HYY的博客

Youtu-GraphRAG提出了一种基于知识图谱的检索增强生成框架，通过种子Schema约束抽取、混合社区检测构建四层知识树，并采用Agentic Retriever进行查询拆解与反思，显著提升了复杂多跳推理任务的准确率与效率。实验表明，该方法在多个基准测试中实现了最高90.71%的token节省和16.62%的准确率提升。核心创新点包括Schema感知的纵向统一流程、结构语义混合的社区检测技术，以及配套发布的AnonyRAG评测数据集。论文与代码均已开源，支持知识树可视化与跨领域迁移。

本文介绍了NLP中的四种关键评估方法：n-gram、BLEU、MRR和ANLS。n-gram通过滑动窗口提取文本片段，用于语言建模和特征工程；BLEU基于n-gram匹配度评估生成文本质量，结合精确度和短句惩罚；MRR（Mean Reciprocal Rank）衡量检索系统排名质量；ANLS（Average Normalized Levenshtein Similarity）用于评估OCR文本识别准确率，通过归一化编辑距离计算相似度。这些方法分别从不同角度评估NLP任务性能，为文本处理提供量化标准。

LEGO-GraphRAG框架为我们提供了一个强大的工具，以应对GraphRAG在实际应用中的挑战。通过模块化设计和系统化的解决方案分类，LEGO-GraphRAG不仅提高了检索准确性和推理效果，还为未来的研究和应用指明了方向。随着技术的不断发展，我们期待LEGO-GraphRAG能够在更广泛的领域中发挥其潜力，推动基于知识图谱检索增强生成的发展。

旅程学习是一种新兴的AI训练方法，强调不仅仅依赖“捷径”获得结果，而是学习整个探索过程，包括试错、反思和回溯。与传统的“捷径学习”相比，旅程学习更加关注AI系统的持续进步，能够应对复杂、动态和开放性问题。作者的复刻探索本身也可以看作一个旅程学习。最近在10.16 他们还发布了一个327条记录的训练数据集：旅程学习是一种革命性的方法，它超越了传统的捷径学习，提供了更强的泛化能力和推理深度。旅程学习已成功应用于复杂数学问题的求解，以及开放式问题的推理。

本研究探讨了大型语言模型（LLM）在自然语言处理教育领域的应用潜力，着重于概念图谱恢复和问答任务。研究人员评估了LLM在零样本情况下的概念图谱恢复能力，并引入了一个由专家验证的NLP专注于科学图论推理和问答的新基准TutorQA。CGLLM是一个将概念图谱与LLM集成以回答各种问题的工作流。实验结果表明，LLM在零样本情况下具有与监督方法相当的概念图谱恢复能力，并且在TutorQA任务中实现了高达26％的F1得分提升。此外，人类评价和分析显示，CGLLM可以生成更细粒度的概念答案。

投资组合选择是金融投资中的重要问题之一。本文研究了基于协同神经动力学优化的投资组合选择。将经典的马科维茨(Markowitz)均值方差(MV)框架及其变体均值条件风险值(CVaR)表述为极小极大和双目标投资组合问题。然后应用神经动力学方法求解这些优化问题。对于每个问题，多个神经网络协同工作，通过基于**粒子群优化(PSO)**的权值优化来表征有效边界。基于四个主要市场股票数据的实验结果显示了协同神经动力学方法在组合优化问题上的性能和特点。