FedMM: Federated Collaborative Signal Quantization for Multi-Market CTR Prediction
FedMM: 联邦协作信号量化用于多市场CTR预测
AI总结 FedMM通过离散码本机制实现隐私保护传输，结合分层码本结构捕捉跨市场共享模式和特定市场特征，提升多市场CTR预测精度。
Comments Accepted by SIGIR 2026
期刊&会议
SIGIR
ACM SIGIR Conference on Research and Development in Information Retrieval · 会议 · Information Retrieval
Personalized Deep Research: A User-Centric Framework, Dataset, and Hybrid Evaluation for Knowledge Discovery
个性化深度研究：以用户为中心的框架、数据集和混合评估方法用于知识发现
AI总结 本文提出PDR框架，结合用户上下文动态调整检索深度和广度，通过混合评估方法提升检索效用和报告相关性，验证了个性化知识获取的可行性。
Comments Accepted to SIGIR 2026
Every Preference Has Its Strength: Injecting Ordinal Semantics into LLM-Based Recommenders
每种偏好都有其强度：将序数语义注入基于LLM的推荐系统
AI总结 本文提出OSA框架，通过建模用户反馈来显式整合偏好强度，保留序数语义以提升推荐系统性能。
Comments Accepted at SIGIR 2026
H-MAPS: Hierarchical Memory-Augmented Proactive Search Assistant for Scientific Literature
H-MAPS：用于科学文献的分层记忆增强主动搜索助手
AI总结 H-MAPS通过三层分层记忆解决文献阅读中的上下文模糊问题，利用隐含的阅读行为将用户潜在需求转化为自然语言问题，并在本地设备上进行神经检索以确保隐私。
Comments Accepted as a demonstration paper at SIGIR 2026. 6 pages, 2 figures. A video demonstration is available at https://qr1.jp/5A3icZ
A General Framework for Multimodal LLM-Based Multimedia Understanding in Large-Scale Recommendation Systems
多模态大语言模型在大规模推荐系统中的通用框架
AI总结 本文提出一个通用框架，利用多模态大语言模型提升多媒体内容理解，通过三部分架构实现内容解析、特征提取和系统集成，实验证明在推荐系统中提升了AUC和在线指标。
Comments Accepted by SIGIR 2026 short
Counterfactual Multi-task Learning for Delayed Conversion Modeling in E-commerce Sales Pre-Promotion
反事实多任务学习用于电商销售预促销中的延迟转化建模
AI总结 本文提出CM-DCM模型，通过多任务架构和反事实因果方法，提升预促销期间直接和延迟转化预测精度，实验表明在预促销场景中优于基线模型，显著提升广告收入和GMV。
Comments 6 pages, accepted by 49th International ACM SIGIR Conference on Research and Development in Information Retrieval(SIGIR'26)
A Voronoi Cell Formulation for Principled Token Pruning in Late-Interaction Retrieval Models
基于Voronoi单元的原理化令牌修剪方法：用于晚期交互检索模型
AI总结 本文提出基于超空间几何的Voronoi单元方法，用于原理化修剪晚期交互检索模型中的令牌嵌入，通过保留检索质量的同时减少索引存储开销。
Comments Accepted at SIGIR 2026 Full Paper Track; 11 pages; 7 figures
Attention Grounded Enhancement for Visual Document Retrieval
基于注意力的视觉文档检索增强
机构 * Alibaba Group（阿里巴巴集团） ； University of Chinese Academy of Sciences（中国科学院大学）
AI总结 本文提出AGREE框架，通过多模态大语言模型的注意力机制引导检索器识别相关文档区域，提升细粒度相关性建模，实验表明在ViDoRe V2基准上显著优于传统方法。
Comments Published as a conference paper at SIGIR 2026
DCGL: Dual-Channel Graph Learning with Large Language Models for Knowledge-Aware Recommendation
DCGL: 基于大语言模型的双通道图学习用于知识感知推荐
机构 * School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院） ； School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件工程学院） ； Laboratory for Artificial Intelligence and New Forms of Education, Central China Normal University（中央财经大学人工智能与新教育形式实验室）
AI总结 本文提出DCGL框架，通过双通道架构、多级对比学习和动态融合机制，解决知识图谱与大语言模型结合中的隐含语义建模、单通道融合和用户行为频率考虑不足问题，实验表明其在稀疏场景中表现优异。
Comments Accepted by SIGIR 2026
GATHER: Convergence-Centric Hyper-Entity Retrieval for Zero-Shot Cell-Type Annotation
GATHER：面向零样本细胞类型注释的收敛性超实体检索
机构 * Artificial Intelligence Research Institute, Shenzhen University of Advanced Technology（深圳先进技术大学人工智能研究院） ； Software College, Northeastern University（东北大学软件学院） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
AI总结 GATHER通过全局多源图遍历识别拓扑收敛点，以高信息超实体捕捉实体协同，无需LLM参与检索，提升零样本细胞类型注释效率。
Comments Accepted to SIGIR 2026. 2 figures, 3 tables
Learning Decomposed Contextual Token Representations from Pretrained and Collaborative Signals for Generative Recommendation
从预训练和协作信号中学习分解的上下文令牌表示以生成推荐
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Miami University（迈阿密大学）
AI总结 本文提出DECOR框架，通过上下文化令牌组成和分解嵌入融合，提升推荐性能，实验证明其优于现有方法。
Comments Accepted to SIGIR 2026. Full author version
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
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
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
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）
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
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
机构 * University of Pisa \& ISTI--CNR Pisa Italy ； University of Pisa Pisa Italy ； University of Pisa \& ISTI--CNR ； University of Pisa
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
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
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）
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
机构 * University of Waterloo（滑铁卢大学）
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
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
机构 * University of Amsterdam（阿姆斯特丹大学）
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
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）
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
机构 * Data and Web Science Group（数据与网络科学组） ； University of Mannheim（曼海姆大学）
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
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）
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
AgentSim: A Platform for Verifiable Agent-Trace Simulation
AgentSim：可验证代理跟踪模拟平台
AI总结 本文提出AgentSim平台，通过多模型验证和主动人工参与流程，生成可验证的代理推理轨迹，构建了覆盖三个信息检索基准的Agent-Trace Corpus，并揭示了先进模型在信息检索中的系统性差异。
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
When to Retrieve During Reasoning: Adaptive Retrieval for Large Reasoning Models
在推理中何时检索：面向大推理模型的自适应检索
机构 * The University of Hong Kong（香港大学） ； Brain Investing Limited（Brain Investing有限公司） ； Stellaris AI Limited（Stellaris AI有限公司）
AI总结 本文提出ReaLM-Retrieve框架，通过三方面创新解决推理模型与检索增强生成的不匹配问题，提升答案F1分数并减少检索调用次数。
Comments 12 pages, 3 figures, 9 tables. Accepted at SIGIR 2026 (49th International ACM SIGIR Conference on Research and Development in Information Retrieval), Melbourne, Australia
CroSearch-R1: Better Leveraging Cross-lingual Knowledge for Retrieval-Augmented Generation
CroSearch-R1: 更有效地利用跨语言知识进行检索增强生成
机构 * School of Computer Science and Technology, Beijing Jiaotong University（北京交通大学计算机科学与技术学院）
AI总结 本文提出CroSearch-R1框架，通过多轮检索策略和多语言回放机制，提升跨语言知识在检索增强生成中的有效性。
Comments Accepted to SIGIR 2026 (Short Paper)
SkillForge: Forging Domain-Specific, Self-Evolving Agent Skills in Cloud Technical Support
SkillForge: 在云技术支持中锻造领域特定的自我进化代理技能
机构 * Alibaba Group（阿里巴巴集团）
AI总结 SkillForge通过闭环创建-评估-改进机制，解决云技术支持中领域特定技能缺乏和持续优化的问题，实验表明其能显著提升技能质量。
Comments Accepted at ACM SIGIR 2026 Industry Track. 18 pages, 5 figures, 3 tables
Auto-ARGUE: LLM-Based Report Generation Evaluation
Auto-ARGUE：基于大语言模型的报告生成评估
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of New Hampshire（新罕布什尔大学） ； IDA Center for Computing Services（IDA计算服务中心） ； Google（谷歌） ； Yale University（耶鲁大学） ； University of Maryland（马里兰大学）
AI总结 本文提出Auto-ARGUE，一种基于大语言模型的报告生成评估工具，通过TREC 2024 NeuCLIR和RAG任务验证，展示了与人类判断的良好相关性，并发布ARGUE-Viz可视化工具。
Comments SIGIR 2026: Demo Track
ProMax: Exploring the Potential of LLM-derived Profiles with Distribution Shaping for Recommender Systems
ProMax：探索基于分布塑造的LLM衍生资料在推荐系统中的潜力
AI总结 本文提出ProMax框架，通过分布塑造技术提升推荐系统性能，利用用户和物品资料的协同关系，改进推荐模型对未见物品的偏好学习。
Comments 11 pages, 8 figures, accepted by SIGIR 2026
Retrieval-Augmented Multimodal Model for Fake News Detection
增强检索的多模态模型用于虚假新闻检测
机构 * University of International Business and Economics（国际商务经济大学） ； Peking University（北京大学） ； University of Southern California（南加州大学） ； Upstart Holdings, Inc.（Upstart Holdings公司）
AI总结 本文提出RAMM模型，通过多模态大语言模型和抽象叙述对齐模块，解决虚假新闻检测中跨实例叙述一致性缺失和领域知识不足的问题，实验验证了其有效性。
Comments Accepted to SIGIR 26
