效率优化◆ AI 生成 · 已溯源
RecRec：通过递归精炼建模用户偏好状态的轻量级序列推荐方法
结论前置 / TL;DR
提出一种仅需390万至1400万参数的递归精炼架构RecRec，通过证据锚定的更新机制稳定地迭代优化用户潜在偏好状态，在三个基准数据集上达到或超越当前最优序列、图神经与推理增强型推荐模型。
核心思想：将用户偏好建模为可递归精炼的持久隐状态 序列推荐通常依赖单次编码交互历史来推断用户兴趣，需堆叠深层网络以捕获复杂模式。该工作转而假设：用户偏好并非静态快照，而是一种随新交互持续演化的隐状态，可通过多轮递归更新逐步收敛。
架构设计：轻量共享模块 + 证据锚定修正 RecRec不依赖深度堆叠，而是维护一个紧凑的固定维度隐状态，并通过单一共享递归模块进行迭代更新。每次更新均以原始交互序列作为锚点，强制当前精炼步骤与初始上下文对齐，从而避免传统递归中常见的语义漂移问题。
关键创新：证据锚定修正机制 - 每次状态更新时，模型显式引入原始交互序列的全局表征作为约束信号 - 修正过程不是单纯叠加新信息，而是计算新证据与当前隐状态之间的偏差并进行有界校准 - 该机制使深层递归（实验中达8轮）仍保持语义一致性，无需额外正则化或门控结构
实证效果：高效且强泛化 - 在Beauty、Sports和Tools三个标准公开数据集上，RecRec在Recall@10和NDCG@10指标上全面持平或优于SOTA方法 - 参数量仅为3.9M–14M，显著低于主流序列模型（如SASRec约25M，BERT4Rec约30M） - 消融实验证实：递归精炼本身贡献主要增益，而证据锚定机制是维持深层递归有效性的必要条件
来源溯源（合规留痕）
https://arxiv.org/abs/2607.10541