基于傳統信息檢索技術的搜索引擎一般按照用戶提交的查詢獲得一系列搜索結果，經過相關性排序之后返回給用戶。相關研究表明，用戶提交給搜索引擎的査詢通常是短査詢，且經常具有歧義性和寬泛性。另外，不同的用戶在使用同一個查詢詞時，其查詢需求也往往是不同的。此時若搜索引擎只進行相關性排序，則會面臨搜索結果冗余性過大、無法有效覆蓋用戶意圖的問題，對用戶體驗產生負面影響。為了滿足用戶需求，現有的搜索引擎在搜索排序過程中必須有效應對查詢歧義性問題。搜索結果多樣化是解決這個問題的方法之一，其目標是盡量提升搜索結果的多樣性，讓搜索結果盡可能多地覆蓋不同用戶的查詢意圖，以確保至少有一個結果可以命中實際的用戶需求。和傳統的搜索排序模型僅考慮文檔和查詢的相關性不同，多樣化排序模型還需要進一步考慮文檔的新穎性或者結果集對不同用戶意圖的蓋度。現有的多樣化算法，根據是否顯式地衡量查詢包含潛在用戶意圖所對應的子話題，可以分為隱式多樣化模型和顯式多樣化模型。隱式多樣化模型通常只考慮文檔之間的相似性，即認為一份結果文檔集中的每一個結果文檔，彼此之間的不相似度越高，多樣化程度越高;而顯式多樣化模型則顯式地考慮不同查詢所對應的不同用戶意圖（以子話題表示），通過衡量結果文檔集對不同子話題覆蓋的廣度來衡量整體的多樣化程度。根據多樣化特征是人工指定的還是通過監督式學習自動獲取的，可以分為啟發式模型和學習式模型（也稱為非監督式模型和監督式模型）。啟發式模型綆入工指定的文檔相似度或子話題覆蓋程度等相關特征來判斷每個文檔對多樣化的貢獻，而學習式模型則可以通過監督式學習，自動地學習到最優化的多樣化指標這兩種分類方法相互正交，理論上顯式多樣化模型優于隱式多樣化模珰，監督式模型優于非監督式模型，但實際上模型的具體表現也可能受到訓練數據總量、子話題質量等其他因素影響。另外，最近學界對強化學習的研究也對信息檢索領域產生了一定的影響，由于多樣化排序過程也可以被視為一個依次選擇每一個候選文檔的決策過程，因此也有學者將強化搜索結果多樣化領域。本文索結果多樣化的定義，并對現有多樣化算法進行分類整理詳細介紹了每個類別中的代表性方法我們還進一步介紹了搜索結果多樣性評價方法，并給出了一系列方法的對照實驗結果。最后，我們對搜索結果多樣化技術研究的方向進行了展望。