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

Personalized Learning Path Planning with Goal-Driven Learner State Modeling

基于目标驱动学习者状态建模的个性化学习路径规划

Joy Jia Yin Lim, Ye He, Jifan Yu, Xin Cong, Daniel Zhang-Li, Zhiyuan Liu, Huiqin Liu, Lei Hou, Juanzi Li, Bin Xu

机构 * Department of Computer Science and Technology, Beijing National Research Center for Information Science and Technology（计算机科学与技术系，信息科学国家研究中心） ； Tsinghua University（清华大学） ； Institution of Education（教育研究所） ； Department of Statistics and Data Science（统计与数据科学系） 纠错

AI总结 Pxplore通过整合强化学习与LLM，实现基于目标驱动的个性化学习路径规划，提升学习路径的连贯性和有效性。

Comments Accepted at The Web Conference 2026 (WWW'26)

SDR-CIR: Semantic Debias Retrieval Framework for Training-Free Zero-Shot Composed Image Retrieval

SDR-CIR：一种基于链式推理的语义去偏检索框架用于无训练零样本复合图像检索

Yi Sun, Jinyu Xu, Qing Xie, Jiachen Li, Yanchun Ma, Yongjian Liu

AI总结 SDR-CIR通过语义去偏排名方法提升无训练零样本复合图像检索性能。

Comments Accepted by WWW 2026

Resisting Manipulative Bots in Meme Coin Copy Trading: A Multi-Agent Approach with Chain-of-Thought Reasoning

抵制操纵机器人在表情包加密货币复制交易中的应用：一种基于多智能体的链式推理方法

Yichen Luo, Yebo Feng, Jiahua Xu, Yang Liu

机构 * UCL, Centre for Blockchain Technologies（伦敦大学区块链技术中心） ； The University of Hong Kong, FinTech Academy（香港大学金融科技学院） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出一种基于多智能体和链式推理的复制交易系统，以抵御操纵机器人，通过多模态大语言模型提升预测准确度和经济表现，实现加密货币投资的稳健收益。

Journal ref Proceedings of the ACM Web Conference 2026 (WWW'26)

DeepAgent: A General Reasoning Agent with Scalable Toolsets

DeepAgent: 一种具有可扩展工具集的通用推理代理

Xiaoxi Li, Wenxiang Jiao, Jiarui Jin, Guanting Dong, Jiajie Jin, Yinuo Wang, Hao Wang, Yutao Zhu, Ji-Rong Wen, Yuan Lu, Zhicheng Dou

机构 * Renmin University of China（中国人民大学） ； Xiaohongshu Inc.（小红书公司） ； Tsinghua University（清华大学） 纠错

AI总结 DeepAgent通过自主记忆折叠机制和ToolPO强化学习策略，实现高效通用工具使用和长周期交互，优于现有基线方法。

Comments Accepted by WWW 2026

Multi-Aspect Mining and Anomaly Detection for Heterogeneous Tensor Streams

多方面挖掘与异构张量流的异常检测

Soshi Kakio, Yasuko Matsubara, Ren Fujiwara, Yasushi Sakurai

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

AI总结 HeteroComp通过建模异构张量流的潜在群体和时序动态，实现对群体异常的高效检测。

Comments Proceedings of the ACM Web Conference 2026 (WWW '26), April 13--17, 2026, Dubai, United Arab Emirates, 12 pages

DOS: Dual-Flow Orthogonal Semantic IDs for Recommendation in Meituan

DOS: 基于双流正交语义ID的美团推荐系统

Junwei Yin, Senjie Kou, Changhao Li, Shuli Wang, Xue Wei, Yinqiu Huang, Yinhua Zhu, Haitao Wang, Xingxing Wang

AI总结 DOS通过双流正交语义ID方法提升推荐系统效果，有效解决语义空间对齐与量化损失问题。

Comments Accepted by WWW2026 (short paper)

Bringing Reasoning to Generative Recommendation Through the Lens of Cascaded Ranking

通过级联排序的视角为生成推荐引入推理

Xinyu Lin, Pengyuan Liu, Wenjie Wang, Yicheng Hu, Chen Xu, Fuli Feng, Qifan Wang, Tat-Seng Chua

AI总结 CARE通过级联推理框架提升生成推荐的多样性与效率，解决偏见放大问题。

Comments Accepted by WWW2026

They Said Memes Were Harmless-We Found the Ones That Hurt: Decoding Jokes, Symbols, and Cultural References

他们说迷因是无害的——我们发现了那些有害的：解码笑话、符号和文化参考

Sahil Tripathi, Gautam Siddharth Kashyap, Mehwish Nasim, Jian Yang, Jiechao Gao, Usman Naseem

机构 * Macquarie University（麦考瑞大学） ； The University of Western Australia（西澳大学） ； Stanford University（斯坦福大学） ； Institute for Clarity in Documentation（文档清晰研究所） ； Inria Paris-Rocquencourt（巴黎-罗quentcourt研究所） ； Rajiv Gandhi University（拉贾·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕勒尔研究实验室） 纠错

AI总结 CROSS-ALIGN+通过三阶段框架解决迷因滥用检测中的文化盲区、边界模糊和可解释性问题，实现性能提升和决策可解释性。

Comments Accepted at the The Web Conference 2026 (Research Track)

PWAVEP: Purifying Imperceptible Adversarial Perturbations in 3D Point Clouds via Spectral Graph Wavelets

PWAVEP: 通过频谱图小波净化3D点云中的不可察觉对抗扰动

Haoran Li, Renyang Liu, Hongjia Liu, Chen Wang, Long Yin, Jian Xu

机构 * Software College, Northeastern University（东北大学软件学院） ； Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究所） ； Software College, Shenyang University of Technology（沈阳理工大学软件学院） 纠错

AI总结 PWAVEP通过频谱图小波技术净化3D点云中的不可察觉对抗扰动，提升准确性和鲁棒性。

Comments Accepted by WWW 2026

DualMind: Towards Understanding Cognitive-Affective Cascades in Public Opinion Dissemination via Multi-Agent Simulation

DualMind: 通过多智能体模拟理解公共意见传播中的认知-情感 cascades

Enhao Huang, Tongtong Pan, Shuhuai Zhang, Qishu Jin, Liheng Zheng, Kaichun Hu, Yiming Li, Zhan Qin, Kui Ren

AI总结 DualMind通过多智能体模拟，建模公共意见传播中认知与情感的相互作用，提升危机管理的预测能力。

Comments Accepted as a demo paper at TheWebConf (WWW) 2026

When to Trust: A Causality-Aware Calibration Framework for Accurate Knowledge Graph Retrieval-Augmented Generation

何时信任：一种因果意识校准框架用于准确的知识图谱检索增强生成

Jing Ren, Bowen Li, Ziqi Xu, Xikun Zhang, Haytham Fayek, Xiaodong Li

机构 * RMIT University（皇家墨尔本理工大学） 纠错

AI总结 Ca2KG通过整合反事实提示和重新评分机制，提升KG-RAG在高风险领域的可靠性与准确性。

Comments Accepted by WWW 2026

Causality Guided Representation Learning for Cross-Style Hate Speech Detection

基于因果性的跨风格仇恨言论检测表示学习

Chengshuai Zhao, Shu Wan, Paras Sheth, Karan Patwa, K. Selçuk Candan, Huan Liu

机构 * School of Computing and Augmented Intelligence, Arizona State University（计算与增强智能学院，亚利桑那州立大学） 纠错

AI总结 CADET通过因果图解构仇恨言论，分离潜在因素并控制混杂变量，提升跨风格仇恨言论检测的泛化能力。

Comments Accepted by the ACM Web Conference 2026 (WWW 26)

Back to the Future: Look-ahead Augmentation and Parallel Self-Refinement for Time Series Forecasting

回到未来：用于时间序列预测的前瞻性增强与并行自我修正

Sunho Kim, Susik Yoon

机构 * Korea University（韩国大学） 纠错

AI总结 Back to the Future通过前瞻性增强和并行自我修正提升时间序列预测的稳定性与准确性。

Comments 4 pages, Short paper accepted at The Web Conference (WWW) 2026

ES-MemEval: Benchmarking Conversational Agents on Personalized Long-Term Emotional Support

ES-MemEval：在个性化长期情感支持中评估对话代理的基准测试

Tiantian Chen, Jiaqi Lu, Ying Shen, Lin Zhang

机构 * Tongji University（同济大学） 纠错

AI总结 ES-MemEval通过评估长期情感支持中的记忆能力，揭示了显式长期记忆对减少幻觉和提升个性化的重要性，同时指出了检索增强模型在时间动态方面的局限性。

Comments 12 pages, 7 figures. Accepted to The Web Conference (WWW) 2026

Cross-Domain Fake News Detection on Unseen Domains via LLM-Based Domain-Aware User Modeling

跨领域假新闻检测：通过基于大语言模型的领域感知用户建模实现未见领域检测

Xuankai Yang, Yan Wang, Jiajie Zhu, Pengfei Ding, Hongyang Liu, Xiuzhen Zhang, Huan Liu

机构 * School of Computing Macquarie University Sydney Australia（计算机学院 马克韦克大学 悉尼 澳大利亚） ； School of Computing Technologies RMIT University Melbourne Australia（计算技术学院 RMIT大学 墨尔本 澳大利亚） ； School of Computing（计算机学院） ； Augmented Intelligence Arizona State University Tempe USA（增强智能 阿拉斯加州立大学 波特 USA） ； Macquarie University（马克韦克大学） ； RMIT University（RMIT大学） ； Arizona State University（阿拉斯加州立大学） 纠错

AI总结 本文提出DAUD框架，利用大语言模型进行领域感知用户建模，以提升未见领域假新闻检测的性能。

Comments This paper has been accepted by The 2026 ACM Web Conference (WWW 2026)

DREAMS: A Social Exchange Theory-Informed Modeling of Misinformation Engagement on Social Media

DREAMS: 基于社会交换理论的社交媒体虚假信息互动建模

Lin Tian, Marian-Andrei Rizoiu

机构 * University of Technology Sydney（技术科技大学） 纠错

AI总结 DREAMS基于社会交换理论，通过序列到序列建模提升社交媒体虚假信息互动预测精度，达到43.6%的性能提升。

Comments 12 pages, 5 figures, 3 tables, Accepted by WWW The Web Conference 2026

OneTrans: Unified Feature Interaction and Sequence Modeling with One Transformer in Industrial Recommender

OneTrans: 一个Transformer实现统一的特征交互和序列建模用于工业推荐系统

Zhaoqi Zhang, Haolei Pei, Jun Guo, Tianyu Wang, Yufei Feng, Hui Sun, Shaowei Liu, Aixin Sun

AI总结 OneTrans通过统一的Transformer架构实现特征交互和序列建模，提升工业推荐系统的性能和效率。

Comments Accepted at The Web Conference 2026 (WWW 2026). Camera-ready version forthcoming

Inferential Question Answering

推断性问答

Jamshid Mozafari, Hamed Zamani, Guido Zuccon, Adam Jatowt

机构 * University of Innsbruck（因斯布鲁克大学） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； The University of Queensland（昆士兰大学） 纠错

AI总结 本文提出推断性QA任务，通过构建QUIT数据集，发现传统QA方法在推断任务中表现不佳，揭示当前QA流程难以处理基于推断的推理。

Comments Proceedings of the ACM Web Conference 2026 (WWW 2026)

Robust Harmful Meme Detection under Missing Modalities via Shared Representation Learning

在缺失模态下通过共享表征学习实现鲁棒的有害迷因检测

Felix Breiteneder, Mohammad Belal, Muhammad Saad Saeed, Shahed Masoudian, Usman Naseem, Kulshrestha Juhi, Markus Schedl, Shah Nawaz

机构 * Johannes Kepler University（约翰内斯·开普勒大学） ； Aalto University（阿alto大学） ； University of Michigan-Flint（密歇根大学弗林特分校） ； Macquarie University（麦考瑞大学） ； Institute of Computational Perception, Johannes Kepler University Linz（计算感知研究所，约翰内斯·开普勒大学林茨） ； Linz Institute of Technology（林茨技术研究所） 纠错

AI总结 本文提出了一种在缺失模态下通过共享表征学习提升有害迷因检测鲁棒性的方法，实验表明其在文本缺失时性能优于现有方法。

Comments Accepted at WWW2026

HierCon: Hierarchical Contrastive Attention for Audio Deepfake Detection

HierCon：用于音频深度伪造检测的层次对比注意力

Zhili Nicholas Liang, Soyeon Caren Han, Qizhou Wang, Christopher Leckie

机构 * University of Melbourne（墨尔本大学） 纠错

AI总结 HierCon通过层次化层注意力框架和基于边界的对比学习，在音频深度伪造检测中实现更高效的领域不变嵌入建模，显著提升检测性能。

Comments Proceedings of The Web Conference 2026 (WWW'26), short track

Trust in One Round: Confidence Estimation for Large Language Models via Structural Signals

单轮信任：通过结构信号提升大语言模型的置信度估计

Pengyue Yang, Jiawen Wen, Haolin Jin, Linghan Huang, Huaming Chen, Ling Chen

机构 * The University of Sydney（悉尼大学） ； University of Technology Sydney（技术大学悉尼） 纠错

AI总结 通过分析模型最终层隐藏状态轨迹中的多尺度结构信号，提出结构置信度方法，实现单次通过的高效、稳健置信度估计，适用于高社会影响和资源受限的LLM应用。

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

Hermes the Polyglot: A Unified Framework to Enhance Expressiveness for Multimodal Interlingual Subtitling

赫мес：一种增强多模态跨语言字幕表达力的统一框架

Chaoqun Cui, Shijing Wang, Liangbin Huang, Qingqing Gu, Zhaolong Huang, Xiao Zeng, Wenji Mao

机构 * MAIS, Institute of Automation, Chinese Academy of Sciences Beijing China ； School of AI, University of\ Academy of Sciences Beijing China ； Beijing Jiaotong University Beijing China ； Geely AI lab Ningbo Zhejiang China ； MAIS, Institute of Automation, Chinese Academy of Sciences ； School of AI, University of\ Academy of Sciences ； Beijing Jiaotong University ； Geely AI lab 纠错

AI总结 赫мес通过整合说话人分离、术语识别和表达力增强模块，提升了多模态跨语言字幕的表达力和连贯性，实现了最先进的字幕生成性能。

Comments Accepted to The Web Conference (WWW) 2026

Towards Fair Large Language Model-based Recommender Systems without Costly Retraining

迈向无需昂贵重训练的公平大型语言模型推荐系统

Jin Li, Huilin Gu, Shoujin Wang, Qi Zhang, Shui Yu, Chen Wang, Xiwei Xu, Fang Chen

AI总结 FUDLR提出一种无需昂贵重训练的高效去偏方法，通过两阶段机器无学习提升LLM推荐系统的公平性，同时保持推荐准确性。

Comments Accepted by WWW 2026

Weighted Graph Clustering via Scale Contraction and Graph Structure Learning

基于尺度收缩和图结构学习的加权图聚类

Haobing Liu, Yinuo Zhang, Tingting Wang, Ruobing Jiang, Yanwei Yu

机构 * Ocean University of China（中国海洋大学） 纠错

AI总结 本文提出一种基于尺度收缩和图结构学习的加权图聚类方法，通过收缩图规模和识别噪声边来提升聚类效果。

Journal ref WWW2026

Global Feature Enhancing and Fusion Framework for Strain Gauge Time Series Classification

基于应变计时间序列分类的全局特征增强与融合框架

Xu Zhang, Peng Wang, Chen Wang, Zhe Xu, Xiaohua Nie, Wei Wang

机构 * Shanghai Key Laboratory of Data Science, School of Computer Science Fudan University（上海数据科学关键实验室，计算机科学学院，复旦大学） ； National Engineering Research Center for Big Data Software Tsinghua University（大数据软件国家工程研究中心，清华大学） ； School of Software Tsinghua University（软件学院，清华大学） ； National Key Laboratory of Strength and Structural Integrity, Aircraft Strength Research Institute of China（强度与结构完整性国家重点实验室，中国航空强度研究室） 纠错

AI总结 本文提出基于超图的全局特征学习与融合框架，通过特征工程和高阶关系学习提升应变计时间序列分类的准确性。

Comments The paper is published in the ACM Web Conference 2025, WWW 2025 Industry Track. The code is available at the link https://github.com/Meteor-Stars/GFEF

UrbanMoE: A Sparse Multi-Modal Mixture-of-Experts Framework for Multi-Task Urban Region Profiling

UrbanMoE: 一种用于多任务城市区域刻画的稀疏多模态专家混合框架

Pingping Liu, Jiamiao Liu, Zijian Zhang, Hao Miao, Qi Jiang, Qingliang Li, Qiuzhan Zhou, Irwin King

机构 * Jilin University（吉林大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Changchun Normal University（长春师范大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 UrbanMoE提出了一种稀疏多模态专家混合框架，用于解决多任务城市区域刻画问题，通过多模态特征动态路由实现高效预测，提升了城市分析的性能和可重复性。

Comments 12 pages, 6 figures, 5tables, Proceedings of the ACM Web Conference 2026 (WWW '26), April 13--17, 2026, Dubai, United Arab Emirates

StreamSense: Streaming Social Task Detection with Selective Vision-Language Model Routing

StreamSense: 基于选择性视觉-语言模型路由的流式社交任务检测

Han Wang, Deyi Ji, Lanyun Zhu, Jiebo Luo, Roy Ka-Wei Lee

机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； University of Science and Technology of China（中国科学技术大学） ； Nanyang Technological University（南洋理工大学） ； University of Rochester（罗切斯特大学） 纠错

AI总结 StreamSense通过轻量级编码器与选择性路由结合VLM专家，提升流式社交任务检测的准确性和效率。

Comments 10 pages, 4 figures, The Web Conference 2026