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

一、主要内容和创新点总结

1. 研究背景：
   现有序列推荐模型（如SASRec、BERT4Rec）采用直接前向计算范式，仅用序列编码器的最终隐状态作为用户表示，难以捕捉复杂用户偏好演变和长尾物品推荐。

2. 核心创新：

• ReaRec框架：首次提出推理增强的序列推荐框架，通过多步隐式推理深化特征交叉
• 推理位置嵌入（RPE）：解耦序列编码和推理阶段的表示空间
• 两种学习策略：
  • 集成推理学习（ERL）：多步监督优化+KL散度正则化
  • 渐进推理学习（PRL）：温度退火+推理对比学习

3. 关键发现：

• 在5个真实数据集上平均提升7.49%性能，仅增加3.51%推理延迟
• 长尾用户/物品性能显著提升，模型性能天花板提高30-50%
• 揭示推理深度与用户序列复杂度的非线性关系

摘要

序列推荐（SeqRec）旨在通过捕捉用户历史交互中的序列模式来预测下一个物品，在实际推荐系统中发挥关键作用。然而现有方法主要采用直接前向计算范式，使用序列编码器的最终隐状态作为用户表示。我们指出这种推理范式因计算深度有限，难以建模用户偏好的复