文档频率（DF）在信息检索系统的评分中发挥着关键作用，特别是在像词频-逆文档频率（TF-IDF）这样的算法中。DF的基本思想是衡量一个术语在一组文档中是多么常见或稀有。在评分中，它有助于对术语进行加权，以便更常见的术语不会主导搜索结果，从而使更相关和精确的匹配内容能够浮现出来。
例如，考虑一个新闻文章的文档集合，其中“the”、“and”或“is”等术语在许多文章中频繁出现。如果我们仅依赖术语频率——即一个术语在特定文档中出现的频率——我们会发现这些常见术语的得分很高，尽管它们并没有提供有意义的内容。通过结合文档频率，我们可以降低这些常见词的得分，因为它们高的DF表明它们没有提供独特的上下文。因此，出现在较少文档中的术语会获得更多的重要性，这样在用户搜索特定主题时，文档的得分更相关。
在实际操作中，这意味着在建立搜索引擎或推荐系统时，开发人员必须仔细计算DF，以有效地塑造他们的评分指标。例如，在一个图书馆数据库中，像“量子计算”这样罕见的术语可能具有低DF，因为它只在少数专业书籍中提到，从而在搜索结果中给予它更高的权重。相反，更通用的术语如“科学”可能具有高DF和较低的权重。这种方法确保搜索结果更好地反映用户的意图，与内容的相关性和特异性紧密对齐。