T-RoPE：面向序列推荐的时间感知旋转位置嵌入

发生了什么

针对生成式推荐系统直接照搬大模型RoPE、仅记录交互顺序缺失时间维度信息的问题，研究团队提出时间感知的T-RoPE位置编码方案，通过时间戳角度编码、可学习时间系数、多尺度频率库、非平稳键旋转等改造，在多公开数据集、60亿规模工业交互数据集及Shop应用线上测试中均取得效果，额外计算成本仅随序列长度、注意力头维度线性增长，可适配大规模推荐模型落地。

关键信息

研究方案

面向序列生成式推荐的时间感知旋转位置编码（T-RoPE）

公开数据集效果

5个公开基准全指标达SOTA，稀疏PixelRec数据HR@10较最强基线提升78%-130%，Amazon Books全指标提升8%-12%

工业数据集效果

60亿交互规模电商数据集上，较HSTU+Time RAB backbone全指标提升13%-82%

线上测试效果

Shop应用A/B测试转化率提升0.33%，订单量提升0.63%

落地成本

额外计算开销随序列长度、头维度呈线性增长，兼容原生RoPE接口

背景

当前大规模推荐系统普遍采用大模型衍生的序列生成范式，直接照搬大模型原生的旋转位置编码（RoPE），但该编码仅记录交互事件顺序，无法捕捉时间间隔、跨尺度行为周期、日历相位等关键时间信息；原生RoPE即使适配时间戳，也存在时间平移不变性缺陷，无法区分季节类场景。

为什么重要

对推荐行业而言，该方案打通了大模型位置编码与推荐场景时间特性的适配路径，证明时间维度信号可大幅提升推荐精度；对开发者而言，其兼容原生RoPE接口、线性增长的开销可大幅降低改造成本；对普通用户而言，更精准的推荐可减少无效内容干扰，提升电商等场景的浏览、购物效率。