谢淼团队X-lab实验室：RAG算法最新科研进展深度解析

中国农业大学信息与电气工程学院谢淼研究员团队的研究成果《Structure Guided Retrieval-Augmented Generation for Factual Queries》被ACL 2026主会接收。作为计算语言学领域的顶级会议，ACL本届投稿量逾1.2万篇，主会录用率仅为19%，竞争极为激烈。这项研究究竟攻克了哪些技术瓶颈？

攻克大模型幻觉：复杂事实查询的精准度挑战

大语言模型在专业问答场景中潜力巨大，但其固有的“幻觉”问题——即生成内容事实性错误——仍是关键障碍。在农业、医疗等专业领域，用户查询通常包含多个精确的限定条件，这对答案的准确性提出了更高要求。

现有检索增强生成方法主要依赖语义相似度进行知识检索，容易受到语义噪声干扰，难以确保检索结果同时、完整地覆盖查询中的所有约束条件，导致生成的答案出现关键信息遗漏或事实偏差。

SG-RAG：以结构化查询实现精准知识检索

针对“精确检索”这一核心问题，谢淼团队提出了“结构引导的检索增强生成方法”。

SG-RAG的核心创新在于将自然语言问题中的多重约束，自动解析为结构化的查询图。随后，检索过程被转化为“基于嵌入的子图匹配”任务。系统直接在知识图谱中寻找与查询图结构高度吻合的候选子图，而非仅进行模糊的文本语义匹配。

这种结构化的引导机制，相当于为检索环节增设了精准的过滤器，从源头上保障了检索信息的完整性与相关性，从而为大模型生成高事实性答案提供了可靠依据。

ERQA基准验证：性能实现显著突破

为系统评估该方法在复杂事实查询上的效能，研究团队构建并开源了大规模基准数据集ERQA。该数据集包含12万条涵盖20个领域的事实问答对，专门用于评测多约束条件下的问答系统性能。

实验结果表明，SG-RAG方法优势明显。

在ERQA数据集上，SG-RAG在多项核心指标上全面超越了主流基线模型，取得了20.68至50.88个百分点的绝对性能提升，相对提升幅度最高达450%。这些突破性成果是在可控的计算开销下实现的，证明了该方法兼具高效性与实用性。

研究团队与项目支持

本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。

此项工作获得了中国农业大学“青年研究员”启动基金及国家留学基金管理委员会访问学者项目的资助。

论文详细内容可访问：https://arxiv.org/abs/2604.22843