WWW / The Web Conference

Post-Training Fairness Control: A Single-Train Framework for Dynamic Fairness in Recommendation

训练后公平性控制：一个用于推荐中动态公平性的单一训练框架

Weixin Chen, Li Chen, Yuhan Zhao

机构 * Hong Kong Baptist University（香港 Baptist 大学） 纠错

AI总结 Cofair提出一个单一训练框架，通过共享表示层和公平性条件适配器模块，在推荐系统中实现动态公平性控制，无需重新训练即可适应不同公平性需求。

Comments Accepted to WWW 2026 Workshop on HCRS (Oral Presentation)

Delayed Feedback Modeling for Post-Click Gross Merchandise Volume Prediction: Benchmark, Insights and Approaches

点击后商品体积预测的延迟反馈建模：基准测试、洞察与方法

Xinyu Li, Sishuo Chen, Guipeng Xv, Li Zhang, Mingxuan Luo, Zhangming Chan, Xiang-Rong Sheng, Han Zhu, Jian Xu, Chen Lin

机构 * School of Informatics, Xiamen University Xiamen China ； Taobao \& Tmall Group of Alibaba Beijing China ； School of Informatics, Xiamen University ； Taobao \& Tmall Group of Alibaba 纠错

AI总结 本文提出READER模型，通过在线流式训练和动态校准回归目标，提升GMV预测性能，揭示复购样本与单次购买样本标签分布差异，推动延迟反馈建模研究。

Comments This paper has been accepted by the ACM Web Conference (WWW) 2026. This is the camera-ready version. Please refer to the published version for citation once available

Dynamics of Human-AI Collective Knowledge on the Web: A Scalable Model and Insights for Sustainable Growth

人类-人工智能集体知识在Web上的动态：一个可扩展的模型和可持续增长的见解

Buddhika Nettasinghe, Kang Zhao

机构 * University of Iowa（爱荷华大学） 纠错

AI总结 本文提出了一种可扩展的动态模型，用于研究人类与人工智能共同知识在Web上的演变，通过分析不同增长模式和政策影响，为可持续增长提供见解。

Comments Accepted for ACM Web Conference 2026 (WWW26)

RPO-RAG: Aligning Small LLMs with Relation-aware Preference Optimization for Knowledge Graph Question Answering

RPO-RAG: 通过关系感知的偏好优化对齐小型LLM以实现知识图谱问答

Kaehyun Um, KyuHwan Yeom, Haerim Yang, Minyoung Choi, Hyeongjun Yang, Kyong-Ho Lee

机构 * Yonsei University（延世大学） 纠错

AI总结 RPO-RAG通过关系感知的偏好优化和以答案为中心的提示设计，提升小型LLM在知识图谱问答中的推理能力，实现性能提升。

Comments Accepted at The Web Conference (WWW) 2026

PULSE: Socially-Aware User Representation Modeling Toward Parameter-Efficient Graph Collaborative Filtering

PULSE: 基于社会感知的用户表示建模以实现参数高效的图协同过滤

Doyun Choi, Cheonwoo Lee, Biniyam Aschalew Tolera, Taewook Ham, Chanyoung Park, Jaemin Yoo

AI总结 PULSE通过社会感知信号构建用户表示，实现参数高效的图协同过滤，优于多种基线方法。

Comments 12 pages. This paper is accepted at 2026 ACM Web Conference (WWW)

Read as You See: Guiding Unimodal LLMs for Low-Resource Explainable Harmful Meme Detection

读取即可见：引导单模LLM进行低资源可解释有害迷因检测

Fengjun Pan, Xiaobao Wu, Tho Quan, Anh Tuan Luu

机构 * Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； Ho Chi Minh City University of Technology（胡志明市技术大学） ； VinUniversity（文大学） 纠错

AI总结 U-CoT+通过轻量级单模LLM和高保真迷因到文本管道，实现低资源、可解释的有害迷因检测，有效提升模型灵活性和适应性。

Comments Accepted to ACM Web Conference 2026 (WWW '26)