基于兴趣迁移图卷积网络的多行为推荐模型研究

针对多行为推荐中用户兴趣多层次性和交互噪声问题，研究人员提出兴趣迁移图卷积网络(ITGCN)。该模型通过多层级GCN捕捉用户兴趣粒度差异，结合胶囊网络(CapsNet)分解兴趣表征，并设计基于相似性的跨行为兴趣迁移机制降噪。实验表明ITGCN在四个真实数据集上显著优于基线模型，为解决数据稀疏性和噪声干扰提供了新思路。

　　

在信息爆炸的时代，推荐系统已成为电商、视频平台等领域的核心工具。然而传统方法仅关注单一用户行为（如购买），忽视了浏览、收藏等辅助行为蕴含的丰富信息。多行为推荐虽能缓解数据稀疏性，但面临两大挑战：用户兴趣具有层次性（如电子品类→智能手机的粗细粒度差异），且交互数据存在噪声（如促销导致的偶然点击）。现有图卷积网络(GCN)方法难以同时解决这两个问题，导致推荐准确性受限。

西华大学的研究团队在《Neurocomputing》发表论文，提出兴趣迁移图卷积网络(ITGCN)。该模型创新性地将多层级GCN与胶囊网络(CapsNet)结合：首先通过简化聚合操作的多层级GCN捕获用户兴趣的层次特征；随后用CapsNet将单嵌入分解为多兴趣表征；最后设计跨行为兴趣迁移模块，通过相似性比对过滤噪声，并将辅助行为兴趣映射至目标行为语义空间。实验证明ITGCN在Taobao等四个真实数据集上，Recall@20指标最高提升12.7%，尤其在稀疏数据和噪声场景优势显著。

关键技术包括：1) 多层级GCN架构去除传统多层聚合，保留不同阶数邻域关系；2) CapsNet实现兴趣解耦；3) 基于余弦相似度的跨行为兴趣对齐；4) 四类真实用户行为数据集验证（含购买、浏览等核心行为）。

【多层级GCN建模】
通过分层堆叠GCN模块，初级层捕获细粒度兴趣（如特定商品），深层提取粗粒度特征（如商品类别）。相比传统GCN，取消层间聚合操作避免特征平滑，保留各层次独立性。

【胶囊网络兴趣解耦】
将GCN输出的用户嵌入输入CapsNet，通过动态路由机制生成多个兴趣胶囊。实验显示该模块使模型能识别用户对电子产品、男装等多元兴趣，避免单嵌入的模糊性。

【跨行为兴趣迁移】
计算辅助行为兴趣与目标行为的相似度，剔除低相似度噪声（如偶然浏览的化妆品）。在Taobao数据集上，该模块使噪声交互占比从21.3%降至9.8%。

【实验验证】
在Recall@20和NDCG@20指标上，ITGCN全面超越MBGMN等基线模型。消融实验表明，去除CapsNet模块会导致性能下降18.2%，验证了多兴趣建模的必要性。

该研究创新性地将层次化兴趣建模与噪声过滤结合，为多行为推荐提供了新范式。未来可探索兴趣迁移的时序动态性，并扩展至跨平台行为融合场景。作者Minjie Fan等强调，ITGCN的核心价值在于通过可解释的兴趣迁移机制，平衡了行为数据利用效率与噪声鲁棒性，为电商平台的精准营销提供了技术支撑。