在信息检索 (IR) 中，文档是系统处理、存储和检索的基本数据单元。它表示任何独立的单条信息，例如文本文件、网页、电子邮件或 PDF。文档被视为包含用户可能搜索的内容（如关键字、短语或主题）的不同实体。例如，关于天气预报的网页、关于机器学习的研究论文或电子商务数据库中的产品描述都被视为 IR 中的文档。 关键思想是，每个文档都基于其内容进行索引并使其可搜索，从而允许用户查询系统并检索相关结果。
在 IR 系统中，文档经过预处理以提取特征以进行高效检索。这通常涉及分词（将文本拆分为单词或术语）、删除停用词（如“和”或“这”等常用词）以及应用词干提取或词形还原以将单词简化为其词根形式。例如，包含句子“The quick brown fox jumps”的文档可以被分词为 ["quick", "brown", "fox", “jump”]，删除“the”并将“jumps”词干提取为“jump”。 然后将这些已处理的术语存储在倒排索引中，倒排索引是一种将术语映射到包含它们的文档的数据结构。 这允许系统快速查找哪些文档与用户的查询术语匹配。
文档在 IR 中的作用不仅仅是简单的存储。它们构成了排名算法的基础，例如 TF-IDF（词频-逆文档频率）或 BM25，这些算法确定文档与查询的匹配程度。例如，如果用户搜索“机器学习算法”，如果文档经常提到“机器学习”和“算法”，系统可能会对这些文档进行更高的排名，同时避免那些术语在所有文档中出现太多的文档。文档还可以包括元数据（例如，发布日期、作者）或结构元素（例如，HTML 中的标题），某些系统使用这些元数据或结构元素来提高相关性。虽然文本仍然是主要焦点，但现代 IR 系统可以通过提取文本元数据或使用嵌入进行相似性比较来处理多媒体文档（图像、视频）。最终，文档的概念使 IR 系统能够大规模地组织和检索信息。