論文の概要: Latent Residual Reasoning for Ranking in Generative Recommendation

• arxiv url: http://arxiv.org/abs/2610.36890v1
• Date: Tue, 27 Oct 2026 09:25:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.554043
• Title: Latent Residual Reasoning for Ranking in Generative Recommendation
• Title（参考訳）: ジェネレーティブレコメンデーションにおけるレイト残留推論
• Abstract要約: 本稿では、パラメータ効率の良い微調整を施した潜在残差推論フレームワークRefinerを提案する。 提案手法では,(1)累積加法補正による格付けを段階的に洗練する残留推論機構,(2)凝縮されたユーザ行動表現を提供する履歴クエリ,(3)パラメータ効率の良い微調整戦略の3つの重要な要素を紹介する。
• 参考スコア（独自算出の注目度）: 71.06019610882498
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative recommendation (GR) models for ranking typically adopt a fast-thinking direct prediction paradigm with strong practical efficiency. However, ranking requires fine-grained scoring across multiple candidate items, while existing GR models still mainly rely on one-shot prediction. This raises the question whether additional inference-time computation can further improve ranking quality. Recently, inspired by Chain-of-Thought (CoT) reasoning in large language models (LLMs), some work has begun to introduce reasoning into recommendation systems. Some of these methods rely on LLM reasoning frameworks to perform explicit reasoning in textual space, but such designs are not suitable for more widely deployed non-textual recommendation models. A more relevant direction is to introduce latent reasoning into ID-based recommendation models. Although recent work has extended latent reasoning to industrial ranking, how successive reasoning steps should improve fine-grained candidate scores remains less explored. To address this problem, we propose Refiner, a latent residual reasoning framework with parameter-efficient fine-tuning for generative ranking. Our approach introduces three key components: (1) a residual reasoning mechanism that progressively refines ranking scores through cumulative additive corrections, (2) history queries that provide condensed user behavior representations to enhance candidate-specific reasoning, and (3) a parameter-efficient fine-tuning strategy that leverages LoRA modules to adapt pre-trained models for latent reasoning. Extensive experiments on two public benchmarks, an offline industrial dataset, and an online A/B test demonstrate that Refiner consistently improves over direct prediction, validating its effectiveness and practical utility.
• Abstract（参考訳）: ランク付けのためのジェネレーティブレコメンデーション(GR)モデルは通常、強力な実用効率を持つ高速な直接予測パラダイムを採用する。 しかし、ランク付けには複数の候補項目にわたるきめ細かいスコアが必要であり、既存のGRモデルは依然として主にワンショット予測に依存している。 これにより、追加の推論時間計算がランキング品質をさらに改善できるかどうかという疑問が持ち上がる。 近年,大規模言語モデル (LLM) におけるChain-of-Thought (CoT) 推論に触発されて,いくつかの研究がレコメンデーションシステムに推論を導入し始めている。 これらの手法のいくつかは、テキスト空間で明示的な推論を行うためのLCM推論フレームワークに依存しているが、そのような設計はより広くデプロイされた非テキストレコメンデーションモデルには適していない。 より関連する方向は、IDベースのレコメンデーションモデルに潜伏推論を導入することである。 最近の研究は、潜伏推論を産業のランキングまで拡張しているが、連続する推論ステップがよりきめ細かな候補者のスコアをいかに改善するかは、まだ調査されていない。 この問題に対処するために、パラメータ効率の良い微調整を施した潜在残差推論フレームワークであるRefinerを提案する。 提案手法では,(1)累積加法補正による格付けを段階的に洗練する残差推論機構,(2)凝縮されたユーザ行動表現を提供する履歴クエリ,(3)LoRAモジュールを利用したパラメータ効率の良い微調整戦略,の3つの要素を紹介する。 2つの公開ベンチマーク、オフライン産業データセット、オンラインA/Bテストに関する大規模な実験は、Refinerが直接予測よりも一貫して改善し、その有効性と実用性を検証することを実証している。

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)
• Think before Recommendation: Autonomous Reasoning-enhanced Recommender [25.883091131835172]
  RecZeroは強化学習に基づくレコメンデーションパラダイムであり、従来のマルチモデルおよびマルチステージ蒸留アプローチを捨てている。 本稿では、教師付き微調整とRLを組み合わせたハイブリッドパラダイムRecOneについて検討し、そのモデルにコールドスタート推論サンプルを初期化し、さらにRLに最適化する。
  論文  参考訳（メタデータ） (2025-10-27T07:26:32Z)
• 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)
• Rethinking Reasoning in Document Ranking: Why Chain-of-Thought Falls Short [36.93384080571354]
  文書の再ランク付けは情報検索(IR)における重要な要素である 本研究は, ポイントワイド設定とリストワイド設定の両方にまたがって, 推論に関する最初の体系的な研究である。
  論文  参考訳（メタデータ） (2025-10-10T03:59:17Z)
• 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)
• R$^2$ec: Towards Large Recommender Models with Reasoning [59.32598867813266]
  R$2$ecは、本質的な推論能力を持つ統一された大型レコメンデータモデルである。 R$2$ecは、推論チェーン生成と効率的なアイテム予測の両方を単一のモデルでサポートするデュアルヘッドアーキテクチャを導入している。 注釈付き推論データの欠如を克服するため、強化学習フレームワークであるRecPOを設計する。
  論文  参考訳（メタデータ） (2025-05-22T17:55:43Z)

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。