Natural Logic-guided Autoregressive Multi-hop Document Retrieval for Fact Verification
University of Cambridge(剑桥大学)
事实验证的一个关键组成部分是证据检索,通常来自多个文档。最近的方法使用密集的表示和条件的检索每个文件的先前检索的。后一个步骤是对集合中的所有文档执行的,需要将它们的密集表示存储在索引中,因此会产生很高的内存占用。另一种范例是检索和重新排序,其中使用诸如BM 25的方法检索文档,对它们的句子进行重新排序,并以这些句子为条件检索更多的文档,从而降低对内存的要求。然而,这样的方法可能是脆弱的,因为它们依赖于语法学并假设文档之间的超链接。我们提出了一种新的检索和重新排名方法多跳检索,检索器,共同得分的知识源中的文件和句子,从以前检索到的文件使用自回归公式,并根据自然逻辑,动态终止检索过程中的证据被认为是足够的证明系统的指导。该方法与FEVER、HoVer和FEVEROUS-S上的当前最先进的方法相比具有竞争力,而使用$5$的存储器比竞争系统少$10$倍。对抗数据集的评估表明,与常用的基于阈值的方法相比,我们的方法具有更高的稳定性。最后,证明系统帮助人类正确预测模型决策,比单独使用证据更频繁。
2022-12-10 cs.CL
MFORT-QA: Multi-hop Few-shot Open Rich Table Question Answering
AllianceBernstein(联博);Vanderbilt University(范德堡大学)
本文提出MFORT-QA方法,通过少样本学习、思维链提示和检索增强生成相结合的多跳推理流程,提升开放富表格问答的准确性,并在OTT-QA上验证其优于抽取式方法。
2024-03-28 cs.AI cs.CL
Adaptive Information Seeking for Open-Domain Question Answering
University of Chinese Academy of Sciences(中国科学院大学);Institute for AI Industry Research, Tsinghua University(清华大学人工智能产业研究院)
信息搜索是开放领域问答从大规模语料库中有效收集证据的重要步骤。最近,迭代方法已被证明是有效的复杂问题,递归检索新的证据在每一步。然而,几乎所有现有的迭代方法都使用预定义的策略,或者多次应用相同的检索函数,或者固定不同检索函数的顺序,这不能满足不同问题的不同需求。本文提出了一种新的开放域问答自适应信息搜索策略AISO。具体地,整个检索和应答过程被建模为部分观察的马尔可夫决策过程,其中三种类型的检索操作(例如,BM25、DPR和超链接)和一个应答操作被定义为动作。根据学习策略,AISO可以根据收集到的证据和重构后的查询自适应地选择合适的检索动作来寻找每一步缺失的证据,或者在证据集足够时直接输出答案。SQuAD Open和HotpotQA fullwiki作为单跳和多跳开放域QA基准测试,实验表明AISO在检索和答案评估方面优于所有具有预定义策略的基线方法。
2021-09-14 cs.CL
RAM2C: A Liberal Arts Educational Chatbot based on Retrieval-augmented Multi-role Multi-expert Collaboration
Center for Brain Inspired Computing Research (CBICR), Tsinghua University(清华大学脑启发计算研究中心);Optical Memory National Engineering Research Center, Tsinghua University(清华大学光存储国家工程研究中心);Tsinghua University-China Electronics Technology HIK Group Co. Joint Research Center for Brain-inspired Computing(清华大学-中国电子 hik 集团联合脑启发计算研究中心);IDG/McGovern Institute for Brain Research, Tsinghua University(清华大学 IDG/麦戈文脑科学研究院);Tsinghua University(清华大学)
针对大型语言模型在文科教育对话中难以兼顾人本化沟通、教学专长与安全伦理的问题,提出RAM2C框架,通过构建HTS引导知识库并组织多角色多专家协作生成对话数据集进行微调,有效提升了中文阅读教学的质量与安全性。
2024-09-23 cs.AI cs.CL
AI-Assisted Knowledge Access for Legacy Enterprise Asset Management in Energy Operations: A Practical Retrieval System
Ontario Power Generation(安大略发电公司);Dalhousie University(达尔豪斯大学)
针对能源运营中传统企业资产管理平台更换成本高、干扰运营的问题,提出检索助手,结合意图理解等运行时方法及语义丰富的数据准备管道,经试点测试,提升了检索质量和用户成果,为传统环境提供运营价值并奠定基础。
2026-07-29 cs.AI cs.IR
Adapting Binary Information Retrieval Evaluation Metrics for Segment-based Retrieval Tasks
本报告描述了基于现有二进制信息检索指标的基于段检索的有效性评估指标。该度量在用于视频片段的超链接的任务的上下文中描述。这种评价方法重新使用现有的评价措施,从标准的克兰菲尔德评价范式。我们的适应方法原则上可以用于任何一种使用二进制相关性的有效性度量,以及其他基于段的检索任务。在我们的视频超链接设置中,我们使用截止秩n的精度和平均精度。
2013-12-06 cs.IR
Retrieval-Augmented LLMs for Evidence Localization in Clinical Trial Recruitment from Longitudinal EHR Narratives
Department of Health Outcomes and Biomedical Informatics(健康结果与生物医学信息学系);University of Florida(佛罗里达大学)
本文研究了基于编码器和解码器的生成LLM在临床试验招募中的应用,通过三种策略缓解长文档处理问题,MedGemma模型在RAG策略下达到89.05%的微F1分数,提升了长期推理能力。
2026-04-28 cs.AI cs.CL cs.IR
The Effect of Text Chunk Size on Retrieval-Augmented Generation Performance
Milwaukee School of Engineering(密尔沃基工程学院)
研究文本块大小对检索增强生成性能的影响,评估其与检索段数量如何影响生成质量和检索效果,通过比较配置,以更好理解文档分割对检索增强生成系统性能和效率的作用。
2026-07-29 cs.AI cs.CL cs.IR
Frustratingly Hard Evidence Retrieval for QA Over Books
Rensselaer Polytechnic Institute(伦斯勒理工学院);IBM Research(IBM研究院);Columbia University(哥伦比亚大学);IBM Watson(IBM沃森)
近年来,问答(QA)的研究取得了很大的进展,但对叙事性书籍故事问答这一特殊问题的研究还不够深入。我们制定BookQA作为一个开放领域的QA任务,其类似的依赖证据检索。我们进一步研究如何国家的最先进的开放领域的QA方法可以帮助BookQA。除了在NarrativeQA基准上达到最先进的水平外,我们的研究还揭示了在书籍中进行证据检索的困难,并进行了大量的实验和分析-这需要未来努力开发BookQA中证据检索的新解决方案。
2020-07-20 cs.CL cs.IR
Respect My Authority! HITS Without Hyperlinks, Utilizing Cluster-Based Language Models
Cornell University(康奈尔大学)
我们提出了一种方法来提高精度的初始文档排序,其中我们利用聚类信息在一个基于图形的框架。其主要思想是基于文档(一侧)和集群(另一侧)的二分图内的中心性进行重新排名,前提是这些是相互增强的实体。实体之间的链接是通过考虑从它们导出的语言模型来创建的。我们发现,我们的集群文档图产生更好的检索性能比以前提出的只文档图。例如,通过HITS风格的基于聚类的方法对文档进行基于权威性的重新排名,其性能优于先前提出的仅应用于文档图的PageRank启发算法。此外,我们还表明,集群的计算权威分数构成了一个有效的方法来识别集群包含很大比例的相关文件。
2008-04-22 cs.CL cs.IR
Why They Link: An Intent Taxonomy for Including Hyperlinks in Social Posts
Temple University(天普大学);Shaqra University(沙格拉大学)
本文提出一种意图分类,通过混合方法分析用户对超链接的感知意图,揭示广告、论证和分享是最常见的意图,并在微博客检索任务中展示其应用价值。
2026-03-02 cs.IR cs.SI
DynamicRAG: Leveraging Outputs of Large Language Model as Feedback for Dynamic Reranking in Retrieval-Augmented Generation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对RAG系统重排器文档数量难确定、忽视LLM反馈信号的问题,提出DynamicRAG框架,将重排器建模为RL智能体,基于LLM输出质量奖励动态调整检索文档的顺序与数量,在七个数据集上同参数规模模型中达SOTA。
2025-05-16 cs.AI cs.CL
Joint Passage Ranking for Diverse Multi-Answer Retrieval
University of Washington(华盛顿大学);Google Research(谷歌研究院)
我们研究多答案检索,一个未充分探索的问题,需要检索段落,以涵盖多个不同的答案为一个给定的问题。这项任务需要对检索到的段落进行联合建模,因为模型不应该以错过不同的有效答案为代价重复检索包含相同答案的段落。在本文中,我们介绍了JPR,第一个联合通道检索模型的多答案检索。JPR利用自回归重排序器选择一系列通道,每个通道以先前选择的通道为条件。JPR被训练为在每个时间步选择覆盖新答案的段落,并使用树解码算法来实现多样性程度的灵活性。与现有方法相比,JPR在三个多答案数据集上实现了更好的答案覆盖。当与下游问答相结合时,改进的检索能够实现更大的答案生成模型,因为它们需要考虑更少的段落,从而建立新的最先进的技术。
2021-09-19 cs.AI cs.CL
PairDistill: Pairwise Relevance Distillation for Dense Retrieval
National Taiwan University(台湾大学)
针对 pointwise 蒸馏存在比较不一致的问题,本文提出 PairDistill,利用成对重排序提供细粒度文档区分以训练稠密检索模型,并在多个基准上取得最先进性能。
2024-10-02 cs.CL cs.IR
A Few Brief Notes on DeepImpact, COIL, and a Conceptual Framework for Information Retrieval Techniques
David R. Cheriton School of Computer Science(戴维·R·切里顿计算机科学学院);University of Waterloo(滑铁卢大学)
信息检索表征学习的最新发展可以组织在一个概念框架中,建立两对对比:稀疏与密集表示和无监督与学习表示。稀疏学习表示可以进一步分解为扩展和项加权组件。这个框架使我们能够理解最近提出的技术之间的关系,如DPR,ANCE,DeepCT,DeepImpact和COIL,此外,我们的分析揭示的差距指向尚未探索的技术方面的“低挂水果”。我们提出了一种新的技术称为“uniCOIL”,一个简单的扩展COIL,达到我们所知的流行MS MARCO通道排名数据集上的稀疏检索的当前最先进的。我们使用Anserini IR工具包的实现是建立在Lucene搜索库上的,因此与标准的倒排索引完全兼容。
2021-06-28 cs.CL cs.IR
Layer-of-Thoughts Prompting (LoT): Leveraging LLM-Based Retrieval with Constraint Hierarchies
Center of Juris-Informatics, ROIS-DS(法信息学中心,研究组织法人综合研究机构)
本文提出 LoT 方法,利用约束层次结构过滤和优化候选响应,通过关注多轮交互中提示的层次关系,结合 LLM 显著提升了信息检索任务的准确性、可解释性和自动化。
2024-10-16 cs.AI cs.CL
GLM-RAG: Graph Language Models for Graph-Based Retrieval-Augmented Generation
Institute of Computational Linguistics, Heidelberg University(海德堡大学计算语言学研究所);Aleph Alpha Research(Aleph Alpha 研究院)
本研究提出GLM-RAG的GLM基检索器,对比三类检索器性能,发现微调GLM检索器跨域泛化更优且在多跳基准达SOTA,GNN与向量搜索各有优势。
2026-10-09 cs.AI cs.CL cs.IR
ConTextual Masked Auto-Encoder for Dense Passage Retrieval
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院);Kuaishou Technology(快手科技)
密集段落检索旨在基于密集表示(即,向量)的查询和段落。最近的研究探索了改进预训练的语言模型以提高稠密检索性能。提出了一种用于密集段落检索的生成式预训练方法CoT-MAE(Contextual Masked Auto-Encoder)。CoT-MAE采用非对称编码器-解码器架构,通过自监督和上下文监督掩码自动编码学习将句子语义压缩为密集向量。准确地说,自监督掩码自动编码学习对文本跨度内的标记的语义进行建模,而上下文监督掩码自动编码学习对文本跨度之间的语义相关性进行建模。我们进行了大规模的通道检索基准的实验,并显示出相当大的改善强基线,证明了高效率的CoT-MAE。我们的代码可在https://github.com/caskcsg/ir/tree/main/cotmae上获得。
2022-12-01 cs.AI cs.CL
Enhancing Legal Document Retrieval: A Multi-Phase Approach with Large Language Models
VNU University of Engineering and Technology(VNU工程技术大学);RMIT University(皇家墨尔本理工大学);National Institute of Informatics(情报学研究所)
本研究提出一种结合 BM25 预排序、基于 BERT 的重排序与 LLM 提示技术的多阶段法律文档检索方法,在 COLIEE 2023 数据集上显著提升了检索准确率。
2024-03-26 cs.AI cs.CL
Towards a Robust Retrieval-Based Summarization System
North Carolina State University(北卡罗来纳州立大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Northwestern University(西北大学)
本文提出LogicSumm评估框架和SummRAG系统,通过构建训练对话并微调模型,系统性地提升大语言模型在基于检索增强生成的摘要任务中的鲁棒性与摘要质量。
2024-03-29 cs.AI cs.CL cs.IR
CoIR: A Comprehensive Benchmark for Code Information Retrieval Models
Huawei Noah’s Ark Lab(华为诺亚实验室)
本文提出COIR代码信息检索综合基准,涵盖七个领域八类任务的十个数据集,并评估九种检索模型,以揭示代码检索难点并推动该领域研究。
2025-06-06 cs.CL cs.IR
ArtistMus: A Globally Diverse, Artist-Centric Benchmark for Retrieval-Augmented Music Question Answering
ArtistMus提出一个全球多样、以艺术家为中心的基准,通过检索增强生成技术提升音乐问答的准确性和上下文推理能力。
2026-02-15 cs.AI cs.CL cs.IR
ATLANTIC: Structure-Aware Retrieval-Augmented Language Model for Interdisciplinary Science
Pacific Northwest National Laboratory(太平洋西北国家实验室)
提出结构感知检索增强语言模型ATLANTIC,通过构建跨学科异构文档图并利用图神经网络融合段落文本与结构嵌入,提升了科学任务中检索文档的连贯性、忠实度与相关性。
2023-11-21 cs.AI cs.CL
Retrieval-Enhanced Named Entity Recognition
Center of Mathematics, Computing and Cognition(数学、计算与认知中心);Federal University of ABC(ABC联邦大学);Institute of Mathematics and Statistics(数学与统计学院);University of São Paulo(圣保罗大学)
本文提出RENER方法,通过结合上下文学习与信息检索技术,从训练集中检索相似示例来增强自回归语言模型的命名实体识别能力,在CrossNER上取得最先进性能,F-score最高提升11个百分点。
2024-10-17 cs.CL cs.IR
Diagnosing BERT with Retrieval Heuristics
Delft University of Technology(代尔夫特理工大学)
词嵌入在2013年随着word 2 vec的发布而广泛流行,已经成为NLP工程管道的支柱。最近,随着BERT的发布,词嵌入已经从基于术语的嵌入空间转移到上下文嵌入空间--每个术语不再由单个低维向量表示,而是由每个术语和\emph{its context}确定向量权重。BERT的设置和体系结构已经被证明是足够通用的,可以应用于许多自然语言任务。对于信息检索(IR)来说,重要的是,与之前需要对神经网络架构和训练机制进行重大调整的IR问题的深度学习解决方案相比,“vanilla BERT”已被证明在很大程度上优于现有的检索算法,包括长期以来一直抵制传统IR基线(如Robust 04)检索有效性增益的任务和语料库。在本文中,我们采用最近提出的公理数据集分析技术-也就是说,我们创建诊断数据集,每个满足检索启发式(包括术语匹配和基于语义)-探索什么BERT是能够学习。与我们的期望相反,我们发现BERT,当应用到最近发布的大型网络语料库与特设的主题,\emph{not}坚持任何探索公理。同时,BERT比传统的查询似然检索模型性能提高了40%.这意味着IR的公理化方法(及其为检索分析创建的诊断数据集的扩展)可能以其当前的形式不适用于大规模语料库。还需要其他不同的公理。
2022-01-12 cs.CL cs.IR
The Good and The Bad: Exploring Privacy Issues in Retrieval-Augmented Generation (RAG)
Michigan State University(密歇根州立大学);Jilin University(吉林大学);Baidu, Inc.(百度公司)
本文通过新型攻击实证评估RAG隐私,发现其会泄露私有检索库,但同时可缓解LLM训练数据泄露,并为检索增强LLM隐私保护提供见解。
2024-02-23 cs.AI cs.CL cs.CR
Gen-IR @ SIGIR 2023: The First Workshop on Generative Information Retrieval
University of Amsterdam(阿姆斯特丹大学);RTL NL(RTL荷兰公司);ICT, Chinese Academy of Sciences(中国科学院信息与通信技术研究所);Google Research(谷歌研究院)
首届生成式信息检索研讨会Gen-IR @ SIGIR 2023聚焦生成式IR的现有技术与新领域应用,采用互动形式推动该领域的理论、方法与应用探索。
2023-06-13 cs.CL cs.IR
LoSemB: Logic-Guided Semantic Bridging for Inductive Tool Retrieval
The Hong Kong Polytechnic University(香港理工大学)
LoSemB通过逻辑引导的语义桥接框架,在无需重新训练的情况下实现高效归纳工具检索,缓解分布偏移和相似度检索的脆弱性。
2026-01-21 cs.AI cs.CL
ERSkill: Evolving for Skill-Guided Adaptive Memory Retrieval
Shenzhen International Center for Industrial and Applied Mathematics(深圳国际工业与应用数学中心);Shenzhen Research Institute of Big Data(深圳大数据研究院);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Shenzhen Campus of Sun Yat-sen University(中山大学深圳校区);Shenzhen Loop Area Institute(深圳河套学院)
ERSkill是一个以检索为核心的自演化技能引导记忆访问框架,通过协同演化技能集与路由器,在多个智能体记忆基准上大幅超越基线,在两款模型上分别实现31.3%、28.1%的指标提升。
2026-09-29 cs.AI cs.CL
RASL: Retrieval Augmented Schema Linking for Massive Database Text-to-SQL
Amazon(亚马逊)
针对大语言模型数据库自然语言接口难以扩展到企业级海量数据目录的问题,提出RASL检索增强架构,拆解模式元数据为语义单元单独索引,兼顾表识别与列信息利用,在海量数据库上表现优于基线,无需领域微调即可适配企业场景。
2025-07-30 cs.AI cs.CL cs.LG
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
A Systematic Study of Semantic ID Spaces for Generative Information Retrieval
Artefact Research Center(人工制品研究中心);Angers University(昂热大学)
本研究系统探究生成式信息检索中DocID的语义设计,提出统一量化框架及无需训练的固有指标,并在MS MARCO 300K和NQ320K上验证结构属性对检索效果的影响。
2026-10-07 cs.CL cs.IR
Exposing Privacy Risks in Graph Retrieval-Augmented Generation
The Pennsylvania State University(宾夕法尼亚州立大学)
本文针对图检索增强生成(Graph RAG)系统,研究其数据提取漏洞,通过定制攻击发现其在减少原始文本泄露的同时更易泄露实体及关系等结构化数据,分析隐私挑战并探索防御机制。
2025-08-24 cs.AI cs.CR cs.IR
DEXTER: A Benchmark for open-domain Complex Question Answering using LLMs
Delft University of Technology(代尔夫特理工大学)
本文提出了开放域复杂问答基准 DEXTER,评估了多种预训练稠密与稀疏检索模型及 LLMs 的推理能力,发现后期交互模型和 BM25 表现优异,并指出复杂 QA 检索仍需大量改进以提升下游性能。
2024-06-24 cs.CL cs.IR
On the Structural Memory of LLM Agents
University of Glasgow(格拉斯哥大学);University of Aberdeen(阿伯丁大学)
本文研究了记忆结构与检索方法对基于LLM智能体性能的影响,通过评估四种记忆结构和三种检索方法,发现不同结构各具优势、混合记忆抗噪性强且迭代检索表现最佳,为记忆系统设计提供了重要见解。
2024-12-17 cs.AI cs.CL
RAVEN: Multitask Retrieval Augmented Vision-Language Learning
Princeton University(普林斯顿大学);AWS AI Labs(AWS人工智能实验室);Apple(苹果公司)
本文提出多任务检索增强VLM框架RAVEN,通过高效任务特定微调整合检索样本,无需额外参数即提升图像描述和VQA性能。
2024-06-27 cs.AI cs.CV cs.IR
Bryndza at ClimateActivism 2024: Stance, Target and Hate Event Detection via Retrieval-Augmented GPT-4 and LLaMA
Cisco(思科公司);Slido;Comenius University in Bratislava(布拉迪斯拉发夸美纽斯大学);University of Groningen(格罗宁根大学)
本研究针对 CASE 2024 气候行动主义仇恨事件检测任务,利用检索增强的 GPT-4 和 LLaMA 进行推文分类,在目标检测任务中取得第二名,验证了 LLMs 超越传统方法的潜力。
2024-02-09 cs.AI cs.CL
heiDS at ArchEHR-QA 2025: From Fixed-k to Query-dependent-k for Retrieval Augmented Generation
Heidelberg University(海德堡大学)
本文提出用于ArchEHR-QA 2025的heiDS方法,采用查询依赖k的检索策略替代固定top-k,提升了RAG框架生成事实性答案的效果。
2025-06-24 cs.CL
Time-Series Retrieval for Grounding Multimodal Language Models in Remaining Useful Life Prediction
University of Luxembourg(卢森堡大学)
本文提出时间序列检索关联的多模态大语言模型框架,在C-MAPSS基准FD001分区实验显示,该方法可提升RUL预测的误差与稳定性,且效果随模型容量变化。
2026-08-25 cs.AI cs.CL cs.LG
RelationalFactQA: A Benchmark for Evaluating Tabular Fact Retrieval from Large Language Models
University of Basilicata(巴西利卡塔大学);EURECOM
本文提出RelationalFactQA基准,用于评估LLMs从参数化知识生成结构化表格输出的能力,发现现有模型在关系型事实检索上准确率低于25%且随输出维度增加而下降。
2025-05-27 cs.AI cs.CL cs.DB
LightPAL: Lightweight Passage Retrieval for Open Domain Multi-Document Summarization
NEC Data Science Research Laboratories(NEC数据科学研究实验室);NEC Laboratories Europe(NEC欧洲实验室)
本文提出LightPAL,通过LLM预构建段落关系图并结合随机游走进行轻量级段落检索,在提升ODMDS检索与摘要效果的同时避免了迭代LLM推理的高延迟。
2024-10-17 cs.CL
Evaluating Entity Disambiguation and the Role of Popularity in Retrieval-Based NLP
University of California, Irvine(加州大学欧文分校);Apple(苹果公司)
检索是开放域NLP任务的核心组件。在开放域任务中,多个实体可以共享一个名称,这使得消歧成为一个固有但未充分探索的问题。我们提出了一个评估基准,评估这些检索器,我们称之为Ambibrium实体检索(AmbER)集的实体消歧能力。我们将AmbER集定义为共享名称以及关于这些实体的查询的实体集合。AmbER集覆盖了多义名称的实体集,是一个具有挑战性的实体消歧测试。我们为三个流行的开放域任务创建AmbER集:事实检查,插槽填充和问答,并评估一组不同的检索器。我们发现,寻回者表现出受欢迎的偏见,显着表现不佳的罕见实体,共享一个名字,例如,他们在查询同一名称下的不太受欢迎的实体时检索错误文档的可能性是两倍。AmbER集上的这些实验显示了它们作为评估工具的实用性,并突出了流行的检索系统的弱点。
2021-06-12 cs.CL cs.LG
Enhancing Frame Detection with Retrieval Augmented Generation
Mila, Polytechnique Montréal(蒙特利尔理工学院米拉研究所)
提出首个基于RAG的RCIF框架检测方法,无需显式目标跨度,经嵌入、候选检索和框架识别三阶段,在FrameNet 1.5/1.7上达到最优,并提升自然语言到SPARQL任务的词汇泛化。
2025-02-17 cs.AI cs.CL cs.LG
Bridging The Gap: Entailment Fused-T5 for Open-retrieval Conversational Machine Reading Comprehension
Beijing Institute of Technology(北京理工大学);Southeast Academy of Information Technology(东南信息技术研究院)
开放检索会话式机器阅读理解(OCMRC)模拟了现实生活中的会话交互场景。机器需要根据检索到的规则文本、用户场景、用户问题和对话历史,做出“是/否/查询”的决定,或在决定为“查询”时生成后续问题。最近的研究探索了如何减少决策和问题生成之间的信息差距,从而提高生成性能的方法。然而,信息鸿沟仍然存在,因为这些管道结构仍然是有限的决策,跨度提取和问题改写三个阶段。决策和生成是分开进行推理的,决策中使用的蕴涵推理很难在所有阶段共享。为了解决上述问题,我们提出了一个新的一阶段的端到端的框架,称为蕴涵融合T5(EFT),在全球理解的方式弥合决策和生成之间的信息差距。广泛的实验结果表明,我们提出的框架实现了新的国家的最先进的性能的OR-ShARC基准。
2022-12-19 cs.CL
BEIR-NL: Zero-shot Information Retrieval Benchmark for the Dutch Language
University of Antwerp(安特卫普大学)
针对现有零样本IR基准BEIR仅支持英语、不适用于荷兰语的问题,研究人员通过自动翻译BEIR数据集构建了荷兰语零样本IR基准BEIR-NL,评估了多种检索模型并验证了翻译构建基准的局限性。
2024-12-11 cs.CL
ReMatch: Retrieval Enhanced Schema Matching with LLMs
Microsoft(微软公司)
本文提出ReMatch,一种基于检索增强LLM的模式匹配方法,无需预定义映射、模型训练或源数据访问,在大型真实模式上表现有效,适用于现实场景。
2024-05-30 cs.AI cs.DB
CWM: Controllable White-Box Meta-Prompting for Adaptive Retrieval-Augmented Generation and Reasoning Ability
Hanyang University(汉阳大学)
本文提出统一框架及可控白盒元提示(CWM),低成本实现自适应RAG,无需外部模块或多采样,在多个基准上达到最优,并支持推理任务,通过内部信号调节检索决策。
2026-09-15 cs.AI
How You Ask Matters! Adaptive RAG Robustness to Query Variations
Seoul National University(首尔大学);Max Planck Institute for Security and Privacy(马克斯·普朗克安全与隐私研究所)
研究探讨了适应性RAG在面对不同表层查询形式时的鲁棒性,通过大规模基准测试发现小幅度语义变化会显著影响检索行为和准确性,揭示了适应性RAG在保持语义一致时的鲁棒性挑战。
2026-04-12 cs.CL
Affordance RAG: Hierarchical Multimodal Retrieval with Affordance-Aware Embodied Memory for Mobile Manipulation
Keio University(keio大学);Keio AI Research Center(keio人工智能研究中心);Carnegie Mellon University(卡内基梅隆大学)
本研究提出Affordance RAG框架,通过构建具有可操作性的具身记忆,提升机器人在开放词汇移动操作中的检索性能和任务成功率。
2025-12-22 cs.CL cs.CV cs.RO
BRIT: Bidirectional Retrieval over Unified Image-Text Graph
Fujitsu Research India(富士通印度研究)
本文提出多模态RAG框架BRIT,通过统一图文关系构建图谱并双向遍历检索查询相关子图,同时构建MM-RAG测试集,实验证明其在跨模态多跳问答上的优势。
2025-09-27 cs.CL
How Temperature Shapes Ideological Discourse in Retrieval-Augmented Generation?
Wichita State University(威斯康星州立大学);São Paulo Catholic University(圣保罗天主教大学)
研究探讨温度对检索增强生成中意识形态话语的影响,通过对新冠治疗文章语料库应用词汇多维分析,让模型在不同温度下回答意识形态问题并评估,发现RAG框架易转移意识形态话语,中等温度下话语对齐最高,低温时下降。
2026-07-14 cs.CL
Retrieval Augmented Large Language Model System for Comprehensive Drug Contraindications
Hongik University(弘益大学);HD Junction
本研究通过实施RAG流水线并集成Langchain混合检索系统,有效提升了LLMs在药物禁忌症领域的准确率,显著降低了处方与用药决策的不确定性。
2025-08-08 cs.AI
Advancing Retrieval-Augmented Generation for Persian: Development of Language Models, Comprehensive Benchmarks, and Best Practices for Optimization
Tarbiat Modares University(塔比亚特·莫达雷斯大学);Iran University of Science and Technology(伊朗科技大学);Sharif University of Technology(谢里夫理工大学)
针对波斯语 RAG 低资源挑战,本文训练 MatinaRoberta 与 MatinaSRoberta,构建多领域基准并评估检索、生成及优化策略。
2025-01-08 cs.CL
SitEmb-v1.5: Improved Context-Aware Dense Retrieval for Semantic Association and Long Story Comprehension
HKUST(香港科技大学);WeChat AI, Tencent(腾讯微信AI);IIE-CAS(国际 Institute 中国科学院);Zhejiang University(浙江大学)
本文提出SitEmb模型,通过将短片段与更广的上下文窗口结合,提升长文档检索性能,实验表明其在书本情节检索任务中优于现有模型,且在多语言和下游任务中表现优异。
2026-04-21 cs.CL