SIGIR

RAG System for Supporting Japanese Litigation Procedures: Faithful Response Generation Complying with Legal Norms

基于RAG的日本诉讼程序支持系统：符合法律规范的忠实响应生成

Yuya Ishihara, Atsushi Keyaki, Hiroaki Yamada, Ryutaro Ohara, Mihoko Sumida

机构 * Hitotsubashi University, Japan（早稻田大学，日本） ； Institute of Science Tokyo, Japan（东京科学研究所，日本） ； Nakamura, Tsunoda & Matsumoto, Japan（日本纳卡拉、藤田与松本事务所） 纠错

AI总结 本文设计了一种基于RAG的LLM系统，用于支持日本医疗诉讼程序，确保响应符合法律规范，通过检索模块检索相关外部知识并保持响应的忠实性。

Comments This is a preprint version of a paper reviewed and accepted at BREV-RAG 2025: Beyond Relevance-based EValuation of RAG Systems, a SIGIR-AP 2025 workshop

Journal ref Proceedings of the International Workshop on Beyond Relevance-based EValuation of RAG Systems (BREV-RAG) 2025 (pp. 59-65)

Trie-based Experiment Plans for Efficient IR Pipeline Experiments

基于Trie的实验计划用于高效IR流水线实验

Irene Anu, Craig Macdonald

AI总结 提出使用Trie数据结构优化级联检索流水线的对比实验计划，相比线性计划在MSMARCO v2上减少26%实验时间。

Comments Accepted at ReNeuIR'26 workshop, colocated with SIGIR 2026. To appear in CEUR workshop proceedings\ Version 2 fixes the lines involving % operator in Listings 1-3

Why Advanced Encoders Lag on Sparse Retrieval? The Answer and an Approach to Bridging Vocabulary Gaps

为什么高级编码器在稀疏检索上落后？答案及弥合词汇鸿沟的方法

Zhichao Geng, Yang Yang

AI总结 发现高级编码器在稀疏检索中落后于旧模型的原因是词汇鸿沟：现代分词器使用原始、区分大小写的词汇表导致语义单元冗余。提出词汇迁移框架，通过语义初始化和激活势校准解决该问题，在BEIR上取得SOTA性能。

Comments Accepted at SIGIR 2026

ForecastAgentSearch: Towards a Multi-Expert Agent Search System for Geopolitical Event Forecasting

ForecastAgentSearch：面向地缘政治事件预测的多专家智能体搜索系统

Miaomiao Cai, He Chang, Yunshan Ma, See-kiong Ng

AI总结 提出ForecastAgentSearch框架，将地缘政治事件预测建模为多专家智能体搜索问题，通过检索、排序和协调专业智能体生成预测，并讨论关键设计挑战与评估方案。

Journal ref SIGIR 2026 AgentSearch Workshop

As We May Search

如我们可能搜索

Saber Zerhoudi, Adam Roegiest, Jelena Mitrovic, Michael Granitzer

AI总结 针对个人文档等敏感信息搜索中的隐私问题，提出本地优先信息检索（local-first IR）设计理念，通过将索引、模型和推理置于用户设备上，在消费级硬件上实现与云端相当的性能，并指出真正的权衡在于搜索范围而非质量。

Journal ref Proceedings of the 2026 International ACM SIGIR Conference on Innovative Concepts and Theories in Information Retrieval (ICTIR'26), July 25, 2026, Melbourne, VIC, Australia

Minority Sentinel: When to Overturn Majority Voting in Multi-Agent LLM Debates

少数派哨兵：何时推翻多智能体LLM辩论中的多数投票

Chuan He, Zebin Chen, Zhengyi Yang, Shaobo Qiao, Mingchen Ju, Jiate Liu, Dong Wen, Guanfeng Liu

AI总结 针对LLM辩论中多数投票压制正确少数意见的问题，提出Minority Sentinel轻量级元分类器，通过辩论日志特征训练LightGBM模型，在6个基准上实现81.2%的翻转精度和正向净增益。

Comments 11 pages, 4 figures. Accepted at the AgentSearch Workshop @ SIGIR 2026, Melbourne, Australia

A Sensitivity-Aware Test Collection for Search Among Personal Information

一种面向个人信息搜索的敏感性感知测试集

Jack McKechnie, Graham McDonald, Craig Macdonald

AI总结 为解决个人信息搜索中的敏感信息泄露问题，构建了包含敏感与非敏感标注的Enron邮件子集测试集，通过众包和LLM扩展查询与相关性评估，并提供了基线性能。

Comments SIGIR 2026 Resource Paper

AutoRelAnnotator: Calibrated Model Cascades for Cost-Efficient Relevance Evaluation in Sponsored Search

AutoRelAnnotator: 用于赞助搜索中成本高效的相关性评估的校准模型级联

Md Omar Faruk Rokon, Shasvat Desai, Hong Yao, Kuang-chih Lee

机构 * Walmart Global Tech（沃尔玛全球科技） 纠错

AI总结 提出校准模型级联方法，通过路由查询至逐步增大的微调分类器，在保持高准确率的同时降低计算成本，实现大规模离线相关性标注。

Comments Accepted at E-commerce workshop, SIGIR 2026

Unified Multi-Task Relevance Modeling for E-Commerce: Comparing Task Routing Architectures Across LLMs and Cross-Encoders

统一的多任务相关性建模在电子商务中的应用：跨大语言模型和交叉编码器的任务路由架构比较

Md Omar Faruk Rokon, Jhalak Nilesh Acharya, Shasvat Desai, Hong Yao, Kuang-chih Lee

AI总结 针对电子商务中六种实体对关系类型的多任务相关性建模问题，本文系统比较了三种任务路由架构在LoRA适配的大语言模型和全微调交叉编码器上的表现，提出MHP集成方法达到89.96%准确率，并发现编码器-解码器在任务身份编码上的不对称性。

Comments Accepted at E-commerce workshop, SIGIR 2026

Scaling Dense Retrieval with LLM-Annotated Training Data: Structured Mining and Progressive Curriculum for E-Commerce Sponsored Search

使用LLM标注的训练数据扩展稠密检索：面向电商赞助搜索的结构化挖掘与渐进式课程

Md Omar Faruk Rokon, Shasvat Desai, Jhalak Nilesh Acharya, Isha Shah, Kumar Priyam, Brahanyaa Somasundaram, Vamsee Tangirala, Minuteresa Thomas, Vivek Arora, Vijay Manchi, Hong Yao, Kuang-chih Lee

AI总结 针对电商搜索中点击信号偏差和人工标注成本高的问题，提出利用多通道检索挖掘、校准的LLM级联标注和五级渐进式课程训练，在Walmart搜索中实现NDCG@10提升5.1%，尾查询提升显著。

Comments Accepted at E-Commerce Workshop, SIGIR 2026

INSPIRE: Intent-aware Neural Sponsored Product Retrieval for E-commerce

INSPIRE：面向电子商务的意图感知神经赞助商品检索

Shasvat Desai, Hong Yao, Utkarsh Porwal, Kuang-chih Lee

AI总结 针对电商搜索中用户意图与商品不匹配问题，提出INSPIRE框架，利用结构化意图信号（如品牌、口味、饮食限制）增强查询与赞助商品的匹配，通过弱监督意图学习和大模型蒸馏实现精准检索。

Comments Accepted to ACM SIGIR E-commerce Workshop, 2026

Unifying Search and Recommendation in LLMs via Gradient Multi-Subspace Tuning

通过梯度多子空间调优统一大语言模型中的搜索与推荐

Jujia Zhao, Zihan Wang, Shuaiqun Pan, Suzan Verberne, Zhaochun Ren

AI总结 针对搜索与推荐统一中全微调计算昂贵、参数高效微调存在梯度冲突和用户意图理解偏移的问题，提出梯度多子空间调优框架，通过多子空间分解和零空间投影缓解冲突并保持通用知识，在基准数据集上超越现有方法。

Comments Accepted by SIGIR 2026

When AUC 0.998 Is Not Enough: A Candidate Evaluation Protocol for Hidden-State Probes of Indirect Prompt Injection in Multimodal Computer-Use Agents

当AUC 0.998还不够：多模态计算机使用智能体中隐藏状态探针对间接提示注入的候选评估协议

Yanhang Li, Zhichao Fan, Zexin Zhuang

机构 * Northeastern University（东北大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Southern Methodist University（南卫理公会大学） 纠错

AI总结 本文通过单骨干案例研究，论证高AUC不能直接证明恶意内容检测，提出后验诊断和候选控制集来明确探针能力的边界。

Comments 17 pages, 3 figures. Camera-ready version for EvalMG '26, The 2nd Workshop on Evaluation for Multimodal Generation, co-located with SIGIR 2026

Chains That See, Answers That Don't: A Multi-Aspect Evaluation Recipe for Forced Chain-of-Thought on Video-MME

看得见的链，答不出的答案：针对视频MME上强制思维链的多方面评估方案

Zhichao Fan, Yanhang Li, Zexin Zhuang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Northeastern University（东北大学） ； Southern Methodist University（南卫理公会大学） 纠错

AI总结 提出三探针评估方案检验强制思维链在视频问答中的可靠性，应用于Qwen2.5-VL发现思维链强依赖视频但未提升准确率，甚至在小模型上导致下降。

Comments 10 pages, 5 figures. To appear at The 2nd Workshop on Evaluation for Multimodal Generation @ SIGIR 2026 (EvalMG '26)

Revisiting Text Ranking in Deep Research

重新审视深度研究中的文本排序

Chuan Meng, Litu Ou, Sean MacAvaney, Jeff Dalton

机构 * The University of Edinburgh（爱丁堡大学） ； University of Glasgow（格拉斯哥大学） 纠错

AI总结 本文通过复现实验，从检索单元、流水线配置和查询特性三个角度评估文本排序方法在深度研究中的有效性，并提出Q2Q方法缓解查询不匹配问题。

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

Secure Coding Drift in LLM-Assisted Post-Quantum Cryptography Development: A Gamified Fix

LLM辅助后量子密码开发中的安全编码漂移：一种游戏化修复方案

R. D. N. Shakya, C. P. Wijesiriwardana, S. M. Vidanagamachchi, Nalin A. G. Arachchilage

机构 * University of Moratuwa（摩图瓦大学） ； University of Ruhuna（鲁胡纳大学） ； RMIT University（皇家墨尔本理工大学） 纠错

AI总结 提出LLM辅助PQC开发中的安全编码漂移模型，通过游戏化框架将LLM转变为主动安全协作者，以缓解长期依赖LLM导致的安全退化。

Comments Accepted for 2026 SIGIR Workshop on Vulnerabilities in Generative Systems for Information Retrieval track

RecQuest: Towards Estimating User Domain Knowledge in Conversational Recommender Systems

RecQuest：在对话推荐系统中估计用户领域知识

Ivica Kostric, Ujwal Gadiraju, Krisztian Balog

AI总结 提出RecQuest方法，通过游戏化数据收集协议从对话记录中估计用户领域知识，解决现有系统无法适应新手用户的问题，并发布数据集和基线方法。

Comments To appear in Proceedings of the 2026 International ACM SIGIR Conference on Innovative Concepts and Theories in Information Retrieval (ICTIR)

Entity Labels Are Not Entity Signals: A Framework for Observable Relevance in Document Re-Ranking

实体标签并非实体信号：文档重排序中可观测相关性的框架

Utshab Kumar Ghosh, Shubham Chatterjee

机构 * Department of Computer Science, Missouri University of Science and Technology（计算机科学系，密苏里科技大学） 纠错

AI总结 提出实体可观测相关性（OER）与概念相关性（CER）的区分，证明CER监督效果差，而OER对齐可显著提升重排序性能。

Comments ICTIR '26

Journal ref Proceedings of the 2026 International ACM SIGIR Conference on Innovative Concepts and Theories in Information Retrieval (ICTIR)

Bridging Passive and Active: Enhancing Conversation Starter Recommendation via Active Expression Modeling

桥接被动与主动：通过主动表达建模增强对话启动推荐

Yiqing Wu, Haoming Li, Guanyu Jiang, Jiahao Liang, Yongchun Zhu, Jingwu Chen, Feng Zhang

机构 * Bytedance Beijing China（字节跳动北京中国） 纠错

AI总结 针对LLM驱动的对话搜索中被动推荐陷入回声室的问题，提出PA-Bridge框架，通过对抗分布对齐器桥接被动推荐与主动表达之间的分布差异，并引入语义离散化器实现流行度去偏，在线实验显著提升特征渗透率和用户活跃天数。

Comments Accepted by SIGIR 2026

RoTRAG: Rule of Thumb Reasoning for Conversation Harm Detection with Retrieval-Augmented Generation

RoTRAG: 基于经验法则推理的检索增强生成对话有害内容检测

Juhyeon Lee, Wonduk Seo, Junseo Koh, Seunghyun Lee, Haihua Chen, Yi Bu

机构 * Peking University（北京大学） ； Enhans ； University of North Texas（北得克萨斯大学） 纠错

AI总结 提出RoTRAG框架，通过检索外部道德规范（RoTs）增强LLM的多轮对话有害内容检测，实现基于规范推理和分类，平均F1提升约40%，分布误差降低8.4%。

Comments Accepted by SIGIR-ICTIR 2026, Oral Presentation

Journal ref Proceedings of the 2026 International ACM SIGIR Conference on Innovative Concepts and Theories in Information Retrieval (ICTIR '26), July 25, 2026, Melbourne, VIC, Australia. ACM, New York, NY, USA, 12 pages

Orcheo: A Modular Full-Stack Platform for Conversational Search

Orcheo: 一个用于对话式搜索的模块化全栈平台

Shaojie Jiang, Svitlana Vakulenko, Maarten de Rijke

机构 * University of Amsterdam（阿姆斯特丹大学） ； AI Colleagues（AI同事） ； WU Vienna University of Economics and Business（维也纳经济与商业大学） 纠错

AI总结 提出Orcheo开源平台，通过模块化架构、生产级基础设施和45+即用组件，解决对话式搜索研究中框架统一与原型部署的难题。

Comments Accepted to SIGIR 2026

Verifiable User Simulation for Search and Recommendation Systems

面向搜索与推荐系统的可验证用户模拟

Chenglong Ma, Xinye Wanyan, Danula Hettiachchi, Ziqi Xu, Yongli Ren, Jeffrey Chan

AI总结 提出一个七组件可审计框架，将用户模拟器视为可验证工程制品，通过动手实验检查模拟器行为、诊断差异并检测人口偏差。

Comments Presented as a half-day tutorial at SIGIR 2026, 4 pages

Journal ref In Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2026)

FAST-MEL: A Fast, Accurate, and Storage Efficient Solution for Multimodal Entity Linking

FAST-MEL: 一种快速、准确且存储高效的多模态实体链接解决方案

Derrien Thomas, Laurent Amsaleg, Pascale Sébillot

AI总结 提出FAST-MEL，通过紧凑的固定大小向量化表示文本和视觉信息，在保持高准确率的同时实现三个数量级的加速和一个数量级的存储节省。

Journal ref SIGIR 2026

Beyond Item IDs: Scaling Short-Form-Video Recommendation via Semantic-Native Long Sequence Modeling

超越视频ID：通过语义原生长序列建模实现短视频推荐规模化

Ruixiao Sun, Diego Uribe Mora, Zhimeng Jiang, Yuanzhen Lin, Jiarui Wang, Yuening Li, Danfeng Guo, Zhizhong Chen, Chuan He, Liang Liu

机构 * Google Mountain View, USA（谷歌山景城，美国） 纠错

AI总结 针对短视频推荐中序列长度受限于视频ID语义稀疏性和Transformer二次复杂度的问题，提出采用语义ID和全局感知压缩Transformer，实现十亿用户规模的超长行为序列建模，显著降低内存和计算开销，在线实验提升用户满意度和内容消费。

Comments this manuscript has been accepted by SIGIR 2026

Gated Bidirectional Linear Attention for Generative Retrieval

门控双向线性注意力用于生成式检索

Artem Matveev, Vladislav Tytskiy, Sergei Makeev, Sergei Liamaev

AI总结 提出门控双向线性注意力（GBLA），通过局部因果混合、序列级键门控和门控RMSNorm输出实现线性时间双向注意力，在保持双向自注意力质量的同时显著加速长序列编码。

Comments 5 pages, 2 figures, 7 tables. Accepted at SIGIR 2026

ColBERTSaR: Sparsified ColBERT Index via Product Quantization

ColBERTSaR: 通过乘积量化实现稀疏化的 ColBERT 索引

Eugene Yang, Andrew Yates, Dawn Lawrie, James Mayfield, Saron Samuel, Rohan Jha

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 提出通过乘积量化将 ColBERT 索引转化为真正的倒排索引，显著减小索引大小（比 PLAID 小 50-70%）同时保持检索效果。

Comments 6 pages, 1 figure, accepted at SIGIR 2026 as a short paper

SOLARIS: Speculative Offloading of Latent-bAsed Representation for Inference Scaling

SOLARIS: 预测性卸载基于潜在表示的推理扩展

Zikun Liu, Liang Luo, Qianru Li, Zhengyu Zhang, Wei Ling, Jingyi Shen, Zeliang Chen, Yaning Huang, Jingxian Huang, Abdallah Aboelela, Chonglin Sun, Feifan Gu, Fenggang Wu, Hang Qu, Huayu Li, Jill Pan, Kaidi Pei, Laming Chen, Longhao Jin, Qin Huang, Tongyi Tang, Varna Puvvada, Wenlin Chen, Xiaohan Wei, Xu Cao, Yantao Yao, Yuan Jin, Yunchen Pu, Yuxin Chen, Zijian Shen, Zhengkai Zhang, Jing Zhu, Dong Liang, Ellie Wen

机构 * Meta AI 纠错

AI总结 本文提出SOLARIS框架，通过预测未来请求中的用户-项目交互嵌入，将昂贵的基础模型推理与关键服务路径解耦，从而在大规模应用中实现实时知识转移，提升服务效率和收益。

Comments Accepted to SIGIR 2026 Industry Track

BEATS: Bootstrapping E-commerce Attribute Taxonomies for Search through Iterative Human-AI Collaboration

BEATS: 通过迭代人机协作引导电商搜索属性分类

Yung-Yu Shih, Shang-Yu Su, Tzu-I Ho, Dongzhe Wang, Yun-Nung Chen

机构 * National Taiwan University（国立台湾大学） ； Rakuten Group, Inc.（拉肯集团） ； Taiwan Rakuten Ichiba, Inc.（台湾拉肯Ichiba公司） ； Rakuten Asia Pte. Ltd.（拉肯亚洲有限公司） 纠错

AI总结 针对新兴市场电商平台缺乏结构化属性模式的问题，提出BEATS框架，利用人机协作的LLM流水线从零构建产品属性分类，并通过属性标注提升搜索系统性能。

Comments 6 pages, 1 figure, 5 tables. Accepted to SIGIR 2026 Industry Track. Official version: https://doi.org/10.1145/3805712.3808520

Improving the Efficiency and Effectiveness of LLM Knowledge Distillation for Conversational Search

提升大语言模型知识蒸馏在对话搜索中的效率与效果

Stan Fris, Jan Hutter, Jan Henrik Bertrand, Simon Lupart, Mohammad Aliannejadi

AI总结 本研究通过引入对比损失和正则化损失改进基于KLD的蒸馏方法，在对话搜索中同时提升了检索精度和推理效率。

Comments SCAI Workshop at SIGIR '26}{July 20--24, 2026}{Melbourne, Naarm, Australia

Variance Reduction for Heavy-Tailed Monetization Metrics in Ranking Experiments via Post-Stratification

基于事后分层的排序实验中重尾货币化指标的方差缩减

Neeti Pokharna, Olivier Jeunen, Yatharth Saraf, Aleksei Ustimenko

机构 * ShareChat ； Aampe ； Simulacra Research 纠错

AI总结 针对排序实验中重尾货币化指标方差大、统计功效低的问题，提出结合事后分层与CUPED的方差缩减框架，利用实验前协变量提升灵敏度，在ShareChat部署后以约45%的流量实现同等统计置信度。

Comments Accepted as Industry Track paper in the 2026 ACM SIGIR Conference on Research and Development in Information Retrieval