RAG / 检索增强生成

Graph-Augmented Retrieval for Cross-Entity Financial Sentiment Analysis: A Comparative Study

跨实体金融情感分析的图增强检索：一项比较研究

Rajan Bastakoti, Sagar Bhetwal, Nirajan Acharya, Gaurav Kumar Gupta

机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） 纠错

专题命中 图谱与结构化RAG ：RAG(summary_cn,abstract)；retrieval-augmented generation(abstract)；dense retrieval(abstract)；vector search(abstract)

AI总结 本文提出一种两跳图增强检索架构（Graph-RAG），通过构建情感加权知识图谱并融合密度检索与图遍历，相比标准向量检索在跨实体金融情感分析中显著提升实体召回率和复杂查询答案相关性。

EHR-RAG: Bridging Long-Horizon Structured Electronic Health Records and Large Language Models via Enhanced Retrieval-Augmented Generation

EHR-RAG: 通过增强检索增强生成连接长期结构电子健康记录和大型语言模型

Lang Cao, Qingyu Chen, Yue Guo

机构 * University of Illinois Urbana-Champaign, United States（伊利诺伊大学厄巴纳-香槟分校） ； Yale University, United States（耶鲁大学） 纠错

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

AI总结 EHR-RAG通过增强检索增强生成方法，提升长期结构电子健康记录在临床预测中的表现，实现宏F1平均提升10.76%。

Explainable Knowledge Graph Retrieval-Augmented Generation (KG-RAG) with KG-SMILE

Zahra Zehtabi Sabeti Moghaddam, Zeinab Dehghani, Maneeha Rani, Koorosh Aslansefat, Bhupesh Kumar Mishra, Rameez Raja Kureshi, Dhavalkumar Thakker

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

KG-RAG: Enhancing GUI Agent Decision-Making via Knowledge Graph-Driven Retrieval-Augmented Generation

Ziyi Guan, Jason Chun Lok Li, Zhijian Hou, Pingping Zhang, Donglai Xu, Yuzhi Zhao, Mengyang Wu, Jinpeng Chen, Thanh-Toan Nguyen, Pengfei Xian, Wenao Ma, Shengchao Qin, Graziano Chesi, Ngai Wong

机构 * Huawei Hong Kong Research Center（华为香港研究部） ； The University of Hong Kong（香港大学） ； City University of Hong Kong（城市大学） ； Guangzhou Institute of Technology, Xidian University（广州技术学院，西安电子科技大学） ； ICTT and ISN Laboratory, Xidian University（ICTT和ISN实验室，西安电子科技大学） 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

Comments Accepted by the EMNLP 2025

OntologyRAG: Better and Faster Biomedical Code Mapping with Retrieval-Augmented Generation (RAG) Leveraging Ontology Knowledge Graphs and Large Language Models

Hui Feng, Yuntzu Yin, Emiliano Reynares, Jay Nanavati

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

Comments This paper has been accepted as a workshop paper for KEIR@ECIR 2025

How to Build an Adaptive AI Tutor for Any Course Using Knowledge Graph-Enhanced Retrieval-Augmented Generation (KG-RAG)

Chenxi Dong, Yimin Yuan, Kan Chen, Shupei Cheng, Chujie Wen

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

Comments 6 pages, 6 figures, ICEIT 2025

Deterministic Decisions for High-Stakes AI. A Zero-Egress Pipeline with the Deployability of RAG and the Accuracy of Machine Learning

高风险AI的确定性决策：具有RAG可部署性和机器学习准确性的零出口管道

Craig Atkinson

机构 * Verificate Pty Ltd（Verificate公司） 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 本研究识别并量化了零样本大语言模型在教育咨询中的干预偏差，通过监督策略学习（决策树和XGBoost）消除该偏差，实现接近零的校准误差，并揭示了评估差距。

Comments 41 pages, 11 tables, no figures. Preprint intended for submission to EDM 2027 / LAK 2027. Includes a reproducibility package: trained ONNX Decision Transformer, generic training script, OULAD evaluation scripts, and per-arm results CSVs

jXBW: A Compressed Index for Structure-Aware JSONL Retrieval in Structured RAG

jXBW: 面向结构化RAG中结构感知JSONL检索的压缩索引

Yasuo Tabei

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

AI总结 提出jXBW压缩索引，通过合并树表示、基于扩展Burrows-Wheeler变换的简洁树索引和三阶段子结构搜索算法，实现查询依赖的复杂度，在百万级JSONL数据集上比最强基线快16倍至2800倍。

AtomicRAG: Atom-Entity Graphs for Retrieval-Augmented Generation

原子级图：用于检索增强生成的原子实体图

Yanning Hou, Duanyang Yuan, Sihang Zhou, Xiaoshu Chen, Ke Liang, Siwei Wang, Xinwang Liu, Jian Huang

机构 * National University of Defense Technology, China（国防科技大学） 纠错

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

AI总结 本文提出原子级图，通过将知识存储为独立的事实单元，提升检索精度和推理鲁棒性，优于现有RAG基线。

Knowledge Graph RAG: Agentic Crawling and Graph Construction in Enterprise Documents

知识图谱RAG：企业文档中的代理爬取与图谱构建

Koushik Chakraborty, Koyel Guha

机构 * Google AI, Global Services Delivery（谷歌AI，全球服务交付） 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 本文提出基于递归爬取的代理知识图谱，解决复杂企业文档语义检索的局限性，提升法规查询的准确率。

Comments 15 pages, 4 figures

SAG: SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges

SAG：基于查询时动态超边的SQL检索增强生成

Yuchao Wu, Junqin Li, XingCheng Liang, Yongjie Chen, Yinghao Liang, Linyuan Mo, Guanxian Li

机构 * Zleap AI（智量科技） 纠错

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

AI总结 本研究提出SAG（SQL检索增强生成）架构，通过查询时动态超边实现结构化检索，在HotpotQA等多跳问答基准上性能优于基线，为LLM智能体处理组织知识提供了新方案。

SAG: SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges

SAG: 查询时动态超边的SQL检索增强生成

Yuchao Wu, Junqin Li, XingCheng Liang, Yongjie Chen, Yinghao Liang, Linyuan Mo, Guanxian Li

机构 * Zleap AI 纠错

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

AI总结 提出SAG架构，通过SQL查询动态构建局部超边索引，避免全局图维护，在多跳推理基准上达到最优召回率，支持亿级数据生产部署。

Towards Self-cognitive Exploration: Metacognitive Knowledge Graph Retrieval Augmented Generation

Xujie Yuan, Shimin Di, Jielong Tang, Libin Zheng, Jian Yin

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

VISTA Architect: A graph database-oriented health AI system demonstrated in multidisciplinary tumor boards

VISTA Architect：一种面向图数据库的健康AI系统，在多学科肿瘤委员会中展示

Tuomo Kiiskinen, Jason Fries, Philip Adamson, David Wu, Timothy John Ellis-Caleo, Aaron Fanous, Balasubramanian Narasimhan, Joel Neal, Sylvia Plevritis, Manuel A. Rivas

机构 * Department of Biomedical Data Science, Stanford University School of Medicine（斯坦福大学医学院生物医学数据科学系） ； Department of Medicine, Stanford University School of Medicine（斯坦福大学医学院医学系） 纠错

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

AI总结 提出VISTA Architect架构，通过图数据库和LLM将EHR转化为持久知识图谱，解决长上下文提示和RAG的时序缺失与高成本问题，在胸科肿瘤委员会中实现96.4%准确率。

Comments 22 pages, 4 figures, 6 tables; includes Supplementary Information. Code: https://github.com/VISTA-Stanford/vista-architect (tag v0.1.0-preprint, commit 8837d44)

Toward Robust GraphRAG: Mitigating Retrieval Drift and Hallucination from Imperfect Knowledge Graphs

迈向稳健的GraphRAG：减轻不完美知识图谱中的检索漂移和幻觉

Yizhuo Ma, Jinchuan Xu, Tao Wen, Qizhi Chen, Jiakai Li, Rongzheng Wang, Muquan Li, Shuang Liang, Ke Qin

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

AI总结 本文针对GraphRAG中因知识图谱不完美导致的检索漂移和幻觉问题，提出CS-RAG框架，通过精细化检索和充分性检查来减少不准确的证据延续。

CacheRAG: A Semantic Caching System for Retrieval-Augmented Generation in Knowledge Graph Question Answering

CacheRAG：面向知识图谱问答中检索增强生成的语义缓存系统

Yushi Sun, Lei Chen

机构 * HKUST Hong Kong China（香港理工大学（中国）） ； HKUST(GZ) / HKUST Guangzhou / Hong Kong China (2018)（香港理工大学（广州）/ 香港理工大学（广州）/ 香港中国（2018）） 纠错

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

AI总结 针对LLM驱动的KGQA系统作为无状态规划器导致模式幻觉和检索覆盖有限的问题，提出CacheRAG，一种基于缓存的架构，通过模式无关接口、多样性优化缓存检索和有界启发式扩展，将无状态规划器转变为持续学习器，显著提升准确性和真实性。

ContextRAG: Extraction-Free Hierarchical Graph Construction for Retrieval-Augmented Generation

ContextRAG: 无提取的分层图构建用于检索增强生成

Roman Prosvirnin, Sergei Kuznetsov, Seungmin Jin

机构 * HSE University（俄罗斯高等经济大学） 纠错

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

AI总结 本文提出ContextRAG，一种无需大型语言模型提取实体和关系的图检索增强生成系统，通过残差量化k均值和Formal Concept Analysis方法构建模糊概念图，在130个任务的UltraDomain子集中实现了33.6%的F1分数，显著优于传统方法。

Comments Preprint. 6 tables

TagRAG: Tag-guided Hierarchical Knowledge Graph Retrieval-Augmented Generation

TagRAG：基于标签的分层知识图谱检索增强生成

Wenbiao Tao, Xinyuan Li, Yunshi Lan, Weining Qian

机构 * East China Normal University（东华师范大学） 纠错

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

AI总结 TagRAG通过构建标签知识图谱和标签引导的检索生成框架，提升小语言模型的全局推理能力和知识增量效率，实验显示其在多个领域数据集上表现优异。

Comments Accepted by ACL 2026 Findings

Less is More: Denoising Knowledge Graphs For Retrieval Augmented Generation

Yilun Zheng, Dan Yang, Jie Li, Lin Shang, Lihui Chen, Jiahao Xu, Sitao Luan

机构 * Nanyang Technological University（南洋理工大学） ； Nanjing University（南京大学） ； Mila, Quebec AI Institute（魁北克AI研究所） ； University of Montreal（蒙特利尔大学） 纠错

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

KeyKnowledgeRAG (K^2RAG): An Enhanced RAG method for improved LLM question-answering capabilities

Hruday Markondapatnaikuni, Basem Suleiman, Abdelkarim Erradi, Shijing Chen

机构 * University of Sydney（悉尼大学） ； University of New South Wales（新南威尔士大学） ； Qatar University（卡塔尔大学） 纠错

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

Comments 21 pages, 14 figures

Knowledge Graph-Guided Retrieval Augmented Generation

Xiangrong Zhu, Yuexiang Xie, Yi Liu, Yaliang Li, Wei Hu

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

Comments Accepted in the 2025 Annual Conference of the Nations of the Americas Chapter of the ACL (NAACL 2025)

Zero-shot Slot Filling with DPR and RAG

Michael Glass, Gaetano Rossiello, Alfio Gliozzo

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

Semantically Similar, Logically Distinct: Diagnosing the Semantic-Answerability Gap in Table RAG

语义相似，逻辑不同：诊断表格检索增强生成中的语义可回答性差距

Jiaming Tian, Liyao Li, Wentao Ye, Haobo Wang, Lihua Yu, Zujie Ren, Gang Chen, Junbo Zhao

机构 * Zhejiang University（浙江大学） ； Bank of Hangzhou Co., Ltd.（杭州银行股份有限公司） ； Zhejiang Lab（之江实验室） 纠错

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

AI总结 研究表格检索增强生成中语义可回答性差距问题，通过TCR-Bench基准评估发现密集检索器存在差距，分析其相关因素，用Answerability-Aware Reranking两阶段管道测试，提升了检索性能，揭示差距源于缺少可回答性验证步骤。

RAG-Enhanced Kernel-Based Heuristic Synthesis (RKHS): A Structured Methodology Using Large Language Models for Hardware Design

基于检索增强的核启发式合成（RKHS）：利用大语言模型的结构化方法用于硬件设计

Shiva Ahir, Alex Doboli

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

AI总结 本文提出RKHS方法，结合检索增强生成、紧凑核启发式模板和LLM驱动的反馈循环，用于硬件设计中的启发式优化，实验证明其在降低延迟的列表调度中有效。

Comments Presented at the NSF Workshop on Agents for Chip Design Automation, UCLA

Competency Questions as Executable Plans: a Controlled RAG Architecture for Cultural Heritage Storytelling

能力问题作为可执行计划：一种受控的RAG架构用于文化遗产叙事

Naga Sowjanya Barla, Jacopo de Berardinis

机构 * School of Computer Science and Informatics, University of Liverpool（利物浦大学计算机科学与信息学院） 纠错

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

AI总结 本文提出一种基于知识图谱的神经符号架构，通过将能力问题转化为可执行叙事计划，提升文化遗产叙事的准确性和可审计性，通过Live Aid KG进行验证，比较了三种RAG策略的优劣。

Comments Accepted at the 23rd European Semantic Web Conference (ESWC 2026)

Towards Open-World Retrieval-Augmented Generation on Knowledge Graph: A Multi-Agent Collaboration Framework

面向知识图谱的开放世界检索增强生成：一种多智能体协作框架

Jiasheng Xu, Mingda Li, Yongqiang Tang, Peijie Wang, Wensheng Zhang

机构 * School of Computer Science and Cyber Engineering（计算机科学与网络工程学院） ； Guangzhou University（广州大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

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

AI总结 AnchorRAG通过多智能体协作框架，在无需预定义锚实体的情况下提升开放世界检索增强生成的鲁棒性与准确性。

CSR-RAG: An Efficient Retrieval System for Text-to-SQL on the Enterprise Scale

CSR-RAG：面向企业级文本到SQL的高效检索系统

Rajpreet Singh, Novak Boškov, Lawrence Drabeck, Aditya Gudal, Manzoor A. Khan

机构 * Technical University of Munich（慕尼黑技术大学） ； Nokia Bell Labs（诺基亚贝尔实验室） 纠错

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

AI总结 CSR-RAG通过结合上下文、结构和关系检索，高效支持企业级文本到SQL任务，实现高精度与低延迟的检索性能。

Mixture-of-RAG: Integrating Text and Tables with Large Language Models

混合RAG：利用大语言模型整合文本和表格

Chi Zhang, Qiyang Chen, Mengqi Zhang

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

AI总结 MixRAG通过三阶段框架整合文本和表格，提升异构文档检索性能，实现混合模态文档接地的最新成果。

Comments Accepted to SIGKDD 2026

Human Cognition Inspired RAG with Knowledge Graph for Complex Problem Solving

受人类认知启发的基于知识图谱的RAG用于复杂问题解决

Yao Cheng, Yibo Zhao, Jiapeng Zhu, Yao Liu, Xing Sun, Xiang Li

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

AI总结 CogGRAG是一种受人类认知启发的基于图的RAG框架，通过树状思维图结构实现复杂问题分解、知识检索与推理，提升知识图谱问答的准确性和可靠性。

Comments The paper has been accepted by AAAI 2026

A Knowledge Graph and a Tripartite Evaluation Framework Make Retrieval-Augmented Generation Scalable and Transparent

Olalekan K. Akindele, Bhupesh Kumar Mishra, Kenneth Y. Wertheim

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

Comments 25 Pages