RAG / 检索增强生成

Predicting Retrieval Utility and Answer Quality in Retrieval-Augmented Generation

在检索增强生成中预测检索效用和答案质量

Fangzheng Tian, Debasis Ganguly, Craig Macdonald

专题命中 检索器与排序 ：retrieval-augmented generation(title,abstract)；RAG(abstract)；retriever(abstract)；分类 cs.IR

AI总结 本文提出在检索增强生成中通过预测检索文档效用和答案质量来提升生成性能。

Comments 18 pages (including reference), 3 figures, 2 table, 61 references; this paper has been accepted by ECIR'26 as a full paper

From Textbook to Talkbot: A Case Study of a Greek-Language RAG-Based Chatbot in Higher Education

从教材到谈bot：面向高等教育的希腊语基于检索增强生成的聊天机器人案例研究

Maria Eleni Koutsiaki, Marina Delianidi, Chaido Mizeli, Konstantinos Diamantaras, Iraklis Grigoropoulos, Nikolaos Koutlianos

专题命中 检索器与排序 ：RAG(title,abstract)；retrieval augmented generation(abstract)；分类 cs.CL、cs.AI

AI总结 本研究开发了一个基于RAG框架的希腊语AI聊天机器人，用于高等教育中的教学支持，旨在提升教育实践和AI技术在语言教育中的应用。

Comments 11 pages, 5 figures, 6th Barcelona Conference on Education (BCE2025)

Graph-based Approaches and Functionalities in Retrieval-Augmented Generation: A Comprehensive Survey

基于图的方法和功能在检索增强生成中的应用：全面综述

Zulun Zhu, Tiancheng Huang, Kai Wang, Junda Ye, Xinghe Chen, Siqiang Luo

机构 * Nanyang Technological University（南洋理工大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

专题命中 检索器与排序 ：retrieval-augmented generation(title,abstract)；RAG(abstract)；分类 cs.IR、cs.CL

AI总结 本文综述了图方法在检索增强生成中的应用，分析了图在提升性能中的作用，指出现有挑战和未来研究方向。

Beyond the Geometric Curse: High-Dimensional N-Gram Hashing for Dense Retrieval

超越几何诅咒：高维N-gram哈希用于密集检索

Sangeet Sharma

专题命中 检索器与排序 ：dense retrieval(title,abstract)；分类 cs.IR

AI总结 NUMEN通过确定性字符哈希实现无训练高维N-gram哈希，首次在密集检索中超越BM25基线。

Comments 11 page long, 5 figure. Yes, am undergrad in pharmacy and love computer work

Agentic-R: Learning to Retrieve for Agentic Search

Agentic-R: 为代理搜索学习检索

Wenhan Liu, Xinyu Ma, Yutao Zhu, Yuchen Li, Daiting Shi, Dawei Yin, Zhicheng Dou

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； Baidu Inc.（百度公司） 纠错

专题命中 检索器与排序 ：retrieval-augmented generation(abstract)；RAG(abstract)；retriever(abstract)；分类 cs.IR、cs.CL

AI总结 本文提出了一种针对代理搜索的检索器训练框架，通过结合局部查询-段落相关性和全局答案正确性，提升多轮搜索性能。

AlertGuardian: Intelligent Alert Life-Cycle Management for Large-scale Cloud Systems

AlertGuardian: 大规模云系统中的智能警报生命周期管理

Guangba Yu, Genting Mai, Rui Wang, Ruipeng Li, Pengfei Chen, Long Pan, Ruijie Xu

专题命中 检索器与排序 ：retrieval augmented generation(abstract)；RAG(abstract)

AI总结 AlertGuardian通过结合LLMs和图模型，优化大规模云系统的警报生命周期管理，显著减少警报疲劳并提升故障诊断效率。

Comments Accepted by ASE 2025

PankRAG: Enhancing Graph Retrieval via Globally Aware Query Resolution and Dependency-Aware Reranking Mechanism

PankRAG: 通过全局意识查询解析和依赖意识重排序机制增强图检索

Ningyuan Li, Junrui Liu, Yi Shan, Minghui Huang, Ziren Gong, Tong Li

机构 * College of Computer Science, Beijing university of technology, Beijing, China（北京理工大学计算机科学学院） ； Department of Computer Science and Engineering, Bologna University, Bologna, Italy（博洛尼亚大学计算机科学与工程系） 纠错

专题命中 检索器与排序 ：RAG(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 PankRAG通过全局意识查询解析和依赖意识重排序机制，有效提升复杂查询中潜在关系的捕捉与解析，增强图检索的准确性和泛化能力。

Comments Accepted by ICASSP 2026

QueStER: Query Specification for Generative keyword-based Retrieval

QueStER：生成式关键词检索的查询规范

Arthur Satouf, Yuxuan Zong, Habiboulaye Amadou-Boubacar, Pablo Piantanida, Benjamin Piwowarski

机构 * MILA – Quebec AI Institute & ILLS（魁北克人工智能研究所） ； Université Paris-Saclay & CentraleSupélec & CNRS（巴黎-萨克雷大学） ； Air Liquide（Air Liquide公司） ； Sorbonne Université & ISIR & CNRS（索邦大学） 纠错

专题命中 检索器与排序 ：retriever(abstract)；分类 cs.IR、cs.CL

AI总结 QueStER通过生成显式的关键词检索规范，结合生成式查询重写和传统检索的效率，提升跨领域检索性能。

Journal ref eACL 2026