SIGIR

FAVE: Flow-based Average Velocity Establishment for Sequential Recommendation

FAVE：基于流的平均速度建立用于序列推荐

Ke Shi, Yao Zhang, Feng Guo, Jinyuan Zhang, JunShuo Zhang, Shen Gao, Shuo Shang

机构 * University of Electronic Science and Technology of China（电子科技大学） ； State Key Laboratory of Internet Architecture（互联网架构国家重点实验室） 纠错

AI总结 FAVE通过双阶段训练策略解决流方法在序列推荐中的效率问题，利用语义锚定先验和全局平均速度提升生成效率与推荐性能。

Comments Accepted by SIGIR 2026

FACE: A Fine-Grained Reference-Free Evaluator for Conversational Information Access

FACE：一种细粒度的无参考评价方法用于对话信息检索

Hideaki Joko, Faegheh Hasibi

AI总结 本文提出FACE，一种细粒度对话信息检索评价方法，通过优化LLM指令对对话不同层面进行评分，实现与人类判断强相关，且具有跨模型和数据集的泛化能力。

Comments Accepted at SIGIR 2026 (Full Paper track)

Semantic IDs for Recommender Systems at Snapchat: Use Cases, Technical Challenges, and Design Choices

在Snapchat中的推荐系统中使用语义ID：用例、技术挑战和设计选择

Clark Mingxuan Ju, Tong Zhao, Leonardo Neves, Liam Collins, Bhuvesh Kumar, Jiwen Ren, Lili Zhang, Wenfeng Zhuo, Vincent Zhang, Xiao Bai, Jinchao Li, Karthik Iyer, Zihao Fan, Yilun Xu, Yiwen Chen, Peicheng Yu, Manish Malik, Neil Shah

AI总结 本文探讨了在Snapchat中使用语义ID的挑战、实验及设计选择，展示了其在推荐系统中的应用效果和实际成果。

Comments Accepted to the Industry Track of SIGIR 2026

Are LLM-Based Retrievers Worth Their Cost? An Empirical Study of Efficiency, Robustness, and Reasoning Overhead

基于大语言模型的检索器是否值得其成本？对效率、鲁棒性和推理开销的实证研究

Abdelrahman Abdallah, Jamie Holdcroft, Mohammed Ali, Adam Jatowt

AI总结 本文通过12个任务和14个检索器评估了基于大语言模型的检索器在效率、鲁棒性和推理开销方面的表现，发现部分专门化检索器在吞吐量上具有竞争力，而某些大语言模型双编码器则带来显著延迟。

Comments Accepted at SIGIR 2026