DEO：面向否定感知检索的无训练直接嵌入优化
计算与语言
2026-03-11 v1
摘要
最近的大型语言模型（LLM）和检索增强生成（RAG）的进展促进了多样化的检索方法。然而，现有检索方法往往难以准确检索否定和排除查询的结果。为解决这一限制，先前方法依赖嵌入适应或微调，引入额外的计算成本和部署复杂度。我们提出直接嵌入优化（DEO），一种无训练的方法，用于否定感知文本和多模态检索。DEO将查询分解为正负两个分量，并基于对比目标优化查询嵌入。在无需额外训练数据或模型更新的情况下，DEO在NegConstraint上超越基线，nDCG@10提升+0.0738，MAP@100提升+0.1028，同时在多模态检索中将Recall@5提升6%，显著优于OpenAI CLIP。这些结果表明DEO在实际场景中具有否定和排除感知检索的实用性。
引用
@article{arxiv.2603.09185,
title = {DEO: Training-Free Direct Embedding Optimization for Negation-Aware Retrieval},
author = {Taegyeong Lee and Jiwon Park and Seunghyun Hwang and JooYoung Jang},
journal= {arXiv preprint arXiv:2603.09185},
year = {2026}
}