論文の概要: ReasonRec: A Reasoning-Augmented Multimodal Agent for Unified Recommendation
- arxiv url: http://arxiv.org/abs/2606.28357v1
- Date: Mon, 08 Jun 2026 22:40:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-05 17:01:29.59529
- Title: ReasonRec: A Reasoning-Augmented Multimodal Agent for Unified Recommendation
- Title（参考訳）: ReasonRec: 統一レコメンデーションのためのマルチモーダルエージェント
- Abstract要約: ReasonRecは3段階の明示的な推論パイプラインを中心に構築された推論強化マルチモーダルエージェントである。
ReasonRecは、最先端のマルチモーダルレコメンデータと比較して、キーランキングの指標が30%以上改善されていることを示す。
- 参考スコア（独自算出の注目度）: 51.238500135659656
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in multimodal recommenders excel at feature fusion but remain opaque and inefficient decision-makers, lacking explicit reasoning and self-awareness of uncertainty. We introduce ReasonRec, a reasoning-augmented multimodal agent structured around a three-stage explicit reasoning pipeline. Specifically, we propose a reasoning-aware visual instruction tuning strategy that systematically transforms diverse recommendation tasks into unified CoT prompts, enabling the VLM to explicitly articulate intermediate decision steps. Additionally, our evidence-horizon curriculum progressively enhances the reasoning complexity to better handle cold-start and long-tail user scenarios, significantly boosting model generalization. Furthermore, the uncertainty-guided delegation mechanism empowers the agent to assess its own confidence, strategically allocating computational resources to optimize both recommendation accuracy and inference efficiency. Comprehensive experiments on four standard recommendation tasks across five real-world datasets demonstrate that ReasonRec achieves over 30% relative improvement in key ranking metrics compared to state-of-the-art multimodal recommenders. Crucially, ReasonRec substantially reduces inference latency by dynamically delegating up to 35% of queries to efficient sub-models without compromising accuracy. Extensive ablation studies further confirm that each proposed reasoning and planning mechanism individually contributes substantially to ReasonRec's overall effectiveness. Collectively, our results illustrate a clear pathway towards interpretable, adaptive, and efficient multimodal recommendation through explicit reasoning and agentic design.
- Abstract（参考訳）: マルチモーダル・レコメンダの最近の進歩は、特徴融合において優れているが、不透明で非効率な意思決定者であり、明確な推論と不確実性の自己認識が欠如している。
ReasonRecは3段階の明示的推論パイプラインを中心に構築された推論拡張マルチモーダルエージェントである。
具体的には、多種多様な推薦タスクを統合されたCoTプロンプトに体系的に変換し、VLMが中間決定ステップを明示的に記述する、推論対応の視覚的インストラクションチューニング戦略を提案する。
さらに,我々のエビデンス・ホライゾンカリキュラムは,コールドスタートとロングテールのユーザシナリオをよりうまく扱えるように,推論の複雑さを徐々に向上させ,モデル一般化を著しく促進させる。
さらに、不確実性誘導型デリゲート機構により、エージェントは自身の信頼性を評価し、計算資源を戦略的に割り当て、推奨精度と推論効率の両方を最適化する。
5つの実世界のデータセットにわたる4つの標準レコメンデーションタスクに関する総合的な実験は、ReasonRecが最先端のマルチモーダルレコメンデータと比較して、主要なランキングメトリクスの30%以上の相対的な改善を実現していることを示している。
重要なのは、ReasonRecは、クエリの最大35%を効率の良いサブモデルに動的に委譲することで、精度を損なうことなく、推論レイテンシを大幅に削減する。
広範囲にわたるアブレーション研究により、それぞれの提案された推論と計画のメカニズムが、ReasonRecの全体的な効果に大きく貢献することが明らかとなった。
本研究の結果は, 明示的推論とエージェント設計を通じて, 解釈, 適応, 効率的なマルチモーダルレコメンデーションへの明確な道筋を示すものである。
関連論文リスト
- WhisperRec: Latent Reasoning for Efficient Foundation Recommendation Models [51.88075626243057]
基礎推薦モデル(FRM)のための効率的な潜在推論フレームワークであるWhisperRecを提案する。
WhisperRecは教師生成のChain-of-Thought(CoT)を学習可能な潜在推論トークンに圧縮する。
WhisperRecは明示的なCoT法と従来のベースラインを一貫して上回ることを示す。
論文 参考訳（メタデータ） (2026-07-29T08:48:35Z) - Reinforced Preference Optimization for Reasoning-Augmented Recommendations [34.99578717556569]
本稿では、Recommenderシステムのための強化された優先最適化フレームワークRPORecを紹介する。
RPORecは、LPMバックボーンの推論能力を、アイテムの正確な検索のために専用のレコメンデーションヘッド(Rechead)と統合する。
公開ベンチマークと大規模オンラインデプロイメントに関する大規模な実験は、RPORecが最先端のLLMベースのレコメンデーションメソッドを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2026-05-21T03:56:42Z) - Verifiable Reasoning for LLM-based Generative Recommendation [106.7765000777685]
大規模言語モデル(LLM)における推論は、最近、生成的レコメンデーションの強化に強い可能性を示している。
本稿では,信頼性の高いフィードバックを提供するために,検証と推論をインターリーブする新しいTextbftextitreason-verify-recommendパラダイムを提案する。
4つの実世界のデータセットの実験は、VRecが効率を損なうことなく、推奨の有効性とスケーラビリティを大幅に向上することを示した。
論文 参考訳（メタデータ） (2026-03-08T16:55:45Z) - DTRec: Learning Dynamic Reasoning Trajectories for Sequential Recommendation [19.181171482637513]
DTRecは,シークエンシャルレコメンデーションのための動的推論軌道を,方向と深さの両方に沿って探索する,新規かつ効果的なフレームワークである。
この方向を導くために,人間の認知過程の自然な,進歩的な洗練をエミュレートする粗大な監督信号を提供する階層的プロセススーパービジョン(HPS)を開発した。
この深さを最適化するために,3つの指標を共同で監視することにより,推論ステップの数を動的に調整するアダプティブ・推論・ハルティング(ARH)機構を導入する。
論文 参考訳（メタデータ） (2025-12-16T03:04:43Z) - OneRec-Think: In-Text Reasoning for Generative Recommendation [55.53292983432484]
OneRec-Thinkは、対話、推論、パーソナライズされたレコメンデーションをシームレスに統合する統合フレームワークである。
提案した"Think-Ahead"アーキテクチャは,クアイショーの産業展開を効果的に実現し,app Stay Timeの0.159%のアップを実現している。
論文 参考訳（メタデータ） (2025-10-13T17:20:13Z) - REG4Rec: Reasoning-Enhanced Generative Model for Large-Scale Recommendation Systems [25.59169452367297]
シーケンシャルレコメンデーションは,大規模レコメンデーションシステムにおけるユーザの次の行動を予測することを目的としている。
近年の研究では、ジェネレーティブレコメンデーションに推論プロセスを導入し、レコメンデーションパフォーマンスを大幅に改善している。
これらのアプローチは項目意味表現の特異性によって制約される。
本稿では,複数の動的意味論的推論経路を構成する推論強化生成モデルREG4Recを紹介する。
論文 参考訳（メタデータ） (2025-08-21T07:02:51Z) - Don't Think Longer, Think Wisely: Optimizing Thinking Dynamics for Large Reasoning Models [68.96619605651155]
大規模推論モデル(LRM)は、過度に考えることによって出力長を大幅に増加させる可能性がある。
モデル生成推論経路を異なる思考パターンに分割する動的最適化フレームワークを提案する。
提案手法は, 最大12%の精度向上を実現し, トークン使用量を約5,000から3,000に削減する。
論文 参考訳（メタデータ） (2025-05-27T20:59:29Z) - Unified Multimodal Chain-of-Thought Reward Model through Reinforcement Fine-Tuning [31.727984223052648]
本稿では,最初の統一マルチモーダルCoT型報酬モデルUnifiedReward-Thinkを提案する。
まず、GPT-4oの推論過程を抽出するために、少量の画像生成嗜好データを用いる。
次に、大規模に統一されたマルチモーダル嗜好データを作成し、様々な視覚タスクにわたってモデルの推論プロセスを導出する。
論文 参考訳（メタデータ） (2025-05-06T08:46:41Z) - On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。
推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。
本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
論文 参考訳（メタデータ） (2025-04-02T17:40:47Z) - Reason4Rec: Large Language Models for Recommendation with Deliberative User Preference Alignment [69.11529841118671]
本稿では,ユーザの嗜好に関する明確な推論を新たなアライメント目標として組み込んだ,新たなDeliberative Recommendationタスクを提案する。
次にReasoningを利用したRecommenderフレームワークを導入する。
論文 参考訳（メタデータ） (2025-02-04T07:17:54Z)
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。