Relevance Feature Discovery est un modèle innovant qui classe les termes dans des catégories distinctes et met efficacement à jour les poids et la distribution des termes dans les modèles, ce qui permet d'améliorer les performances de l'exploration de textes.Les termes qui apparaissent plus fréquemment dans les articles pertinents sont considérés comme des termes spécifiques positifs. Les termes qui apparaissent plus fréquemment dans les articles pertinents sont considérés comme des termes spécifiques positifs. Les termes qui apparaissent plus fréquemment dans les articles non pertinents sont classés comme des termes spécifiques négatifs. L'objectif du Relevance Feature Discovery est d'extraire des caractéristiques de haute qualité qui représentent avec précision les demandes de l'utilisateur. Ce système est plus performant que les techniques basées sur les termes et les motifs.