周四想到汉堡，周末想看电影，月初缴账单，工作日早晨打开乘车码——生活服务并不是随机发生的。用户喜欢什么固然重要，但在平台级应用中，另一个问题同样重要：此时此刻，用户最可能需要什么？
传统推荐更关注“人和服务是否匹配”，周期性业务匹配则增加了时间维度。它不是简单地在周四推荐肯德基，而是综合历史节奏、当前场景和近期行为，判断某项需求是否正在临近，再把服务放到更短的路径上。
时间不是一个普通特征
同一个人对同一项服务的兴趣，会随时间改变。早晨和深夜、工作日和周末、刚购买之后和一个月未使用时，需求概率完全不同。
Google 在 YouTube 推荐研究 Latent Cross 中发现，把时间、设备、页面等上下文像普通字段一样与其他特征拼接，模型并不擅长自动学习它们之间的交互。更有效的思路，是让上下文直接调节用户当前的兴趣状态。翻译成产品语言就是：不要只问“用户喜不喜欢电影”，还要问“周五晚上使用手机的这个用户，现在是否更可能需要电影票”。
时间信号大致可以分成三类：
- 周期规律：每天通勤、每周娱乐、每月缴费；
- 近期变化：刚搜索过目的地、刚完成一次购买、最近突然频繁健身；
- 当前场景：时间、位置、设备、天气、节假日和页面入口。
TimelyRec 的研究特别区分了周期性偏好和近期事件带来的偏好变化。前者会反复出现，后者可能只是一次短期跃迁。把二者混在一起，平台就可能把“这周临时出差”误判成“每周都要订酒店”。
从一张业务图发现候选周期
如下图，电影票需求集中在周五至周日，一个周末高峰结束后，到下一次高峰启动前有约 4 天空档；“疯狂星期四”则每隔 7 天形成一次明确峰值。前者是一个时间窗口，后者更接近固定时间点。
这张图能帮助平台发现候选周期，却不能直接证明某个用户每周都会回来。聚合曲线可能由不同用户共同形成：本周看电影的是 A，下周可能是 B。因此，周期至少要分三层观察：
- 业务周期：电影整体在周末形成高峰；
- 人群周期：亲子家庭、学生和上班族的高峰不同；
- 个人周期：某位用户平均每 10 天购票一次，但具体日期会波动。
研究本地生活推荐的 SPCS 模型还强调了“时空周期”和“协同信号”：即使某个用户数据很少，也可以参考相似用户在相似地点和时段的选择。对生活服务而言，时间与地点通常需要共同理解——午餐偏好离开办公区后，可能就不再成立。
周期不是“7天”，而是一条概率曲线
最基础的分析，是计算同类核心行为相邻两次发生的间隔，观察 1 天、7 天或 30 天附近是否持续出现峰值。还可以按小时、星期和月份绘制分布，用自相关检查规律是否稳定。
但真实需求很少像闹钟一样准时。用户可能每周末看电影，却不固定在周六；节假日也会让缴费、购物和出行提前或延后。相比给业务贴上“7 天周期”的标签，更合理的目标是预测：
落地时不必一开始就上复杂模型，可以按数据成熟度递进：
- 规则层：根据全局峰值配置早餐、通勤、周末娱乐等入口；
- 分群层：按照城市、职业阶段、历史频次和消费场景估计不同人群的周期；
- 个体层：利用距上次使用时长、个人间隔分布和近期行为，预测下一次需求窗口；
- 上下文模型：数据充足后，用序列模型同时学习长期周期、短期意图，并让时间、位置和设备调节推荐结果。
复杂度应该由增量收益决定。规则已经能稳定解释的“周四活动”，未必需要深度模型；跨业务、跨周期且个体差异很大的首页推荐，才更需要联合建模。
模型预测之后，产品如何承接
模型给出的只是“某项需求正在临近”的概率。要真正改善体验，还要把预测结果转化为合适的入口、出现时机和到达路径。承接可以拆成两个层次。
第一是在当前时间缩短路径。工作日早晨把乘车码放到首页，午餐时露出外卖与到店餐饮，周末提前展示电影、亲子和出游服务。此时需求已经存在，产品只是减少查找与跳转。
第二是用合理的业务组合经营复访。短周期业务提供更多自然触点，但不能因此永久占满首页。一个便于理解的排序框架是：
相关性判断用户是否需要，时机判断需求窗口是否临近，复访概率综合业务、人群和个人周期；打扰成本则吸收连续曝光、跳过、关闭和负反馈。平台还应保留部分位置给低频高价值服务和新业务探索，避免首页最终只剩签到、充值与促销。
有了排序结果，还需要根据“需求有多紧急、入口要保留多久、用户是否主动授权”选择触点。
- 站内卡片与动态入口：侵入性最低，适合用户已经打开平台、但需求还不够确定的场景。首页可以随时间改变服务顺序，却不必打断用户。
- Widget 与桌面快捷方式：由用户主动放置，适合乘车码、快递、天气、待办等高频或持续变化的服务。它们把路径从“打开应用—查找入口—进入服务”缩短为桌面直达。
- 底部托盘或桌面常驻入口：适合已经形成稳定需求的核心服务。引导设置必须说明价值，不能仅靠奖励诱导；入口也应允许用户随时取消或更换。
- 悬浮球：可见性很强，但会占用其他应用界面并依赖系统权限，只适合进行中的任务，例如导航、通话或下载进度，不宜作为普通营销入口。
无论选择哪种触点，点击后都应通过 Deep Link 直达对应服务，并恢复必要的上下文。电影推荐应进入当地影院和当天场次，而不是应用首页；缴费提醒应进入待缴账单，而不是让用户重新搜索。否则模型虽然猜对了需求，路径仍然没有缩短。
触点之间还要统一状态：任务已完成后，桌面卡片、悬浮入口和通知应及时消失；用户连续忽略后，应降低频率或切换为更弱的入口。同一需求也不能在首页、Widget 和 Push 中重复轰炸。可以设置“每项需求一个主触点”，再根据紧急程度升级或降级。
于是，完整的产品链路不再是“预测后发一条通知”，而是：
好的周期匹配让服务在正确时间变近，并在任务完成后安静退出。
如何证明它真的提升了留存
只看点击率，很容易高估周期匹配的价值。完整指标应该覆盖三层：
- 预测层：是否命中了真实需求窗口，校准度和排序效果如何；
- 体验层：核心任务完成率是否上升，步骤和完成时长是否下降；
- 长期层：跨周期复访、业务留存和平台留存是否改善，负反馈是否增加。
离线验证必须按时间顺序切分，用过去预测未来。相关研究指出，随机拆分可能让未来信息进入训练集，对线上效果产生错误信心。上线实验则要跨过完整周期：评估周业务至少覆盖多个星期，月业务不能只跑一周。
还要区分“自然需求前移”和“新增需求”。用户只是提前一天买了原本就会买的票，不应全部算成推荐增量；必要时可设置未干预对照组，观察交易、复访和留存的真实增量。
让平台进入用户的生活节奏
周期性业务匹配的终点，不是猜中一个星期几，而是形成一套“识别节奏—预测需求—缩短路径—验证增量”的系统。
当用户在早晨能快速乘车、周末能方便找到娱乐、月底不会错过缴费，平台便不再只是装着许多功能的容器，而是在合适时刻提供服务的入口。平台记住用户的生活节奏，用户才可能把平台纳入自己的生活节奏。
参考资料
- Latent Cross: Making Use of Context in Recurrent Recommender Systems（Google Research）
- Learning Heterogeneous Temporal Patterns of User Preference for Timely Recommendation
- Modeling Spatiotemporal Periodicity and Collaborative Signal for Local-Life Service Recommendation
- Modeling Online Behavior in Recommender Systems: The Importance of Temporal Context