RAG / 检索增强生成

Comparative Analysis of Neural Retriever-Reranker Pipelines for Retrieval-Augmented Generation over Knowledge Graphs in E-commerce Applications

电商应用场景下知识图谱检索增强生成中神经检索-排序流水线的比较分析

Teri Rumble, Zbyněk Gazdík, Javad Zarrin, Jagdeep Ahluwalia

机构 * Abertay University（阿伯泰大学） 纠错

专题命中 检索器与排序 ：retrieval-augmented generation(title,abstract)；retriever(title,abstract)；RAG(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 本文研究电商场景下知识图谱检索增强生成中神经检索-排序流水线的设计与比较，通过实验验证了优化配置在提升检索性能上的有效性。

Comments This manuscript is under review at the Springer journal Knowledge and Information Systems

Graph Your Way to Inspiration: Integrating Co-Author Graphs with Retrieval-Augmented Generation for Large Language Model Based Scientific Idea Generation

通过图谱获取灵感：将合著者图谱与检索增强生成结合用于基于大语言模型的科学想法生成

Pengzhen Xie, Huizhi Liang

机构 * School of Computing Newcastle University（计算学院新castle大学） 纠错

专题命中 检索器与排序 ：retrieval-augmented generation(title,abstract)；RAG(abstract)；hybrid retrieval(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 本文提出GYWI系统，结合作者图谱与RAG技术，提升大语言模型生成科学想法的可控性和灵感追溯能力。

Comments 15 pages, 10 figures. Submitted to [RAAI]

Retrieval-Augmented Generation Assistant for Anatomical Pathology Laboratories

增强检索生成的解剖病理实验室助手

Diogo Pires, Yuriy Perezhohin, Mauro Castelli

机构 * Nova Information Management School (NOVA IMS), Universidade Nova de Lisboa, Campus de Campolide（诺瓦信息管理学院（NOVA IMS），里斯本新大学，坎波利德校区） 纠错

专题命中 检索器与排序 ：retrieval-augmented generation(title,abstract)；RAG(abstract)；hybrid retrieval(abstract)；分类 cs.IR、cs.AI

AI总结 本研究提出一种专为解剖病理实验室设计的检索增强生成助手，通过领域专用嵌入模型提升答案相关性和准确性，优化实验室规程查询效率。

Search-P1: Path-Centric Reward Shaping for Stable and Efficient Agentic RAG Training

Search-P1: 基于路径的奖励塑造用于稳定且高效的代理RAG训练

Tianle Xia, Ming Xu, Lingxiang Hu, Yiding Sun, Wenwei Li, Linfang Shang, Liqun Liu, Peng Shu, Huan Yu, Jie Jiang

机构 * Tencent（腾讯） 纠错

专题命中 检索器与排序 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL

AI总结 Search-P1通过路径中心奖励塑造提升代理RAG训练的稳定性和效率，实现7.7个百分点的准确率提升。

Interact-RAG: Reason and Interact with the Corpus, Beyond Black-Box Retrieval

Interact-RAG: 基于语义交互的检索增强生成，超越黑盒检索

Yulong Hui, Chao Chen, Zhihang Fu, Yihao Liu, Jieping Ye, Huanchen Zhang

专题命中 检索器与排序 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR

AI总结 Interact-RAG通过引入语义交互引擎，使LLM代理能够主动操控检索过程，从而提升复杂信息检索任务的性能。

Towards Dynamic Dense Retrieval with Routing Strategy

面向动态密集检索的路由策略

Zhan Su, Fengran Mo, Jinghan Zhang, Yuchen Hui, Jia Ao Sun, Bingbing Wen, Jian-Yun Nie

机构 * Clemson University（克莱姆森大学） ； University of Washington（华盛顿大学） 纠错

专题命中 检索器与排序 ：dense retrieval(title,abstract)；分类 cs.IR

AI总结 本文提出动态密集检索方法，通过前缀微调和动态路由策略实现灵活的领域适应，仅用2%参数在零样本任务中超越传统密集检索。

DS SERVE: A Framework for Efficient and Scalable Neural Retrieval

DS SERVE：一种高效可扩展的神经检索框架

Jinjian Liu, Yichuan Wang, Xinxi Lyu, Rulin Shao, Joseph E. Gonzalez, Matei Zaharia, Sewon Min

专题命中 检索器与排序 ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 DS-SERVE是一种高效可扩展的神经检索框架，通过低延迟和内存优化支持多种大规模应用

STELLAR: Storage Tuning Engine Leveraging LLM Autonomous Reasoning for High Performance Parallel File Systems

STELLAR：利用LLM自主推理的存储调优引擎用于高性能并行文件系统

Chris Egersdoerfer, Philip Carns, Shane Snyder, Robert Ross, Dong Dai

专题命中 检索器与排序 ：retrieval-augmented generation(abstract)；RAG(abstract)

AI总结 STELLAR利用LLM自主推理实现高性能并行文件系统的存储调优，通过多代理设计和检索增强生成技术提升调优效率与准确性。

Comments Published in the Proceedings of the 2025 International Conference for High Performance Computing, Networking, Storage, and Analysis (SC25)

Enriching Taxonomies Using Large Language Models

利用大型语言模型丰富分类体系

Zeinab Ghamlouch, Mehwish Alam

机构 * Télécom Paris, Institut Polytechnique de Paris（巴黎电信学院，巴黎理工学院） 纠错

专题命中 检索器与排序 ：knowledge retrieval(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 本文提出Taxoria，利用大型语言模型丰富现有分类体系，通过候选节点生成与验证提升分类的覆盖范围和准确性。

Comments Published in ECAI 2025 Demo Track

Journal ref FAIA 2025 5147-5150 (2025)

Understanding Usage and Engagement in AI-Powered Scientific Research Tools: The Asta Interaction Dataset

理解人工智能驱动的科学研究工具的使用与参与：Asta交互数据集

Dany Haddad, Dan Bareket, Joseph Chee Chang, Jay DeYoung, Jena D. Hwang, Uri Katz, Mark Polak, Sangho Suh, Harshit Surana, Aryeh Tiktinsky, Shriya Atmakuri, Jonathan Bragg, Mike D'Arcy, Sergey Feldman, Amal Hassan-Ali, Rubén Lozano, Bodhisattwa Prasad Majumder, Charles McGrady, Amanpreet Singh, Brooke Vlahos, Yoav Goldberg, Doug Downey

机构 * Allen Institute for AI（艾伦人工智能研究所） ； Core contributors（核心贡献者） 纠错

专题命中 检索器与排序 ：retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 本文通过Asta交互数据集研究用户在AI驱动的科学研究工具中的使用模式与参与行为，揭示了用户如何将系统视为协作伙伴，并提出了新的查询意图分类法以指导未来设计。

Optimizing SSD-Resident Graph Indexing for High-Throughput Vector Search

优化SSD驻留图索引以实现高吞吐量向量搜索

Weichen Zhao, Yuncheng Lu, Yao Tian, Hao Zhang, Jiehui Li, Minghao Zhao, Yakun Li, Weining Qian

专题命中 向量检索 ：vector search(title)；分类 cs.DB

AI总结 VeloANN通过局部性感知的数据布局和异步运行时优化，提升SSD驻留图索引的高吞吐量向量搜索性能。

Towards Faithful Industrial RAG: A Reinforced Co-adaptation Framework for Advertising QA

迈向可信的工业RAG：一种强化共适应框架用于广告问答

Wenwei Li, Ming Xu, Tianle Xia, Lingxiang Hu, Yiding Sun, Linfang Shang, Liqun Liu, Peng Shu, Huan Yu, Jie Jiang

机构 * Tencent（腾讯） 纠错

专题命中 知识库问答 ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.CL

AI总结 本文提出了一种强化共适应框架，通过图感知检索和证据约束强化学习，提升工业广告问答的准确性、完整性和安全性，减少幻觉率。

SmartChunk Retrieval: Query-Aware Chunk Compression with Planning for Efficient Document RAG

SmartChunk检索：具有规划的查询感知分块压缩以实现高效的文档RAG

Xuechen Zhang, Koustava Goswami, Samet Oymak, Jiasi Chen, Nedim Lipka

机构 * University of Michigan（密歇根大学） ； Adobe Research（Adobe研究） 纠错

专题命中 长文档RAG ：RAG(title,abstract)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 SmartChunk通过查询自适应框架和强化学习方案提升长文档问答效率与准确性。

Comments 26 pages, 10 figures

TCM-DiffRAG: Personalized Syndrome Differentiation Reasoning Method for Traditional Chinese Medicine based on Knowledge Graph and Chain of Thought

基于知识图谱和推理链的TCM-DiffRAG：一种用于传统中医个性化辨证的推理方法

Jianmin Li, Ying Chang, Su-Kit Tang, Yujia Liu, Yanwen Wang, Shuyuan Lin, Binkai Ou

专题命中 图谱与结构化RAG ：retrieval augmented generation(abstract)；RAG(abstract)；分类 cs.CL、cs.AI

AI总结 TCM-DiffRAG结合知识图谱与推理链，提升中医个性化诊断性能。

RAGdb: A Zero-Dependency, Embeddable Architecture for Multimodal Retrieval-Augmented Generation on the Edge

RAGdb: 一种无依赖、可嵌入的多模态检索增强生成边缘计算架构

Ahmed Bin Khalid

机构 * SKAS IT 纠错

专题命中 多模态RAG ：retrieval-augmented generation(title,abstract)；RAG(abstract)；vector search(abstract)；分类 cs.IR、cs.AI

AI总结 RAGdb通过单文件SQLite容器实现多模态检索增强生成，无需GPU推理，提升边缘计算效率与数据主权

Comments 6 pages, 2 tables

MammoWise: Multi-Model Local RAG Pipeline for Mammography Report Generation

MammoWise：多模型本地RAG流水线用于乳腺X线摄影报告生成

Raiyan Jahangir, Nafiz Imtiaz Khan, Amritanand Sudheerkumar, Vladimir Filkov

机构 * University of California, Davis（加州大学戴维斯分校） 纠错

专题命中 多模态RAG ：RAG(title,abstract)；retrieval augmented generation(abstract)；分类 cs.IR

AI总结 MammoWise是一种本地多模型流水线，通过多任务分类和检索增强生成技术，实现乳腺X线摄影报告的高准确度生成与分类。

Comments arXiv preprint (submitted 25 Feb 2026). Local multi-model pipeline for mammography report generation + classification using prompting, multimodal RAG (ChromaDB), and QLoRA fine-tuning; evaluates MedGemma, LLaVA-Med, Qwen2.5-VL on VinDr-Mammo and DMID; reports BERTScore/ROUGE-L and classification metrics

Breaking the Visual Shortcuts in Multimodal Knowledge-Based Visual Question Answering

打破多模态知识驱动视觉问答中的视觉捷径

Dosung Lee, Sangwon Jung, Boyoung Kim, Minyoung Kim, Sungyeon Kim, Junyoung Sung, Paul Hongsuck Seo

机构 * Korea University（韩国大学） ； KAIST（韩国科学技术院） ； Amazon（亚马逊） 纠错

专题命中 多模态RAG ：retriever(abstract)

AI总结 本研究通过RETINA基准和MIMIR方法，打破多模态知识驱动视觉问答中的视觉捷径问题，验证现有模型对捷径的依赖并展示改进效果。

MTRAG-UN: A Benchmark for Open Challenges in Multi-Turn RAG Conversations

MTRAG-UN：多轮检索增强生成对话中开放挑战的基准

Sara Rosenthal, Yannis Katsis, Vraj Shah, Lihong He, Lucian Popa, Marina Danilevsky

机构 * IBM Research（IBM研究院） 纠错

专题命中 RAG评测 ：RAG(title,abstract)；retrieval augmented generation(abstract)；分类 cs.CL

AI总结 MTRAG-UN是一个用于评估多轮检索增强生成对话中开放挑战的基准，包含666个任务和2800多轮对话，揭示了检索和生成模型在处理无答案、无描述等问题时的不足。

Comments 5 pages, 3 figures