Hard Negative Mining voor Domeinspecifieke Retrieval in Bedrijfssystemen

Hard Negative Mining for Domain-Specific Retrieval in Enterprise Systems

May 23, 2025

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

cs.AI

Samenvatting

Bedrijfszoekmachines hebben vaak moeite om nauwkeurige, domeinspecifieke informatie op te halen vanwege semantische mismatches en overlappende terminologieën. Deze problemen kunnen de prestaties van downstream toepassingen zoals kennisbeheer, klantenondersteuning en retrieval-augmented generatie-agents verslechteren. Om deze uitdaging aan te pakken, stellen we een schaalbaar framework voor hard-negative mining voor, specifiek ontworpen voor domeinspecifieke bedrijfsdata. Onze aanpak selecteert dynamisch semantisch uitdagende maar contextueel irrelevante documenten om geïmplementeerde herrangschikkingsmodellen te verbeteren. Onze methode integreert diverse embedding-modellen, voert dimensiereductie uit en selecteert op unieke wijze hard negatives, wat rekenkundige efficiëntie en semantische precisie waarborgt. Evaluatie op ons propriëtaire bedrijfscorpus (clouddienstdomein) toont aanzienlijke verbeteringen van 15\% in MRR@3 en 19\% in MRR@10 in vergelijking met state-of-the-art baselines en andere negative sampling-technieken. Verdere validatie op openbare domeinspecifieke datasets (FiQA, Climate Fever, TechQA) bevestigt de generaliseerbaarheid van onze methode en de gereedheid voor real-world toepassingen.

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.