Enhancing Time Awareness in Generative Recommendation

📄 arXiv: 2509.13957v2 📥 PDF

作者: Sunkyung Lee, Seongmin Park, Jonghyo Kim, Mincheol Yoon, Jongwuk Lee

分类: cs.IR, cs.CL

发布日期: 2025-09-17 (更新: 2025-11-03)

备注: EMNLP 2025 (Findings)

🔗 代码/项目: GITHUB

💡 一句话要点

提出GRUT模型，通过时间感知提升生成式推荐效果

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 生成式推荐 时间感知 用户偏好 大型语言模型 趋势感知

📋 核心要点

  1. 现有生成式推荐方法忽略了用户偏好随时间演变的动态性，未能充分利用时间信息。
  2. GRUT模型通过时间感知提示和趋势感知推理，显式地建模用户和物品的时间模式。
  3. 实验结果表明，GRUT在多个数据集上显著优于现有方法，提升了推荐性能。

📝 摘要（中文）

生成式推荐已经成为一种有前景的范式，它将推荐任务转化为文本到文本的生成任务，从而利用大型语言模型的丰富知识。然而，现有的研究主要关注物品的顺序，而忽略了物品之间的时间动态，这可能暗示着用户偏好的演变。为了解决这个局限性，我们提出了一种新的模型，即时间感知生成式推荐器（GRUT），它通过各种时间信号有效地捕捉隐藏的用户偏好。我们首先引入了时间感知提示，它由两个关键上下文组成：用户级时间上下文，用于建模跨时间戳和时间间隔的个性化时间模式；物品级转移上下文，用于提供跨用户的转移模式。我们还设计了趋势感知推理，这是一种无需训练的方法，通过将物品的趋势信息与生成可能性相结合来增强排名。大量的实验表明，GRUT优于最先进的模型，在四个基准数据集上的Recall@5和NDCG@5分别提高了15.4%和14.3%。

🔬 方法详解

问题定义：现有生成式推荐模型主要关注物品的序列顺序，忽略了用户行为在时间上的动态变化，无法有效捕捉用户偏好的演变。这种忽略导致推荐结果可能不够个性化和及时，无法准确反映用户当前的兴趣。

核心思路：GRUT的核心思路是通过引入时间感知机制，显式地建模用户和物品的时间模式。具体来说，模型利用用户级时间上下文和物品级转移上下文来捕捉用户个性化的时间偏好和物品之间的转移关系。此外，趋势感知推理利用物品的流行度趋势来提升推荐排序。

技术框架：GRUT模型主要包含两个核心模块：时间感知提示和趋势感知推理。时间感知提示模块负责构建包含时间信息的提示，输入到大型语言模型中进行生成式推荐。该模块包含用户级时间上下文和物品级转移上下文。趋势感知推理模块则在推理阶段，根据物品的流行度趋势调整生成概率，从而优化推荐排序。

关键创新：GRUT的关键创新在于其时间感知提示机制，它能够将用户和物品的时间信息有效地融入到生成式推荐过程中。与现有方法相比，GRUT不仅考虑了物品的序列顺序，还考虑了用户行为的时间属性，从而更准确地捕捉用户偏好。趋势感知推理是一种无需训练的后处理方法，进一步提升了推荐效果。

关键设计：用户级时间上下文建模用户在不同时间戳和时间间隔的行为模式，例如用户在特定时间段内更倾向于浏览或购买某些类型的物品。物品级转移上下文则建模物品之间的转移关系，例如用户在购买了A物品后，更有可能购买B物品。趋势感知推理通过计算物品在一段时间内的流行度变化，并将其作为权重调整生成概率。具体参数设置和网络结构细节未在论文中详细描述，属于未知信息。

📊 实验亮点

实验结果表明，GRUT在四个基准数据集上显著优于现有最先进的模型。具体来说，GRUT在Recall@5指标上取得了高达15.4%的提升，在NDCG@5指标上取得了高达14.3%的提升。这些结果表明，GRUT能够有效地捕捉用户的时间偏好，并生成更相关的推荐结果。

🎯 应用场景

GRUT模型可应用于各种需要个性化推荐的场景，例如电商平台、在线视频网站、新闻推荐等。通过考虑用户行为的时间属性，GRUT能够提供更精准、更及时的推荐结果，提升用户体验和平台收益。该研究对于提升生成式推荐系统的性能具有重要意义。

📄 摘要（原文）

Generative recommendation has emerged as a promising paradigm that formulates the recommendations into a text-to-text generation task, harnessing the vast knowledge of large language models. However, existing studies focus on considering the sequential order of items and neglect to handle the temporal dynamics across items, which can imply evolving user preferences. To address this limitation, we propose a novel model, Generative Recommender Using Time awareness (GRUT), effectively capturing hidden user preferences via various temporal signals. We first introduce Time-aware Prompting, consisting of two key contexts. The user-level temporal context models personalized temporal patterns across timestamps and time intervals, while the item-level transition context provides transition patterns across users. We also devise Trend-aware Inference, a training-free method that enhances rankings by incorporating trend information about items with generation likelihood. Extensive experiments demonstrate that GRUT outperforms state-of-the-art models, with gains of up to 15.4% and 14.3% in Recall@5 and NDCG@5 across four benchmark datasets. The source code is available at https://github.com/skleee/GRUT.