AI Papers Daily

#Time-Aware

2 篇

NMKFR: A Robust Framework for Time-Aware Cold-Start Recommendation

NMKFR：时间感知冷启动推荐的鲁棒框架

🧭 时间感知冷启动 · 卡尔曼融合

Southwest University

提出神经记忆卡尔曼融合推荐器，利用后验协方差校准语义-时间融合以应对冷启动

📌 工作参考价值（4 点）

• 使用卡尔曼滤波器建模物品生命周期中的不规则时间间隔，可迁移至电商新品冷启动的状态跟踪，融合交互时间衰减。
• 后验协方差作为不确定性信号自适应平衡语义与时序分支，为多模态融合提供置信度加权思路，避免简单拼接。
• 基于Titans的记忆增强语义编码器能更有效地从物品文本中抽取长期依赖，适用于电商商品的标题、描述等文本侧信息。
• 框架的鲁棒性分析和有界不确定性行为为线上部署提供安全性保证，可作为推荐系统的置信度输出。

RecSys | 2026-07-29 | cs.IR | score 7/10

Cold-StartTime-AwareKalman FilterMemory-AugmentedUncertainty Calibration

Beyond Item Order: Temporal Gap Tokenization for Generative Recommendation with Semantic IDs

超越物品顺序：面向生成式语义ID推荐的时间间隔分词

🧭 生成式推荐 · 时序建模 ★ 深度解读

University of New South Wales · Macquarie University · CSIRO's Data61

提出 ChronoSID，通过在物品表征学习和序列生成中注入离散时间间隔令牌，显著提升语义ID生成式推荐效果

📌 工作参考价值（4 点）

• 将交互间隔按 log-scale 离散为固定桶（<1h, 1h~1d, 1d~1w, 1w~1mo, ≥1mo）作为特殊 token 插入编码器输入，解码器不变，工程改动小，可直接增强现有语义ID生成式推荐模型。
• TA-FAMAE 在物品表征训练中增加辅助时间间隔回归任务，可作为正则项迁移到基于掩码自编码的商品 embedding 预训练中，在不改动线上推理的前提下提升序列建模对时间漂移的鲁棒性。
• 间隙 token 注入策略对编码器长度仅增加 1/3，训练开销可控（训练时间增幅 7%~29%），适合电商场景下的大规模序列建模。
• 长间隔场景（如≥1个月回访）推荐质量提升更明显，特别适合电商中促销召回、换季推荐等用户兴趣易漂移的场景，可作为召回粗排环节的时序增强插件。

GenRec | 2026-07-04 | cs.IR | score 10/10

Semantic IDsGenerative RecommendationTemporal GapTokenizationSequential RecommendationTime-Aware