RAG / 检索增强生成

In-depth Analysis of Graph-based RAG in a Unified Framework

基于统一框架的图基RAG深入分析

Yingli Zhou, Yaodong Su, Youran Sun, Shu Wang, Taotao Wang, Runyuan He, Yongwei Zhang, Sicong Liang, Xilin Liu, Yuchi Ma, Yixiang Fang

机构 * The Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳）） ； Huawei Cloud Computing Technologies Co., Ltd.（华为云计算技术有限公司） 纠错

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

AI总结 本文基于统一框架对图基RAG方法进行深入分析，比较了多种QA数据集上的代表性方法，揭示了其有效性，并提出了新的变体，为未来研究提供新思路。

S2G-RAG: Structured Sufficiency and Gap Judging for Iterative Retrieval-Augmented QA

S2G-RAG：结构充分性与间隙判断用于迭代检索增强问答

Minghan Li, Junjie Zou, Xinxuan Lv, Chao Zhang, Guodong Zhou

机构 * Soochow University（苏州大学） 纠错

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

AI总结 S2G-RAG通过结构化充分性判断和间隙判断机制，提升多跳问答的准确性和鲁棒性，适用于多轮检索流程。

Comments Accepted to ACL 2026 Main Conference