WWW / The Web Conference

Interpretable Dynamic Network Modeling of Tensor Time Series via Kronecker Time-Varying Graphical Lasso

通过Kronecker时间变化图正则化对张量时间序列进行可解释性动态网络建模

Shingo Higashiguchi, Koki Kawabata, Yasuko Matsubara, Yasushi Sakurai

机构 * SANKEN, The University of Osaka（SANKEN大学） 纠错

AI总结 本文提出KTVGL方法，通过Kronecker积形式建模张量时间序列，实现动态网络的可解释性建模，提升边估计精度并降低计算成本。

Comments Accepted at ACM Web Conference 2026 (WWW2026)

Learning to Alleviate Familiarity Bias in Video Recommendation

学习减轻视频推荐中的熟悉偏差

Zheng Ren, Yi Wu, Jianan Lu, Acar Ary, Yiqu Liu, Li Wei, Lukasz Heldt

机构 * Google LLC（谷歌公司） 纠错

AI总结 LAFB通过建模用户-内容熟悉度并调整评分预测来减轻视频推荐中的熟悉偏差，提升了内容多样性和新兴创作者的曝光

Comments Accepted to the Companion Proceedings of the ACM Web Conference 2026 (WWW '26), April 13-17, 2026, Dubai, UAE

From Dead Pixels to Editable Slides: Infographic Reconstruction into Native Google Slides via Vision-Language Region Understanding

从死像素到可编辑幻灯片：通过视觉-语言区域理解将信息图转换为原生Google幻灯片

Leonardo Gonzalez

机构 * Trilogy AI Center of Excellence（Trilogy AI卓越中心） 纠错

AI总结 通过视觉-语言区域理解，将信息图转换为可编辑的Google幻灯片，实现元素恢复和布局保真度的高精度转换。

Comments Accepted for publication in the Companion Proceedings of the ACM Web Conference 2026 (WWW Companion '26), April 13-17, 2026, Dubai, United Arab Emirates