論文の概要: Think Before Recommend: Unleashing the Latent Reasoning Power for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2503.22675v2
• Date: Wed, 16 Apr 2025 10:20:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 14:37:38.412998
• Title: Think Before Recommend: Unleashing the Latent Reasoning Power for Sequential Recommendation
• Title（参考訳）: レコメンデーション前に考える: シークエンシャルレコメンデーションのための潜在リコメンデーションパワーの解放
• Authors: Jiakai Tang, Sunhao Dai, Teng Shi, Jun Xu, Xu Chen, Wen Chen, Wu Jian, Yuning Jiang,
• Abstract要約: 提案するTextbfReaRecは,レコメンデータシステムのための最初の推論時間計算フレームワークである。 ReaRecはシーケンスの最後の隠された状態をシーケンシャルレコメンデータに自動的にフィードする。 本稿では2つの軽量推論に基づく学習手法,ERL(Ensemble Reasoning Learning)とPRL(Progressive Reasoning Learning)を紹介する。
• 参考スコア（独自算出の注目度）: 20.965068290049057
• License:
• Abstract: Sequential Recommendation (SeqRec) aims to predict the next item by capturing sequential patterns from users' historical interactions, playing a crucial role in many real-world recommender systems. However, existing approaches predominantly adopt a direct forward computation paradigm, where the final hidden state of the sequence encoder serves as the user representation. We argue that this inference paradigm, due to its limited computational depth, struggles to model the complex evolving nature of user preferences and lacks a nuanced understanding of long-tail items, leading to suboptimal performance. To address this issue, we propose \textbf{ReaRec}, the first inference-time computing framework for recommender systems, which enhances user representations through implicit multi-step reasoning. Specifically, ReaRec autoregressively feeds the sequence's last hidden state into the sequential recommender while incorporating special reasoning position embeddings to decouple the original item encoding space from the multi-step reasoning space. Moreover, we introduce two lightweight reasoning-based learning methods, Ensemble Reasoning Learning (ERL) and Progressive Reasoning Learning (PRL), to further effectively exploit ReaRec's reasoning potential. Extensive experiments on five public real-world datasets and different SeqRec architectures demonstrate the generality and effectiveness of our proposed ReaRec. Remarkably, post-hoc analyses reveal that ReaRec significantly elevates the performance ceiling of multiple sequential recommendation backbones by approximately 30\%-50\%. Thus, we believe this work can open a new and promising avenue for future research in inference-time computing for sequential recommendation.
• Abstract（参考訳）: シークエンシャルレコメンデーション(SeqRec)は、ユーザの過去のインタラクションから逐次パターンをキャプチャし、現実世界のレコメンデーションシステムにおいて重要な役割を果たすことで、次の項目を予測することを目的としている。 しかし、既存の手法は主に直接フォワード計算のパラダイムを採用しており、シーケンスエンコーダの最終的な隠れ状態がユーザ表現として機能する。 この推論パラダイムは、計算深度が限られているため、ユーザの嗜好の複雑な進化する性質をモデル化するのに苦労しており、ロングテールアイテムの微妙な理解が欠如しており、最適化性能の低下につながると我々は主張する。 この問題に対処するために,暗黙のマルチステップ推論によりユーザ表現を向上する,レコメンダシステムのための最初の推論時コンピューティングフレームワークである \textbf{ReaRec} を提案する。 具体的には、ReaRecはシーケンシャルレコメンデータにシーケンシャルレコメンデータの最後に隠された状態を自動的にフィードし、特別な推論位置埋め込みを組み込んで、元のアイテムエンコーディング空間をマルチステップ推論空間から切り離す。 さらに,ReaRecの推論能力を効果的に活用するために,ERL(Ensemble Reasoning Learning)とPRL(Progressive Reasoning Learning)の2つの軽量推論学習手法を導入する。 5つの公開実世界のデータセットと異なるSeqRecアーキテクチャに関する大規模な実験は、提案したReaRecの汎用性と有効性を示している。 注目すべきは、ポストホック分析によって、ReaRecは、複数のレコメンデーションバックボーンのパフォーマンス天井を約30～50%上昇させることである。 したがって、この研究は、推論時間コンピューティングにおける将来的な研究のための、新しい、そして有望な道を開くことができると信じている。

関連論文リスト

• SessionRec: Next Session Prediction Paradigm For Generative Sequential Recommendation [20.51953517144625]
  生成的逐次レコメンデーションのための新しい次世代予測パラダイムであるSessionRecを紹介する。 実際のセッションベースのユーザインタラクションに矛盾するNIPPの項目レベルの自己回帰生成とは異なり、我々のフレームワークはセッション認識表現学習を導入している。 その結果、次のセッション予測パラダイムの下で、セッション内の項目のランクロスを組み込むことで、生成シーケンス推薦モデルのランキングの有効性を著しく向上できることがわかった。
  論文  参考訳（メタデータ） (2025-02-14T13:36:20Z)
• RaSeRec: Retrieval-Augmented Sequential Recommendation [27.276639257126664]
  本稿では,RaSeRecという名称のRetrieval-Augmented Sequential Recommendationフレームワークを提案する。 RaSeRecは動的メモリバンクをメンテナンスし、好みのドリフトを許容し、関連するメモリを取得し、ユーザーモデリングを明示的に強化する。 これは、コラボレーティブベースの事前学習(コラボレーティブベース)、レコメンデーションとレコメンデーションを学習する(ii)検索強化微調整(recovery-augmented fine-tuning)、検索された記憶を活用することを学ぶ。
  論文  参考訳（メタデータ） (2024-12-24T12:07:48Z)
• Hierarchical Reinforcement Learning for Temporal Abstraction of Listwise Recommendation [51.06031200728449]
  我々はmccHRLと呼ばれる新しいフレームワークを提案し、リストワイドレコメンデーションにおける時間的抽象化のレベルを異なるものにする。 階層的な枠組みの中では、ハイレベルエージェントがユーザ知覚の進化を研究し、低レベルエージェントがアイテム選択ポリシーを作成している。 その結果,本手法による性能改善は,いくつかのよく知られたベースラインと比較して有意な結果が得られた。
  論文  参考訳（メタデータ） (2024-09-11T17:01:06Z)
• CSRec: Rethinking Sequential Recommendation from A Causal Perspective [25.69446083970207]
  シーケンシャルなレコメンデータシステム(RecSys)の本質は、ユーザが意思決定を行う方法を理解することです。 我々は、CSRec(Causal Sequential Recommendation)と呼ばれる、シーケンシャルレコメンデーションの新しい定式化を提案する。 CSRecは、シーケンシャルなコンテキスト内で推奨項目が受け入れられる確率を予測し、現在の決定がどのようになされるかをバックトラックすることを目的としている。
  論文  参考訳（メタデータ） (2024-08-23T23:19:14Z)
• DRDT: Dynamic Reflection with Divergent Thinking for LLM-based Sequential Recommendation [53.62727171363384]
  進化的思考を伴う動的反射(Dynamic Reflection with Divergent Thinking)という新しい推論原理を導入する。 我々の方法論はダイナミックリフレクション(動的リフレクション)であり、探索、批評、反射を通じて人間の学習をエミュレートするプロセスである。 6つの事前学習 LLM を用いた3つのデータセットに対するアプローチの評価を行った。
  論文  参考訳（メタデータ） (2023-12-18T16:41:22Z)
• MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation [61.45986275328629]
  逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。 ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。 候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
  論文  参考訳（メタデータ） (2023-08-22T04:06:56Z)
• Generative Slate Recommendation with Reinforcement Learning [49.75985313698214]
  強化学習アルゴリズムは、レコメンデータシステムのユーザエンゲージメントを最適化するために使用することができる。 しかし、RLアプローチはスレートレコメンデーションシナリオでは難解である。 この設定では、アクションはアイテムの組み合わせを含むことができるスレートに対応する。 本研究では,変分オートエンコーダによって学習された連続低次元ラテント空間におけるスレートの符号化を提案する。 我々は、(i)以前の作業で要求される仮定を緩和し、(ii)完全なスレートをモデル化することで、アクション選択の品質を向上させることができる。
  論文  参考訳（メタデータ） (2023-01-20T15:28:09Z)
• D2RLIR : an improved and diversified ranking function in interactive recommendation systems based on deep reinforcement learning [0.3058685580689604]
  本稿では,アクタ・クリティカルアーキテクチャを用いた深層強化学習に基づく推薦システムを提案する。 提案モデルでは,ユーザの嗜好に基づいて,多様かつ関連性の高いレコメンデーションリストを生成することができる。
  論文  参考訳（メタデータ） (2021-10-28T13:11:29Z)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)
• Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
  逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。 当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
  論文  参考訳（メタデータ） (2020-05-21T12:28:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。