Newest papers

Think Harder Where It Matters: Item-Level Adaptive Recursion for Sequential Recommendation

Zhanshuo Cao, Jiakai Tang, Yuqi Zhou, Sunhao Dai, Jun Xu · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.30128 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Các nhà phân tích tương tác gần đây thường phân bổ một ngân sách tính toán cố định cho từng mục trong lịch sử tương tác cố định của người dùng, bất kể đóng góp của mục vào dự đoán cuối cùng. Chúng tôi thách thức thiết kế de facto này với hai kết quả chẩn đoán. (1) Nhu cầu tính toán không đồng nhất: các mục trong cùng một chuỗi thay đổi đáng kể về số lượng tính toán mà họ yêu cầu. Hầu hết hội tụ sau khi xử lý phẳng trong khi một thiểu số quan trọng chỉ ổn định ở độ sâu đầy đủ. (2) Loop optimality của phân bổ cố định: cho phép Oracle truy cập vào mục tiêu, một phân bổ độ sâu không đồng nhất liên tục vượt quá cố định, chỉ ra rằng tính toán đồng nhất hiện có cả lãng phí năng lực trên các mục đã hội tụ và hy sinh chất lượng đề nghị tổng thể. Những quan sát này thúc đẩy một sự thay

Machine translation (Meta M2M100); the English original follows.

Abstract

Existing sequential recommenders usually allocate a fixed computational budget to every item in a user's interaction history, regardless of the item's contribution to the final prediction. We challenge this de facto design with two diagnostic findings. (1) Non-uniform computational need: items within the same sequence vary drastically in how much computation they require. Most converge after shallow processing while a critical minority only stabilizes at full depth. (2) Suboptimality of fixed allocation: given oracle access to the target item, a non-uniform depth assignment consistently outranks the fixed one, indicating that existing uniform computation both wastes capacity on already-converged items and sacrifices overall recommendation quality. These observations motivate a shift from fixed-depth computation to item-level adaptive reasoning. To this end, we propose LoopRec. LoopRec recursively applies a single weight-shared block and introduces a lightweight gate at each recursion boundary that makes a binary exit-or-continue decision for every item independently. Items whose representations have sufficiently matured exit early, while those requiring deeper reasoning continue to subsequent recursions. This design converts the fixed global depth into a learned, per-item property without auxiliary depth labels, and is readily adaptable to diverse backbone architectures. Extensive experiments on public benchmarks with four backbone families demonstrate that LoopRec consistently outperforms matched fixed-depth counterparts. Further analysis reveals that LoopRec's learned allocation exhibits interpretable patterns aligned with our post-hoc oracle analysis: lower-frequency items and more recent interactions naturally receive deeper computation. Our code is available at https://github.com/Elpmis117/LoopRec.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Recursion (computer science), Computer science, Block (permutation group theory), Computation, Oracle, Theoretical computer science

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange