ChronicleRec：时间锚定的终身用户兴趣压缩

复现级别：公开数据核心机制。 执行近密远疏合并、因果 query 锚点、多 horizon 分支与面向近期目标的 alignment；不复刻腾讯私有 MixFormer 与缓存系统。

论文信息

字段	内容
论文链接	arXiv v1
公司/机构	Tencent（第一作者所属团队；论文生产场景为 Weixin Moments Ads）
首次公开日期	2026-09-11（arXiv v1）
原文开源代码	否：未发现原作者公开代码（核查日期：2026-09-15）
Adapter	chronicle-rec
本地复现代码	src/auto_research/reproductions/chronicle_rec/

原始论文总结

背景与主要改动

逐候选检索超长历史会重复计算，统一压成无序 token 又容易丢失时间结构。ChronicleRec 对近、中、远历史采用逐渐增大的合并步幅，把 query token 插入时间轴并使用 causal encoder，使每个 token 只概括其锚点之前的历史；多分支分别遮掉不同长度的近期行为，alignment 预训练再用压缩过去预测近期意图。生成的 Chronicle Tokens 与候选无关，可缓存并复用于多个候选。

flowchart LR
  H[终身行为] --> G[近密远疏多粒度合并]
  G --> Q[时间轴插入 query]
  Q --> C[因果编码]
  C --> B[多 horizon 分支]
  B --> A[Chronicle Alignment]
  A --> T[可缓存 Chronicle Tokens]
  T --> R[下游 ranking]

原论文关键图

原论文 Figure 3（关键图）：展示多个分支遮蔽不同长度的近期行为、分别预测当前行为，从而学习互补时间尺度的 multi-horizon 训练结构。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

窗口 token 为 \(u_w=\sum_{i\in S_w}m_iE_i/\max(\sum_i m_i,1)\)；因果编码后只读取 query 位置得到 \(C\)。多分支分别遮蔽 \(\delta_j\) 个近期行为，并以 \(\mathcal L_{align}=\sum_j\bar w_j\operatorname{BCE}(\hat y_j,y)\) 对齐近期意图。

论文离线与线上效果

KuaiRand 上 Multi-ChronicleRec GAUC 0.5580，接近 Full-Attn 0.5601，高于 VISTA 0.5518；Tencent AdLive 上为 0.8034。Weixin Moments Ads 七天 A/B 中 GMV +1.61%，95% CI 为 [+0.678%, +2.547%]（Section 4.2、4.9）。

本地复现

MovieLens 100K、seeds 42/43/44 的固定协议见 metrics/movielens-100k-seeds42-44.json。alignment 只读取 train 历史与 validation target，最终 test 在模型选择后才评估。

本地对照口径：基线 NDCG@10=0.05401，实验组 NDCG@10=0.04053，相对变化 -24.96%。

复现边界

公开短序列不能代表 2K–4K 乃至更长的生产历史；本地用线性 alignment 替代四层 causal Transformer，未复刻 AdLive、MixFormer 和异步 KV cache。实现只声明 CPU 公开数据核心机制。