AI Papers Daily

#entity resolution

2 篇

ActionRAG: Evidence-Refining Graph Diffusion for Long-Term Memory in LLM Agents

ActionRAG：面向 LLM Agent 长期记忆的证据精炼图扩散

🧭 LLM Agent 长期记忆 · 图扩散检索 ★ 深度解读

Actioneer

结合谨慎图索引与查询时接收者归一化图扩散，在 MemoryAgentBench 上以 55.1 平均分刷新检索式记忆 agent 表现

📌 工作参考价值（4 点）

• 查询时把向量召回视为 proposal 而非最终结果：用双通道（实体+三元组）召回后在局部图上做 receiver-normalized diffusion 重排序，能恢复多跳关联且不引入 LLM 调用；适合电商会话中“用户问某商品是否适用于某场景”这类需要跨事实推理的 query。
• 索引阶段做标签调和 + 分层实体消解（精确名+类型匹配优先，模糊匹配仅限唯一候选）能显著降低商品/类目/属性图中的实体碎片，避免后续图检索被重复节点稀释。
• 冲突消解与事实更新：将时间短语归一化为绝对日期并存入事实描述而非节点，保留 source chunk 指针，可支撑价格/优惠/状态变更等需要区分新旧事实的场景。
• seed protection 与 hub-penalized flux 两个参数化 trick 可直接借鉴：保护原始高分证据不被图扩散淹没；对高连接度实体（爆款商品/热门类目）施加惩罚，避免 flux 补全被 hub 主导。

Agent | 2026-10-23 | cs.CL | score 8/10

graph diffusionmemory-augmented LLM agentsknowledge graphRAGentity resolutiontriple retrieval

Retrieve, Match, Escalate: Accurate and Scalable Product Linking with VLM-Distilled Cross-Encoders and Agentic VLMs

检索-匹配-升级：VLM蒸馏交叉编码器与Agentic VLM商品链接

🧭 商品实体解析 · 检索-匹配级联 ★ 深度解读

DoorDash Inc.

用VLM共识标签蒸馏轻量交叉编码器，并把困难尾部升级给自托管Agentic VLM，实现按难度路由的商品链接

📌 工作参考价值（4 点）

• 难度路由级联：用 cheap text-only cross-encoder 产出 calibrated score，设 HIGH/LOW 双阈值，只把 MEDIUM 升级给昂贵 VLM；成本差可达 4 个数量级，端到端覆盖从 68.1% 提升到 77.1%。
• 标签飞轮：dual-VLM consensus 自动生成训练标签（保留 87% 一致、丢弃 13% 不一致），5.3M 标签替代 40k 人工标注，放大 130×；业务上可先让闭源 VLM 产生伪标签，再用 ops 审计校准。
• 特征工程与修复：原始 barcode digits 直接进 cross-encoder 比 [BARCODE_MATCH] 标志更好（+0.8pp F1），但需防 rare collision：用 barcode dropout + name-similarity guardrail + 合成同 barcode 冲突 name 对，再以 guardrailed teacher 蒸馏学生，把 stress audit R@P98 从 0.200 拉到 0.768。
• Agent 部署与评测：自托管 open-weight MoE VLM 替代 closed frontier，同精度成本 1/7，recall 仅 -4pp；通过 MCP 解耦 search backend、限制 tool loop ≤4 轮、加同零售商证据/空搜索 inconclusive addenda 稳定行为；同时主动构造对抗性子分布，补足 held-out 看不到的稀有失败。

Agent | 2026-08-25 | cs.IR | score 10/10

entity resolutionproduct linkingcross-encoderVLM distillationagentic VLMadaptive cascade