WWW / The Web Conference

Simple-Sampling and Hard-Mixup with Prototypes to Rebalance Contrastive Learning for Text Classification

基于原型的简单采样与硬混合以平衡对比学习用于文本分类

Mengyu Li, Yonghao Liu, Fausto Giunchiglia, Ximing Li, Xiaoyue Feng, Renchu Guan

机构 * College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院） ； Department of Information Engineering and Computer Science, University of Trento（特伦托大学信息工程与计算机科学系） 纠错

AI总结 本文提出SharpReCL模型，通过原型向量和硬混合技术解决文本分类中的数据不平衡问题，提升对比学习效果。

Comments WWW26

STAR: Semantic Table Representation with Header-Aware Clustering and Adaptive Weighted Fusion

STAR: 基于语义表的表表示方法：带有头感知聚类和自适应加权融合

Shui-Hsiang Hsu, Tsung-Hsiang Chou, Chen-Jui Yu, Yao-Chung Fan

AI总结 STAR通过语义聚类和自适应加权融合提升表格表示，实现更高效的查询-表格对齐。

Comments Accepted at The Web Conference 2026 (WWW 2026)

CGPT: Cluster-Guided Partial Tables with LLM-Generated Supervision for Table Retrieval

CGPT: 基于LLM生成监督的聚类引导部分表格用于表格检索

Tsung-Hsiang Chou, Chen-Jui Yu, Shui-Hsiang Hsu, Yao-Chung Fan

AI总结 CGPT通过聚类引导和LLM生成监督提升表格检索性能，实现跨领域泛化和模型优化。

Comments Accepted at The Web Conference 2026 (WWW 2026)

Emergence of Structural Disparities in the Web of Scientific Citations

科学引用网络中结构性差异的出现

Buddhika Nettasinghe, Nazanin Alipourfard, Vikram Krishnamurthy, Kristina Lerman

AI总结 该研究揭示了科学引用网络中性别和机构差异的结构性问题，提出模型解释了引用偏好的形成机制，并强调需通过减少同质性、提升代表性不足群体可见性等策略来促进公平

Comments Accepted to the ACM Web Conference (WWW) 2026

Multi-Behavior Sequential Modeling with Transition-Aware Graph Attention Network for E-Commerce Recommendation

多行为序列建模与过渡感知图注意力网络用于电子商务推荐

Hanqi Jin, Gaoming Yang, Zhangming Chan, Yapeng Yuan, Longbin Li, Fei Sun, Yeqiu Yang, Jian Wu, Yuning Jiang, Bo Zheng

机构 * Taobao \& Tmall Group of Alibaba Beijing China ； University of Chinese Academy of Sciences Beijing China ； Taobao \& Tmall Group of Alibaba ； University of Chinese Academy of Sciences 纠错

AI总结 TGA通过构建结构化稀疏图和过渡感知图注意力机制，实现多行为序列建模，提升电子商务推荐的准确性和效率。

Comments Accepted by WWW2026 short paper

On the Effectiveness of Mempool-based Transaction Auditing

关于基于记忆池的交易审计效果分析

Jannik Albrecht, Ghassan Karame

AI总结 本文分析了基于记忆池的交易审计在检测审查和交易位移攻击中的有效性，发现其可能产生超过25%的误判率，但能以99.9%的概率正确审计连续接收的交易。

Comments Accepted at TheWebConf'26 (WWW'26)

Fine-Grained Traceability for Transparent ML Pipelines

细粒度透明机器学习流水线追溯

Liping Chen, Mujie Liu, Haytham Fayek

机构 * RMIT University（皇家墨尔本理工大学） ； Federation University Australia（联邦大学澳大利亚） 纠错

AI总结 FG-Trac是一个模型无关的框架，通过可验证的细粒度样本追溯提升机器学习流水线的透明度和可审计性。

Comments Accepted at The Web Conference (WWW) 2026

DARA: Few-shot Budget Allocation in Online Advertising via In-Context Decision Making with RL-Finetuned LLMs

DARA: 通过基于上下文的决策制定实现在线广告中的少样本预算分配

Mingxuan Song, Yusen Huo, Bohan Zhou, Shenglin Yin, Zhen Xiao, Jieyi Long, Zhilin Zhang, Chuan Yu

机构 * Peking University（北京大学） ； School of Computer Science（计算机科学学院） ； Alibaba Group（阿里巴巴集团） ； Theta Labs, Inc.（Theta Labs公司） 纠错

AI总结 DARA通过结合LLMs的上下文学习与细粒度优化，实现在线广告中的少样本预算分配，提升广告商价值。

Comments Accepted at The ACM Web Conference (WWW) 2026

Re-understanding Graph Unlearning through Memorization

重新理解通过记忆的图去学习

Pengfei Ding, Yan Wang, Guanfeng Liu

机构 * Macquarie University（麦考瑞大学） 纠错

AI总结 本文提出MGU框架，通过建立GNN记忆视角，解决图去学习中的难度评估、适应性策略和评估协议问题，提升去学习效果。

Comments This paper has been accepted by WWW-2026

Beyond Denial-of-Service: The Puppeteer's Attack for Fine-Grained Control in Ranking-Based Federated Learning

超越拒绝服务：用于基于排名的联邦学习中细粒度控制的Puppeteer攻击

Zhihao Chen, Zirui Gong, Jianting Ning, Yanjun Zhang, Leo Yu Zhang

机构 * Fujian Normal University（福建师范大学） ； Griffith University（格里菲斯大学） 纠错

AI总结 本文提出了一种针对基于排名的联邦学习的细粒度控制攻击，通过精确降级竞争对手准确性并避免检测，展示了对高级中毒攻击的防御需求。

Comments 12 pages. To appear in The Web Conference 2026

Maximum Edge-based Quasi-Clique: Novel Iterative Frameworks

基于边的准团最大值：新颖的迭代框架

Hongbo Xia, Shengxin Liu, Zhaoquan Gu

AI总结 本文提出了一种新颖的迭代框架，用于高效提取复杂网络中的最大边基准团，通过重新表述问题并改进算法效率，在大规模图上表现出显著优势。

Comments Appears in the ACM Web Conference (WWW), 2026

DRGW: Learning Disentangled Representations for Robust Graph Watermarking

DRGW: 为鲁棒图水印的解耦表示学习

Jiasen Li, Yanwei Liu, Zhuoyi Shang, Xiaoyan Gu, Weiping Wang

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； State Key Laboratory of Cyberspace Security Defense（网络空间安全防御国家重点实验室） 纠错

AI总结 DRGW通过解耦表示学习提出首个图水印框架，解决水印透明性和鲁棒性问题，采用对抗训练编码器、可逆神经网络和结构感知编辑器实现高效水印嵌入与提取。

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

Hidden-in-Plain-Text: A Benchmark for Social-Web Indirect Prompt Injection in RAG

隐于 plain-text：一种用于 RAG 中社会网络间接提示注入的基准测试

Haoze Guo, Ziqi Wei

AI总结 OpenRAG-Soc 提供了一种用于评估 RAG 系统在社会网络间接提示注入攻击下的基准测试工具，通过标准化的端到端评估和可部署的缓解措施，帮助从业者跟踪风险并增强部署安全性。

Comments WWW 2026

RMBRec: Robust Multi-Behavior Recommendation towards Target Behaviors

RMBRec: 面向目标行为的鲁棒多行为推荐

Miaomiao Cai, Zhijie Zhang, Junfeng Fang, Zhiyong Cheng, Xiang Wang, Meng Wang

机构 * National University of Singapore（新加坡国立大学） ； Hefei University of Technology（合肥工业大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 RMBRec通过信息论鲁棒性原则，结合表示鲁棒性模块和优化鲁棒性模块，提升多行为推荐的鲁棒性和稳定性。

Journal ref WWW2026

Reading Between the Lines: Towards Reliable Black-box LLM Fingerprinting via Zeroth-order Gradient Estimation

在行之间阅读：通过零阶梯度估计实现可靠的黑盒LLM指纹识别

Shuo Shao, Yiming Li, Hongwei Yao, Yifei Chen, Yuchen Yang, Zhan Qin

机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； City University of Hong Kong（香港城市大学） 纠错

AI总结 本文提出ZeroPrint方法，通过零阶梯度估计在黑盒环境下实现更可靠的LLM指纹识别，有效提升指纹识别的准确性和鲁棒性。

Comments This paper is accepeted by the ACM Web Conference (WWW) 2026

ThinkRec: Thinking-based recommendation via LLM

ThinkRec: 基于思考的推荐方法

Qihang Yu, Kairui Fu, Zheqi Lv, Shengyu Zhang, Xinhui Wu, Chen Lin, Feng Wei, Bo Zheng, Fei Wu

机构 * Zhejiang University（浙江大学） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

AI总结 ThinkRec通过引入思考激活机制和实例级专家融合机制，提升推荐系统的准确性和可解释性。

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

Opinion Dynamics with Multiple Adversaries

带有多个对抗者的意见动态

Akhil Jalan, Marios Papachristou

AI总结 该研究提出了一种模型，允许社交网络中任意用户子集进行战略操纵，分析了战略行为者的纳什均衡，并通过实验展示了其对极化和分歧的影响，同时提供了检测和学习战略行为者的高效算法。

Comments Accepted as a full paper at ACM WWW 2026

Adaptive Task Balancing for Visual Instruction Tuning via Inter-Task Contribution and Intra-Task Difficulty

面向视觉指令微调的自适应任务平衡：通过跨任务贡献和内在任务难度

Yanqi Dai, Yong Wang, Zebin You, Dong Jing, Xiangxiang Chu, Zhiwu Lu

机构 * Renmin University of China（中国人民大学） ； AMAP, Alibaba Group（阿里妈妈集团） 纠错

AI总结 本文提出VisATB方法，通过跨任务贡献和内在任务难度实现视觉指令微调的自适应任务平衡，提升整体性能并缓解不平衡问题。

Comments Accepted for the ACM Web Conference 2026 (WWW 2026)

Riemannian Liquid Spatio-Temporal Graph Network

黎曼流体时空图网络

Liangsi Lu, Jingchao Wang, Zhaorong Dai, Hanqian Liu, Yang Shi

机构 * Guangdong University of Technology（广东技术大学） ； Peking University（北京大学） ； South China Agricultural University（华南农业大学） ； Sun Yat-Sen University（中山大学） 纠错

AI总结 RLSTG通过结合连续时间流体动力学与黎曼流形几何，有效建模复杂结构的时空图，提升表示质量与性能。

Comments This paper has been accepted to The Web Conference 2026

Consensus Stability of Community Notes on X

X平台社区注释的一致性稳定性

Yuwei Chuai, Gabriele Lenzini, Nicolas Pröllochs

AI总结 X平台社区注释的一致性稳定性研究发现，注释显示后评分极化导致30.2%的注释消失，揭示了共识事实核查系统的脆弱性。

Comments Accepted at WWW2026

Towards Token-Level Text Anomaly Detection

迈向词级文本异常检测

Yang Cao, Bicheng Yu, Sikun Yang, Ming Liu, Yujiu Yang

机构 * Great Bay University（大湾大学） ； Tsinghua University（清华大学） ； Shenzhen University（深圳大学） ； Dongguan Key Laboratory for AI and Dynamical Systems（东莞人工智能与动力系统重点实验室） ； Deakin University（德肯大学） 纠错

AI总结 本文提出词级文本异常检测方法，通过多层级统一框架实现精准定位，提升文本异常识别的细粒度分析能力。

Comments WWW 2026

"They've Stolen My GPL-Licensed Model!": Toward Standardized and Transparent Model Licensing

『他们偷走了我的GPL授权模型！』：迈向标准化和透明的模型授权

Moming Duan, Rui Zhao, Linshan Jiang, Nigel Shadbolt, Bingsheng He

机构 * East China Normal University（华东师范大学） ； University of Oxford（牛津大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本文提出ModelGo分析器和ModelGo许可证，旨在解决模型发布中的许可证合规问题，通过本体推理和灵活的许可证设计提升透明度和标准化。

Comments 12 pages, 8 figures. Accepted for publication in WWW2026 Web4Good

OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models

OFA-MAS：基于混合专家图生成模型的通用多智能体系统拓扑设计

Shiyuan Li, Yixin Liu, Yu Zheng, Mei Li, Quoc Viet Hung Nguyen, Shirui Pan

机构 * Griffith University（格里菲斯大学） ； Northwest A\&F University（西北农林科技大学） 纠错

AI总结 OFA-MAS提出一种基于混合专家图生成模型的通用多智能体系统拓扑设计框架，通过单个模型生成适应性协作图，提升跨领域任务的性能。

Comments Accepted by WWW 2026

Matrix as Plan: Structured Logical Reasoning with Feedback-Driven Replanning

矩阵作为计划：基于反馈驱动的重计划的结构化逻辑推理

Ke Chen, Jiandian Zeng, Zihao Peng, Guo Li, Guangxue Zhang, Tian Wang

机构 * Faculty of Arts and Sciences（艺术与科学学院） ； Beijing Normal University（北京师范大学） ； Institute of Artificial Intelligence and Future Networks（人工智能与未来网络研究所） ； Engineering Research Center of Cloud-Edge Intelligent Collaboration on Big Data, Ministry of Education（教育部云-边智能协同大数据工程研究中心） 纠错

AI总结 MatrixCoT通过引入矩阵基础计划和反馈驱动重计划机制，提升LLM在复杂符号推理任务中的鲁棒性和可解释性。

Comments 12 pages, 5 figures, 2 tables. Accepted at The Web Conference (WWW) 2026

Bridging Semantic Understanding and Popularity Bias with LLMs

通过大语言模型弥合语义理解和流行偏见之间的鸿沟

Renqiang Luo, Dong Zhang, Yupeng Gao, Wen Shi, Mingliang Hou, Jiaying Liu, Zhe Wang, Shuo Yu

机构 * Jilin University Changchun China ； Dalian University of Technology Dalian China ； Jinan University \& TAL Education Group Guangzhou China ； Jilin University ； Dalian University of Technology ； Jinan University \& TAL Education Group 纠错

AI总结 本文提出FairLRM框架，通过大语言模型增强对流行偏见的语义理解，提升推荐系统的公平性和准确性。

Comments 10 pages, 4 figs, WWW 2026 accepted

FairGU: Fairness-aware Graph Unlearning in Social Networks

FairGU: 社交网络中具有公平性的图去学习

Renqiang Luo, Yongshuai Yang, Huafei Huang, Qing Qing, Mingliang Hou, Ziqi Xu, Yi Yu, Jingjing Zhou, Feng Xia

机构 * Jilin University Changchun China ； Zhejiang Gongshang University Hangzhou China ； Adelaide University Adelaide Australia ； Jinan University \& TAL Education Group Guangzhou China ； RMIT University Melbourne Australia ； Nanyang Technological University Singapore ； Jilin University ； Zhejiang Gongshang University ； Adelaide University ； Jinan University \& TAL Education Group ； RMIT University ； Nanyang Technological University 纠错

AI总结 FairGU通过整合公平性模块和数据保护策略，提升社交网络中图去学习的公平性和实用性。

Comments 9 pages, 2 figs, WWW 2026 accepted

FairGE: Fairness-Aware Graph Encoding in Incomplete Social Networks

FairGE: 在不完整社交网络中实现公平性的图编码

Renqiang Luo, Huafei Huang, Tao Tang, Jing Ren, Ziqi Xu, Mingliang Hou, Enyan Dai, Feng Xia

机构 * Jilin University Changchun China ； Adelaide University Adelaide Australia ； Zhejiang University of Technology Hangzhou China ； RMIT Univeristy Melbourne Australia ； RMIT University Melbourne Australia ； Jinan University \& TAL Education Group Guangzhou China ； Jilin University ； Adelaide University ； Zhejiang University of Technology ； RMIT Univeristy ； RMIT University ； Jinan University \& TAL Education Group 纠错

AI总结 FairGE通过谱图理论在不完整社交网络中直接编码公平性，无需生成缺失的敏感属性，提升了统计平衡和机会平等的性能。

Comments 12 pages, WWW 2026

Docs2Synth: A Synthetic Data Trained Retriever Framework for Scanned Visually Rich Documents Understanding

Docs2Synth: 一种用于扫描视觉丰富文档理解的合成数据训练检索框架

Yihao Ding, Qiang Sun, Puzhen Wu, Sirui Li, Siwen Luo, Wei Liu

机构 * University of Western Australia（西澳大学） ； The University of Hong Kong（香港大学） ； Murdoch University（默多克大学） 纠错

AI总结 Docs2Synth通过合成监督框架实现私有和低资源领域文档理解，利用检索引导推理提升接地能力和领域泛化，无需人工标注。

Comments Accepted at WWW 2026 Demo Track

Effective and Unsupervised Social Event Detection and Evolution via RAG and Structural Entropy

基于RAG和结构熵的有效且无监督的社会事件检测与演化

Qitong Liu, Hao Peng, Zuchen Li, Xihang Meng, Ziyu Yang, Jiting Li, Li Sun, Philip S. Yu

AI总结 RagSEDE通过引入代表性和多样性驱动的采样策略、基于RAG的新范式以及结构信息理论，有效解决了社交媒体中社会事件检测与演化中的三大挑战。

Comments 12 pages, 7 figures, accepted for The Web Conference (WWW) 2026

PRISM: Personalized Recommendation via Information Synergy Module

基于信息协同模块的个性化推荐（PRISM）

Xinyi Zhang, Yutong Li, Peijie Sun, Letian Sha, Zhongxuan Han

AI总结 PRISM通过信息协同模块实现个性化推荐，通过分解多模态信息并动态加权以提升推荐效果。

Comments Accepted as a Full Paper at WWW 2026