Melhorando a Proximidade Semântica na Recuperação de Informações por meio do Alinhamento Translinguístico

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

Resumo

Com o aumento da acessibilidade e utilização de documentos multilingues, a Recuperação de Informação Translinguística (CLIR) emergiu como uma importante área de investigação. Tradicionalmente, as tarefas de CLIR têm sido conduzidas em contextos onde o idioma dos documentos difere do idioma das consultas, sendo que, normalmente, os documentos são redigidos num único idioma coerente. Neste artigo, salientamos que, num tal contexto, a capacidade de alinhamento translinguístico pode não ser avaliada de forma adequada. Especificamente, observamos que, num conjunto de documentos onde coexistem documentos em inglês com documentos noutro idioma, a maioria dos sistemas de recuperação multilingues tende a priorizar documentos em inglês não relacionados em detrimento do documento relacionado escrito no mesmo idioma da consulta. Para analisar e quantificar rigorosamente este fenómeno, introduzimos vários cenários e métricas concebidos para avaliar o desempenho do alinhamento translinguístico em modelos de recuperação multilingues. Adicionalmente, para melhorar o desempenho translinguístico nestas condições desafiadoras, propomos uma nova estratégia de treino destinada a reforçar o alinhamento translinguístico. Utilizando apenas um pequeno conjunto de dados com 2,8 mil exemplos, o nosso método melhora significativamente o desempenho da recuperação translinguística, mitigando simultaneamente o problema da inclinação para o inglês. Análises extensivas demonstram que o método proposto melhora substancialmente as capacidades de alinhamento translinguístico da maioria dos modelos de incorporação multilingues.

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.