SIGIR

Meituan Merchant Business Diagnosis via Policy-Guided Dual-Process User Simulation

美团商户业务诊断 via 政策引导的双过程用户模拟

Ziyang Chen, Renbing Chen, Daowei Li, Jinzhi Liao, Jiashen Sun, Ke Zeng, Xiang Zhao

机构 * Independent Researcher（独立研究者） 纠错

AI总结 本文提出Policy-Guided Hybrid Simulation框架，通过双过程融合提升商户策略评估的准确性，实验显示其在美团101家商户中误差降低45.8%。

Comments 5 pages, 3 figures, 2 tables, accepted at SIGIR 2026 Industry Track

GenRec: A Preference-Oriented Generative Framework for Large-Scale Recommendation

GenRec：一种面向偏好的大规模推荐生成框架

Yanyan Zou, Junbo Qi, Lunsong Huang, Yu Li, Kewei Xu, Jiabao Gao, Binglei Zhao, Xuanhua Yang, Sulong Xu, Shengjie Li

机构 * Waseda University（早稻田大学） 纠错

AI总结 GenRec通过单解码器架构解决大规模推荐中生成检索的三个挑战，提出Page-wise NTP任务提升梯度信号，采用异构线性Token合并压缩输入，结合GRPO-SR强化学习方法提升用户满意度，实现点击量和交易量分别提升9.5%和8.7%。

Comments SIGIR 2026 Camera-Ready version

Well Begun is Half Done: Training-Free and Model-Agnostic Semantically Guaranteed User Representation Initialization for Multimodal Recommendation

万事开头难：免训练 且模型无关的语义保证用户表示初始化方法用于多模态推荐

Jinfeng Xu, Zheyu Chen, Shuo Yang, Jinze Li, Hewei Wang, Jianheng Tang, Wei Wang, Xiping Hu, Edith C. H. Ngai

AI总结 本文提出SG-URInit方法，通过整合用户交互物品的模态特征和全局聚类特征，实现免训练且模型无关的用户表示初始化，有效提升多模态推荐性能并缓解物品冷启动问题。

Comments Accepted by SIGIR 2026

Evaluation of Agents under Simulated AI Marketplace Dynamics

对模拟AI市场动态下代理的评估

To Eun Kim, Alireza Salemi, Hamed Zamani, Fernando Diaz

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） 纠错

AI总结 本文提出Marketplace Evaluation框架，通过模拟市场动态评估信息访问系统，补充传统准确度指标，探讨市场留存和份额等指标。

Comments SIGIR 2026

TRACE: A Conversational Framework for Sustainable Tourism Recommendation with Agentic Counterfactual Explanations

TRACE：一种用于可持续旅游推荐的对话框架，配备代理反事实解释

Ashmi Banerjee, Adithi Satish, Wolfgang Wörndl, Yashar Deldjoo

机构 * Technical University of Munich（慕尼黑技术大学） ； Polytechnic University of Bari（巴里理工学院） 纠错

AI总结 TRACE通过多代理架构促进可持续旅游，利用反事实解释和LLM生成问题，提升用户环保意识，实验证明其在推荐质量与交互响应上的有效性。

Journal ref Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '26), July 20--24, 2026, Melbourne, VIC, Australia

Reproduction Beyond Benchmarks: ConstBERT and ColBERT-v2 Across Backends and Query Distributions

超越基准的再现：ConstBERT和ColBERT-v2在不同后端和查询分布上的表现

Utshab Kumar Ghosh, Ashish David, Shubham Chatterjee

机构 * Missouri University of Science and Technology（密苏里科技大学） 纠错

AI总结 研究评估了ConstBERT和ColBERT-v2在不同后端和查询分布下的表现，发现ConstBERT在MS-MARCO上再现性良好，但在长叙事查询上性能显著下降，揭示了多向量检索架构的限制。

Comments 10 pages, 9 tables. Accepted to the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2026)

Bi-Level Optimization for Generative Recommendation: Bridging Tokenization and Generation

生成推荐的双层优化：连接分词与生成

Yimeng Bai, Chang Liu, Yang Zhang, Dingxian Wang, Frank Yang, Andrew Rabinovich, Wenge Rong, Fuli Feng

AI总结 本文提出BLOGER框架，通过双层优化统一分词与推荐器，解决两者间依赖关系。实验表明其在多个真实数据集上优于现有方法，且计算效率高。

Comments Accepted by SIGIR'26