Este artículo realiza un análisis profundo sobre la capacidad de reconocimiento de negación de los modelos universales de incrustación de texto de última generación. Estudios previos han demostrado que los modelos de incrustación de texto contextual como BERT, ELMO, RoBERTa y XLNet tienen dificultades para comprender con precisión la negación, pero la capacidad de reconocimiento de negación de los modelos universales de incrustación de texto no ha sido clara debido al sesgo de los puntos de referencia de evaluación. En este estudio, encontramos que los modelos universales de incrustación de texto de última generación no reconocen la negación y tienden a interpretar pares de texto negados como semánticamente similares. Para abordar este problema, proponemos un método de reponderación de incrustación eficiente desde el punto de vista de los datos y computacional sin modificar los parámetros de los modelos de incrustación de texto. El método propuesto mejora la capacidad de reconocimiento de negación de los modelos de incrustación de texto en tareas de comprensión de negación tanto simples como complejas, y también mejora la capacidad de reconocimiento de negación de incrustaciones de texto universales de alta dimensión y específicas para tareas basadas en modelos de lenguaje a gran escala.
