在关键之处进行更深入的推理：面向序列推荐的物品级自适应递归

现有的序列推荐模型通常会为用户交互历史中的每个物品分配固定的计算预算，而不考虑该物品对最终预测的贡献。我们通过两项诊断性发现，对这一约定俗成的设计提出质疑。（1）计算需求并不均匀：同一序列中的物品在所需计算量上存在巨大差异。大多数物品经过浅层处理后便已收敛，而少数关键物品只有在达到完整深度后才趋于稳定。（2）固定分配并非最优：在能够获得目标物品信息的理想条件下，非均匀的深度分配始终优于固定分配，这表明现有的统一计算方式既会将计算容量浪费在已经收敛的物品上，也会牺牲整体推荐质量。这些观察结果推动我们将固定深度计算转向物品级自适应推理。为此，我们提出了 LoopRec。LoopRec 递归地应用一个权重共享模块，并在每个递归边界引入一个轻量级门控机制，独立地为每个物品作出二元的退出或继续决策。表示已充分成熟的物品会提前退出，而需要更深层推理的物品则继续进入后续递归。该设计将固定的全局深度转变为可学习的、物品级属性，无需额外的深度标签，并且能够轻松适配多种骨干架构。在四类骨干网络上基于公开基准数据集开展的大量实验表明，LoopRec 始终优于深度匹配的固定深度模型。进一步分析发现，LoopRec 学到的计算分配呈现出具有可解释性的模式，与我们的事后预言机分析一致：低频物品和较新的交互自然会获得更深的计算。我们的代码已发布于 https://github.com/Elpmis117/LoopRec。