信息检索 (IR) 中的相关性反馈循环是一个系统通过结合用户对哪些文档相关或不相关的反馈来迭代改进搜索结果的过程。当用户提交查询时，系统返回一组初始结果。然后，用户提供显式或隐式反馈——例如单击特定文档或将其标记为相关——系统使用这些反馈来调整查询或其排序算法。此循环重复进行，随着时间的推移改进结果，以更好地符合用户的意图。目标是通过从交互中学习来减少噪声并浮现更有用的信息。
实现相关性反馈循环通常涉及调整术语权重、扩展查询或修改排名标准的算法。例如，在向量空间模型中，像 Rocchio 算法这样的技术通过将查询向量移动到更接近标记为相关的文档并远离不相关的文档来更新查询向量。机器学习方法，例如使用在反馈数据上训练的分类器，也可以优先考虑与相关性相关的特征（例如，特定关键词或元数据）。一个实际的例子是一个搜索引擎，它在观察到用户一致地选择包含这些术语的结果后，将同义词或相关术语添加到原始查询中。开发人员可以通过存储用户交互（点击、停留时间）并定期或实时地重新训练模型来整合反馈。
然而，相关性反馈循环也面临着挑战。如果系统过于依赖有限的反馈，可能会发生过拟合，导致结果过于狭窄。例如，如果用户只将技术文章标记为相关，系统可能会排除即使需要也对初学者友好的内容。隐式反馈（例如，点击）也可能存在噪声——用户可能会点击一个结果，但发现它没有帮助。为了缓解这种情况，开发人员通常会将反馈与静态排名信号（例如，PageRank）混合，或者应用衰减因子来优先考虑最近的输入。此外，当没有初始反馈时，会出现冷启动问题，需要使用预训练模型或众包数据等混合方法。在适应性和稳定性之间取得平衡是构建有效的、以用户为中心的 IR 系统的关键。