改进韩英跨语言检索：语言构成与模型融合的数据中心研究

随着多语言文本信息的日益增长，跨语言信息检索（CLIR）已成为关键研究领域。然而，训练数据构成对 CLIR 与单语言信息检索（IR）性能的影响尚未得到充分探讨。为系统性地考察这一数据中心问题，本文构建了语言平行的韩英数据集，并训练了不同语言组合的检索模型。实验结果表明，训练数据的语言构成对 IR 性能具有显著影响，呈现出重要的跨语言相关性：CLIR 性能随特定语言配对而提升，而单语言 IR 性能则下降。我们的工作表明，模型融合（Model Merging）可有效缓解这一权衡，既实现强大的 CLIR 效果，又保持单语言 IR 能力。我们的发现凸显了训练数据的语言配置对 CLIR 与单语言 IR 的影响，并将模型融合作为优化这两类任务性能的可行策略呈现出来。