論文の概要: RecRec: Recursive Refinement for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2607.10541v3
• Date: Wed, 15 Jul 2026 10:06:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 14:31:40.673081
• Title: RecRec: Recursive Refinement for Sequential Recommendation
• Title（参考訳）: RecRec: シークエンシャルレコメンデーションのための再帰的リファインメント
• Authors: Pervez Shaik, Prosenjit Biswas, Abhinav Thorat, Ravi Kolla, Niranjan Pedanekar,
• Abstract要約: 逐次リコメンデータシステムは、通常、反復的な洗練を伴わずに、インタラクション履歴のシングルパス符号化を通じて、ユーザの好みを推測する。 本稿では,コンパクトな潜伏状態を維持する軽量モデルRecRecを提案する。 実験の結果、RecRecは3.9Mから14Mのパラメータしか使用せず、最先端のシーケンシャル、グラフベース、推論強化のレコメンデータと一致または性能を向上することが示された。
• 参考スコア（独自算出の注目度）: 2.134948383299948
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Sequential recommender systems typically infer user preferences through single-pass encoding of interaction histories without iterative refinement, relying on increasingly deep architectures to capture complex patterns. In this work, we revisit sequential recommendation from a recursive inference perspective: can user preferences be modeled as a persistent latent state that is recursively refined? We propose RecRec (Recursive Recommendation), a lightweight model that maintains a compact latent state and updates it through a shared recursive module conditioned on interaction evidence. Unlike prior recursive models, RecRec introduces an evidence-anchored correction mechanism that stabilizes refinement by grounding each update in the original interaction context, preventing semantic drift during deep recursive reasoning. Experiments on three benchmark datasets under standard evaluation protocols show that RecRec matches or outperforms state-of-the-art sequential, graph-based, and reasoning-enhanced recommenders while using only 3.9M to 14M parameters. Ablation studies demonstrate that both recursive refinement and the evidence-anchored correction gate contribute significantly to performance, highlighting the effectiveness of recursive latent inference as a scalable alternative to deeper or language-based architectures. Code is available at https://anonymous.4open.science/r/RecRec-6B67/README.md.
• Abstract（参考訳）: シークエンシャル・レコメンダ・システムは通常、複雑なパターンを捉えるためにますます深いアーキテクチャに依存して、反復的な改善を伴わずに、シングルパスのインタラクション履歴の符号化を通じてユーザー好みを推測する。 本稿では、再帰的推論の観点から、逐次的なレコメンデーションを再考する: ユーザの嗜好は、再帰的に洗練される永続的な潜在状態としてモデル化できるか? 本稿では,RecRec(Recursive Recommendation, Recursive Recommendation, RecRec)を提案する。 以前の再帰的モデルとは異なり、RecRecはエビデンスアンコレート補正機構を導入し、各更新を元のインタラクションコンテキストに基底にして洗練を安定化し、深い再帰的推論中のセマンティックドリフトを防ぐ。 標準評価プロトコルの下での3つのベンチマークデータセットの実験では、RecRecは3.9Mから14Mのパラメータのみを使用しながら、最先端のシーケンシャル、グラフベース、推論強化レコメンデータと一致または性能を向上している。 アブレーション研究では、再帰的洗練とエビデンスアンコールされた修正ゲートの両方がパフォーマンスに大きく寄与し、より深いアーキテクチャや言語ベースのアーキテクチャに代わるスケーラブルな代替手段として、再帰的潜在推論の有効性を強調している。 コードはhttps://anonymous.4open.science/r/RecRec-6B67/README.mdで公開されている。

関連論文リスト

• HoloRec: Holistic Encoding and Interleaved Reasoning for Generative Recommendation [57.802158017741824]
  HoloRecは、表現、推論、生成を統一する内因性連鎖レコメンデーションメカニズムである。 複数のパブリックレコメンデーションデータセットの実験は、HoloRecがベースライン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） (2026-06-13T14:52:03Z)
• Generative Recursive Reasoning [67.22973831501257]
  Generative Recursive ReAsoning Models (GRAM) は、潜在的推論を確率論的多軌道に変換するフレームワークである。 GRAMは$p_(y mid x)$で条件推論をサポートし、固定または欠落した入力では$p_(x)$で条件生成を行う。
  論文  参考訳（メタデータ） (2026-05-19T05:20:56Z)
• RAGR: Review-Augmented Generative Recommendation [61.29879991713178]
  Review-Augmented Generative Recommendation (RAGR)は、レビューフィードバックを直接生成ユーザシーケンスに組み込む新しいGRフレームワークである。 RAGRは、すべてのメトリクスにわたる強力なGRバックボーンよりも一貫性があり、大きな利益をもたらす。
  論文  参考訳（メタデータ） (2026-05-17T05:21:23Z)
• Embed Progressive Implicit Preference in Unified Space for Deep Collaborative Filtering [13.24227546548424]
  GNOLR(Generalized Neural Ordinal Logistic Regression)は、ユーザエンゲージメントの構造的進行を捉えるために提案されている。 GNOLRは予測精度を高め、ユーザのエンゲージメントの進行を捉え、検索プロセスを単純化する。 10の実世界のデータセットでの実験では、GNOLRは効率と適応性において最先端の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2025-05-27T08:43:35Z)
• Flow Matching based Sequential Recommender Model [54.815225661065924]
  本研究では,フローマッチングに基づくフローマッチングモデルであるFMRecを紹介する。 FMRecは最先端の手法よりも平均6.53%改善している。
  論文  参考訳（メタデータ） (2025-05-22T06:53:03Z)
• Think Before Recommend: Unleashing the Latent Reasoning Power for Sequential Recommendation [23.546871718624605]
  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。
  論文  参考訳（メタデータ） (2025-03-28T17:59:03Z)
• Continual Referring Expression Comprehension via Dual Modular Memorization [133.46886428655426]
  Referring Expression (REC) は、自然言語で記述された対象のイメージ領域をローカライズすることを目的としている。 既存のRECアルゴリズムは、モデルへのデータ供給のトレーニングを前もって行うと強く仮定する。 本稿では、入ってくるタスクのストリーム上でモデルが学習するRECの新しい設定である連続参照表現(CREC)を提案する。 学習済みの知識を忘れずに,スクラッチから繰り返し再学習することなく,逐次的タスクのモデルを継続的に改善するために,デュアルモジュール記憶法という効果的なベースライン手法を提案する。
  論文  参考訳（メタデータ） (2023-11-25T02:58:51Z)

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。