SIGIR

RecGaze: The First Eye Tracking and User Interaction Dataset for Carousel Interfaces

RecGaze：首个针对轮播界面的眼动追踪与用户交互数据集

Santiago de Leon-Martinez, Jingwei Kang, Robert Moro, Maarten de Rijke, Branislav Kveton, Harrie Oosterhuis, Maria Bielikova

AI总结 本文提出首个包含眼动追踪、点击、光标移动和选择解释的轮播界面交互数据集RecGaze，通过87名用户的3477次交互记录及首次眼动分析揭示F型浏览行为，推动基于眼动信息的推荐系统研究。

Comments Accepted to Resource & Reproducibility Track SIGIR '25

ACE: Anisotropy-Controllable Embedding for LLM-enhanced Sequential Recommendation

ACE: 面向LLM增强序列推荐的可控各向异性嵌入

Dongcheol Lee, Hye-young Kim, Jongwuk Lee

AI总结 针对LLM生成嵌入的强各向异性问题，提出ACE方法，通过线性自编码器结合L2正则化与重构损失控制嵌入分布，平衡几何均匀性与语义保持，在序列推荐中提升性能。

Comments Accepted by SIGIR 2026. 5 pages

Journal ref SIGIR '26: Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval, Pages 3919 - 3923, 2026

What Makes a Good Semantic ID for Generative Recommendation? A Reproducibility Study

什么造就了生成式推荐的良好语义ID？一项可复现性研究

Yufei Chen, Junchen Fu, Jujia Zhao, Yukun Zhao, Zhaochun Ren

AI总结 本研究通过大规模可复现实验，系统探究生成式推荐中语义ID的设计因素，发现其效果非单调，无普遍最优设计，不同设计具有互补优势，为未来系统提供实用指导。

Comments Accepted by SIGIR-AP 2026

Adaptive Autoguidance for Item-Side Fairness in Diffusion Recommender Systems

自适应自引导的扩散推荐系统中物品层面公平性

Zihan Li, Gustavo Escobedo, Marta Moscati, Oleg Lesota, Markus Schedl

AI总结 本文提出A2G-DiffRec，通过自适应自引导提升扩散推荐系统中物品层面的公平性，在牺牲少量准确率的情况下有效平衡不同流行度物品的曝光。

Comments Accepted at SIGIR 2026

Journal ref Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '26), 3935-3940, 2026

MVIGER: Multi-View Variational Integration of Complementary Knowledge for Generative Recommender

MVIGER：多视图变分整合互补知识的生成推荐系统

Tongyoung Kim, Soojin Yoon, SeongKu Kang, Jinyoung Yeo, Dongha Lee

机构 * Yonsei University（延世大学） ； Korea University（韩国大学） 纠错

AI总结 本文提出MVIGER框架，通过统一变分方法整合互补知识，解决不同提示模板和物品索引导致的输出不一致问题，提升推荐性能。

Journal ref Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '26), pp. 834-844, 2026

Diagnosing LLM Reranker Behavior Under Fixed Evidence Pools

在固定证据池下诊断LLM重排序器行为

Baris Arat, Emre Sefer

机构 * Ozyegin University（奥济根大学） 纠错

AI总结 本文通过固定证据池诊断LLM重排序行为，发现不同模型在冗余和多样性上有显著差异，且LLM在小预算下表现欠佳。

Comments Updated to the version published at SIGIR 2026

Journal ref Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '26), pp. 3587-3592, 2026

Patent Representation Learning via Self-supervision

通过自监督进行专利表示学习

You Zuo, Kim Gerdes, Éric de la Clergerie, Benoît Sagot

AI总结 提出混合dropout-章节正样本策略，利用专利内部结构进行自监督对比学习，无需标签或引用，在EPO检索、DAPFAM基准和IPC分类上优于基线。

Comments v3: corrects a subset of dropout-only baseline results affected by an implementation error, and aligns the methodology description with the released implementation; conclusions unchanged

Journal ref ICTIR 2026 - International ACM SIGIR Conference on Innovative Concepts and Theories in Information Retrieval, Jul 2026, Melbourne, Australia. pp.436-445

Deja Vu in Plots: Leveraging Cross-Session Evidence with Retrieval-Augmented LLMs for Live Streaming Risk Assessment

绘图中的既视感：利用检索增强的大语言模型跨会话证据进行直播风险评估

Yiran Qiao, Xiang Ao, Jing Chen, Yang Liu, Qiwei Zhong, Qing He

机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） 纠错

AI总结 提出CS-VAR框架，通过检索增强的大语言模型指导轻量级模型利用跨会话行为证据，实现高效、可解释的直播风险实时评估。

Comments SIGIR'26 Full Paper

Marginal Expected Revenue for Jointly Ranking Auction and Fixed-Price Listings in E-Commerce Sponsored Search

电子商务赞助搜索中联合排名拍卖与固定价格列表的边际预期收益

Greg Kocher, Sanjana Arun

机构 * eBay（易趣） 纠错

AI总结 该研究提出边际千次展示预期成本（meCPM）框架，将固定价格eCPM扩展至拍卖及ABIN商品，实现多格式列表统一排名，经在线A/B测试验证可提升收益与用户指标并已落地生产。

Comments Accepted at the SIGIR eCom'26 Workshop, July 24, 2026, Melbourne, Australia

FLAME: Condensing Ensemble Diversity into a Single Network for Efficient Sequential Recommendation

FLAME：将集成多样性压缩到单一网络以实现高效的序列推荐

WooJoo Kim, JunYoung Kim, JaeHyung Lim, SeongJin Choi, SeongKu Kang, HwanJo Yu

AI总结 FLAME通过将集成多样性压缩到单一网络，提升序列推荐效率。利用模块化集成和预训练冻结网络，实现稳定优化，实验显示在六个数据集上优于现有方法。

Comments Accepted to SIGIR 2026 Full Papers Track

Journal ref SIGIR '26: Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval, 2026, pp. 823-833

Representation Affects Retrieval: A Case Study of Skill Discovery and Routing in a Multimodal Agent Harness

表征影响检索：多模态智能体框架中技能发现与路由的案例研究

Kevin Dela Rosa

机构 * Cloudglue USA（美国Cloudglue公司） 纠错

AI总结 该研究以多模态智能体框架Tinycloud为案例，发现提示内技能的部分暴露会产生词汇竞争，抑制正确技能选择，其为大规模技能路由提供了小规模视角。

Comments 5 pages, 1 figure, 3 tables. Accepted at AgentSearch '26 workshop at SIGIR 2026 (Melbourne, Australia, July 24, 2026)

GenFacet: End-to-End Generative Faceted Search via Multi-Task Preference Alignment in E-Commerce

GenFacet：通过多任务偏好对齐的端到端生成方法实现电商多维搜索

Zhouwei Zhai, Min Yang, Jin Li

AI总结 本文提出GenFacet，一种端到端生成框架，通过多任务偏好对齐提升电商多维搜索效果，实验证明显著提升点击率和转化率。

Journal ref Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2026), July 20-24, 2026, Melbourne, VIC, Australia

RecPFN: Prior-Fitted Networks for In-Context-Based Recommendations

RecPFN：用于基于上下文的推荐的先验拟合网络

En Zhi Tan, Jia Xiang Lim, Bryan Lijie Chew, Tze Minh Ng, Benjamin Yan Han Yap

机构 * SAP SE（思爱普公司） 纠错

AI总结 RecPFN是一种将上下文学习引入序列推荐的先验拟合网络，经合成点击流环境预训练，在八个基准测试中实现最优零样本性能，部署高效且鲁棒，为通用推荐系统提供新路径。

Comments 12 pages, 4 figures, 8 tables

Journal ref In Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 1731-1742. 2026

LACONIC: Dense-Level Effectiveness for Scalable Sparse Retrieval via a Two-Phase Training Curriculum

LACONIC: 通过双阶段训练课程实现可扩展稀疏检索的密集级有效性

Zhichao Xu, Shengyao Zhuang, Crystina Zhang, Xueguang Ma, Yijun Tian, Maitrey Mehta, Jimmy Lin, Vivek Srikumar

机构 * University of Utah（犹他大学） ； The University of Queensland（昆士兰大学） ； University of Waterloo（滑铁卢大学） ； University of Notre Dame（圣约翰大学） 纠错

AI总结 LACONIC通过双阶段训练课程实现高效稀疏检索，以更少的计算资源达到与密集模型相当的检索效果。

Comments SIGIR 2026 camera ready

LLM Agents Factory: Retrieval of Domain-Specific LLM Agents

LLM智能体工厂：领域特定大语言模型智能体的检索

Vitalii Belov, Artyom Sosedka, Andrey Sakhovskiy, Elizaveta Kovtun, Artyom Boyarskikh, Semen Budennyy

机构 * Sber AI ； Moscow Institute of Physics and Technology（莫斯科物理技术学院） ； National University of Science and Technology MISIS（莫斯科国立科学技术大学MISIS） ； Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究所） ； Artificial Intelligence Research Institute（人工智能研究所） 纠错

AI总结 本研究提出LLM Agents Factory框架，通过检索2万余个预设智能体配置文件按需构建领域特定智能体，在多基准测试中实现高准确率与低推理成本，为工业应用提供动态智能体生成的替代方案。

Comments 7 pages, 1 figure, SIGIR 2026

LLM within MCP Matters: Measuring Inefficient Resource Utilization Driven by LLMs

MCP中的大语言模型很重要：测量由大语言模型驱动的低效资源利用

Minhan Cho, Soyoung Park, Kihyeon Jeong, Byeongkyu Jeon, Daejin Choi, Jinyoung Han

机构 * Sungkyunkwan University（成均馆大学） ； National Assembly Research Service（国会研究服务处） ； AlphaBridge（阿尔法桥公司） ； Ewha Womans University（梨花女子大学） 纠错

AI总结 该研究针对24个LLM开展54000次试验，发现MCP中服务器嵌入的参考数据会因LLM偏好导致低效资源利用，提出需将服务器指令置于客户端LLM工具选择之前的改进方向。

Comments 4 pages, 1 table. Accepted at the AgentSearch Workshop at SIGIR 2026, Melbourne, Australia (non-archival). Code and data: https://github.com/rabqatab/llm-in-mcp-matters

CLIP-CC-Bench: Evaluating Paragraph-Level Video Descriptions in Video-Language Models

CLIP-CC-Bench：评估视频语言模型中的段落级视频描述

Mukhtiar Ali, Harsh Dubey, Sugam Mishra, Chulwoo Pack

机构 * South Dakota State University（南达科他州立大学） 纠错

AI总结 CLIP-CC-Bench是针对视频语言模型的长篇段落级视频描述评估套件，采用多LLM嵌入模型集成与粗细粒度语义匹配方法，评估17种模型填补了现有短片段基准的空白。

Comments Accepted and presented at EvalMG 2026, the Second Workshop on Evaluation for Multimodal Generation, co-located with ACM SIGIR 2026

Don't Contrast the Impossible: Region-Constrained Batching for Contrastive User Modeling on a Local Community Platform

不要对比不可能的：面向本地社区平台对比式用户建模的区域约束批处理

Seungho Han, Byeongchang Kim, Jin Yu

机构 * Danggeun Market Inc. (Karrot)（당근마켓 주식회사（당근）） 纠错

AI总结 本研究针对本地社区平台用户建模中对比学习的不可能负样本问题，提出区域约束批采样方法，可提升用户表示质量并优化推荐、广告排序，相关嵌入已部署生产。

Comments Accepted at SIGIR 2026 (Industry Track)

Journal ref Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '26), pages 4639-4643, 2026

FiRE: Enhancing MLLMs with Fine-Grained Context Learning for Complex Image Retrieval

FiRE：利用细粒度上下文学习增强多模态大语言模型（MLLMs）以实现复杂图像检索

Bohan Hou, Haoqiang Lin, Xuemeng Song, Haokun Wen, Meng Liu, Yupeng Hu, Xiangyu Zhao

机构 * Shandong University（山东大学） ； City University of Hong Kong（香港城市大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Shandong Jianzhu University（山东建筑大学） 纠错

AI总结 本研究针对MLLMs在复杂图像检索任务中细粒度建模不足的问题，提出自动化细粒度多模态五元组数据集构建流程与两阶段微调策略，在零样本设置下于五个数据集上取得优于现有方法的性能。

Journal ref Proceedings of the ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2025)

From Single- to Cross-Document: Benchmarking Multi-Granularity Event Analysis of Large Language Models

从单文档到跨文档：大语言模型多粒度事件分析的基准测试

Tao Wen, Shuai Shao, Pei Ke, Xu Han, Jie Zou, Guannan Li, Tao Tian, Jinjie Qiu, Lan Wang, Ke Qin

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文推出MiGUE-Bench基准及MiGUE-Pipeline框架，通过四项核心任务评估LLMs多粒度事件分析能力，明确其能力边界与缺陷，为该领域改进提供方向。

Comments 9 pages. Published in the Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2026)

Journal ref Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '26), pp. 3464-3472, 2026

Towards a Relevance Posterior in Neural Information Access

迈向神经信息访问中的相关性后验

Andrew Parry, Emmanouil Georgios Lionis, Debasis Ganguly, Sean MacAvaney

AI总结 研究现代信息检索系统中相关性操作的局限，提出将其理解为近似后验推理，扩展经典概率检索形式，通过显式似然 - 先验分解转移计算，纳入查询独立文档效用，经实验证明能提升检索效果并给出研究方向。

Comments SIGIR 2026 Perspectives Track

Additive Control Variates Dominate Self-Normalisation in Off-Policy Evaluation

加性控制变量化身自归一化在非策略评估中的主导地位

Olivier Jeunen, Shashank Gupta

机构 * Microsoft（微软） 纠错

AI总结 本文证明加性控制变量化身自归一化在非策略评估中具有更优的均方误差性能，理论支持了从自归一化到最优基线修正的转变。

Comments Published at SIGIR 2026

Entities as Retrieval Signals: A Systematic Study of Coverage, Supervision, and Evaluation in Entity-Oriented Ranking

实体作为检索信号：面向实体导向排序的系统研究

Shubham Chatterjee

AI总结 研究探讨了实体导向排序中覆盖、监督与评估的系统性问题，发现实体通道限制导致覆盖与区分度难以兼得，强调需改进评估方法以区分条件与开放世界场景。

Comments v2: Corrects RelCov@20 in Table 6 (previously approximated from entity document frequencies; now computed exactly at document level). Reframes the evaluation axis as leaked vs. clean entity supervision rather than document-pool restriction. Adds discussion of Boudens et al. (SIGIR 2026), linking density statistics, and an OER-oracle diagnostic

Silent Failures in Multimodal Agentic Search:A Diagnostic Taxonomy and Cross-Judge Evaluation

多模态智能体搜索中的无声故障：一种诊断分类法与跨评判者评估

Zhengxian Wu, Junjie Gao, Kai Yang

机构 * Ant Group（蚂蚁集团） 纠错

AI总结 研究多模态智能体搜索中无声故障这一隐藏可靠性问题，引入六类分类法，构建轨迹级诊断管道，通过实验表明表面准确性高估真实正确性，且无声故障与能力相关、常转移。

Journal ref SIGIR 2026 SynthIR Workshop

An Epistemic Position-Based Click Model: From Interactions to Epistemic Distributions of Relevance and Bias

基于认知位置的点击模型：从交互到相关性和偏差的认知分布

Oscar Rolando Ramirez Milian, Harrie Oosterhuis

AI总结 研究用户与排名交互中点击概率建模问题，提出基于证据深度学习的方法，输出贝塔分布捕捉认知不确定性，经实验验证该方法有效，是将贝叶斯不确定性纳入点击建模的重要进展。

Comments Published at SIGIR 2026

PLAID-PRF: Pseudo-Relevance Feedback with Centroid-like Tokens in PLAID

PLAID-PRF：在PLAID中使用类质心令牌的伪相关反馈

Xiao Wang, Sean MacAvaney, Craig Macdonald

机构 * University of International Business and Economics（国际经济贸易大学） ； University of Glasgow（格拉斯哥大学） 纠错

AI总结 研究在PLAID基础上提出PLAID-PRF方法，通过对顶部检索结果执行伪相关反馈来重新制定查询向量，利用质心向量降低计算成本。实验表明该方法能有效提升检索效果，相比PLAID有显著改进，且计算开销小，实现高效反馈感知后期交互检索。

Comments SIGIR 2026

TReB: A Comprehensive Benchmark for Evaluating Table Reasoning Capabilities of Large Language Models

TReB：评估大语言模型表格推理能力的综合基准

Ce Li, Xiaofan Liu, Zhiyan Song, Ce Chi, Boshen Shi, Chen Zhao, Guanguang Chang, Zhendong Wang, Kexin Yang, Xing Wang, Chao Deng, Junlan Feng

机构 * JIUTIAN Research（中移九天） 纠错

AI总结 针对大语言模型处理表格数据推理能力评估基准缺失的问题，提出TReB基准，用分类法涵盖26个子任务，经数据处理构建高质量数据集，设计含三种推理模式的评估框架，揭示现有模型在表格任务上有改进空间，且数据和框架均公开。

Comments published by SIGIR 2026

Journal ref Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval, 2026, 3267-3275

The Matryoshka Hypencoder

套娃式假设编码器

Majd Alkawaas, Sean MacAvaney

AI总结 研究基于套娃表示学习扩展假设编码器，支持多种大小Q-Nets以权衡有效性和效率。该“套娃式假设编码器”在域内参数大幅减少，吞吐量提升，为假设编码器实际部署奠定基础。

Comments SIGIR 2026

Adapting Embedding Models for Agent Capability Retrieval

使嵌入模型适应智能体能力检索

Tingwei Chen, Yunxiao Shi, Zhengdong Chu, Qingsong Wen, Min Xu

AI总结 研究如何让一般文本检索的现成模型适应智能体能力检索，通过微调三个模型在特定数据集上训练，测试其在未训练目录上的迁移能力，结果显示适应对两个目录均有帮助。

Comments Accepted for oral presentation at the AgentSearch Workshop, SIGIR 2026

MIRA: An LLM-Assisted Benchmark for Multi-Category Integrated Retrieval

MIRA：一个基于大语言模型的多类别集成检索评估基准

Mehmet Deniz Türkmen, Suchana Datta, Dwaipayan Roy, Daniel Hienert, Philipp Mayr, Derek Greene

AI总结 本文提出MIRA基准，通过真实用户查询构建，支持多类别跨领域检索评估，利用大语言模型生成主题描述和相关性评估，降低测试集生成成本。

Comments Accepted to SIGIR 2026. Resource Paper. 8 pages, 2 figures. DOI:10.1145/3805712.3808614

Journal ref Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '26), 2026, pp. 3426-3433