SIGIR

MUDY: Multi-Granular Dynamic Candidate Contextualization for Unsupervised Keyphrase Extraction

MUDY：面向无监督关键词提取的多粒度动态候选上下文化

Hyeongu Kang, Susik Yoon

AI总结 MUDY提出一种以上下文为核心的框架，通过多粒度注意力机制和候选感知加权，提升关键词提取的局部上下文重要性识别能力，实验证明其在多个数据集上优于现有方法。

Comments Accepted to SIGIR 2026

When More Reformulations Hurt: Avoiding Drift using Ranker Feedback

当更多改写损害：通过排序器反馈避免漂移

V Venktesh, Mandeep Rathee, Avishek Anand

AI总结 本文提出ReformIR框架，通过预算感知的检索方法，在有限计算下优化改写查询的召回率并抑制漂移，实验表明其在MSMARCO和TREC DL基准上优于现有方法。

Comments Accepted to SIGIR 26 full paper track 11 pages

FollowTable: A Benchmark for Instruction-Following Table Retrieval

FollowTable：一项指令遵循表格检索的基准测试

Rihui Jin, Yuchen Lu, Ting Zhang, Jun Wang, Kuicai Dong, Zhaocheng Du, Dongping Liu, Gang Wang, Yong Liu, Guilin Qi

机构 * Southeast University（东南大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education（新一代人工智能技术及其交叉应用国家重点实验室（东南大学）） ； Its Interdisciplinary Applications (Southeast University), Ministry of Education（交叉应用（东南大学），教育部） 纠错

AI总结 本文提出了一项新的表格检索任务IFTR，要求模型同时满足主题相关性和细粒度指令约束。通过引入FollowTable基准测试，评估模型在遵循指令方面的表现，发现现有检索模型在处理表格数据时存在系统性偏差。

Comments SIGIR 2026 Accepted