KDD

From Clicks to Preference: A Multi-stage Alignment Framework for Generative Query Suggestion in Conversational System

从点击到偏好：一种多阶段对齐框架用于对话系统中的生成查询建议

Junhao Yin, Haolin Wang, Peng Bao, Ju Xu, Yongliang Wang

机构 * Bytedance Shanghai China（字节跳动上海中国） ； Bytedance Beijing China（字节跳动北京中国） 纠错

AI总结 本文提出了一种多阶段对齐框架，通过提示工程、知识蒸馏和高斯奖励模型，提升生成式查询建议的用户偏好对齐效果，实验显示在自动和人工评估中均优于基线，并提高用户参与度34%

Comments Accepted by SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 26)

In-context Learning of Evolving Data Streams with Tabular Foundational Models

在上下文学习中学习演变数据流的表格基础模型

Afonso Lourenço, João Gama, Eric P. Xing, Goreti Marreiros

机构 * INESC-TEC, FEP, University of Porto（INESC-TEC、FEP、葡萄牙波尔图大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Mohamed bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 本文提出利用表格基础模型和上下文学习方法，通过滑动内存策略在动态环境中实现高效的数据流处理，优于传统集成方法。

Comments Accepted at 32nd SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)

Enhancing Node-Level Graph Domain Adaptation by Alleviating Local Dependency

通过缓解局部依赖性增强节点级图域适应

Xinwei Tai, Dongmian Zou, Hongfei Wang

机构 * Huazhong University of Science and Technology（华中科技大学） ； School of Cyber Science and Engineering（网络科学与工程学院） ； Hubei Key Laboratory of Distributed System Security（湖北省分布式系统安全重点实验室） ； Hubei Engineering Research Center on Big Data Security（大数据安全工程研究中心） ； Zhongguancun Academy（中关村学院） ； Zu Chongzhi Center, Digital Innovation Research Center（祖冲之中心，数字创新研究中心） ； Duke Kunshan University（杜克大学昆山分校） 纠错

AI总结 本文提出通过缓解局部依赖性来改进图域适应，通过去相关GCN和图变换器层提升性能，并提供可视化结果。

Comments Accepted to KDD 2026

FuXi-$γ$: Efficient Sequential Recommendation with Exponential-Power Temporal Encoder and Diagonal-Sparse Positional Mechanism

FuXi-γ：基于指数-幂时间编码器和对角稀疏位置机制的高效序列推荐

Dezhi Yi, Wei Guo, Wenyang Cui, Wenxuan He, Huifeng Guo, Yong Liu, Zhenhua Dong, Ye Lu

AI总结 FuXi-γ通过指数-幂时间编码器和对角稀疏位置机制，提升序列推荐的效率和效果，实现训练和推理速度的显著提升。

Comments Accepted by KDD 2026

AI-Driven Early Warning Systems for Student Success: Discovering Static Feature Dominance in Temporal Prediction Models

基于AI的学生成就早期预警系统：在时间预测模型中发现静态特征主导

Vaarunay Kaushal, Rajib Mall

机构 * Data Science and Computer Applications（数据科学与计算机应用） ； Manipal Institute of Technology, MAHE（马那尔理工学院，MAHE） ； Computer Science and Engineering（计算机科学与工程） ； Shiv Nadar University（施瓦尔纳德大学） 纠错

AI总结 本研究提出基于AI的学生成就早期预警系统，发现静态特征在时间预测模型中主导预测，LSTM模型在早期干预中表现优异，而决策树在中期表现稳定。

Comments 5 pages, 3 figures, KDD 2026

Meta Lattice: Model Space Redesign for Cost-Effective Industry-Scale Ads Recommendations

元晶格：面向行业级广告推荐的模型空间重设计

Liang Luo, Yuxin Chen, Zhengyu Zhang, Mengyue Hang, Andrew Gu, Buyun Zhang, Boyang Liu, Chen Chen, Chengze Fan, Dong Liang, Fan Yang, Feifan Gu, Huayu Li, Jade Nie, Jiayi Xu, Jiyan Yang, Jongsoo Park, Laming Chen, Longhao Jin, Qianru Li, Qin Huang, Shali Jiang, Shiwen Shen, Shuaiwen Wang, Sihan Zeng, Siyang Yuan, Tongyi Tang, Weilin Zhang, Wenjun Wang, Xi Liu, Xiaohan Wei, Xiaozhen Xia, Yuchen Hao, Yunlong He, Yasmine Badr, Zeliang Chen, Maxim Naumov, Yantao Yao, Wenlin Chen, Santanu Kolay, GP Musumeci, Ellie Dingqiao Wen

AI总结 Meta提出Lattice框架，通过模型空间重设计实现行业级广告推荐的高质量与低成本优化，提升营收和用户满意度。

Comments Accepted to KDD 2026