近日，华南师范大学计算机学院SCHOLAT数据智能团队两篇研究论文被数据库/数据挖掘领域CCF B类国际会议The 31st International Conference on Database Systems for Advanced Applications （DASFAA 2026）录用为短文。
论文标题：KGCRAG: An Adaptive Community Detection Framework for Robust Graph-Enhanced RAG
论文作者：方文李，陈国华，袁成哲，林荣华，唐双姣，汤庸
论文简介：检索增强生成作为大语言模型落地的核心支撑技术，长期受困于 “上下文碎片化” 与 “信息检索稀疏” 两大关键瓶颈。这两大问题直接制约了复杂问答场景下的推理精度与响应可靠性，现有图增强方案多生成简单的链式事实，难以捕捉深层语义联系。针对这一行业痛点，团队引入社区发现理论，探索出一种鲁棒、高效的图增强检索路径模型KGCRAG。 此外，为确保系统在实际部署中的稳定性，团队创新性地开发了超时驱动的退化机制。该机制能在复杂图计算超出预设阈值时自动平滑切换至稳健备选方案，在保障回答质量的同时显著提升了系统能效。在HotpotQA、MuSiQue及团队自研的ScholatQA数据集上的实验结果表明，KGCRAG在准确率与响应效率上均达到行业领先水平，为图增强RAG的大规模工业化应用提供了稳健的工程范式。
图1 KGCRAG框架
论文标题：A Spatio-Temporal Cognitive Graph-Enhanced Framework for Knowledge Tracing
论文作者：黄奕豪，曾琛，毛舜，吴正洋，林荣华，汤庸
论文简介：传统的知识追踪方法受困于“概念孤岛”与“关系同质化”两大关键瓶颈，其将知识点视为相互独立的实体，割裂了知识间原本紧密的逻辑联系。现有的图神经网络尝试虽然引入了知识点的结构信息，但是往往将复杂的知识关系（如前驱、相似等）“一视同仁”，难以捕捉学习过程中精细化的动态认知影响。为此，团队提出了一种时空认知图增强知识追踪框架CGKT，其将知识传播过程解构为三种独特的认知影响力路径（包含前驱影响、关联影响和巩固影响），实现了对知识状态演变的精准建模。CGKT采用 GRU网络捕捉学习的时间序列特征，在认知图中动态模拟知识状态的扩散过程。通过注意力机制，模型能够自适应地融合时空特征，生成具有高度上下文感知能力的知识状态表示。
图2 CGKT框架
---------------------------------------------------------------------------------------------------------------------
关于学讯通
学者网官方学术媒体，聚焦学术动态、政策解读与资源分享，支持关联学者主页，是科研信息高效获取与交流的平台。
关于机构号
学者网为学术团队、实验室等机构提供的专属账号，可发布科研动态、会议/招聘等内容，支持多管理员协作，助力机构链接学界资源、扩大学术影响力。
评论 0