Miglioramento della Prossimità Semantica nel Recupero delle Informazioni tramite Allineamento Translinguistico

Improving Semantic Proximity in Information Retrieval through Cross-Lingual Alignment

April 7, 2026

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

cs.AI

Abstract

Con l'aumentata accessibilità e utilizzo di documenti multilingue, il Recupero di Informazioni Translinguistico (CLIR) è emerso come un importante ambito di ricerca. Tradizionalmente, i compiti di CLIR sono stati condotti in contesti in cui la lingua dei documenti differisce da quella delle query, e tipicamente i documenti sono redatti in un'unica lingua coerente. In questo articolo, evidenziamo come in tale contesto la capacità di allineamento translinguistico potrebbe non essere valutata adeguatamente. In particolare, osserviamo che, in un insieme di documenti in cui coesistono documenti inglesi con un'altra lingua, la maggior parte dei sistemi di recupero multilingue tende a privilegiare documenti inglesi non correlati rispetto al documento correlato scritto nella stessa lingua della query. Per analizzare e quantificare rigorosamente questo fenomeno, introduciamo vari scenari e metriche progettati per valutare le prestazioni di allineamento translinguistico dei modelli di recupero multilingue. Inoltre, per migliorare le prestazioni translinguistiche in queste condizioni complesse, proponiamo una nuova strategia di addestramento mirata a potenziare l'allineamento translinguistico. Utilizzando solo un piccolo dataset composto da 2.8k campioni, il nostro metodo migliora significativamente le prestazioni di recupero translinguistico mitigando simultaneamente il problema dell'inclinazione verso l'inglese. Ampie analisi dimostrano che il metodo proposto migliora sostanzialmente le capacità di allineamento translinguistico della maggior parte dei modelli di embedding multilingue.

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.