Task Tree Retrieval for Robotic Cooking
机器人被用来培养创造力。人类可以根据情况以其独特的方式完成工作。这种情况适用于烹饪食物。厨房中的机器人技术可以加快这一过程并减少其工作量。然而,机器人在厨房中的潜力仍未实现。在这篇文章中,FOON的想法,一个结构化的知识表示建立在人类操作的见解,介绍。为了降低失败率,并确保任务有效地完成,已经实现了三种不同的算法,其中根据运动的成功率将加权值分配给操作。这个知识表示是使用开源食谱的视频创建的
2022-11-03 cs.AI cs.RO
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
Task tree retrieval from FOON using search algorithms
University of South Florida(南佛罗里达大学)
本文研究如何利用通用FOON和搜索算法IDS、GBFS,在给定厨房物品和目标节点时检索任务树,并比较不同算法性能。
2023-12-02 cs.AI cs.RO
Knowledge Retrieval for Robotic Cooking
University of South Florida(南佛罗里达大学)
搜索算法应用于需要指定规格的数据检索。在功能面向对象网络中开发搜索算法的动机是,大多数时候,需要检索某个配方或确定某个配方的成分。根据介绍,有时机器人无法执行整个食谱,因此需要检索某个食谱或配料。有了高质量的FOON,机器人可以破译任务目标,在所需的状态下找到正确的对象进行操作,并输出一系列正确的操作动作。本文展示了几种建议的加权FOON和任务规划算法,这些算法允许机器人和人类一起成功完成复杂的任务,成功率高于人类单独完成这些任务。
2022-11-16 cs.AI cs.RO
Functional Object-Oriented Network for Manipulation Learning
University of South Florida(南佛罗里达大学)
本文提出了一种新的结构化知识表示称为功能面向对象的网络(FOON)建模的功能相关的对象和他们的运动在操作任务的连接。通过观察对象状态变化和人类对对象的操作来学习图形模型FOON。使用训练有素的FOON,机器人可以破译任务目标,在所需的状态下寻找正确的对象进行操作,并生成一系列正确的操作动作。本文介绍了FOON的结构和方法,形成一个通用的FOON从在线教学视频提取的知识。提出了一种图形检索方法,从FOON生成操纵运动序列,以实现预期的目标,展示了FOON在创建一个新的和自适应的方法来解决问题,使用从多个来源收集的知识的灵活性。在模拟环境中演示了结果,以说明从FOON生成的运动序列来执行所需的任务。
2020-11-28 cs.RO
Approximate Task Tree Retrieval in a Knowledge Network for Robotic Cooking
University of South Florida(南佛罗里达大学);Brown University(布朗大学)
灵活的任务规划仍然是机器人面临的一个困难的挑战,机器人无法创造性地调整他们的任务计划,以适应新的或看不见的问题,这主要是由于它对自己的行动和世界的知识有限。出于人类的适应能力,我们探讨如何从一个知识图谱,被称为功能面向对象的网络(FOON)的任务计划,可以产生新的问题,需要的概念是不容易获得的机器人在其知识库。来自140个烹饪食谱的知识被构造在FOON知识图谱中,该知识图谱用于获取被称为任务树的任务计划序列。任务树可以被修改以复制FOON知识图谱格式的配方,这可以通过依赖于语义相似性而用于用包含未知对象和状态组合的新配方来丰富FOON。我们展示了任务树生成的强大功能,可以创建具有前所未有的成分和状态组合的任务树,如Recipe1M+数据集的食谱中所示,我们根据它们对新添加成分的准确描述来评估树的质量。我们的实验结果表明,我们的系统是能够提供任务序列与76%的正确性。
2022-07-08 cs.RO
MKG-RAG-Bench: Benchmarking Retrieval in Multimodal Knowledge Graph-Augmented Generation
The Pennsylvania State University(宾夕法尼亚州立大学);Michigan State University(密歇根州立大学);Dalian University of Technology(大连理工大学);Stony Brook University(石溪大学)
提出MKG-RAG-Bench基准,通过构建跨领域多模态知识图谱和问答数据集,系统评估多模态知识图谱增强生成中的检索性能,揭示检索质量对生成结果的决定性作用。
2026-06-26 cs.AI
Evaluating Recipes Generated from Functional Object-Oriented Network
University of South Florida(南佛罗里达大学);Technical University of Munich(慕尼黑工业大学)
功能面向对象网络(FOON)已被引入作为一个知识表示,它采取了一个图形的形式,符号任务规划。为了得到一个顺序计划的操作任务,机器人可以获得一个任务树,通过知识检索过程从FOON。为了评估所获得的任务树的质量,我们将其与传统形式的任务知识(如配方或手册)进行比较。我们首先自动将任务树转换为食谱,然后通过调查将它们与Recipe1M+数据集中的人类创建的食谱进行比较。我们的初步研究发现,Recipe1M+中的食谱和FOON任务树生成的食谱在正确性、完整性和清晰度方面没有显著差异。
2021-06-01 cs.CV cs.RO
LeanRAG: Knowledge-Graph-Based Generation with Semantic Aggregation and Hierarchical Retrieval
针对现有基于知识图谱的RAG方法存在高层语义孤岛和检索缺乏结构感知的问题,提出LeanRAG框架,通过语义聚合构建显式关系网络和结构引导的分层检索,在四个QA基准上提升响应质量并减少46%检索冗余。
2025-11-12 cs.AI
MemeLogos: Knowledge-Driven Retrieval-Augmented Reasoning for Harmful Meme Detection
Beijing University of Posts and Telecommunications(北京邮电大学);School of Artificial Intelligence, Beijing Normal University(北京师范大学人工智能学院);College of Electrical Engineering, Zhejiang University(浙江大学电气工程学院);Zhongguancun Academy(中关村学院);China Telecommunications Corporation(中国电信集团有限公司)
针对现有有害表情包检测方法难以捕获可复用危害性知识与推理机制的问题,本文提出知识驱动的MemeLogos框架,通过星形知识图谱与多阶段推理提升检测性能与可解释性,实验验证其效果优于现有方法。
2026-10-19 cs.AI
Can Knowledge-Graph-based Retrieval Augmented Generation Really Retrieve What You Need?
Department of Engineering Science, University of Oxford, UK(牛津大学工程科学系);Shanghai Artificial Intelligence Laboratory, China(上海人工智能实验室)
针对富含文本知识图谱上KG-RAG检索不准、不多样且PRM监督昂贵的问题,本文提出GraphFlow,用基于转移的流匹配联合优化检索策略与流估计器,并在STaRK上显著优于强基线。
2025-10-18 cs.AI
HyperGraphRAG: Retrieval-Augmented Generation via Hypergraph-Structured Knowledge Representation
Beijing University of Posts and Telecommunications(北京邮电大学);Nanyang Technological University(南洋理工大学);Beijing Institute of Computer Technology and Application(北京计算机技术与应用研究所);National University of Singapore(新加坡国立大学);China Mobile Research Institute(中国移动研究院);Beijing Anzhen Hospital, Capital Medical University(首都医科大学北京安贞医院)
针对现有基于图的RAG方法受二元关系限制、难以表示现实n元知识的问题,提出基于超图的HyperGraphRAG方法,通过超边表示n元关系,经多领域实验验证其在准确率、检索效率和生成质量上更优。
2025-10-21 cs.AI
Graph-Augmented Reasoning: Evolving Step-by-Step Knowledge Graph Retrieval for LLM Reasoning
Wuhan University(武汉大学);Nanyang Technological University(南洋理工大学)
本文提出图增强推理新范式及KG-RAR框架,通过逐步知识图谱检索与推理结合,利用分层检索与PRP-RM精炼信息并评估步骤,使冻结的小规模LLM无需额外训练即可增强数学推理能力,在Math500和GSM8K上取得显著提升。
2025-03-03 cs.AI
Evaluating Knowledge Graph Based Retrieval Augmented Generation Methods under Knowledge Incompleteness
University of Oslo(奥斯陆大学);Bosch Center for AI(博世人工智能中心);University of Stuttgart(斯图加特大学);University of Oxford(牛津大学);The University of Manchester(曼彻斯特大学);University of Southampton(南安普顿大学)
针对真实知识图谱不完备问题,本文通过多种三元组删除方式系统评估 KG-RAG,发现其对缺失知识敏感,强调需提升现实场景鲁棒性。
2025-08-29 cs.AI
Beyond Vector Similarity: A Structural Analysis of Graph-Augmented Retrieval for Industrial Knowledge Graphs
Grama Chethan
本文通过对比八种检索架构,提出操作符词汇表论点,证明基于LLM的图推理瓶颈在于计算操作符而非模型智能,并引入LLM查询规划器,在工业知识图谱上实现优于定制处理器的性能。
2026-06-04 cs.AI
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
Trustworthy Domain-Specific AI for Structured Knowledge Retrieval and Reasoning
本论文提出一种可扩展架构,将非结构化领域文本转化为结构化知识,通过Binary Bleed和HNMFk等方法及T-SRAG检索,提升检索精度并减少幻觉,应用于多个领域。
2026-10-08 cs.AI cs.IR
Knowledge Graph-Guided Retrieval Augmented Generation
State Key Laboratory for Novel Software Technology, Nanjing University(南京大学计算机软件新技术国家重点实验室);Alibaba Group(阿里巴巴集团)
针对现有RAG方法检索孤立块忽略内在关系的问题,提出KG²RAG框架,利用知识图谱提供块间事实关系,经块扩展与组织提升检索结果多样性和连贯性,在HotpotQA数据集上实验证明其响应和检索质量更优。
2025-02-08 cs.AI cs.CL
Zero-shot Medical Entity Retrieval without Annotation: Learning From Rich Knowledge Graph Semantics
Amazon AI(亚马逊人工智能)
医疗实体检索是理解和沟通各种卫生系统信息的一个组成部分。目前的方法往往在特定的医学领域工作得很好,但对看不见的子专业推广得很差。在公共卫生危机下,随着新的医疗条件和药物治疗的频繁出现,这一问题日益受到关注。由于医学语料库的高度模糊性和可变性,Zero-shot检索是具有挑战性的,这使得很难在提及和概念之间建立准确的相似性度量。然而,医学知识图谱(KG)包含丰富的语义,包括大量的同义词以及其策划的图形结构。为了利用这些有价值的信息,我们提出了一套学习任务,旨在训练有效的zero-shot实体检索模型。在不需要任何人工注释的情况下,我们的知识图谱丰富架构显著优于常见的zero-shot基准测试,包括BM 25和临床BERT,在多个主要医学本体(如UMLS,SNOMED和ICD-10)中的召回率高出7%至30%。
2021-05-26 cs.AI cs.CL
Knowledge Pyramid Construction for Multi-Level Retrieval-Augmented Generation
The Hong Kong Polytechnic University(香港理工大学)
针对现有RAG方法重召回、精度不足的问题,本文提出包含三层结构的PolyRAG知识金字塔方法,采用跨层增强、过滤和瀑布式检索策略,在两个领域基准上优于19种SOTA方法,可将GPT-4的F1值提升395%。
2025-02-21 cs.AI cs.CL
RAGA: Reading-And-Graph-building-Agent for Autonomous Knowledge Graph Construction and Retrieval-Augmented Generation
Qingdao University(青岛大学)
本文提出RAGA框架,通过结合阅读、搜索、验证和构建的认知约束,提升知识图谱构建与检索增强生成的效率和准确性,实现了知识图谱的全生命周期管理。
2026-05-16 cs.AI cs.CL
Scalable and Explainable Enterprise Knowledge Discovery Using Graph-Centric Hybrid Retrieval
Persistent Systems
针对企业异构系统中复杂查询检索困难的问题,提出集成KBLam、DeepGraph和语义搜索的模块化混合检索框架,构建统一知识图谱支持多跳推理,实验显示答案相关性较GPT基线提升达80%。
2025-10-13 cs.AI cs.DB
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
DO-RAG: A Domain-Specific QA Framework Using Knowledge Graph-Enhanced Retrieval-Augmented Generation
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)
DO-RAG提出一种结合知识图谱与向量检索的混合问答框架,通过智能体链式思维构建动态知识图谱,在数据库和电气领域实现高召回率与94%以上相关性,较基线提升33.38%。
2025-05-17 cs.AI cs.CL
TOBUGraph: Knowledge Graph-Based Retrieval for Enhanced LLM Performance Beyond RAG
University of Michigan(密歇根大学)
TOBUGraph通过自动构建知识图谱并利用图遍历检索,克服RAG在语义关系捕捉、分块敏感性和幻觉方面的局限,在真实应用中显著提升检索精确率与召回率。
2025-11-06 cs.AI cs.IR cs.LG
Fact or Fiction? Improving Fact Verification with Knowledge Graphs through Simplified Subgraph Retrievals
University of Oslo(奥斯陆大学)
针对自然语言处理中事实验证的难题,研究提出基于知识图谱的高效声明验证方法,通过将证据检索从微调语言模型简化为逻辑检索,在FactKG数据集上实现了更低计算资源消耗与更高测试集准确率。
2024-08-14 cs.AI cs.CL cs.LG
A Knowledge Graph and Deep Learning-Based Semantic Recommendation Database System for Advertisement Retrieval and Personalization
The University of Hong Kong(香港大学);Northeastern University(东北大学);Stanford University(斯坦福大学)
本文提出KGSR-ADS系统,通过知识图谱与深度学习结合,实现广告检索与个性化推荐的高效语义匹配和大规模检索。
2025-12-25 cs.AI cs.IR cs.LG
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
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
Bootstrapping Object-level Planning with Large Language Models
Brown University(布朗大学);University of Innsbruck(因斯布鲁克大学)
本研究提出一种从大语言模型中提取知识生成功能对象导向网络形式的对象级规划、再自动生成PDDL子目标以自举任务与运动规划的方法,在仿真抓取任务中性能优于现有策略。
2025-03-21 cs.RO