论文提出按物品自适应递归深度的推荐方法 LoopRec。
资讯摘要
论文针对序列推荐中固定计算预算的问题，提出两项诊断发现：同一序列内不同物品所需计算量差异很大，多数物品浅层即收敛，少数需完整深度；在已知目标物品的条件下，非均匀深度分配始终优于固定深度。作者据此提出 LoopRec，用单一权重共享块递归计算，并在每个递归边界设轻量门控，为每个物品独立决定退出或继续，从而把固定全局深度变为可学习的逐物品属性。
要点速读
- 论文指出，现有序列推荐器对用户历史中每个物品分配固定计算预算，但物品所需计算量差异显著。
- LoopRec 在每次递归边界用轻量门控做二值退出或继续决策，无需辅助深度标签，可适配多种骨干架构。
- 作者报告在公开基准、四类骨干上 LoopRec 稳定优于匹配的固定深度版本，且低频物品和较新交互获得更深计算。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。