多行为推荐中的邻域结构增强与去噪方法研究

针对多行为推荐(MBR)中数据分布不平衡和辅助行为噪声导致的负迁移问题，研究人员提出NSED方法，通过邻域增强GCN和对比学习去噪模块，在三个公开数据集上实现HR@10和NDCG@10平均提升10.4%和10.67%，为复杂用户行为建模提供新思路。

　　

在当今数字化时代，推荐系统已成为电商平台和流媒体服务的核心组件，但传统协同过滤(CF)方法仅依赖单一用户-物品交互数据，难以捕捉真实场景中浏览、点击、加购、购买等多行为关联。现有多行为推荐(MBR)方法虽尝试利用辅助行为数据缓解目标行为（如购买）的稀疏性问题，却面临两大挑战：一是交互数据的长尾分布导致节点邻域信息利用不足；二是辅助行为中噪声（如随机浏览或促销干扰）直接迁移会引发负迁移现象，降低模型性能。

针对上述问题，来自云南的研究团队在《Neural Networks》发表研究，提出邻域结构增强与去噪方法(NSED)。该方法创新性地融合邻域增强图卷积网络(GCN)和结构增强模块，通过多层嵌入聚合与边丢弃机制生成多视图，强化稀疏节点的表征学习；同时设计基于对比学习的去噪模块，利用高置信度的目标行为偏好净化辅助行为噪声。实验表明，NSED在三个公开数据集上HR@10和NDCG@10指标分别超越基线10.4%和10.67%，显著提升推荐效果。

关键技术包括：1) 构建多行为交互图分解为单行为子图；2) 邻域增强GCN通过分层传播强化节点表征；3) 结构增强模块采用边丢弃生成对比视图；4) 目标行为引导的对比去噪优化；5) 多任务学习(MTL)框架整合跨行为建模。数据集来自真实用户行为日志，涵盖浏览、点击、加购、购买等多类型交互。

研究结果

1. 多行为推荐现状：分析指出传统矩阵分解(MF)和GCN方法在跨行为依赖建模上的局限性，强调噪声干扰与数据不平衡是性能瓶颈。
2. 问题定义：形式化定义用户集U、物品集I和行为集B（含B-1个辅助行为与目标行为b_B），提出通过分解多行为交互图A={A₁,...,A_B}进行分层建模。
3. 实验验证：在Taobao等数据集上，NSED的HR@10最高提升14.2%，消融实验证实结构增强模块贡献率达38%，去噪模块使NDCG@5提升9.3%。
4. 参数敏感性：边丢弃概率0.3-0.5时效果最优，过高的丢弃率会破坏有效邻域信息。

结论与意义
该研究通过邻域结构增强和对比去噪的双重机制，首次系统解决了MBR中数据不平衡与噪声迁移的核心难题。其创新点在于：1) 邻域增强GCN突破传统GCN对稀疏节点的表征瓶颈；2) 目标行为引导的对比学习为辅助行为去噪提供新范式；3) 多视图增强策略可扩展至其他图学习任务。成果为电商、社交平台等场景的精准推荐提供了可解释性强、鲁棒性高的解决方案，尤其对长尾用户的价值挖掘具有重要实践意义。未来可探索行为间动态权重分配与时序建模的进一步优化。