Think Before Recommend: Unleashing the Latent Reasoning Power for Sequential Recommendation

以下是对论文的总结及指定部分的翻译：论文核心内容与创新点总结主要内容：本文提出了一种新型序列推荐框架ReaRec，通过在推理阶段引入多步隐式推理机制，突破传统推荐模型直接前向计算的局限性。具体而言：多步推理机制：通过自回归方式将序列编码器的最终隐藏状态循环输入模型，结合推理位置编码（RPE）区分原始序列与推理阶段。两种学习策略：ERL（集成推理学习）：通过多步监督优化和KL散度正则化，增强推理多样性。PRL（渐进推理学习）：利用温度退火和对比学习，逐步逼近用户真实偏好分布。实验验证：在5个真实数据集上验证，ReaRec在NDCG@20和Recall@20指标上平均提升7.49%，且仅增加3.51%推理延迟。创新点：首次将推理能力引入序列推荐，提出隐式多步推理框架ReaRec，突破传统模型的计算深度限制。提出ERL和PRL两种轻量级学习方法，解决多步推理中的监督缺失和模式退化问题。揭示推理深度对不同用户/物品群体的差异化影响，发现对长尾用户和冷门物品有显著提升（最高50%）。