RAG / 检索增强生成

Self-Describing Structured Data with Dual-Layer Guidance: A Lightweight Alternative to RAG for Precision Retrieval in Large-Scale LLM Knowledge Navigation

具有双层引导的自描述结构数据：一种轻量级替代RAG的精确检索方法，用于大规模LLM知识导航

Hung Ming Liu

机构 * PARRAWA AI 纠错

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

AI总结 本文提出SDSR框架，通过在文件中嵌入人类编写的导航元数据，利用LLM的优先级偏差，结合双层引导策略提升大规模知识检索的精确性。

Comments 18 pages, 6 figures, 7 tables

ESGLens: An LLM-Based RAG Framework for Interactive ESG Report Analysis and Score Prediction

ESGLens：一种基于大语言模型的RAG框架，用于交互式ESG报告分析与评分预测

Tsung-Yu Yang, Meng-Chi Chen

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

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

AI总结 本文提出ESGLens框架，结合检索增强生成与提示工程提取，自动化提取ESG报告结构化信息、交互式问答及评分预测，通过GRI标准指导提取和回归模型预测，评估结果显示ChatGPT嵌入与神经网络模型在环境指标上的相关性达到0.48。

Comments (20 pages, 3 figures)

AutoGraph-R1: End-to-End Reinforcement Learning for Knowledge Graph Construction

AutoGraph-R1：知识图谱构建的端到端强化学习

Hong Ting Tsang, Jiaxin Bai, Haoyu Huang, Qiao Xiao, Tianshi Zheng, Baixuan Xu, Shujie Liu, Yangqiu Song

机构 * The Hong Kong University of Science and Technology（香港理工大学） ； Cornell University（康奈尔大学） ； Microsoft Research（微软研究院） 纠错

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

AI总结 本文提出AutoGraph-R1框架，通过强化学习直接优化知识图谱构建，提升检索增强生成任务性能。设计了两种任务感知奖励函数，使图谱作为知识载体和索引，实现构建与应用的闭环。

Learning When Not to Decide: A Framework for Overcoming Factual Presumptuousness in AI Adjudication

学习何时不决定：一种克服人工智能裁决中事实预设性的框架

Mohamed Afane, Emily Robitschek, Derek Ouyang, Daniel E. Ho

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 本文研究了人工智能裁决中因信息不足导致的预设性问题，提出SPEC框架在失业保险裁决中实现89%的准确率，展示了如何通过结构化提示清单解决信息缺失问题。

Automatic Ontology Construction Using LLMs as an External Layer of Memory, Verification, and Planning for Hybrid Intelligent Systems

利用LLMs构建自动本体：作为混合智能系统记忆、验证和规划的外部层

Pavel Salovskii, Iuliia Gorshkova

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

AI总结 本文提出了一种混合架构，通过扩展LLMs的外部本体记忆层，实现结构化知识图谱的构建与维护，提升多步推理性能并支持生成-验证-修正流程。

Comments Artificial Intelligence; Knowledge Representation and Reasoning; Information Retrieval; Machine Learning