RAG / 检索增强生成

Improving Embedding Accuracy for Document Retrieval Using Entity Relationship Maps and Model-Aware Contrastive Sampling

Thea Aviss

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

Comments 10 Pages, 9 Figures

Dimensionality Reduction in Sentence Transformer Vector Databases with Fast Fourier Transform

Vitaly Bulgakov, Alec Segal

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

Comments 13 pages, 5 figures

Trajectory-Aware Clinical Risk Prediction via Severity-Grounded Knowledge Graphs and Retrieval-Augmented Generation

通过基于严重程度的知识图谱和检索增强生成进行轨迹感知临床风险预测

Kyunghoon Jeon, Youmin Ko, Woohwan Jung, Hyunjoon Kim

机构 * Hanyang University（汉阳大学） ； Korea University（韩国大学） 纠错

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

AI总结 针对利用EHRs预测临床风险的挑战，提出TRACER框架，通过构建含严重程度信息的知识图谱、检索患者进展路径、提取临床事件及用相似病例增强患者背景来预测风险，在相关数据集实验中相比基线有显著提升。

Comments Accepted to KDD 2026

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

Structured Language Generation Model: Loss Calibration and Formatted Decoding for Robust Structure Prediction and Knowledge Retrieval

结构语言生成模型：损失校准与格式解码以实现稳健的结构预测与知识检索

Minho Lee, Junghyun Min, Yerang Kim, Woochul Lee, Yeonsoo Lee

机构 * KT Gen AI Lab（KT生成人工智能实验室） ； Georgetown University（乔治城大学） ； Korea University（韩国大学） ； NC AI（NC人工智能） 纠错

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

AI总结 SLGM通过损失校准和格式解码提升结构预测和知识检索性能，无需额外参数或数据集特定工程。

Comments 20 pages, 4 figures. FrontierIR at AAAI 2026

LLM-Generated Counterfactual Stress Scenarios for Portfolio Risk Simulation via Hybrid Prompt-RAG Pipeline

基于混合提示-检索管道的LLM生成反事实压力情景用于投资组合风险模拟

Masoud Soleimani

机构 * Department of Information Engineering, University of Pisa（信息工程系，比萨大学） 纠错

专题命中 图谱与结构化RAG ：RAG(title)；分类 cs.AI

AI总结 本文提出了一种混合提示-检索管道，利用LLM生成宏观经济压力情景，通过结构化提示和检索机制，实现投资组合风险模拟的可解释和可验证方法。

Comments 22 pages, 8 figures, 10 tables

AMSnet-KG: A Netlist Dataset for LLM-based AMS Circuit Auto-Design Using Knowledge Graph RAG

Yichen Shi, Zhuofu Tao, Yuhao Gao, Tianjia Zhou, Cheng Chang, Yaxing Wang, Bingyu Chen, Genhao Zhang, Alvin Liu, Zhiping Yu, Ting-Jung Lin, Lei He

专题命中 图谱与结构化RAG ：RAG(title)；分类 cs.AI

TemPrompt: Multi-Task Prompt Learning for Temporal Relation Extraction in RAG-based Crowdsourcing Systems

Jing Yang, Yu Zhao, Linyao Yang, Xiao Wang, Long Chen, Fei-Yue Wang

专题命中 图谱与结构化RAG ：RAG(title)；分类 cs.CL

Comments 12 pages, 9 figures

Multilingual Entity Linking Using Dense Retrieval

Dominik Farhan

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

Comments Bachelor's thesis, Charles University

HyGRL: Adaptive Hybrid Graph Reasoning for Multi-Entity Questions

HyGRL：用于多实体问题的自适应混合图推理

Junyi Wang

机构 * Beijing Institute of Technology（北京理工大学） 纠错

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

AI总结 针对多实体组合问题，传统方法有局限。本文提出HyGRL框架，将文本嵌入知识图谱创建异构网络，通过模仿学习和强化学习进行自适应结构归纳推理，实验证明其在答案准确性、推理保真度等方面表现出色，成本低且推理快。

Comments 8 pages

An Agentic AI Pipeline for Appliance-Level Energy Anomaly Detection and LLM-Driven Recommendations

一种用于设备级能源异常检测和基于LLM的推荐建议的智能体AI流水线

Dihia Falouz, Aida Douaibia, Amine Bechar, Youssef Elmir, Abbes Amira, Adel Oulefki

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

AI总结 提出一种端到端智能体流水线，结合深度时间序列预测、变分异常检测和LLM推理，为办公建筑设备级能耗生成优先级排序的可操作维护建议。

Comments 07 pages, 01 figure, accepted for presentation at the IEEE International Conference on Communication, Computing, Networking, and Control in Cyber-Physical Systems (CCNCPS 2026)

DYNA : Dynamic Episodic Memory Networks for Augmenting Large Language Models with Temporal Knowledge Graphs in Continuous Learning

DYNA：用于在持续学习中通过时间知识图谱增强大语言模型的动态情景记忆网络

Ali Sarabadani, Mahtab Tajvidiyan

机构 * Department of Computer Engineering and Information Technology, University of Qom（卡姆大学计算机工程与信息科技系） 纠错

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

AI总结 提出DYNA框架，通过时间知识图谱作为外部可更新记忆，增强冻结的大语言模型，在三个时间召回任务上减少约7%的灾难性遗忘并提升约5%的时间排序能力。

DTKG: Dual-Track Knowledge Graph-Verified Reasoning Framework for Multi-Hop QA

DTKG: 用于多跳问答的双轨知识图谱验证推理框架

Changhao Wang, Yanfang Liu, Xinxin Fan, Ao Tian, Lanzhi Zhou, Yunfeng Lu

机构 * School of Computer Science ； Engineering, Beihang University, Beijing, China ； School of Reliability ； Systems Engineering, Beihang University, Beijing, China ； State Key Laboratory of Complex \& Critical Software Environment ； National Key Laboratory of Reliability ； State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences 纠错

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

AI总结 提出DTKG框架，通过分类阶段和分支处理阶段分别处理并行事实验证和链式多跳推理，提升多跳问答的效率和准确性。

Comments Accepted to ICML 2026

SiriusHelper: An LLM Agent-Based Operations Assistant for Big Data Platforms

SiriusHelper：一种基于LLM代理的大数据平台操作助手

Yu Shen, Shiyang Liu, Qihang He, Yihang Cheng, Haining Xie, Zhiming He, Huahua Fan, Xianzhi Tan, Teng Ma, Shaoquan Zhang, Danqing Huang, Fan Jiang, Yang Li, Chongqing Zhao, Peng Chen, Jie Jiang, Bin Cui

机构 * TEG, Tencent Inc.（腾讯科技（TEG）） ； School of Computer Science, Peking University（北京大学计算机学院） 纠错

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

AI总结 SiriusHelper通过统一在线助手自动识别用户意图并路由查询，结合深度搜索机制和优先级知识库，提升回答可靠性与响应速度，减少专家负担，实测降低20.8%的在线工单量。

Injecting Structured Biomedical Knowledge into Language Models: Continual Pretraining vs. GraphRAG

将结构化生物医学知识注入语言模型：持续预训练与GraphRAG

Jaafer Klila, Sondes Bannour Souihi, Rahma Boujelben, Nasredine Semmar, Lamia Hadrich Belguith

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

AI总结 本文提出通过持续预训练和GraphRAG两种方法将结构化生物医学知识注入语言模型，提升其在生物医学领域的表现，实验显示BERTUMLS在知识密集型问答任务中表现优异，GraphRAG在PubMedQA和BioASQ上提升显著。

Comments Accepted at LREC 2026

AtlasKV: Augmenting LLMs with Billion-Scale Knowledge Graphs in 20GB VRAM

AtlasKV：在20GB VRAM中通过十亿级知识图谱增强大语言模型

Haoyu Huang, Hong Ting Tsang, Jiaxin Bai, Xi Peng, Gong Zhang, Yangqiu Song

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Theory Lab, Huawei（华为理论实验室） 纠错

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 本文提出AtlasKV，一种通过十亿级知识图谱增强大语言模型的方法，利用子线性时间与内存复杂度实现高效知识整合，无需外部检索模块或长上下文先验。

Comments ICLR 2026

PersonalAI: A Systematic Comparison of Knowledge Graph Storage and Retrieval Approaches for Personalized LLM agents

PersonalAI：个性化大语言模型中知识图谱存储与检索方法的系统比较

Mikhail Menschikov, Dmitry Evseev, Victoria Dochkina, Ruslan Kostoev, Ilia Perepechkin, Petr Anokhin, Nikita Semenov, Evgeny Burnaev

机构 * Skoltech（斯科尔科沃科学技术学院） ； Public Joint Stock Company “Sberbank of Russia”（俄罗斯联邦储蓄银行） ； AIRI（人工智能研究所） 纠错

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

AI总结 本文提出基于知识图谱的灵活外部记忆框架，通过自动构建和更新图谱提升个性化LLM代理的长期交互能力，通过多种检索机制验证了不同配置在不同任务中的最优性能。

Document Parsing Unveiled: Techniques, Challenges, and Prospects for Structured Information Extraction

文档解析揭示：结构信息提取的技术、挑战与前景

Qintong Zhang, Bin Wang, Victor Shea-Jay Huang, Junyuan Zhang, Zhengren Wang, Hao Liang, Conghui He, Wentao Zhang

机构 * Peking University（北京大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Beihang University（北京航空航天大学） 纠错

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 本文综述了文档解析研究，系统分类了现有方法，探讨了布局分析、多类型内容识别及VLM驱动的解析模型发展，总结了评估指标与挑战，提出了更准确可扩展的文档智能系统方向。

Querying Structured Data Through Natural Language Using Language Models

通过语言模型查询结构化数据

Hontan Valentin-Micu, Bunea Andrei-Alexandru, Tantaroudas Nikolaos Dimitrios, Popovici Dan-Matei

机构 * National University of Science and Technology POLITEHNICA Bucharest（布加勒斯特理工大学） ； Institute of Communication and Computer Systems (ICCS)（通信与计算机系统研究所） 纠错

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 本文提出一种开源方法，使用户能通过自然语言查询结构化非文本数据集，通过训练LLM生成可执行查询，展示了在资源受限环境下小型领域模型的高效性。

Comments in publication

GraphRAG for Engineering Diagrams: ChatP&ID Enables LLM Interaction with P&IDs

GraphRAG用于工程图纸：ChatP&ID实现LLM与P&IDs的交互

Achmad Anggawirya Alimin, Artur M. Schweidtmann

机构 * Process Intelligence Research Group（过程智能研究组） ； Department of Chemical Engineering（化学工程系） ； Delft University of Technology（代尔夫特理工大学） 纠错

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

AI总结 本文提出ChatP&ID框架，通过GraphRAG实现高效、低成本的P&IDs自然语言交互，提升准确率并降低计算成本。

From Flat to Structural: Enhancing Automated Short Answer Grading with GraphRAG

从平面到结构：利用GraphRAG增强自动简答评分

Yucheng Chu, Haoyu Han, Shen Dong, Hang Li, Kaiqi Yang, Yasemin Copur-Gencturk, Joseph Krajcik, Namsoo Shin, Hui Liu

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 本文提出GraphRAG框架，通过构建结构化知识图谱解决传统RAG在复杂教育内容中的不足，实验表明其在评估科学与工程实践方面表现更优。

DAVIS: Planning Agent with Knowledge Graph-Powered Inner Monologue

DAVIS：基于知识图谱的规划代理

Minh Pham Dinh, Munira Syed, Michael G Yankoski, Trenton W. Ford

机构 * Davis Institute for Artificial Intelligence（戴维斯人工智能研究所） ； Colby College（科伯学院） ； University of Notre Dame（圣约翰大学） ； William & Mary（威廉与玛丽学院） 纠错

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 本文提出DAVIS，一种基于知识图谱的规划代理，通过结构化和时间记忆实现模型驱动规划，并采用多轮检索系统提升科学任务处理能力，在ScienceWorld基准测试中表现优异。

Comments Accepted to EMNLP 2025 Findings

Role-Augmented Intent-Driven Generative Search Engine Optimization

角色增强的意图驱动生成搜索引擎优化

Xiaolu Chen, Haojie Wu, Jie Bao, Zhen Chen, Yong Liao, Hu Huang

机构 * School of Cyber Science and Technology, University of Science and Technology of China（中国科学技术大学信息科学与技术学院） 纠错

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

AI总结 本文提出角色增强的意图驱动生成搜索引擎优化方法，通过反思性细化不同信息角色来建模搜索意图，提升生成搜索引擎中的内容可见性。

Comments 7 pages, 5 figures

AI Blob! LLM-Driven Recontextualization of Italian Television Archives

AI Blob!：基于大型语言模型的意大利电视档案再上下文化

Roberto Balestri

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 AI Blob!利用大型语言模型和语义技术对意大利电视档案进行再上下文化，通过自动语音识别和向量数据库实现动态检索与叙事重构。

Comments Preprint

Journal ref 16th Media Mutations International Conference (pp. 123-133) 2026

NovaLAD: A Fast, CPU-Optimized Document Extraction Pipeline for Generative AI and Data Intelligence

NovaLAD：一种快速、优化CPU的文档提取流水线用于生成式AI和数据智能

Aman Ulla

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

AI总结 NovaLAD是一种基于CPU优化的快速文档提取系统，通过结合YOLO模型和规则分组技术，实现高效准确的文档解析，适用于生成式AI和数据智能领域。

Comments 17 pages, 10 figures, 5 tables

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。

Structured Prompt Language: Declarative Context Management for LLMs

结构化提示语言：面向大语言模型的声明式上下文管理

Wen G. Gong

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

AI总结 结构化提示语言SPL通过声明式框架管理大语言模型的上下文资源，实现高效提示生成和多模型协同，减少65%的模板开销，提升成本透明度和执行效率。

Comments 44 pages, 6 figures, 14 tables, 15 code-listings

Continuum Memory Architectures for Long-Horizon LLM Agents

连续记忆架构用于长周期大语言模型智能体

Joe Logan

机构 * Mode7 GK Tokyo, Japan（Mode7 GK东京） 纠错

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

AI总结 连续记忆架构通过持久存储和动态更新机制，解决了长周期大语言模型智能体在记忆积累、修改和消歧方面的局限性，同时揭示了该架构在延迟、漂移和可解释性方面的挑战。

Comments 10 Pages

DeKeyNLU: Enhancing Natural Language to SQL Generation through Task Decomposition and Keyword Extraction

DeKeyNLU：通过任务分解和关键词提取增强自然语言到SQL生成

Jian Chen, Zhenyan Chen, Xuming Hu, Peilin Zhou, Yining Hua, Han Fang, Cissy Hing Yee Choy, Xinmei Ke, Jingfeng Luo, Zixuan Yuan

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； HSBC（汇丰银行） ； South China University of Technology（华南理工大学） ； Harvard University（哈佛大学） ； Chicago University（芝加哥大学） 纠错

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 DeKeyNLU通过任务分解和关键词提取提升NL2SQL生成精度，提出DeKeySQL流程并验证其在BIRD和Spider数据集上的有效性。

LAG: Logic-Augmented Generation from a Cartesian Perspective

LAG: 从笛卡尔视角出发的逻辑增强生成

Yilin Xiao, Chuang Zhou, Yujing Zhang, Qinggang Zhang, Su Dong, Shengyuan Chen, Chang Yang, Xiao Huang

机构 * The Hong Kong Polytechnic University（香港理工大学） 纠错

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 LAG通过系统的问题分解、原子记忆库和逻辑感知推理，提升知识密集型任务的准确性和减少幻觉。