RAG / 检索增强生成

NTLRAG: Narrative Topic Labels derived with Retrieval Augmented Generation

NTLRAG: 通过检索增强生成技术获取叙述性主题标签

Lisa Grobelscheg, Ema Kahr, Mark Strembeck

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

AI总结 本文提出NTLRAG框架，通过检索增强生成技术生成语义精确且易于理解的叙述性主题标签，提升主题建模的可解释性和实用性。

WebFAQ 2.0: A Multilingual QA Dataset with Mined Hard Negatives for Dense Retrieval

WebFAQ 2.0: 一个多语言问答数据集，包含挖掘的硬负样本用于密集检索

Michael Dinzinger, Laura Caspari, Ali Salman, Irvin Topi, Jelena Mitrović, Michael Granitzer

机构 * University of Passau（帕绍大学） ； University of Passau, and IT:U Austria（帕绍大学和IT:U奥地利） 纠错

专题命中 检索器与排序 ：dense retrieval(title)；分类 cs.IR、cs.CL、cs.AI

AI总结 WebFAQ 2.0是一个多语言问答数据集，包含挖掘的硬负样本，用于训练密集检索器，支持多语言和跨语言信息检索研究。

Beyond Pipelines: A Fundamental Study on the Rise of Generative-Retrieval Architectures in Web Research

超越流水线：生成-检索架构在网页研究中的崛起根本研究

Amirereza Abbasi, Mohsen Hooshmand

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

AI总结 本文研究了生成-检索架构在网页研究中的崛起，探讨了LLMs通过RAG对网页研究和行业的影响，分析了关键进展、挑战及未来方向。

Retrieval Augmented (Knowledge Graph), and Large Language Model-Driven Design Structure Matrix (DSM) Generation of Cyber-Physical Systems

检索增强（知识图谱），以及由大型语言模型驱动的面向网络系统的设计结构矩阵（DSM）生成

H. Sinan Bank, Daniel R. Herber

机构 * Department of Systems Engineering, Colorado State University（系统工程系，科罗拉多州立大学） 纠错

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

AI总结 本文研究了利用大型语言模型、检索增强生成和图基RAG生成面向网络系统的设计结构矩阵，通过两个具体案例评估其在组件关系识别和生成方面的性能。

Comments 26 pages, 10 figures

PEACE 2.0: Grounded Explanations and Counter-Speech for Combating Hate Expressions

PEACE 2.0：基于证据的解释与反仇恨言论生成

Greta Damo, Stéphane Petiot, Elena Cabrio, Serena Villata

机构 * Université Côte d’Azur（法国埃克斯-马赛大学） ； CNRS（法国国家科学研究中心） ； Inria（法国国家信息与自动化技术研究所） ； I3S（信息科学与系统研究所） ； Institut 3IA Côte d’Azur（3IA埃克斯-马赛研究所） ； Techpool 纠错

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

AI总结 PEACE 2.0通过RAG流程提供基于证据的仇恨言论解释和反仇恨言论生成，以应对在线平台上的仇恨言论问题。

NotebookRAG: Retrieving Multiple Notebooks to Augment the Generation of EDA Notebooks for Crowd-Wisdom

NotebookRAG: 通过检索多个笔记本增强 crowdsourcing 智慧的 EDA 笔记本生成

Yi Shan, Yixuan He, Zekai Shao, Kai Xu, Siming Chen

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

AI总结 NotebookRAG通过检索多个笔记本增强crowdsourcing智慧，以生成高质量的EDA笔记本。

Comments 11 pages, 7 figures

Mine and Refine: Optimizing Graded Relevance in E-commerce Search Retrieval

挖掘与精炼：优化电子商务搜索检索中的分级相关性

Jiaqi Xi, Raghav Saboo, Luming Chen, Martin Wang, Sudeep Das

机构 * DoorDash Inc.（DoorDash公司） 纠错

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

AI总结 本文提出一种两阶段框架，通过挖掘和精炼提升电子商务搜索检索的分级相关性，结合对比学习和多类圆损失优化嵌入空间。

SAGE: Structure Aware Graph Expansion for Retrieval of Heterogeneous Data

SAGE：面向异构数据检索的结构感知图扩展

Prasham Titiya, Rohit Khoja, Tomer Wolfson, Vivek Gupta, Dan Roth

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

AI总结 SAGE通过构建结构感知的图扩展框架，在异构数据检索中提升召回率，采用混合检索与代理策略实现多模态证据链检索。

AdaptOrch: Task-Adaptive Multi-Agent Orchestration in the Era of LLM Performance Convergence

AdaptOrch：在LLM性能收敛时代的任务自适应多智能体协调

Geunbin Yu

机构 * Department of Artificial Intelligence, Korea National Open University（人工智能系，韩国国立开放大学） 纠错

专题命中 检索器与排序 ：retrieval-augmented generation(abstract)；分类 cs.AI

AI总结 AdaptOrch通过动态选择多智能体协调拓扑，提升任务性能，证明协调设计优于模型选择。

Comments 21 pages, 10 figures, 6 tables

GPU-Accelerated Algorithms for Graph Vector Search: Taxonomy, Empirical Study, and Research Directions

基于GPU的图向量搜索算法：分类、实证研究与研究方向

Yaowen Liu, Xuejia Chen, Anxin Tian, Haoyang Li, Qinbin Li, Xin Zhang, Alexander Zhou, Chen Jason Zhang, Qing Li, Lei Chen

机构 * Hong Kong Polytechnic University, Hong Kong SAR（香港理工大学） ； The Hong Kong University of Science and Technology, Hong Kong SAR（香港理工大学） ； Huazhong University of Science and Technology, China（华中科技大学） 纠错

专题命中 向量检索 ：vector search(title,abstract)；分类 cs.AI、cs.DB

AI总结 本文研究了基于GPU的图向量搜索算法，通过实证分析揭示了距离计算和数据传输对性能的影响，并提出了系统设计中的关键权衡。

RPDR: A Round-trip Prediction-Based Data Augmentation Framework for Long-Tail Question Answering

RPDR：基于回程预测的数据增强框架用于长尾问答

Yiming Zhang, Siyue Zhang, Junbo Zhao, Chen Zhao

机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； NYU Shanghai（纽约大学上海分校） ； Center for Data Science, New York University（纽约大学数据科学中心） 纠错

专题命中 知识库问答 ：retrieval-augmented generation(abstract)；RAG(abstract)；retriever(abstract)；dense retrieval(abstract)

AI总结 RPDR通过数据增强框架提升长尾问答性能，利用回程预测选择易学实例并动态路由查询以优化检索效果。

$π$-CoT: Prolog-Initialized Chain-of-Thought Prompting for Multi-Hop Question-Answering

$π$-CoT：基于Prolog初始化的多跳问答链式思维提示法

Chao Wan, Albert Gong, Mihir Mishra, Carl-Leander Henneking, Claas Beger, Kilian Q. Weinberger

机构 * cornell（康奈尔大学） 纠错

专题命中 长文档RAG ：retrieval-augmented generation(abstract)；RAG(abstract)；分类 cs.CL

AI总结 $π$-CoT通过结合逻辑编程与语言模型，提升多跳问答性能，优于传统RAG和CoT方法。

Beyond Chunk-Then-Embed: A Comprehensive Taxonomy and Evaluation of Document Chunking Strategies for Information Retrieval

超越片段化后再嵌入：信息检索中文档片段化策略的全面分类与评估

Yongjie Zhou, Shuai Wang, Bevan Koopman, Guido Zuccon

专题命中 长文档RAG ：dense retrieval(abstract)；分类 cs.IR

AI总结 本文研究了文档片段化策略在信息检索中的分类与评估，发现任务依赖性和分段方法差异影响效果，提出统一框架并提供公开基准。

Comments Github link will be pushed later as it's anonymoused at the moment

Enhancing Large Language Models (LLMs) for Telecom using Dynamic Knowledge Graphs and Explainable Retrieval-Augmented Generation

通过动态知识图谱和可解释检索增强生成增强大型语言模型用于电信

Dun Yuan, Hao Zhou, Xue Liu, Hao Chen, Yan Xin, Jianzhong, Zhang

机构 * School of Computer Science, McGill University（麦吉尔大学计算机科学学院） ； Standards and Mobility Innovation Lab, Samsung Research America（三星美国标准与移动创新实验室） 纠错

专题命中 图谱与结构化RAG ：retrieval-augmented generation(title,abstract)；RAG(abstract)；分类 cs.AI

AI总结 本文提出KG-RAG框架，通过整合知识图谱与检索增强生成技术，提升大型语言模型在电信领域中的准确性与可靠性。

Dynamic System Instructions and Tool Exposure for Efficient Agentic LLMs

动态系统指令与工具暴露用于高效代理LLM

Uria Franko

专题命中 RAG评测 ：RAG(abstract)；分类 cs.AI

AI总结 通过动态系统指令和工具暴露技术，ITR显著减少LLM代理的上下文令牌使用和运行成本，提升工具路由准确性，适用于长期自主代理。