SIGIR

Discrete Preference Learning for Personalized Multimodal Generation

离散偏好学习用于个性化多模态生成

Yuting Zhang, Ying Sun, Dazhong Shen, Ziwei Xie, Feng Liu, Changwang Zhang, Xiang Liu, Jun Wang, Hui Xiong

AI总结 本文提出DPPMG框架，通过离散偏好模型学习多模态偏好并注入生成器，解决连续偏好与离散输入的矛盾及模态不一致问题，实验证明生成的多模态内容一致且个性化。

Comments be accepted to SIGIR 2026

Semantic Recall for Vector Search

向量搜索的语义召回

Leonardo Kuffo, Ioanna Tsakalidou, Roberta De Viti, Albert Angel, Jiří Iša, Rastislav Lenhardt

机构 * CWI（荷兰阿姆斯特丹CWI） ； EPFL（瑞士洛桑联邦理工学院） ； Google（谷歌） 纠错

AI总结 本文提出语义召回指标，用于评估近邻搜索算法的质量，考虑仅在理论上可通过精确最近邻搜索检索到的语义相关对象。通过实验证明，该指标在查询结果中相关对象较少时特别有效，并引入了容忍召回作为近似指标。

Comments Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval

A Reproducibility Study of Metacognitive Retrieval-Augmented Generation

元认知检索增强生成的可重复性研究

Gabriel Iturra-Bocaz, Petra Galuscakova

AI总结 本文研究了元认知检索增强生成（MetaRAG）的可重复性，评估了点wise和listwise重排器的效果，并与SIM-RAG进行比较，发现MetaRAG在相对改进上优于标准RAG，但绝对分数较低，反映了闭源LLM更新和实现细节缺失的问题。

Comments Paper accepted at ACM SIGIR Conference 2026

Beyond Dense Connectivity: Explicit Sparsity for Scalable Recommendation

超越密集连接：为可扩展推荐的显式稀疏性

Yantao Yu, Sen Qiao, Lei Shen, Bing Wang, Xiaoyi Zeng

AI总结 本文提出SSR框架，通过显式稀疏性改进推荐系统，解决密集连接与稀疏数据的结构不匹配问题，在大规模数据上实现持续性能提升。

Comments Accepted as a full paper at SIGIR 2026. 11 pages, 6 figures

ItemRAG: Item-Based Retrieval-Augmented Generation for LLM-Based Recommendation

ItemRAG: 基于物品的检索增强生成用于基于大语言模型的推荐系统

Sunwoo Kim, Geon Lee, Kyungho Kim, Jaemin Yoo, Kijung Shin

机构 * Seoul National University（首尔国立大学） 纠错

AI总结 ItemRAG通过细粒度物品级检索提升推荐效果，结合共购信息与语义信息，有效解决冷启动问题，实验表明其优于现有RAG方法。

Comments Published as a conference paper at SIGIR 2026 (short)