学术研究报告：TGODE——基于时间引导图神经ODE的序列推荐增强方法

一、作者与发表信息
本研究的核心作者包括北京理工大学的Haoyan Fu、Zhida Qin、Shixiao Yang、Haoyao Zhang，上海交通大学的Bin Lu，北京航空航天大学的Shuang Li，以及香港中文大学的John C.S. Lui。研究成果以论文《Time Matters: Enhancing Sequential Recommendations with Time-Guided Graph Neural ODEs》的形式发表于2025年8月的KDD ‘25: Proceedings of the 31st ACM SIGKDD Conference on Knowledge Discovery and Data Mining，会议地点为加拿大多伦多。论文为开放获取，由北京理工大学、北京航空航天大学、上海交通大学和香港中文大学联合支持。

二、学术背景与研究目标
本研究属于推荐系统（Recommender Systems）领域，聚焦于序列推荐（Sequential Recommendation, SR）任务。传统SR方法存在两大关键缺陷：
1. 用户兴趣的不规则性（Irregular User Interests）：用户交互行为在时间上分布不均，长期历史交互可能与当前兴趣无关；
2. 物品分布的高度不均衡性（Highly Uneven Item Distributions）：物品流行度受促销、季节等外部因素影响，导致分布随时间剧烈波动。

研究团队提出TGODE（Time-Guided Graph Neural ODEs）框架，旨在通过时间引导的图神经网络与常微分方程（ODE）结合，动态捕捉用户兴趣演化与物品分布变化，提升推荐准确性。

三、研究方法与流程
1. 数据构建与问题定义
- 数据集：使用Amazon的Beauty、Sports、Toys、Video及MovieLens-100k五个公开数据集，统计用户-物品交互序列及时间戳。
- 核心问题：给定用户历史序列𝑆={(𝑣₁,𝑡₁),…,(𝑣ₙ,𝑡ₙ)}，预测目标时间𝑡ₙ₊₁的下一个交互物品𝑣ₙ₊₁。

1. 双图结构构建

   • 用户时间图（User Time Graph, Gᵤₛ）：以用户序列中的物品为节点，交互时间为边权重，建模个体兴趣演化。
     
   • 物品演化图（Item Evolution Graph, G꜀ₛ）：全局物品交互网络，捕捉外部因素驱动的分布变化。
     

2. 时间引导扩散生成器（Time-Guided Diffusion Generator）

   • 潜在向量编码器（VAE Encoder）：压缩用户图结构和序列信息至潜在空间。
     
   • 时间嵌入编码器（Temporal Embedding Encoder）：通过正弦/余弦函数编码时间戳，指导扩散过程。
     
   • 扩散模型训练：采用DDPM（Denoising Diffusion Probabilistic Models）框架，通过前向噪声添加与反向去噪生成潜在用户兴趣路径。
     
   • 用户兴趣截断因子（User Interest Truncation Factor）：识别稀疏时间区间，平衡兴趣推理。
     

3. 广义图神经ODE（Generalized Graph Neural ODE）

   • ODE求解器：对齐用户图与物品图的动态演化，通过Runge-Kutta方法模拟连续时间下的状态导数。
     
   • 注意力机制：在GNN中引入时间敏感编码，增强节点表征的时序依赖性。
     

4. 模型训练与预测

   • 交替训练策略：迭代优化扩散生成器与图神经ODE模块。
     
   • 序列解码：通过Transformer解码器融合用户与物品表征，计算推荐概率。
     

四、实验结果与发现
1. 性能对比（RQ1）
- TGODE在五个数据集上显著优于基线模型（如SASRec、GNG-ODE、DiffRec），Recall@10提升10%~46%。例如，在Beauty数据集上，TGODE的Recall@10达到0.0709，比次优模型（GNG-ODE）高31.05%。
- 扩散模型（如DiffRec）在长序列推荐中表现不佳，验证了单纯扩散方法无法捕捉动态兴趣的局限性。

1. 消融实验（RQ2）

   • 移除扩散生成器（w/o diff）：Recall@20下降6.4%（Beauty数据集），证明时间引导的生成对稀疏交互的补充至关重要。
     
   • 移除ODE模块（w/o ode）：Toys数据集性能下降45%，显示ODE对连续时间建模的必要性。
     

2. 序列长度分析（RQ4）

   • 短序列（<10）中，TGODE通过扩散生成弥补冷启动问题；长序列（>20）中，ODE有效对齐用户兴趣与物品分布演化。
     

3. 案例研究（RQ5）

   • 如图6所示，TGODE能准确预测促销期热门物品的流行趋势，而SASRec因缺乏时间感知持续推荐过时物品。
     

五、结论与价值
1. 科学价值
- 首次将扩散模型与图神经ODE结合，解决SR中时间不规则性与分布不均衡性问题。
- 提出用户兴趣截断因子与时间平滑优化策略，增强模型对稀疏交互的鲁棒性。

1. 应用价值
   
   • 可部署于电商、流媒体等场景，动态适应用户兴趣漂移与外部事件（如促销）。
     
   • 开源代码（GitHub: qin-lab-code/tgode）支持工业界复现与优化。
     

六、研究亮点
1. 方法创新：
- 时间引导扩散生成器实现稀疏交互的自动补全；
- 广义图神经ODE首次实现用户兴趣与物品分布的双向动态对齐。
2. 实验设计：
- 引入时间切片分析（如250天间隔）量化物品涌现比率，验证数据假设。
3. 可扩展性：
- 框架支持替换不同的序列解码器（如GRU/Transformer），适配多样场景。

七、其他贡献
- 附录中详细公开了超参数搜索范围（如学习率1e-5~1e-1、嵌入维度32~256）及训练算法流程（Algorithm 1），增强可复现性。
- 数据统计显示，Amazon数据集中超过75%的物品在特定时间段集中交互（图7c），为时间感知推荐提供了实证基础。

（注：专业术语如“ODE（Ordinary Differential Equation）”“VAE（Variational Autoencoder）”在首次出现时标注英文原词，后续使用中文简称。）