大规模推荐系统正逐步引入大型语言模型背后的序列生成框架，将 Transformer 与文本领域的设计（如 Rotary Position Embedding，RoPE）相结合。传统 RoPE 通过旋转角度对 token 索引进行编码，以实现相对位置推理。但在推荐场景中，交互索引仅表示事件顺序，无法捕捉时间间隔、跨尺度行为周期或日历相位等信息。为此我们提出 T‑RoPE，一种基于时间戳的 RoPE 变体。T‑RoPE 用时间戳生成旋转角度，引入可学习的时间系数、多尺度频率库、查询平移对齐以及非平稳键旋转，从而在保持 RoPE 接口不变的前提下打破时间平移不变性，使模型能够辨别季节性上下文。实验在五个公开基准上均取得所有指标的最佳成绩：在稀疏的 PixelRec 数据上 HR@10 提升 78%‑130%，在 Amazon Books 上各指标提升 8%‑12%。在拥有超过 60 亿交互的工业级电商数据集上，相比 HSTU + Time RAB，所有指标提升 13%‑82%，其中多尺度频率贡献最大（NDCG@50 +56%），非平稳键贡献 +4%。Shop 应用的线上 A/B 测试显示转化率提升 0.33%，订单数提升 0.63%。我们还提供了前向与后向算法，额外计算成本仅随序列长度和头维度线性增长，保证了时间感知 RoPE 在大规模生成式推荐中的实用性。
点评