Embedding Surgery: Localized Updates for Adaptive Ranking Correction in Dense Retrieval
嵌入手术：稠密检索中自适应排序纠正的局部化更新
🧭 稠密检索 · 排序纠正 · 向量索引更新 ★ 深度解读
IIT-CNR · Seltz · ISTI-CNR
提出嵌入手术，在查询时对文档嵌入做最小凸优化更新，以满足排序偏好约束，无需重训或重建索引
📌 工作参考价值（4 点）
- 在推荐/广告向量召回中，针对 badcase、编辑干预（提权、打压、合规）无需重训或重建索引：对召回 top-k 的 item embedding 解一个小规模 QP，约束可来自人工规则、点击/转化信号或 LLM 评估；更新仅限参与 pair 的 item，保持全局空间不变。
- 利用反事实点击偏好作为约束：第 i 位点击 > 第 i-1 位未点，立即触发局部更新；即使点击有噪声也稳定，近随机点击不导致显著退化，适合在线反馈闭环。
- ANN 工程：小幅度 embedding 更新可直接原地覆盖 HNSW/IVF，无需改图边或重建索引；实验显示 185k 向量覆盖后 DL 指标无显著变化，IVF 仅 0.38% 向量跨簇，可支撑实时修正层。
- 与 query 侧自适应（如 CoRocchio）组合用；文档侧对噪声更鲁棒且能传播到语义相关 query，query 侧在可靠反馈下更强，组合在良好反馈下最高。