跳到正文
arXiv cs.CL· Taegyeong Lee, Jiwon Park, Seunghyun Hwang, JooYoung Jang·· 10 小时前AI 评分26

DEO:面向否定感知检索的免训练直接嵌入优化方法

DEO: Training-Free Direct Embedding Optimization for Negation-Aware Retrieval

AI 导读

研究者提出免训练方法 DEO,将查询拆分为正向与负向成分并用对比目标优化查询嵌入,无需额外训练数据或模型更新即可处理否定与排除类检索。在 NegConstraint 上,DEO 较基线提升 +0.0738 nDCG@10 和 +0.1028 MAP@100;多模态检索中 Recall@5 较 OpenAI CLIP 提升 +6%。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:大语言模型(LLMs)和检索增强生成(RAG)的最新进展催生了多样化的检索方法。然而,现有检索方法往往无法准确检索否定和排除查询的结果。为解决这一局限,先前的方法依赖于嵌入适配或微调,这引入了额外的计算成本和部署复杂性。我们提出直接嵌入优化(DEO),一种无需训练的否定感知文本与多模态检索方法。DEO 将查询分解为正向和负向组件,并以对比目标优化查询嵌入。无需额外训练数据或模型更新,DEO 在 NegConstraint 上优于基线,nDCG@10 提升 +0.0738,MAP@100 提升 +0.1028,同时在多模态检索中相比 OpenAI CLIP 将 Recall@5 提升 +6\%。这些结果证明了 DEO 在真实场景中进行否定和排除感知检索的实用性。
评论: 已被 ACL 2026 的 RAG4Report Workshop 接收。修正了拼写错误并添加了致谢
主题: 计算与语言(cs.CL)
引用为: arXiv:2603.09185 [cs.CL]
  (或 arXiv:2603.09185v2 [cs.CL] 为此版本)
  https://doi.org/10.48550/arXiv.2603.09185

arXiv 颁发的 DOI(通过 DataCite)

提交历史

来自:Taegyeong Lee [查看邮箱]
[v1] 2026年3月10日 星期二 04:47:15 UTC(1,315 KB)
[v2] 2026年11月19日 星期四 07:58:50 UTC(1,315 KB)

来源:arXiv cs.CL · arxiv.org