文本检索是将非结构化文本转换为结构化格式以识别有意义的模式和新见解的过程。通过使用先进的分析技术，包括朴素贝叶斯、支持向量机 (SVM) 和其他深度学习算法，组织能够探索和发现其非结构化数据中的隐藏关系。有两种文本检索方法如下 -
文档选择- 在文档选择方法中，查询被视为选择相关文档的定义约束。该类别的一般方法是布尔检索模型，其中文档由一组关键字定义，用户提供关键字的布尔表达式，例如汽车和维修店、茶或咖啡或数据库系统但不是 Oracle .
检索系统可以采用这样的布尔查询并返回满足布尔表达式的记录。由于使用布尔查询精确地规定用户数据的复杂性，布尔检索技术通常只有在用户对文档集了解很多并且可以以这种方式制定最佳查询时才能很好地工作。
文档排名- 文档排名方法使用查询按适用性顺序对所有记录进行排名。对于普通用户和探索性查询，这些技术比文档选择方法更适合。大多数当前的数据检索系统响应用户的关键字查询呈现文件的排序列表。
有几种基于大量数值基础的排名方法，例如代数、逻辑、概率和统计学。所有这些技术背后的共同直觉是，它可以将查询中的关键字与记录中的关键字连接起来，并根据每条记录与查询的匹配程度对每条记录进行评分。
目标是通过根据包括文档中单词频率和整个集合在内的信息计算出的分数来近似记录的相关程度。提供一组关键字之间相关程度的精确度量本身就很困难。例如，很难量化数据挖掘和数据分析之间的距离。
这种方法最流行的方法是向量空间模型。向量空间模型的基本思想如下：它可以将一个文档和一个查询都表示为所有关键字对应的高维空间中的向量，并使用适当的相似度度量来评估查询向量和查询向量之间的相似度。记录向量。然后可以使用相似度值对文档进行排序。