ReaRec：释放顺序推荐中的隐式推理能力
信息检索
2025-08-04 v3 人工智能
计算与语言
摘要
顺序推荐（SeqRec）旨在通过捕捉用户历史交互中的序列模式来预测下一个物品，在许多现实世界的推荐系统中发挥着关键作用。然而，现有方法主要采用直接前向计算范式，其中序列编码器的最终隐藏状态作为用户表示。我们认为，这种推理范式由于计算深度有限，难以建模用户偏好复杂的演变过程，缺乏对长尾物品的细致理解，导致性能次优。为此，我们提出了 **ReaRec**，即 recommender systems 首个推理时间计算框架，通过隐式多步骤推理来增强用户表示。具体而言，ReaRec 在 autoregression 方式下将序列的最后隐藏状态输入到顺序推荐器中，并 incorporating 特殊推理位置嵌入以将原始物品编码空间与多步骤推理空间解耦。此外，我们引入两种轻量级基于推理的学习方法，即 Ensemble Reasoning Learning（ERL）和 Progressive Reasoning Learning（PRL），进一步有效地利用 ReaRec 的推理潜力。在五个公共真实数据集和不同的 SeqRec 架构上进行的广泛实验表明，我们提出的 ReaRec 具有普遍性和有效性。令人惊讶的是，后置分析揭示，ReaRec 通过约 30%-50% 显著提升了多个顺序推荐 backbone 的性能上限。因此，我们相信本工作为未来的推理时间计算在顺序推荐领域的研究开辦了一条新且充满希望的道路。
引用
@article{arxiv.2503.22675,
title = {Think Before Recommend: Unleashing the Latent Reasoning Power for Sequential Recommendation},
author = {Jiakai Tang and Sunhao Dai and Teng Shi and Jun Xu and Xu Chen and Wen Chen and Jian Wu and Yuning Jiang},
journal= {arXiv preprint arXiv:2503.22675},
year = {2025}
}