SIGIR

Efficient Multivector Retrieval with Token-Aware Clustering and Hierarchical Indexing

高效多向量检索：基于令牌感知聚类与层次索引

Silvio Martinico, Franco Maria Nardini, Cosimo Rulli, Rossano Venturini

机构 * University of Pisa \& ISTI--CNR Pisa Italy ； University of Pisa Pisa Italy ； University of Pisa \& ISTI--CNR ； University of Pisa 纠错

AI总结 本文提出TACHIOM系统，通过令牌级结构加速聚类与检索，利用令牌分布优化聚类中心分配，实现高效文档评分，实验显示其聚类速度比k-means快247倍，检索速度提升9.8倍且效果相当。

Comments 6 pages, 2 figures, SIGIR 2026

SimEval-IR: A Unified Toolkit and Benchmark Suite for Evaluating User Simulators and Search Sessions

SimEval-IR：评估用户模拟器和搜索会话的统一工具包和基准测试套件

Saber Zerhoudi

AI总结 本文提出SimEval-IR，一个统一的工具包和基准测试套件，用于评估用户模拟器和搜索会话的行为真实性和测试者可靠性，通过三个可执行基准和四个真实数据集的基线结果展示其贡献。

Journal ref Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '26), July 20--24, 2026, Melbourne, VIC, Australia

How Generative AI Disrupts Search: An Empirical Study of Google Search, Gemini, and AI Overviews

生成式AI如何颠覆搜索：对谷歌搜索、吉米和AI概述的实证研究

Riley Grossman, Songjiang Liu, Michael K. Chen, Mike Smith, Cristian Borcea, Yi Chen

机构 * New Jersey Institute of Technology（新泽西理工学院） ； Nanyang Technological University（南洋理工大学） ； Indiana University Bloomington（印第安纳大学布卢明顿分校） 纠错

AI总结 本研究通过比较谷歌搜索、吉米和AI概述的搜索结果，发现生成式AI在信息检索中存在显著差异，影响网站可见性和内容质量。

Comments Paper Accepted to ACM SIGIR 2026 (49th International ACM SIGIR Conference on Research and Development in Information Retrieval)

NanoKnow: How to Know What Your Language Model Knows

NanoKnow: 如何了解你的语言模型知道什么

Lingwei Gu, Nour Jedidi, Jimmy Lin

机构 * University of Waterloo（滑铁卢大学） 纠错

AI总结 通过NanoKnow基准数据集分析语言模型知识来源，发现预训练数据频率影响准确性，外部证据可缓解频率依赖，参数与外部知识互补，无关信息损害表现。

Comments SIGIR 2026

NuggetIndex: Governed Atomic Retrieval for Maintainable RAG

NuggetIndex：受控原子检索用于可维护的RAG

Saber Zerhoudi, Michael Granitzer, Jelena Mitrovic

AI总结 NuggetIndex通过存储原子信息单元（nuggets）提升RAG系统的可维护性，通过时间有效性区间和生命周期状态管理，提高召回率和时间正确性，减少冲突率。

Journal ref Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '26), July 20--24, 2026, Melbourne, VIC, Australia

Hypencoder Revisited: Reproducibility and Analysis of Non-Linear Scoring for First-Stage Retrieval

Hypencoder 重审：非线性评分在第一阶段检索中的可重复性与分析

Arne Eichholtz, Yongkang Li, Jutte Vijverberg, Tobias Groot, Mohammad Aliannejadi

机构 * University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 本文重审Hypencoder框架，验证其在领域内和领域外基准上的优越性，并分析非线性评分在检索中的表现及扩展应用。

Comments This paper has been accepted as a reproducibility paper at SIGIR 2026

M-DaQ: Retrieving Samples with Multilingual Diversity and Quality for Instruction Fine-Tuning Datasets

M-DaQ：用于指令微调数据集的多语言多样性与质量样本检索

Chunguang Zhao, Yilun Liu, Pufan Zeng, Yuanchang Luo, Shimin Tao, Minggui He, Weibin Meng, Song Xu, Chen Liu, Hongxia Ma, Li Zhang, Boxing Chen, Daimeng Wei

机构 * Huawei Technologies Ltd.（华为技术有限公司） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 M-DaQ通过联合优化指令-响应质量与跨语言语义多样性，构建高质量平衡训练数据，验证了多语言设置下的Superficial Alignment Hypothesis，并在18种语言上展示出超过60%的胜率。

Comments Accepted by SIGIR 2026 Short

WebMall -- A Multi-Shop Benchmark for Evaluating Web Agents

WebMall -- 多店铺评估网络代理的基准

Ralph Peeters, Aaron Steiner, Luca Schwarz, Julian Yuya Caspary, Christian Bizer

机构 * Data and Web Science Group（数据与网络科学组） ； University of Mannheim（曼海姆大学） 纠错

AI总结 WebMall是首个多店铺离线基准，用于评估网络代理在复杂比较购物任务中的性能，包含四个模拟店铺和复杂检索任务。

Comments Accepted for publication at SIGIR 2026

LLM-based User Profile Management for Recommender System

基于大语言模型的用户画像管理用于推荐系统

Seunghwan Bang, Hwanjun Song

机构 * Ulsan National Institute of Science and Technology（乌山国立科学研究院） ； Korea Advanced Institute of Science and Technology（韩国先进科学技术研究院） 纠错

AI总结 本文提出PURE框架，通过系统提取和总结用户评论中的关键信息，构建和维护动态用户画像，提升推荐系统的个性化能力。

Comments Accepted at SIGIR 2025 Workshop