问题：不同信号的过时速度各不相同
多模态推荐系统早已不再只依赖点击历史。它们会在“用户—物品”交互中混入物品本身的内容：描述、图片、声音。逻辑很简单——信息渠道越多，预测越准确。但实践中要复杂得多：每个渠道的贡献并非恒定，它会随时间变化，而且各自的变化速度也不相同。
论文 arXiv:2608.10983（Pengyu Zhang、Yangqin Jiang、Klim Zaporojets、Congfeng Cao、Paul Groth；第一版于 2026 年 8 月 11 日，第二版于 8 月 24 日）的作者将这一现象称为 modality time-scale mismatch——模态时间尺度失配。他们举的例子是：临近情人节时，人们在挑选巧克力时更少阅读配料表，而更多关注包装和卡片的音效。文本特征权重下降，视觉和音频特征权重上升。两周后，这一比例又会发生变化。
从这一观察中衍生出两个独立的问题。第一：人们的行为节奏各不相同，一个用户需要一种模态比例，另一个用户则需要完全不同的比例。第二，不那么显而易见：一个失去时效性的模态不只是不再有帮助——它还会主动造成危害，向模型注入过时且具有误导性的信号。
TimeRoute：面向具体用户的路由
这两个问题的解决方案被整合在同一个扩散架构中——TimeRoute。其核心在于摒弃多年来作为标准的通用融合系数：比如文本权重永远是 0.4，图片是 0.35，其余的都是零头。
用个性化分布取代通用权重
关键要素是时间模态路由器。它将具体用户的行为聚合为紧凑的时间画像，并将其转化为按模态划分的个性化权重分布。也就是说，“这里应该优先看什么”这个问题不是为整个系统全局决定，而是针对每个时间行为画像单独决定。
两个去噪视野
第二部分是图扩散重建器。同一个时间画像通过 Feature-wise Linear Modulation（FiLM）输入其中，而去噪被拆分为两个头流：长期和短期。缓慢的趋势和快速的爆发由不同分支处理，这一点至关重要——把它们混在同一个通道里，恰恰会丢失当初做这件事所要捕捉的那种区别。
为什么这里需要扩散？它能够在模态边进入传播图之前就将其筛除。过时的连接不会被事后削弱——它根本不会被建立。这与对已构建好的图进行加权是根本不同的方法。
实验：三个数据集，十次运行
作者在三个数据集上验证了该系统——TikTok 短视频、Amazon-Baby 和 Amazon-Sports。每个结果都在十次随机初始化上取平均，这对推荐基准来说相当严格：这里不同运行之间的波动通常会吃掉一半的提升幅度。
相对于强基线模型的改进在 Recall@K、Precision@K 和 NDCG@K 上都很稳定。记录到的最显著结果是 Amazon-Baby 上 P@20 最高提升 9.8%。重要的是，这一提升不是一次性的，也不局限于单一指标：它体现在整套度量上。
Attribution：验证机制，而不只是数字
这项工作的另一部分是受控的 attribution 研究。这是试图回答一个常常被忽略的问题：究竟是什么带来了提升——是所提出的想法，还是架构中的偶然巧合？
结论相当严苛。提升需要同时具备新机制和时间输入。如果把同一个时间画像交给普通骨干网络，而不改变路由流程，就不会有收益。而如果给路由器输入随机噪声，结果不会比从模型中完全移除路由器更好。
简而言之，起作用的不是系统中存在时间数据这一事实本身，而是“画像 → 模态分布 → 可控去噪重建”这一具体组合。去掉任何一个要素——整个结构就会瓦解。
这在实践中意味着什么
这项工作的核心思想超出了推荐系统的范畴。多模态通常被理解为一种累积：增加一个数据来源——效果就更好。TimeRoute 提醒我们，这些来源之间是相互竞争的，它们的比例和模型中的任何权重一样，都是可调节的量。
第二个实践结论涉及过时问题。在推荐系统中，通常是在用户偏好层面应对旧信号——重新计算历史、遗忘久远的点击。而在这里，同一个问题被提升到了模态层面：过时的可能不是人的口味，而是整个信息渠道的相关性。而在进入图之前就应对它，比等垃圾已经扩散到整个结构之后再处理更合理。
第三点是分布的个性化。模态比例应当从具体个人的时间画像中推导出来，而不是为整个平台一次性设定——这一想法看起来具有可迁移性。同样的原则适用于多种异构信号交汇的地方：搜索、信息流排序、内容类型混合的目录。作者已开源代码，因此完全可以在自己的数据上验证这一方法。
