SIGIR

Exploring Knowledge Conflicts for Faithful LLM Reasoning: Benchmark and Method

探索知识冲突以实现忠实的LLM推理：基准与方法

Tianzhe Zhao, Jiaoyan Chen, Shuxiu Zhang, Haiping Zhu, Qika Lin, Jun Liu

机构 * School of Computer Science and Technology, Xi'an Jiaotong University（西安交通大学计算机科学与技术学院） ； Department of Computer Science, The University of Manchester（曼彻斯特大学计算机科学系） ； Hunan University（湖南大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本文提出ConflictQA基准，揭示LLM在处理跨源知识冲突时的不足，并提出XoT框架以提升异构冲突证据推理的可靠性。

Comments Accepted at SIGIR 2026

ARHN: Answer-Centric Relabeling of Hard Negatives with Open-Source LLMs for Dense Retrieval

ARHN: 基于开源大语言模型的密集检索中以答案为中心的困难负样本重标定

Hyewon Choi, Jooyoung Choi, Hansol Jang, Hyun Kim, Chulmin Yun, ChangWook Jun, Stanley Jungkyu Choi

AI总结 ARHN通过利用开源大语言模型对困难负样本进行重标定，结合重标定与过滤策略提升检索效果，提供更清洁的监督信号。

Comments Accepted to SIGIR 2026

From Query to Conscience: The Importance of Information Retrieval in Empowering Socially Responsible Consumerism

从查询到良知：信息检索在推动负责任消费主义中的重要性

Frans van der Sluis, Leif Azzopardi, Florian Meier

AI总结 本文探讨信息检索如何通过减少信息不对称、优化搜索界面和校准知识，帮助消费者做出更负责任的消费决策。

Comments 12 pages, 4 figures. Published in SIGIR '25 (ACM), pp. 3853-3864. Peer reviewed

Journal ref In Proc. 48th Int. ACM SIGIR Conf. Res. Dev. Inf. Retr. (SIGIR '25), 2025, pp. 3853-3864

SID-Coord: Coordinating Semantic IDs for ID-based Ranking in Short-Video Search

SID-Coord: 用于短视频搜索中基于ID的排序的语义ID协调

Guowen Li, Yuepeng Zhang, Shunyu Zhang, Yi Zhang, Xiaoze Jiang, Yi Wang, Jingwei Zhuo

AI总结 SID-Coord通过引入可训练的语义ID，协调ID基础排序模型中的记忆与泛化能力，提升长尾项表现，实验证明在搜索播放率和播放时长上有显著提升。

Comments SIGIR-2026

AsarRec: Adaptive Sequential Augmentation for Robust Self-supervised Sequential Recommendation

AsarRec：自适应序列增强以实现鲁棒的自监督序列推荐

Kaike Zhang, Qi Cao, Fei Sun, Xinran Liu, Huawei Shen, Xueqi Cheng

AI总结 本文提出AsarRec，通过自适应增强策略提升自监督序列推荐的鲁棒性，通过统一转换矩阵和联合优化三个目标，验证了在不同噪声水平下的有效性。

Comments to appear in SIGIR 2026

Search Changes Consumers' Minds: How Recognizing Gaps Drives Sustainable Choices

搜索改变消费者观念：如何识别差距驱动可持续选择

Frans van der Sluis, Leif Azzopardi

AI总结 研究探讨了消费者通过搜索信息弥补可持续选择的意图与行为差距，发现识别知识缺口能促进更负责任的购买决策。

Comments 17 pages, 5 figures, supplementary appendix. Accepted at CHIIR '25 (2025 ACM SIGIR Conference on Human Information Interaction and Retrieval). Peer reviewed

Journal ref In CHIIR '25: Proceedings of the 2025 ACM SIGIR Conference on Human Information Interaction and Retrieval, Melbourne, VIC, Australia, March 24-28, 2025, ACM, pp. 195-207

Task-Adaptive Retrieval over Agentic Multi-Modal Web Histories via Learned Graph Memory

基于学习图记忆的代理多模态网络历史任务自适应检索

Saman Forouzandeh, Kamal Berahmand, Mahdi Jalili

机构 * School of Engineering, Royal Melbourne Institute of Technology University（皇家墨尔本理工大学工程学院） 纠错

AI总结 本文提出ACGM方法，通过任务自适应图记忆检索代理历史，利用策略梯度优化提升检索质量，在多个数据集上取得显著成果。

Comments The 49th International ACM SIGIR Conference on Research and Development in Information Retrieval

The LLM Effect on IR Benchmarks: A Meta-Analysis of Effectiveness, Baselines, and Contamination

大型语言模型对信息检索基准的影响：有效性、基线和污染的元分析

Moritz Staudinger, Wojciech Kusa, Allan Hanbury

AI总结 本文通过分析143篇论文，探讨了LLM对TREC Robust04和DL20基准的有效性影响，发现LLM系统在DL20上提升nDCG@10达8.8%，但存在数据污染问题，影响效果判断。

Comments Accepted at SIGIR 2026

Pay Attention to Sequence Split: Uncovering the Impacts of Sub-Sequence Splitting on Sequential Recommendation Models

关注序列分割：揭示子序列分割对顺序推荐模型的影响

Yizhou Dang, Yifan Wu, Minhan Huang, Chuang Zhao, Lianbo Ma, Guibing Guo, Xingwei Wang, Zhu Sun

AI总结 本文研究了子序列分割对顺序推荐模型性能的影响，发现其可能干扰模型实际表现，需结合特定分割方法和损失函数以提高效果。

Comments Accepted by SIGIR 2026

Multimodal Large Language Models with Adaptive Preference Optimization for Sequential Recommendation

具有自适应偏好优化的多模态大语言模型用于序列推荐

Yu Wang, Yonghui Yang, Le Wu, Yi Zhang, Fei Liu, Richang Hong

AI总结 本文提出HaNoRec框架，通过自适应偏好优化解决多模态序列推荐中的样本不平衡和跨模态语义偏差问题，提升推荐性能。

Comments Accepted by SIGIR 2026 (Full Paper)

FAVE: Flow-based Average Velocity Establishment for Sequential Recommendation

FAVE：基于流的平均速度建立用于序列推荐

Ke Shi, Yao Zhang, Feng Guo, Jinyuan Zhang, JunShuo Zhang, Shen Gao, Shuo Shang

机构 * University of Electronic Science and Technology of China（电子科技大学） ； State Key Laboratory of Internet Architecture（互联网架构国家重点实验室） 纠错

AI总结 FAVE通过双阶段训练策略解决流方法在序列推荐中的效率问题，利用语义锚定先验和全局平均速度提升生成效率与推荐性能。

Comments Accepted by SIGIR 2026

FACE: A Fine-Grained Reference-Free Evaluator for Conversational Information Access

FACE：一种细粒度的无参考评价方法用于对话信息检索

Hideaki Joko, Faegheh Hasibi

AI总结 本文提出FACE，一种细粒度对话信息检索评价方法，通过优化LLM指令对对话不同层面进行评分，实现与人类判断强相关，且具有跨模型和数据集的泛化能力。

Comments Accepted at SIGIR 2026 (Full Paper track)

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

Semantic IDs for Recommender Systems at Snapchat: Use Cases, Technical Challenges, and Design Choices

在Snapchat中的推荐系统中使用语义ID：用例、技术挑战和设计选择

Clark Mingxuan Ju, Tong Zhao, Leonardo Neves, Liam Collins, Bhuvesh Kumar, Jiwen Ren, Lili Zhang, Wenfeng Zhuo, Vincent Zhang, Xiao Bai, Jinchao Li, Karthik Iyer, Zihao Fan, Yilun Xu, Yiwen Chen, Peicheng Yu, Manish Malik, Neil Shah

AI总结 本文探讨了在Snapchat中使用语义ID的挑战、实验及设计选择，展示了其在推荐系统中的应用效果和实际成果。

Comments Accepted to the Industry Track of SIGIR 2026

Are LLM-Based Retrievers Worth Their Cost? An Empirical Study of Efficiency, Robustness, and Reasoning Overhead

基于大语言模型的检索器是否值得其成本？对效率、鲁棒性和推理开销的实证研究

Abdelrahman Abdallah, Jamie Holdcroft, Mohammed Ali, Adam Jatowt

AI总结 本文通过12个任务和14个检索器评估了基于大语言模型的检索器在效率、鲁棒性和推理开销方面的表现，发现部分专门化检索器在吞吐量上具有竞争力，而某些大语言模型双编码器则带来显著延迟。

Comments Accepted at SIGIR 2026

LLM-supported document separation for printed reviews from zbMATH Open

支持大型语言模型的文档分离用于zbMATH Open中的印刷评论

Ivan Pluzhnikov, Ankit Satpute, Moritz Schubotz, Olaf Teschke, Bela Gipp

AI总结 本文提出了一种专门的方法，用于数字化和分割zbMATH Open中的数学文档，以提升机器处理能力。通过优化OCR工具和文档分离技术，实现了97.5%的准确性，并显著提高了数学文献的可访问性。

Comments Submitted to SIGIR 2026

Budget-Xfer: Budget-Constrained Source Language Selection for Cross-Lingual Transfer to African Languages

Budget-Xfer: 为非洲语言的跨语言迁移进行预算约束的源语言选择

Tewodros Kederalah Idris, Roald Eiselen, Prasenjit Mitra

机构 * Carnegie Mellon University Africa（卡内基梅隆大学非洲校区） ； North-West University（西北大学） 纠错

AI总结 本文提出Budget-Xfer框架，通过预算约束资源分配问题优化多源跨语言迁移，验证多源迁移在命名实体识别和情感分析中的优越性，揭示嵌入相似性在不同任务中的表现差异。

Comments 5 pages, 5 tables. Submitted to SIGIR 2026 Short Paper track

Unsupervised Corpus Poisoning Attacks in Continuous Space for Dense Retrieval

连续空间中密集检索的无监督语料库污染攻击

Yongkang Li, Panagiotis Eustratiadis, Simon Lupart, Evangelos Kanoulas

AI总结 本文提出在连续嵌入空间中进行无监督语料库污染攻击的方法，通过优化保持文档嵌入几何距离和最大化词级差异，提升攻击效率和效果，实验验证了其在不同领域数据集上的有效性。

Comments This paper has been accepted as a full paper at SIGIR 2025 and will be presented orally

Scaling Multilingual Semantic Search in Uber Eats Delivery

在Uber Eats配送中扩展多语言语义检索

Bo Ling, Zheng Liu, Haoyang Chen, Divya Nagar, Luting Yang, Mehul Parsana

AI总结 本文提出了一种面向生产的多语言语义检索系统，通过微调Qwen2模型和Matryoshka Representation Learning技术，实现了在多个市场和垂直领域中的高召回率提升。

Comments 15 pages, 11 tables, 1 figure. Planned for submission to SIGIR or KDD 2026

Understanding the Interplay between LLMs' Utilisation of Parametric and Contextual Knowledge: A keynote at ECIR 2025

理解大型语言模型对参数知识和上下文知识的相互作用：ECIR 2025 keynote

Isabelle Augenstein

AI总结 本文探讨大型语言模型在参数知识与上下文知识之间相互作用的重要性，通过评估知识、诊断冲突及分析上下文知识特征，揭示模型内部工作机制及知识更新挑战。

Journal ref ACM SIGIR Forum, Volume 59, Issue 2, March 2026

AWED-FiNER: Agents, Web applications, and Expert Detectors for Fine-grained Named Entity Recognition across 36 Languages for 6.6 Billion Speakers

AWED-FiNER: 基于代理、网络应用和专家检测器的细粒度命名实体识别工具，支持36种语言，覆盖66亿使用者

Prachuryya Kaushik, Ashish Anand

机构 * Indian Institute of Technology Guwahati（印度理工学院古瓦哈蒂分校） 纠错

AI总结 AWED-FiNER提供支持36种语言的细粒度命名实体识别解决方案，包含代理工具、网络应用及53种先进专家模型，适用于多语言和低资源场景。

Comments Submitted to SIGIR'26 Low-resource Environments Track

Visual RAG Toolkit: Scaling Multi-Vector Visual Retrieval with Training-Free Pooling and Multi-Stage Search

视觉RAG工具包：通过无训练池化和多阶段搜索扩展多向量视觉检索

Ara Yeroyan

机构 * Independent Researcher（独立研究者） 纠错

AI总结 视觉RAG工具包通过无训练池化和多阶段搜索提升多向量视觉检索效率，减少向量存储并提高检索吞吐量。

Comments 4 pages, 3 figures. Submitted to SIGIR 2026 Demonstrations Track. Project website: https://github.com/Ara-Yeroyan/visual-rag-toolkit

Information Retrieval in the Age of Generative AI: The RGB Model

在生成式AI时代的信息检索：RGB模型

Michele Garetto, Alessandro Cornacchia, Franco Galante, Emilio Leonardi, Alessandro Nordio, Alberto Tarable

机构 * University of Turin（都灵大学） 纠错

AI总结 本文提出RGB模型，用于分析生成式AI时代信息动态，揭示其对信息检索和真实性带来的挑战及风险。

Comments To be presented at ACM SIGIR 25

Continuous Input Embedding Size Search For Recommender Systems

连续输入嵌入大小搜索用于推荐系统

Yunke Qu, Tong Chen, Xiangyu Zhao, Lizhen Cui, Kai Zheng, Hongzhi Yin

AI总结 本文提出CIESS，一种基于强化学习的连续输入嵌入大小搜索方法，通过在连续搜索空间中选择任意嵌入大小提升推荐效果。

Comments Accepted to SIGIR'23. Code is available at https://github.com/qykcq/Continuous-Input-Embedding-Size-Search-For-Recommender-Systems

When Fair Ranking Meets Uncertain Inference

当公平排名与不确定推断相遇

Avijit Ghosh, Ritam Dutt, Christo Wilson

AI总结 研究探讨了在人口推断存在不确定性时，公平排名算法的公平性影响，指出不应使用不准确的人口推断数据作为输入。

Comments Accepted as full paper at SIGIR 2021

Dynamic Superblock Pruning for Fast Learned Sparse Retrieval

动态超块剪枝用于快速学习稀疏检索

Parker Carlson, Wentai Xie, Shanxiu He, Tao Yang

AI总结 本文提出动态超块剪枝方法，用于加速学习稀疏检索，在MS MARCO数据集上优于现有基线方法。

Comments 6 pages, 3 figures, SIGIR 25

Insight Agents: An LLM-Based Multi-Agent System for Data Insights

洞察代理：基于LLM的多智能体数据洞察系统

Jincheng Bai, Zhenyu Zhang, Jennifer Zhang, Zhihuai Zhu

机构 * Amazon（亚马逊） 纠错

AI总结 本文提出基于LLM的洞察代理系统，通过多智能体架构实现高效的数据洞察与商业决策支持，准确率达90%且延迟低于15秒。

Comments Accepted to SIGIR 2025. DOI: 10.1145/3726302.3731959

PARSE: An Open-Domain Reasoning Question Answering Benchmark for Persian

PARSE：一种面向开放领域的推理问答基准，用于波斯语

Jamshid Mozafari, Seyed Parsa Mousavinasab, Adam Jatowt

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

AI总结 PARSE是一个面向开放领域的波斯语推理问答基准，通过多阶段过滤和人工评估确保质量，展示了波斯语提示和结构化提示对性能的提升，为低资源环境下开发和评估推理能力的LLM提供了基础。

Comments Submitted to SIGIR 2026

Supporting Humans in Evaluating AI Summaries of Legal Depositions

支持人类评估AI对法律证词的摘要

Naghmeh Farzi, Laura Dietz, Dave D. Lewis

机构 * University of New Hampshire（新罕布什尔大学） 纠错

AI总结 本研究提出了一种基于 nugget 的方法，帮助法律专业人士评估和改进AI生成的法律证词摘要。

Comments To appear in 2026 ACM SIGIR Conference on Human Information Interaction and Retrieval (CHIIR '26), March 22-26, 2026, Seattle, WA, USA. ACM, New York, NY, USA, 5 pages. https://doi.org/10.1145/3786304.3787923

LLM-Evaluation Tropes: Perspectives on the Validity of LLM-Evaluations

LLM评估的陈词滥调：对LLM评估有效性的视角

Laura Dietz, Oleg Zendel, Peter Bailey, Charles Clarke, Ellese Cotterill, Jeff Dalton, Faegheh Hasibi, Mark Sanderson, Nick Craswell

AI总结 本文探讨了LLM评估在信息检索系统中的有效性问题，指出其可能带来的偏见和自我强化风险，并提出测试和协作框架以规范LLM在评估中的使用。

Journal ref In Proceedings of the 2025 International ACM SIGIR Conference on Innovative Concepts and Theories in Information Retrieval (ICTIR). Association for Computing Machinery, New York, NY, USA, 218-229