顺序推荐的慢速思考
信息检索
2025-04-15 v1 人工智能
摘要
为了开发有效的序列推荐系统，已提出诸多方法来建模用户历史行为。尽管这些方法有效，但它们共享相同的快速思考范式：即在做出推荐时，这些方法通常会对用户历史交互进行编码，以获取用户表示，并直接将其与候选物表示进行匹配。然而，由于传统轻量级推荐模型的容量有限，这种单步骤推理范式常常导致次优性能。为解决此问题，我们提出了一种新型慢速思考推荐模型，命名为 STREAM-Rec。我们的模型能够分析用户历史行为，生成多步骤、深入推理过程，最终提供个性化推荐。具体而言，我们聚焦于两个关键挑战：(1) 在推荐系统中识别合适的推理模式，(2) 探索如何有效激发传统推荐器的推理能力。为此，我们引入三阶段训练框架。在第一阶段，模型在大规模用户行为数据上进行预训练，以学习行为模式并捕获长程依赖。在第二阶段，我们设计了迭代推理算法，通过逐步细化模型预测来标注合适的推理痕迹。此标注数据随后用于微调模型。在第三阶段，我们应用强化学习进一步提升模型的泛化能力。广泛实验验证了我们方法的有效性。
引用
@article{arxiv.2504.09627,
title = {Slow Thinking for Sequential Recommendation},
author = {Junjie Zhang and Beichen Zhang and Wenqi Sun and Hongyu Lu and Wayne Xin Zhao and Yu Chen and Ji-Rong Wen},
journal= {arXiv preprint arXiv:2504.09627},
year = {2025}
}