Hamiltonian Spectral-Temporal Dissipative Dynamics for Sequential Recommendation
用于顺序推荐的哈密顿谱-时间耗散动力学
🧭 序列推荐 · 二阶动力学与频域建模 ★ 深度解读
The Hong Kong University of Science and Technology
将用户偏好演化建模为耗散哈密顿系统，用频域谱传播与动量外推提升序列推荐
📌 工作参考价值（4 点）
- 可借鉴「位置+动量」的二阶状态设计：在电商会话或广告点击流中，用户兴趣常出现惯性回摆（看了一圈商品后回到原品类）和短期热点偏离，传统一阶 RNN/Transformer 只更新当前隐状态，难以表达这类动态。可以在现有序列模型里增加一个动量通道，并用阻尼项衰减短期冲动，物理先验能提升稀疏行为建模。
- 频域传播用 RFFT/IRFFT 将长序列演化降到 O(T log T)，且参数量少。工程上可直接用 GPU 上的批量 FFT 替代标准 self-attention 的长程依赖建模，在用户行为序列很长时能显著降低延迟和显存；但需注意 FFT 分支不适合超短序列，需配合局部卷积。
- 局部脉冲分支（DWConv1D + 门控融合）专门处理突发点击和噪声，与全局平滑轨迹互补。电商推荐里常有大促、直播带货等短期爆点，可以在主模型旁路加一个轻量局部卷积分支，用 sigmoid 门控融合到最终表示，提升对热点的响应速度。
- One-step phase-space extrapolation 用当前动量外推下一步状态，而不是只取最终位置。这种「预测用户去向而非现在在哪」的思想适用于 next-item、next-query 或 push 消息生成，可以在推理时把趋势方向作为额外打分信号。