SIGIR

Learning to Route Queries to Heads for Attention-based Re-ranking with Large Language Models

基于大语言模型的注意力重排序中查询依赖的头部选择学习

Yuxing Tian, Fengran Mo, Zhiqi Huang, Weixu Zhang, Jian-Yun Nie

机构 * McGill University \& MILA Montreal Canada ； McGill University \& MILA 纠错

AI总结 本文提出RouteHead方法，通过学习轻量级路由器选择最优头部集合以提升注意力重排序性能，实验表明优于现有基线。

Comments Accepted by SIGIR 2026

Learning Evidence of Depression Symptoms via Prompt Induction

通过提示诱导学习抑郁症症状证据

Eliseo Bao, Anxo Perez, David Otero, Javier Parapar

机构 * IRLab, CITIC, Universidade da Coruña（IR实验室、CITIC、科鲁纳大学） 纠错

AI总结 本文通过提示诱导学习方法，针对21种抑郁症症状进行细粒度分类，提出Symptom Induction方法，在BDI-Sen数据集上取得最佳F1分数，并在跨领域评估中展示出良好的泛化能力。

Comments Accepted at SIGIR 2026

When LLM Judges Inflate Scores: Exploring Overrating in Relevance Assessment

当大语言模型评分膨胀时：探索相关性评估中的过度评分

Chuting Yu, Hang Li, Guido Zuccon, Joel Mackenzie, Teerapong Leelanupab

AI总结 研究揭示LLM在相关性评估中存在系统性高估问题，指出模型对不满足信息需求的文本给出高分，且易受文本长度和表层词汇影响，强调需谨慎评估LLM在相关性评估中的应用。

Comments Accepted at SIGIR 2026

Prompt-Unknown Promotion Attacks against LLM-based Sequential Recommender Systems

针对基于大语言模型的序列推荐系统的提示未知推广攻击

Yuchuan Zhao, Tong Chen, Junliang Yu, Zongwei Wang, Lizhen Cui, Hongzhi Yin

AI总结 研究提出在攻击者无法获取系统提示和受害者模型的情况下，通过进化优化策略生成有效替代模型，实现对目标物品的推广攻击，实验表明该方法在提升冷门物品曝光方面优于现有方法。

Comments Accepted by SIGIR 2026

Pretrain-then-Adapt: Uncertainty-Aware Test-Time Adaptation for Text-based Person Search

预训练后再适应：面向基于文本的人脸搜索的不确定性感知测试时间适应

Jiahao Zhang, Shaofei Huang, Yaxiong Wang, Zhedong Zheng

机构 * University of Macau（澳门大学） ； Hefei University of Technology（合肥工业大学） 纠错

AI总结 本文提出一种预训练后再适应方法，通过离线测试时间适应减少对目标域标注数据的依赖，引入不确定性感知测试时间适应框架以提升人像搜索系统的鲁棒性和效率。

Comments Accepted to ACM SIGIR 2026

mKG-RAG: Leveraging Multimodal Knowledge Graphs in Retrieval-Augmented Generation for Knowledge-intensive VQA

mKG-RAG：利用多模态知识图谱在检索增强生成中进行知识密集型视觉问答

Xu Yuan, Liangbo Ning, Qingqing Ye, Wenqi Fan, Qing Li

机构 * The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 本文提出mKG-RAG框架，通过整合多模态知识图谱提升检索增强生成在知识密集型视觉问答中的性能，采用双阶段检索策略和图提取方法构建高质量知识图谱，实验表明优于现有方法。

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

IIRSim Studio: A Dashboard for User Simulation

IIRSim Studio：用户模拟的仪表盘

Saber Zerhoudi, Adam Roegiest, Michael Granitzer

AI总结 本文提出IIRSim Studio，通过可视化环境、组件生命周期、溯源模型和共享任务流程，解决用户模拟框架的可重复性和协作问题。

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

A Parametric Memory Head for Continual Generative Retrieval

一个参数化的内存头用于连续生成检索

Kidist Amde Mekonnen, Yubao Tang, Maarten de Rijke

机构 * University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 本文提出PAMT方法，通过参数化内存头解决连续生成检索中稳定性和可塑性之间的权衡问题，提升早期文档检索性能且对新增文档影响小。

Comments 12 pages, 3 figures, 3 tables; accepted to the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval, July 20-24, 2026, Melbourne/Naarm, Australia

Follow the TRACE: Exploiting Post-Click Trajectories for Online Delayed Conversion Rate Prediction

跟随轨迹：利用点击后轨迹进行在线延迟转化率预测

Xinyue Zhang, Yuanhao Ding, Xiang Ao

机构 * State Key Lab of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（人工智能安全国家重点实验室，计算技术研究所，中国科学院） 纠错

AI总结 本文提出TRACE方法，通过建模点击后行为轨迹来提升在线延迟转化率预测的准确性，采用动态后验更新和可靠性门控回顾补全模块，有效解决标签准确性和数据新鲜度的平衡问题。

Comments Accepted as a SIGIR 2026 short paper

CASE: Cadence-Aware Set Encoding for Large-Scale Next Basket Repurchase Recommendation

CASE：面向大规模下篮回购推荐的意识化集合编码

Yanan Cao, Ashish Ranjan, Sinduja Subramaniam, Evren Korpeoglu, Kaushiki Nag, Kannan Achan

机构 * Walmart Global Tech（沃尔玛全球技术） 纠错

AI总结 CASE通过分离物品级节奏学习与跨物品交互，实现显式日历时间建模，提升大规模下篮回购推荐的精度、召回和NDCG。

Comments Accepted at SIGIR 2026 Industry Track

Where Relevance Emerges: A Layer-Wise Study of Internal Attention for Zero-Shot Re-Ranking

相关性如何出现：对零样本重排序内部注意力的分层研究

Haodong Chen, Shengyao Zhuang, Zheng Yao, Guido Zuccon, Teerapong Leelanupab

AI总结 本文研究了多排名框架中生成、似然和内部注意力机制的对比，发现Transformer层中相关性信号呈现钟形分布，提出Selective-ICR策略降低推理延迟30%-50%，并在BRIGHT基准测试中证明了内部信号在复杂推理排序中的潜力。

Comments Accepted by SIGIR 2026. 10 pages, 5 figures, 4 tables. Code available at https://github.com/ielab/Selective-ICR

Structural and Disentangled Adaptation of Large Vision Language Models for Multimodal Recommendation

大型视觉语言模型的结构和解耦适应用于多模态推荐

Zhongtao Rao, Peilin Zhou, Dading Chong, Zhiwei Chen, Shoujin Wang, Nan Tang

AI总结 本文提出SDA框架，通过跨模态结构对齐和模态解耦适应，解决多模态推荐中表示不一致和梯度冲突问题，实验显示在三个Amazon数据集上提升了推荐性能。

Comments Accepted to SIGIR '26