基于行为感知对比学习的层次化细粒度多行为推荐系统研究

针对多行为推荐中意图混淆、高阶关系建模不足和对比学习过度一致性问题，青岛科技大学团队提出HFCL框架。该研究通过解耦行为意图、构建双层次图卷积网络和创新性对比学习策略，在保持行为独特性的同时实现知识迁移，显著提升推荐性能。

　　

在当今数字化浪潮中，推荐系统已成为电商平台和社交媒体的核心技术。然而，用户在点击、加购、购买等多元行为中蕴含的丰富语义信息尚未被充分挖掘。现有方法面临三大困境：行为背后的真实意图难以辨识，高阶关系建模存在视角局限，而对比学习技术又因过度追求一致性牺牲了行为独特性。这些缺陷导致推荐系统难以精准捕捉用户的多维偏好，制约了个性化服务的质量提升。

青岛科技大学的研究团队在《Neural Networks》发表的研究中，创新性地提出HFCL（Hierarchical Fine-grained Multi-behavior Recommendation with Behavior-aware Contrastive Learning）框架。该研究通过三层级设计突破传统局限：首先采用意图感知模块解耦用户的多重动机，其次构建双层次图卷积网络整合特定行为与全局异构关系，最后引入行为感知对比学习实现知识迁移与特性保留的平衡。实验证明该模型在多个真实数据集上显著超越现有最优方法，为解决多行为推荐的核心难题提供了新范式。

关键技术方法包括：1）基于K种行为交互矩阵构建全局异构图；2）设计意图解耦模块生成细粒度偏好表征；3）开发包含行为特定层和全局层的双通道图卷积网络；4）创新性采用全局嵌入作为对比学习的锚点。研究选用三个真实场景数据集，通过消融实验验证各模块贡献度。

研究结果部分显示：在"意图感知多行为建模"中，通过潜在意图分离和影响力差异化建模，有效降低辅助行为的负迁移效应；"双层次图卷积网络"通过特定行为子图和全局异构图的协同学习，使稀疏场景下的高阶关系捕获效率提升23.6%；"多任务学习模块"中提出的新型对比损失函数，在保持85%行为独特性的同时实现跨行为特征对齐。

结论表明，HFCL框架通过层次化架构实现了三大突破：首次量化不同行为下意图影响力的动态变化，创新性地融合局部与全局高阶关系，开创性地重构对比学习目标函数。这些进展不仅为多行为推荐建立了新标准，其提出的行为感知对比学习范式更为跨域推荐、序列推荐等延伸场景提供了方法论借鉴。该研究获得国家自然科学基金等多项支持，相关代码已在GitHub开源，为学术界和工业界提供了重要参考。