SIGIR

Pretraining Exposure Explains Popularity Judgments in Large Language Models

预训练暴露解释了大型语言模型中的流行度判断

Jamshid Mozafari, Bhawna Piryani, Adam Jatowt

机构 * University of Innsbruck（因斯布鲁克大学） 纠错

AI总结 研究通过分析预训练数据中的暴露统计，发现大型语言模型对流行实体的偏好主要受预训练暴露影响，而非外部流行度信号，揭示了数据暴露在驱动流行度偏差中的核心作用。

Comments Accepted at SIGIR 2026

Journal ref Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2026)

Context Convergence Improves Answering Inferential Questions

上下文收敛提升推断性问题的回答

Jamshid Mozafari, Bhawna Piryani, Adam Jatowt

机构 * University of Innsbruck（因斯布鲁克大学） 纠错

AI总结 研究探讨了上下文结构和质量对LLM处理推断性问题的影响，发现高收敛性句子构建的上下文能显著提升回答准确率，且按收敛性排序略有提升，表明LLM倾向于优先使用信息丰富的早期提示。

Comments Accepted at SIGIR 2026

Journal ref Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2026)

FedMM: Federated Collaborative Signal Quantization for Multi-Market CTR Prediction

FedMM: 联邦协作信号量化用于多市场CTR预测

Jun Zhang, Dugang Liu, Xing Tang, Xiuqiang He, Zhong Ming

AI总结 FedMM通过离散码本机制实现隐私保护传输，结合分层码本结构捕捉跨市场共享模式和特定市场特征，提升多市场CTR预测精度。

Comments Accepted by SIGIR 2026