近期，中国计算机学会（CCF）推荐的A类国际学术会议SIGIR 2026论文接收结果公布。研究团队五篇论文获SIGIR 2026国际会议录用。其中1篇录用为长文，4篇录用为短文。SIGIR是国际信息检索与 AI 领域顶级学术会议，聚焦信息检索、推荐系统、大模型对齐、多模态理解、数据挖掘等前沿方向，在全球学术界与工业界具有极高影响力与认可度。是信息检索领域的顶级国际会议。SIGIR 2026 将于2026年7月20日—24日在澳大利亚墨尔本召开。
题目：Dynamic Memory Forest: Constructing and Tracing Conversational Trajectories for Long-Term Conversation
作者：Cai Ke, Bin Liang, Xin Liu, Yue Yu, Hui Wang, Ruifeng Xu*
简介：尽管现有大模型的上下文窗口在不断扩展，但在处理离散且复杂的长期开放域对话时，仍难以有效组织和利用长期记忆以保持对话的一致性与连贯性。真实的长期交互并非信息的孤岛，不同会话之间往往隐藏着能够同时跨越和关联多个主题的语义枢纽（即“桥接节点”）。然而，当前主流的长期记忆范式普遍依赖于将历史会话压缩为摘要或碎片化检索，这种做法不可避免地割裂了这些关键的桥接信息，丢失了细粒度的对话轨迹与深层关联，导致模型难以将散落在不同历史会话中的孤立记忆精准串联起来以响应当前查询。为了突破这一瓶颈，本研究受认知科学中人类记忆处理机制的启发，创新性地提出了一种“先巩固，再生长”的动态记忆森林（Dynamic Memory Forest, DMF）框架。该框架首先通过软聚类将每一轮对话历史巩固为保留主题连贯性的局部记忆树，随后引入群体相对投票演化嫁接机制，模拟大脑的突触可塑性，动态决定新记忆树的独立生长或融合嫁接，从而将离散记忆稳健地生长成不断演化的记忆森林。在检索阶段，研究进一步设计了熵驱动的记忆漫步算法，通过优先探索高熵桥接节点在不同主题的记忆树间进行关联跳跃，为大模型生成动态重构出一条逻辑严密的对话轨迹路径。
在 CC、MSC 和 GC 三个真实的长期开放域对话生成数据集上的广泛实验表明，DMF 框架在各项生成质量评价指标上均显著且全面地超越了现有的各类强基线方法。
题目：Negotiating the Punchline: Contextual Meme Understanding via Discrete Semantic Energy Minimization
作者：Bingbing Wang*, Zihan Wang*, Zhengda Jin, Jing Li, Ruifeng Xu†, Min Zhang
简介：上下文模因理解旨在从模糊的视觉隐喻和社会语境中解码隐式含义，这对于在线传播分析至关重要。然而，现有的线性推理范式将其还原论式地视为一种确定性的解码过程，忽略了一个根本事实，即模因的解读必须依赖于多模态线索的动态对齐。由于缺乏衡量和纠正对齐失误的机制，这些静态模型不可避免地会让初始的感知失败级联演变为不可逆转的逻辑幻觉。为了解决这一问题，本文提出了语义能量熵下降（Semantic Energy Entropy Descent，简称 SEED）框架。该框架将上下文模因理解重新定义为离散语义空间内的能量最小化问题。具体而言，SEED 构建了一个收敛异构思维树（CHTT）作为优化工作空间。在该空间内，评估者智能体（Evaluator Agent）通过一种语义能量机制来量化假设的语义不一致性。通过计算离散语义梯度作为结构化反馈，该框架激活供应者智能体（Supplier Agent）来检索知识和语境证据，并激活推理者智能体（Reasoner Agent）来精炼解释，从而编排语义下降动力学，迭代地驱动推理轨迹收敛至一个稳定、低熵的解读。
实验结果表明，SEED 在分类和生成任务上均一致优于强基线模型，减少了逻辑幻觉并提升了文化背景理解深度。
题目：A Graph-Enhanced MLLM for Hierarchical Multimodal Emotion Understanding and Support in Conversations
作者：Geng Tu, Taiyu Niu, Xi Zeng, Ruifeng Xu*, Min Zhang
简介：多模态情绪对话系统可以从统一建模的角度理解为涵盖感知（多模态对话情感识别）、推理（多模态对话情绪原因对提取）以及支持（多模态情感支持对话，MESC）的整体任务。尽管现有方法逐渐转向基于多模态大语言模型（MLLM）的范式，并具备更强的泛化能力，但它们通常将这些任务作为相互独立的模块进行处理。这种解耦设计破坏了感知、推理与支持之间的内在关联。此外，这些方法在多模态融合时，多依赖于将编码器特征进行粗粒度拼接后输入提示（prompt），忽略了说话人之间以及模态之间的结构化关系依赖。为了解决上述问题，我们提出了一种基于图增强多模态大语言模型的统一情感理解与支持框架GraphEMO，使得MESC 能够在前序阶段的感知与因果表征基础上进行构建。同时，我们引入双重图注意力机制，以捕捉说话人之间及跨模态的内外部关系动态，从而增强结构化关系建模能力。在五个公共多模态对话数据集上的实验结果表明，GraphEMO在Qwen和LLaMA等开源模型上均实现了稳定且一致的性能提升。
整体架构
实验结果
题目：SocialDropout: Dynamic Agent Dropout for Social Simulation
作者：Huajie Wang, Geng Tu, Xi Zeng, Ruifeng Xu, Min Zhang
简介：大型语言模型驱动的多智能体社会仿真框架能够对复杂社会动态进行真实建模，但由于智能体全量参与及大量交互所带来的开销，其计算成本极为高昂。为解决这一问题，本文在 AgentSociety 框架内提出一种基于强化学习的智能体选择策略。该策略受AgentDropout范式启发，能够在每轮仿真中动态识别并采样具有高信息量的智能体子集。每个智能体被赋予一个自适应重要性权重，该权重通过联合优化以下目标进行学习：在最小化智能体稀疏度与计算开销（以 LLM 调用次数、token 消耗量及运行时间衡量）的同时，保持环境中社会交互的强度。
整体架构
大量性能评估实验表明，所提方法显著提升了仿真效率与可扩展性。此外，消融研究验证了在大幅削减智能体参与数量的情况下，系统仍能在较大程度上保持宏观行为的真实性与结果的一致性。本方法为受计算预算约束的大规模基于 LLM 的多智能体社会仿真提供了一种实用且通用的优化机制。
实验结果
题目：Towards Unified Affective Reasoning via In-Context Reinforcement Learning
作者：Feng Xiong, Jun Wang, Ruifeng Xu
简介：强化学习在情感领域的引入，使得大模型在捕捉讽刺语气、解析微妙情感变化等方面取得了显著进展。然而，现有研究多局限于孤立的单任务微调，不仅导致了严重的计算冗余，更阻碍了跨任务间知识共享与协同的可能。为解决这一难题，我们提出了基于上下文强化学习的统一情感推理方法，通过利用上下文学习机制，引入范例演示，有效协调并统一了不同数据集间异构的标签体系。基于此，该框架将情绪识别、方面级情感分析、立场检测、讽刺识别等多个主流情感子任务纳入统一框架进行联合优化，促使模型内化出通用的情感推理逻辑。广泛的实验结果表明，该统一情感推理框架在16个标准情感基准测试中均取得了一致的性能提升，充分验证了其在强化大模型情感推理能力上的有效性与泛化能力。
