TIDRec：从带时间戳的交互日志中挖掘随时间演变的意图动态，用于数据密集型序列推荐

《Information Sciences》：TIDRec: Mining Time-Evolving Intent Dynamics from timestamped interaction logs for data-intensive sequential recommendation

　　

# 摘要

现代信息系统越来越依赖于大规模带时间戳的用户 - 物品交互日志来支持个性化信息获取。当推荐请求在可观测查询时间 tq 到达时，系统必须从 tq 之前观测到的稀疏、含噪声且不规律间隔的交互中推断用户的活跃信息需求，然后对大量候选集进行排序。现有方法对序列依赖、时间间隔、潜在意图或生成式增强进行了建模，但连续时间推荐器通常演化通用的用户或物品状态，意图感知方法通常依赖静态意图表示，扩散推荐器通常基于静态历史摘要进行条件生成。这些局限性使得难以确定在请求发出时哪个潜在意图仍然活跃。

为了解决这个问题，我们提出了 TIDRec，这是一个以查询时动态意图状态推断为中心的框架。TIDRec 将带时间戳的交互视为潜在意图轨迹的稀疏观测。它提取交互级意图证据，并在时间意图记忆图（Temporal Intent Memory Graph）中组织时间上相邻且非连续但语义相关的行为。图神经常微分方程（Graph Neural ODE）在观测到的事件间隔之间更新缓存的意图证据，然后将最新状态演化到推荐查询时间 tq，产生共享的查询时动态意图状态。该状态对基于扩散的推荐表示生成和时间 - 意图一致性对比学习进行条件约束，从而将意图识别、连续时间演化和语义生成耦合在一起，而不是将它们视为独立模块。

在四个 Amazon 行为领域和一个独立来源的 MovieLens-1M 数据集上，采用通用的时间全排序协议进行的实验表明，在所有报告的 Recall@K 和 NDCG@K 比较中，TIDRec 都表现出一致的数值优势。细粒度消融实验、重复种子的静态与动态比较、噪声扰动、短历史分析和表示空间诊断检验了查询时动态意图推断的价值。一项经验效率研究进一步分析了在单块 RTX 4090 上的训练时间、增量事件更新延迟、p50/p95 请求延迟、吞吐量以及峰值 GPU 内存，而独立提供商实验则探究了排序模式是否能在 Amazon 来源之外转移。综上所述，这些结果支持 TIDRec 作为查询时状态推断和重排序层，同时明确其计算开销和当前的泛化边界。

源代码和实验配置见 https://github.com/CLTCGUO/TIDRec。

# 引言

大规模信息系统依赖于带时间戳的点击、购买、浏览、评分及相关事件来个性化访问大型目录。因此，序列推荐通过推断用户的当前信息需求，从结构化的用户 - 物品 - 时间日志中对候选物品进行排序。与静态推荐不同，它必须从稀疏、不规则的观测中恢复变化的偏好，同时支持可扩展的 Top-K 检索。

然而，大多数方法仍将用户历史视为规则的、语义连贯的离散序列。真实日志是稀疏、不规则且时间异质的；事件可能间隔数小时或数月，且较早的操作可能已过时。TiSASRec [1] 对时间间隔进行建模，而神经常微分方程 [2]、GDERec [3] 和 TGODE [4] 支持连续时间状态演化。这些方法主要对齐通用的用户或物品状态，并未明确识别驱动每次观测的潜在意图或在请求时仍然活跃的意图。

用户历史还包含交织的意图，语义相关的物品可能非连续出现。CL4SRec [5] 使用随机序列扰动，ICLRec [6] 引入潜在意图对比，DuoRec [7] 构建语义正样本。然而，它们的意图表示通常是静态或离散的，这限制了对意图强化、衰减、漂移和切换的建模。随机增强也可能破坏原始意图结构并引入虚假监督。

扩散模型 [8] 提供了一种生成式替代方案。DiffRec [9] 对用户 - 物品交互分布进行建模，DreamRec [10] 生成目标物品表示，InDiRec [11] 产生意图一致的增强视图。然而，大多数扩散推荐器基于静态历史摘要进行条件生成。在不规则延迟或意图转变后，这种条件约束可能会强调过时或混合的证据。

因此，信息系统的核心问题是在可观测查询时间 tq 推断哪个潜在意图仍然活跃，并使用该状态进行排序。带时间戳的历史被建模为潜在意图轨迹的稀疏观测，而不是完整的、规则采样的偏好序列。该表述连接了三个操作：交互级意图提取、演化到 tq 的连续演化、以及查询时条件生成和排序。

考虑一个购买了跑鞋，后来浏览家居产品，并在一段不活跃期后请求推荐的用户。最近的家居相关操作可能是暂时的，而早期的体育操作可能仍表达连贯的健身意图。基于位置的方法可能过度强调最近性，而静态意图模型可能混合两种信号。相关问题是当请求到达时哪个意图仍然活跃，如图 1 所示。

TIDRec（基于时间演化意图动态的推荐器）通过共享的查询时动态意图状态来解决这个问题。带时间戳的观测提供交互级意图证据，这些证据被组织在包含时间转换和非连续语义关联的时间意图记忆图中。图神经常微分方程在观测到的事件间隔之间分段更新图，并将最新缓存状态演化到 tq。生成的状态对基于扩散的表示生成进行条件约束，并定义对比学习的一致性目标。因此，编码器、原型、图常微分方程、扩散生成器和对比目标支持单一的推理链，而不是独立模块。

贡献有三点。

第一，基于带时间戳交互日志的序列推荐被表述为查询时动态意图状态推断。第 3.1 节使用可观测请求时间 tq 并将未知的下一次交互时间戳排除在输入之外。这种表述将历史视为潜在意图轨迹的稀疏观测，而不是完整的离散序列。

第二，一种统一机制构建并应用查询时意图状态。第 4.1-4.4 节提取交互级证据，在时间意图记忆图中连接时间和语义关系，并使用图神经常微分方程将状态演化到 tq。第 4.5-4.7 节使用相同的状态进行扩散条件约束、时间 - 意图一致性和排序。

第三，全排序评估将 TIDRec 与序列、对比、基于扩散、连续时间和状态空间基线进行比较。组件消融实验、重复种子的静态与动态比较、噪声扰动、短历史分析、经验延迟/内存分析以及独立提供商的 MovieLens-1M 实验共同评估了准确性、鲁棒性、计算可行性和跨提供商转移能力。

# 章节片段

## 序列推荐

序列推荐旨在根据用户按时间顺序排列的交互历史预测下一个感兴趣的物品。早期方法通常将用户行为建模为离散转移过程。例如，FPMC 使用个性化马尔可夫链来刻画相邻物品之间的转移 [12]。随后，循环神经网络被广泛用于捕获行为序列中的动态依赖关系。GRU4Rec 采用门控循环单元来建模会话级兴趣变化 [13]...

## 问题定义与符号说明

第 3 节定义查询时任务和符号。τ表示连续时间，tq 表示可观测请求时间，s 表示扩散步索引。常微分方程、扩散和对比特有的符号在第 4 节中介绍。表 1 仅列出跨节重用的符号；局部算子和实验符号在首次使用时定义。

## 方法论

TIDRec 作为行为日志和排序之间的日志挖掘和查询时状态推断层运行。它针对稀疏、不规则、含噪声且多意图的历史，将其视为潜在意图轨迹的离散观测。因此，任务从直接预测下一个物品重新表述为查询时意图状态推断，随后进行条件生成和排序。架构如图 2 所示。

如图 2 所示，TIDRec 包含四个阶段：时间感知观测...

## 数据集

TIDRec 在公共 Amazon 交互数据的 Beauty（美妆）、Sports（运动）、Toys（玩具）和 Video（视频）领域上进行评估。这些领域在目录大小、交互量、序列长度和时间行为上有所不同，但共享同一来源，因此结果支持跨领域而非跨平台的泛化。平均序列长度等于保留交互数除以保留用户数；Video 平均为 32.23。表 3 报告了后处理统计信息。

事件按用户进行时间排序。

# 结论

基于带时间戳日志的序列推荐被表述为查询时动态意图状态推断。TIDRec 提取局部潜在证据，连接时间和非连续关系，在观测到的事件间隔之间分段传播缓存状态，并将最新状态演化到可观测请求终点。

推断的状态对物品空间扩散先验和仅用于训练的时间 - 意图对比目标进行条件约束。全排序点估计、受控消融实验...

# CRediT 作者贡献声明

**吴瑞嘉 (Ruijia Guo):** 撰写 - 初稿，可视化，验证，软件，资源，项目管理，方法论，调查，形式分析，数据管理，概念化。
**陈志远 (Zhiyuan Chen):** 撰写 - 初稿，监督，方法论，资金支持获取，形式分析，数据管理，概念化。
**白昊 (Hao Bai):** 撰写 - 初稿，可视化，监督，软件，资金支持获取，数据管理。

# 未引用参考文献

[38]

# 利益冲突声明

作者声明其中一位作者受雇于深圳鹏辉能源股份有限公司。作者声明此受雇关系未影响研究设计、数据收集、分析、结果解释、手稿准备或提交发表的决定。作者声明没有其他可能被认为影响本文所报告工作的竞争性经济利益或个人关系。

# 致谢

本工作受中央高校基本科研业务费（项目编号：3072025PT1504）支持。作者感谢研究组同事的讨论和技术支持。

Ruijia Guo|Zhiyuan Chen|Hao Bai