小红书精读：T-RoPE: Time-Aware Rotary Position Embedding for Sequential Recommendation

把位置索引换成时间戳，推荐涨78% ⏱️

各位算法同学们，把推荐模型里 0、1、2… 的位置索引换成真实秒级时间戳，稀疏数据上 HR@10 直接涨了 78% 以上。而且论文证明了标准 RoPE 就算喂时间戳，依然保持时间平移不变——同一条历史在不同季节被看到，注意力图案完全一样。

📄 T-RoPE: Time-Aware Rotary Position Embedding for Sequential Recommendation

🔧 用 Unix 秒直接做旋转角，相邻事件隔几秒还是隔几周不再是同一个“一步”，时间差直接作用到 QK 点积上。 🧩 每个旋转平面配一个基频，从 10² 到 10⁸ 秒几何铺开，配上可学习的 query/key 时间系数，让模型自己决定周、月、季哪个周期更重要。 ⚙️ query 对齐到下一个事件时间戳（推理时用当前时间），key 侧做非平稳旋转，专门打破相对时间对称性，把日历相位编进去。

📊 五个公开 benchmark，每个数据集每个指标都是最好；PixelRec 稀疏数据 HR@10 比最强基线高 78–130%。 📈 Amazon Books 各指标涨 8–12%。 ✅ 6B+ 交互的工业电商数据，比 HSTU + Time RAB 主干全面高 13–82%；消融显示多尺度频率贡献最大，NDCG@50 涨 56%，非平稳 key 再贡献 4%。 📈 Shop App 线上 A/B：转化率 +0.33%，订单量 +0.63%。 额外算法开销对序列长度和 head 维度都是线性的。

如果你已经在序列推荐里用 RoPE、埋点又有真实时间戳，这个改动接口兼容，可以先试；但要是只有事件序号没有时间，或者业务周期短到一次会话内，多尺度频率库很可能学不出东西，先确认 β 的取值范围覆盖了你的周期。另外线上提升是千分之几量级，别指望单点改动带飞，重点看它和 HSTU 的时间 RAB 叠加后还能不能保住那 13–82%。

原文：AlphaXiv