中国农业大学信电学院谢淼团队（X-lab实验室）在人工智能算法之检索增强生成领域取得科研新进展
文章导读
你向AI问一个农业或医疗领域的专业问题，它回答得头头是道，但一核对事实，发现关键约束条件全被忽略了——这种“幻觉”在复杂事实问答中几乎必然发生。传统检索增强生成依赖向量相似度，面对多条件问题时，就像用渔网捞针，漏掉关键信息是常态。中国农业大学谢淼团队的最新研究，用结构化查询图替代模糊检索，将准确率提升34%至450%。这个被ACL 2026收录的方法，可能让你再也不敢轻信AI的“流畅回答”——你敢赌自己用的模型不是下一个幻觉受害者吗？
— 内容由好学术AI分析文章内容生成，仅供参考。
近日，信息与电气工程学院青年研究员谢淼团队论文Structure Guided Retrieval-Augmented Generation for Factual Queries被计算语言学与自然语言处理领域国际顶级会议 ACL 2026 主会接收（CCF A）。ACL 2026 为第64届国际计算语言学协会年会，将于2026年7月2日至7日在美国加利福尼亚州圣地亚哥举行。本届会议共收到12,148篇投稿，主会论文录用率为19%。
大语言模型在智能问答、知识服务和科研辅助等任务中展现出广阔应用前景，但仍普遍存在“幻觉”问题，即生成内容表述流畅却可能与事实不符。尤其在农业、营养、医疗、法律和金融等专业事实型问答场景中，用户提出的问题往往同时包含多个约束条件，传统检索增强生成方法大多依赖向量相似度进行检索，容易受到语义噪声干扰，难以保证生成答案同时满足全部约束条件。围绕这一挑战，谢淼团队聚焦检索增强生成领域中的复杂事实性问答问题，提出了精确检索问题（Exact Retrieval Problem, ERP），旨在从外部知识中精准、完整地检索满足全部约束的信息。
SG-RAG系统架构图
针对上述问题，团队提出了结构引导的检索增强生成方法Structure Guided Retrieval-Augmented Generation（SG-RAG）。该方法将自然语言问题中的隐含的约束条件自动转化为结构化查询图，并将检索问题建模为基于嵌入的子图匹配任务（Subgraph Matching Problem via Embedding），通过对知识图谱中候选子图结构的精确检索，引导大语言模型生成满足全部约束条件的答案。与现有方法相比，SG-RAG能够有效降低关键信息遗漏和约束缺失带来的回答偏差，从而提升复杂事实性问答场景下的准确性与可靠性。
SG-RAG与基线方法在ERQA上的性能对比
为系统评估该方法，团队进一步构建并公开发布了大规模基准数据集 ERQA（Exact Retrieval Question Answering）。该数据集包含12万条事实性问答对，覆盖20个不同领域，用于评测检索增强生成系统在多约束事实问答任务中的能力。实验结果表明，SG-RAG 在 ERQA 数据集上显著优于多种强基线方法，在多项评价指标上取得了20.68至50.88个百分点的绝对提升，对应34%至450%的相对提升，同时保持了合理的计算开销，展现出良好的有效性与应用潜力。
该论文第一作者为信息与电气工程学院谢淼研究员，学生第一作者为信息与电气工程学院2024级博士研究生张潇, 通讯作者为信息与电气工程学院谢淼研究员、吕春利教授，合作者包括新加坡南洋理工大学博士研究生Li Yi。论文的第一单位为中国农业大学。
该研究得到了中国农业大学“青年研究员”启动基金项目（No. QNYJY2024144）和国家留学基金管理委员会访问学者项目（CSC）（No. 202506350123）的支持。
© 版权声明
本文由分享者转载或发布，内容仅供学习和交流，版权归原文作者所有。如有侵权，请留言联系更正或删除。
相关文章
19%录用率，确实挺卷的。