arXiv cs.CL· Zhanshuo Cao, Jiakai Tang, Yuqi Zhou, Sunhao Dai, Jun Xu·· 12 小时前AI 评分22
LoopRec：面向序列推荐的条目级自适应递归计算
Think Harder Where It Matters: Item-Level Adaptive Recursion for Sequential Recommendation
AI 导读
针对序列推荐中固定计算预算的缺陷，研究者提出 LoopRec，通过权重共享块与递归边界上的轻量门控，为每个条目独立决定提前退出或继续递归。在四个骨干模型族的公开基准实验中，LoopRec 一致优于同等固定深度的基线，且学到的分配模式与 oracle 分析一致：低频条目和较新交互获得更深计算。代码已开源。
正文 · AI 翻译
摘要：现有的序列推荐器通常为用户交互历史中的每个项目分配固定的计算预算，而不考虑该项目对最终预测的贡献。我们通过两项诊断性发现来质疑这一事实上的设计。（1）非均匀计算需求：同一序列内的项目在所需计算量上差异巨大。大多数项目在浅层处理后即收敛，而关键的少数项目只有在完整深度下才稳定。（2）固定分配的非最优性：在能够获取目标项目 oracle 信息的情况下，非均匀深度分配始终优于固定分配，这表明现有的均匀计算既在已收敛项目上浪费了容量，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项目级自适应推理。为此，我们提出 LoopRec。LoopRec 递归地应用单个权重共享块，并在每个递归边界引入一个轻量级门控，对每个项目独立做出二元的退出或继续决策。表示已充分成熟的项目提前退出，而需要更深层推理的项目则继续后续递归。该设计将固定的全局深度转化为一种学习得到的、逐项目的属性，无需辅助深度标签，并且易于适配多种骨干架构。在四个骨干家族的公开基准上进行的大量实验表明，LoopRec 始终优于匹配的固定深度对应方法。进一步分析揭示，LoopRec 学习到的分配呈现出与我们的事后 oracle 分析相一致的可解释模式：低频项目和更近期的交互自然获得更深层的计算。我们的代码可在 此 https URL 获取。
| 学科： | 信息检索（cs.IR）；人工智能（cs.AI）；计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.30128 [cs.IR] |
| （或 arXiv:2610.30128v1 [cs.IR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.30128 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Zhanshuo Cao [查看邮箱]
[v1]
2026年10月21日 星期三 17:58:06 UTC（291 KB）
来源：arXiv cs.CL · arxiv.org