Ajuste fino de un modelo de embeddings ligero pa ra la recuperación semántica de jerga coloquial en co mercio electrónico mediante bases de datos vectoriales

Abstract

Este trabajo evalúa el fine-tuning de un modelo de embeddings ligero(MiniLM-L6-v2)paralare cuperación semántica de productos en comercio electrónico cuando las consultas se formulan en español coloquial. Los buscadores basados en palabras clave no logran asociar consultas informales como “estuche pal celu xiami” con descripciones técnicas como “Carcasa protec tora Xiaomi Redmi Note 12”. Todo el estudio se realizó con datos sintéticos y en condiciones experimentales controladas: se generó un conjunto base de 1656 pares ancla–positivo, par ticionado en entrenamiento, validación y prueba de forma disjunta y ampliado por sustitución de variantes coloquiales a 9684 pares de entrenamiento, y se ajustó el modelo con Multiple Negatives Ranking Loss durante 20 épocas, con selección del mejor punto de control por pér dida de validación...This work evaluates the fine-tuning of a lightweight embedding model (MiniLM-L6-v2) for se manticproduct retrieval in e-commerce whenqueriesare written in colloquialSpanish.Keyword based search fails to map informal queries such as “estuche pal celu xiami” to technical des criptions such as “Carcasa protectora Xiaomi Redmi Note 12”. The whole study was carried out on synthetic data under controlled experimental conditions: a base set of 1,656 anchor–positive pairs was generated, split into disjoint training, validation and test partitions, and expanded by colloquial-variant substitution to 9,684 training pairs; the model was fine-tuned with Multiple Negatives Ranking Loss over 20 epochs, selecting the best checkpoint by validation loss...