EVENT DOSSIER
研究团队提出 NS-ST-GraphRAG 框架，旨在处理长篇小说叙事中的信息检索与生成。该框架整合本体引导提取、确定性约束检查及动态子图检索技术，通过匹配查询时空范围选择图状态，将生成答案锚定在可追溯证据上。同时，团队发布了首个古典文学多跳问答基准 Red-Chamber-QA，涵盖时间、空间及通用问题类别。在包含 120 题的测试集中，NS-ST-GraphRAG 表现优异：机械答案复现率为 0.733，优于冻结窗口基线（0.675）和闭卷模型（0.083）；语义判断准确率达 0.866，高于基线的 0.850。
NS-ST-GraphRAG 框架提出用于长篇小说叙事检索增强生成，整合本体引导提取、确定性约束检查及动态子图检索等技术。该框架通过选择符合查询时空范围的图状态来 grounding 答案于可追溯证据。研究团队同时发布首个古典中文文学多跳…
NS-ST-GraphRAG 框架提出用于长篇小说叙事的信息处理，整合本体引导提取、确定性约束检查及动态子图检索。该框架选择与查询时空范围匹配的图状态，将生成答案锚定在可追溯证据上。研究团队还发布了首个古典文学多跳问答基准 Red-Cha…
NS-ST-GraphRAG 框架提出用于长篇小说叙事检索增强生成，整合本体引导提取、确定性约束检查及动态子图检索等技术。该框架通过选择符合查询时空范围的图状态来 grounding 答案于可追溯证据。研究团队同时发布首个古典中文文学多跳问答基准 Red-Chamber-QA，包含时间、空间及通用问题类别。在 120 题测试集上，NS-ST-GraphRAG 机械答案复现率为 0.733，高于冻结窗口基线的 0.675 和闭卷模型的 0.083；语义判断准确率为 0.866，高于基线的 0.850。
NS-ST-GraphRAG 框架提出用于长篇小说叙事的信息处理，整合本体引导提取、确定性约束检查及动态子图检索。该框架选择与查询时空范围匹配的图状态，将生成答案锚定在可追溯证据上。研究团队还发布了首个古典文学多跳问答基准 Red-Chamber-QA，涵盖时间、空间及通用问题类别。在 120 题测试集中，NS-ST-GraphRAG 机械答案复现率为 0.733，优于冻结窗口基线（0.675）和闭卷模型（0.083），语义判断准确率达 0.866。