CLIRudit：面向科学文献的跨语言信息检索
信息检索
2025-11-20 v2 计算与语言
摘要
跨语言信息检索（CLIR）帮助用户检索不同于查询语言的文档。尤其在学术搜索领域，关键科研成果常以非英语语言发表。我们提出 CLIRudit，这是一个由 \'Erudit（加拿大出版平台）构建的英文-法语学术检索数据集。通过多语言元数据，我们将作者撰写的英文关键词作为查询词，配对非英文摘要作为目标文档。该方法可适用于其他语言和数据仓库。我们对 various 一级稀疏和稠密检索器进行基准测试，分别考虑是否使用机器翻译。我们发现，无翻译的稠密嵌入性能几乎与使用机器翻译的系统相当；翻译文档通常比翻译查询更有效；而带文档翻译的稀疏检索器仍保持竞争力且效率更高。除发布首个英文-法语学术检索数据集外，我们提供可复现的基准测试方法，以提高对非英语学术内容的获取。
引用
@article{arxiv.2504.16264,
title = {CLIRudit: Cross-Lingual Information Retrieval of Scientific Documents},
author = {Francisco Valentini and Diego Kozlowski and Vincent Larivière},
journal= {arXiv preprint arXiv:2504.16264},
year = {2025}
}
备注
Camera-ready for the 5th Multilingual Representation Learning (MRL) Workshop (Co-located with EMNLP 2025)