RAG / 检索增强生成

List-aware Reranking-Truncation Joint Model for Search and Retrieval-augmented Generation

Shicheng Xu, Liang Pang, Jun Xu, Huawei Shen, Xueqi Cheng

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

Comments Accepted by WWW 2024

RIGHT: Retrieval-augmented Generation for Mainstream Hashtag Recommendation

Run-Ze Fan, Yixing Fan, Jiangui Chen, Jiafeng Guo, Ruqing Zhang, Xueqi Cheng

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

Comments Accepted by ECIR2024 full paper

Large Language Models with Retrieval-Augmented Generation for Zero-Shot Disease Phenotyping

Will E. Thompson, David M. Vidmar, Jessica K. De Freitas, John M. Pfeifer, Brandon K. Fornwalt, Ruijun Chen, Gabriel Altay, Kabir Manghnani, Andrew C. Nelsen, Kellie Morland, Martin C. Stumpe, Riccardo Miotto

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

Comments Deep Generative Models for Health Workshop NeurIPS 2023

Dense Retrieval as Indirect Supervision for Large-space Decision Making

Nan Xu, Fei Wang, Mingtao Dong, Muhao Chen

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

Comments EMNLP 2023 (Findings)

Dense Sparse Retrieval: Using Sparse Language Models for Inference Efficient Dense Retrieval

Daniel Campos, ChengXiang Zhai

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

DyRRen: A Dynamic Retriever-Reranker-Generator Model for Numerical Reasoning over Tabular and Textual Data

Xiao Li, Yin Zhu, Sichen Liu, Jiangzhou Ju, Yuzhong Qu, Gong Cheng

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

Comments 9 pages, accepted by AAAI 2023

A Unified End-to-End Retriever-Reader Framework for Knowledge-based VQA

Yangyang Guo, Liqiang Nie, Yongkang Wong, Yibing Liu, Zhiyong Cheng, Mohan Kankanhalli

专题命中 检索器与排序 ：retriever(title,abstract)；knowledge retrieval(abstract)

Robust Retrieval Augmented Generation for Zero-shot Slot Filling

Michael Glass, Gaetano Rossiello, Md Faisal Mahbub Chowdhury, Alfio Gliozzo

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

Comments Accepted at EMNLP 2021. arXiv admin note: substantial text overlap with arXiv:2104.08610

When Retriever-Reader Meets Scenario-Based Multiple-Choice Questions

Zixian Huang, Ao Wu, Yulin Shen, Gong Cheng, Yuzhong Qu

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

Comments 10 pages, accepted to Findings of EMNLP 2021

RAG-Star: Enhancing Deliberative Reasoning with Retrieval Augmented Verification and Refinement

Jinhao Jiang, Jiayi Chen, Junyi Li, Ruiyang Ren, Shijie Wang, Wayne Xin Zhao, Yang Song, Tao Zhang

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

Comments LLM;RAG;MCTS

Enhancing Q&A Text Retrieval with Ranking Models: Benchmarking, fine-tuning and deploying Rerankers for RAG

Gabriel de Souza P. Moreira, Ronay Ak, Benedikt Schifferer, Mengyao Xu, Radek Osmulski, Even Oldridge

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

Comments Accepted for the 1st Workshop on GenAI and RAG Systems for Enterprise @ CIKM 2024

A Fully Attention-Based Information Retriever

Alvaro Henrique Chaim Correia, Jorge Luiz Moreira Silva, Thiago de Castro Martins, Fabio Gagliardi Cozman

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

Comments Accepted for presentation at the International Joint Conference on Neural Networks (IJCNN) 2018

Journal ref A. H. C. Correia, J. L. M. Silva, T. d. C. Martins and F. G. Cozman, "A Fully Attention-Based Information Retriever," 2018 International Joint Conference on Neural Networks (IJCNN), Rio de Janeiro, Brazil, 2018, pp. 2799-2806

Operationalizing Cyber Threat Intelligence with GraphRAG

用GraphRAG实现网络威胁情报的操作化

Atul Kabra, Prakhar Paliwal, Manjesh K. Hanawal

专题命中 检索器与排序 ：RAG(summary_cn,abstract)；分类 cs.AI

AI总结 本研究对比微软GraphRAG与Naive RAG，发现GraphRAG生成的网络威胁情报检测方案，在攻击线索轮换后保持率远高于后者，能依赖更难规避的持久线索，为自动生成SOC狩猎方案提供了架构基础。

Comments 12 pages

EnterpriseRAG: Benchmarking LLM Instruction Adherence and Robustness under Non-Ideal Enterprise Retrieval

EnterpriseRAG：非理想企业检索场景下LLM指令遵循与鲁棒性的基准测试

Huiqi Miao, Xinbao Sun, Bo Wang, Fanyu Meng, Lijun Mei, Na Wu, Di Jin, Chao Deng, Junlan Feng

机构 * Jiutian Research, China Mobile（中国移动九天研究院） 纠错

专题命中 检索器与排序 ：RAG(summary_cn,abstract)；分类 cs.AI

AI总结 研究针对企业RAG部署的可靠性问题，推出含983个样本的EnterpriseRAG基准，评估13个LLM发现其指令遵循崩溃，为生产级RAG提供可复现的评估基础

Training Dense Retrievers with Multiple Positive Passages

利用多正例段落训练密集检索器

Benben Wang, Minghao Tang, Hengran Zhang, Jiafeng Guo, Keping Bi

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

AI总结 本文提出利用多正例段落训练检索器，通过统一对比学习框架分析不同优化目标，发现LSEPair在鲁棒性和性能上表现优异，同时揭示了不同目标对正样本质量的敏感性。

Comments Accepted by KDD 2026

Retrieval-Augmented Large Language Models as Components of Cognitive Computing architecture for Regulatory Knowledge Management

作为监管知识管理认知计算架构组件的检索增强大语言模型

Dariusz Nowak-Nova

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

AI总结 研究探讨将大语言模型与检索增强生成架构集成用于监管知识管理，提出本地部署LLMs的架构方法，经实验验证，此集成提升了生成文本质量，引入可审计性等，增强后的LLMs可作为认知计算基础设施的语义处理模块。

Trajectory-Aware Retrieval Agents for Temporal Decision- Making

用于时间决策的轨迹感知检索代理

Jing Wang, Jie Shen, Xing Niu

机构 * Amazon（亚马逊） 纠错

专题命中 检索器与排序 ：RAG(summary_cn,abstract)；分类 cs.AI

AI总结 研究用大语言模型代理从长篇时间结构化文本中决策的问题，针对标准RAG丢弃时间结构缺陷，引入闭环代理框架TLM，其关键技术是LGCM，在医学问答、收益电话会议惊喜预测和隔夜股票缺口预测任务中表现出色。

Evidence-in-the-Loop: Trace-Driven Optimization for Customer-Service LLM Agents

循证优化：面向客户服务语言模型代理的跟踪驱动优化

Chunming Wu, Dafei Qiu, Congde Yuan, Charles Quan, Jun Wu, Suipeng Li, Mo Wu, Gavin Xie, Hope Chen, Max Yao

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

AI总结 研究面向客户服务语言模型代理的优化，提出循证客户服务代理工作流程，通过多种技术构建证据，结合政策引导编排。贡献混合RAG证据构建、循证问题/行动决策、跟踪驱动的RAG和重排器改进三种部署模式。

Evidence Interfaces Shape How Retrieval-Augmented Readers Use Support

证据接口塑造了检索增强型读者使用支持信息的方式

Junchi Liao, Jiawen Deng, Fuji Ren

专题命中 检索器与排序 ：RAG(summary_cn,abstract)；分类 cs.AI

AI总结 研究多跳 RAG 评估中前 k 答案分数隐藏的问题，通过对比不同训练方式的适配读者，区分支持可用性失败与读者接口效应，并指出在支持标注评估中应同时报告前 k 答案分数与完整支持覆盖率，黄金支持优先等方法可改进读者。

Comments 18 pages; includes references and appendices

Quantifying the Accuracy and Cost Impact of Design Decisions in Budget-Constrained Agentic LLM Search

量化预算约束下代理LLM搜索中的准确性与成本影响

Kyle McCleary, James Ghawaly

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

AI总结 本研究探讨了预算约束下代理LLM搜索中搜索深度、检索策略和完成预算对准确性和成本的影响，并提供了可重复的评估方法和实验结果。

Comments Accepted in 2026 Language Resources and Evaluation Conference (LREC)

QUBO-Optimized Evidence Selection for Retrieval-Augmented Question Answering with Unconventional Solvers

使用非常规求解器的QUBO优化证据选择用于检索增强问答

Rahul Singh, Madhav Vadlamani

机构 * University of California Santa Barbara（加利福尼亚大学圣巴巴拉分校） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 检索器与排序 ：RAG(summary_cn,abstract)；分类 cs.CL

AI总结 研究针对检索增强问答中证据选择问题，将其转化为QUBO问题构建能量函数，平衡多种因素选择证据段落，再由下游语言模型生成答案。在HotpotQA上评估，该方法性能与基于LLM的选择器相当，为RAG管道提供新思路。

Boolean queries are all you need?

布尔查询就足够了吗？

Charles L. A. Clarke, Mark D. Smucker

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

AI总结 研究在TREC 2024 RAG赛道任务中，为基于大语言模型的搜索代理配备布尔检索引擎，仅依据语料库子串与查询匹配密度排名，无需监督学习等，结果表明简单模式匹配或足以用于智能搜索。

Automating Information Extraction and Retrieval for Industrial Spare Parts Pooling

自动化信息提取与检索用于工业备件池化

Dyuman Bulloni, Rocco Felici, Oliver Avram, Anna Valente

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

AI总结 提出PhRAG混合检索增强生成框架，通过命名实体识别结构化异构备件描述并构建虚拟库存池，结合生成式语言模型处理数据稀缺和查询变异性，实现可解释的备件检索。

RSRank: Learning Relevance from Representational Shifts

RSRank: 从表示偏移中学习相关性

Archit Gupta, Sai Sundaresan, Debabrata Mahapatra

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

AI总结 针对RAG系统中重排序依赖启发式阈值和语言模型logit信号的问题，提出基于表示偏移（RS）的相关性信号，通过轻量级训练框架学习映射，在零阈值下过滤无关内容，超越现有重排序器。

Comments Under Peer Review

CMIP-Forge: An Agentic System that Retrieves, Computes, and Self-Reviews Climate Science

CMIP-Forge：一个检索、计算和自我审查气候科学的智能体系统

Dmitrii Pantiukhin, Boris Shapkin, Ivan Kuznetsov, Thomas Jung, Nikolay Koldunov

机构 * Alfred Wegener Institute, Helmholtz Centre for Polar and Marine Research（阿尔弗雷德·韦格ener研究所，极地与海洋研究中心） 纠错

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

AI总结 提出CMIP-Forge系统，结合检索增强生成与自主分析，通过多层级防御架构和独立审查机制，实现从文献到实时气候数据的端到端自主研究。

Comments 28 pages, 9 figures. Code available at https://github.com/CliDyn/cmip6_gpt

AlignCoder: Aligning Retrieval with Target Intent for Repository-Level Code Completion

AlignCoder: 为目标意图对齐检索以实现仓库级代码补全

Tianyue Jiang, Yanli Wang, Yanlin Wang, Daya Guo, Ensheng Shi, Yuchi Ma, Jiachi Chen, Zibin Zheng

机构 * School of Software, Sun Yat-sen University（中山大学软件学院） ； Sun Yat-sen University（中山大学） 纠错

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

AI总结 针对仓库级代码补全中检索与目标代码不匹配及无法利用推理信息的问题，提出AlignCoder框架，通过查询增强和基于强化学习的检索器训练，在CrossCodeEval上EM分数提升18.1%。

Comments To appear at ASE'25

BLUEmed: Retrieval-Augmented Multi-Agent Debate for Clinical Error Detection

BLUEmed: 基于检索增强的多智能体辩论用于临床错误检测

Saukun Thika You, Nguyen Anh Khoa Tran, Wesley K. Marizane, Hanshu Rao, Qiunan Zhang, Xiaolei Huang

机构 * University of California, San Diego（加州大学圣地亚哥分校） 纠错

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

AI总结 提出BLUEmed框架，结合混合检索增强生成与多智能体辩论，通过分解临床笔记、检索证据、专家辩论及安全层过滤，在术语替换错误检测中达到最优性能。

Comments Accepted to the IEEE International Conference on Healthcare Informatics (ICHI) 2026

Uncertainty Quantification for Retrieval-Augmented Reasoning

检索增强推理的不确定性量化

Heydar Soudani, Hamed Zamani, Faegheh Hasibi

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

AI总结 提出R2C方法，通过扰动多步推理过程来量化检索和生成的不确定性，在多个QA数据集上平均AUROC提升超5%。

Hybrid Deep Searcher: Scalable Parallel and Sequential Search Reasoning

混合深度搜索器：可扩展的并行与顺序搜索推理

Dayoon Ko, Jihyuk Kim, Haeju Park, Sohyeon Kim, Dahyun Lee, Yongrae Jo, Gunhee Kim, Moontae Lee, Kyungjae Lee

机构 * Seoul National University（首尔国立大学） ； LG AI Research（LG AI研究） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； University of Seoul（首尔大学） 纠错

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

AI总结 提出混合搜索策略HybridDeepSearcher，通过并行查询扩展与显式证据聚合结合顺序推理，在多个基准上显著提升性能并实现测试时搜索扩展。

Comments Accepted to ICLR 2026

DisastRAG: A Multi-Source Disaster Information Integration and Access System Based on Retrieval-Augmented Large Language Models

DisastRAG：基于检索增强大语言模型的多源灾害信息整合与访问系统

Bo Li, Zhitong Chen, Kai Yin, Junwei Ma, Yiming Xiao, Ali Mostafavi

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

AI总结 本文提出DisastRAG系统，整合结构化、非结构化和上下文灾害信息，通过多路径架构支持文档检索、结构化访问和外部网络回退，提升灾害管理信息获取效率。