TLDR: 现有的序列推荐方法往往忽视了时间维度上的两个关键因素：用户兴趣的不规则性和极不均匀的物品分布。基于此，我们提出了一种基于时间引导图神经常微分方程的新框架：TGODE。该框架构建了“图构建 -> 扩散增强 -> ODE对齐”的联合建模机制，有效解决了时间稀疏性和动态演化问题。实验结果表明，该方法在五个真实数据集上表现优异，相较于SOTA基线模型，在各项关键指标上实现了10%至46%的显著提升。相关代码已开源，研究成果已被 KDD 2025 接收。

论文：https://doi.org/10.1145/3711896.3737156
代码：https://github.com/Qin-lab-code/TGODE

引言

时间真的重要吗（Time Matters）？ 在推荐系统中，核心挑战在于如何处理时间维度上的复杂动态。现有方法通常假设用户交互是均匀分布的，这与现实情况严重不符。通过数据分析我们发现两个核心痛点：

• 用户兴趣的不规则性：用户的交互在时间轴上呈现“波峰波谷”状，长期历史交互可能与当前购买行为无关，导致时间稀疏性问题。

• 极不均匀的物品分布：物品的流行度受外部因素（如促销、季节）影响剧烈，这种分布往往独立于用户个人偏好。

基于上述思考，我们提出了统一的时间引导图神经ODE框架TGODE，整体Pipeline如下：

• Stage 1：双图构建（Graph Construction）。分别构建用户时间图（User Time Graph）和物品演化图（Item Evolution Graph），从微观和宏观两个层面捕捉时间信息。

• Stage 2：时间引导扩散（Time-Guided Diffusion）。针对用户行为的时间稀疏性，设计扩散生成器，自动填充潜在的用户兴趣交互，增强数据的连贯性。

• Stage 3：广义图神经ODE（Generalized Graph Neural ODEs）。利用微分方程对齐用户偏好演化与物品分布趋势，实现连续时间上的精准匹配。

方法

Stage 1：双图构建与表征

实践表明，单纯的序列模型难以区分瞬时交互与延迟交互的区别。因此，我们需要分别对“用户个性化偏好”和“全局物品分布”进行建模。

TGODE 构建了两个关键图结构：

• 用户时间图（ ）：捕捉个体用户的偏好变化。节点为序列中的物品，边包含具体的交互时间戳。
• 物品演化图（ ）：描绘物品在所有序列中的宏观时间分布。这反映了物品受外部因素（如广告、热点）影响的流行度趋势。

这种双图设计的优势在于：既能关注用户的个性化兴趣（User Preference），又能捕捉全局的物品分布动态（Item Distribution），为后续的对齐打下基础。

Stage 2：时间引导扩散生成器（Diffusion Generator）

针对用户交互在时间轴上极度稀疏的问题（即冷启动或长间隔导致的兴趣断层），我们引入了时间引导的扩散模型来“脑补”缺失的潜在交互。

该模块的核心设计如下：

• 时序嵌入编码器（Temporal Embedding Encoder）：利用正弦/余弦函数变换，将时间戳编码为高维向量，作为扩散过程的强引导信号。

• 用户偏好推断（User Preferences Inference）：我们设计了“用户兴趣截断因子”（User Interest Truncation Factor），用于识别时间轴上的“空白枢纽”（uncovered pivots）。扩散模型在这些时间点生成潜在的交互边，从而构建出增强版的用户时间图  。

• 优势：相比传统补全方法，基于扩散的生成能更好地保留数据的分布特性，解决时间稀疏性带来的偏好偏差。

Stage 3：广义图神经ODE（Generalized Graph Neural ODEs）

虽然扩散模型增强了数据，但用户兴趣的演变是连续的，且需与物品的动态分布相匹配。我们提出了广义图神经ODE来实现这一目标。

• 连续时间演化：利用ODE求解器模拟用户和物品表征随时间的导数变化。求解器函数   同时接收增强后的用户图   和物品演化图   作为输入。

• 动态对齐机制：

• ：挖掘增强用户图中的高阶邻域关系，模拟用户兴趣流变。

• ：利用MLP显式建模外部因素对物品流行度的影响。

• 联合优化：最终的序列表征由两个图在目标时间   的演化状态共同决定，通过Transformer解码器生成最终预测，并采用迭代训练策略交替优化扩散模块和ODE模块。

实验效果

整体性能对比 (Overall Performance)

在五个公开数据集（Beauty, Sports, Toys, Video, ML-100k）上的实验结果表明，TGODE 取得了SOTA效果。在 Recall@20 和 NDCG@20 等关键指标上，TGODE 全面超越了基于Transformer的方法（如SASRec）、基于扩散的方法（如DiffRec）以及连续时间方法（如GNG-ODE）。

具体提升如下：

• 相比于表现最好的基线模型，TGODE 的性能提升幅度在 10% 到 46% 之间。

• 在 Toys 数据集上，NDCG@10 的提升高达 46.23% 26。这验证了显式建模时间不规则性和物品分布的必要性。

消融实验 (Ablation Study)

为了验证多级对齐框架的有效性，我们进行了详细的消融实验：

• w/o Diff：移除扩散生成器。性能显著下降，证明了填充稀疏时间段对连贯用户兴趣建模的重要性。

• w/o ODE：移除图神经ODE模块。性能大幅下滑（例如Toys数据集下降45%），说明连续时间对齐是捕捉动态演化的关键。

• w/o cs：移除物品演化图。性能受损，证实了忽略物品流行度的外部趋势会导致推荐偏差。

Case Study：时间与流行度的感知

通过可视化分析（如下图），我们发现 TGODE 能敏锐地捕捉物品的“流行周期”。

• 对抗流行度偏差：SASRec 倾向于在物品不再流行时依然推荐它（因为它缺乏时间感知），而 TGODE 能够随着物品热度的消退减少推荐权重，准确预测用户在特定时间点的真实交互。

• 长序列与短序列：无论是在交互稀疏的冷启动阶段（短序列），还是在时间跨度大的长序列中，TGODE 均表现出优于 SASRec 和 GNG-ODE 的鲁棒性。

总结和展望

在序列推荐领域，我们提出了基于时间引导图神经ODE的新范式 TGODE。该范式通过“图构建 -> 扩散增强 -> ODE对齐”的三阶段处理，有效解决了用户兴趣不规则和物品分布不均匀这两大难题。

• 扩散模型解决了“懂”用户潜在兴趣的问题，填补了时间空缺。

• 图神经ODE解决了“契合”动态演化的问题，实现了用户与物品在连续时间上的精准对齐。

实验表明，该框架在多个真实数据集上显著优于现有的SOTA方法。未来我们将进一步探索更高效的迭代训练策略，以及将该时间感知框架扩展到多模态推荐场景中。

由于公众号试行乱序推送，您可能不再准时收到机器学习与推荐算法的推送。为了第一时间收到本号的干货内容， 请将本号设为星标，以及常点文末右下角的“在看”。