在关键之处深入思考：面向序列推荐的物品级自适应递归

Hugging Face Daily Papers 论文
sequential-recommendation adaptive-computation recurrent-models deep-learning recommender-systems

摘要

该论文提出了 LoopRec，一种用于序列推荐的物品级自适应递归框架。该框架通过可学习的门控机制重复使用权重共享的骨干网络模块，为每个物品分配计算深度，并在 3 个 Amazon 基准数据集和包括 SASRec、NextItNet 在内的 4 种骨干网络上均取得了稳定的性能提升。

现有的序列推荐模型通常为用户交互历史中的每个物品分配固定的计算预算，而不考虑该物品对最终预测的贡献。我们通过两项诊断性发现对这一事实上的设计惯例提出质疑。(1) 计算需求的非均匀性：同一序列中的物品在所需计算量上存在显著差异。大多数物品仅经过浅层处理便已收敛，而少数关键物品只有在完整深度下才趋于稳定。(2) 固定分配的次优性：在能够通过预言机获知目标物品的情况下，非均匀深度分配始终优于固定深度分配，这表明现有的均匀计算既在已收敛的物品上浪费了计算资源，又牺牲了整体推荐质量。这些观察促使我们从固定深度计算转向物品级自适应推理。为此，我们提出了 LoopRec。LoopRec 递归应用单个权重共享模块，并在每次递归的边界处引入轻量级门控，独立地为每个物品作出退出或继续的二元决策。表征已充分成熟的物品提前退出，而需要更深层推理的物品则继续进入后续递归。该设计将固定的全局深度转化为可学习的逐物品属性，无需辅助深度标签，并且易于适配多种骨干架构。在公开基准上针对四类骨干模型开展的大量实验表明，LoopRec 始终优于与之匹配的固定深度模型。进一步分析显示，LoopRec 学到的计算分配呈现出与我们的事后预言机分析一致的可解释模式：低频物品和更近期的交互会自然获得更深层的计算。我们的代码已公开于 https://github.com/Elpmis117/LoopRec。
查看原文
查看缓存全文

缓存时间: 2026/10/22 15:38

论文页面 - 在关键之处更深入思考：面向序列推荐的物品级自适应递归

来源：https://huggingface.co/papers/2610.30128 🧠每次交互都分配相同的计算量。应该如此吗？

介绍我们论文《在关键之处更深入思考：面向序列推荐的物品级自适应递归》中的LoopRec。我们探索了一个简单的想法：让每个历史物品学习自身需要多深的处理。

🔍自适应深度背后的证据 在 Amazon Office 数据集上对三层 SASRec 进行诊断发现，**76.14%的物品在一层后就趋于稳定，而6.72%**的物品需要全部三层。同一段历史中同时存在浅层和深层计算需求。

🔁同一个共享模块，不同的深度 LoopRec 以递归方式复用一个权重共享的骨干模块。轻量级门控逐个物品决定退出还是继续，无需辅助深度标签。学习得到的路由机制为更罕见的物品和更近期的交互分配更深的计算。

📈跨架构的一致提升 在3 个 Amazon 基准数据集 × 4 种骨干架构——SASRec、BSARec、NextItNet 和 LRURec——上，报告的全部48项排序比较均有提升，其中44项具有统计显著性。在 Patio 数据集上，NextItNet 的 NDCG@20 从0.0192 提升至 0.0263 (+37.02%)。

💡 自适应计算为推荐系统开辟了一个充满前景的方向：学习每位用户的历史中哪些地方能从额外深度中获益。

📄**论文：**https://arxiv.org/abs/2610.30128 💻**代码：**https://github.com/Elpmis117/LoopRec

我们很想听听你对推荐系统中自适应深度的看法! 🤗

相似文章

从自适应列表排序角度重新审视自适应检索增强生成的必要性

arXiv cs.CL

本文提出了 AdaRankLLM，一个自适应检索框架，通过列表排序动态过滤检索到的段落，对自适应 RAG 的必要性提出质疑。研究表明自适应检索对于较弱模型充当噪声过滤器，对于更强模型充当成本效率优化器，在多个数据集和 LLM 上进行了广泛实验。

RouteRec：推荐智能体选择与聚合的严格评估

arXiv cs.CL

RouteRec是一个用于在成本约束下评估请求级硬选择与项目级学习聚合异构推荐智能体（包括LLM重排序器）的框架。在MovieLens-1M上的实验表明，项目级聚合显著优于请求级选择。