Генеративные рекомендательные системы стали многообещающим направлением в системах рекомендаций на базе ИИ, смещая акцент с традиционных моделей скоринга на подходы, основанные на многошаговом логическом выводе. Однако оставался критический вопрос: когда модель выполняет скрытый вывод в контексте рекомендаций, рассуждает ли она на самом деле об интересах пользователя или просто выполняет более глубокие преобразования признаков?
Решая эту проблему, команда Фу Цуна в сотрудничестве с Сямэньским университетом предложила ManCAR (Manifold-Constrained Adaptive Reasoning — Адаптивный вывод с ограничением многообразия) — новую структуру, которая вводит ограничения структурированного вывода в генеративные рекомендательные системы. Фреймворк, принятый на KDD 2026, обеспечивает улучшение показателя NDCG@10 до 46,88%, согласно статье исследовательской группы, опубликованной на InfoQ.
Основная инновация ManCAR заключается в переопределении многошагового вывода как структурированного пути навигации по многообразию совместного поведения пользователей, а не как неограниченной итерации скрытых состояний. Существующие методы скрытого вывода — включая такие подходы, как ReaRec, LaRES и PLR — многократно уточняют скрытые состояния через циклы с общими параметрами, но их промежуточные состояния лишены геометрической структуры или семантических ограничений. Это означает, что они функционируют скорее как более глубокие вычислительные графы, нежели как истинные процессы рассуждения.
ManCAR вводит ограничение многообразия, которое направляет процесс вывода по непрерывному пути от триггеров недавнего поведения пользователя к целевой области его интересов. Вместо выполнения явного поиска пути по графам «элемент-элемент», что было бы вычислительно непомерно дорого, фреймворк изучает локальное многообразие, которое сглаживает дискретное пространство путей. Затем процесс вывода автоматически находит непрерывные пути через это многообразие к целевой области интересов, решая проблему скрытого дрейфа, присущую предыдущим подходам.
Фреймворк достигает этого с помощью тщательно разработанной функции потерь процесса, которая создает «энергетический бассейн» между последним историческим состоянием пользователя и целевой областью его интересов. Модель обучается предсказывать распределения интересов пользователя с учетом структуры графа и триггерных элементов, при этом промежуточные состояния вывода явно определены и контролируются, а не остаются скрытыми в состояниях «черного ящика».
Практическая значимость ManCAR выходит за рамки его эталонной производительности. Статья представляет собой один из первых теоретически обоснованных фреймворков для осмысленного управления процессом вывода в рекомендательных системах и предлагает проверяемый план реализации для законов масштабирования во время тестирования в этой области. Работа быстро набрала популярность, заняв второе место в рейтинге Hugging Face Daily Paper и вызвав широкое обсуждение среди технических инфлюенсеров на платформах X и YouTube. Команда сделала фреймворк открытым исходным кодом для более широкого внедрения в исследованиях и промышленности.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Pandaily
