KDD

Measuring Graph-to-Graph Semantic Similarity in Knowledge Graphs: An Empirical Evaluation of Knowledge Graph Embeddings

知识图谱中的图到图语义相似度测量：知识图谱嵌入的实证评估

Seungryeol Baek, Wooseok Sim, Hogun Park

机构 * Sungkyunkwan University（成均馆大学） 纠错

AI总结 本文通过构建语义匹配数据集，比较基于文本、结构和知识图谱嵌入的方法，提出EmbPairSim和AvgEmbSim评分函数，实验表明EmbPairSim在参数更少的情况下优于Sentence-BERT。

Comments 9 pages, 2 figures, 6 tables. Accepted as a poster at The 2nd Frontiers in Graph Machine Learning for the Large Model Era (GMLLM'26) Workshop, co-located with KDD 2026

APAO: Bridging the Training-Inference Gap in Generative Recommendation via Adaptive Prefix-Aware Optimization

APAO：面向生成式推荐的自适应前缀感知优化

Yuanqing Yu, Yifan Wang, Weizhi Ma, Zhiqiang Guo, Min Zhang

AI总结 针对生成式推荐中训练与推理不一致的问题，提出自适应前缀感知优化框架，通过前缀级损失和自适应最差前缀优化策略，提升模型在束搜索下的候选保留能力。

Comments Accepted by KDD'26

Explaining Rankings with Hidden Group Bonuses

解释带有隐藏群体奖励的排名

Alvin Hong Yao Yan, Suraj Shetiya, Sujoy Bhore, Priyanka Golia, Diptarka Chakraborty

AI总结 针对敏感属性隐藏但通过群体特定线性奖励影响排名的问题，提出基于约束满足和自动推理的算法，联合推断线性评分参数和潜在群体奖励，并证明问题在一般情况下的NP难性及固定维度下的多项式可解性。

Comments Accepted at KDD 2026 Research Track

ReplicatorBench: Benchmarking LLM Agents for Replicability in Social and Behavioral Sciences

ReplicatorBench：用于社会科学和行为科学中可复制性评估的LLM代理基准测试

Bang Nguyen, Dominik Soós, Qian Ma, Rochana R. Obadage, Zack Ranjan, Sai Koneru, Timothy M. Errington, Shakhlo Nematova, Sarah Rajtmajer, Jian Wu, Meng Jiang

机构 * University of Notre Dame（圣母大学） ； Old Dominion University（老道明大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； Independent Researcher（独立研究员） ； Uppsala University（乌普萨拉大学） ； Center for Open Science（开放科学中心） 纠错

AI总结 本文提出ReplicatorBench，一个端到端的基准测试，用于评估AI代理在可复制性研究中的能力，涵盖数据提取、实验设计与结果解释三个阶段，并开发了ReplicatorAgent框架以评估不同LLM和编程语言的性能。

Comments Accepted to KDD 2026 AI4Sciences Track, Camera-ready version

Room Scene Discovery and Grouping in Unstructured Vacation Rental Image Collections

非结构化度假租赁图像集合中的房间场景发现与分组

Vignesh Ram Nithin Kappagantula, Shayan Hassantabar

机构 * Expedia Group（Expedia集团） 纠错

AI总结 针对度假租赁平台图片缺乏结构化分类的问题，提出一种低延迟、样本高效的机器学习流水线，通过监督式房间类型检测、重叠检测和聚类算法实现房间分组，并利用多模态大语言模型识别床型，显著优于对比学习和预训练嵌入聚类方法。

Comments Presented at the Two-sided Marketplace Optimization Workshop, KDD 2025