Zhanshuo Cao、Jiakai Tang、Yuqi Zhou、Sunhao Dai、Jun Xuの5名の研究者は2026年10月21日(現地時間)、逐次推薦システムにおける計算リソースの配分に関する新たな研究成果をarXiv上で発表した。既存の推薦システムが各項目に一律の計算予算を割り当てる設計に対し、彼らは「Think Harder Where It Matters: Item-Level Adaptive Recursion for Sequential Recommendation」と題する論文で、項目ごとに必要な計算量が大きく異なることを指摘。これに基づき、項目レベルで計算の深さを適応的に調整する新手法「LoopRec」を提案している。
研究チームは、既存の逐次推薦システムに二つの診断結果を提示した。一つは、ユーザーのインタラクション履歴内の項目間で必要とされる計算量に大きなばらつきがあることである。ほとんどの項目は浅い処理で収束する一方、一部の重要な項目は完全な深さまで計算を必要とする。二つ目は、固定的な計算深さの割り当てが最適ではないという点だ。ターゲット項目へのオラクルアクセスを仮定した場合、非一律な深さの割り当てが一律な割り当てよりも常に優位であるという結果が得られ、既存の一律計算が既に収束した項目に容量を浪費し、全体の推薦品質を犠牲にしている可能性を示している。
これらの観察に基づき、研究者らは固定深さの計算から項目レベルの適応的推論への転換を提唱し、LoopRecを開発した。LoopRecは、単一の重み共有ブロックを再帰的に適用し、各再帰境界で軽量なゲートを導入する。このゲートは、各項目に対して独立して終了または継続の二値決定を行う。これにより、表現が十分に成熟した項目は早期に計算を終了し、より深い推論が必要な項目は後続の再帰を続けることができる。
この設計は、固定されたグローバルな計算深さを、補助的な深さラベルなしで学習された項目ごとのプロパティに変換し、多様なバックボーンアーキテクチャに容易に適応可能である。公開ベンチマークと四つのバックボーンファミリーを用いた広範な実験により、LoopRecは同等の固定深さを持つ既存手法を一貫して上回る性能を示すことが実証された。詳細な分析からは、LoopRecの学習された割り当てが、頻度の低い項目やより最近のインタラクションに対して、より深い計算を自然に割り当てるという解釈可能なパターンを示すことが明らかになっている。本研究のコードは公開されている。
参考: arXiv cs.IR (アーカイブ) — 2026年10月22日 02:58 (JST)
原文ハイライト"We challenge this de facto design with two diagnostic findings."