长历史推荐系统常将用户完整序列压缩为一个候选无关的记忆体，缓存后用于对大规模候选进行打分。实际用户序列呈现多尺度语义结构，短期意图、中期兴趣和长期偏好共存于同一序列。单一缓存记忆在不同尺度上的保留不均，线性探测对近期和中程信息恢复远逊于远程信息，这种现象称为时间混叠。MARS 提出多分辨率用户记忆，将完整历史写入多个具有不同半衰期的递归状态轨道，并通过稀疏路由读取器为每个种子选择合适的时间分辨率，生成紧凑种子记忆，保持固定大小的候选打分。实验在三套公开数据集上超越强基线，提升随历史长度增长而扩大。配对消融显示时间多样性和选择性路由分别贡献超过硬窗口记忆或单纯容量提升的效果。相较于接口匹配基线，MARS 在用户行为转变后优势进一步扩大，对 1,000 条候选的暖缓存服务延迟约为基线的 1.02 倍。
总体来看，MARS 通过多尺度记忆和稀疏路由有效缓解时间混叠，为长序列推荐提供了可扩展的解决方案。点评