When Context Misleads: Intent-Guided Decoding for Robust Retrieval-Augmented Generation
针对现有RAG系统固定信任策略的缺陷，提出意图引导解码（IGD）框架，经多基准评估，可显著提升事实恢复能力，同时保持或改善上下文遵循行为。
2026-08-18 cs.AI cs.CL
Grounding Agent Memory in Contextual Intent
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Stanford University（斯坦福大学）
STITCH通过上下文意图索引提升长周期交互的记忆检索能力，有效减少歧义和干扰，实现在动态目标轨迹中的高效检索。
2026-04-30 cs.AI cs.CL cs.IR
Few-shot Intent Classification and Slot Filling with Retrieved Examples
University of California, Davis（加州大学戴维斯分校）；Google Research（谷歌研究院）；Cornell University（康奈尔大学）；Google Assistant（谷歌助手）
少样本学习出现在重要的实际场景中，例如当自然语言理解系统需要为新兴的、资源稀缺的领域学习新的语义标签时。在本文中，我们探讨检索为基础的方法，意图分类和插槽填充任务，在Few-Shot设置。基于检索的方法基于检索索引中与输入相似的标记示例进行预测，因此可以通过更改索引而无需重新训练模型来适应新的领域。然而，将这些方法应用于具有复杂标签空间的任务（如插槽填充）并非易事。为此，我们提出了一个跨度级检索方法，通过一个新的批处理softmax目标，学习类似的上下文表示的跨度相同的标签。在推理时，我们使用检索到的span的标签来构建具有最高聚合得分的最终结构。我们的方法优于以前的系统在各种Few-Shot设置的CLINC和SNIPS基准。
2021-04-12 cs.CL
Reinforcement Learning for Optimizing RAG for Domain Chatbots
Flipkart Data Science（Flipkart数据科学）
本文提出一种基于强化学习的策略模型，通过动态决定是否检索FAQ上下文来优化RAG聊天机器人的LLM token成本，并在略微提升准确率的同时实现显著成本节省。
2024-01-10 cs.AI cs.CL
Differentiable Retrieval Augmentation via Generative Language Modeling for E-commerce Query Intent Classification
针对检索器与下游模型异步训练导致的性能下降问题，提出可微检索增强方法Dragan，通过可微重构实现端到端联合训练，在电商查询意图分类的离线与在线实验中均显著优于基线。
2023-09-15 cs.CL cs.IR
An Intent Taxonomy of Legal Case Retrieval
Tsinghua University（清华大学）；Renmin University of China（中国人民大学）
本文提出法律案例检索的分层意图分类体系，涵盖五种意图类型，通过多方法构建评估，并应用于下游任务，验证其有效性，为意图感知检索技术提供基础。
2023-07-25 cs.CL cs.IR
Agentic Search in the Wild: Intents and Trajectory Dynamics from 14M+ Real Search Requests
Carnegie Mellon University Pittsburgh PA US；INESC-ID, Carnegie Mellon University Pittsburgh PA US；INESC-ID, Instituto Superior T\'ecnico, University of Lisbon Lisbon Portugal；NOVA LINCS\ University Lisbon Caparica Portugal；Carnegie Mellon University；INESC-ID, Carnegie Mellon University；INESC-ID, Instituto Superior T\'ecnico, University of Lisbon；NOVA LINCS\ University Lisbon
本文分析了1400万次真实搜索请求，揭示了代理搜索会话中的行为模式，包括步骤数、时间间隔及查询重构的可追溯性，为重复敏感停止和意图适应检索预算提供信号。
2026-04-28 cs.CL cs.IR
GenCRF: Generative Clustering and Reformulation Framework for Enhanced Intent-Driven Information Retrieval
Peking University（北京大学）；Wilfrid Laurier University（威尔弗里德劳里埃大学）
针对现有大语言模型查询重构方法存在的扩展有限、冗余问题，本文提出GenCRF生成式聚类与重构框架，通过生成差异化查询聚类捕捉多样意图，结合加权聚合与QERM反馈优化，在BEIR基准上nDCG@10最高提升12%，达到SOTA。
2024-09-17 cs.AI cs.CL cs.IR
Marcel: A Lightweight and Open-Source Conversational Agent for University Student Support
Marburg University（马尔堡大学）
本文介绍Marcel，一个轻量级开源对话代理，通过检索增强生成和FAQ检索器为大学生提供招生咨询，减轻员工负担，并在资源受限环境中易于部署。
2025-10-24 cs.CL
Intent-driven In-context Learning for Few-shot Dialogue State Tracking
School of Intelligent Systems Engineering Sun Yat-sen University Shenzhen, China
本文提出 IDIC-DST，通过意图驱动的对话信息增强、噪声屏蔽、输入重写与相似示例检索，利用大语言模型在少样本 DST 中达到 MultiWOZ 2.1/2.4 最优性能。
2024-12-04 cs.AI cs.CL
Dynamic Label Name Refinement for Few-Shot Dialogue Intent Classification
Chung-Ang University（中央大学）；LG AI Research（LG人工智能研究院）
本文提出一种基于上下文学习和动态标签优化的少样本对话意图分类方法，通过大型语言模型动态优化意图标签以区分相似意图，在多个数据集上显著提升性能并增强标签可解释性。
2024-12-20 cs.CL
Uni-Retriever: Towards Learning The Unified Embedding Based Retriever in Bing Sponsored Search
Microsoft WebXT and Microsoft Research Asia（微软WebXT和微软亚洲研究院）；Beijing University of Posts and Telecommunications（北京邮电大学）
基于嵌入的检索（EBR）是许多Web应用程序中的基本构建块。然而，EBR在赞助搜索是区别于其他一般的情况下，技术上具有挑战性，由于需要服务于多个检索目的：首先，它必须检索高相关性的广告，这可能正是用户的搜索意图;其次，它需要检索高点击率的广告，以最大限度地提高整体用户点击。在本文中，我们提出了一种新的表示学习框架Uni-Retriever开发的Bing搜索，它统一了两种不同的训练模式知识蒸馏和对比学习，以实现这两个所需的目标。一方面，通过从“相关教师模型”中提取知识，建立了进行高相关检索的能力。另一方面，通过学习从整个语料库中区分用户点击的广告，优化了进行高点击率检索的能力。这两种训练模式被联合执行为多目标学习过程，使得高相关性和CTR的广告可以被生成的嵌入所青睐。除了学习策略，我们还详细阐述了我们的EBR服务管道的解决方案，建立在大幅优化的神经网络，其中大规模的EBR可以执行有竞争力的时间和内存效率，并在高质量完成。我们进行了全面的离线和在线实验来评估所提出的技术，其研究结果可能会提供有用的见解，为未来的EBR系统的发展。Uni-Retriever已经成为Bing产品中的主要检索路径，这要归功于其在表示和EBR服务质量上的显着改进。
2022-02-13 cs.CL cs.IR
Efficient RAG with Intent-Aware Retrieval and Semantics-Preserving Chunking
School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院）；Massachusetts General Hospital, Harvard University（哈佛大学马萨诸塞州总医院）；Nota AI
提出InSemRAG框架，通过意图感知检索器和语义保持分块模块，结合迭代检索-检查机制，解决传统RAG的信息不足问题，在多跳和证据敏感任务上取得显著提升。
2026-05-31 cs.CL
INSTRUCTIR: A Benchmark for Instruction Following of Information Retrieval Models
KAIST AI（韩国科学技术院人工智能学院）；LG AI Research（LG人工智能研究院）
本文提出 INSTRUCTIR 基准，通过用户对齐指令评估信息检索模型的指令遵循能力，并发现现有指令微调检索器可能存在过拟合问题。
2024-02-22 cs.CL
Beyond Relevance: Evaluate and Improve Retrievers on Perspective Awareness
Carnegie Mellon University（卡内基梅隆大学）；University of Washington（华盛顿大学）；University of Pennsylvania（宾夕法尼亚大学）；Tencent AI Lab（腾讯AI实验室）
本文构建多视角检索基准并发现现有检索器视角感知有限，进而提出基于表示空间几何特征的零样本投影方法，有效提升检索器的视角感知能力及下游任务性能。
2024-05-04 cs.CL cs.IR
InsightEmb: Learning Action-Intent Embeddings for Agentic Insight Retrieval
The Hong Kong University of Science and Technology（香港科技大学）；WeChat AI, Tencent（腾讯微信人工智能）
该研究针对智能体洞察检索任务，提出对比嵌入框架InsightEmb，利用数学推理数据学习可迁移的检索几何结构，在无特定环境训练时优于现有模型，验证了匹配几何结构的跨域迁移性。
2026-08-07 cs.AI cs.CL
Learning When to Retrieve, What to Rewrite, and How to Respond in Conversational QA
TU Delft（代尔夫特理工大学）；Amazon（亚马逊公司）
本文提出SELF-multi-RAG方法，使LLMs在对话式问答中能自主决定何时检索、重写对话并评估返回段落，相比单轮变体在响应生成质量上提升约13%。
2024-09-23 cs.AI cs.CL
GEM: A Generative Embedding Model Bridging Reasoning and Retrieval
University of Glasgow（格拉斯哥大学）
针对传统检索器表层匹配导致的需求解读差距问题，提出生成式嵌入模型GEM，将推理与检索统一，在相关任务上性能优于基线，还可通过提示扩展测试时计算提升效果。
2026-08-17 cs.AI cs.CL cs.IR
I3: Intent-Introspective Retrieval Conditioned on Instructions
Zhejiang University（浙江大学）；National University of Singapore（新加坡国立大学）；DAMO Academy, Alibaba Group（阿里巴巴达摩院）；Worcester Polytechnic Institute（伍斯特理工学院）
针对稠密检索模型在缺乏专用训练数据时难以处理多种检索任务的问题，提出了基于指令的统一检索系统I3，通过可插拔内省器理解检索意图并利用渐进式剪枝意图学习进行训练，在BEIR基准上实现了无需特定任务调优的最先进零样本性能。
2024-04-25 cs.CL
TECO: Improving Multimodal Intent Recognition with Text Enhancement through Commonsense Knowledge Extraction
Faculty of Information Technology（信息技术学院）；VNU University of Engineering and Technology（VNU工程技术大学）
针对多模态意图识别中文本语义利用及跨模态对齐融合的难题，提出TECO方法，通过提取生成与检索的常识知识增强文本特征，再融合视听模态，性能显著优于现有基线。
2024-12-11 cs.CL
Improving RAG Retrieval via Propositional Content Extraction: a Speech Act Theory Approach
University of Brasília（巴西利亚大学）；Federal Senate of Brazil（巴西联邦参议院）
本文基于言语行为理论提出在嵌入前将查询转换为命题等价形式的方法，并在巴西电信新闻语料库的63条查询上验证其可提升RAG顶部检索结果的语义相似度。
2025-03-07 cs.AI cs.CL cs.IR
Disentangling Questions from Query Generation for Task-Adaptive Retrieval
Seoul National University（首尔大学）
本文提出EGG查询生成器，将高级搜索意图编译为任务自适应查询，在BeIR基准上以更小模型超越基线，证明显式意图指导是关键。
2024-09-25 cs.CL
DeepThink: Aligning Language Models with Domain-Specific User Intents
Xiamen University（厦门大学）；Microsoft（微软）
针对合成指令与真实用户需求偏差的问题，本研究提出DeepThink框架，通过生成种子问题、模拟对话挖掘需求、结合上下文和检索文档优化答案，在广告领域真实测试集上较GPT-4-turbo+RAG助手平均提升7.92%性能。
2025-02-13 cs.CL
Retrieval-Augmented Generation in LLMs for Mental Health: Quantifying the Incremental Contribution of Retrieval Within a Layered Safety Architecture
Wysa Inc.（Wysa公司）
研究数字心理健康干预中，通过在名为Wysa的DMHI里对比启用和禁用检索增强生成（RAG）模式，评估六个大语言模型，计算相关指标并测试差异，发现RAG虽致误报增加，但符合安全原则，是提升LLM驱动的DMHIs相关性能的有前景方法。
2026-07-29 cs.AI cs.CL cs.IR
What Drives AI Citations? Content, Retrieval and Model Knowledge in Generative Engine Optimization (GEO)
University of Toronto（多伦多大学）
该研究探究生成式搜索引擎引用网页的驱动因素，发现生成式引擎优化（GEO）中，模型重写的子查询检索的页面对引用差异解释力远高于页面属性，模型自身知识也会影响品牌提及，相关发现在B2B市场可重复，且公开了数据与代码。
2026-10-14 cs.CL cs.IR cs.LG
K-COMP: Retrieval-Augmented Medical Domain Question Answering With Knowledge-Injected Compressor
POSTECH（POSTECH大学）；GSAI；POSTECH CSE（POSTECH计算机科学与工程系）
提出K-COMP（知识注入压缩器），通过在压缩检索文档前自动生成先验知识并将其整合到自回归压缩过程中，解决医学领域检索增强问答中专业知识理解难和文档冗余导致的幻觉问题，从而引导阅读器模型生成准确答案并信任上下文。
2025-05-28 cs.AI cs.CL
CompCQR: Compositional Query Generation for Training-Free Conversational Search
Seoul National University（首尔大学）；LG AI Research（LG AI研究院）
针对对话式搜索中查询歧义与检索器不对齐问题，提出免训练的组合式查询生成方法CompCQR，以最少LLM调用生成大量查询并构建高质量文档集，在四个基准上MRR相对提升高达22.5%。
2026-09-15 cs.AI cs.CL
When Does Streaming Tool Use Help? Characterizing Tool-Intent Stabilization in Streaming Retrieval-Augmented Generation
SMG Labs（SMG实验室）
通过测量工具意图稳定化（即推测查询收敛到答案的时间点），在CRAG基准上分析流式RAG的延迟隐藏效果，发现73.9%的查询可实现显著延迟隐藏，并识别早期与晚期稳定化的预测因素。
2026-06-23 cs.CL cs.IR
ChatR1: Reinforcement Learning for Conversational Reasoning and Retrieval Augmented Question Answering
University of Amsterdam（阿姆斯特丹大学）
ChatR1通过强化学习实现对话问答中的推理与检索增强，通过意图感知奖励提升多轮对话性能，优于多个基准数据集。
2026-04-25 cs.CL cs.IR
Semantic Motion Anchors: Bridging Motion and Meaning in Co-Speech Gestures
Saarland University（萨尔兰大学）；MPI for Informatics（信息研究所）；Saarland Informatics Campus（萨尔兰信息校园）；University of British Columbia（不列颠哥伦比亚大学）；Vector Institute（向量研究所）；Zuse School（祖斯学校）
提出语义运动锚点方法，通过将3D手势离散化为身体-手部运动基元并转化为结构化描述，在文本与运动之间建立辅助对比监督，显著提升共语手势检索的语义相关性。
2026-06-06 cs.CL
Intent-Driven Semantic ID Generation for Grounded Conversational News Recommendation
Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区）；Platform and Content Group, Tencent（腾讯平台与内容部）
本文提出意图驱动的语义ID生成方法，通过多任务对齐和GPT-4链式推理蒸馏，实现意图到层级SID前缀的映射，提升新闻推荐的 grounded 性和冷启动用户推荐效果。
2026-05-08 cs.CL
CounterRefine: Answer-Conditioned Counterevidence Retrieval for Inference-Time Knowledge Repair in Factual Question Answering
Ryquo；App-In Club
CounterRefine通过在推理时检索特定证据并进行约束性修正，提升事实问答的准确性，实验表明其在多个基准测试中有效改进了基础模型的表现。
2026-05-16 cs.AI cs.CL
MIRA: Leveraging Multi-Intention Co-click Information in Web-scale Document Retrieval using Deep Neural Networks
Microsoft（微软）
研究了工业Web搜索中的深度查全率模型问题，即给定用户查询，从数十亿个候选文档中检索出数百个最相关的文档。通用的框架是训练两个基于神经嵌入的编码模型，分别学习查询和文档的分布式表示，并在潜在语义空间中进行匹配。然而，所有现有的编码模型都只利用文档本身的信息，这往往是不够的，在实践中与查询词匹配时，特别是对于硬尾查询。在这项工作中，我们的目标是利用额外的信息，每个文件从其共同点击邻居，以帮助文档检索。挑战包括如何在深度模型中涉及共点击信息时有效地提取信息并消除噪声，同时满足实时的在线推理对十亿级数据大小的需求。为了处理协同点击关系中的噪声，本文首先提出了一种Web规模的多意图协同点击文档图（MICG），该图在点击意图层面而非文档层面构建文档之间的协同点击连接。然后，我们提出了一个编码框架MIRA的基础上BERT和图的注意力网络，利用两个因素的注意力机制聚合邻居。为了满足在线延迟的要求，我们只在文档端涉及邻居信息，这样可以节省实时的服务中耗时的查询邻居搜索。我们进行了广泛的离线实验上的公共数据集和私人网络规模的数据集，从两个主要的商业搜索引擎证明所提出的方法的有效性和可扩展性相比，几个基线。进一步的案例分析表明，共点击关系主要从关键概念增强和查询词互补两个方面提高了网络搜索质量。
2020-07-03 cs.CL cs.IR cs.LG
SyRHM: Symbolic-Language-Enhanced Reasoning with Associative Retrieval for Zero-shot Harmful Meme Detection
University of California, San Diego（加利福尼亚大学圣迭戈分校）；Xi’an Jiaotong-Liverpool University（西交利物浦大学）；University of Washington（华盛顿大学）；The Australian National University（澳大利亚国立大学）；Zhejiang University（浙江大学）
SyRHM通过联想检索和符号语言增强的多阶段推理，实现零样本有害模因检测，在FHM、HarM和MultiOff上表现优越。
2026-09-15 cs.CL
Conv-CoA: Improving Open-domain Question Answering in Large Language Models via Conversational Chain-of-Action
Northwestern University（西北大学）
本文提出Conv-CoA框架，通过动态推理-检索机制、Hopfield检索器和对话式多参考置信度分数，解决开放域对话问答中的幻觉、推理弱和检索性能差问题，在五个方向和两个基准上超越23种最先进方法。
2024-05-28 cs.AI cs.CL
PRISM: Pareto-Efficient Retrieval over Intent-Aware Structured Memory for Long-Horizon Agents
Singapore Management University（新加坡管理大学）；The Ohio State University（俄亥俄州立大学）；Fudan University（复旦大学）
提出PRISM框架，通过图结构记忆上的联合检索与压缩方法，在不训练的情况下实现长周期对话的高效记忆管理，显著提升准确率并降低上下文成本。
2026-05-22 cs.CL
Prompting GPT-3.5 for Text-to-SQL with De-semanticization and Skeleton Retrieval
National University of Defense Technology（国防科技大学）
提出基于LLM的文本到SQL框架，通过去语义化提取问题骨架检索相似示例，并建模问题与数据库模式关系，在三个跨领域基准上超越现有模型。
2023-08-31 cs.AI cs.CL
NLQxform: A Language Model-based Question to SPARQL Transformer
University of Zurich（苏黎世大学）
针对学术知识图谱查询难题，提出NLQxform系统，利用BART模型将自然语言问题转换为SPARQL查询，在DBLP-QUAD任务上以F1=0.85排名第一。
2023-11-08 cs.AI cs.CL
Skill-Contracted Agents for Evidence-Aware Materials Literature Analysis
研究针对材料科学文献分析难题，提出技能驱动的AlphaAgent框架，通过明确技能契约解耦任务。其含专门检索技能和报告生成技能，在盲评中显著优于基线系统，提升了文献分析效果。
2026-07-24 cs.CL cs.IR
SLMs as Multi-Agent Routers: A Progressive SFT and Reinforcement Learning Approach
Valyu AI；University of Warwick（华威大学）；University College London（伦敦大学学院）
该研究提出用小型语言模型（SLM）结合渐进式监督微调与强化学习的方法，解决多智能体路由中仅基于意图选择的局限，在智能体-查询不匹配子集及总体NDCG@10指标上均优于仅基于意图路由的大语言模型基线，且选择延迟更低。
2026-08-04 cs.AI cs.CL
AgentIR: Reasoning-Aware Retrieval for Deep Research Agents
University of Waterloo（滑铁卢大学）；University of Queensland（昆士兰大学）；Carnegie Mellon University（卡内基梅隆大学）
AgentIR通过结合推理轨迹与查询的联合嵌入和数据合成方法，提升深度研究代理的检索性能，实现68%的准确率。
2026-03-09 cs.CL
TxSum: User-Centered Ethereum Transaction Understanding with Micro-Level Semantic Grounding
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Wuhan University（武汉大学）；University of North Texas（北卡罗来纳州立大学）；Fudan University（复旦大学）
本文提出TxSum任务，通过构建187个复杂以太坊交易数据集，引入MATEX框架提升交易解释质量，使用户对复杂交易的理解率从52.9%提升至76.5%，恶意交易拒绝率提升至88%。
2026-09-01 cs.CE cs.CL cs.HC
HC-RAG: Evidence-Centric Retrieval-Augmented Generation over Heterogeneous Financial Filings
Sun Yat-sen University（中山大学）；Central South University（中南大学）
HC-RAG是面向异构金融文件的以证据为中心的分层跨模态RAG框架，通过构建类型化金融证据图、按意图路由证据，在金融问答基准上较RAPTOR、GraphRAG取得显著性能提升。
2026-08-14 cs.CL cs.MM
