跳转至

ClockRoPE：用随机 Fourier 旋转建模用户周期性习惯

Fidelity: 核心机制复现。本地执行周期 Gaussian Fourier kernel 对序列注意力的调制；公开数据缺少 YouTube 的小时级行为语境，因此结果只验证机制和边界。

论文信息

项目 内容
论文链接 arXiv 2607.26369
公司/机构 YouTube / Google DeepMind
首次公开日期 2026-07-29（arXiv v1）
原文开源代码 否：截至 2026-08-24 未发现原作者公开代码
Adapter clockrope
本地复现代码 src/auto_research/reproductions/clockrope/

原始论文总结

背景与主要改动

普通 RoPE 的对数线性频率偏向“距离越远相关性越弱”，但推荐行为常有日周期和周周期。ClockRoPE 从目标周期 kernel 的 Fourier 变换中采样旋转频率，使 query-key 点积在相同小时或星期附近重新增强，并可与标准 RoPE 各占一半通道。

flowchart LR
  H[带时间戳的行为序列] --> QK[query / key]
  T[日与周周期 prior] --> F[Fourier 频率采样]
  F --> R[ClockRoPE 随机旋转]
  QK --> R
  R --> A[周期调制 attention]
  A --> G[生成式召回]

原论文关键图

ClockRoPE：用随机 Fourier 旋转建模用户周期性习惯 原论文 Figure 3

原论文 Figure 3（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

对正定 kernel \(f\)，随机 Fourier 旋转满足

\[ \mathbb E_{\xi\sim\tau}\left[(R_\xi(p_m)q_m)^\top(R_\xi(p_n)k_n)\right] =q_m^\top k_n f(p_m-p_n). \]

本地使用日/周周期 Gaussian：

\[ f_T(\Delta t)=\exp\{\kappa[\cos(2\pi\Delta t/T)-1]\},\quad T\in\{24,168\}. \]

论文离线与线上效果

14 天线上 A/B 中，每个变体分配 1% 流量；RoPE+ClockRoPE 的 Engagement 和 Valued Engagement 均为 +0.08%。生产部署后 Valued Engagement Time +0.08%，TPU serving cost -0.63%，延迟中性。

本地复现

本地对照口径：基线为不使用周期调制的 RoPE-style recency ranker；实验组加入日/周 ClockRoPE kernel，NDCG@10 相对 -2.30%。

MovieLens-100K 单 seed 机制实验中，RoPE-style 基线 Hit@10/NDCG@10 为 0.1091/0.0540，ClockRoPE 为 0.1091/0.0528，NDCG 相对 -2.30%。这是负结果：没有真实小时/星期 routine 时，周期先验不会自动带来收益。

auto-research reproduce --paper clockrope --dataset-dir data --seed 42

稳定指标见 metrics/movielens-100k-seed42.json。

复现边界

公开 MovieLens 只提供稀疏评分时间，本地用确定性事件间隔构造周期位置；未复刻 YouTube 私有日志、生成式检索模型、TPU kernel 和线上 serving。