在信息检索 (IR) 中，稀疏向量是一种用于表示文档或查询的数据结构，其中大多数维度（或位置）的值为零。在 IR 中，文本数据通常转换为数值向量，以支持诸如相似性比较之类的数学运算。向量中的每个维度对应于来自预定义词汇表的唯一术语（单词）。例如，如果词汇表包含 10,000 个术语，则文档的向量将具有 10,000 个维度。但是，由于大多数文档仅包含这些术语的一小部分，因此向量的大部分值将为零。与大多数值非零的密集向量相比，这种稀疏性使得存储和计算更加高效。
稀疏向量通常用于诸如 词袋模型 或 TF-IDF (词频-逆文档频率)之类的模型中。例如，考虑一个包含来自 1,000 个术语的词汇表的词语“猫”、“狗”和“鱼”的文档。它的稀疏向量可能在对应于这三个词语的位置具有非零值（例如，[0, 0, 3, 0, 2, …, 0, 1]），其中数字表示术语频率。其余的 997 个位置保持为零。将此存储为稀疏向量避免了为所有 1,000 个维度分配内存，从而减少了内存使用并加快了诸如点积（用于计算相似度得分）之类的运算。
在实践中，稀疏向量使用诸如字典或哈希图之类的数据结构来实现，其中仅存储非零值及其索引。例如，Python 字典可能会将术语“猫”映射到其 TF-IDF 权重，跳过文档中不存在的所有术语。这种效率在大型系统中（如搜索引擎）至关重要，在这些系统中，使用密集表示处理具有高维词汇表的数百万个文档是不可行的。但是，稀疏向量缺少术语之间的语义关系（例如，“猫”和“小猫”被视为无关），这是密集嵌入（例如，word2vec 或 BERT）解决的一个局限性。尽管如此，由于其简单性和可解释性，稀疏向量仍然广泛用于诸如关键字搜索和排名之类的任务。