WWW / The Web Conference

DiffGRM: Diffusion-based Generative Recommendation Model

DiffGRM：基于扩散的生成式推荐模型

Zhao Liu, Yichen Zhu, Yiqing Yang, Xiao Lv, Guoping Tang, Rui Huang, Qiang Luo, Ruiming Tang, Kun Gai, Guorui Zhou

机构 * Kuaishou Technology（快手科技） 纠错

AI总结 针对生成式推荐中SID的结构问题，提出DiffGRM模型，通过MDM、PSE、OCN、CPD等技术优化，在多数据集上使NDCG@10提升6.9%-15.5%。

Comments 12 pages, 6 figures. Accepted at The ACM Web Conference 2026. Camera-ready version; author list updated to match the published version; presentation revised, results unchanged

Journal ref Proceedings of the ACM Web Conference 2026 (WWW '26), pp. 5853-5864, ACM, 2026

Is Misinformation More Open? A Study of robots.txt Gatekeeping on the Web

虚假信息是否更开放？一项关于robots.txt门禁的网络研究

Nicolas Steinacker-Olsztyn, Devashish Gosain, Ha Dao

AI总结 研究发现可信网站比虚假信息网站更频繁地禁止AI爬虫，且这种差异随时间扩大，可能影响LLM训练数据和网络透明度。

Comments 10 pages, 11 figures

Journal ref In Proceedings of the ACM Web Conference 2026 (WWW 26)

Post-hoc Popularity Bias Correction in GNN-based Collaborative Filtering

基于图神经网络的协同过滤中事后流行度偏差修正

Md Aminul Islam, Elena Zheleva, Ren Wang

AI总结 本文提出PPD方法，通过估计交互级流行度并移除节点表示中的流行度成分，修正GNN协同过滤中的流行度偏差，提升推荐质量。

Journal ref In Proceedings of the ACM Web Conference 2026 (WWW '26), April 13-17, 2026, Dubai, United Arab Emirates. ACM, New York, NY, USA, 12 pages

Pay for The Second-Best Service: A Game-Theoretic Approach Against Dishonest LLM Providers

为次优服务付费：一种对抗不诚实大语言模型提供者的博弈论方法

Yuhan Cao, Yu Wang, Sitong Liu, Miao Li, Yixin Tao, Tianxing He

机构 * Shanghai Qi Zhi Institute（上海启智研究院） ； ShanghaiTech University（上海科技大学） ； Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； Beijing Institute for General Artificial Intelligence（北京通用人工智能研究院） ； Shanghai University of Finance（上海财经大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出了一种博弈论方法，通过设计近似激励相容机制，解决大语言模型服务提供者可能存在的不诚实行为问题，并保证用户效用的次优性。

Comments Published as a conference paper at WWW 2026; 12 pages, 4 figures

RecoWorld: Building Simulated Environments for Agentic Recommender Systems

RecoWorld：为代理推荐系统构建模拟环境

Fei Liu, Xinyu Lin, Hanchao Yu, Mingyuan Wu, Jianyu Wang, Qiang Zhang, Zhuokai Zhao, Yinglong Xia, Yao Zhang, Weiwei Li, Mingze Gao, Qifan Wang, Lizhu Zhang, Benyu Zhang, Xiangjun Fan

AI总结 RecoWorld通过双视角架构和多轮强化学习，构建了代理推荐系统的模拟环境，旨在提升用户留存和参与度。

Comments HCRS @ WWW 2026, Best Paper Award

Category-based and Popularity-guided Video Game Recommendation: A Balance-oriented Framework

基于类别的和流行度引导的视频游戏推荐：一种平衡导向的框架

Xiping Li, Jianghong Ma, Kangzhe Liu, Shanshan Feng, Haijun Zhang, Yutong Wang

AI总结 本文提出CPGRec框架，通过准确性驱动、多样性驱动和综合模块平衡视频游戏推荐的准确性和多样性，实验表明在Steam数据集上提升了推荐效果。

Comments Published in The Web Conference (WWW) 2024. 11 pages, 8 figures

Frequency-Corrupt Based Graph Self-Supervised Learning

基于频率篡改的图自监督学习

Haojie Li, Mengjiao Zhang, Guanfeng Liu, Qiang Hu, Yan Wang, Junwei Du

机构 * School of Data Science, Qingdao University of Science and Technology（青岛科技大学数据科学学院） ； School of Information Science and Technology, Qingdao University of Science and Technology（青岛科技大学信息科学与技术学院） ； School of Computing, Macquarie University（麦考瑞大学计算机学院） 纠错

AI总结 本文提出FC-GSSL方法，通过篡改节点和边以偏向高频信息，构建 corrupted 图作为自编码器输入，重建低频和通用特征以监督模型融合多频带信息，提升鲁棒性和泛化能力。

Comments 11 pages, 4 tables, 3 figures. Accepted at The ACM Web Conference 2026 (WWW 2026)

Emergent Coordinated Behaviors in Networked LLM Agents: Modeling the Strategic Dynamics of Information Operations

网络化生成代理中的涌现协调行为：信息操作的战略动态建模

Gian Marco Orlando, Jinyi Ye, Valerio La Gatta, Mahdi Saeedi, Vincenzo Moscato, Emilio Ferrara, Luca Luceri

AI总结 本文研究了生成代理在模拟信息操作中的协调行为，发现通过共享目标即可实现接近人工协调的水平，揭示了自动化信息操作的社会风险。

Journal ref WWW '26: Proceedings of the ACM Web Conference 2026

Exposing Cross-Platform Coordinated Inauthentic Activity in the Run-Up to the 2024 U.S. Election

揭露2024年美国大选前跨平台协调的不真实活动

Federico Cinus, Marco Minici, Luca Luceri, Emilio Ferrara

AI总结 本研究通过分析2024年美国大选相关数据，揭示了跨平台协调的不真实活动，发现俄罗斯媒体在多个平台上系统性推广，强调了需要跨平台监管以应对影响活动挑战。

Comments HUMANS Lab -- Working Paper No. 2024.7 -- The 2024 Election Integrity Initiative -- University of Southern California - Updated Version of WWW '25 Submission

Journal ref WWW '25: Proceedings of the ACM on Web Conference 2025

Network-informed Prompt Engineering against Organized Astroturf Campaigns under Extreme Class Imbalance

在极端类别不平衡下基于网络的提示工程对抗有组织的Astroturf活动

Nikos Kanakaris, Heng Ping, Xiongye Xiao, Nesreen K. Ahmed, Luca Luceri, Emilio Ferrara, Paul Bogdan

机构 * University of Southern California（美国南加州大学） ； Cisco AI Research（思科人工智能研究） 纠错

AI总结 本文提出基于大型语言模型的Balanced RAG框架，通过提示工程和平衡检索增强生成技术，在极端类别不平衡下有效识别协调虚假信息活动。

Journal ref WWW '25: Companion Proceedings of the ACM on Web Conference 2025

Susceptibility to Unreliable Information Sources: Swift Adoption with Minimal Exposure

对不可靠信息源的易感性：快速采纳与最小暴露

Jinyi Ye, Luca Luceri, Julie Jiang, Emilio Ferrara

AI总结 本研究通过分析用户对不同可信度信息源的暴露影响，揭示了低可信度信息源更容易被快速采纳，为减少虚假信息传播提供了理论框架。

Journal ref WWW '24: Proceedings of the ACM Web Conference 2024

Unearthing a Billion Telegram Posts about the 2024 U.S. Presidential Election: Development of a Public Dataset

挖掘2024年美国总统选举的10亿条Telegram帖子：公开数据集的开发

Leonardo Blas, Luca Luceri, Emilio Ferrara

AI总结 本研究开发了一个包含2024年美国大选相关10亿条Telegram消息的公开数据集，用于分析政治讨论和社会动态。

Comments HUMANS Lab -- Working Paper No. 2024.5 -- The 2024 Election Integrity Initiative -- University of Southern California

Journal ref WWW '25: Companion Proceedings of the ACM on Web Conference 2025

Tracking the 2024 US Presidential Election Chatter on Tiktok: A Public Multimodal Dataset

追踪2024年美国总统大选在TikTok上的讨论：一个公共多模态数据集

Gabriela Pinto, Charles Bickham, Tanishq Salkar, Luca Luceri, Emilio Ferrara

AI总结 本文公开了一个包含2024年美国总统大选相关TikTok视频的多模态数据集，通过API和第三方爬虫收集180万条视频，分析选举相关关键词和双词组合。

Comments The 2024 Election Integrity Initiative

Journal ref WWW '25: Companion Proceedings of the ACM on Web Conference 2025

MCLMR: A Model-Agnostic Causal Learning Framework for Multi-Behavior Recommendation

MCLMR：一种多行为推荐的模型无关因果学习框架

Ranxu Zhang, Junjie Meng, Ying Sun, Ziqi Xu, Bing Yin, Hao Li, Yanyong Zhang, Chao Wang

机构 * School of Artificial Intelligence and Data Science, University of Science and Technology of China（中国科学技术大学人工智能与数据科学学院） ； Artificial Intelligence Thrust, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）人工智能学域） ； RMIT University（皇家墨尔本理工大学） ； State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室） ； iFLYTEK Research, iFLYTEK（科大讯飞研究院） 纠错

AI总结 MCLMR提出一种模型无关的因果学习框架，解决多行为推荐中因果效应建模、辅助行为聚合和语义对齐的问题，通过因果图和混合专家模块提升推荐性能。

Comments Accepted by WWW 2026(oral)

TaoSR-AGRL: Adaptive Guided Reinforcement Learning Framework for E-commerce Search Relevance

TaoSR-AGRL：用于电子商务搜索相关性的自适应引导强化学习框架

Jianhui Yang, Yiming Jin, Pengkun Jiao, Chenhe Dong, Zerui Huang, Shaowei Yao, Xiaojiang Zhou, Dan Ou, Haihong Tang

机构 * Tsinghua University（清华大学） ； Taobao & Tmall Group of Alibaba（阿里巴巴淘宝与天猫集团） ； Fudan University（复旦大学） 纠错

AI总结 电商搜索中查询-产品相关性预测很关键，现有方法有局限。提出TaoSR-AGRL框架，通过规则感知奖励塑造和自适应引导重放两大创新，提升模型推理能力，在实验中表现优于基线，已成功部署。

Comments Accepted to The Web Conference (WWW) 2026, Industry Track, Oral

Journal ref Proceedings of the ACM Web Conference 2026 (WWW '26), 2026, pp. 7955-7966

Efficient Computation for Diagonal of Forest Matrix via Variance-Reduced Forest Sampling

森林矩阵对角线的方差缩减森林采样高效计算

Haoxin Sun, Zhongzhi Zhang

AI总结 针对有向图森林矩阵对角线计算中拉普拉斯求解器的局限性，提出三种基于采样的算法SCF、SCFV和SCFV+，通过方差缩减技术实现高精度线性时间计算，可扩展至千万节点图。

Comments Published in The Web Conference 2024

SEMixer: Semantics Enhanced MLP-Mixer for Multiscale Mixing and Long-term Time Series Forecasting

SEMixer: 语义增强的MLP-Mixer用于多尺度混合和长期时间序列预测

Xu Zhang, Qitong Wang, Peng Wang, Wei Wang

机构 * Shanghai Key Laboratory of Data Science, College of Computer Science and Artificial Intelligence Fudan University（上海数据科学 key 实验室，复旦大学计算机科学与人工智能学院） ； Harvard University（哈佛大学） 纠错

AI总结 提出SEMixer模型，通过随机注意力机制和多尺度渐进混合链，有效建模多尺度时间依赖并解决语义鸿沟问题，在10个公开数据集和真实无线网络数据上取得优异性能。

Comments This work is accepted by the proceedings of the ACM Web Conference 2026 (WWW 2026). The code is available at the link https://github.com/Meteor-Stars/SEMixer

Real-Time Procedural Learning From Experience for AI Agents

实时经验学习的AI代理

Dasheng Bi, Yubin Hu, Mohammed N. Nasir

机构 * Altrina（阿尔特里纳） 纠错

AI总结 PRAXIS通过实时存储和检索行动后果，提升AI代理在动态环境中的任务完成效率与可靠性。

Journal ref ICLR 2026 MemAgents Workshop; WWW '26 Agentic Web Workshop

A Unified Framework for Context-Aware and Relation-Aware Graph Retrieval-Augmented Generation

上下文感知与关系感知的图检索增强生成统一框架

Haoyang Zhong, Yifei Sun, Antong Zhang, Chunping Wang, Lei Chen, Yang Yang

机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； Finvolution Group（信也科技集团） 纠错

AI总结 提出HyGRAG分层图RAG框架，通过构建融合上下文与关系的摘要、跨层级检索及动态更新，将多跳推理准确率提升9.7%。

Comments Accepted at The ACM Web Conference 2026 (WWW '26)

Generative Archetype-Grounded Item Representations for Sequential Recommendation

生成式原型驱动的物品表示用于序列推荐

Yifan Li, Jiahong Liu, Xinni Zhang, Hao Chen, Yankai Chen, Wenhao Yu, Jianting Chen, Irwin King

机构 * The Chinese University of Hong Kong（香港中文大学） ； McGill University（麦吉尔大学） ； Tongji University（同济大学） 纠错

AI总结 提出GenAIR框架，利用大语言模型生成物品原型描述并提取嵌入，结合行为校准目标弥合语义与行为差距，显著提升序列推荐性能。

Comments Accepted by WWW 2026 (Oral)

Beyond Patches: Superpixel Token-based Transformers for Attribute-Specific Fashion Retrieval

超越图像块：基于超像素标记的Transformer用于属性特定时尚检索

Shuili Zhang, Hongzhang Mu, Wenyuan Zhang, Duohe Ma, Tingwen Liu

AI总结 提出SuperFashion框架，首次在Transformer中采用超像素标记，通过属性引导注意力和超像素分割增强属性定位与判别，在三个数据集上取得显著性能提升。

Comments 9 pages, 5 figures. Published in the Proceedings of the ACM Web Conference 2026 (WWW '26). Author version with minor corrections; results and conclusions unchanged

Journal ref Proceedings of the ACM Web Conference 2026 (WWW '26), pp. 6956-6964, 2026

Amortized Predictability-aware Training Framework for Time Series Forecasting and Classification

面向时间序列预测与分类的摊销可预测性感知训练框架

Xu Zhang, Peng Wang, Yichen Li, Wei Wang

机构 * Shanghai Key Laboratory of Data Science, College of Computer Science and Artificial Intelligence Fudan University（复旦大学计算机科学与人工智能学院上海数据科学关键实验室） ； Department of Electrical and Computer Engineering University of British Columbia (UBC)（英属哥伦比亚大学电气与计算机工程系） 纠错

AI总结 提出APTF框架，通过分层可预测性感知损失和摊销模型识别并惩罚低可预测性样本，提升时间序列预测与分类性能。

Comments This work is accepted by the proceedings of the ACM Web Conference 2026 (WWW 2026). The code is available at the link https://github.com/Meteor-Stars/APTF

Overview of the EReL@MIR 2025 Multimodal Document Retrieval Challenge (Track 1)

EReL@MIR 2025 多模态文档检索挑战赛（赛道1）概述

Jingbiao Mei

机构 * University of Cambridge（剑桥大学） ； Cambridge United Kingdom（剑桥英国） 纠错

AI总结 本文介绍了EReL@MIR 2025多模态文档检索挑战赛（赛道1）的设计、数据集、评估协议、最终排名及前三名获胜系统的分析，所有系统均基于Qwen2-VL系列解码器多模态大语言模型嵌入器。

Comments MDR Challenge Report at WWW2025

Inference Cost Attacks for Retrieval-Augmented Large Language Models

检索增强型大语言模型的推理成本攻击

Chengliang Liu, Liangbo Ning, Yujuan Ding, Wenqi Fan

机构 * The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 提出RA-ICA攻击范式，通过向外部知识库注入恶意文档，利用CREEP框架和MA-GRPO算法，使RAG增强的LLM系统推理时token消耗增加高达13.12倍且成功率超过90%。

Comments Accepted at The ACM Web Conference 2026 (WWW '26)

Journal ref Proceedings of the ACM Web Conference 2026 (WWW '26), April 13-17, 2026, Dubai, United Arab Emirates

Analysis of Equilibria and Strategic Interaction in Complex Networks

复杂网络中的均衡分析与策略互动

Victor M. Preciado, Jaelynn Oh, Ali Jadbabaie

AI总结 本文研究具有线性最佳响应函数的n人同时行动博弈，利用代数图论和凸优化分析网络结构（特别是邻接矩阵的最小特征值）对纳什均衡唯一性和稳定性的影响，并推导出基于度分布、环等局部结构的新界限。

Comments 7 pages, 3 figures. Related papers, data and software at http://alum.mit.edu/www/vmp

On a Fast, Robust Estimator of the Mode: Comparisons to Other Robust Estimators with Applications

关于快速、鲁棒的众数估计器：与其他鲁棒估计器的比较及应用

David R. Bickel, Rudolf Fruehwirth

AI总结 研究半样本众数这一快速且鲁棒的连续分布众数估计器，证明其具有高崩溃点和对异常值不敏感的特性，并展示其在迭代鲁棒位置估计和质子-质子碰撞点发现中的应用。

Comments For related work, see these web sites: http://www.davidbickel.com http://wwwhephy.oeaw.ac.at/u3w/f/fru/www/

Journal ref D. R. Bickel and R. Fruehwirth (contributed equally), "On a fast, robust estimator of the mode: Comparisons to other robust estimators," Computational Statistics and Data Analysis 50, 3500-3530 (2006)

SortingHat: Redefining Operating Systems Education with a Tailored Digital Teaching Assistant

SortingHat: 用定制的数字教学助手重新定义操作系统教育

Yifan Zhang, Xinkui Zhao, Zuxin Wang, Zhengyi Zhou, Guanjie Chen, Shuiguang Deng, Jianwei Yin

机构 * School of Software Technology, Zhejiang University（浙江大学软件学院） 纠错

AI总结 针对操作系统课程教学挑战，提出结合检索增强生成和多智能体强化学习的3D数字人教学助手SortingHat，提供个性化指导、自适应内容生成和自动评估。

Journal ref WWW '25: Companion Proceedings of the ACM on Web Conference 2025,Pages 2951 - 2954

TaxoBell: Gaussian Box Embeddings for Self-Supervised Taxonomy Expansion

TaxoBell: 用于自监督分类体系扩展的高斯盒嵌入

Sahil Mishra, Srinitish Srinivasan, Srikanta Bedathur, Tanmoy Chakraborty

机构 * Indian Institute of Technology Delhi（印度理工学院德里） 纠错

AI总结 提出TaxoBell高斯盒嵌入框架，通过将盒几何与多元高斯分布映射，解决现有方法在非对称关系建模、梯度不稳定、语义不确定性和多义性表示上的问题，在五个基准数据集上MRR提升19%、Recall@k提升约25%。

Comments Accepted in The Web Conference (WWW) 2026

BiasEdit: A Training-Free Bias-Detect-and-Edit Framework for Learning Fair Visual Classifiers

BiasEdit: 一种无需训练的偏差检测与编辑框架，用于学习公平的视觉分类器

Jungwook Seo, Yoonsik Park, Changmin Lee, Sungyong Baik

机构 * Hanyang University Department of Artificial Intelligence BAIK Lab Seoul South Korea（翰阳大学人工智能系BAIK实验室首尔韩国） ； Hanyang University Department of Data Science BAIK Lab Seoul South Korea（翰阳大学数据科学系BAIK实验室首尔韩国） ； Hanyang University Department of Data Science Department of Artificial Intelligence BAIK Lab Seoul South Korea（翰阳大学数据科学系人工智能系BAIK实验室首尔韩国） ； Hanyang University（翰阳大学） 纠错

AI总结 提出BiasEdit框架，通过统计依赖和互信息分析自动检测偏差属性，并利用文本引导的图像编辑生成无偏样本，无需手动标注即可实现公平分类。

Comments Accepted to The Web Conference 2026 (formerly WWW) as an Oral presentation

BlossomRec: Block-level Fused Sparse Attention Mechanism for Sequential Recommendations

BlossomRec：面向序列推荐的块级融合稀疏注意力机制

Mengyang Ma, Xiaopeng Li, Wanyu Wang, Zhaocheng Du, Jingtong Gao, Pengyue Jia, Yuyang Ye, Yiqi Wang, Yunpeng Weng, Weihong Luo, Xiao Han, Xiangyu Zhao

AI总结 针对Transformer在序列推荐中因标准注意力机制导致的长序列计算和内存开销大、短序列性能不稳定问题，提出一种稀疏注意力机制BlossomRec，通过两种稀疏注意力模式分别建模长期和短期用户兴趣，并利用可学习门控融合，在降低计算复杂度的同时保持或提升推荐性能。

Comments Accepted by TheWebConf (WWW) 2026 (Oral)