信电学院谢淼团队在人工智能检索增强生成算法取得新进展

近期，计算语言学与自然语言处理领域的顶级会议ACL 2026传来消息，中国农业大学信息与电气工程学院谢淼研究员团队的一篇论文被主会接收。ACL作为CCF A类会议，竞争极为激烈，本届会议投稿量超过1.2万篇，主会录用率仅为19%。这篇题为《Structure Guided Retrieval-Augmented Generation for Factual Queries》的论文，究竟解决了哪些关键问题？

大模型幻觉难题与复杂事实问答挑战

当前，大语言模型在智能问答与知识服务中展现出广阔前景，但其固有的“幻觉”问题依然显著。模型生成的内容可能流畅自然，却存在事实性错误。这一问题在农业、医疗、法律等专业领域尤为突出，因为这些领域的用户查询通常包含多个精确的约束条件。

传统的检索增强生成方法大多依赖语义相似度进行知识检索，容易受到语义噪声干扰，难以确保检索到的信息能同时、完整地满足所有查询约束。这常导致生成的答案看似相关，实则遗漏关键条件，产生偏差或错误。

SG-RAG：以结构引导实现精确检索

针对这一挑战，谢淼团队将问题定义为“精确检索问题”，即如何从外部知识库中精准抓取满足所有约束的信息。他们提出的解决方案是“结构引导的检索增强生成方法”。

如图所示，SG-RAG的核心思路是：首先将自然语言问题中隐含的多重约束，自动转化为结构化的查询图。随后，检索任务被重新定义为“基于嵌入的子图匹配问题”。系统不再仅寻找语义相似的文本片段，而是在知识图谱中精确匹配与查询图结构相符的候选子图。

该方法相当于为检索过程增加了“结构过滤器”，能有效避免关键信息遗漏，从而引导大语言模型生成更准确、可靠的答案。

构建ERQA新基准，验证性能显著提升

为系统评估新方法的效能，研究团队构建并开源了一个大规模基准数据集——ERQA。该数据集包含12万条涵盖20个不同领域的事实问答对，专门用于评测系统处理多约束事实问答的能力。

SG-RAG的实际表现如何？实验数据提供了有力证明。

在ERQA数据集上，SG-RAG方法显著超越了多种主流基线模型。在多项核心评价指标上，取得了20.68至50.88个百分点的绝对提升，相对提升幅度达到34%至450%。这些性能增益是在保持合理计算开销的前提下实现的，展现了方法的有效性与应用潜力。

研究团队与项目支持

该论文的第一作者为中国农业大学信息与电气工程学院谢淼研究员，学生第一作者为学院2024级博士研究生张潇。通讯作者由谢淼研究员与吕春利教授共同担任。合作者包括新加坡南洋理工大学博士研究生Li Yi。论文第一完成单位为中国农业大学。

此项研究获得了中国农业大学“青年研究员”启动基金项目及国家留学基金管理委员会访问学者项目的支持。

论文详细内容可通过公开链接获取：https://arxiv.org/abs/2604.22843