Where Reasoning Matters: Rethinking Latent Reasoning in Semantic ID-based Generative Recommendation

Paper: Yang, S., Gao, M., Wang, Z., & Yu, J. (2026). Where reasoning matters: Rethinking latent reasoning in semantic ID-based generative recommendation (arXiv:2607.12425v1, 2026-07-14). arXiv. https://arxiv.org/abs/2607.12425v1

Abstract: Yang et al.은 시맨틱 ID 기반 생성 추천에서 모든 토큰 위치에 같은 잠재 추론 스텝을 주는 관행을 재검토하고, 위치와 사용자 열에 따라 계산 예산을 조정하는 Information-Gain Budget Allocation(IBA)을 제안한다. IBA는 (3,2,1,0)의 사전 스텝 스케줄, 시맨틱 정렬 정제, 정제 이득 예측기, horizontal hidden refinement, 전방 보조 목적함수를 결합한다. 저자 보고에서는 TIGER와 LETTER에 IBA를 적용했을 때 세 데이터셋의 12개 지표가 모두 개선됐고, 앞쪽에 집중한 6스텝 설정이 균등 8스텝과 뒤쪽에 집중한 6스텝 설정을 앞섰다. 이 결과는 앞의 두 위치와 뒤의 두 위치를 구분하는 근거로는 강하지만, 위치 1에 위치 2보다 더 많은 스텝을 줘야 한다는 설명까지 직접 뒷받침하지는 않는다. 논문은 독립 반복 횟수와 분산, 하이퍼파라미터 선택·검증 절차를 보고하지 않는다. 이 글은 방법과 평가 설계를 먼저 재구성한 뒤 배분 방향의 효과와 설명의 범위를 나누어 살핀다.

---

Executive Summary

항목	설명
연구 질문	시맨틱 ID의 각 토큰 위치에 같은 수의 잠재 추론 스텝을 쓰는 대신, 위치와 사용자 열에 따라 계산 예산을 다르게 배분하면 생성 추천 성능을 높일 수 있는가.
핵심 기여	위치별 정보이득을 prior로 사용하고 사용자 열별로 배분을 조정하는 Information-Gain Budget Allocation(IBA)을 제안했다.
방법적 결과	기본 스케줄 (3,2,1,0)에 시맨틱 정렬 정제, 정제 이득 예측기, horizontal hidden refinement, 최대 오프셋 \Delta=2의 전방 보조 목적함수를 결합한다. T5-small을 균등 K=2로 200에폭 학습한 뒤 예측기를 붙여 50에폭 미세조정한다.
실험 결과	IBA를 TIGER와 LETTER에 적용하면 Beauty·Instruments·MicroLens의 12개 지표가 모두 오른다. 앞쪽에 집중한 6스텝 prior는 균등 8스텝과 뒤쪽에 집중한 6스텝 prior를 모두 앞선다.
핵심 한계	앞쪽 두 위치가 뒤쪽보다 중요하다는 근거는 일관되지만, 위치 1을 위치 2보다 우선하는 기본 스케줄의 세부 순서는 충분히 설명되지 않는다. 반복 통계와 튜닝 프로토콜이 보고되지 않고 \gamma_{rec} 민감도도 크다.

---

목차

1. 모든 위치에 같은 잠재 추론 예산을 써야 하는가
2. 위치별 정보이득이 보여 주는 것
3. IBA: 위치와 사용자에 따른 스텝 배분
4. 평가 설계와 해석 기준
5. 결과와 절제
6. 결과가 뒷받침하는 범위
7. 결론

---

1. 모든 위치에 같은 잠재 추론 예산을 써야 하는가

1.1 시맨틱 ID 기반 생성 추천

시맨틱 ID 기반 생성 추천은 아이템을 이산 토큰 몇 개로 표현하고, 그 토큰 열을 자기회귀로 생성해 아이템을 예측한다. 이 논문에서는 RQ-VAE로 만든 네 개짜리 코드 (c_1, c_2, c_3, c_4)를 쓴다.

1.2 잠재 추론과 균등 배분

잠재 추론은 명시적인 reasoning token을 생성하지 않고, 시맨틱 ID 토큰을 확정하기 전에 은닉 상태 계산을 추가하는 방법이다(§II.B). 이 글에서 reasoning은 인간형 추론이 아니라 test-time hidden-state refinement를 가리킨다.

1.3 연구 질문

기존 방식은 모든 위치에 같은 수의 스텝을 준다. 논문의 질문은 코드북 위치마다 정보량과 정제 효과가 다른데도 균등 배분이 최선인가 하는 것이다.

2. 위치별 정보이득이 보여 주는 것

2.1 접두사 조건부 엔트로피와 정보이득

측정 방식은 접두사 기준이다. 위치 t까지의 접두사 y_{1:t}를 공유하는 학습 아이템 전체를 후보 집합 S(y_{1:t})로 두고, 그 집합의 조건부 엔트로피가 한 위치를 더 확정할 때 얼마나 줄어드는지를 잰다. 학습 집합에서 추정한 평균값이 Figure 2다.

그림 1. Beauty·Instruments·MicroLens의 시맨틱 ID 위치별 평균 정보이득. 출처: Yang et al. (2026), Figure 2, arXiv:2607.12425v1. 원문 도판을 비평·해설을 위해 캡처·축소.

Figure 2가 보고한 값은 다음과 같다.

위치	Beauty	Instruments	MicroLens
CodeBook1	7.02	6.03	4.34
CodeBook2	5.12	5.11	6.23
CodeBook3	0.56	0.76	1.14
CodeBook4	0.07	0.09	0.06

2.2 세 데이터셋의 위치별 패턴

세 데이터셋 모두 3·4번 위치의 정보이득이 앞의 두 위치보다 매우 작다. Beauty와 Instruments는 위치 1에서 4까지 단조 감소하지만 MicroLens는 위치 2가 6.23으로 위치 1의 4.34보다 43.5% 높다.

논문은 이 차이를 "slightly higher"라고 표현하지만 43.5%는 작다고 보기 어렵다. 이 결과는 앞쪽 두 위치가 뒤쪽보다 중요하다는 일반화는 지지하되, 위치 1이 언제나 가장 중요하다는 순서는 지지하지 않는다.

2.3 RQ-VAE의 구조적 직관과 MicroLens의 예외

RQ-VAE는 첫 코드북이 거친 군집을 잡고 뒤 코드북이 잔차를 담는 구조다. 앞쪽 위치가 더 많은 정보를 담는 경향은 이 설계에서 어느 정도 예상할 수 있다. 논문의 측정 기여는 감소 폭을 정량화하고, MicroLens에서는 앞의 두 위치 순서가 뒤집힌다는 예외를 함께 보여 준 데 있다.

3. IBA: 위치와 사용자에 따른 스텝 배분

IBA는 네 장치를 결합한다.

그림 2. IBA의 2단계 학습, refinement gain predictor, 위치별 동적 스텝 배분. 출처: Yang et al. (2026), Figure 3, arXiv:2607.12425v1. 원문 도판을 비평·해설을 위해 캡처·축소.

구성요소	역할	주요 설정
사전 스텝 스케줄	위치별 선호 스텝 수를 prior로 제공	기본 (3,2,1,0), 총예산 B=6, \lambda_P=0.1
시맨틱 정렬 정제	T5 decoder hidden state를 semantic ID codeword 공간에 정렬	L_{align}=5, DecoderStack/FiLM
정제 이득 예측기	사용자 열마다 prior 위에서 실제 스텝 배분을 조정	user-context conditioned MLP
Horizontal hidden refinement	위치별 hidden state를 재귀적으로 정제	융합 계수 \gamma_{rec}=0.5
전방 보조 목적함수	앞쪽 정제 표현이 뒤 위치 예측에 정보를 남기도록 학습	최대 오프셋 \Delta=2, \lambda_{LA}=0.15

사전 스케줄은 학습되는 값이 아니라 allocator를 유도하는 하이퍼파라미터다. 사용자별 예측기가 prior에서 출발해 최종 배분을 조정하므로, 모든 사용자에게 (3,2,1,0)이 그대로 적용된다고 해석하면 안 된다.

학습은 두 단계다. 1단계에서 T5-small을 균등 스텝 K=2로 200에폭 학습하고, 2단계에서 정제 이득 예측기를 붙여 50에폭 미세조정한다. 실험 장비는 RTX 4090 한 장이며, 논문은 재현을 위해 seed 42를 사용했다고 적는다.

4. 평가 설계와 해석 기준

4.1 데이터셋·백본·지표

평가는 Amazon Instruments, Amazon Beauty, MicroLens 세 데이터셋에서 이뤄진다. 백본은 TIGER와 LETTER 두 종류이며, 지표는 Recall@5·10과 NDCG@5·10이다. leave-one-out 프로토콜로 각 사용자의 다음 아이템 하나를 예측한다.

4.2 스텝 스케줄 비교

Table III는 균등 prior (2,2,2,2)와 뒤쪽 prior (0,1,2,3), 앞쪽 prior (3,2,1,0)을 비교한다. 균등 prior는 총 8스텝이고 나머지 둘은 6스텝이므로, 앞쪽과 뒤쪽의 방향 비교만 같은 예산에서 성립한다. 균등과 비균등 자체의 차이는 등예산으로 시험하지 않았다.

Table V의 Instruments 결과에서 TIGER는 generation step 기준 20.99ms, 균등 8스텝은 25.78ms, IBA의 앞쪽 6스텝은 24.61ms다. 같은 RTX 4090과 decoding 설정의 비교지만 한 데이터셋의 generation latency이므로 엔드투엔드 서비스 지연시간으로 일반화할 수는 없다.

4.3 보고된 실험 조건

논문은 seed 42를 사용했다고 적지만 독립 반복 횟수, 분산, 신뢰구간, 유의성 검정을 보고하지 않는다. 하이퍼파라미터 선택과 validation protocol도 설명하지 않는다. 따라서 주 결과의 일관성은 확인할 수 있지만 작은 절제 차이가 실행 변동보다 큰지는 판단할 수 없다.

5. 결과와 절제

5.1 두 백본의 12개 지표

Table II의 결과는 다음과 같다.

Method	Ins R@5	R@10	N@5	N@10	Bea R@5	R@10	N@5	N@10	Mic R@5	R@10	N@5	N@10
SASRec	.0512	.0746	.0301	.0373	.0196	.0368	.0106	.0160	.0375	.0698	.0210	.0314
CASER	.0563	.0746	.0443	.0502	.0203	.0340	.0125	.0170	.0157	.0301	.0076	.0122
LatentR3	.0749	.0963	.0641	.0709	.0268	.0453	.0161	.0220	.0388	.0617	.0248	.0322
CARE	.0572	.0872	.0413	.0510	.0229	.0444	.0135	.0204	.0372	.0583	.0233	.0301
TIGER	.0687	.0853	.0576	.0629	.0206	.0355	.0127	.0174	.0350	.0561	.0221	.0289
TIGER+IBA	.0780	.0975	.0663	.0725	.0277	.0453	.0173	.0230	.0431	.0646	.0278	.0347
LETTER	.0705	.0882	.0604	.0661	.0216	.0362	.0129	.0176	.0464	.0729	.0298	.0382
LETTER+IBA	.0766	.0964	.0656	.0719	.0274	.0475	.0172	.0236	.0540	.0780	.0360	.0437

IBA를 얹으면 TIGER와 LETTER 모두 열두 지표 전부에서 오른다. 이 부분은 예외가 없다.

MicroLens에서 TIGER+IBA는 네 지표 모두 기본 LETTER보다 낮다(R@5 .0431 대 .0464). IBA가 약한 백본을 항상 더 강한 백본 위로 올리는 것은 아니다. Beauty R@10에서는 TIGER+IBA(.0453)와 LatentR3(.0453)가 동률이고, Instruments R@10에서 LETTER+IBA(.0964)와 LatentR3(.0963)의 차이는 .0001이다.

논문도 §IV.B에서 가장 강한 IBA 백본은 데이터셋마다 다르다고 명시한다.

5.2 스텝 배분 방향 비교

Table III가 이 논문에서 가장 잘 설계된 비교다.

스케줄	총 스텝	Ins R@10	Ins N@10	Mic R@10	Mic N@10
(2,2,2,2) 균등	8	.0961	.0718	.0605	.0335
(0,1,2,3) 뒤로	6	.0947	.0707	.0597	.0330
(3,2,1,0) 앞으로(기본)	6	.0975	.0725	.0646	.0347

기본 설정은 6스텝으로 균등 8스텝을 앞서고, 같은 6스텝을 뒤쪽에 배분한 설정보다도 높다. 앞쪽과 뒤쪽 prior의 비교는 같은 예산에서 방향 효과를 분리한다. 다만 균등과 비균등의 차이는 총예산이 8 대 6으로 달라 등예산 비교가 아니다.

5.3 정보이득과 관측 정제 이득

논문은 정보이득만으로 배분을 정할 수 없다는 점을 고려해 효용 함수를 정의한다. q_t(k)를 위치 t에서 k번 정제한 뒤 토큰을 정확히 맞힐 확률이라 두고,

로 정의한다. 스텝 하나가 더 값진 위치는 정보이득이 크면서 추가 정제가 토큰 정확도를 많이 높이는 위치다.

Figure 7은 균등 k=2 체크포인트에서 teacher forcing으로 측정한 위치별 Token Hit@5를 보여 준다. Hit@5는 논문의 정확 예측 확률 q_t(k)와 같은 양이 아니므로 \rho_t의 직접 관측값으로 볼 수는 없다.

그림 3. Instruments·MicroLens에서 위치별 정제 스텝에 따른 Token Hit@5. 출처: Yang et al. (2026), Figure 7, arXiv:2607.12425v1. 원문 PDF 10쪽의 Figure 7만 캡처·축소.

위치	데이터셋	Step 0	Step 1	Step 2	Hit@5 증분 0→1	Hit@5 증분 1→2
1	Instruments	48.20	48.55	49.35	+0.35	+0.80
1	MicroLens	64.55	66.09	67.40	+1.54	+1.31
2	Instruments	52.51	54.88	55.83	+2.37	+0.95
2	MicroLens	26.34	27.87	29.57	+1.53	+1.70
3	Instruments	98.37	98.89	98.93	+0.52	+0.04
3	MicroLens	99.45	99.42	99.40	−0.03	−0.02
4	Instruments	99.58	99.59	99.62	+0.01	+0.03
4	MicroLens	100.00	100.00	100.00	0.00	0.00

3·4번 위치는 Step 0에서 이미 98~100% Hit@5에 도달해 추가 정제의 관측 이득이 매우 작다. 이 결과는 뒤쪽 위치에 균등하게 계산을 쓰는 것이 비효율적일 수 있다는 진단을 직접 뒷받침한다.

앞의 두 위치에서는 다른 패턴이 보인다. Hit@5 증분을 확률 단위로 바꿔 정보이득과 곱한 탐색적 대리값은 네 경우 모두 위치 2에서 더 크다.

탐색적 대리값: Hit@5 증분 × IG	위치 1	위치 2	더 큰 위치
Instruments, 첫 스텝	.0035 × 6.03 = .0211	.0237 × 5.11 = .1211	위치 2 (5.7배)
MicroLens, 첫 스텝	.0154 × 4.34 = .0668	.0153 × 6.23 = .0953	위치 2 (1.4배)
Instruments, 둘째 스텝	.0080 × 6.03 = .0482	.0095 × 5.11 = .0485	위치 2
MicroLens, 둘째 스텝	.0131 × 4.34 = .0569	.0170 × 6.23 = .1059	위치 2 (1.9배)

이 표는 논문의 \Delta U_t를 재현한 것이 아니다. Hit@5가 q_t(k)와 다르기 때문이다. 다만 앞쪽 두 위치를 하나로 묶는 설명은 지지해도, 기본 prior의 세밀한 1>2>3>4 순서를 독립적으로 입증하지는 못한다는 신호는 남는다. MicroLens의 정보이득 자체도 위치 2가 위치 1보다 높다.

그럼에도 Table III에서는 (3,2,1,0) prior가 균등 8스텝과 뒤쪽 6스텝을 앞선다. 사전 스케줄은 사용자별 예측기가 조정하므로 최종 배분과 같지 않지만, Table III가 prior 방향의 효과를 비교한다는 사실은 유지된다. Figure 7은 Step 0·1·2만 보여 주므로 위치 1에 배정된 세 번째 정제의 효과는 직접 측정하지 않는다.

5.4 구성요소 절제의 규모

Table IV는 구성요소를 제거하면 보고된 모든 지표가 낮아진다고 요약한다. 그러나 하락 폭은 데이터셋과 지표에 따라 크게 다르다.

제거 항목	지표	보고된 하락 폭
w/o Alignment	Instruments R@10	.0036
w/o Alignment	Instruments NDCG@10	.0001
w/o Alignment	MicroLens R@10	.0090
w/o Predictor	Instruments R@10	.0017
w/o Predictor	MicroLens NDCG@10	.0002
w/o Lookahead	Instruments R@10	.0027

Alignment 제거는 MicroLens R@10에서 .0090의 차이를 만들지만 Instruments NDCG@10에서는 .0001에 그친다. 반복 횟수와 분산이 보고되지 않아 작은 차이가 실행 변동과 구분되는지는 판단할 수 없다. 특히 NDCG 차이는 순위 변화의 분포를 알 수 없으므로 영향을 받은 사용자 수로 환산할 수 없다.

6. 결과가 뒷받침하는 범위

6.1 가장 강한 근거: 앞쪽과 뒤쪽의 차이

Table III의 앞쪽 prior (3,2,1,0)과 뒤쪽 prior (0,1,2,3)은 모두 6스텝이므로 배분 방향의 효과를 같은 예산에서 비교한다. 앞쪽 prior가 Instruments와 MicroLens 네 지표에서 모두 높고, 균등 8스텝도 앞선다는 결과는 계산량을 앞쪽에 집중하는 설계를 직접 지지한다.

IBA가 TIGER와 LETTER에 모두 적용되고 세 데이터셋의 12개 지표가 일관되게 오른다는 점도 모듈형 설계의 근거다. 다만 가장 강한 IBA 백본은 데이터셋마다 다르며, MicroLens에서는 TIGER+IBA가 기본 LETTER보다 낮다.

6.2 기본 스케줄의 설명이 남기는 간극

논문은 앞쪽 위치가 대체로 더 높은 정보이득을 갖는다고 설명하지만, MicroLens에서는 위치 2가 위치 1보다 43.5% 높다. Figure 7의 앞쪽 두 위치를 비교하면 Hit@5 증분은 네 경우 중 세 경우에 위치 2가 더 크고, MicroLens의 첫 스텝만 위치 1이 1.54 대 1.53으로 근소하게 크다. 정보이득까지 곱한 탐색적 대리값은 네 경우 모두 위치 2가 더 크다.

Hit@5는 논문의 효용식에 들어가는 정확 예측 확률이 아니므로 이 관찰만으로 최적 배분을 계산할 수는 없다. 또한 사전 스케줄은 사용자별 예측기가 조정한다. 따라서 현재 근거는 {1,2}에 {3,4}보다 많은 계산을 주는 방향은 지지하지만, prior의 세부 순서 1>2>3>4가 정보이득 때문에 최적이라는 설명까지 입증하지는 않는다.

6.3 통계·튜닝·재현성의 경계

논문은 독립 반복 횟수, 분산, 신뢰구간, 유의성 검정을 보고하지 않는다. seed 42를 사용했다고만 적혀 있어 독립 실행 수를 확정할 수도 없다. 이 때문에 12개 지표의 일관된 방향은 확인할 수 있지만 .0001이나 .0002 수준의 구성요소별 차이가 안정적인지는 판단하기 어렵다.

Figure 5에서 \gamma_{rec}=0.5는 네 지표 모두 가장 높다. MicroLens R@10은 \gamma_{rec}=0.3부터 0.7까지 약 .0539, .0525, .0646, .0479, .0450으로 읽힌다. 기본값과 최저값의 차이는 약 .0196으로, 같은 데이터셋에서 IBA가 TIGER에 더한 .0085보다 크다. 값은 도판 눈금에서 읽은 근사치지만 모델이 이 계수에 민감하다는 방향은 분명하다. 논문은 하이퍼파라미터 선택·검증 프로토콜을 보고하지 않으므로, 이 민감도를 외부 재현에서 어떻게 통제할지는 열려 있다.

6.4 백본·코드 길이·데이터셋 일반화

IBA는 TIGER와 LETTER 두 백본에만 적용된다. Instruments에서 강한 LatentR3에는 적용하지 않았고 이유도 설명하지 않는다. 시맨틱 ID 길이는 4로 고정되어 (3,2,1,0) prior도 이 길이에 묶이며, 다른 코드 길이와 코드북 크기는 시험하지 않는다. 데이터셋도 Amazon 계열 둘과 micro-video 하나라 도메인 범위가 제한적이다.

2026년 9월 3일 기준 arXiv 페이지에는 공식 코드나 프로젝트 링크가 없다. 논문이 말하는 reasoning도 명시적 사고 과정이 아니라 hidden-state refinement이므로, 인간형 추론 능력의 향상으로 확대 해석해서는 안 된다.

6.5 현재 근거로 남는 기여

IBA는 잠재 추론의 총량뿐 아니라 계산을 어느 토큰 위치에 배치하는지도 추천 성능을 바꿀 수 있음을 실험 가능한 문제로 만든다. 뒤쪽 위치의 낮은 정보이득과 포화된 Hit@5를 정량화하고, 앞쪽 prior와 뒤쪽 prior를 같은 6스텝에서 비교한 것이 핵심 근거다.

특정 백본을 새로 설계하는 대신 기존 TIGER와 LETTER에 배분·정렬·예측·lookahead 모듈을 얹는 구성도 재사용 가능성을 높인다. 논문이 MicroLens의 비단조 정보이득과 데이터셋별 최강 백본 차이를 본문에 함께 적은 점은 결과의 적용 범위를 판단하는 데 도움이 된다.

7. 결론

IBA의 핵심 기여는 잠재 추론의 총량뿐 아니라 계산을 어느 시맨틱 ID 위치에 쓸 것인지도 추천 성능을 좌우할 수 있음을 보여 준 데 있다. 저자 보고에서 IBA는 TIGER와 LETTER의 12개 지표를 모두 개선했고, 앞쪽에 집중한 6스텝 prior는 뒤쪽에 집중한 같은 6스텝 prior와 균등 8스텝 prior를 앞섰다. 뒤쪽 코드북의 낮은 정보이득과 추가 정제 효과도 이 결과와 일관된다.

현재 실험만으로 기본 prior의 세부 순서까지 설명되지는 않는다. MicroLens에서는 위치 2의 정보이득이 위치 1보다 높고, Figure 7의 Hit@5는 효용식의 정확 예측 확률을 직접 측정하지 않는다. 반복 통계와 튜닝 프로토콜의 미보고, \gamma_{rec} 민감도 때문에 각 구성요소의 효과가 얼마나 안정적인지도 분리하기 어렵다.

따라서 이 논문은 앞쪽 위치에 계산을 집중하는 경험적 효과와 이를 구현하는 모듈형 설계를 제시한 연구로 읽는 편이 정확하다. 정보이득이 최적 배분을 결정하는 충분한 설명인지 확인하려면 등예산 균등 스케줄, 다중 독립 실행, 명시적인 validation protocol, 다양한 시맨틱 ID 길이와 백본을 포함한 후속 평가가 필요하다.

---

References

He, Y., Sun, Y., Tan, J., Chen, Y., Kong, X., Shen, C., Wang, X., Zhang, A., & Chua, T.-S. (2026). Reasoning over semantic IDs enhances generative recommendation (arXiv:2603.23183). arXiv. https://arxiv.org/abs/2603.23183

Kang, W.-C., & McAuley, J. (2018). Self-attentive sequential recommendation. In 2018 IEEE International Conference on Data Mining (ICDM) (pp. 197–206). IEEE.

Lin, X., Liu, P., Wang, W., Hu, Y., Xu, C., Feng, F., Wang, Q., & Chua, T.-S. (2026). Bringing reasoning to generative recommendation through the lens of cascaded ranking. In Proceedings of the ACM Web Conference 2026 (WWW '26) (pp. 8939–8949).

Rajput, S., Mehta, N., Singh, A., Hulikal Keshavan, R., Vu, T., Heldt, L., Hong, L., Tay, Y., Tran, V., & Samost, J. (2023). Recommender systems with generative retrieval. Advances in Neural Information Processing Systems, 36, 10299–10315.

Tang, J., & Wang, K. (2018). Personalized Top-N sequential recommendation via convolutional sequence embedding. In Proceedings of the Eleventh ACM International Conference on Web Search and Data Mining (pp. 565–573).

Wang, W., Bao, H., Lin, X., Zhang, J., Li, Y., Feng, F., Ng, S.-K., & Chua, T.-S. (2024). Learnable item tokenization for generative recommendation. In Proceedings of the 33rd ACM International Conference on Information and Knowledge Management (pp. 2400–2409).

Yang, S., Gao, M., Wang, Z., & Yu, J. (2026). Where reasoning matters: Rethinking latent reasoning in semantic ID-based generative recommendation (arXiv:2607.12425v1). arXiv. https://arxiv.org/abs/2607.12425v1

Zhang, Y., Xu, W., Zhao, X., Wang, W., Feng, F., He, X., & Chua, T.-S. (2026). Reinforced latent reasoning for LLM-based recommendation. In Proceedings of the International Conference on Learning Representations.