假设我正在构建一个推荐系统，其中项目随时间而变化。我们假设每笔交易由以下部分组成：

• 一个物品$i$在项目列表中$(i_1, i_2, i_3, .., i_m)$.
• 用户$u$在用户列表中$(u_1, u_2, u_3, ..., u_n)$.
• 一个约会$t$在日期列表中$(t_1, t_2, ... t_k)$.

我们假设物品具有随时间变化的基本特征。例如，如果我们考虑零售产品，基本特征可能是：

• 客户购买交易时应用于项目的折扣级别（5%、10%、20%、30%、...）。

另一个例子，如果我们考虑金融股，随时间变化的基本特征可能是：

• 交易时的库存情况（低估或高估）。
• 交易时股票的中央银行政治（低利率、中利率、高利率）。

我们假设这些底层特性对用户有很大的影响。它完全推动了他们购买或不购买物品的决定。如果我们考虑两个项目$i_1$和$i_2$, 时$t_1$, 给定用户$u_1$可能更喜欢$i_1$超过$i_2$因为$i_1$的基本特征比$i_2$的。如果我们考虑不同的时间，也许$u_1$可能更感兴趣$i_2$比$i_1$.

我的问题是：如何考虑推荐系统中随时间变化的基本特征，例如用户-用户协同过滤、SVD、ALS……？