Mejora de la Proximidad Semántica en la Recuperación de Información mediante Alineación Translingüe

Improving Semantic Proximity in Information Retrieval through Cross-Lingual Alignment

April 7, 2026

Autores: Seongtae Hong, Youngjoon Jang, Jungseob Lee, Hyeonseok Moon, Heuiseok Lim

cs.AI

Resumen

Con la creciente accesibilidad y utilización de documentos multilingües, la Recuperación de Información Translingüe (CLIR) ha surgido como un área de investigación importante. Tradicionalmente, las tareas de CLIR se han llevado a cabo en entornos donde el idioma de los documentos difiere del de las consultas, y, por lo general, los documentos están compuestos en un único idioma coherente. En este artículo, destacamos que en dicho entorno, la capacidad de alineación translingüe puede no evaluarse adecuadamente. Específicamente, observamos que, en un conjunto de documentos donde los documentos en inglés coexisten con otro idioma, la mayoría de los recuperadores multilingües tienden a priorizar documentos en inglés no relacionados sobre el documento relacionado escrito en el mismo idioma que la consulta. Para analizar y cuantificar rigurosamente este fenómeno, introducimos varios escenarios y métricas diseñados para evaluar el rendimiento de alineación translingüe de los modelos de recuperación multilingües. Además, para mejorar el rendimiento translingüe bajo estas condiciones desafiantes, proponemos una nueva estrategia de entrenamiento destinada a mejorar la alineación translingüe. Utilizando solo un pequeño conjunto de datos que consta de 2.8k muestras, nuestro método mejora significativamente el rendimiento de la recuperación translingüe y, al mismo tiempo, mitiga el problema de la inclinación hacia el inglés. Análisis exhaustivos demuestran que el método propuesto mejora sustancialmente las capacidades de alineación translingüe de la mayoría de los modelos de incrustación multilingües.

English

With the increasing accessibility and utilization of multilingual documents, Cross-Lingual Information Retrieval (CLIR) has emerged as an important research area. Conventionally, CLIR tasks have been conducted under settings where the language of documents differs from that of queries, and typically, the documents are composed in a single coherent language. In this paper, we highlight that in such a setting, the cross-lingual alignment capability may not be evaluated adequately. Specifically, we observe that, in a document pool where English documents coexist with another language, most multilingual retrievers tend to prioritize unrelated English documents over the related document written in the same language as the query. To rigorously analyze and quantify this phenomenon, we introduce various scenarios and metrics designed to evaluate the cross-lingual alignment performance of multilingual retrieval models. Furthermore, to improve cross-lingual performance under these challenging conditions, we propose a novel training strategy aimed at enhancing cross-lingual alignment. Using only a small dataset consisting of 2.8k samples, our method significantly improves the cross-lingual retrieval performance while simultaneously mitigating the English inclination problem. Extensive analyses demonstrate that the proposed method substantially enhances the cross-lingual alignment capabilities of most multilingual embedding models.