論文の概要: Recommender System as Slow and Fast Thinkers

• arxiv url: http://arxiv.org/abs/2609.02671v1
• Date: Wed, 02 Sep 2026 14:45:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.417869
• Title: Recommender System as Slow and Fast Thinkers
• Title（参考訳）: スロー・ファストシンガーとしてのレコメンダシステム
• Abstract要約: textscDS-Frameは、シーケンシャルレコメンデーションのための適応的な高速スロー推論フレームワークである。 textscDS-Frameは、典型的なレコメンデーションバックボーンを一貫して改善する。 これは、より効率的で堅牢なレコメンデーションのための適応推論の可能性を強調します。
• 参考スコア（独自算出の注目度）: 12.034704337954613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommendation models are foundational to modern personalized services, yet their effectiveness varies substantially across heterogeneous user environments. In particular, static one-pass recommenders often perform well on common behavior patterns but degrade on operationally challenging user groups, such as users with longer histories or less mainstream item profiles. To address this limitation, we propose \textsc{DS-Frame}, an adaptive fast--slow inference framework for sequential recommendation. \textsc{DS-Frame} combines a Fast System for efficient routine prediction, a Slow System for iterative latent refinement, and a learned selector that routes each sample under a controllable computation budget. Experiments on five real-world datasets show that \textsc{DS-Frame} consistently improves representative sequential recommendation backbones, with larger gains on challenging groups and effective accuracy--efficiency trade-offs. This highlights the potential of adaptive inference for more efficient and robust recommendation. Code is available at \href{https://github.com/ZichenYuan233/Recommender-System-as-Slow-and-Fast-Thinkers}{this link}.
• Abstract（参考訳）: シーケンシャルレコメンデーションモデルは、現代のパーソナライズされたサービスの基礎となっているが、その有効性は異種ユーザ環境によって大きく異なる。 特に、静的なワンパスレコメンデータは、一般的な動作パターンでよく機能するが、長い履歴を持つユーザやメインストリームのアイテムプロファイルの少ないユーザなど、運用上の課題を抱えるユーザグループでは劣化する。 この制限に対処するために、逐次レコメンデーションのための適応型高速スロー推論フレームワークである \textsc{DS-Frame} を提案する。 \textsc{DS-Frame}は、効率的なルーチン予測のためのFast Systemと、反復的な潜伏改善のためのSlow Systemと、各サンプルを制御可能な計算予算の下でルーティングする学習セレクタを組み合わせる。 5つの実世界のデータセットの実験により、‘textsc{DS-Frame} は、挑戦的なグループと効果的な精度-効率のトレードオフにより大きな利益をもたらす、代表的なレコメンデーションバックボーンを一貫して改善することが示された。 これは、より効率的で堅牢なレコメンデーションのための適応推論の可能性を強調します。 コードは \href{https://github.com/ZichenYuan233/Recommender-System-as-Slow-and-Fast-Thinkers}{this link} で公開されている。

関連論文リスト

• TwiSTAR:Think Fast, Think Slow, Then Act,Generative Recommendation with Adaptive Reasoning [3.2829140652979647]
  セマンティックID(SID)を用いたジェネレーティブレコメンデーション(ジェネレーティブレコメンデーション)が,有望なパラダイムとして浮上している。 既存の手法では、すべてのユーザ履歴に一様に、高速なダイレクトジェネレーションまたは遅いチェーン・オブ・シークレット推論の固定推論戦略を適用している。 本稿では,ユーザシーケンス毎に推論作業を適応的に割り当てることを学ぶフレームワークであるThink Fast,Think Slow, Then Actを提案する。
  論文  参考訳（メタデータ） (2026-05-12T05:35:00Z)
• RecNet: Self-Evolving Preference Propagation for Agentic Recommender Systems [109.9061591263748]
  RecNetは、レコメンデータシステムのための自己進化的な好みの伝達フレームワークである。 関連ユーザやアイテム間で、リアルタイムの好み更新を積極的に伝達する。 逆相では、フィードバック駆動の伝搬最適化機構がマルチエージェント強化学習フレームワークをシミュレートする。
  論文  参考訳（メタデータ） (2026-01-29T12:14:31Z)
• Bi-Level Optimization for Generative Recommendation: Bridging Tokenization and Generation [42.09028908758132]
  ジェネレーティブレコメンデーションは,マッチングに頼るのではなく,推奨項目を直接生成することによって,変革的なパラダイムとして現れています。 既存のアプローチでは、トークン化器を扱い、適切なアイテム識別子とそれらの識別子に基づいてレコメンデータを導出する。 BLOGER, Bi-Level Optimization for GEnerative Recommendation frameworkを提案する。
  論文  参考訳（メタデータ） (2025-10-24T08:25:56Z)
• STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
  我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。 我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。 MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-08-26T08:47:58Z)
• 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)
• AgentRecBench: Benchmarking LLM Agent-based Personalized Recommender Systems [17.329692234349768]
  エージェントレコメンデータシステムはLarge Language Models (LLM)を利用している LLMの高度な推論とロールプレイング能力は、自律的で適応的な意思決定を可能にする。 この分野では、これらの手法を評価するための標準化された評価プロトコルが欠けている。
  論文  参考訳（メタデータ） (2025-05-26T07:45:11Z)
• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)
• Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
  本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。 よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
  論文  参考訳（メタデータ） (2025-02-05T17:14:45Z)
• Generative Recommender with End-to-End Learnable Item Tokenization [51.82768744368208]
  ETEGRecは、アイテムのトークン化と生成レコメンデーションを結合的なフレームワークに統合する、新しいエンドツーエンド生成レコメンダである。 ETEGRecは、アイテムトークンライザと、デュアルエンコーダ-デコーダアーキテクチャ上に構築された生成レコメンデータで構成されている。 我々は、フレームワーク全体の安定的で効率的なエンドツーエンドトレーニングを保証するために、交互に最適化する手法を開発した。
  論文  参考訳（メタデータ） (2024-09-09T12:11:53Z)
• Semantic Codebook Learning for Dynamic Recommendation Models [55.98259490159084]
  動的シーケンシャルレコメンデーション(DSR)は、ユーザの振る舞いに基づいてモデルパラメータを生成し、シーケンシャルレコメンデーションのパーソナライズを改善する。 巨大なパラメータ探索空間と疎結合でノイズの多いユーザ-イテム相互作用の課題に直面するため、生成されたモデルパラメータの適用性が低下する。 Semantic Codebook Learning for Dynamic Recommendation Models (SOLID)フレームワークは、これらの課題に効果的に取り組むことで、DSRの大幅な進歩を示す。
  論文  参考訳（メタデータ） (2024-07-31T19:25:25Z)
• A Simple Yet Effective Approach for Diversified Session-Based Recommendation [28.980166530417645]
  本稿では,DCA-SBRS(Diversified category-aware Attentive SBRS)と呼ばれる,既存の代表(精度指向)SBRSに適用可能なエンドツーエンドフレームワークを提案する。 モデルに依存しない多様性指向の損失関数と、非侵襲的なカテゴリー認識の注意機構の2つの新しい設計で構成されている。 提案フレームワークは,推薦精度を著しく低下させることなく,既存のSBRSが推薦の多様性と包括的性能で素晴らしいパフォーマンスを達成するのに役立つ。
  論文  参考訳（メタデータ） (2024-03-30T06:21:56Z)
• AURO: Reinforcement Learning for Adaptive User Retention Optimization in Recommender Systems [25.18963930580529]
  強化学習(Reinforcement Learning, RL)は、レコメンデーションシステムにおけるユーザ保持の最適化能力に注目が集まっている。 本稿では,この課題に対処するため,textbfAdaptive textbfUser textbfRetention textbfOptimization (AURO) という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-10-06T02:45:21Z)
• HyperBandit: Contextual Bandit with Hypernewtork for Time-Varying User Preferences in Streaming Recommendation [11.908362247624131]
  既存のストリーミングレコメンデータモデルはタイムスタンプとしてのみ考慮している。 我々はHyperBanditと呼ばれるハイパーネットワークを用いたコンテキスト的バンディット手法を提案する。 提案したHyperBanditは、蓄積された報酬の観点から、最先端のベースラインを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2023-08-14T14:04:57Z)

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。