RAG / 检索增强生成

Domain-Specific Retrieval-Augmented Generation Using Vector Stores, Knowledge Graphs, and Tensor Factorization

Ryan C. Barron, Ves Grantcharov, Selma Wanna, Maksim E. Eren, Manish Bhattarai, Nicholas Solovyev, George Tompkins, Charles Nicholas, Kim Ø. Rasmussen, Cynthia Matuszek, Boian S. Alexandrov

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

Comments 9 pages 7 figures, 1 table, 1 cypher code Accepted to ICMLA 2024

KG-RAG: Bridging the Gap Between Knowledge and Creativity

Diego Sanmartin

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

Retrieval-Augmented Generation with Knowledge Graphs for Customer Service Question Answering

Zhentao Xu, Mark Jerome Cruz, Matthew Guevara, Tie Wang, Manasi Deshpande, Xiaofeng Wang, Zheng Li

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

RAG-based Explainable Prediction of Road Users Behaviors for Automated Driving using Knowledge Graphs and Large Language Models

Mohamed Manzour Hussien, Angie Nataly Melo, Augusto Luis Ballardini, Carlota Salinas Maldonado, Rubén Izquierdo, Miguel Ángel Sotelo

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

Walk&Retrieve: Simple Yet Effective Zero-shot Retrieval-Augmented Generation via Knowledge Graph Walks

Martin Böckling, Heiko Paulheim, Andreea Iana

机构 * University of Mannheim（曼海姆大学） 纠错

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

Comments Accepted at the Information Retrieval's Role in RAG Systems (IR-RAG 2025) in conjunction with SIGIR 2025

T-RAG: Lessons from the LLM Trenches

Masoomali Fatehkia, Ji Kim Lucas, Sanjay Chawla

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

Comments Added Needle in a Haystack analysis for T-RAG

TopoChunker: Topology-Aware Agentic Document Chunking Framework

TopoChunker：基于拓扑的代理文档分块框架

Xiaoyu Liu

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文提出TopoChunker，通过结构化中间表示保留跨段依赖，提升RAG的结构感知能力，实验显示其在生成准确率和召回率上优于现有方法，同时降低token开销。

Comments Accepted by NLPCC 2026

Robust Interpretation of Historical Documents in Knowledge Graphs Through Query Inference and Execution

通过查询推理和执行对知识图谱中的历史文档进行鲁棒解释

Sebastià Nicolau, Adrià Molina, Oriol Ramos Terrades, Josep Lladós

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

AI总结 研究如何在利用大语言模型泛化能力时保证可靠性，提出智能检索系统，比较传统RAG与智能GraphRAG架构，引入半符号框架，通过单词识别与代码生成协作构建鲁棒检索查询，提升历史文档分析准确性与可验证性。

Comments Accepted at ICDAR2026

Event-Grounded Question Answering over Long Audio via Structured Retrieval

基于结构化检索的长音频事件问答

Kartik Hegde, Arvind Krishna Sridhar, Naveen Vakada, Yinyi Guo, Erik Visser

机构 * Qualcomm Technologies, Inc., India（印度高通技术公司） ； Qualcomm Technologies, Inc., USA（美国高通技术公司） ； University of Turku, Finland（芬兰图尔库大学） 纠错

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

AI总结 提出LA-RAG框架，通过音频基础模型将长音频转为带时间戳的事件记录并存入SQL数据库，结合意图感知检索和LLM生成，实现低延迟高精度的长音频问答，在多个基准上提升时间定位F1达11-17%。

Comments Submitted to EMNLP 2026 Industry Track

Anything2Skill: Compiling External Knowledge into Reusable Skills for Agents

Anything2Skill: 将外部知识编译为智能体的可复用技能

Qianjun Pan, Yutao Yang, Junsong Li, Jie Zhou, Kai Chen, Xin Li, Qin Chen, Liang He

机构 * East China Normal University（华东师范大学） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

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

AI总结 提出Anything2Skill框架，将异构外部知识编译为可复用、可检索、可执行的技能，结合RAG显著提升智能体任务成功率。

NIM4-ASR: Towards Efficient, Robust, and Customizable Real-Time LLM-Based ASR

NIM4-ASR：迈向高效、鲁棒且可定制的实时基于LLM的语音识别

Yuan Xie, Jiaqi Song, Guang Qiu, Xianliang Wang, Kai Qiao, Junfeng Yuan, Shengqing Liu, Yi Zhang, Bowen Chen, Ming Lei, Jie Gao, Jie Wu

机构 * Advanced Intelligent Systems Group, NIO（蔚来智能系统集团） 纠错

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

AI总结 提出NIM4-ASR框架，通过重新设计多阶段训练范式（包括预训练架构优化、迭代异步SFT和ASR专用强化学习）以及生产优化（噪声鲁棒性、流式推理和RAG热词定制），在2.3B参数下实现SOTA性能。

AI Agent for Reverse-Engineering Legacy Finite-Difference Code and Translating to Devito

AI Agent 用于逆向工程遗留有限差分代码并转换为 Devito

Yinghan Hou, Zongyou Yang

机构 * Department of Earth Science and Engineering（地球科学与工程系） ； Imperial College London（帝国理工学院伦敦分校） ； Department of Computer Science（计算机科学系） ； University College London（伦敦大学学院） 纠错

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

AI总结 本研究提出一个集成 AI Agent 框架，结合检索增强生成（RAG）和开源大语言模型，通过多阶段迭代工作流将遗留有限差分代码转换为 Devito 环境，并引入强化学习反馈机制实现动态自适应代码翻译。

Comments 14 pages, 7 figures

MindMelody: A Closed-Loop EEG-Driven System for Personalized Music Intervention

MindMelody：一种基于EEG的闭环个性化音乐干预系统

Yimeng Zhang, Yueru Sun, Haoyu Gu, Zhanpeng Jin

机构 * South China University of Technology（南方科技大学） 纠错

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

AI总结 本文提出MindMelody系统，通过EEG信号实时生成个性化音乐，结合Transformer-GNN和RAG-LLM实现情绪感知与音乐生成的闭环控制，提升情感适应性与用户参与度。

Eskwai for Students: Generative AI Assistant for Legal Education in Ghana

Eskwai for Students：面向加纳法律教育的生成式AI助手

George Boateng, Philemon Badu, Patrick Agyeman-Budu, Samuel Ansah, Evans Atompoya, Evan Igwilo, Lord Baah, Frederick Abu-Bonsrah, Victor Wumbor-Apin Kumbol

机构 * ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院） ； Charité - Universitätsmedizin Berlin, Germany（柏林夏里特医学院） ； Kwame AI Inc., U.S.（美国瓦卡姆AI公司） 纠错

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

AI总结 本文介绍了Eskwai for Students，一个基于检索增强生成（RAG）的生成式AI助手，用于帮助加纳法律学生解答法律问题，通过超过12000份案例法和1400项立法数据库，评估其对学生查询的帮助性及伦理影响。

Comments 10 pages. Accepted at the 27th International Conference on Artificial Intelligence in Education (AIED 2026)

Bridging the Long-Tail Gap: Robust Retrieval-Augmented Relation Completion via Multi-Stage Paraphrase Infusion

弥合长尾差距：通过多阶段 paraphrase 注入实现鲁棒的检索增强关系完成

Fahmida Alam, Mihai Surdeanu, Ellen Riloff

机构 * Department of Computer Science University of Arizona, USA（计算机科学系亚利桑那大学） 纠错

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

AI总结 本文提出RC-RAG框架，通过多阶段paraphrase注入提升稀有关系完成性能，无需微调即可在长尾场景下显著提升精确匹配指标。

Neuro-Oracle: A Trajectory-Aware Agentic RAG Framework for Interpretable Epilepsy Surgical Prognosis

Neuro-Oracle：一种具有轨迹意识的代理RAG框架用于可解释性癫痫手术预后

Aizierjiang Aiersilan, Mohamad Koubeissi

机构 * The George Washington University（乔治华盛顿大学） 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 本文提出Neuro-Oracle框架，通过三维Siamese对比编码器提取术前术后MRI变化，检索历史相似手术轨迹，并利用量化Llama-3-8B推理代理生成自然语言预后，验证了轨迹意识检索架构的可行性。

KEO: Knowledge Extraction on OMIn via Knowledge Graphs and RAG for Safety-Critical Aviation Maintenance

KEO：通过知识图谱和RAG进行OMIn的领域知识提取

Kuangshi Ai, Jonathan A. Karr, Meng Jiang, Nitesh V. Chawla, Chaoli Wang

机构 * University of Notre Dame（圣母大学） 纠错

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

AI总结 KEO通过知识图谱和RAG框架提升航空安全维护中的领域知识提取与推理，实验显示其在全局理解上优于传统文本块RAG，同时保持对细粒度任务的有效性。

GROUNDEDKG-RAG: Grounded Knowledge Graph Index for Long-document Question Answering

基于源文档的知识图谱-RAG：用于长文档问答的 grounded 知识图谱

Tianyi Zhang, Andreas Marfurt

机构 * getAbstract ； Lucerne University of Applied Sciences and Arts（卢塞恩应用科学与艺术大学） 纠错

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

AI总结 本文提出 groundedkg-rag，通过从源文档中显式提取并 grounding 知识图谱，提升长文档问答的效率和事实准确性，实验表明其在成本较低的情况下性能优于现有基线。

Comments To appear in the Proceedings of KG-LLM @ LREC 2026

MisEdu-RAG: A Misconception-Aware Dual-Hypergraph RAG for Novice Math Teachers

MisEdu-RAG：一种面向初学者数学教师的误解意识双超图RAG

Zhihan Guo, Rundong Xue, Yuting Lu, Jionghao Lin

机构 * The University of Hong Kong（香港大学） ； Xi'an Jiaotong University（西安交通大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Monash University（莫纳什大学） 纠错

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

AI总结 针对初学者数学教师难以诊断和纠正学生错误的问题，提出基于双超图的RAG框架，通过组织教学知识和学生错误案例，提升响应质量。

LogicPoison: Logical Attacks on Graph Retrieval-Augmented Generation

逻辑毒药：图检索增强生成中的逻辑攻击

Yilin Xiao, Jin Chen, Qinggang Zhang, Yujing Zhang, Chuang Zhou, Longhao Yang, Lingfei Ren, Xin Yang, Xiao Huang

机构 * Southwestern University of Finance and Economics（西南财经大学） ； 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(title,abstract)；RAG(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出LogicPoison攻击框架，通过逻辑推理而非注入虚假内容，破坏图检索增强生成系统中的拓扑结构，从而降低其性能。

UltRAG: a Universal Simple Scalable Recipe for Knowledge Graph RAG

UltRAG：一种通用简单可扩展的知识图谱RAG配方

Dobrik Georgiev, Kheeran Naidu, Alberto Cattaneo, Federico Monti, Carlo Luschi, Daniel Justus

机构 * Graphcore Research（Graphcore 研究院） 纠错

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

AI总结 本文提出UltRAG框架，通过神经查询执行模块提升知识图谱问答性能，无需重新训练LLM，在大规模知识图谱上实现高效问答。

SRAG: RAG with Structured Data Improves Vector Retrieval

SRAG：基于结构化数据的RAG改进向量检索

Shalin Shah, Srikanth Ryali, Ramasubbu Venkatesh

机构 * Anvai AI 纠错

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

AI总结 SRAG通过引入结构化信息提升向量检索性能，实验显示在问答系统中提升30%的评分，尤其在比较、分析和预测类问题上效果显著。

Agentic RAG with Knowledge Graphs for Complex Multi-Hop Reasoning in Real-World Applications

具有知识图谱的代理RAG用于现实世界应用中的复杂多跳推理

Jean Lelong, Adnane Errazine, Annabelle Blangero

机构 * Ekimetrics 纠错

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

AI总结 INRAExplorer通过多工具架构和知识图谱实现复杂多跳推理，提升专业领域知识交互能力。

Comments ECAI 2025 demo track, 4 pages

Journal ref ECAI 2025, Frontiers in Artificial Intelligence and Applications, vol. 413, pp. 5163-5166, IOS Press

Understand Then Memory: A Cognitive Gist-Driven RAG Framework with Global Semantic Diffusion

理解然后记忆：一种基于认知概要的RAG框架与全局语义扩散

Pengcheng Zhou, Haochen Li, Zhiqiang Nie, JiaLe Chen, Qing Gong, Weizhen Zhang, Chun Yu

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

AI总结 CogitoRAG通过模拟人类认知记忆过程，利用语义概要提取与全局语义扩散机制，提升复杂知识整合与推理能力。

Keyword search is all you need: Achieving RAG-Level Performance without vector databases using agentic tool use

关键词搜索足矣：无需向量数据库即可实现RAG级别的性能

Shreyas Subramanian, Adewale Akinfaderin, Yanyan Zhang, Ishan Singh, Mani Khanuja, Sandeep Singh, Maira Ladeira Tanke

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

AI总结 本文提出无需向量数据库，通过代理工具使用实现接近RAG的性能，展示了关键词搜索在问答任务中的有效性。

Cost-Efficient RAG for Entity Matching with LLMs: A Blocking-based Exploration

基于阻塞机制的高效RAG实体匹配方法：一种成本高效的RAG架构

Chuangtao Ma, Zeyu Zhang, Arijit Khan, Sebastian Schelter, Paul Groth

机构 * Aalborg University（奥尔堡大学） ； University of Amsterdam（阿姆斯特丹大学） ； Bowling Green State University, USA（布林茅尔州立大学） ； Aalborg University, Denmark（奥尔堡大学） 纠错

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

AI总结 CE-RAG4EM通过阻塞机制降低计算开销，实现高效实体匹配，提升运行效率并优化性能与开销的平衡。

RPO-RAG: Aligning Small LLMs with Relation-aware Preference Optimization for Knowledge Graph Question Answering

RPO-RAG: 通过关系感知的偏好优化对齐小型LLM以实现知识图谱问答

Kaehyun Um, KyuHwan Yeom, Haerim Yang, Minyoung Choi, Hyeongjun Yang, Kyong-Ho Lee

机构 * Yonsei University（延世大学） 纠错

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

AI总结 RPO-RAG通过关系感知的偏好优化和以答案为中心的提示设计，提升小型LLM在知识图谱问答中的推理能力，实现性能提升。

Comments Accepted at The Web Conference (WWW) 2026

Securing RAG: A Risk Assessment and Mitigation Framework

保障RAG：风险评估与缓解框架

Lukas Ammann, Sara Ott, Christoph R. Landolt, Marco P. Lehmann

机构 * Eastern Switzerland University of Applied Sciences (OST)（东瑞士应用科学大学（OST）） ； Cyber-Defence Campus, armasuisse Science and Technology（网络安全校园，armasuisse科技） 纠错

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

AI总结 本文提出了一种结合RAG特定安全考虑与通用安全指南的框架，以保障RAG系统的安全性和可信度。

Comments 8 pages, 3 figures, Sara Ott and Lukas Ammann contributed equally. This work has been submitted to the IEEE for possible publication

Journal ref 2025 IEEE Swiss Conference on Data Science (SDS)

Bridging OLAP and RAG: A Multidimensional Approach to the Design of Corpus Partitioning

连接OLAP与RAG：一种多维方法用于语料库划分设计

Dario Maio, Stefano Rizzi

机构 * DISI - University of Bologna, Viale Risorgimento, 2, Bologna, 40136 Italy（博洛尼亚大学DISI学院） 纠错

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

AI总结 本文提出维度事实模型（DFM）以指导RAG语料库的多维划分设计，结合语义聚类和多维划分策略，提升检索的可控性和确定性。

A Knowledge Graph-based Retrieval-Augmented Generation Framework for Algorithm Selection in the Facility Layout Problem

基于知识图谱的检索增强生成框架用于设施布局问题中的算法选择

Nikhil N S, Bilal Muhammed, Soban Babu Beemaraj, Amol Dilip Joshi

机构 * Indian Institute of Science（印度科学学院） ； TCS Research and Innovation（塔塔咨询公司研究与创新） 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.AI

AI总结 本文提出基于知识图谱的检索增强生成框架，用于自动推荐设施布局问题中的算法选择，通过多维检索机制和大语言模型实现数据驱动的算法推荐。

Comments 10 pages, 5 figures