SIGIR 2026（第 49 届国际 ACM SIGIR 信息检索研究与发展会议）是全球信息检索领域历史最悠久、影响力最大的 CCF A 类顶级会议。SIGIR作为信息检索与推荐系统领域的风向标会议，学术评审标准严苛、业内竞争白热化。本届会议共收到有效投稿1271篇，最终仅录用234篇，整体录用率低至18.4%。近日，我院智能物联团队许勇教授等提交的学术论文“Inferring Targets from Calibrated Hesitations via Mutual Information Maximization in Multi-Behavior Recommendation”经严格同行评审，成功被 SIGIR 2026 接收，标志着我院在信息检索与人工智能交叉领域的研究成果获得国际顶尖学术平台的高度认可。该论文第一作者为我院2023级硕士生李城，许勇教授担任通讯作者，安徽师范大学为第一单位。

多行为推荐通过融合多样化辅助交互丰富用户偏好建模，但现有方法大多简单将非目标行为交互视作绝对负反馈。该策略忽略了用户犹豫这一关键中间状态 —— 用户已展现强烈交互意图，却因各类原因未完成最终转化，导致模型无法区分真实无兴趣与高意图犹豫行为，为偏好建模引入大量噪声。针对这一核心问题，团队提出全新框架CHARM：首先将导向成功转化的辅助行为聚合为潜在意图表征，通过最大化意图与观测目标行为间的互信息训练推理网络；在假设转化发生的前提下，将网络应用于未转化辅助行为，推理潜在转化概率并识别高意图犹豫样本。此外，为区分真实犹豫与竞品选择导致的交互终止，团队设计竞争者替代惩罚策略细化犹豫置信度得分，最终将校准后的犹豫集融入推荐流程，显著提升排序质量。在三个真实世界数据集上的大量实验表明，CHARM 模型持续优于现有主流 SOTA 方法，充分验证了框架的有效性与先进性。

SIGIR 作为信息检索领域的风向标，每年录用率常年维持在20% 以下，长文录用率更是低于15%，竞争极为激烈。本次成果成功中稿，既是团队长期深耕前沿研究的积累，也是我院在人工智能与信息检索方向科研实力的集中体现。