WWW / The Web Conference

Unveiling the Resilience of LLM-Enhanced Search Engines against Black-Hat SEO Manipulation

揭示LLM增强搜索引擎对抗黑帽SEO攻击的韧性

Pei Chen, Geng Hong, Xinyi Wu, Mengying Wu, Zixuan Zhu, Mingxuan Liu, Baojun Liu, Mi Zhang, Min Yang

AI总结 本文首次系统研究针对LLMSEs的SEO攻击，通过构建SEO-Bench基准测试1000个真实世界黑帽SEO网站，发现LLMSEs能有效抵御99.78%的传统SEO攻击，但对LLMSEO攻击如重写查询填充和分段文本存在漏洞。

Comments Accepted at The ACM Web Conference 2026 (WWW 2026)

EcoThink: A Green Adaptive Inference Framework for Sustainable and Accessible Agents

EcoThink: 一种绿色自适应推理框架，用于可持续和可及的智能体

Linxiao Li, Zhixiang Lu

机构 * The University of Sydney（悉尼大学） ； University of Liverpool（利物浦大学） 纠错

AI总结 本文提出EcoThink框架，通过轻量级路由器动态评估查询复杂度，减少推理能耗40.4%，提升AI可持续性和可及性。

Comments Accepted by WWW 2026

From Manipulation to Mistrust: Explaining Diverse Micro-Video Misinformation for Robust Debunking in the Wild

从操控到怀疑：为野外鲁棒驳斥解释多样化的微视频虚假信息

Zhi Zeng, Yifei Yang, Jiaying Wu, Xulang Zhang, Xiangzheng Kong, Herun Wan, Zihan Ma, Minnan Luo

机构 * School of Computer Science and Technology, MOEKLINNS Lab, Xi'an Jiaotong University（西安交通大学计算机科学与技术学院、教育部机器学习与智能决策网络实验室） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； Xi'an Jiaotong University（西安交通大学） 纠错

AI总结 本文提出WildFakeBench基准和FakeAgent框架，通过多模态理解和外部证据分析，提升微视频虚假信息检测的可解释性和鲁棒性。

Comments Accepted at WWW 2026

Hyena Operator for Fast Sequential Recommendation

Hyena 操作符用于快速序列推荐

Jiahao Liu, Lin Li, Zhiyuan Li, Kaixi Hu, Kaize Shi, Jingling Yuan

AI总结 本文提出HyenaRec，通过多项式核参数化与门控卷积结合，解决序列推荐中稀疏长用户序列的表示问题，提升效率与准确性。

Comments 11 pages, 5 figures, accepted by ACM Web Conference 2026 (WWW '26)

Belief-Driven Multi-Agent Collaboration via Approximate Perfect Bayesian Equilibrium for Social Simulation

基于近似完美贝叶斯均衡的信念驱动多智能体协作：用于社会模拟

Weiwei Fang, Lin Li, Kaize Shi, Yu Yang, Jianwei Zhang

AI总结 本文提出BEACOF框架，通过动态博弈模型解决多智能体协作中的信念与能力估计循环依赖问题，验证其在对抗、开放和混合场景中的有效性，提升社会模拟的可靠性。

Comments accepted at WWW 2026

DyMRL: Dynamic Multispace Representation Learning for Multimodal Event Forecasting in Knowledge Graph

DyMRL: 动态多空间表征学习用于知识图谱中的多模态事件预测

Feng Zhao, Kangzheng Liu, Teng Peng, Yu Yang, Guandong Xu

机构 * Huazhong University of Science and Technology（华中科技大学） ； Centre for Learning, Teaching and Technology（学习、教学与技术中心） ； The Education University of Hong Kong（香港教育大学） 纠错

AI总结 DyMRL通过动态多空间表征学习，解决多模态知识动态获取与融合问题，提升事件预测性能。

Comments Accepted to The ACM Web Conference 2026 (WWW '26). This version is published under a CC BY license