Finding the Right Balance: Relevance and Diversity in LLM Retrieval
Université du Québec à Trois-Rivières（魁北克大学三河城分校）
针对RAG检索多样化效果争议，提出基于候选池冗余度和查询证据需求的查询自适应多样化规则及RNG-Score重排序器，实现按需多样化以提升检索与答案质量。
2026-10-08 cs.CL cs.IR
CodeRAG: Finding Relevant and Necessary Knowledge for Retrieval-Augmented Repository-Level Code Completion
Key Laboratory of Multimedia Trusted Perception and Efficient Computing Ministry of Education of China（教育部多媒体可信感知与高效计算重点实验室）；Xiamen University（厦门大学）；Ant Group（蚂蚁集团）
针对仓库级代码补全中查询构造不当、检索路径单一及检索器与代码大模型不一致的问题，本文提出 CodeRAG 框架，通过对数概率引导查询构造、多路径检索和偏好对齐重排序，在 ReccEval 和 CCEval 上显著超越现有方法。
2025-09-19 cs.CL cs.IR cs.SE
Harnessing Large Language Models for Precision Querying and Retrieval-Augmented Knowledge Extraction in Clinical Data Science
Institute of Health Informatics, University College London（伦敦大学学院健康信息学研究所）
本研究利用大语言模型在临床数据科学中实现精准查询和检索增强的知识提取，通过实验验证其在结构化数据查询和非结构化文本信息提取中的有效性。
2026-01-28 cs.AI cs.CL
PersonalAI: A Systematic Comparison of Knowledge Graph Storage and Retrieval Approaches for Personalized LLM agents
Skoltech（斯科尔科沃科学技术学院）；Public Joint Stock Company “Sberbank of Russia”（俄罗斯联邦储蓄银行）；AIRI（人工智能研究所）
本文提出基于知识图谱的灵活外部记忆框架，通过自动构建和更新图谱提升个性化LLM代理的长期交互能力，通过多种检索机制验证了不同配置在不同任务中的最优性能。
2026-04-12 cs.CL cs.IR
Executable Schema Contracts: From Automatic Ingestion to Multi-Source Retrieval
Intuit AI Research（Intuit AI研究）
提出一种自动从多源数据中发现可执行模式并将其作为共享合约的系统，通过模式约束的检索路由和结构化分析提升多源问答性能。
2026-10-30 cs.AI cs.CL cs.LG
GraphSkill: Documentation-Guided Hierarchical Retrieval-Augmented Coding for Complex Graph Reasoning
The Pennsylvania State University（宾夕法尼亚州立大学）；Michigan State University（密歇根州立大学）
GraphSkill通过分层检索增强编码框架和自我调试代理，提升复杂图推理任务的准确性和效率。
2026-02-20 cs.AI cs.CL cs.LG
Retrieval-Augmented Generation Based Nurse Observation Extraction
本文提出自动流程减轻护士负担，通过RAG方法提取临床观察，达到0.796的F1分数。
2026-03-27 cs.CL
Embedding Web-based Statistical Translation Models in Cross-Language Information Retrieval
尽管越来越多的语言对被机器翻译服务所覆盖，但仍有许多语言对缺乏翻译资源。跨语言信息检索（CLIR）是一种需要复杂程度相对较低的翻译功能的应用，因为当前的信息检索（IR）模型仍然是基于词袋的。Web为自动构建可用于统计翻译模型自动训练的平行语料库提供了广阔的资源。所得到的翻译模型可以以几种方式嵌入到检索模型中。在本文中，我们将探讨的问题，自动挖掘并行文本从Web和不同的方式集成的翻译模型的检索过程中。我们对CLIR标准测试集的实验表明，基于Web的翻译模型在CLIR任务中可以超过商业机器翻译系统。这些结果打开的角度，构建一个全自动查询翻译设备CLIR在一个非常低的成本。
2003-12-03 cs.CL cs.IR
MAUPQA: Massive Automatically-created Polish Question Answering Dataset
Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）
本研究探索自动构建弱标注数据集的方法，以提升神经段落检索性能，并发布了包含近40万对波兰语数据的MAUPQA数据集及HerBERT-QA检索器。
2023-05-09 cs.CL
One Question Answering Model for Many Languages with Cross-lingual Dense Passage Retrieval
University of Washington（华盛顿大学）；Allen Institute for AI（艾伦人工智能研究所）
我们提出了跨语言开放检索答案生成（CORA），第一个统一的多对多问答（QA）模型，可以回答问题，在许多语言，即使是没有特定语言的注释数据或知识源。我们引入了一种新的密集通道检索算法，该算法经过训练可以针对一个问题跨语言检索文档。结合多语言自回归生成模型，CORA直接回答目标语言，没有任何翻译或语言检索模块，在以前的工作。我们提出了一种迭代训练方法，可以自动将仅在高资源语言中可用的注释数据扩展到低资源语言。我们的研究结果表明，CORA在26种语言的多语言开放QA基准测试中的表现大大优于以前的最先进水平，其中9种在训练过程中是不可见的。我们的分析表明，跨语言检索和生成在许多语言，特别是在低资源设置的意义。
2021-10-28 cs.CL
RAGONITE: Iterative Retrieval on Induced Databases and Verbalized RDF for Conversational QA over KGs with RAG
Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所）
RAGONITE提出一种双通道迭代检索框架，融合SQL查询与文本搜索，并结合RAG由LLM生成回答，在BMW汽车知识图谱上优于多个基线。
2024-12-25 cs.CL cs.IR
Understanding Retrieval Augmentation for Long-Form Question Answering
Department of Computer Science University of Texas at Austin（计算机科学系 德克萨斯大学奥斯汀分校）
针对长文本问答中检索文档利用机制研究不足的问题，通过两项对照实验和SALAD数据集分析发现，语言模型虽能利用上下文文档但答案归因度有限，揭示了检索增强对长文本生成的影响并指明未来方向。
2025-10-03 cs.CL
Training Effective Neural Sentence Encoders from Automatically Mined Paraphrases
National Information Processing Institute（国家信息处理研究所）
句子嵌入通常用于文本聚类和语义检索任务。最先进的句子表示方法是基于人工神经网络，该神经网络在大量手动标记的句子对的集合上进行微调。对于高资源语言（如英语或中文），有足够数量的注释数据可用。在不太流行的语言中，必须使用多语言模型，这提供了较低的性能。在这篇文章中，我们通过提出一种方法来解决这个问题，该方法用于训练有效的语言特定的句子编码器，而无需手动标记数据。我们的方法是自动构建一个数据集的释义对双语文本语料库对齐。然后，我们使用收集到的数据来微调一个带有额外循环池层的Transformer语言模型。我们的句子编码器可以在不到一天的时间内在单个图形卡上进行训练，在各种各样的任务级别上实现高性能。我们评估我们的方法在波兰语的八个语言任务，比较它与最好的多语言句子编码器。
2022-07-26 cs.CL
AutoRAG: Automated Framework for optimization of Retrieval Augmented Generation Pipeline
Markr（马克尔公司）；Datera（德拉特拉公司）
针对 RAG 模块性能随数据集变化、难以选择的问题，本文提出 AutoRAG 框架，自动为给定数据集探索并逼近最优 RAG 模块组合，并公开实验结果与数据。
2024-10-28 cs.CL
End-to-End Table Question Answering via Retrieval-Augmented Generation
Rensselaer Polytechnic Institute（伦斯勒理工学院）；IBM TJ Watson Research Center（IBM托马斯·J·沃森研究中心）
大多数现有的端到端的表格问答（表格QA）模型包括一个两阶段的框架，检索器从语料库中选择相关的表格候选人和读者从表格候选人中找到正确的答案。即使读者模型的准确性显着提高与最近的transformer为基础的方法，这样的框架的整体性能仍然遭受使用传统的信息检索技术作为检索器的准确性差。为了缓解这个问题，我们引入了T-RAG，一个端到端的表QA模型，其中非参数密集向量索引与BART（一个参数序列到序列模型）联合微调以生成答案令牌。对于任何自然语言问题，T-RAG利用统一的管道自动搜索表格语料库，直接从表格单元格中定位正确答案。我们将T-RAG应用于最近的开放域表QA基准测试，并证明了微调的T-RAG模型能够在端到端表QA和表检索任务中实现最先进的性能。
2022-03-30 cs.CL
mRAKL: Multilingual Retrieval-Augmented Knowledge Graph Construction for Low-Resourced Languages
UC Berkeley（伯克利大学）；Apple（苹果公司）
本文提出mRAKL系统，将多语言知识图谱构建重构为问答任务，结合检索增强生成技术，在提格里尼亚语和阿姆哈拉语等低资源语言上显著提升链接预测准确率。
2025-07-21 cs.CL
ZusammenQA: Data Augmentation with Specialized Models for Cross-lingual Open-retrieval Question Answering System
University of Mannheim（曼海姆大学）；University of Verona（维罗纳大学）；University of Würzburg（维尔茨堡大学）
本文介绍了我们提出的跨语言开放检索问答（COQA）MIA共享任务系统。在这个具有挑战性的场景中，给定一个输入问题，系统必须从多语言池中收集证据文件，并从这些文件中生成问题语言的答案。我们设计了几种方法，将不同的模型变体结合起来，用于三个主要组件：数据增强、段落检索和答案生成。对于段落检索，我们根据基于多语言预训练语言模型（PLM）和共享任务基线变体的重新排序器集合评估了单语BM 25排名器，使用最近引入的对比损失从头开始重新训练，通过混合负样本在整个训练过程中保持强梯度信号。对于答案生成，我们通过对现有多语言编码器进行持续的语言模型（LM）预训练，专注于语言和领域的专业化。此外，对于段落检索和答案生成，我们使用从维基百科段落创建的自动生成的问答对来增强任务组织者提供的训练数据，以缓解数据稀缺的问题，特别是对于没有提供训练数据的低资源语言。我们的研究结果表明，语言和领域的专业化以及数据增强的帮助，特别是对低资源的语言。
2022-05-30 cs.CL
Dialogue Benchmark Generation from Knowledge Graphs with Cost-Effective Retrieval-Augmented LLMs
Concordia University（康考迪亚大学）
本研究提出多阶段检索增强生成平台Chatty-Gen，利用知识图谱自动生成特定领域高质量对话基准，通过阶段验证、高效检索减少成本与幻觉，在多知识图谱和多LLM上性能优于现有系统。
2025-01-17 cs.AI cs.CL
Better Than Whitespace: Information Retrieval for Languages without Custom Tokenizers
University of Waterloo（滑铁卢大学）
标记化是信息检索中的一个关键步骤，特别是对于词汇匹配算法，可索引标记的质量直接影响检索系统的效率。由于不同的语言具有独特的属性，标记化算法的设计通常是特定于语言的，并且至少需要一些语言知识。然而，在这个星球上的7000多种语言中，只有少数几种语言受益于专门的、定制的标记化算法，而其他语言则被“默认”的空格标记器所困，无法捕捉不同语言的复杂性。为了解决这一挑战，我们提出了一种不同的词汇匹配检索算法的标记化方法（例如，BM 25）：使用WordPiece标记器，它可以从无监督数据自动构建。我们在MrTyDi集合中的11种类型学上不同的语言上测试了这种方法：结果表明，mBERT标记器为“开箱即用”的检索提供了强大的相关信号，在大多数语言上优于空白标记。在许多情况下，当与现有的定制标记器相结合时，我们的方法也提高了检索效率。
2022-10-11 cs.CL cs.IR
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
AutoKG: Constructing Virtual Knowledge Graphs from Unstructured Documents for Question Answering
MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）
知识图谱具有为问答系统提供细粒度细节的优点。不幸的是，建立一个可靠的KG是耗时和昂贵的，因为它需要人为干预。为了克服这个问题，我们提出了一个新的框架，自动构建KG从非结构化的文件，不需要外部对齐。我们首先从非结构化文档中提取表面形式的知识元组，并用上下文信息对其进行编码。具有相似上下文语义的实体然后通过内部对齐链接以形成图结构。这使我们能够通过遍历生成的KG从多个文档中提取所需的信息，而无需手动处理。我们研究其性能检索为基础的QA系统重新制定的WikiMovies和MetaQA数据集成一个元组级检索任务。实验结果表明，我们的方法优于传统的检索方法的大幅度。
2021-03-10 cs.CL
Quebec Automobile Insurance Question-Answering With Retrieval-Augmented Generation
Université Laval（拉瓦尔大学）
本文构建了魁北克汽车保险专业知识参考语料库及82个专家问答集，评估了GPT4-o结合RAG架构在保险问答中的表现，发现该专业知识语料库能提升自动与人工评估效果，但指出其仍存在5%至13%的虚假陈述风险，尚不足以在关键领域大规模应用。
2024-10-12 cs.CL
AIR-Bench: Automated Heterogeneous Information Retrieval Benchmark
University of Science and Technology of China（中国科学技术大学）；Beijing Academy of Artificial Intelligence（北京人工智能研究院）；Jina AI（极光科技）；Beijing University of Posts and Telecommunications（北京邮电大学）；Shenzhen University（深圳大学）；State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室）；Hong Kong Polytechnic University（香港理工大学）
本文提出AIR-Bench，一种由LLM自动生成、覆盖多任务多领域多语言并动态扩展的IR评估基准，实验表明其测试数据与人工标注数据高度一致。
2025-07-24 cs.CL cs.IR
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
CORAL: Benchmarking Multi-turn Conversational Retrieval-Augmentation Generation
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Beijing Academy of Artificial Intelligence（北京人工智能研究院）；Huawei Poisson Lab（华为泊松实验室）；Waseda University（早稻田大学）
针对现有RAG研究多聚焦单轮场景、难以适配真实多轮对话的问题，本研究推出大规模基准CORAL，覆盖多类对话与三项核心任务，并提出统一框架评估现有方法，指明改进方向。
2024-10-30 cs.CL cs.IR
Writing by Memorizing: Hierarchical Retrieval-based Medical Report Generation
UC San Diego（加州大学圣地亚哥分校）；Penn State University（宾夕法尼亚州立大学）；Microsoft Azure Computer Vision（微软Azure计算机视觉部门）
医学报告生成是医学图像分析中最具挑战性的任务之一。虽然现有的方法已经取得了可喜的成果，他们要么需要一个预定义的模板数据库，以检索句子或忽略了医疗报告生成的分层性质。为了解决这些问题，我们提出MedWriter，它采用了一种新的分层检索机制，自动提取报告和病历级模板，用于临床准确的报告生成。MedWriter首先采用视觉语言检索~（VLR）模块来检索给定图像的最相关报告。为了保证句子之间的逻辑一致性，引入了语言检索模块（LLR），根据先前生成的描述来检索相关句子。最后，语言解码器融合图像特征和检索到的报告和句子的特征，生成有意义的医疗报告。我们通过两个数据集的自动评估和人工评估来验证我们的模型的有效性，即，Open-I和MIMIC-CXR。
2021-05-25 cs.CL cs.CV cs.IR
Large Scale Question Paraphrase Retrieval with Smoothed Deep Metric Learning
University of Trento（特伦托大学）；Amazon Alexa（亚马逊Alexa）
问题释义检索（QPR）系统的目标是检索与原始问题结果相同的等价问题。这样一个系统可以用来理解和回答罕见的和嘈杂的常见问题的重新表述，通过将它们映射到一组规范形式。这对于社区问答（cQA）和开放域口语问答系统具有大规模应用。在本文中，我们描述了一个新的QPR系统实现的神经信息检索（NIR）系统组成的一个神经网络句子编码器和一个近似的k-最近邻索引有效的矢量检索。我们还描述了我们的机制，通过远程监督自动从问答日志生成一个注释数据集的问题释义检索实验。我们表明，近红外中的标准损失函数（三重态损失）在有噪标签的情况下表现不佳。我们提出了平滑深度度量损失（SDML），并通过我们在两个QPR数据集上的实验，我们表明它在嘈杂的标签设置中显着优于三重损失。
2019-05-29 cs.AI cs.CL cs.IR
Retrieval-Augmented Multilingual Keyphrase Generation with Retriever-Generator Iterative Training
Amazon Inc.（亚马逊公司）；Salesforce Research（赛富时研究院）；University of Pittsburgh（匹兹堡大学）；Chinese University of Hong Kong（香港中文大学）
关键词生成是自动预测给定一段长文本的关键词的任务。非英语语言中的关键词生成虽然近年来蓬勃发展，但尚未得到广泛的研究。在本文中，我们提请注意一个新的设置名为多语言关键词生成，我们贡献了两个新的数据集，EscherceMKP和AcademicMKP，涵盖六种语言。在技术上，我们提出了一种检索增强的方法，用于多语言的关键词生成，以减轻数据短缺的问题，在非英语语言。检索增强模型利用英语数据集中的关键短语注释，以促进在低资源语言中生成关键短语。给定非英语段落，跨语言密集段落检索模块找到相关的英语段落。然后，相关联的英语关键词作为外部知识的关键词生成在当前语言。此外，我们开发了一个检索器生成器迭代训练算法来挖掘伪平行通道对，以加强跨语言通道检索器。综合实验和烧蚀表明，所提出的方法优于所有基线。
2022-06-01 cs.AI cs.CL cs.LG
Threshold-Based Retrieval and Textual Entailment Detection on Legal Bar Exam Questions
Otto von Guericke University Magdeburg（马格德堡奥托·冯·格里克大学）
对法律领域进行概述已成为一项挑战，特别是在广泛的国际背景下。法律问答系统有可能通过自动检索特定声明的相关法律文本并检查是否可以从找到的文档中推断出声明的含义来减轻这一任务。我们研究了Elasticsearch的BM 25评分方法与在德国和日本民法的英语翻译上训练的词嵌入的组合。为此，我们定义的标准，选择一个动态数量的相关文件，根据阈值分数。与基线相比，利用两个深度学习分类器及其各自的预测偏差以及基于阈值的答案包含标准已被证明对文本蕴涵任务是有益的。
2019-05-30 cs.CL cs.IR cs.LG
Q2E: Query-to-Event Decomposition for Zero-Shot Multilingual Text-to-Video Retrieval
Department of Computer Science and Electrical Engineering University of Maryland Baltimore County（计算机科学与电气工程系马里兰大学巴尔的摩县）
针对零样本多语言文本-视频检索任务，提出Q2E查询到事件分解方法，借助大模型知识分解简化查询，结合基于熵的多模态融合，在多数据集上超越现有最优基线，还验证了音频信息的增益作用，已开源相关代码与数据。
2025-11-13 cs.CL cs.CV
U-CREAT: Unsupervised Case Retrieval using Events extrAcTion
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
本文提出U-CREAT无监督案例检索流水线，通过事件抽取提升法律先例检索性能与速度，并在印度IL-PCR和加拿大COLIEE两个法律体系基准上取得最先进结果。
2023-07-11 cs.AI cs.CL cs.IR
Self-Knowledge Retrieval Augmented Generation Framework for Patent Matching
School of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；ZJU-UIUC Institute, Zhejiang University（浙江大学ZJU-UIUC学院）；Shaoxing K3i Technology Co. Ltd（绍兴K3i科技有限公司）；State Key Laboratory of CAD&CG, Zhejiang University（浙江大学CAD&CG国家重点实验室）
针对专利匹配的LLM方法存在成本高、易遗忘等问题，本文提出自知识RAG框架，结合FAISS检索与生成式匹配机制，在真实专利数据集上提升了检索匹配准确率。
2026-08-12 cs.CL cs.IR
FreshStack: Building Realistic Benchmarks for Evaluating Retrieval on Technical Documents
University of Waterloo（滑铁卢大学）；Databricks（Databricks公司）
本研究提出FreshStack框架，通过自动语料收集、信息点生成、融合检索三步构建技术文档IR评估基准，实验发现现有模型表现弱于最优参考方法，部分主题重排器无增益，为构建真实可扩展的IR/RAG基准提供支持。
2025-06-13 cs.AI cs.CL cs.IR
AI-Friendly LaTeX: Using LaTeX Code as a Knowledge Source for Retrieval-Augmented Generation
Department of Mathematics & Computer Science, Eindhoven University of Technology（数学与计算机科学系，埃因霍温理工大学）
本文提出一种预处理方法，将LaTeX源码及其辅助文件和作者注释转换为Markdown和JSONL格式的文本块，以解决PDF提取中结构信息丢失的问题，从而提升检索增强生成在数学和技术材料上的可靠性。
2026-05-21 cs.CL cs.IR
Automated Evaluation of Retrieval-Augmented Language Models with Task-Specific Exam Generation
AWS AI Labs（亚马逊云科技人工智能实验室）
提出基于任务特定考试生成的RAG自动化评估方法，利用IRT优化考试，发现检索算法选择比模型规模更影响性能。
2024-05-22 cs.CL cs.IR
Data leakage in cross-modal retrieval training: A case study
Huawei Technologies（华为技术有限公司）；Universitat Pompeu Fabra（庞培法布拉大学）
本研究针对自动采集的SoundDesc基准数据集存在训练数据泄露至评估集的问题，提出了按录制设置分组的新数据集划分方案，构建了更具挑战性的跨模态检索基准。
2023-02-23 cs.CL cs.IR cs.LG
Contextual Media Retrieval Using Natural Language Queries
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
手持和头戴式设备中摄像头的广泛集成以及在线共享内容的能力，使数百万用户每天共同构建的世界能够实现大规模和多样化的视觉捕捉。我们设想这些图像以及相关的Meta信息，如GPS坐标和时间戳，形成一个集体的视觉记忆，可以查询，同时自动考虑到不断变化的移动用户的上下文。作为实现这一愿景的第一步，在这项工作中，我们提出了Xplore-M-自我：一种新的媒体检索系统，允许用户查询动态数据库的图像和视频使用时空自然语言查询。我们评估我们的系统使用一个新的数据集的真实用户查询，以及通过可用性研究。一个关键的发现是，有相当数量的用户间的变化，例如在自然语言话语的空间关系的分辨率。我们表明，我们的检索系统可以通过一个基于在线学习的检索配方使用个性化来应对这种变化。
2016-02-16 cs.AI cs.CL cs.CV
Multi-task Sentence Encoding Model for Semantic Retrieval in Question Answering Systems
Baidu Inc.（百度公司）
问答（QA）系统用于自动地对用户的问题提供适当的响应。句子匹配是问答系统中的一项重要任务，通常被转化为释义识别问题。给定一个问题，任务的目的是从QA知识库中找到最相似的问题。在本文中，我们提出了一个多任务的句子编码模型（MSEM）的PI问题，其中连接图来描述句子之间的关系，和多任务学习模型被应用到解决句子匹配和句子的意图分类问题。此外，我们实现了一个通用的语义检索框架，结合我们提出的模型和近似最近邻（ANN）技术，这使我们能够找到最相似的问题，从所有可用的候选人非常迅速地在线服务。实验结果表明，与现有的句子匹配模型相比，该方法具有明显的优越性。
2019-11-18 cs.AI cs.CL cs.IR
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
Making Retrieval-Augmented Language Models Robust to Irrelevant Context
Tel Aviv University（特拉维夫大学）；Allen Institute for AI（艾伦人工智能研究所）
本文分析检索增强语言模型在无关上下文下性能下降的问题，并提出基于NLI过滤和自动生成混合上下文数据进行微调的方法，仅需1000个样本即可使模型对无关上下文鲁棒且保持高性能。
2024-05-05 cs.AI cs.CL
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
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
Hierarchical Retrieval with Evidence Curation for Open-Domain Financial Question Answering on Standardized Documents
Department of Applied Artificial Intelligence, Hanyang University（应用人工智能系，翰阳大学）
针对标准化金融文档中相似格式导致重复检索的问题，提出 HiREC 框架，通过分层检索与证据整理提升开放域金融问答的准确性和完整性，并发布包含 145,897 份 SEC 文档和 1,595 个问答对的 LOFin 基准。
2025-11-06 cs.AI cs.CL cs.IR
Breaking Language Barriers with MMTweets: Advancing Cross-Lingual Debunked Narrative Retrieval for Fact-Checking
University of Sheffield（谢菲尔德大学）
本研究创建MMTweets数据集，引入跨语言已辟谣叙事检索任务，通过多阶段检索方法提升跨语言事实核查效率，并公开数据集与标注手册。
2024-08-20 cs.CL cs.CY cs.IR
Beyond Static: Related Questions Retrieval Through Conversations in Community Question Answering
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）；School of Management Science and Engineering, Southwestern University of Finance and Economics（西南财经大学管理科学与工程学院）
本文提出TeCQR模型，通过对话方式提升社区问答中相关问题检索性能，利用标签增强澄清问题和噪声容忍模型，有效处理噪声反馈并优化问题表示。
2026-03-09 cs.AI cs.CL cs.IR
