LoopRec 提出按物品自适应递归的序列推荐方法
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载固定深度的问题
现有序列推荐器对用户交互历史中的每个物品都给出相同的计算预算，不区分该物品对最终预测的贡献。作者用两项诊断结果质疑这一默认做法。第一项是计算需求不均匀：同一序列内的物品在所需计算量上差别很大，大部分物品在浅层处理后表示就趋于稳定，只有少数关键物品要到完整深度才稳定。第二项是固定分配并非最优：在能够获知目标物品的条件下，非均匀的深度分配在排序效果上始终好于固定分配。这两点共同说明，统一计算一方面在已经收敛的物品上浪费容量，另一方面也拉低了整体推荐质量，因此有必要把固定深度计算转向按物品自适应的推理。
门控如何决定退出
LoopRec 的做法是递归地反复应用同一个权重共享模块，并在每次递归的边界处放置一个轻量门控，由门控对每个物品单独做出继续或退出的二值判断。表示已经足够成熟的物品提前结束递归，仍需更深推理的物品进入下一轮。这样就把原本全局统一的固定深度，变成由模型学习得到的、逐物品的属性，而且不需要额外的深度标签来监督。论文强调该设计与骨干结构解耦，可以较方便地接到不同的骨干架构上，这也是后续能在四类骨干上做对比的前提。
实验结果与分配规律
在公开基准上，作者用四类骨干家族做实验，LoopRec 在这些骨干下都稳定超过与之匹配的固定深度版本，说明收益并非来自某一特定结构。进一步分析显示，模型学到的算力分配呈现出可解释的模式，并且与事后的 oracle 分析方向一致：出现频率较低的物品，以及时间上更近的交互，会自然获得更深的计算。这一现象把「哪里需要多想」从人工设定变成了可观察的学习结果。论文代码已公开，便于复现与在其它骨干上验证。
为什么值得看
把固定深度推理改为按物品分配算力，给出可复现的门控做法与四类骨干上的对比结果，对做推荐系统与自适应计算的研究者直接相关。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。