近日，人工智能頂級(jí)國(guó)際學(xué)術(shù)會(huì)議AAAI 2026公布錄用論文。我校人工智能學(xué)部能源大數(shù)據(jù)智慧計(jì)算科研團(tuán)隊(duì)負(fù)責(zé)人杜海舟老師及其碩士生李九久撰寫(xiě)的長(zhǎng)文論文《Mnemosyne: Accelerating Multi-Hop Question Answering via Cache Hit Order Fitting》與曹渝昆老師及其碩士生徐子睿撰寫(xiě)的長(zhǎng)文論文《DCTR: Dual-Constraint Subgraph Optimization for Knowledge Graph-based Retrieval-Augmented Generation》成功入選。這是該團(tuán)隊(duì)連續(xù)兩年在人工智能頂級(jí)國(guó)際學(xué)術(shù)會(huì)議AAAI上發(fā)表大模型領(lǐng)域研究成果。
第一篇論文（Mnemosyne，希臘神話記憶女神的名字）針對(duì)大模型多跳問(wèn)答（Multi-Hop Question Answering, MHQA）中緩存輔助檢索增強(qiáng)生成（Cache-aided RAG）的緩存命中率低、檢索效率不高的核心瓶頸展開(kāi)研究。現(xiàn)有方法主要關(guān)注檢索緩存內(nèi)部結(jié)構(gòu)和生成階段的KV緩存優(yōu)化，卻忽略了查詢到達(dá)順序與緩存命中順序之間的錯(cuò)位問(wèn)題，導(dǎo)致相似查詢因訪問(wèn)間隔長(zhǎng)而被緩存驅(qū)逐，以及嚴(yán)格匹配條件無(wú)法利用語(yǔ)義相似性。為此，Mnemosyne設(shè)計(jì)了基于圖重排序的查詢順序優(yōu)化算法，增強(qiáng)局部性以提升緩存復(fù)用；同時(shí)引入L1（精確匹配）與L2（實(shí)體—文檔近似匹配）雙級(jí)緩存，放寬命中條件并引入冪等規(guī)則防止無(wú)效循環(huán)，從而在有限緩存容量下顯著提升緩存命中率與檢索效率。實(shí)驗(yàn)表明，Mnemosyne實(shí)現(xiàn)最高1.81倍的加速比，答案F1分?jǐn)?shù)最高提升13%，實(shí)現(xiàn)了效率與效果的最佳權(quán)衡。
圖1 Mnemosyne框架整體架構(gòu)概覽
這一研究成果對(duì)于大模型智能問(wèn)答與檢索系統(tǒng)具有廣泛應(yīng)用前景。在實(shí)時(shí)交互場(chǎng)景如智能客服與教育輔導(dǎo)中，該技術(shù)能夠顯著降低多輪對(duì)話的響應(yīng)延遲，提升用戶體驗(yàn)；在電力邊緣計(jì)算場(chǎng)景中，其低存儲(chǔ)開(kāi)銷與高緩存命中特性適合資源受限設(shè)備的高效知識(shí)檢索；在大規(guī)模企業(yè)知識(shí)庫(kù)與文檔檢索系統(tǒng)中，該框架可優(yōu)化復(fù)雜查詢的處理流程，降低后端檢索負(fù)載并加快決策支持；在電力知識(shí)問(wèn)答等專業(yè)領(lǐng)域，其高效準(zhǔn)確的檢索機(jī)制能夠?yàn)閷I(yè)大模型提供更可靠的知識(shí)支撐。長(zhǎng)遠(yuǎn)來(lái)看，Mnemosyne為構(gòu)建下一代低延遲、高效率、強(qiáng)可靠的檢索增強(qiáng)生成系統(tǒng)提供了關(guān)鍵技術(shù)路徑。
第二篇論文（DCTR）針對(duì)基于知識(shí)圖譜的檢索增強(qiáng)生成（Knowledge Graph (KG)-based Retrieval-Augmented Generation (RAG)）的子圖檢索核心瓶頸展開(kāi)研究。針對(duì)傳統(tǒng)的KG-RAG方法資源消耗巨大，且產(chǎn)生的子圖不完整性和語(yǔ)義漂移的問(wèn)題。論文提出了一種針對(duì)KG-RAG的雙約束子圖優(yōu)化方法（DCTR）。該方法改進(jìn)了子圖檢索，并為L(zhǎng)LM生成具有結(jié)構(gòu)完整性和信息顯著性的高質(zhì)量子圖。具體而言，該方法將子圖生成建模為一個(gè)兩階段圖論約束優(yōu)化問(wèn)題，以生成緊湊且完整的偽標(biāo)簽。由于這些偽標(biāo)簽是離散的，因此采用平滑近似將其轉(zhuǎn)換為可微表示，從而優(yōu)化檢索器，使其在提取子圖的同時(shí)突出關(guān)鍵信息。在兩個(gè)基準(zhǔn)數(shù)據(jù)集上，DCTR顯著提升了子圖質(zhì)量，在LLM推理中取得了更好的性能。
圖2. DCTR框架整體架構(gòu)概覽
這一研究成果對(duì)于知識(shí)密集型應(yīng)用場(chǎng)景具有廣闊前景。在金融風(fēng)控、電力設(shè)備故障診斷等高風(fēng)險(xiǎn)領(lǐng)域，DCTR框架能夠從海量知識(shí)圖譜中提取結(jié)構(gòu)完整且語(yǔ)義豐富的證據(jù)鏈，為大模型提供高可靠性的結(jié)構(gòu)化知識(shí)，顯著增強(qiáng)其決策精度并降低事實(shí)性錯(cuò)誤風(fēng)險(xiǎn)。在新一代智能問(wèn)答與搜索引擎中，其獨(dú)特的可微分子圖排序機(jī)制能夠優(yōu)化知識(shí)的呈現(xiàn)結(jié)構(gòu)，使其更符合大模型的推理習(xí)慣，從而生成邏輯更清晰、條理更分明的復(fù)雜答案。此外，在電力標(biāo)準(zhǔn)分析及科研文獻(xiàn)探索等專業(yè)領(lǐng)域，DCTR的雙約束優(yōu)化特性能夠挖掘出兼具可靠性和信息密度的推理路徑，幫助大模型發(fā)現(xiàn)非顯而易見(jiàn)的深層關(guān)聯(lián)。長(zhǎng)遠(yuǎn)來(lái)看，DCTR框架為實(shí)現(xiàn)符號(hào)知識(shí)與神經(jīng)推理的深度協(xié)同提供了一條關(guān)鍵路徑，為構(gòu)建下一代更可信、更精準(zhǔn)、更具解釋性的通用人工智能系統(tǒng)奠定了堅(jiān)實(shí)基礎(chǔ)。
能源大數(shù)據(jù)智慧計(jì)算團(tuán)隊(duì)圍繞以人工智能為核心，在分布式機(jī)器學(xué)習(xí)、多模態(tài)大模型推理、自然語(yǔ)言處理、知識(shí)圖譜等關(guān)鍵領(lǐng)域進(jìn)行持續(xù)深耕，并已形成一系列高水平成果。近年來(lái)，團(tuán)隊(duì)已有多篇高質(zhì)量論文被NeurIPS、AAAI、ECAI、ECML、CIKM、ICSOC等國(guó)際頂級(jí)學(xué)術(shù)會(huì)議錄用，展現(xiàn)了持續(xù)向國(guó)際頂尖科研前沿邁進(jìn)的堅(jiān)實(shí)步伐。團(tuán)隊(duì)連續(xù)兩年論文入選AAAI人工智能頂級(jí)國(guó)際學(xué)術(shù)會(huì)議，不僅是對(duì)團(tuán)隊(duì)長(zhǎng)期科研工作的高度肯定，更為我校人工智能與大模型推理方向的發(fā)展注入了新的動(dòng)力。未來(lái)，團(tuán)隊(duì)將繼續(xù)聚焦科研前沿，致力于產(chǎn)出更多兼具頂尖學(xué)術(shù)水平與重要現(xiàn)實(shí)意義的研究成果。
AAAI全稱Association for the Advancement of Artificial Intelligence，成立于1979年，是人工智能領(lǐng)域歷史最悠久的國(guó)際學(xué)術(shù)會(huì)議之一。該會(huì)議被中國(guó)計(jì)算機(jī)學(xué)會(huì)（CCF）和中國(guó)人工智能學(xué)會(huì)（CAAI）列為A類國(guó)際學(xué)術(shù)會(huì)議，在 CORE Conference Ranking中被評(píng)為A*級(jí)別，其H-5指數(shù)176，Impact Score 25.57，長(zhǎng)期穩(wěn)居全球人工智能與機(jī)器學(xué)習(xí)國(guó)際學(xué)術(shù)會(huì)議影響力之列。AAAI的投稿數(shù)量和競(jìng)爭(zhēng)激烈程度屢創(chuàng)新高，2026年度近23,680篇論文投稿，最終錄用率僅為17.6%，體現(xiàn)出其極高的學(xué)術(shù)認(rèn)可度與難度。本次成果的入選，不僅代表了團(tuán)隊(duì)在大模型推理方向上的重要進(jìn)展，也標(biāo)志著我校在人工智能領(lǐng)域的國(guó)際影響力實(shí)現(xiàn)了新跨越。
人工智能學(xué)部 供稿