การดึงข้อมูลสารสนเทศ (Information Retrieval - IR) เป็นสาขาที่พัฒนาขึ้นพร้อมกับระบบฐานข้อมูลมาหลายปี ไม่เหมือนสาขาระบบฐานข้อมูลที่เน้นการประมวลผลคิวรีและธุรกรรมของข้อมูลที่มีโครงสร้าง IR สนใจการจัดระเบียบและการดึงข้อมูลจากเอกสารข้อความหลายเอกสาร
เนื่องจาก IR และระบบฐานข้อมูลจัดการข้อมูลประเภทต่างกัน ปัญหาบางอย่างของระบบฐานข้อมูลมักไม่ปรากฏในระบบ IR เช่น การควบคุมการทำงานพร้อมกัน (concurrency control), การกู้คืน (recovery), การจัดการธุรกรรม (transaction management), และการอัปเดต มีปัญหา IR ทั่วไปบางอย่างที่ไม่คุ้นเคยในระบบฐานข้อมูลแบบดั้งเดิม เช่น เอกสารไม่มีโครงสร้าง, การค้นหาประมาณจากคีย์เวิร์ด, และแนวคิดของ relevance (ความเกี่ยวข้อง)
เนื่องจากข้อมูลข้อความอุดมสมบูรณ์ IR จึงพบการประยุกต์ใช้หลายอย่าง มีระบบ IR หลายระบบ รวมถึงระบบแคตตาล็อกห้องสมุดออนไลน์, ระบบจัดการบันทึกออนไลน์, และเครื่องมือค้นหาเว็บที่พัฒนาล่าสุด
ปัญหาการดึงข้อมูลทั่วไปคือการค้นหาเอกสารที่เกี่ยวข้องในชุดเอกสารขึ้นอยู่กับคิวรีของผู้ใช้ ซึ่งมักเป็นคีย์เวิร์ดบางอย่างที่ระบุความต้องการข้อมูล แม้จะอาจเป็นตัวอย่างของบันทึกที่เกี่ยวข้องก็ได้ นี่เหมาะสมที่สุดเมื่อผู้ใช้มีความต้องการข้อมูล ad hoc (ระยะสั้น) เช่น หาข้อมูลซื้อรถมือสอง เมื่อผู้ใช้มีความต้องการข้อมูลระยะยาว (เช่น ความสนใจของนักวิจัย) ระบบดึงข้อมูลก็สามารถ主动 "push" องค์ประกอบข้อมูลที่เพิ่งมาถึงไปยังผู้ใช้ หากองค์ประกอบนั้นถูกตัดสินว่เกี่ยวข้องกับความต้องการข้อมูลของผู้ใช้
มีสองขนาดพื้นฐานสำหรับประเมินคุณภาพการดึงข้อมูลข้อความ ดังนี้:
Precision (ความแม่นยำ) — เป็นเปอร์เซ็นต์ของข้อมูลที่ดึงมาและที่เกี่ยวข้องกับคิวรีจริง (คือ การตอบที่ "ถูกต้อง") แสดงอย่างเป็นทางการว่า
$$precision=\frac{|\left\{ Relevant \right\}\cap\left\{ Retrieved \right\}|}{|\left\{ Retrieved \right\}|}$$
Recall (ความครอบคลุม) — เป็นเปอร์เซ็นต์ของบันทึกที่เกี่ยวข้องกับคิวรีและถูกดึงมาจริง แสดงอย่างเป็นทางการว่า
$$recall=\frac{|\left\{ Relevant \right\}\cap\left\{ Retrieved \right\}|}{|\left\{ Relevant \right\}|}$$
ระบบ IR มักต้องแลกเปลี่ยน recall กับ precision หรือในทางกลับกัน ขนาด trade-off ที่ใช้ทั่วไปคือ F-score ซึ่งนิยามเป็น harmonic mean ของ recall และ precision:
$$F\underline{}score=\frac{recall \times precision }{(recall+precision)^{2}}$$
Harmonic mean บังคับให้ระบบไม่สามารถเสียสละขนาดหนึ่งเพื่ออีกขนาดหนึ่งได้อย่างรุนแรงเกินไป Precision, recall, และ F-score เป็นขนาดพื้นฐานของชุดบันทึกที่ดึงมา สามขนาดนี้โดยทั่วไปไม่มีประโยชน์สำหรับการเปรียบเทียบรายการไฟล์ที่จัดอันดับสองรายการ เพราะไม่ไวต่อการจัดอันดับภายในของเอกสารในชุดที่ดึงมา
