Towards Temporal Knowledge-Base Creation for Fine-Grained Opinion Analysis with Language Models
Insight SFI Research Ireland Centre for Data Analytics, University of Galway（爱尔兰数据分析师中心，Galway大学）
针对现有文本观点分析缺乏时间锚点细粒度标注的问题，提出一种以LLM为自动标注器的可扩展时序观点知识库构建方法，定义三类数据模型，经定量评估和双模型标注验证，可适配RAG等多类下游应用。
2025-09-02 cs.CL
Large Language Models and Augmented Democracy
Doctoral School of Mathematics, Computer Science and Telecommunications of Toulouse（图卢兹数学、计算机科学与电信博士学院）
本研究探讨基于大型语言模型的数字孪生在增强民主中的机遇与挑战，涵盖个人偏好预测、组织集体表征及对抗攻击的鲁棒性，强调准确表征与忠实聚合。
2026-10-06 cs.CL cs.CR cs.CY
Leveraging Social Determinants of Health in Alzheimer's Research Using LLM-Augmented Literature Mining and Knowledge Graphs
Arizona State University（亚利桑那州立大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Cedars Sinai Medical Center（西达赛奈医疗中心）
针对健康社会决定因素（SDoH）与阿尔茨海默病（AD）关系机制不明的问题，本研究提出LLM增强的文献挖掘与知识图谱整合框架，通过挖掘SDoH知识并与PrimeKG的AD生物实体结合，经图神经网络链接预测验证，为AD及其他SDoH相关研究提供知识发现新工具。
2025-04-16 cs.AI cs.CL cs.CY
Large, Small or Both: A Novel Data Augmentation Framework Based on Language Models for Debiasing Opinion Summarization
Southeast University（东南大学）；The Alan Turing Institute（艾伦·图灵研究所）
针对观点摘要数据集的情感偏差及大模型数据增强成本高、有毒性风险的问题，提出结合大小语言模型的数据增强框架，通过少量大模型生成数据训练解耦重构模型以低成本生成大量合成数据，有效缓解偏差。
2024-03-19 cs.AI cs.CL
Leveraging External Knowledge for Historical Document Restoration via Retrieval-Augmented Large Language Models
Kangwon National University（江原国立大学）
针对历史文献因物理损坏难以辨认及现有修复方法在恢复命名实体上的局限，提出利用检索增强大语言模型的修复框架，结合预训练模型隐含知识与外部上下文，实验表明该方法性能优于基线，是历史记录分析实用工具。
2026-07-27 cs.CL
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
From Values to Opinions: Predicting Human Behaviors and Stances Using Value-Injected Large Language Models
Sungkyunkwan University（成均馆大学）；University of Richmond（里士满大学）；Seoul National University（首尔大学）
本文提出价值观注入方法VIM，通过微调将目标价值观分布注入大语言模型，并在四个任务上验证其预测人类观点和行为的效果优于基线方法。
2023-10-27 cs.CL
Learning a Size-Weight Frontier for Synthetic-Augmented Inference
该研究针对真实数据稀缺时合成数据引入偏差的问题，提出合成增强推理框架，通过大小-权重边界保证覆盖率，实验中用大语言模型响应增强调查数据，达到目标覆盖率并缩小置信区间。
2026-08-31 cs.AI cs.LG stat.ME
MINDECHO: Role-Playing Language Agents for Key Opinion Leaders
INF Technology (Shanghai) Co., Ltd.（INF科技（上海）有限公司）；Fudan University（复旦大学）
针对KOL类角色扮演语言智能体研究不足的问题，提出MINDECHO框架，通过收集多领域KOL视频字幕、用GPT-4合成对话分别用于训练和推理检索，并设计多维度评估，验证了其在开发与评估这类智能体上的有效性。
2024-10-09 cs.AI
Leveraging Retrieval-Augmented Generation for Culturally Inclusive Hakka Chatbots: Design Insights and User Perceptions
National United University（国立联合大学）；National Central University（国立中央大学）；United Link Co., Ltd.（联连股份有限公司）
本研究开发了检索增强生成（RAG）增强的客家文化聊天机器人，通过整合针对性文化数据提升回复准确性与文化共鸣，可用性研究显示用户满意度和参与度显著提升，为族群文化保护与弘扬提供了有效工具。
2024-10-21 cs.AI cs.CL
Large Language Models Unpack Complex Political Opinions through Target-Stance Extraction
Department of Methodology and Statistics, Utrecht University（方法论与统计学系，乌特雷赫特大学）；Department of Languages, Literature and Communication, Utrecht University（语言、文学与传播系，乌特雷赫特大学）
本文研究了大型语言模型是否能通过目标-立场提取任务解构复杂政治观点，通过构建包含138个不同政治目标的Reddit帖子数据集，评估了多种LLM在零样本、少样本和上下文增强提示策略下的表现，结果显示最佳模型表现接近高度训练的人类标注者，证明了LLM在最小监督下的复杂政治观点提取能力。
2026-05-20 cs.CL
Snippext: Semi-supervised Opinion Mining with Augmented Data
Duke University（杜克大学）；Megagon Labs（美佳根实验室）
在线服务对意见挖掘的解决方案感兴趣，意见挖掘是从文本中提取方面，意见和情感的问题。挖掘观点的一种方法是利用最近成功的预训练语言模型，可以对其进行微调以从评论中获得高质量的提取。然而，微调语言模型仍然需要大量的训练数据。在本文中，我们研究的问题，如何显着减少的数量标记的训练数据所需的微调语言模型的意见挖掘。我们描述Snippext，意见挖掘系统开发的语言模型，通过半监督学习与增强数据进行微调。Snippext的一个新颖之处在于它巧妙地使用了双管齐下的方法，通过以下方式来实现最先进的（SOTA）性能：（1）数据增强，从现有数据自动生成更多的标记训练数据，以及（2）半监督学习技术，除了（有限数量的）标记数据之外，还利用大量的未标记数据。我们与广泛的实验表明，Snippext执行的，甚至可以超过以前的SOTA结果的意见挖掘任务，只有一半的训练数据所需的。此外，当利用所有训练数据时，它实现了新的SOTA结果。通过与基线管道的比较，我们发现Snippext提取了更细粒度的意见，这为下游应用提供了新的机会。
2020-02-07 cs.CL cs.LG
InstructRAG: Leveraging Retrieval-Augmented Generation on Instruction Graphs for LLM-Based Task Planning
Huawei Singapore Research Center（华为新加坡研究中心）
针对RAG应用于任务规划的可扩展性和可迁移性挑战，提出多智能体元强化学习框架InstructRAG，通过指令图、RL智能体和ML智能体优化规划性能，在四个数据集上较最佳方法提升达19.2%。
2025-04-17 cs.AI cs.IR
Towards Efficient Multimodal and Multilingual Opinion Extraction for STI: A QLoRA-Based Fine-Tuning Approach
Beihang University（北京航空航天大学）；Nanchang University（南昌大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
本研究针对科技情报观点抽取的噪声过滤与结构化输出问题，提出基于QLoRA微调的多模态框架，在2194样本数据集上实现多语言观点抽取性能显著提升。
2026-08-17 cs.AI
Deja Vu in Plots: Leveraging Cross-Session Evidence with Retrieval-Augmented LLMs for Live Streaming Risk Assessment
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
提出CS-VAR框架，通过检索增强的大语言模型指导轻量级模型利用跨会话行为证据，实现高效、可解释的直播风险实时评估。
2026-09-04 cs.AI
PersonaAI: Leveraging Retrieval-Augmented Generation and Personalized Context for AI-Driven Digital Avatars
Iowa State University（爱荷华州立大学）
本研究提出PersonaAI应用，结合RAG与提示优化的LLAMA3构建个性化数字人，通过移动应用实时采集数据保障上下文相关性与隐私，提供轻量可持续的LLM训练替代方案并开源，推动数字人领域发展。
2025-01-03 cs.AI cs.HC
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
Language Model Fine-Tuning on Scaled Survey Data for Predicting Distributions of Public Opinions
University of California, Berkeley（加州大学伯克利分校）；Microsoft Research（微软研究院）
本文通过微调大型语言模型，利用调查数据的结构特性提升对公众意见分布的预测能力，实验显示在多种子群体中模型预测与人类响应的匹配度显著提高，且能泛化到未见过的调查和子群体。
2026-04-16 cs.CL
Dependency Reasoning for Aspect Sentiment Quadruple Prediction
University of Kurdistan（库尔德斯坦大学）；University of Oulu（奥卢大学）
本文针对方面级情感四元组预测（ASQP）的关系推理需求，提出DRIFT方法，将依存分析树线性化注入LLM提示词并整合检索增强上下文学习与句法感知裁决机制，在SemEval相关数据集上取得最优生成式ASQP性能。
2026-10-19 cs.CL cs.LG
LLM4CD: Leveraging Large Language Models for Open-World Knowledge Augmented Cognitive Diagnosis
Shanghai Jiao Tong University（上海交通大学）；Huawei Noah’s Ark Lab（华为诺亚实验室）
针对传统认知诊断方法依赖ID关系、难以应对新学生新习题冷启动的问题，提出LLM4CD框架，利用大语言模型的开放世界知识构建语义表示，结合双层编码器建模，在多数据集上取得更优表现。
2025-05-14 cs.CL
Leveraging LLM-Assisted Query Understanding for Live Retrieval-Augmented Generation
Renmin University of China（中国人民大学）
本文提出 Omni-RAG 框架，通过 LLM 辅助的查询理解模块（查询去噪与分解、意图感知检索、重排序与生成），提升实时 RAG 系统处理含噪及多意图查询的鲁棒性。
2025-06-26 cs.AI cs.CL cs.IR
Mimicking the Mavens: Agent-based Opinion Synthesis and Emotion Prediction for Social Media Influencers
Communication University of China（中国传媒大学）
本研究提出一种基于5W1H提问生成、RAG增强LLM的计算框架，构建60个意见领袖智能体合成观点并预测公众情绪，在俄乌战争案例中验证了其准确预见趋势的有效性。
2024-07-30 cs.AI
Leveraging Lecture Content for Improved Feedback: Explorations with GPT-4 and Retrieval Augmented Generation
University of Siegen（锡根大学）
本研究将课程录音转写文本通过RAG作为外部知识提供给GPT-4，为编程入门课学生生成关联课程内容的解题反馈，初步验证其可提升反馈质量且受部分学生偏好，但存在速度较慢的局限。
2024-05-05 cs.AI cs.CL cs.CY
RAG-VR: Leveraging Retrieval-Augmented Generation for 3D Question Answering in VR Environments
Kennesaw State University（肯尼索州立大学）
针对VR上下文局部化、个性化导致通用LLMs效果受限的问题，提出整合RAG的首个VR 3D问答系统RAG-VR，通过局部知识库检索增强LLM，提升回答准确率17.9%-41.8%，降低延迟34.5%-47.3%。
2025-04-14 cs.AI cs.HC cs.IR
Decoupled Context Processing for Context Augmented Language Modeling
Google Research（谷歌研究院）
语言模型可以用上下文检索器来扩充，以合并来自大型外部数据库的知识。通过利用检索到的上下文，神经网络不必在其内部参数中记住大量的世界知识，从而导致更好的参数效率、可解释性和模块性。在本文中，我们研究了一个简单而有效的架构，将外部环境到语言模型的基础上解耦的编码器解码器架构。我们表明，这样一个简单的架构实现竞争力的结果，自回归语言建模和开放域问答任务。我们还分析了所提出的模型进行接地上下文转移的行为。最后，我们讨论了这种检索增强模型的计算含义。
2022-10-11 cs.AI cs.CL cs.IR
Fine-Grained Guidance for Retrievers: Leveraging LLMs' Feedback in Retrieval-Augmented Generation
Zhejiang University（浙江大学）；Shanghai Jiao Tong University（上海交通大学）
提出FiGRet框架，利用LLM构建细粒度示例引导检索器学习，对齐LLM偏好，提升RAG系统性能。
2024-11-06 cs.AI cs.IR
mKG-RAG: Leveraging Multimodal Knowledge Graphs in Retrieval-Augmented Generation for Knowledge-intensive VQA
The Hong Kong Polytechnic University（香港理工大学）
本文提出mKG-RAG框架，通过整合多模态知识图谱提升检索增强生成在知识密集型视觉问答中的性能，采用双阶段检索策略和图提取方法构建高质量知识图谱，实验表明优于现有方法。
2026-04-27 cs.AI cs.CV
BeliefShift: Benchmarking Temporal Belief Consistency and Opinion Drift in LLM Agents
Independent AI Researcher（独立AI研究员）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；Independent Researcher（独立研究员）
BeliefShift提出一个长期基准测试，评估多会话LLM交互中的信念动态，涵盖时间信念一致性、矛盾检测和证据驱动修正三个赛道，通过2400个标注交互轨迹验证模型在零样本和RAG设置下的表现。
2026-03-25 cs.CL cs.CY
Leveraging Graph Retrieval-Augmented Generation to Support Learners' Understanding of Knowledge Concepts in MOOCs
Social Computing Group, Faculty of Computer Science, University of Duisburg-Essen（社会计算组、计算机科学学院、杜伊斯堡- Essen大学）
针对慕课互动不足、现有RAG应用受限且无法主动引导学习的问题，提出结合教育与个人知识图谱的图RAG流水线，经专家评估可支持慕课学习者个性化理解知识概念。
2025-05-16 cs.AI cs.CY
Leveraging Retrieval Augmented Generative LLMs For Automated Metadata Description Generation to Enhance Data Catalogs
Fidelity Investments（富达投资）
本文提出利用检索增强少样本技术与生成式大语言模型自动生成数据目录元数据描述，实验显示生成内容 Rouge-1 F1 超 80%，87%-88% 实例可直接采用或仅需少量编辑，有效提升数据目录搜索能力。
2025-03-12 cs.CL cs.IR
Twitter Opinion Topic Model: Extracting Product Opinions from Tweets by Leveraging Hashtags and Sentiment Lexicon
ANU & NICTA（澳大利亚国立大学与NICTA）；Monash University（莫纳什大学）
基于属性的意见挖掘被广泛应用于对数据进行汇总或归纳，目前的最新研究成果是基于潜在狄利克雷分配（LDA）模型。虽然像tweet这样的社交媒体数据充满了意见，但它们的“肮脏”性质（作为自然语言）阻碍了研究人员将基于LDA的意见模型应用于产品评论挖掘。推文通常是非正式的，非结构化的，缺乏分类和评级等标记数据，这使得产品意见挖掘具有挑战性。在本文中，我们提出了一个基于LDA的意见模型命名为Twitter的意见主题模型（TOTM）的意见挖掘和情感分析。TOTM在其发现过程中利用了推文中存在的主题标签、提及、表情符号和强烈情感词。它通过直接对目标-意见交互进行建模来改进意见预测，从而发现目标特定的意见词，这在现有方法中被忽略了。此外，我们提出了一个新的配方，将情感先验信息的主题模型，利用现有的公众情绪词典。这是新颖的，因为它可以学习和更新数据。我们进行了实验，900万电子产品的推文，并证明了改进的性能TOTM在定量评价和定性分析。我们表明，基于方面的意见分析大量的推文提供了有用的意见，产品。
2016-09-21 cs.CL cs.IR cs.LG
DiscourseFlip: An Oblique Discourse-Level Opinion Manipulation Attack against Black-box Retrieval-Augmented Generation
Wuhan University（武汉大学）；East China Normal University（华东师范大学）；Nanyang Technological University（南洋理工大学）；Worcester Polytechnic Institute（沃思堡理工学院）
提出一种基于图引导的代理攻击方法DiscourseFlip，通过语义查询网络中的协同影响在有限预算下最大化语篇级观点偏差，实验证明其有效性和隐蔽性，并揭示现有防御的不足。
2026-06-03 cs.AI cs.CL cs.CR
A Survey of Multimodal Retrieval-Augmented Generation
Huawei Cloud BU（华为云业务部）
本综述聚焦多模态检索增强生成（MRAG），其扩展纯文本RAG框架整合多模态数据以增强LLMs，减少幻觉并提升问答系统性能，还总结其组件、数据集等，指出挑战与未来方向。
2025-03-26 cs.AI cs.CL cs.ET
Benchmarking Retrieval-Augmented Generation in Multi-Modal Contexts
Northeastern University, China（东北大学）；Microsoft Research Asia（微软亚洲研究院）；Tsinghua University（清华大学）
本文提出多模态RAG基准M$^2$RAG和指令微调方法MM-RAIT，通过四个开放域任务评估多模态大模型，实验显示MM-RAIT显著提升响应质量，优于现有模型。
2025-08-07 cs.AI
BESPOKE: Benchmark for Search-Augmented Large Language Model Personalization via Diagnostic Feedback
Department of Artificial Intelligence, Yonsei University, Seoul, Republic of Korea（人工智能系，延世大学，首尔，大韩民国）
提出BESPOKE基准，通过收集真实用户历史并配对细粒度偏好分数与反馈，系统评估搜索增强型大语言模型在个性化信息检索任务中的表现。
2026-05-26 cs.CL cs.IR
An Empirical Study on Leveraging Position Embeddings for Target-oriented Opinion Words Extraction
University of Sheffield（谢菲尔德大学）；Beihang University（北京航空航天大学）
面向目标的意见词提取（TOWE）（Fan等人，2019 b）是面向目标的情感分析的一个新的子任务，其目的是为文本中的给定方面提取意见词。当前最先进的方法利用位置嵌入来捕获单词与目标的相对位置。然而，这些方法的性能取决于将这些信息合并到单词表示中的能力。在本文中，我们探索了各种基于预训练的词嵌入或利用词性和位置嵌入的语言模型的文本编码器，旨在检查TOWE中每个组件的实际贡献。我们还采用了一个图卷积网络（GCN），以提高单词表示，通过纳入句法信息。我们的实验结果表明，基于BiLSTM的模型可以有效地将位置信息编码成单词表示，而使用GCN只能获得边际收益。有趣的是，我们的简单方法优于几种最先进的复杂神经结构。
2021-09-02 cs.AI cs.CL
Weakly-Supervised Opinion Summarization by Leveraging External Information
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
在线产品评论的意见摘要是一项具有挑战性的任务，它涉及到识别与被评论产品的各个方面相关的意见。虽然以前的工作需要额外的人力来识别相关方面，但我们应用外部来源的领域知识来自动实现相同的目标。这项工作提出了AspMem，生成方法，包含一个阵列的存储单元存储方面相关的知识。这种外显记忆有助于获得更好的观点表征，更准确地推断方面信息。我们评估这种方法方面的识别和意见摘要任务。我们的实验表明，AspMem优于最先进的方法，即使与基线不同，它不依赖于人为的监督，这是精心手工制作的给定任务。
2019-11-22 cs.CL
TAPS: Tool-Augmented Personalisation via Structured Tagging
University of Edinburgh（爱丁堡大学）
针对工具增强LLM忽略个性化的问题，提出TAPS方案，利用结构化标签工具和基于不确定性的工具检测器，有效整合用户偏好，在NLSI任务上取得开源模型最优性能。
2025-09-16 cs.CL
Retrieval-Augmented Code Generation for Situated Action Generation: A Case Study on Minecraft
University of Potsdam（波茨坦大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
本研究探讨在Minecraft协作建造任务中使用LLMs预测Builder动作序列，采用few-shot prompting技术显著优于基线方法，并分析了性能差距以供未来研究参考。
2024-06-25 cs.CL
Leveraging Foreign Language Labeled Data for Aspect-Based Opinion Mining
Posts and Telecommunications Institute of Technology（越南邮电技术学院）
基于方面的观点挖掘是在观点文本的方面层次上识别情感的任务，它包括两个子任务：方面类别提取和情感极性分类。虽然方面类别提取的目的是检测和分类的意见目标，如产品特征，情感极性分类分配一个情感标签，即积极的，消极的，或中性的，每个识别的方面。监督学习方法已被证明可以为这项任务提供更好的准确性，但它们需要标记的数据，这是昂贵的，特别是对于资源贫乏的语言，如越南语。为了解决这个问题，我们提出了一个监督方面为基础的意见挖掘方法，利用标记的数据从外语（英语在这种情况下），这是翻译成越南语的自动翻译工具（谷歌翻译）。由于不同语言中的方面和观点可能由不同的词来表达，因此我们提出使用词嵌入以及其他特征来减少原文和译文之间的词汇差异，从而提高方面类别提取和情感极性分类过程的有效性。我们还介绍了一个注释语料库的方面类别和情感极性提取的餐馆评论在越南，并进行了一系列的实验语料库。实验结果证明了该方法的有效性。
2020-03-15 cs.AI cs.CL cs.IR
Topic-FlipRAG: Topic-Orientated Adversarial Opinion Manipulation Attacks to Retrieval-Augmented Generation Models
Wuhan University（武汉大学）；Nanyang Technological University（南洋理工大学）；Worcester Polytechnic Institute（沃思堡理工学院）
本文提出Topic-FlipRAG，一种针对检索增强生成模型的面向主题对抗性观点操控攻击方法，通过两阶段流程影响模型输出观点，揭示了RAG系统安全防护的迫切需求。
2025-12-29 cs.CL cs.CR cs.IR
eX-NIDS: A Framework for Explainable Network Intrusion Detection Leveraging Large Language Models
School of Information Technology and Electrical Engineering, University of Queensland（信息科技与电气工程学院，昆士兰大学）
本文提出eX-NIDS框架，通过大语言模型增强基于流的NIDS可解释性，经Prompt Augmenter模块提取上下文与CTI知识生成解释，评估显示其比基线性能提升超20%。
2025-07-22 cs.AI cs.CR
Epistemic Bias Injection: Manipulating LLM Opinion via Selective Context Retrieval
National University of Singapore（新加坡国立大学）
研究通过检索增强生成（RAG）数据库注入事实正确但认知偏见的段落，以操纵LLM输出立场，并提出基于几何度量的攻击与防御方法BiasDef。
2026-06-25 cs.AI cs.CR cs.DB
ULLME: A Unified Framework for Large Language Model Embeddings with Generation-Augmented Learning
University of Oregon（俄勒冈大学）；Adobe Research（奥多比研究院）
本文提出统一框架ULLME和生成增强表示学习方法GRL，通过双向注意力与生成一致性约束提升大语言模型的文本嵌入性能，并发布多个预训练模型在基准上取得优异表现。
2024-08-06 cs.CL cs.IR
Supervised Complementary Entity Recognition with Augmented Key-value Pairs of Knowledge
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Tsinghua University（清华大学）
在产品评论的情感分析中，提取意见目标是一项重要任务，补充实体（产品）是一种重要类型的意见目标，可以与评论的产品一起工作。在本文中，我们解决的问题，互补实体识别（CER）作为一个监督序列标记的能力，扩展领域知识的关键值对从未标记的评论，通过自动学习和增强知识为基础的功能。我们使用条件随机场（CRF）作为基本的学习者和补充CRF与知识为基础的功能（称为知识为基础的CRF或KCRF简称）。我们进行的实验表明，KCRF有效地提高了监督CER任务的性能。
2017-05-29 cs.CL
Whose Opinions Do Language Models Reflect?
Stanford（斯坦福大学）；Columbia University（哥伦比亚大学）
语言模型（LM）越来越多地被用于开放式环境中，其中LM响应于主观查询所反映的意见可以对用户满意度以及塑造整个社会的观点产生深远的影响。在这项工作中，我们提出了一个定量框架来调查LM所反映的意见-通过利用高质量的民意调查及其相关的人类反应。使用这个框架，我们创建了OpinionsQA，这是一个新的数据集，用于评估LM的意见与60个美国人口群体的意见在从堕胎到自动化等主题上的一致性。在各个主题中，我们发现当前LM所反映的观点与美国人口群体的观点之间存在实质性的不一致：与民主党-共和党在气候变化问题上的分歧不相上下。值得注意的是，即使在明确地将LM导向特定人口群体之后，这种错位仍然存在。我们的分析不仅证实了先前关于一些人类反馈调整的LM的左倾倾向的观察，而且还揭示了当前LM反映不佳的群体（例如，65+和丧偶的人）。我们的代码和数据可在https://github.com/tatsu-lab/opinions_qa上获得。
2023-03-30 cs.AI cs.CL cs.CY
DeepSentiPers: Novel Deep Learning Models Trained Over Proposed Augmented Persian Sentiment Corpus
University of Guilan（吉兰大学）
本文主要研究如何在每一个波斯语文本中提取意见。深度学习模型提供了一种提高输出质量的新方法。然而，这些架构需要依赖于大的注释数据以及准确的设计。据我们所知，我们不仅缺乏注释良好的波斯语情感语料库，而且还缺乏一个新的模型来对波斯语观点进行多重和二元分类。因此，在这项工作中，我们首先提出了两种新的深度学习架构，包括双向LSTM和CNN。它们是精确设计的深层层次结构的一部分，也能够对两种情况下的句子进行分类。其次，我们针对低资源波斯语情感语料库提出了三种数据增强技术。我们在三个基线和两种不同的神经词嵌入方法上进行的综合实验表明，我们的数据增强方法和预期模型成功地实现了研究目标。
2020-04-11 cs.CL cs.LG cs.NE
Extending Czech Aspect-Based Sentiment Analysis with Opinion Terms: Dataset and LLM Benchmarks
Department of Computer Science and Engineering（计算机科学与工程系）；NTIS -- New Technologies for the Information Society（信息社会新技术）
本文提出了一种针对捷克语的ABSA数据集和翻译对齐方法，通过实验展示了其在低资源语言中的应用效果和改进。
2026-03-04 cs.CL
Maps Search Misspelling Detection Leveraging Domain-Augmented Contextual Representations
Apple Inc.（苹果公司）
构建独立的拼写错误检测器并在纠正之前提供服务可以为拼写器和其他搜索组件带来多种好处，这对于最常见的基于噪音通道的拼写系统来说尤其如此。随着深度学习的快速发展和BERTology等上下文表示学习的实质性进步，构建一个像样的拼写错误检测器，而不必依赖于与噪声通道架构相关的手工制作的功能，变得比以往任何时候都更容易实现。然而，BERTolgy模型是用自然语言语料库训练的，但地图搜索是高度领域特定的，BERTology会继续它的成功吗？在本文中，我们设计了4个阶段的拼写错误检测模型，从最基本的LSTM到单域增强微调BERT。我们发现在我们的例子中，对于地图搜索，其他高级BERTology家族模型（如RoBERTa）不一定优于BERT，经典的跨域微调全BERT甚至不如较小的单域微调BERT。我们通过全面的建模实验和分析分享更多的发现，我们还简要介绍了数据生成算法的突破。
2021-08-15 cs.CL cs.LG
SimGRAG: Leveraging Similar Subgraphs for Knowledge Graphs Driven Retrieval-Augmented Generation
Fudan University（复旦大学）
本文提出SimGRAG方法，通过查询到模式和模式到子图两阶段过程对齐查询文本与知识图谱结构，并利用图语义距离度量实现高效检索，在问答和事实验证任务上优于现有方法。
2025-05-29 cs.AI cs.CL cs.IR
Retail-GPT: leveraging Retrieval Augmented Generation (RAG) for building E-commerce Chat Assistants
本研究提出开源的Retail-GPT电商聊天助手，基于RAG技术实现产品推荐、购物车管理等功能，具备跨平台适配性，可充当虚拟销售代理并验证同类助手在零售场景的可行性。
2024-08-15 cs.AI cs.CL cs.HC
ParetoRAG: Leveraging Sentence-Context Attention for Robust and Efficient Retrieval-Augmented Generation
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cybersecurity, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；Alibaba Group（阿里巴巴集团）
针对RAG系统检索效率低和LLMs无法过滤无关信息的问题，提出无监督框架ParetoRAG，通过帕累托原则指导的句子级优化，在无需额外资源的情况下提升检索精度和生成质量，并在多数据集、LLMs和检索器上验证有效性。
2025-02-12 cs.CL
CommunityKG-RAG: Leveraging Community Structures in Knowledge Graphs for Advanced Retrieval-Augmented Generation in Fact-Checking
University of California, Davis（加利福尼亚大学戴维斯分校）
针对大语言模型与RAG系统未整合实体关系和社区结构、限制事实核查信息检索效果的问题，提出融合知识图谱社区结构的零样本框架CommunityKG-RAG，利用多跳特性提升检索准确率与相关性，实验证明其性能优于传统方法，为事实核查提供鲁棒高效的可扩展方案。
2024-08-16 cs.CL
Leveraging Explicit Reasoning for Inference Integration in Commonsense-Augmented Dialogue Models
Emory University（埃默里大学）
本研究提出在开放域对话中采用显式推理步骤生成、选择并集成常识，相比隐式推理显著提升回复的自然度、参与度、具体性和整体质量，达到新最优性能。
2025-01-21 cs.CL
