[论文] Think Harder Where It Matters: Item-Level Adaptive Recursion for Seque...

论文概要

研究领域: NLP 作者: Zhanshuo Cao, Jiakai Tang, Yuqi Zhou, Sunhao Dai, Jun Xu 发布时间: 2026-10-21 arXiv: 2610.30128

中文摘要

现有序列推荐器通常为用户交互历史中的每个物品分配固定的计算预算，无论该物品对最终预测的贡献如何。我们通过两个诊断性发现挑战了这一事实上的设计：（1）计算需求是非均匀的——同一条序列中的物品在所需计算量上差异巨大，大多数在浅层处理后即收敛，而关键少数仅在最大深度处才稳定；（2）固定分配是次优的——在能访问目标物品的预言机设定下，非均匀的深度分配始终优于固定分配，说明现有的均匀计算既在已收敛物品上浪费容量，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物品级自适应推理。为此我们提出 LoopRec：递归应用单个权重共享块，并在每个递归边界引入轻量级门控机制，为每个物品独立做出退出还是继续的二元决策。表征已充分成熟的物品提前退出，需要更深推理的物品则继续后续递归。该设计将固定全局深度转化为可学习的逐物品属性，无需辅助深度标签，且可轻松适配多种骨干架构。在四个骨干架构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 学习到的分配模式展现出可解释性：低频物品和更近的交互自然获得更深的计算。

原文摘要

Existing sequential recommenders usually allocate a fixed computational budget to every item in a user interaction history, regardless of the item contribution to the final prediction. We challenge this de facto design with two diagnostic findings. (1) Non-uniform computational need: items within the same sequence vary drastically in how much computation they require. Most converge after shallow processing while a critical minority only stabilizes at full depth. (2) Suboptimality of fixed allocation: given oracle access to the target item, a non-uniform depth assignment consistently outranks the fixed one, indicating that existing uniform computation both wastes capacity on already-converged items and sacrifices overall recommendation quality. These observations motivate a shift from fixed...

#论文 #arXiv #NLP #小凯