CogRec: Structure-Cognitive Fast-and-Slow Reasoning for Generative Recommendation
Xiang Liu, Jingsong Su, Shuqi Zhao, Pengbo Mo, Yiming Qiu, Huimu Wang, Mingming Li, Jiao Dai, Jizhong Han, Songlin Hu
cs.IR
2026-07-27
把推荐推理从自然语言 rationale 搬到与目标同构的 Semantic ID 拓扑上,用 Match/LateralJump/Explore 三种逐层操作实现快慢推理;在三个序列推荐数据集上,Routing 比 Direct 在两个数据集上 Hit@10 略升、在 Toys 上反降,增益集中在 Direct 匹配不足的场景。
生成式推荐把每个物品表示成一串分层离散的 Semantic ID(SID)序列,把「下一个物品」变成受限序列生成。现有做法大多只拿 SID 当要背下来的目标序列,它内部的层级、同层关系、物品邻域这些结构没被当成显式的推理空间。另一类加推理的方法是在给出物品前先生成一段自然语言 rationale,可这段 rationale 和最终预测所在的离散 SID 空间耦合很弱,各说各的。CogRec 要把推理过程锚定在和目标生成同一个 SID 拓扑里。
CogRec 给 SID 拓扑加三层结构:垂直层级(4 层、每层 256 个码)、同层语义图(用残差 K-means 量化,每个质心取 top-16 邻居、相似度阈值 0.15 建边)、以及物品级邻域(HNSW 索引)。
在这个拓扑上定义三种逐层操作,构成 SID Routing:
Match 是快的语义定位,LateralJump 和 Explore 是慢的结构导航。训练是多阶段:先对齐 SID 词表,再训直接 SID 生成,最后从同一 checkpoint 出发分别训自然语言推理分支和 SID Routing 分支,共享 trie 受限的输出空间。骨干是 Qwen3-1.7B。
三个公开序列推荐数据集 Beauty/Sports/Toys,和直接生成(Direct)对照。
| 数据集 | Direct Hit@10 | Routing Hit@10 | 差值 |
| Beauty | 0.0842 | 0.0854 | +0.0012 |
| Sports | 0.0427 | 0.0473 | +0.0046 |
| Toys | 0.0901 | 0.0877 | -0.0024 |
Routing 在两个数据集上 Hit@10 略升,Sports 最明显;在 Toys 上反降。和基线 OneRec-Think(Direct 0.0838/0.0416/0.0843)比,CogRec 直接生成本身也只有微弱领先,Toys 上最强。结论很克制:结构化推理在「前缀匹配不够、但 SID 空间里还有可学的跳转」时才有用,长或支撑弱的路径只会带来更多解码开销和累积误差。
价值在视角:推理不等于生成更长的自然语言解释,把它锚进和目标同构的结构空间更有效。把 SID 拓扑(层级、同层图、邻域)做成显式推理空间这个想法,可迁移到别的生成式推荐。但要诚实:数字本身是渐进的,Routing 的增益小且看场景,不能当成 SOTA 卖。
作者自己写明:Routing 要生成更长、更结构化的 trace,得跑 5 条温度 1.5 的采样、beam size 10,每个样本最多产出 50 个假设,解码开销不低;每多一个自回归 token 就多一处 trace 跑偏的机会;收益集中在特定难度区间,硬样本上长程 SID 导航仍然难,绝对值普遍偏低。读下来还有一点:Routing 和 Direct 的差距在 Toys 上是负的,说明这套结构化推理并不是单调有益,在哪种数据分布上值得上、值得付出解码代价,论文给的是条件性结论,不是普适保证。