AI Papers Daily

#Temporal Retrieval

3 篇

RL-Guided Temporal Localization for Dual-Channel Retrieval in Long-Horizon Agent Memory

RL引导的时间定位用于长程Agent记忆双通道检索

🧭 Agent长期记忆时间感知检索

Tsinghua University · Qiyuan Lab

用RL训练时间区间定位器，在检索阶段引入时间约束，缓解语义相似但时间不匹配记忆淹没目标证据

📌 工作参考价值（4 点）

• 在用户长历史记忆/RAG检索里，若用户行为或事件语义重复度高，不要只靠语义相似度，可加一个独立的"时间窗口预测"通道：先由轻量模型预测答案证据可能出现的时间区间，再作为过滤或重排条件。
• 检索决策本身是离散、不可微的，但可以用RL+复合奖励来优化：把仅有答案级别的稀疏监督，拆成对检索结果的时间命中、顺序等细粒度反馈，适合训练一个1.7B小模型而不是大模型。
• "语义召回 + 时间召回双通道合并，再按时间窗口邻近度重排"是一个低成本插件式方案，可直接用于Agent长期记忆、用户会话历史、订单/行为日志等RAG场景。
• 电商场景可迁移：例如用户问"我上次双11买的鞋是什么品牌"，语义召回可能返回多个相似商品，用预测时间窗口截断或重排，能显著减少错误证据。

Agent | 2026-10-16 | cs.AI | score 7/10

Temporal RetrievalRLLong-term MemoryLLM AgentsDual-Channel RetrievalTime-aware RAG

TimelyRAG: Semantic-Temporal Hybrid Retrieval for Time-Critical Question Answering in Overlapping-Evolving Documents

TimelyRAG：面向重叠演化文档的时间敏感混合检索框架

🧭 RAG 时间敏感检索

KAIST · Korea University · University of Vermont

提出 retriever-agnostic 的 TimelyRAG，用时间距离重排解决修订版本文档的时态问答，并发布 TimelyQABench

📌 工作参考价值（4 点）

• 电商/政策类文档常存在修订而非完全替换，如促销规则、商品参数、平台协议；可直接在现有向量检索后加一层 retriever-agnostic 的时间距离重排，无需重训 retriever。
• 将文档生效时间/版本区间与 query 的时间参考（显式或隐式）作为特征，设计 hybrid score = semantic similarity + λ·temporal distance，λ 可按业务数据调优。
• 构建评估集时，不要只用静态 QA 对；应加入同一政策/商品的多个修订版本，并标注 query 的时间锚点，避免语义重叠导致旧版本被误召回。
• 对 Agent 使用 RAG 的场景，建议在检索输入中显式加入当前业务时间或用户询问的时间上下文，防止动态信息（价格、库存、政策）过期。

RAG | 2026-09-10 | cs.IR | score 7/10

RAGTemporal RetrievalTime-Critical QABenchmarkOverlapping-Evolving Documents

Temporal Preference Optimization for Unsupervised Retrieval

面向无监督检索的时间偏好优化

🧭 时间感知检索 · 偏好优化

Sungkyunkwan University · Microsoft

用时间偏好优化（TRPO）训练无监督稠密检索器，使其偏好时间对齐文档

📌 工作参考价值（4 点）

• 在商品搜索/推荐中，可利用商品发布时间、季节性构建时间偏好对，无需人工标注即可训练检索器优先返回时效性强的物品
• 时间嵌入插值技巧可泛化到未见过的时间段（如未来促销期），解决时间冷启动问题
• 方法轻量：仅需在双塔模型中加入时间嵌入和偏好损失（类似DPO），容易集成到已有推荐召回模型
• 对比超大语言模型嵌入，用72.7倍更小模型达到更高nDCG，适合工程部署中的延迟和成本约束

RAG | 2026-06-16 | cs.IR | score 7/10

Temporal RetrievalPreference OptimizationUnsupervised Dense RetrieverTRPOTime Embedding