Minería de Negativos Difíciles para Recuperación de Información Específica de Dominio en Sistemas Empresariales

Hard Negative Mining for Domain-Specific Retrieval in Enterprise Systems

May 23, 2025

Autores: Hansa Meghwani, Amit Agarwal, Priyaranjan Pattnayak, Hitesh Laxmichand Patel, Srikant Panda

cs.AI

Resumen

Los sistemas de búsqueda empresarial a menudo tienen dificultades para recuperar información precisa y específica del dominio debido a desajustes semánticos y terminologías superpuestas. Estos problemas pueden degradar el rendimiento de aplicaciones posteriores, como la gestión del conocimiento, el soporte al cliente y los agentes de generación aumentada por recuperación. Para abordar este desafío, proponemos un marco escalable de minería de negativos duros específicamente diseñado para datos empresariales específicos del dominio. Nuestro enfoque selecciona dinámicamente documentos semánticamente desafiantes pero contextualmente irrelevantes para mejorar los modelos de reordenamiento implementados. Nuestro método integra diversos modelos de incrustación, realiza reducción de dimensionalidad y selecciona de manera única negativos duros, garantizando eficiencia computacional y precisión semántica. La evaluación en nuestro corpus empresarial propietario (dominio de servicios en la nube) demuestra mejoras sustanciales del 15\% en MRR@3 y del 19\% en MRR@10 en comparación con los mejores baselines y otras técnicas de muestreo negativo. Una validación adicional en conjuntos de datos públicos específicos del dominio (FiQA, Climate Fever, TechQA) confirma la generalizabilidad de nuestro método y su preparación para aplicaciones del mundo real.

English

Enterprise search systems often struggle to retrieve accurate, domain-specific information due to semantic mismatches and overlapping terminologies. These issues can degrade the performance of downstream applications such as knowledge management, customer support, and retrieval-augmented generation agents. To address this challenge, we propose a scalable hard-negative mining framework tailored specifically for domain-specific enterprise data. Our approach dynamically selects semantically challenging but contextually irrelevant documents to enhance deployed re-ranking models. Our method integrates diverse embedding models, performs dimensionality reduction, and uniquely selects hard negatives, ensuring computational efficiency and semantic precision. Evaluation on our proprietary enterprise corpus (cloud services domain) demonstrates substantial improvements of 15\% in MRR@3 and 19\% in MRR@10 compared to state-of-the-art baselines and other negative sampling techniques. Further validation on public domain-specific datasets (FiQA, Climate Fever, TechQA) confirms our method's generalizability and readiness for real-world applications.