式，从而增加匹配语义相关但词汇不同的文档的可能性。
例如，搜索“代码编辑器”的用户可能会受益于系统将查询扩展到包括“IDE”、“文本编辑器”或“开发环境”等术语。 这种方法在依赖关键词匹配但在词汇方面存在差距的系统中效果很好。 同义词列表、词干提取（将单词还原为词根形式，例如将“running”还原为“run”）或利用知识图谱等技术可以自动化此过程。 在技术环境中，Elasticsearch 等工具允许开发人员定义同义词映射，而 BERT 等机器学习模型可以通过分析术语在大型文本语料库中的关系来生成上下文感知的扩展。
但是，查询扩展需要仔细调整。 过度扩展查询可能会引入噪声，从而返回不相关的结果。 例如，将“Java”扩展到包括“咖啡”（一个常见的同义词）可能会降低编程环境中的结果。 开发人员通常通过使用特定领域的规则、分析用户行为或应用对扩展的置信度进行权衡的算法来平衡这一点。 混合方法（例如将手动同义词列表与自动方法相结合）很常见。 使用真实世界的数据和诸如精确度（结果的相关性）和召回率（相关内容的覆盖率）之类的指标进行测试有助于优化更广泛的覆盖范围和准确性之间的权衡。