Unpräzise Anfragen, wie solche nach Ähnlichkeit, stellen traditionelle Da- tenbanken vor zwei Herausforderungen: die Integration unpräziser Prädikate und die Gewichtung dieser innerhalb ihrer Anfragelogik. Letzteres wird besonders durch das subjektive Ähnlichkeitsempfinden des Nutzers notwendig. Die vorliegende Arbeit stellt ein theoretisches Framework vor, welches Termgewichte in eine quantenlogikbasierte Anfragesprache, die den Gesetzen einer Booleschen Algebra gehorcht, integriert. Zur Formulierung von Gewichtungen wird nutzerseitig auf das Konzept der Präferenz zurückgegriffen. Intern jedoch werden numerische Gewichtswerte verwendet, um eine definierte Reihenenfolge von Ergebnisobjekten zu erzeugen. Im Rahmen eines Relevance-Feedback-Prozesses finden Verfahren des maschinellen Lernes Einsatz, um den Nutzer bei der Gewichtssetzung entsprechend seiner Anfrageintention zu unterstützen. Experimentelle Ergebnisse unterstreichen die Effektivität des Ansatzes und zeigen deutlich, dass maschinenbasierte Lernverfahren im Rahmen des Relevance- Feedbacks dem Nutzer bei der Recherche helfen.