WWW / The Web Conference

Less is More: Compact Clue Selection for Efficient Retrieval-Augmented Generation Reasoning

少即是多：为高效检索增强生成推理设计的紧凑线索选择

Qianchi Zhang, Hainan Zhang, Liang Pang, Yongxin Tong, Hongwei Zheng, Zhiming Zheng

机构 * School of Artificial Intelligence, Beihang University（北航人工智能学院） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； School of Computer Science and Engineering, Beihang University（北航计算机科学与工程学院） ； Beijing Academy of Blockchain and Edge Computing（北京区块链与边缘计算研究院） 纠错

AI总结 CompSelect通过紧凑线索选择机制提升RAG推理效率，减少LLM推理成本，优化线索提取与排序。

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

Token-level Collaborative Alignment for LLM-based Generative Recommendation

基于令牌级的协同对齐用于基于大语言模型的生成推荐

Fake Lin, Binbin Hu, Zhi Zheng, Xi Zhu, Ziqi Liu, Zhiqiang Zhang, Jun Zhou, Tong Xu

AI总结 TCA4Rec通过令牌级协同对齐框架，将协同过滤与大语言模型生成结合，提升推荐系统的准确性和可控性。

Comments 11 pages, 2 figures, 7 tables, WWW 2026

TopKGAT: A Top-K Objective-Driven Architecture for Recommendation

TopKGAT: 一种面向Top-K目标的推荐系统架构

Sirui Chen, Jiawei Chen, Canghong Jin, Sheng Zhou, Jingbang Chen, Wujie Sun, Can Wang

AI总结 TopKGAT是一种基于Top-K目标的推荐系统架构，通过可微近似Top-K指标提升推荐准确性，实验表明其在多个数据集上优于现有方法。

Comments Accepted by WWW2026

GenCI: Generative Modeling of User Interest Shift via Cohort-based Intent Learning for CTR Prediction

GenCI: 通过基于群体的意图学习进行用户兴趣转移的生成建模以用于点击率预测

Kesha Ou, Zhen Tian, Wayne Xin Zhao, Hongyu Lu, Ji-Rong Wen

AI总结 GenCI通过生成用户兴趣群体建模动态兴趣转移，提升CTR预测的准确性与鲁棒性。

Comments Accepted by WWW 2026 Research Track

What Should I Cite? A RAG Benchmark for Academic Citation Prediction

我应该引用什么？一个用于学术引用预测的RAG基准

Leqi Zheng, Jiajun Zhang, Canzhi Chen, Chaokun Wang, Hongwei Li, Yuying Li, Yaoxin Mao, Shannan Yan, Zixin Song, Zhiyuan Feng, Zhaolu Kang, Zirong Chen, Hang Zhang, Qiang Liu, Liang Wang, Ziyang Liu

AI总结 CiteRAG提出一个用于学术引用预测的RAG基准，通过多层次检索策略和生成器，评估大型语言模型在引用预测中的性能。

Journal ref WWW 2026

Is More Context Always Better? Examining LLM Reasoning Capability for Time Interval Prediction

更多上下文总是更好吗？检验LLM在时间间隔预测中的推理能力

Yanan Cao, Farnaz Fallahi, Murali Mohana Krishna Dandu, Lalitesh Morishetti, Kai Zhao, Luyi Ma, Sinduja Subramaniam, Jianpeng Xu, Evren Korpeoglu, Kaushiki Nag, Sushant Kumar, Kannan Achan

机构 * Walmart Global Tech（沃尔玛全球技术） 纠错

AI总结 本文研究LLM在时间间隔预测中的推理能力，发现尽管LLM在某些任务中表现良好，但其在捕捉定量时间结构方面存在局限，且过多上下文反而可能降低性能。

Comments Accepted at The Web Conference 2026 (WWW 2026)

Multi-Agent Collaborative Filtering: Orchestrating Users and Items for Agentic Recommendations

多智能体协同过滤：为智能推荐 orchestrate 用户和物品

Yu Xia, Sungchul Kim, Tong Yu, Ryan A. Rossi, Julian McAuley

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Adobe Research（Adobe研究） 纠错

AI总结 本文提出多智能体协同过滤框架，通过动态协作机制提升智能推荐效果。

Comments WWW 2026

RASTP: Representation-Aware Semantic Token Pruning for Generative Recommendation with Semantic Identifiers

RASTP: 基于语义标识符的生成推荐系统中的表示感知语义标记修剪

Tianyu Zhan, Kairui Fu, Zheqi Lv, Shengyu Zhang

机构 * Zhejiang University（浙江大学） 纠错

AI总结 RASTP通过动态修剪低信息语义token，减少生成推荐系统的训练时间并保持推荐性能。

Comments 4 pages, WWW 2026 short paper

Beyond Single-Granularity Prompts: A Multi-Scale Chain-of-Thought Prompt Learning for Graph

超越单一粒度提示：用于图的多尺度链式思考提示学习

Ziyu Zheng, Yaming Yang, Ziyu Guan, Wei Zhao, Xinyan Huang, Weigang Lu

机构 * School of Computer Science and Technology（计算机科学与技术学院） ； Xidian University（西安电子科技大学） ； School of Artificial Intelligence（人工智能学院） ； The Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

AI总结 本文提出多尺度图链式思考提示框架，通过多尺度信息增强图提示学习，提升少样本场景下的性能。

Comments Accepted by WWW2026

MemWeaver: A Hierarchical Memory from Textual Interactive Behaviors for Personalized Generation

MemWeaver: 一种从文本交互行为构建的分层记忆用于个性化生成

Shuo Yu, Mingyue Cheng, Daoyu Wang, Qi Liu, Zirui Liu, Ze Guo, Xiaoyu Tao

机构 * State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（认知智能国家重点实验室，中国科学技术大学） 纠错

AI总结 MemWeaver通过构建分层记忆模型，利用文本交互行为捕捉用户兴趣的时间演变和语义关系，实现深度个性化内容生成。

Comments Accepted by The Web Conference 2026 (WWW'26) 12 pages, 8 figures

Enhancing Federated Class-Incremental Learning via Spatial-Temporal Statistics Aggregation

通过时空统计聚合增强联邦类增量学习

Zenghao Guan, Guojun Zhu, Yucan Zhou, Wu Liu, Weiping Wang, Jiebo Luo, Xiaoyan Gu

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Tianjin University（天津大学） ； University of Science and Technology of China（中国科学技术大学） ； University of Rochester（罗切斯特大学） ； State Key Laboratory of Cyberspace Security Defense, Institute of Information Engineering（信息工程研究所网络空间安全防御国家重点实验室） 纠错

AI总结 本文提出STSA方法，通过时空统计聚合提升联邦类增量学习的性能，减少通信开销，适用于异构数据场景。

Comments WWW 2026

From Aggregation to Selection: User-Validated Distributed Social Recommendation

从聚合到选择：用户验证的分布式社交推荐

Jingyuan Huang, Dan Luo, Zihe Ye, Weixin Chen, Minghao Guo, Yongfeng Zhang

机构 * Rutgers University（罗格斯大学） ； Lehigh University（莱斯大学） ； Hong Kong Baptist University（香港 Baptist大学） 纠错

AI总结 DeSocial是一种通过用户验证提升分布式社交推荐系统决策正确性和鲁棒性的框架。

Comments Accepted by HCRS@WWW 2026

Unleashing the Potential of Sparse Attention on Long-term Behaviors for CTR Prediction

释放稀疏注意力在长期行为上的潜力以预测点击率

Weijiang Lai, Beihong Jin, Di Zhang, Siru Chen, Jiongyan Zhang, Yuhang Gou, Jian Dong, Xingxing Wang

AI总结 SparseCTR通过稀疏注意力机制高效建模用户长期行为，提升CTR预测性能并展现扩展定律。

Journal ref WWW 2026: THE ACM WEB CONFERENCE

OwlerLite: Scope- and Freshness-Aware Web Retrieval for LLM Assistants

OwlerLite：面向LLM助手的范围和新鲜度感知网络检索

Saber Zerhoudi, Michael Dinzinger, Michael Granitzer, Jelena Mitrovic

AI总结 OwlerLite通过用户定义的范围和数据新鲜度提升LLM助手的检索可控性和可信度。

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

ReFuGe: Feature Generation for Prediction Tasks on Relational Databases with LLM Agents

ReFuGe：基于LLM代理的关联数据库预测任务特征生成

Kyungho Kim, Geon Lee, Juyeon Kim, Dongwon Choi, Shinhwan Kang, Kijung Shin

机构 * KAIST（韩国科学技术院） 纠错

AI总结 ReFuGe通过LLM代理生成关联数据库预测任务的特征，提升预测性能。

Comments Accepted in ACM WWW 2026 (Short Paper)

Reconstructing Training Data from Adapter-based Federated Large Language Models

从基于适配器的联邦大语言模型中重建训练数据

Silong Chen, Yuchuan Luo, Guilin Deng, Yi Liu, Min Xu, Shaojing Fu, Xiaohua Jia

机构 * National University of Defense Technology（国防科技大学） ； City University of Hong Kong（香港城市大学） 纠错

AI总结 研究提出UTR攻击，揭示基于适配器的FedLLMs中低秩适配器导致的隐私泄露问题，挑战轻量级适应提升安全性的假设。

Comments Yuchuan Luo and Yi Liu are co-corresponding authors. Accepted at The Web Conference (WWW) 2026

Tabular Foundation Models are Strong Graph Anomaly Detectors

表格基础模型是强大的图异常检测器

Yunhui Liu, Tieke He, Yongchao Liu, Can Yi, Hong Jin, Chuntao Hong

机构 * State Key Laboratory for Novel Software Technology Nanjing University Nanjing China（新型软件技术国家重点实验室 南京大学 南京 中国） ； State Key Laboratory for Novel Software Technology Nanjing University（新型软件技术国家重点实验室 南京大学） 纠错

AI总结 本文提出TFM4GAD，利用表格基础模型解决图异常检测问题，通过增强特征表和上下文学习提升跨领域泛化能力。

Comments Accepted by WWW 2026 (Short Paper)

Mind the Ambiguity: Aleatoric Uncertainty Quantification in LLMs for Safe Medical Question Answering

注意模糊性：在LLMs中进行偶然不确定性量化以实现安全的医疗问答

Yaokun Liu, Yifan Liu, Phoebe Mbuvi, Zelin Li, Ruichen Yao, Gawon Lim, Dong Wang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出AU-Probe框架，通过检测输入模糊性提升医疗问答的安全性与准确性。

Comments Accepted at The Web Conference 2026 (WWW 2026)

RAG-GFM: Overcoming In-Memory Bottlenecks in Graph Foundation Models via Retrieval-Augmented Generation

RAG-GFM：通过检索增强生成克服图基础模型中的内存瓶颈

Haonan Yuan, Qingyun Sun, Jiacheng Tao, Xingcheng Fu, Jianxin Li

机构 * SKLCCSE, School of Computer Science and Engineering（计算机科学与工程学院） ； Beihang University（北航） ； Guangxi Normal University（广西师范大学） 纠错

AI总结 RAG-GFM通过检索增强生成方法，解决图基础模型中的内存瓶颈问题，提升模型的效率和效果。

Comments Accepted by the Web Conference 2026 (Research Track)

SecureSplit: Mitigating Backdoor Attacks in Split Learning

SecureSplit: 缓解分裂学习中的后门攻击

Zhihao Dou, Dongfei Cui, Weida Wang, Anjun Gao, Yueyang Quan, Mengyao Ma, Viet Vo, Guangdong Bai, Zhuqing Liu, Minghong Fang

机构 * Case Western Reserve University（凯斯西储大学） ； Northeast Electric Power University（东北电力大学） ； Fudan University（复旦大学） ； University of Louisville（路易斯维尔大学） ； University of North Texas（北德克萨斯大学） ； The University of Queensland（昆士兰大学） ； Swinburne University of Technology（斯威本科技大学） ； City University of Hong Kong（香港城市大学） 纠错

AI总结 SecureSplit通过维度变换和自适应过滤方法有效缓解分裂学习中的后门攻击问题。

Comments To appear in The Web Conference 2026

CC-OR-Net: A Unified Framework for LTV Prediction through Structural Decoupling

CC-OR-Net：通过结构解耦实现LTV预测的统一框架

Mingyu Zhao, Haoran Bai, Yu Tian, Bing Zhu, Hengliang Luo

机构 * Renmin University of China（中国人民大学） 纠错

AI总结 CC-OR-Net通过结构解耦实现LTV预测的统一框架，结合稳健排名、精细回归和高价值用户增强模块，提升预测精度与商业价值。

Comments Accepted by WWW'26 main

OpenDecoder: Open Large Language Model Decoding to Incorporate Document Quality in RAG

OpenDecoder: 开源大型语言模型解码以纳入文档质量在RAG中

Fengran Mo, Zhan Su, Yuchen Hui, Jinghan Zhang, Jia Ao Sun, Zheyuan Liu, Chao Zhang, Tetsuya Sakai, Jian-Yun Nie

机构 * Clemson University（克莱姆森大学） ； University of Notre Dame（诺特丹大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Waseda University（早稻田大学） 纠错

AI总结 OpenDecoder通过整合文档质量评估提升RAG模型的鲁棒性，利用相关性、排序和QPP评分优化生成过程。

Comments Accepted by ACM WWW 2026

TrustResearcher: Automating Knowledge-Grounded and Transparent Research Ideation with Multi-Agent Collaboration

TrustResearcher: 通过多智能体协作实现知识导向且透明的研究构想自动化

Jiawei Zhou, Ruicheng Zhu, Mengshi Chen, Jianwei Wang, Kai Wang

AI总结 TrustResearcher通过多智能体协作实现知识导向且透明的研究构想自动化，提供可配置的智能体和证据一致的构想生成。

Comments Accepted to The Web Conference (WWW) 2026 as a demo paper. 6 pages, 2 figures

Does LLM Focus on the Right Words? Mitigating Context Bias in LLM-based Recommenders

LLM是否聚焦在正确的词语？基于组分布鲁棒优化的推荐系统去偏方法

Bohao Wang, Jiawei Chen, Feng Liu, Changwang Zhang, Jun Wang, Canghong Jin, Chun Chen, Can Wang

AI总结 本文提出GDRT方法，通过组分布鲁棒优化减轻LLM推荐系统中的上下文偏见，提升推荐准确性和公平性。

Comments Accepted by WWW2026

PairSem: LLM-Guided Pairwise Semantic Matching for Scientific Document Retrieval

PairSem: 基于大语言模型的成对语义匹配用于科学文档检索

Wonbin Kweon, Runchu Tian, SeongKu Kang, Pengcheng Jiang, Zhiyong Lu, Jiawei Han, Hwanjo Yu

AI总结 PairSem通过实体-属性对捕捉科学概念的多面性，提升科学文档检索的精度和上下文感知能力。

Comments WWW 2026

Identifying and Upweighting Power-Niche Users to Mitigate Popularity Bias in Recommendations

识别并提升幂-小众用户以缓解推荐中的流行偏见

David Liu, Erik Weis, Moritz Laber, Tina Eliassi-Rad, Brennan Klein

AI总结 本文提出PAIR框架，通过结合用户活动水平和项目流行度偏好，重加权推荐系统中的用户和项目，以减少流行偏见并提升整体推荐性能。

Comments Accepted for publication at WWW 2026

PI2I: A Personalized Item-Based Collaborative Filtering Retrieval Framework

PI2I: 一种个性化基于物品的协同过滤检索框架

Shaoqing Wang, Yingcai Ma, Kairui Fu, Ziyang Wang, Dunxian Huang, Yuliang Yan, Jian Wu

AI总结 PI2I通过两阶段检索框架提升个性化推荐效果，优于传统CF方法并接近双塔模型，部署后提升淘宝交易率1.05%。

Comments Published on WWW'26: In Proceedings of the ACM Web Conference 2026

Improving the Accuracy of Community Detection on Signed Networks via Community Refinement and Contrastive Learning

通过社区细化和对比学习提高带符号网络社区检测的准确性

Hyunuk Shin, Hojin Kim, Chanyoung Lee, Yeon-Chang Lee, David Yoon Suk Kang

机构 * Chungbuk National University（Chungbuk国立大学） ； Ulsan National Institute of Science and Technology (UNIST)（乌山国立科学技术研究院） 纠错

AI总结 ReCon通过社区细化和对比学习提升带符号网络社区检测的准确性，有效增强社区检测的可靠性。

Journal ref ACM WWW 2026

Mining Citywide Dengue Spread Patterns in Singapore Through Hotspot Dynamics from Open Web Data

通过开放网络数据挖掘新加坡城市登革热传播模式的热点动态

Liping Huang, Gaoxi Xiao, Stefan Ma, Hechang Chen, Shisong Tang, Flora Salim

机构 * Agency for Science, Technology and Research (A*STAR)（科技研究局） ； Nanyang Technological University（南洋理工大学） ； Jilin University（吉林大学） ； Tsinghua University（清华大学） ； University of New South Wales（新南威尔士大学） 纠错

AI总结 通过开放网络数据挖掘新加坡登革热传播模式，利用热点动态预测和验证传播动态，提升公共卫生规划与城市韧性。

Comments 9 pages, 9 figures. It's accepted by WWW 2026 Web4Good Track. To make accessible earlier, authors would like to put it on arxiv before the conference

Journal ref WWW 2026, i.e., The Web Conference 2026

LLM Reasoning for Cold-Start Item Recommendation

基于大语言模型的冷启动物品推荐

Shijun Li, Yu Wang, Jin Wang, Ying Li, Joydeep Ghosh, Anne Cocos

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出利用大语言模型的推理能力，改进冷启动物品推荐，通过多种微调方法提升推荐性能，在Netflix数据上取得8%的提升。

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