Enhancing Question Answering Precision with Optimized Vector Retrieval and Instructions
Drexel University(德雷塞尔大学)
本文提出一种结合优化向量检索与指令方法的两阶段框架,通过无重叠小分块(100)实现最佳问答精度,超越语义分割方法。
2024-11-01 cs.CL cs.IR cs.LG
Iterative NLP Query Refinement for Enhancing Domain-Specific Information Retrieval: A Case Study in Career Services
Humber College(亨伯学院)
本文针对传统TF-IDF系统在特定领域检索性能不佳的问题,提出一种结合领域术语与结构化描述符的半自动迭代查询细化方法,在Humber College职业服务数据上显著提升了文档相似度与检索效果。
2024-12-22 cs.CL cs.IR
From Association to Causation: Improving Retrieval Precision of Retrieval-Augmented Generation via Causal Relations and an Attention Mechanism
Hangzhou Innovation Institute, Beihang University(北京航空航天大学杭州创新研究院)
该研究针对RAG检索阶段仅捕捉关联关系的问题,通过建模检索过程的因果结构,提出一种无需训练的注意力式重评分规则,在企业知识库和关键词堆砌语料库上显著提升了检索精度。
2026-11-02 cs.AI cs.CL
Knowledge Compression via Question Generation: Enhancing Multihop Document Retrieval without Fine-tuning
Instituto Politécnico Nacional (IPN)(国家理工学院(IPN))
本研究提出基于问题生成的知识编码方法,无需微调即可增强RAG系统的多跳检索,结合句法重排序与paper-cards,在多项检索任务上性能显著优于基线,同时大幅降低存储与延迟。
2025-06-09 cs.AI cs.CL cs.IR
Enhancing Q&A Text Retrieval with Ranking Models: Benchmarking, fine-tuning and deploying Rerankers for RAG
NVIDIA(英伟达)
该研究针对RAG系统的问答文本检索场景,对多款公开排序模型做基准测试,提出NV-RerankQA-Mistral-4B-v3模型实现约14%准确率提升,还通过消融实验分析多因素影响并探讨工业应用权衡。
2024-09-12 cs.CL cs.IR cs.LG
Enhancing Document-Level Question Answering via Multi-Hop Retrieval-Augmented Generation with LLaMA 3
Independent Researcher(独立研究者);Cornell University(康奈尔大学);University of Southern California(南加州大学)
本文提出基于LLaMA 3的多跳检索增强生成框架,通过密集检索、上下文融合及联合优化,提升长文档问答的准确性与连贯性,实验优于现有基线。
2025-06-19 cs.CL cs.LG
KiRAG: Knowledge-Driven Iterative Retriever for Enhancing Retrieval-Augmented Generation
University of Glasgow(格拉斯哥大学)
针对迭代检索增强生成在多跳问答中检索易受干扰且难以适应动态信息需求的问题,提出知识驱动的迭代检索器KiRAG,通过知识三元组迭代检索并融合推理,显著提升检索准确率与F1值。
2025-02-25 cs.CL
Enhancing Retrieval-Augmented LMs with a Two-stage Consistency Learning Compressor
College of Intelligence and Computing, Tianjin University(天津大学智能与计算学部);Artificial Intelligence Laboratory, China Mobile Communication Group Tianjin Co., Ltd.(中国移动通信集团天津有限公司人工智能实验室);University College London(伦敦大学学院)
本文提出一种用于检索增强语言模型的两阶段一致性学习压缩方法,通过结合对比与一致性学习生成对齐教师模型且忠实于原文的摘要,显著提升了问答任务的精确度与效率。
2024-06-04 cs.CL
FecTek: Enhancing Term Weight in Lexicon-Based Retrieval with Feature Context and Term-level Knowledge
Huawei(华为);Harbin Institute of Technology(哈尔滨工业大学)
本文提出FecTek方法,通过特征上下文模块和词项级知识指导模块增强基于词项的检索中的词项权重,在MS Marco基准上超越现有最先进方法。
2024-04-18 cs.CL
cAST: Enhancing Code Retrieval-Augmented Generation with Structural Chunking via Abstract Syntax Tree
针对现有代码RAG基于行的分块方法易破坏语义结构的问题,提出基于抽象语法树的结构感知分块方法cAST,跨任务生成语义连贯的检索单元,显著提升代码检索与生成性能。
2025-10-02 cs.AI cs.CL cs.IR
HiChunk: Evaluating and Enhancing Retrieval-Augmented Generation with Hierarchical Chunking
Tencent Youtu Lab(腾讯优图实验室)
针对RAG分块缺乏有效评估的问题,提出HiCBench基准和基于微调LLM的HiChunk层次化分块框架,结合自动合并检索,提升分块质量与RAG整体性能。
2025-10-09 cs.AI 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
Enhancing Retrieval Processes for Language Generation with Augmented Queries
Nagoya Institute of Technology(名古屋工业大学)
本研究针对大语言模型的幻觉问题,提出结合BERT、Orca2 7B与创新查询优化流程的RAG方案,通过三种场景实验验证其能显著提升检索生成性能,引入UMAP还可在保持效果的同时简化检索。
2024-02-06 cs.AI cs.CL cs.IR
Enhancing Speech-to-Speech Dialogue Modeling with End-to-End Retrieval-Augmented Generation
MoE Key Lab of Artificial Intelligence(人工智能增强实验室);Jiangsu Key Lab of Language Computing(江苏语言计算重点实验室);X-LANCE Lab(X-LANCE实验室);School of Computer Science, Shanghai Jiao Tong University(上海交通大学计算机科学学院);Shanghai Innovation Institute(上海创新研究院);Shanghai Aviation Electric Co., Ltd(上海航空电器有限公司)
针对端到端语音到语音对话系统难以整合外部知识的模态差距问题,提出新颖端到端检索增强生成框架,直接从语音查询检索文本知识,提升系统性能与检索效率,为该领域知识整合提供新方向。
2025-11-11 cs.AI cs.CL cs.IR
Enhancing Open-Domain Table Question Answering via Syntax- and Structure-aware Dense Retrieval
Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳));Peng Cheng Laboratory(鹏城实验室)
本文提出语法与结构感知的稠密检索方法,通过问题语法表示、表格结构化表示及语法到结构聚合器,在NQ-tables和新开放域Text-to-SQL数据集上取得最优或显著领先效果。
2023-09-19 cs.CL
SetBERT: Enhancing Retrieval Performance for Boolean Logic and Set Operation Queries
University of Arkansas(阿肯色大学)
SetBERT通过反向对比损失和GPT生成数据微调BERT,显著提升布尔逻辑与集合操作查询的检索性能,召回率较BERT-base最高提升63%,且以三分之一规模达到BERT-large水平。
2024-06-26 cs.CL
Enhancing Retrieval-Augmented Generation: A Study of Best Practices
University of Tübingen(蒂宾根大学)
该研究针对RAG系统组件配置影响未被充分探究的问题,开发融合查询扩展、新型检索策略及对比上下文学习的RAG设计,系统分析多类关键因素的影响,为高性能RAG系统开发提供实践指导。
2025-01-13 cs.AI cs.CL
MCTS-RAG: Enhancing Retrieval-Augmented Generation with Monte Carlo Tree Search
Yale University(耶鲁大学);New York University(纽约大学)
提出MCTS-RAG,结合检索增强生成与蒙特卡洛树搜索,动态整合检索与推理,减少幻觉,提升事实准确性,使小模型在知识密集型任务上达到GPT-4o水平。
2025-10-08 cs.CL
Enhancing Multi-modal and Multi-hop Question Answering via Structured Knowledge and Unified Retrieval-Generation
Harbin Institute of Technology(哈尔滨工业大学)
本文提出SKURG方法,通过实体中心融合编码器和统一检索-生成解码器解决多模态多跳问答中检索与生成割裂的问题,在MultimodalQA和WebQA上以更少参数超越现有最优模型。
2023-08-07 cs.CL cs.CV
EXIT: Context-Aware Extractive Compression for Enhancing Retrieval-Augmented Generation
School of Computing(计算机学院);Graduate School of AI(人工智能研究生院);Korea Advanced Institute of Science and Technology(韩国科学技术院)
提出抽取式上下文压缩框架EXIT,通过保留上下文依赖的可并行化句子分类适应查询复杂度,在单跳和多跳QA任务中超越现有方法与未压缩基线,显著提升了RAG的准确率与效率。
2025-05-29 cs.AI cs.CL cs.IR
ERAGent: Enhancing Retrieval-Augmented Language Models with Improved Accuracy, Efficiency, and Personalization
University of Technology Sydney(悉尼技术大学)
ERAGent通过协同模块提升检索质量、引入检索触发器减少冗余检索,并利用经验学习模块实现个性化,在六个数据集和三个问答任务上验证了其优越的准确性、效率与个性化。
2024-05-06 cs.CL
A Query-Aware Multi-Path Knowledge Graph Fusion Approach for Enhancing Retrieval-Augmented Generation in Large Language Models
School of Computer and Communication Engineering, University of Science and Technology Beijing(计算机与通信工程学院,北京科技大学);Blekinge Institute of Technology(布莱金厄学院)
针对RAG忽视检索片段内在关联的问题,本文提出QMKGF,通过构建多路径知识图谱子图、查询感知奖励评分与三元组融合扩展查询,显著提升LLM生成质量。
2025-07-07 cs.AI cs.CL cs.IR
TrustRAG: Enhancing Robustness and Trustworthiness in Retrieval-Augmented Generation
Imperial College London(伦敦帝国理工学院);Peking University(北京大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);University College London(伦敦大学学院)
TrustRAG提出两阶段防御机制(聚类过滤与自我评估),在检索前过滤恶意内容,以即插即用方式增强RAG的鲁棒性与可信度,实验证明其在检索准确性、效率和攻击抵抗性上均有显著提升。
2025-05-22 cs.CL
Enhancing Retrieval Augmented Generation with Hierarchical Text Segmentation Chunking
Institute for Artificial Intelligence, VNU University of Engineering and Technology(人工智能研究所,越南工程大学)
针对传统RAG分块未考虑文本结构导致语义不足的问题,提出整合层次化文本分割与聚类生成语义连贯分块的框架,利用段落级和聚类级向量检索,在多个数据集上优于传统方法。
2025-07-14 cs.AI cs.CL
VizRAG: Enhancing Retrieval-Augmented Generation with Hypergraph Visualization
Southern University of Science and Technology(南方科技大学);Hong Kong University of Science and Technology(香港科技大学);Huawei Research(华为研究院);Beihang University(北京航空航天大学)
研究旨在增强检索增强生成,核心方法是通过视觉线索将超图感知整合到RAG系统中,引入VizRAG支持视觉超图结构感知,实验证明该方法显著优于基线,验证了超图可视化用于RAG系统的潜力。
2026-07-23 cs.CL
Enhancing Low-Resource Minority Language Translation with LLMs and Retrieval-Augmented Generation for Cultural Nuances
National United University(国立联合大学);United Link Co., Ltd.(联合连线有限公司)
本研究针对低资源少数民族语言翻译难题,结合LLMs与RAG技术在客家话翻译任务上验证了方法有效性,最优模型BLEU达31%,同时提出兼顾翻译质量与文化保护的协作框架。
2025-05-16 cs.AI cs.CL
Cross-Granularity Hypergraph Retrieval-Augmented Generation for Multi-hop Question Answering
本文提出HGRAG方法,通过超图将细粒度实体与粗粒度段落进行跨粒度整合,结合结构关联和语义相似度检索,提升多跳问答性能并实现6倍检索加速。
2025-08-15 cs.AI cs.CL
Evaluating Self-Generated Documents for Enhancing Retrieval-Augmented Generation with Large Language Models
Wangxuan Institute of Computer Technology, Peking University(北京大学王选计算机研究所);Information Management Department, Peking University(北京大学信息管理系)
本研究针对检索增强生成(RAG)系统中LLM自生成文档(Self-Docs)的固有属性未被充分探索的问题,通过调查其有效性、建立分类体系及探索结合策略,揭示了有益的Self-Docs类型并提供实用指南。
2025-02-08 cs.CL
Enhancing Dual-Encoders with Question and Answer Cross-Embeddings for Answer Retrieval
Ping An Technology(平安科技);Beihang University(北京航空航天大学)
双编码器是问答系统中一种很有前途的答案检索机制。目前,大多数传统的双编码器学习的语义表示的问题和答案仅仅通过匹配的分数。研究者提出在评分函数中引入问答交互特征,但代价是推理阶段效率低下。为了在推理阶段保持问题和答案的独立编码,在训练阶段进一步引入变分自动编码器来从问题(答案)嵌入重构答案(问题)作为辅助任务,以增强表示学习中的QA交互。然而,文本生成和答案检索的需求是不同的,这导致了训练的难度。在这项工作中,我们提出了一个框架,以增强双编码器模型与问答交叉嵌入和一个新的几何对齐机制(GAM),以对齐的几何嵌入从双编码器从交叉编码器。大量的实验结果表明,我们的框架显着改善了双编码器模型,并优于国家的最先进的方法在多个答案检索数据集。
2022-06-07 cs.AI cs.CL
EEG-MedRAG: Enhancing EEG-based Clinical Decision-Making via Hierarchical Hypergraph Retrieval-Augmented Generation
College of Information Science and Engineering, Northeastern University(信息科学与工程学院,东北大学);Foshan Graduate School of Innovation, Northeastern University(创新佛山研究生院,东北大学);College of Computing and Data Science, Nanyang Technological University(计算与数据科学学院,南洋理工大学);Institute of Automation, Chinese Academy of Sciences(自动化研究所,中国科学院);Squirrel Ai Learning
针对大规模多源异构EEG数据检索与解释难题,提出基于三层超图的检索增强生成框架EEG-MedRAG,结合联合语义-时间检索与因果链诊断生成,并构建首个跨疾病跨角色临床问答基准,显著优于现有方法。
2025-10-11 cs.CL
Enhancing Long-Term Memory using Hierarchical Aggregate Tree for Retrieval Augmented Generation
Amrita School of Artificial Intelligence(阿姆利塔人工智能学院);Amrita Vishwa Vidyapeetham(阿姆利塔维什瓦维迪亚皮塔姆大学)
针对 LLM 长对话上下文受限问题,提出 HAT 层次聚合树记忆结构,将上下文选择建模为最优树遍历并递归聚合相关信息,实验表明其提升多轮对话连贯性与摘要质量且避免参数指数增长。
2024-06-10 cs.AI cs.CL
RAG Foundry: A Framework for Enhancing LLMs for Retrieval Augmented Generation
Intel Labs(英特尔实验室)
本文提出开源框架 RAG Foundry,将数据创建、训练、推理与评估集成为单一工作流,用于快速构建和实验 RAG 系统,并通过微调 Llama-3 和 Phi-3 在多个知识密集型数据集上验证了其有效性。
2024-08-05 cs.AI cs.CL cs.IR
AutoBnB-RAG: Enhancing Multi-Agent Incident Response with Retrieval-Augmented Generation
Georgia Institute of Technology(佐治亚理工学院)
本研究针对大语言模型在网络安全事件响应中缺乏外部知识的问题,提出整合检索增强生成的多智能体框架AutoBnB-RAG,经多种团队结构和真实场景验证,可有效提升决策质量与成功率。
2025-10-06 cs.CL cs.CR
Enhancing Financial Report Question-Answering: A Retrieval-Augmented Generation System with Reranking Analysis
School of Engineering Stanford University Stanford, CA, USA;Simon Business School University of Rochester Rochester, NY, USA;Accounting \& Information Systems Rutgers University Newark, NJ, USA;Institute for Social;Economic Research;Policy Columbia University New York, NY, USA;Department of Economics Northeastern University Boston, MA, USA
本文提出一种检索增强生成系统,通过重排序提升财务报告问答性能,实验表明重排序显著提高答案质量,正确率提升15.5个百分点。
2026-04-28 cs.CL
Enhancing LLM Intelligence with ARM-RAG: Auxiliary Rationale Memory for Retrieval Augmented Generation
SearchStax
针对冻结大语言模型无法随时间提升、现有改进方法训练成本高的问题,提出ARM-RAG系统,通过存储和检索推理链,以低成本从成功经验中学习,有效提升小学数学问题求解性能。
2023-11-07 cs.AI cs.CL
RAG+: Enhancing Retrieval-Augmented Generation with Application-Aware Reasoning
Xi’an Jiaotong University(西安交通大学);Huawei Technologies Ltd.(华为技术有限公司);Nankai University(南开大学)
RAG+通过联合检索知识与应用示例,将应用感知推理显式融入RAG流程,在数学、法律和医学任务中平均提升3-5%,最高提升13.5%。
2025-09-23 cs.AI cs.CL
Enhancing LLM-Based Short Answer Grading with Retrieval-Augmented Generation
Michigan State University(密歇根州立大学);Washington State University(华盛顿州立大学)
本文提出一种自适应检索增强生成(RAG)框架,通过结合语义搜索与精选教育资源动态获取领域知识,以提升大语言模型在科学教育简答题自动评分中的准确性。
2025-06-03 cs.CL
Enhancing Retrieval Performance: An Ensemble Approach For Hard Negative Mining
本研究针对信息检索中难负例筛选的难题,提出适用于企业领域数据集的鲁棒难负例挖掘技术,通过交叉编码器同时学习相似性与差异性提升检索性能,为优化RAG、ReAct等大模型系统提供新视角。
2024-10-18 cs.AI cs.CL cs.IR
UETQuintet at BioCreative IX -- MedHopQA: Enhancing Biomedical QA with Selective Multi-hop Reasoning and Contextual Retrieval
VNU University of Engineering and Technology(越南工程大学)
本文提出MedHopQA模型,通过选择性多跳推理和上下文检索提升生物医学问答性能,在BioCreative IX共享任务中取得第二名成绩。
2026-01-11 cs.CL
HyperRAG: Enhancing Quality-Efficiency Tradeoffs in Retrieval-Augmented Generation with Reranker KV-Cache Reuse
Carnegie Mellon University(卡内基梅隆大学);University of Chicago(芝加哥大学);University of Southern California(南加州大学)
提出HyperRAG系统,通过重用文档侧KV-cache进行高效重排序器推理并辅以系统级优化,在提升RAG流水线吞吐量的同时保证甚至提高了下游生成质量。
2025-04-03 cs.CL
HyperbolicRAG: Enhancing Retrieval-Augmented Generation with Hyperbolic Representations
Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Nanyang Technological University(南洋理工大学)
HyperbolicRAG通过整合双曲几何提升基于图的检索增强生成,以更准确地捕捉语义和层次结构关系。
2025-11-25 cs.AI cs.CL
Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization
Zhejiang University(浙江大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);South China University of Technology(华南理工大学);University of British Columbia(不列颠哥伦比亚大学);Fudan University(复旦大学);University of Hong Kong(香港大学)
针对RAG中LLM内部推理与检索证据不一致的推理错位问题,提出基于批评驱动对齐的迭代框架AlignRAG及其自主变体,通过对比批评合成机制训练批评语言模型,显著提升推理保真度与鲁棒性。
2025-10-11 cs.AI cs.CL
Enhancing Scientific Reproducibility Through Automated BioCompute Object Creation Using Retrieval-Augmented Generation from Publications
GW School of Medicine and Health Sciences(乔治·华盛顿大学医学与健康科学学院);The George Washington University(乔治·华盛顿大学)
本文提出一种基于检索增强生成和大型语言模型的BCO助手工具,通过两遍检索与重排序从论文和代码库中自动提取信息生成BCO文档,解决LLM幻觉等问题,显著降低生物信息学研究合规文档创建的时间与精力,提升科学可重复性。
2024-09-23 cs.AI cs.CL q-bio.OT
Enhancing Admission Inquiry Responses with Fine-Tuned Models and Retrieval-Augmented Generation
本文提出通过微调模型和检索增强生成技术,提升大学招生咨询回复的准确性和效率,以满足招生沟通的特殊需求。
2025-12-07 cs.CL cs.CY cs.HC
Dynamic Context Tuning for Retrieval-Augmented Generation: Enhancing Multi-Turn Planning and Tool Adaptation
本文提出动态上下文调优(DCT)框架,通过注意力缓存、LoRA检索和上下文压缩扩展RAG以支持多轮对话与动态工具环境,在提升规划准确率、减少幻觉的同时以更低成本达到GPT-4性能。
2025-07-19 cs.AI cs.CL cs.HC
Aggregated Knowledge Model: Enhancing Domain-Specific QA with Fine-Tuned and Retrieval-Augmented Generation Models
Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);University of California, Berkeley(加州大学伯克利分校);Convergent Computing/CCO
面向 LBL ScienceIT 封闭领域问答,本文比较两类微调 LLM 与五个 RAG 模型,并提出用 K-means 聚合七模型答案的 AKM,实验表明其性能显著提升。
2024-10-24 cs.AI 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
Association Is Not Similarity: Learning Corpus-Specific Associations for Multi-Hop Retrieval
Independent Researcher(独立研究者)
本文提出AAR方法,通过对比学习在嵌入空间中学习语料特定的关联关系,提升多跳检索的召回率,且无需评估集调优。
2026-02-13 cs.AI cs.CL cs.IR
Text Classification Using Association Rules, Dependency Pruning and Hyperonymization
Institut Mines Telecom(法国矿业电信学院);Telecom Bretagne(布列塔尼电信学院)
本文提出了一种基于关联规则挖掘的文本分类项目集的剪枝和增强方法.剪枝方法是基于依存句法,增强方法是基于用不同顺序的上位词替换词。我们讨论了这些方法的影响,相比修剪的tfidf排名的话。
2014-07-28 cs.CL cs.IR
Enhancing Automatic Term Extraction with Large Language Models via Syntactic Retrieval
Korea University(韩国大学)
本文提出一种基于句法相似性的检索提示策略,在少样本设置下利用大型语言模型进行自动术语抽取,实验证明该方法能提升F1分数并强调了句法线索的重要性。
2025-06-26 cs.CL cs.IR
Evaluating Perspectival Biases in Cross-Modal Retrieval
Department of Computer Engineering, Chulalongkorn University(楚莱隆坤大学计算机工程系);School of Information Science and Technology, VISTEC(信息科学与技术学院,VISTEC)
本文提出3XCM基准,揭示跨模态检索中语言和文化偏见的影响,强调需通过解耦策略实现公平检索。
2026-09-01 cs.CL cs.IR
AdaCQR: Enhancing Query Reformulation for Conversational Search via Sparse and Dense Retrieval Alignment
Southeast University(东南大学)
AdaCQR通过同时对齐稀疏与稠密检索系统并采用两阶段训练策略,提升了对话式查询改写的泛化能力、效率和鲁棒性,在TopiOCQA和QReCC上优于现有方法。
2025-01-03 cs.CL cs.IR
Enhancing Retrieval Systems with Inference-Time Logical Reasoning
MIT(麻省理工学院);Center for Advanced AI, Accenture(埃森哲高级人工智能中心)
针对传统检索方法难以处理含逻辑结构复杂查询的问题,本文提出推理时逻辑推理框架,通过提取查询逻辑结构组合余弦相似度得分,在保证效率的同时显著提升复杂查询检索性能。
2025-03-22 cs.CL
RAISE: Enhancing Scientific Reasoning in LLMs via Step-by-Step Retrieval
Seoul National University(首尔国立大学);KAIST(韩国科学技术院);Hanyang University(翰阳大学)
RAISE通过逐步检索增强科学推理,其核心方法是问题分解、逻辑查询生成和逻辑检索,优于其他基线模型。
2026-03-19 cs.CL