RAG / 检索增强生成

MDER-DR: Multi-Hop Question Answering with Entity-Centric Summaries

MDER-DR: 基于实体中心摘要的多跳问答

Riccardo Campi, Nicolò Oreste Pinciroli Vago, Mathyas Giudici, Marco Brambilla, Piero Fraternali

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

AI总结 MDER-DR通过实体中心摘要和分解解决机制，提升多跳问答任务在稀疏复杂关系数据中的鲁棒性和性能。

Comments Our code is available at https://github.com/DataSciencePolimi/MDER-DR_RAG

From Entity-Centric to Goal-Oriented Graphs: Enhancing LLM Knowledge Retrieval in Minecraft

从以实体为中心到以目标为导向的图：增强Minecraft中的LLM知识检索

Jonathan Leung, Yongjie Wang, Zhiqi Shen

专题命中 图谱与结构化RAG ：knowledge retrieval(title)；分类 cs.AI

AI总结 本文提出目标导向图（GoG）框架，通过构建目标依赖关系图提升LLM在Minecraft中的步骤推理能力，实验表明其优于GraphRAG等方法。

Comments Accepted at Knowledge-Based Systems

DocSage: An Information Structuring Agent for Multi-Doc Multi-Entity Question Answering

DocSage：一个多文档多实体问答的信息结构代理

Teng Lin, Yizhang Zhu, Zhengxuan Zhang, Yuyu Luo, Nan Tang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

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

AI总结 DocSage通过动态模式发现、结构化信息提取和模式感知推理，解决多文档多实体问答中的跨文档证据链构建和实体关系推断问题，实现超过27%的准确率提升。

Tuning-Free LLM Can Build A Strong Recommender Under Sparse Connectivity And Knowledge Gap Via Extracting Intent

无需调优的LLM可通过提取意图在稀疏连接和知识缺口下构建强大的推荐系统

Wenqing Zheng, Noah Fatsi, Daniel Barcklow, Dmitri Kalaev, Steven Yao, Owen Reinert, C. Bayan Bruss, Daniele Rosa

机构 * Capital One 纠错

专题命中 图谱与结构化RAG ：RAG(abstract)；分类 cs.IR、cs.AI

AI总结 本文提出IKGR，一种基于LLM的意图知识图推荐系统，通过提取意图构建意图中心知识图，缓解稀疏性和冷启动问题，实现高效推荐。

Comments Accepted in Learning on Graphs (LoG) 2025