WWW / The Web Conference

RaDAR: Relation-aware Diffusion-Asymmetric Graph Contrastive Learning for Recommendation

RaDAR: 关系感知的扩散非对称图对比学习用于推荐系统

Yixuan Huang, Jiawei Chen, Shengfan Zhang, Zongsheng Cao

机构 * University of Electronic Science and Technology of China（电子科技大学） ； National University of Defense Technology（国防科技大学） ； Tsinghua University（清华大学） 纠错

AI总结 RaDAR通过结合图生成模型和关系感知去噪模型，解决图对比学习中边扰动和数据稀疏的问题，提升推荐系统在噪声和稀疏条件下的性能。

Comments 12 pages, 5 figures. Accepted at WWW 2026

Journal ref Proceedings of the ACM Web Conference (WWW), 2026

Hyperbolic Multimodal Generative Representation Learning for Generalized Zero-Shot Multimodal Information Extraction

双曲多模态生成表示学习用于广义零样本多模态信息提取

Baohang Zhou, Kehui Song, Rize Jin, Yu Zhao, Xuhui Sui, Xinying Qian, Xingyue Guo, Ying Zhang

AI总结 本文提出双曲多模态生成表示学习框架HMGRL，解决零样本多模态信息提取中见与不见类别共存的问题，通过双曲空间建模多级语义关联，提升模型泛化能力。

Comments Accepted by WWW 2026

FS_GPlib: Breaking the Web-Scale Barrier - A Unified Acceleration Framework for Graph Propagation Models

FS_GPlib：突破网络级障碍——图传播模型的统一加速框架

Chang Guo, Juyuan Zhang, Chang Su, Tianlong Fan, Linyuan Lü

AI总结 本文提出FS_GPlib，通过微粒同步消息传递与宏观批量蒙特卡洛模拟结合，实现大规模图传播建模的高效高保真模拟，实验显示其在标准库上达到3.5万倍加速，可在11秒内完成亿级边图的完整蒙特卡洛模拟。

Comments Accepted at ACM Web Conference 2026 (WWW2026)

Controllable Graph Generation with Diffusion Models via Inference-Time Tree Search Guidance

通过推理时间树搜索引导实现可控图生成

Jiachi Zhao, Zehong Wang, Yamei Liao, Chuxu Zhang, Yanfang Ye

机构 * University of Notre Dame（内布拉斯加大学） ； Independent Researcher（独立研究者） ； University of Connecticut（康涅狄格大学） 纠错

AI总结 本文提出TreeDiff框架，通过MCTS引导双空间扩散模型实现可控图生成，解决传统方法控制不足的问题，实验显示其在分子生成中表现优异。

Comments Accepted by WWW 2026

Weighted Reservoir Sampling With Replacement from Data Streams

带权替换采样从数据流中采样

Adriano Meligrana, Adriano Fazzone

AI总结 本文提出一种新的数据流采样方法，元素被选中的概率与其权重成正比。方法基于替换采样，能够在一次遍历中生成带权随机样本，且样本能直接用于后续处理。

Comments Accepted at the 2026 ACM Web Conference (WWW)