Structured Linked Data as a Memory Layer for Agent-Orchestrated Retrieval
WordLift
本文提出通过结构化链接数据提升代理协调检索的准确性与回答质量,实验表明增强实体页面格式显著提高检索性能。
2026-03-11 cs.AI cs.IR
HeteRAG: A Heterogeneous Retrieval-augmented Generation Framework with Decoupled Knowledge Representations
Tsinghua University(清华大学);Xinjiang University(新疆大学);Beijing University of Posts and Telecommunications(北京邮电大学);JD Health International Inc.(京东健康国际公司)
针对现有RAG方法检索与生成知识块表示相同导致性能欠佳的问题,提出HeteRAG异构框架,解耦知识块的检索与生成表示,结合自适应提示调优,显著提升LLMs的有效性与效率。
2025-04-12 cs.AI cs.IR
Large-Scale Knowledge Synthesis and Complex Information Retrieval from Biomedical Documents
Quantiphi(Quantiphi公司)
医疗保健行业的最新进展导致了大量的非结构化数据,这使得大规模执行高效准确的信息检索等任务变得非常具有挑战性。我们的工作提供了一个一体化的可扩展的解决方案,用于从大规模的研究文档中提取和探索复杂的信息,否则这将是乏味的。首先,我们简要介绍了我们的知识合成过程中提取有用的信息,从非结构化的文本数据的研究文件。然后,在从文档中提取的知识的顶部,我们执行复杂的信息检索使用三个主要组成部分-段落检索,三元组检索从知识图谱,和复杂的问答(QA)。这些组件结合了基于词汇和语义的方法来检索段落和三元组,并执行分面细化以过滤这些搜索结果。生物医学查询和文档的复杂性需要使用能够处理比模拟事实查询更复杂的查询的QA系统,我们在COVID-19开放研究数据集(CORD-19)上进行了定性评估,以证明其有效性和附加值。
2023-02-14 cs.AI cs.IR
Generative Subgraph Retrieval for Knowledge Graph-Grounded Dialog Generation
Korea University(高丽大学);Amazon AGI(亚马逊AGI)
针对知识图谱支撑的对话生成中外部编码器无法利用预训练语言模型知识及单向量抽象导致信息瓶颈的问题,提出DialogGSR方法,通过在语言模型上直接生成子图词元序列并结合结构感知线性化与图约束解码进行检索,在多个数据集上达到最先进性能。
2024-10-12 cs.AI cs.CL
Pseudo-Knowledge Graph: Meta-Path Guided Retrieval and In-Graph Text for RAG-Equipped LLM
Peking University(北京大学)
本文提出PKG框架,通过集成Meta-path Retrieval、In-graph Text和Vector Retrieval到LLMs中,解决了RAG在高容量低密度数据库中检索碎片化和缺乏关系感知的问题,提升了检索准确性与知识表示。
2025-03-01 cs.AI cs.IR
Comparative Analysis of Neural Retriever-Reranker Pipelines for Retrieval-Augmented Generation over Knowledge Graphs in E-commerce Applications
Abertay University(阿伯泰大学)
本文研究电商场景下知识图谱检索增强生成中神经检索-排序流水线的设计与比较,通过实验验证了优化配置在提升检索性能上的有效性。
2025-12-14 cs.AI cs.CL cs.IR
When Thinking Before Retrieval Hurts: TraceBound Diagnostics for Adaptive Knowledge-Graph Retrieval
ETH Zürich(苏黎世联邦理工学院)
研究知识图谱自适应检索中“检索前思考”有害问题,引入TraceBound诊断协议,它能暴露查询配置文件等。实验表明虽改善可检查性,但降低检索质量,通过分析定位退化原因,指出应将其作为动作选择控制问题评估。
2026-07-29 cs.AI cs.CL cs.IR
DSRAG: A Domain-Specific Retrieval Framework Based on Document-derived Multimodal Knowledge Graph
School of Software, Henan University, Kaifeng 475004, China(河南大学软件学院);BNRist, DCST, RIIT, Tsinghua University, Beijing 100084, China(清华大学)
针对通用LLM在领域问答中的知识幻觉和适应性不足,提出DSRAG框架,通过构建多模态知识图谱并结合语义剪枝与子图检索机制,显著提升了领域特定问答的准确性和可靠性。
2025-08-22 cs.AI cs.CL cs.CV
EHR-RAG: Bridging Long-Horizon Structured Electronic Health Records and Large Language Models via Enhanced Retrieval-Augmented Generation
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)
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%。
2026-01-29 cs.AI
HyST: LLM-Powered Hybrid Retrieval over Semi-Structured Tabular Data
PrompTart LAB, MODULABS(PrompTart实验室,MODULABS)
针对现实推荐系统中用户查询结合结构化约束与非结构化偏好的问题,提出HyST混合检索框架,通过LLM提取属性约束过滤并结合嵌入搜索处理非结构化部分,实验证明其优于传统基线且提升检索精度。
2025-08-25 cs.AI cs.IR
Embedding-based Retrieval with LLM for Effective Agriculture Information Extracting from Unstructured Data
University of Sheffield(谢菲尔德大学)
本文提出结合嵌入检索与通用大语言模型的方法,在极少人工干预下从农业非结构化文档中自动提取实体和属性并转化为结构化数据,在基准测试中取得更优准确率且保持高效。
2023-08-06 cs.AI
Query Symbolically or Retrieve Semantically? A Dataset and Method for Semi-Structured Question Answering
Samsung AI Warsaw(三星AI华沙实验室);Samsung AI Cambridge(三星AI剑桥实验室)
提出 DualGraph 框架,通过文本知识图谱和符号知识图谱双视图实现半结构化文档的语义检索与符号查询结合,并在 SpecsQA 基准上超越现有方法。
2026-05-26 cs.AI
Structured Relevance Assessment for Robust Retrieval-Augmented Language Models
针对检索增强语言模型在文档相关性评估、知识整合上的痛点,提出结构化相关性评估框架,通过多维度评分、知识整合机制及未知响应协议降低幻觉率,提升模型鲁棒性与推理透明度。
2025-07-28 cs.AI
Retrieval Augmented Decision-Making: A Requirements-Driven, Multi-Criteria Framework for Structured Decision Support
State Key Lab of CAD&CG Zhejiang University(CAD&CG国家重点实验室 浙江大学);School of Computer Science and Engineering Central South University(计算机科学与工程学院 中南大学)
针对行业文档结构复杂、检索困难的问题,提出RAD框架,融合多准则决策与LLM语义理解,自动提取准则并生成加权层次模型,产出结构化决策报告,实验证明其在细节、合理性和结构上优于现有方法。
2025-05-24 cs.AI
BiGraph-Diffuse: A Bidirectional Diffusion Language Model with Graph-Structured Retrieval For Mental Health Counseling
Soochow University(苏州大学);Nanyang Technological University(南洋理工大学)
针对心理健康咨询中双向理解不足和关系知识整合缺失的问题,提出BiGraph-Diffuse双向扩散语言模型及BiGraph-RAG图检索策略,二者相互增强,实验验证有效。
2026-09-25 cs.AI
From Passive Retrieval to Active Memory Navigation: Learning to Use Memory as a Structured Action Space
Alibaba(阿里巴巴);ShanghaiTech University(上海科技大学);Zhejiang University(浙江大学);Peking University(北京大学);National University of Singapore(新加坡国立大学)
研究针对个性化对话代理中记忆系统的被动性问题,提出NapMem框架,将用户记忆组织成多粒度金字塔并通过工具暴露层次,经记忆工具强化学习训练智能体,在多任务实验中具竞争力,还进行了多方面分析,证明结构化存储与策略结合对长期用户记忆有益。
2026-07-08 cs.AI
S2G-RAG: Structured Sufficiency and Gap Judging for Iterative Retrieval-Augmented QA
Soochow University(苏州大学)
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。
2026-04-26 cs.AI cs.IR
FastRAG: Retrieval Augmented Generation for Semi-structured Data
NIST(美国国家标准与技术研究院);Université Grenoble Alpes(格勒诺布尔阿尔卑斯大学)
针对现有RAG方法处理半结构化网络数据效率低的问题,提出结合模式学习、脚本学习及文本搜索与KG查询融合的FastRAG,在保证问答准确的同时大幅提升时间与成本效率。
2025-06-14 cs.AI cs.NI
Knowledge Embedding and Retrieval Strategies in an Informledge System
Bio Computing Research Group(生物计算研究组);Research & Industry Incubation Center(研究与产业孵化中心);D. S. Institutions(D. S. 机构)
信息系统(ILS)是一个知识网络,具有自治节点和智能链接,集成和结构的知识片段。本文提出了一种基于人工智能系统的知识嵌入和检索策略。ILS是一个功能强大的知识网络系统,它处理信息单元的逻辑存储和连接,使用自治节点和多边链接形成知识。在ILS中,知识网络节点(Knowledge Network Nodes,KNN)起着重要的作用,它不仅用于知识点的存储、解析和形成知识点之间的多边联系,而且有助于实现以知识形式存在的联系信息单元的智能检索。内置于ILS中的知识形成了球体的形状。结合到KNN的链接中的智能有助于从一组特定的KNN中检索各种知识线程。通过KNN实现的信息实体的展开形成知识锥的形状
2011-07-11 cs.AI
PRIME: Pre-Retrieval Index Modeling Enhancement for Structured Document Retrieval-Real
HKUST-GZ(香港科技大学(广州))
本文针对LLM智能体的外部知识库检索需求,提出PRIME索引优化框架,通过语义重构与元数据合成路径提升检索效率与Answer-F1,明确索引优化的适用场景且效果可被强重排序器抵消。
2026-10-12 cs.AI cs.IR
Multi-hop Reasoning and Retrieval in Embedding Space: Leveraging Large Language Models with Knowledge
Wayne State University(韦恩州立大学)
本文提出EMBRAG框架,通过生成基于知识图谱的逻辑规则并在嵌入空间中推理,提升知识图谱问答任务的鲁棒性和准确性。
2026-02-25 cs.AI
Graph2Idea:Retrieval-Augmented Scientific Idea Generation with Graph-Structured Contexts
Southwest Petroleum University(西南石油大学);Sichuan Police College(四川警察学院)
提出Graph2Idea框架,利用知识图谱将检索文献转化为结构化三元组,提取图衍生上下文,通过两阶段生成过程提高科学想法的新颖性、质量和可行性。
2026-06-11 cs.AI
Formal Language Knowledge Corpus for Retrieval Augmented Generation
The Hebrew University of Jerusalem(耶路撒冷希伯来大学)
本研究探索使用Lean语言填充RAG系统的知识语料库,以改善LLMs在生成与评估数学证明等高级逻辑推理任务中的表现。
2024-12-21 cs.AI
Beyond Experience Retrieval: Learning to Generate Utility-Optimized Structured Experience for Frozen LLMs
Department of Computer Science and Technology, Tsinghua University, Beijing, China(清华大学计算机科学与技术系,北京,中国);Quancheng Laboratory(千晨实验室)
本文提出SEAM模块,通过单次前向传递生成实例定制的经验条目,优化冻结LLM的执行效率,实验显示在数学推理基准上准确率提升显著。
2026-04-24 cs.AI cs.LG
Redefining Information Retrieval of Structured Database via Large Language Models
Kuaishou Technology(快手科技)
本文提出ChatLR框架,利用大语言模型作为检索器实现结构化数据库的精确信息检索,并通过金融领域微调构建搜索问答系统,整体检索准确率超过98.8%。
2024-11-19 cs.AI cs.IR
Structured Belief State and the First Precision-Aware Benchmark for LLM Memory Retrieval
Independent Researcher(独立研究者)
针对现有LLM记忆系统基准仅评估答案质量而忽略检索精度的问题,提出独立于生成模型的检索精度基准PrecisionMemBench和结构化信念存储系统Tenure,实现89/89测试案例通过且平均精度1.0。
2026-07-30 cs.AI cs.IR
Agent-Orchestrated Adaptive RAG: A Comparative Study on Structured and Multi-Hop Retrieval
University of California, Berkeley(加州大学伯克利分校);University of Washington(华盛顿大学);University of California, Los Angeles(加州大学洛杉矶分校)
提出Agent编排的自适应RAG框架,通过动态查询分解、迭代检索和自反思评估,在结构化领域(DevOps)和多跳推理基准(MuSiQue)上对比发现,查询分解在结构化领域提升性能但降低多跳排名精度,反思机制提高引用准确性但增加延迟,表明Agent增强需根据查询和领域特性选择性应用。
2026-06-04 cs.AI cs.IR
Co-adaptive Rule Routing and Constraining for Structured Knowledge Retrieval
University of Georgia(佐治亚大学);Michigan State University(密歇根州立大学);Georgia Institute of Technology(佐治亚理工学院);Amazon(亚马逊);Adobe Systems(奥多比系统公司);PNNL(太平洋西北国家实验室);Texas A&M University(德克萨斯农工大学)
针对现有结构化知识检索依赖的预定义查询-规则监督难以获取的问题,提出CoRE模型,通过路由智能体与规则约束检索器的协同自适应,在STaRK-QA数据集上验证了其有效性。
2026-10-20 cs.AI cs.IR
Retrieval-Augmented Chain-of-Thought in Semi-structured Domains
New York University(纽约大学)
本研究针对法律和金融领域问答中LLMs处理长上下文的局限,利用数据的半结构化特性高效检索相关上下文,构建的系统优于当代模型并提供有用解释,推动了LLMs在专业领域的应用。
2023-10-22 cs.AI cs.CL
ArtRAG: Retrieval-Augmented Generation with Structured Context for Visual Art Understanding
University of Amsterdam(阿姆斯特丹大学);College of Business(商学院);Economics, University of Johannesburg(经济系,约翰内斯堡大学)
针对多模态大模型难以捕捉美术作品细腻解读的问题,提出免训练框架ArtRAG,通过构建艺术上下文知识图谱并结合多粒度结构化检索引导生成,在艺术理解任务上超越多个强基线,生成更具文化内涵的解读。
2025-09-05 cs.AI cs.CV
Wikiformer: Pre-training with Structured Information of Wikipedia for Ad-hoc Retrieval
Quan Cheng Laboratory(泉城实验室);Tsinghua University(清华大学);Zhongguancun Laboratory(中关村实验室);Huawei Poisson Lab(华为泊松实验室)
本文提出Wikiformer,利用维基百科的结构化信息设计了四个专为IR任务定制的预训练目标,在多个基准及垂直领域的零样本和微调设置下均优于现有基线。
2024-01-01 cs.AI cs.IR
EngramaBench: Evaluating Long-Term Conversational Memory with Structured Graph Retrieval
本文提出EngramaBench基准测试,评估长期对话记忆系统在事实回忆、跨空间整合等任务中的表现,对比Engrama与GPT-4o和Mem0的性能差异。
2026-04-23 cs.AI cs.CL
KnowTrace: Bootstrapping Iterative Retrieval-Augmented Generation with Structured Knowledge Tracing
Gaoling School of Artificial Intelligence(人工智能学院);Renmin University of China(中国人民大学);Huawei Noah’s Ark Lab(华为诺亚实验室)
KnowTrace通过结构化知识图谱追踪替代简单上下文堆叠,缓解RAG中的上下文过载,并利用知识回溯生成过程监督数据实现自我引导,在多跳问答基准上显著超越现有方法。
2025-05-26 cs.AI cs.CL
Beyond the Parameters: A Technical Survey of Contextual Enrichment in Large Language Models: From In-Context Prompting to Causal Retrieval-Augmented Generation
本文综述了大型语言模型中通过增加结构化上下文来提升性能的技术,涵盖上下文学习、提示工程、检索增强生成等方法,并提出透明的文献筛选协议和可信检索增强NLP的研究优先级。
2026-04-03 cs.AI cs.CL
Event-Grounded Question Answering over Long Audio via Structured Retrieval
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)
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%。
2026-06-29 cs.AI cs.LG eess.AS
QBR: A Question-Bank-Based Approach to Fine-Grained Legal Knowledge Retrieval for the General Public
The University of Hong Kong(香港大学)
QBR方法通过构建问题库提升大众对法律知识的细粒度检索能力,实现更准确、高效且可解释的检索结果。
2025-05-08 cs.AI cs.IR
SSE-Bio: A Structured Self-Evolving Agent with Agentic Retrieval Policy for Multi-Hop Biomedical Reasoning
School of Computing Science, University of Glasgow(格拉斯哥大学计算科学学院);Brigham and Women’s Hospital, Harvard Medical School, Harvard University(哈佛大学医学院附属布莱根妇女医院);Language Technology Lab, University of Cambridge(剑桥大学语言技术实验室);School of Natural and Computing Science, University of Aberdeen(阿伯丁大学自然与计算科学学院);School of Cancer Sciences, University of Glasgow(格拉斯哥大学癌症科学学院);Cancer Research UK Scotland Institute(英国癌症研究苏格兰研究所)
本研究针对生物医学多跳问答的指令漂移问题,提出SSE-Bio结构化自进化智能体,通过代理策略选择性检索、细粒度模板编辑及组相对策略优化,在三个基准上实现优于现有基线的性能,BioHopR上提升6.56绝对点。
2026-08-25 cs.AI cs.CE cs.CL
Group of Skills: Group-Structured Skill Retrieval for Agent Skill Libraries
School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)科学与工程学院);Sun Yat-sen University(孙中山大学);University of California, San Diego(加州大学圣地亚哥分校);Taiyuan University of Technology(太原理工大学)
本文提出GoSkills,一种分组结构技能检索方法,通过构建基于类型技能图的锚点中心技能组,提升智能体在有限技能预算下对可见需求的覆盖能力,改进了传统技能检索方法的性能。
2026-11-10 cs.AI cs.CL
From Lexical Baselines to Agentic Retrieval-Augmented Generation: Structured Skill and Responsibility-Level Extraction with the SFIA Framework
Informatics Institute of Technology(信息科技学院);University of Sri Jayewardenepura(斯里贾亚瓦德纳普拉大学)
本研究针对SFIA框架提出结构化技能与责任级别提取任务,比较五种策略,发现检索匹配识别技能多、生成策略更精确,显式级别决策更可靠,智能体团队无增益,提供首个可复现基线。
2026-09-30 cs.AI cs.CL
Graphs RAG at Scale: Beyond Retrieval-Augmented Generation With Labeled Property Graphs and Resource Description Framework for Complex and Unknown Search Spaces
Capital Group(资本集团)
本文提出了一种端到端的图RAG框架,利用标记属性图和资源描述框架解决传统RAG在未知搜索空间和半结构化数据中的局限,提升准确性和查询生成效率。
2026-03-21 cs.AI cs.IR
Retrieval-Augmented Conversational Recommendation with Prompt-based Semi-Structured Natural Language State Tracking
University of Waterloo(滑铁卢大学);University of Toronto(多伦多大学)
本文提出RA-Rec,一个基于LLM的检索增强对话状态跟踪系统,通过半结构化自然语言状态跟踪和常识推理解决复杂用户偏好理解与物品检索问题。
2024-05-25 cs.AI cs.CL
DSL-R1: From SQL to DSL for Training Retrieval Agents across Structured and Unstructured Data with Reinforcement Learning
New York University(纽约大学);Matter Innovation Inc.(Matter创新公司);Thin Red Line(薄红线)
本文提出DSL-R1框架,结合逻辑推理与语义匹配,通过强化学习优化DSL生成,提升检索性能,实现在结构化和非结构化数据上的改进。
2026-01-14 cs.AI cs.DB cs.IR
dIR -- Discrete Information Retrieval: Conversational Search over Unstructured (and Structured) Data with Large Language Models
Stanford University(斯坦福大学)
本文提出dIR(离散信息检索),统一接口查询自由文本和结构化知识,利用LLM将文本转为列式表示,再通过文本到SQL解析器查询,支持多步推理对话,在复杂查询上超越传统IR和SQL知识库。
2023-12-20 cs.AI cs.CL cs.DB
TaSR-RAG: Taxonomy-guided Structured Reasoning for Retrieval-Augmented Generation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
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。
2026-03-10 cs.AI cs.CL
Advancing Retrieval-Augmented Generation for Structured Enterprise and Internal Data
IIT Roorkee(罗尔基大学)
针对LLM处理企业结构化数据的局限,提出结合稠密嵌入与BM25混合检索、语义分块及交叉编码器重排序的先进RAG框架,显著提升了企业数据检索的准确率与响应质量。
2025-07-16 cs.AI cs.CE cs.CL
Self-Describing Structured Data with Dual-Layer Guidance: A Lightweight Alternative to RAG for Precision Retrieval in Large-Scale LLM Knowledge Navigation
PARRAWA AI
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。
2026-03-28 cs.AI cs.CL cs.IR
Toward Structured Knowledge Reasoning: Contrastive Retrieval-Augmented Generation on Experience
Sun Yat-sen University(中山大学);Tencent(腾讯)
针对 LLM 在表格、数据库等结构化推理任务上的迁移不足,提出无需训练的 CoRE 框架,利用 MCTS 经验记忆与对比 ICL 检索增强,显著提升 Text-to-SQL 和 TableQA 性能。
2025-07-24 cs.AI cs.CL
Reasoning in Action: MCTS-Driven Knowledge Retrieval for Large Language Models
City University of Hong Kong(香港城市大学);City University of Hong Kong Shenzhen Research Institute(香港城市大学深圳研究院)
本文提出一种基于MCTS的知识检索方法,通过增强LLM与对话逻辑结构的对齐,提升多轮对话中的推理能力和响应多样性。
2025-11-28 cs.AI cs.CL
InfCode-C++: Intent-Guided Semantic Retrieval and AST-Structured Search for C++ Issue Resolution
Beihang University(北航);Beijing Tokfinity Technology Co., Ltd.(北京 Tokfinity 技术有限公司)
INFCODE-C++ 是首个针对 C++ 的自主系统,通过结合语义代码意图检索和 AST 结构查询,实现端到端的问题解决,其性能显著优于现有方法。
2025-11-20 cs.AI cs.SE
Knowledge Retrieval using Foon
University Of South Florida(南佛罗里达大学)
灵活的任务规划仍然是机器人面临的一个重大挑战。机器人无法创造性地调整其任务计划以应对新的或不可预见的挑战,这在很大程度上是由于它们对自身活动和环境的了解有限。例如,烹饪需要一个人偶尔冒一些机器人会觉得非常危险的风险。我们可以通过采用从许多视频源中提取的知识来获得操纵序列,这要归功于通过图搜索进行的知识检索。
2022-11-06 cs.AI cs.RO
CRITIC-R1: Learning Structured Critics for Retrieval-Augmented Generation
Nankai University(南开大学);Beihang University(北航);Guangxi Normal University(广西师范大学)
提出CRITIC-R1框架,通过强化学习将RAG评论建模为结构化错误诊断问题,设计保守判断对齐和诊断质量对齐奖励函数,提升检索增强生成的答案质量。
2026-05-28 cs.AI cs.CL
Dialogue-to-Video Retrieval
Dublin City University(都柏林城市大学)
近年来,网络上的对话/对话越来越多,特别是在社交媒体上。这启发了基于对话的检索的发展,其中基于对话的视频检索越来越受到推荐系统的关注。与其他视频检索任务不同,对话到视频检索使用用户生成的对话形式的结构化查询作为搜索描述符。我们提出了一种新的对话到视频检索系统,将结构化的会话信息。在AVSD数据集上进行的实验表明,我们提出的使用纯文本查询的方法在R@1上比以前的对应模型提高了15.8%。此外,我们的方法使用对话作为一个查询,提高检索性能的4.2%,6.2%,8.6%,在R@1,R@5和R@10上的最先进的模型分别为0.7%,3.6%和6.0%。
2023-03-23 cs.AI cs.IR
Fine-Grained Knowledge Structuring and Retrieval for Visual Question Answering
Hong Kong University of Science and Technology (Guangzhou)(香港理工大学(广州))
针对KB-VQA中视觉细节丢失问题,提出细粒度多模态知识单元结构化组织与KU-RAG框架,结合知识校正链,在四个基准上平均提升约3%,最佳达11%。
2025-07-08 cs.AI cs.CV
KG-Retriever: Efficient Knowledge Indexing for Retrieval-Augmented Large Language Models
Beijing University of Posts and Telecommunications(北京邮电大学);University of Science and Technology Beijing(北京科技大学);Xiaomi Corporation(小米公司)
本文提出KG-Retriever框架,通过知识图谱层与协作文档层构成的分层索引图增强文档连通性,缓解多跳问答中的信息碎片化问题,并在五个QA数据集上验证了其检索效果与效率。
2025-05-05 cs.AI cs.IR