RAG / 检索增强生成

CleanBase: Detecting Malicious Documents in RAG Knowledge Databases

CleanBase: 在RAG知识数据库中检测恶意文档

Weifei Jin, Xilong Wang, Wei Zou, Jinyuan Jia, Neil Gong

机构 * Duke University（杜克大学） ； The Pennsylvania State University（宾夕法尼亚州立大学） 纠错

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

AI总结 本文提出CleanBase方法，通过构建语义相似性图检测RAG知识库中的恶意文档，利用恶意文档的高相似性形成聚类，从而提高检测准确性。

GraphContainer: A Unified Platform for Comparing and Debugging Graph RAG Methods

GraphContainer：用于比较和调试图RAG方法的统一平台

Seonho An, Chaejeong Hyun, Min-Soo Kim

机构 * KAIST（韩国科学技术院） 纠错

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

AI总结 研究针对图RAG方法分散不兼容问题，提出GraphContainer平台，通过统一图表示层和图记录器两个关键组件，实现多格式图统一与检索过程可视化，助力可控比较不同图格式及检索策略，降低设计最优图RAG管道的难度。

Comments VLDB 2026 demo accepted

DreamerNLplus: Interpretable Modeling of Mental Health Dynamics from Social Media Timelines using Hybrid Rule-Based and RAG Methods

DreamerNLplus: 使用混合规则和RAG方法从社交媒体时间线进行可解释的心理健康动态建模

Maryia Zhyrko, Daisy Monika Lal, Erik van Mulligen, Lifeng Han

机构 * Leiden Institute of Advanced Computer Science (LIACS), Leiden University（莱顿高级计算机科学研究所（LIACS），莱顿大学） ； School of Computing and Communications (SCC), Lancaster University（计算与通信学院（SCC），兰卡斯特大学） ； Department of Medical Informatics, Erasmus University Medical Center Rotterdam（医学信息学系，埃因霍温医学中心鲁特万分校） ； Biomedical Data Sciences, Leiden University Medical Center（生物医学数据科学，莱顿大学医学中心） 纠错

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

AI总结 提出DreamerNLplus混合框架，结合规则与RAG方法，解决CLPsych 2026共享任务中的心理状态建模、时间变化检测和序列级总结问题。

Comments Accepted by CLPsych2026. CLPsych 2026 will be held at ACL in San Diego July 4th, 2026

ComplianceNLP: Knowledge-Graph-Augmented RAG for Multi-Framework Regulatory Gap Detection

ComplianceNLP：基于知识图谱的多框架监管缺口检测RAG系统

Dongxin Guo, Jikun Wu, Siu Ming Yiu

机构 * The University of Hong Kong（香港大学） ； Stellaris AI Limited（Stellaris AI有限公司） 纠错

专题命中 图谱与结构化RAG ：RAG(title,title_cn)；分类 cs.IR、cs.CL

AI总结 ComplianceNLP通过整合知识图谱增强的RAG系统，实现监管变化自动监控、义务提取及合规缺口识别，其在监管缺口检测上达到87.7 F1，优于GPT-4o+RAG，且在实际部署中显著提升分析师效率。

Comments Accepted at ACL 2026 Industry Track. 19 pages, 15 tables, 1 figure

AI Economist Agent: An Agentic Framework for Model-Grounded Economic Analysis with RAG, Knowledge Graphs, and Large Language Models

AI经济学家代理：一种基于模型的经济分析代理框架，结合RAG、知识图谱和大语言模型

Masahiro Kato

机构 * Mizuho-DL Financial Technology, Co., Ltd.（Mizuho-DL金融科技有限公司） 纠错

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

AI总结 提出一种基于RAG的AI经济学家代理框架，利用知识图谱和大语言模型进行经济情景分析，通过代理规划、检索证据、选择模型并生成报告，提高经济叙事的连贯性和可追溯性。

KPoEM: A Human-Annotated Dataset for Emotion Classification and RAG-Based Poetry Generation in Korean Modern Poetry

KPoEM：用于韩国现代诗歌情感分类与基于RAG的诗歌生成的人工标注数据集

Iro Lim, Haein Ji, Byungjun Kim

机构 * The Academy of Korean Studies（韩国学术院） ； Graduate School of Korean Studies（韩国研究研究生院） ； Cultural Informatics（文化信息学） 纠错

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

AI总结 本研究构建了KPoEM多标签情感数据集，通过序列微调策略实现F1-micro 0.60的情感分类，并验证了基于RAG的诗歌生成在韩国文学情感与文化表达上的可行性。

Comments 43 pages, 22 tables, 3 figures, Digital Humanities and Social Sciences Korea Conference, James Joo-Jin Kim Center for Korean Studies, University of Pennsylvania, Philadelphia, USA

Journal ref The Review of Korean Studies 29(1) (2026) 161-206

A Locally Deployed RAG-Based Academic Advising System for Course Selection

基于本地部署RAG的课程选择学术咨询系统

Feng Li, Yoritaka Iwata

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

AI总结 提出一种本地部署的RAG学术咨询系统，利用大语言模型和结构化课程大纲检索，以隐私保护方式支持课程选择、先修课程理解和个性化学习规划。

Comments to be published in Elsevier's Procedia Computer. Sci. (KES 2026)

WeKnow-RAG: An Adaptive Approach for Retrieval-Augmented Generation Integrating Web Search and Knowledge Graphs

Weijian Xie, Xuefeng Liang, Yuhui Liu, Kaihua Ni, Hong Cheng, Zetian Hu

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

Comments 8 pages, 2 figures, technical report for 3rd place in Task 3 of Meta KDD Cup 2024 CRAG Challenge

Structure Over Scale: Schema-Constrained Causal Graphs for RAG

结构跨越尺度：用于检索增强生成的模式约束因果图

Marc Saouda, Rajprakash Bale, Eren Aldis, Cloves Almeida

机构 * Boston Consulting Group（波士顿咨询集团） 纠错

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

AI总结 研究针对GraphRAG问题，提出HCG-RAG，用模式约束因果图取代开放式提取，构建紧凑两层图。该方法成本低，答案质量优，在医学等基准测试中表现出色，对比实验显示因果图作为检索过滤器有优势，表明图内容比节点数量更重要。

Comments 26 pages, 6 figures

SentinelRAG: Synthetic Sentinel Knowledge for RAG Database Copyright Protection

SentinelRAG：用于RAG数据库版权保护的合成哨兵知识

Tsun On Kwok, Xi Yang, Ki Sen Hung, Chang Liu, Yangqiu Song

专题命中 图谱与结构化RAG ：RAG(title,title_cn)

AI总结 提出SentinelRAG水印框架，通过注入风格一致但虚构的知识条目保护RAG数据库版权，在0.1%注入率下实现统计显著检测（p<10^{-5}），并显著降低误检率。

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

MegaRAG: Multimodal Knowledge Graph-Based Retrieval Augmented Generation

MegaRAG：基于多模态知识图谱的检索增强生成

Chi-Hsiang Hsiao, Yi-Cheng Wang, Tzung-Sheng Lin, Yi-Ren Yeh, Chu-Song Chen

机构 * Department of Computer Science and Information Engineering, National Taiwan University（国立台湾大学计算机科学与信息工程系） ； Department of Mathematics, National Kaohsiung Normal University（高雄师范大学数学系） ； FinTech Center, National Taiwan University（国立台湾大学金融科技中心） ； E.SUN Financial Holding Co., Ltd.（E.SUN财务公司） 纠错

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

AI总结 MegaRAG通过引入多模态知识图谱，提升大语言模型在跨模态推理中的内容理解能力，在文本和多模态语料中均优于现有RAG方法。

Comments ACL 2026

CFT-RAG: An Entity Tree Based Retrieval Augmented Generation Algorithm With Cuckoo Filter

CFT-RAG：基于实体树的检索增强生成算法与 cuckoo 过滤器

Zihang Li, Yangdong Ruan, Wenjun Liu, Zhengyang Wang, Tong Yang

机构 * Peking University（北京大学） ； Beihang University（北航） 纠错

专题命中 图谱与结构化RAG ：RAG(title,abstract)；retrieval augmented generation(title)；retrieval-augmented generation(abstract)；knowledge retrieval(abstract)

AI总结 CFT-RAG通过改进的 cuckoo 过滤器优化树状RAG的实体定位，显著提升检索效率和生成质量。

CommunityKG-RAG: Leveraging Community Structures in Knowledge Graphs for Advanced Retrieval-Augmented Generation in Fact-Checking

Rong-Ching Chang, Jiawei Zhang

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

Courtroom-Style Multi-Agent Debate with Progressive RAG and Role-Switching for Controversial Claim Verification

courtroom 风格多智能体辩论与渐进式 RAG 和角色切换用于争议性主张验证

Masnun Nuha Chowdhury, Nusrat Jahan Beg, Umme Hunny Khan, Syed Rifat Raiyan, Md Kamrul Hasan, Hasan Mahmud

机构 * Systems and Software Lab (SSL), Department of Computer Science and Engineering（系统与软件实验室（SSL），计算机科学与工程系） 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、cs.AI

AI总结 本文提出 PROClaim 框架，通过结构化对抗辩论和角色切换提升争议性主张验证的可靠性，实验显示其在 Check-COVID 数据集上准确率达 81.7%。

Comments Under review, 29 pages, 7 figures, 17 tables

RAG Strategies for Natural Language-Based SQL Query and REST API Call Generation

评估用于基于自然语言的SQL和API调用生成的检索增强生成变体

Tim Schlippe, Simon Martin, Michael Marketsmüller

机构 * IU International University of Applied Sciences（国际应用科学大学） 纠错

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

AI总结 本文评估了三种RAG变体在生成SQL和API调用任务中的性能，发现CoRAG在混合文档环境下表现最佳，检索策略设计对自然语言接口至关重要。

Comments preprint of conference submission

Towards Trustworthy and Cost-Efficient Data Integration: From Naïve RAG to Agentic RAG

迈向可信且经济高效的数据集成：从朴素检索增强生成到智能体检索增强生成

Chuangtao Ma, Arijit Khan

机构 * Aalborg University, Denmark（丹麦奥胡斯大学） ； Bowling Green State University, USA（美国布恩威尔州立大学） 纠错

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

AI总结 探讨大语言模型和人工智能智能体在企业数据集成中面临的挑战，介绍从经典RAG到智能体RAG的演变，研究经济高效集成的优化策略，为构建可靠、可解释和可扩展的数据集成系统指明方向。

Comments To Appear in the IEEE Data Engineering Bulletin

Efficient and Transferable Agentic Knowledge Graph RAG via Reinforcement Learning

基于强化学习的高效可迁移智能知识图谱检索增强生成

Junhong Lin, Shicheng Liu, Jinyeop Song, Song Wang, Julian Shun, Yada Zhu

机构 * MIT CSAIL（麻省理工学院CSAIL） ； University of Virginia（弗吉尼亚大学） ； IBM Research（IBM研究院） 纠错

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

AI总结 提出KG-R1框架，通过强化学习将单个智能体与知识图谱交互，统一检索、推理和生成过程，在KGQA基准上以更少生成token提升准确率，并展现跨图谱的零样本迁移能力。

When RAG Meets Query Planning: Logical Query Trees for Resolving Exploratory Reasoning Problems

当RAG遇见查询规划：用于解决探索性推理问题的逻辑查询树

Ganlin Xu, Linghao Zhang, Zhitao Yin, Hongda Xi, Chen Yang, Jiaqing Liang, Weijia Lu, Sihang Jiang, Yanghua Xiao, Deqing Yang

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

AI总结 针对检索增强生成在探索性推理问题中的检索噪声和错误累积问题，提出PlanRAG框架，将自然语言建模为逻辑查询树，通过动态规划和代价模型优化查询树，实现高效并行处理，在WikiWeb-ERP数据集上优于现有方法。

Comments Accepted by SIGMOD 2027

A Layered Security Framework Against Prompt Injection in RAG-Based Chatbots

基于RAG的聊天机器人中针对提示注入的分层安全框架

Gulshan Saleem, Nisar Ahmed, Muhammad Imran Zaman, Ali Hassan

机构 * ICCK Transactions on Information Security and Cryptography（信息安全与密码学国际会议交易） 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 提出三层防御框架，通过输入过滤、上下文指令层级和输出审计，将提示注入攻击成功率从71.4%降至11.3%，误报率4.8%，延迟开销61.2毫秒。

Comments Submitted in ICCK Transactions on Information Security and Cryptography

A Unified Framework for Context-Aware and Relation-Aware Graph Retrieval-Augmented Generation

上下文感知与关系感知的图检索增强生成统一框架

Haoyang Zhong, Yifei Sun, Antong Zhang, Chunping Wang, Lei Chen, Yang Yang

机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； Finvolution Group（信也科技集团） 纠错

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

AI总结 提出HyGRAG分层图RAG框架，通过构建融合上下文与关系的摘要、跨层级检索及动态更新，将多跳推理准确率提升9.7%。

Comments Accepted at The ACM Web Conference 2026 (WWW '26)

Mixture-of-Experts Knowledge Graph Retrieval-Augmented Generation for Multi-Agent LLM-based Recommendation

基于混合专家知识图谱检索增强生成的多智能体LLM推荐系统

Shijie Wang, Chengyi Liu, Yujuan Ding, Shanru Lin, See-Kiong Ng, Xu Xin, Wenqi Fan

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

AI总结 提出MixRAGRec框架，通过混合专家检索、知识偏好对齐和对比学习增强推荐，解决KG-RAG中检索粒度单一、结构信息丢失和端到端学习困难问题。

Comments Accepted by KDD 2026 Research Track

Route Before Retrieve: Activating Latent Routing Abilities of LLMs for RAG vs. Long-Context Selection

在检索前路由：激活大语言模型的潜在路由能力用于RAG与长上下文选择

Yiwen Chen, Kuan Li, Fuzhen Zhuang, Deqing Wang, Zhao Zhang, Liwen Zhang, Yong Jiang, Shuai Wang, Minhao Cheng

机构 * Beihang University（北航） ； HKUST（香港科技大学） ； Alibaba Group（阿里巴巴集团） ； Pennsylvania State University（宾夕法尼亚州立大学） 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Pre-Route框架，通过结构化推理提前决策，利用轻量级元数据进行任务分析和信息需求预测，实现可解释且高效的路由决策，实验表明其在成本效益上优于现有方法。

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)

EvoRAG: Making Knowledge Graph-based RAG Automatically Evolve through Feedback-driven Backpropagation

EvoRAG: 通过反馈驱动的反向传播使基于知识图谱的RAG自动进化

Zhenbo Fu, Yuanzhe Zhang, Qiange Wang, Hao Yuan, Yuehao Xu, Enze Yi, Yanfeng Zhang, Ge Yu

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

AI总结 本文提出EvoRAG，通过反馈驱动反向传播机制自动优化知识图谱，提升推理准确性，实验显示比现有方法提升7.34%。

Core-based Hierarchies for Efficient GraphRAG

基于核心的高效图RAG层次结构

Jakir Hossain, Ahmet Erdem Sarıyüce

机构 * University at Buffalo（布法罗大学） 纠错

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

AI总结 针对图RAG中Leiden聚类不可复现的问题，提出用k-core分解替代，构建确定性、密度感知的层次结构，并设计轻量级启发式方法，在保证连接性的同时降低LLM成本，提升答案全面性和多样性。

Comments Accepted at the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)

M$^3$KG-RAG: Multi-hop Multimodal Knowledge Graph-enhanced Retrieval-Augmented Generation

M$^3$KG-RAG：多跳多模态知识图谱增强的检索增强生成

Hyeongcheol Park, Jiyoung Seo, Jaewon Mun, Hogun Park, Wonmin Byeon, Sung June Kim, Hyeonsoo Im, JeungSub Lee, Sangpil Kim

机构 * Korea University（高丽大学） ； Sungkyunkwan University（成均馆大学） ； NVIDIA Research（英伟达研究院） ； Hanwha Systems（韩华系统） 纠错

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

AI总结 本文提出M$^3$KG-RAG，通过构建多跳多模态知识图谱并引入GRASP机制，提升多模态大语言模型的推理深度和回答准确性。

Comments Accepted to CVPR 2026

TaSR-RAG: Taxonomy-guided Structured Reasoning for Retrieval-Augmented Generation

TaSR-RAG：基于分类的结构化推理用于检索增强生成

Jiashuo Sun, Yixuan Xie, Jimeng Shi, Shaowen Wang, Jiawei Han

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 TaSR-RAG通过基于分类的结构化推理框架，提升检索增强生成任务的证据选择精度和推理质量。

Comments 14 pages, 7 tables, 5 figures

DO-RAG: A Domain-Specific QA Framework Using Knowledge Graph-Enhanced Retrieval-Augmented Generation

David Osei Opoku, Ming Sheng, Yong Zhang

机构 * Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Beijing National Research Center for Information Science and Technology - Tsinghua University（北京信息科学与技术国家研究中心-清华大学） 纠错

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

Comments 6 pages, 5 figures;

Graph-R1: Towards Agentic GraphRAG Framework via End-to-end Reinforcement Learning

Graph-R1：通过端到端强化学习实现智能图RAG框架

Haoran Luo, Haihong E, Guanting Chen, Qika Lin, Yikai Guo, Fangzhi Xu, Zemin Kuang, Meina Song, Xiaobao Wu, Yifan Zhu, Luu Anh Tuan

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 提出Graph-R1，首个通过端到端强化学习的智能图RAG框架，采用轻量知识超图构建、多轮智能体-环境交互检索和端到端奖励机制，在推理准确性、检索效率和生成质量上优于传统图RAG和强化学习增强RAG方法。

Comments Accepted by ICML 2026 main conference

Journal ref ICML 2026