2025年7月13日至18日，信息检索领域的重要学术会议——第48届国际ACM SIGIR信息检索研究与发展大会（International ACM SIGIR Conference on Research and Development in Information Retrieval，SIGIR 2025）在意大利帕多瓦召开。王选所文档智能研究团队在此次会议上录用了2篇论文，硕士生胡蕙滢代表研究团队参与了此次会议，并进行了相关论文展示和报告。

SIGIR作为信息检索领域的权威会议，吸引了全球范围内高校、科研机构及企业的顶尖学者参与。本届大会汇聚了信息检索、推荐系统、图神经网络应用等多个方向的最新研究成果，为学术界与产业界搭建了高效的交流平台。

本次共有2篇论文成功录用，分别是2篇poster。 两篇录用论文的具体信息及核心成果如下：

[1] Hongxiang Lin, Huiying Hu, Yixiao Zhou, Xiaoqing Lyu, Improving Link Sign Prediction in Signed Bipartite Graphs via Balanced Line Graphs, SIGIR 2025

该论文针对带符号二部图中链路符号预测任务面临的链路类别不平衡难题（如头部类别链路数量远多于尾部类别），提出了基于线图的动态平衡预测（LDBP）方法。通过将二部图的链路转化为线图的节点，将链路类别不平衡问题转化为节点类别不平衡问题；引入质心对比学习（CCL）增强类内凝聚性与类间区分度，设计动态合成与删除（DSD）策略优化尾部类别节点特征空间。在Review、Bonanza等真实数据集上的实验表明，该方法有效提升了链路符号预测准确率，同时妥善解决了类别不平衡问题。

[2] Hongxiang Lin, Huiying Hu, Yixiao Zhou, Xiaoqing Lyu, Multi-Interest Matching for Personalized News Recommendation with Large Language Models, SIGIR 2025

该论文为解决个性化新闻推荐中用户偏好捕捉不精准、兴趣粒度粗糙的问题，提出了多兴趣个性化新闻推荐（MIPNR）模型。模型从用户、新闻、实体三个层级分别建模用户兴趣：通过类别引导兴趣-新闻匹配（CGIN-Matching）挖掘未点击新闻中的潜在兴趣，构建局部新闻实体图（LNEG）捕捉实体间细微关联，结合实体注意力机制提取细粒度兴趣，同时利用大语言模型（LLMs）生成用户偏好的显式文本描述。在MIND-small与MIND-large数据集上的实验验证了该模型的优越性，相比传统推荐方法，在关键指标上均有显著提升。