本次公佈的獲獎論文中，有多位華人作者。
The Web Conference（前身為 International World Wide Web Conference，WWW）會議是全球資訊網領域的頂會，由圖靈獎得主 Tim 創辦，被中國計算機協會將其認證為 CCF-A 類會議，每年舉辦一次。
目前大會公佈了最佳學生論文獎、最佳論文獎以及時間檢驗獎。
最佳論文獎
WWW 2024 最佳論文頒給了和大模型相關的研究。
標題：Mechanism Design for Large Language Models
論文地址：https://arxiv.org/pdf/2310.10826
作者：Paul Dütting、Vahab Mirrokni、Renato Paes Leme、Haifeng Xu、Song Zuo
機構：Google Research、芝加哥大學
這篇論文作者共有 5 位，包括兩位華人。
Haifeng Xu 是芝加哥大學助理教授，並領導了 Sigma 實驗室。在此之前，Haifeng Xu 在哈佛大學做過博士後，導師是 Yiling Chen 和 David Parkes，在南加州大學（USC）獲得了電腦科學博士學位，導師是 Shaddin Dughmi 和 Milind Tambe（現任哈佛大學教授）。
圖源：https://twitter.com/DSI_UChicago/status/1790839792906944650
Song Zuo 現在是谷歌研究科學家，此前，他在清華大學獲得博士學位，本科畢業於清華姚班，主要研究方向為拍賣與機制設計，經濟學與計算。
本文研究了拍賣機制（auction mechanisms），以支援人工智慧生成內容的新興格式。他們特別研究瞭如何以激勵相容的方式聚合多個大型語言模型（LLM）。在這個問題中，每個智慧體對隨機生成內容的偏好被描述 / 編碼為一個 LLM。這項研究的一個關鍵動機是設計一種 AI 生成廣告創意的拍賣格式，以結合不同廣告商的輸入。研究者認為，儘管這個問題總體上屬於機制設計的範疇，但它具有幾個獨特的特徵。
本文提出了一種通用形式 —— token auction 模型來進行研究。該模型的一個關鍵特徵是，它以 token 為單位進行操作，並允許 LLM 智慧體透過單維度出價的方式來影響生成的內容。
本文首先探索了一種穩健的拍賣設計方法，在這種方法中，本文假設智慧體偏好比結果分佈更具有部分順序。他們提出了兩種自然的激勵屬性，並證明這些屬性等同於分佈聚合的單調性條件。本文還證明，對於這種聚合函式，即使在沒有競標者估值函式的情況下，也可以設計出第二價格拍賣（second-price auction）。接下來，本文透過聚焦於基於 KL 散度（LLM 中常用的損失函式）的具體估值形式，設計了具體的聚合函式。結果表明，福利最大化（welfare-maximizing）的聚合規則是所有參與者目標分佈的加權（對數空間）凸組合。最後，本文透過實驗結果支援了 token 拍賣的形式化。
兩個不同的聚合函式生成的文字
最佳學生論文獎
來自愛丁堡大學的研究者摘得了本屆最佳學生論文獎。
標題：Stable-Sketch: A Versatile Sketch for Accurate, Fast, Web-Scale Data Stream Processing
論文地址：https://homepages.inf.ed.ac.uk/ppatras/pub/webconf24.pdf
作者：Weihe Li、Paul Patras
機構：愛丁堡大學
論文摘要：資料流處理在各種與網路相關的應用中起著關鍵作用，包括點選欺詐檢測、異常識別和推薦系統。然而，在資料流中準確快速地檢測與這些任務相關的專案（如熱門專案、重大變化專案和持久專案）並非易事。這是由於當前系統中不斷增加的流速、有限的快速記憶體（L1 快取）以及實際遇到的高度偏斜的專案分佈。
本文引入了 bucket 穩定性的概念，它量化了記錄專案變化的程度，並證明這是識別不同專案型別的強大指標。
在此基礎上，本文提出了 Stable-Sketch，它利用了多維資訊，包括專案統計和 bucket 穩定性，並採用隨機方法來驅動替換決策。研究者對 Stable-Sketch 的誤差範圍進行了理論分析，並進行了大量實驗，證明本文的解決方案在各種專案檢測任務中，即使在記憶體緊張的情況下，也能實現更高的準確性和更快的處理速度。
首爾時間檢驗獎（Seoul Test of Time Award）
來自史丹佛大學的 Taher H Haveliwala 獲得了時間檢驗獎。
標題：Topic-Sensitive PageRank
論文地址：http://www-cs-students.stanford.edu/~taherh/papers/topic-sensitive-pagerank.pdf
作者：Taher H Haveliwala
機構：史丹佛大學
在原始的 PageRank 演算法中，透過計算一個單一的 PageRank 向量，並利用網頁的連結結構來捕捉網頁的相對重要性，然而這一過程與任何特定的搜尋查詢無關。
為了產生更準確的搜尋結果，本文建議計算一組 PageRank 向量，從而使用一組具有代表性主題的偏置向量，以更準確地捕獲特定主題的重要概念。透過使用這些（預先計算的）偏置的 PageRank 向量，本文展示了這種方法可以比使用單一的通用 PageRank 向量生成更準確的排名。
參考連結：https://www2024.thewebconf.org/program/awards/