Bài báo này nêu bật những hạn chế của các hệ thống đề xuất tuần tự hiện có (SeqRec), chủ yếu dựa vào tính toán chuyển tiếp để nắm bắt các mẫu tuần tự, do đó thiếu sự hiểu biết về các biến thể sở thích phức tạp của người dùng và các mục đuôi dài. Để giải quyết vấn đề này, chúng tôi đề xuất ReaRec, một khuôn khổ tính toán thời gian suy luận. ReaRec tự động hồi quy đầu vào trạng thái ẩn cuối cùng của một chuỗi vào hệ thống đề xuất tuần tự và tích hợp một nhúng vị trí suy luận đặc biệt để tách không gian mã hóa mục gốc khỏi không gian suy luận đa cấp, do đó nâng cao khả năng biểu diễn người dùng. Hơn nữa, chúng tôi trình bày Học tập suy luận tổng hợp (ERL) và Học tập suy luận tiến bộ (PRL), các phương pháp học tập dựa trên suy luận hiệu quả. Thông qua các thử nghiệm mở rộng trên năm tập dữ liệu thực tế công khai và nhiều kiến trúc SeqRec khác nhau, chúng tôi chứng minh khả năng khái quát hóa và hiệu quả của ReaRec, chứng minh rằng nó cải thiện hiệu suất của nhiều xương sống đề xuất tuần tự khoảng 30% -50%.
