WWW / The Web Conference

MCoT-MVS: Multi-level Vision Selection by Multi-modal Chain-of-Thought Reasoning for Composed Image Retrieval

MCoT-MVS：基于多模态链式推理的多级视觉选择用于组合图像检索

Xuri Ge, Chunhao Wang, Xindi Wang, Zheyun Qin, Zhumin Chen, Xin Xin

机构 * Shandong University（山东大学） 纠错

AI总结 本文提出MCoT-MVS方法，通过多模态链式推理提取参考图像的多级视觉特征，结合注意力机制与文本提示，提升组合图像检索的准确性和鲁棒性。

Comments Accepted by The Web Conference 2026 (WWW2026)

Learning Evolving Preferences: A Federated Continual Framework for User-Centric Recommendation

学习演化的偏好：一种面向用户推荐的联邦连续框架

Chunxu Zhang, Zhiheng Xue, Guodong Long, Weipeng Zhang, Bo Yang

AI总结 本文提出FCUCR框架，通过时间感知自蒸馏和用户原型转移机制，解决联邦学习中时间遗忘和异构用户数据下的协同个性化问题，实验证明其有效性与实用性。

Comments Accepted at WWW 2026

Multilingual Reference Need Assessment System for Wikipedia

多语言参考需求评估系统用于维基百科

Aitolkyn Baigutanova, Francisco Navas, Pablo Aragon, Mykola Trokhymovych, Muniza Aslam, Ai-Jou Chou, Miriam Redi, Diego Saez-Trumper

机构 * Pompeu Fabra University（庞培法布拉大学） ； Wikimedia Foundation（维基媒体基金会） ； Barcelona（巴塞罗那） ； Spain（西班牙） 纠错

AI总结 本文提出一种多语言机器学习系统，帮助编辑识别需要引用的声明，通过测试10种语言版本的维基百科，优于现有基准，考虑模型准确性和计算效率的权衡。

Comments Accepted for publication at the Proceedings of the ACM Web Conference 2026 (WWW '26). Author's copy

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

Byte-token Enhanced Language Models for Temporal Point Processes Analysis

增强字节令牌的语言模型用于时间点过程分析

Quyu Kong, Yixuan Zhang, Yang Liu, Panrong Tong, Enqi Liu, Feng Zhou

机构 * Independent Researcher（独立研究者） ； Southeast University（东南大学） ； Center for Applied Statistics and School of Statistics, Renmin University of China（应用统计中心和中国人民大学统计学院） 纠错

AI总结 本文提出Language-TPP框架，结合时间点过程与大语言模型，通过新颖的时序编码机制将连续时间区间转换为字节令牌，提升Web事件序列建模性能，实现事件时间与类型预测的最优表现。

Comments WWW 2026

Hi-GMAE: Hierarchical Graph Masked Autoencoders

Hi-GMAE：分层图掩码自编码器

Chuang Liu, Zelin Yao, Xueqi Ma, Mukun Chen, Luzhi Wang, Jia Wu, Wenbin Hu

机构 * Sangfor Technologies Inc.（深之蓝科技有限公司） ； Wuhan University（武汉大学） ； The University of Melbourne（墨尔本大学） ； Dalian Maritime University（大连海事大学） ； Macquarie University（麦考瑞大学） ； Wuhan University, Wuhan University Shenzhen Research Institute（武汉大学深圳研究院） 纠错

AI总结 本文提出Hi-GMAE，一种多尺度图掩码自编码器，通过构建多尺度图层次结构，解决单尺度GMAE无法捕捉图的层次结构问题，实验表明其在17个图数据集上优于29种现有自监督方法。

Comments 12 pages, 9 figures. Accepted by WWW 2026