新评测协议与电商数据集Taoke：时间级联预测从防泄漏走向保真基准
arXiv论文提出Full Temporal协议与重叠泄漏诊断，并发布含购买转化标签的电商级联数据集Taoke，作为标准参考流程。
AI解读：这篇论文针对时间级联预测领域评测不可靠的问题：现有研究多用随机划分，把未来信号混进训练集，导致结果虚高且无法复现。作者提出了一套以Full Temporal协议为核心的评测标准，用重叠检测判断泄漏，并做了性能膨胀和时间漂移分析。为了让标准有实际落点，他们还发布了Taoke——一个真实电商场景的级联数据集，包含推广者、商品特征和实际购买转化标签，可同时用于热度预测和转化预测两阶段任务。对做推荐系统或社交网络传播研究的工程师来说，直接价值在于：以后对比模型时不必再迷信某些公开榜单的数字，可以先按这套协议重新跑一遍基线和CasTemp参考方法，排除数据泄漏带来的虚假优势；新数据集的转化标签也第一次让这类任务能评估到下游购买，而不只是转发量。目前限制是论文本身只提出框架和数据集，Taoke的规模、获取方式等细节需要查全文确认。
中国科学院计算技术研究所与阿里巴巴合作者（Jie Peng、Rui Wang、Qiang Wang、Zhewei Wei、Bin Tong、Guan Wang、Bo Zheng）在arXiv发表论文（编号2510.25348v3，2026年9月3日更新），主张时间级联预测应放弃随机数据划分的易泄漏评测，转向以保真度为核心的评测协议套件和新标准。
论文核心包括：Full Temporal协议、基于重叠的泄漏诊断、性能膨胀与时间漂移分析；同时发布真实电商级联数据集Taoke，包含推广者与商品特征及购买转化标签，可在一个共享基准资产下同时进行第一级热度预测与第二级转化预测。
论文还提供了轻量级参考方法CasTemp，并用更大规模的同任务内部扩展验证该流程在大规模场景下仍然可用。