基于级联图与超图学习的面向购买决策预测的信息感知多行为处理方法

《Information Processing & Management》：Information-aware multi-behavior processing for purchase decision prediction via cascaded graph and hypergraph learning

　　

摘要：电子商务中的购买决策预测之所以困难，是因为辅助行为虽然普遍存在但噪声较大，而购买信号稀疏却更为可靠。现有的基于图神经网络（GNN）的方法通常通过将有观测量的交互视为真实意图来构建二部图，这引入了噪声并削弱了对高阶用户群体模式的建模能力。为解决这一问题，我们提出了 IM-CGHL——一种信息感知的多行为方法，将用户交互组织成三级意图层次：认知、情感与意向。为降低跨视图噪声，我们设计了一个级联图结构学习模块，采用自上而下的方式利用购买信号来重构低意图行为图。为补充成对交互中信息有限的问题，我们进一步引入了模糊超图模块，通过桥接商品将用户联系起来，并在浅层网络中捕捉高阶群体语义。在三个真实电子商务数据集上的实验表明，IM-CGHL 始终优于强基线方法，相较当前最先进的基线 MBGCN，在京东上取得 6.87%、在淘宝上取得 11.28% 的 F1 分数提升。这些结果展示了将结构去噪与群体级信息增强相结合在购买决策预测中的价值。

引言：在电子商务系统中，用户与商品之间的交互形成一个异质网络。该网络包含点击、浏览、收藏、加入购物车以及购买等行为（Shi et al., 2017）。作为推动平台营收增长的关键任务，购买行为预测受到了越来越多的关注。不同于对商品进行排序的传统推荐系统，购买行为预测是一项二分类任务，其目标是根据历史行为预测用户在未来的时间窗口内是否会做出"购买"决定（Covington et al., 2016, Zhou et al., 2018）。该预测的准确性直接决定了营销资源分配的效率和点击转化率（CVR）的优化（Zhang et al., 2019）。然而，与高频的"点击"或"浏览"行为相比，目标"购买"行为在整体交互序列中所占比例非常小，表现出强烈的稀疏性以及正负样本之间的不平衡（Chen and Guestrin, 2016, Koren et al., 2009）。这种数据偏斜导致为一般行为优化的信息处理模型在购买预测中面临严重的性能下降。因此，捕捉驱动从兴趣到支付转变的关键特征仍然具有挑战性。例如，用户在随意浏览时可能会点击许多商品，其中只有少数被加入购物车或标记为收藏，用户最终可能在比较后购买其中一件。点击记录提供了广泛的兴趣信息，但许多被点击的商品可能源于偶然曝光或临时好奇。加购与收藏行为显示出更强的意图，但在支付前仍可能被放弃。购买行为虽然稀疏，却直接反映了最终决策。这个例子说明了购买决策预测的关键困难：模型需要利用丰富的辅助行为同时降低其噪声，同时也需要保留可靠的购买信息。因此，一种有效的方法应当在高置信度购买语义的引导下精炼低级行为图，并捕捉成对交互无法充分表征的高阶群体信息。

电子商务行为预测领域经历了从浅层统计模型到深度图表示学习的范式转变，其核心目标仍然是从稀疏而复杂的电商信息系统中提取鲁棒的用户决策信号。早期研究依赖于统计机器学习和协同过滤（CF）理论。以矩阵分解（MF）及其贝叶斯变体为代表的模型（Hu et al., 2008, Rendle et al., 2009）试图通过将用户和商品映射到低维空间来捕捉二阶交互。然而，这些方法受限于线性交互假设，难以拟合用户购买决策的非线性特性。此外，当处理大量仅有浏览记录而无购买历史的用户时，从这些噪声信息中学习的模型容易过拟合。

随着深度学习的出现，为了捕捉用户购买意图信息的动态演化，基于循环神经网络（RNN）和自注意力机制的序列模型，如 GRU4Rec（Hidasi et al., 2015）、DIEN（Zhou et al., 2019）和 SASRec（Kang & McAuley, 2018），已成为主流。这些模型的前提是购买行为并非孤立事件，而是用户兴趣动态演化的最终状态。尽管它们成功地捕捉了短期意图，但本质上将用户交互视为独立的序列片段，忽略了用户与商品之间在全局网络中的高阶连通性，阻碍了模型利用相似用户群体的共同决策模式辅助预测。近年来，图神经网络（GNN）因其聚合拓扑信息的能力而被广泛采用。像 NGCF（X. Wang et al., 2019）和 LightGCN（He et al., 2020）这样的模型通过消息传递机制显式地使用了高阶邻域信息（Wu et al., 2021）。通过在用户-商品二部图上执行迭代消息传递，GNN 利用网络结构缓解了数据稀疏性，取得了显著的性能提升。在此基础上，为了克服单行为数据的局限性，研究者进一步通过利用点击和加购等辅助数据探索了多行为学习。例如，NMTR（Gao et al., 2019）提出了一个级联多任务框架来建模行为链；MBGCN（Jin et al., 2020）通过行为特定的图卷积层捕捉异质语义；KHGT（Xia et al., 2021）引入了 Transformer 结构来整合序列与图信息。近期研究进一步表明，用户意图往往由多个潜在因子和互补的语义视图塑造，而非由单一观察行为决定。DisenTravel（Chen & Liang, 2026）通过图对比学习建模不同的决策因子，有助于区分异质的意图来源；KAMVG（Chen et al., 2026）在多视图图模型中使用属性级和关键词级信息，在仅靠行为证据不足时丰富语义上下文；KCLM（Chen et al., 2024）进一步表明，关键词增强的对比学习能够恢复原始交互记录中容易遗漏的细粒度意图线索。近期研究进一步印证了这一研究趋势。MBCLRec（Zhao et al., 2024）通过行为上下文编码和多行为对比学习建模跨类型行为依赖；WHetGAT（Yu et al., 2025）从多种用户-商品交互构建加权异质图，并使用注意力机制支持购买意图预测。这些研究证实，近期研究越来越聚焦于多行为图建模和异质信息融合。然而，它们大多仍然强调在已观察到的结构上进行行为依赖学习、关系加权或表示融合，而对于不同行为层级间面向购买的可靠性差异，以及低意图交互中隐藏的结构噪声，仍未得到充分解决。

现有的多行为模型通过利用辅助数据取得了改进，但大多数采用"扁平化"融合策略来预测购买。基于"观察即事实"的假设，这些模型将大量噪声点击数据与稀疏的购买数据聚合到同一视图中。这种方法无法解决结构噪声和意图不清导致的数据质量问题，从而导致"负迁移"，即高置信度购买意图信息被低置信度的点击噪声平滑或稀释。具体而言，在处理真实电商系统中的多源行为数据时，现有模型在将行为信息转化为可靠决策信息时面临三大局限。

第一，用户交互并不存在于同一语义平面，而现有方法缺乏对这种行为层级结构的有效建模。根据 AIDA 和 AISAS 等消费者行为理论，决策过程遵循从"认知"到"情感"再到"意向"的严格心理演化，形成一个显著的"金字塔"结构（Kotler & Keller, 2009）。这表明底层数据（点击、浏览）体量庞大但意图分散，而顶层数据（购买）稀疏却携带清晰意图。然而，大多数多行为 GNN 模型采用"扁平化"策略，将所有交互视为并行视图进行均值聚合或简单的注意力加权（Gao et al., 2019）。这忽略了对信息流至关重要的差异，导致决策系统的优化被高频、低阶行为所主导，而决定购买决策的关键高阶意图信息被稀释或忽视。

第二，基于"观察即事实"假设的图卷积机制会放大结构噪声。在真实的电商信息流中，点击和浏览行为往往包含大量误触、随机探索或漫无目的的"逛店"，这些构成了统计上的"虚假相关"。传统 GNN 模型缺乏验证交互意图真实性的能力，直接在原始、噪声较多的邻接矩阵上聚合消息。这种噪声不仅引入了计算冗余，还会随着卷积层的增加在用户邻域中传播，导致真实用户意图表示受到污染（Chen et al., 2019），使决策系统难以反映用户真实的购买行为路径。

第三，挖掘高阶群体信息受到模型深度和计算复杂度的限制。为了捕捉"购买过相似商品组合的用户群体"等隐式关联，传统方法依赖于堆叠多层 GCN 来扩展邻域（Li et al., 2018）。这种策略存在两大局限：一方面，深层网络容易导致"过度平滑"，使用户表示趋于同质化；另一方面，基于成对交互的消息传递机制难以从群体用户中高效提取相似信息。因此，在不增加网络深度且避免过度平滑的前提下高效提取全局高阶群体信息，仍然是当前处理购买决策任务的主要瓶颈。

基于上述分析，本研究旨在通过根据可靠性和结构角色处理多行为信息来提升购买决策预测。低级行为提供了对用户兴趣的广泛覆盖，但包含许多不可靠的交互；高级购买行为提供了更清晰的决策语义，但过于稀疏无法单独支撑完整的表示学习。此外，成对用户-商品图无法完整描述具有相似购买模式的群体。因此，一种有效的购买预测模型不仅需要整合多种行为，还应在面向购买的语义引导下精炼噪声行为结构，并用高阶群体关联补充稀疏的决策信息。

为应对这些挑战，我们提出了基于级联图与超图学习的信息感知多行为处理方法（IM-CGHL）。为缓解行为信息质量退化问题，我们基于消费者行为中的"效果层次"模型以及电商交互的数据分布特征，构建了用户三级意图行为视图框架，对用户三级意图视图进行建模，并显式地建立了由"减法去噪"和"加法增强"组成的互补框架。一方面，我们设计了级联图结构学习策略作为信息"减法"通道，利用高置信度的高级购买决策作为语义锚点，自上而下地监督并重构低级辅助行为的图结构，动态消除与购买意图不一致的随机交互噪声。另一方面，我们引入了模糊超图策略作为信息"加法"通道，使用模糊集合论软建模交互强度，并通过"桥接商品"超边将具有相似深层兴趣模式的用户连接起来，从而在浅层网络中直接聚合提取全局高阶群体信息。最终，该方法优化了反映真实用户购买决策的路径信息，并高效提取高阶辅助信息，为电商决策环境中的信息去噪与增强提供了稳健的框架。

本文的主要贡献总结如下：

（1）我们解决了多行为数据中的不平衡与语义鸿沟问题，将交互重新组织为三个意图阶段：认知（低）、情感（中）与意向（高）。这种建模方式与态度三态模型"认知-情感-意向"的心理演化规律相一致，为后续跨视图信息传递提供了结构化基础。

（2）我们设计了一个用于"减法"的级联图结构学习通道，该通道利用高置信度购买意图来监督并精炼低级行为，有效地过滤噪声。通过动态过滤与购买决策不一致的随机交互，我们有效优化了消费意图的演化路径，并恢复了图的内在结构信息。

（3）为解决高阶信息提取问题，我们引入模糊超图通道实现"加法"策略。不同于传统的二值边，我们使用模糊集合论软建模交互强度，并通过"桥接商品"超边将具有相似深层兴趣模式的用户连接起来。

该机制允许信息直接在超边内部聚合，在浅层网络中高效捕获全局高阶组关联，同时避免了深度图网络中常见的过平滑问题。本文其余部分组织如下：第2节回顾了消费者行为层次理论、图卷积网络和超图的相关工作。第4节详细介绍了所提出的IM-CGHL方法，包括各模块的数学原理和实现细节。第5节介绍了实验设计，包括数据集、评估指标和基线方法，随后进行深入的定量分析、定性分析和消融研究。

消费者行为意向多级理论

消费者行为中经典的"效果层次"模型，如AIDA或AISAS（Lavidge & Steiner, 1961），形式化地描述了用户决策过程的心理学演变。这些理论与态度三元模型（Rosenberg & Hovland, 1960）相一致，认为用户在最终做出购买决策到达"意志"阶段之前，会依次经历"认知"和"情感"阶段。在电商场景中，该理论映射到"购买漏斗"。

相关工作

现有基于图的用户意向建模研究主要遵循两个方向。一个方向是构建行为感知图并建模跨行为视图的依赖性。另一个方向是利用高阶关系信息增强行为图。表1总结了这两个方向的代表性方法。

代表性方法进一步展示了这两个方向的特点。MB-CGCN通过级联图卷积对跨行为依赖性进行建模。

任务定义与研究目标

在电商场景中，用户-物品交互构成异构图，而非仅仅是离散数据点。我们使用多行为数据来捕捉用户偏好。通过建模用户行为模式，我们旨在准确预测用户短期内的购买决策。设??={???,???,…,????}表示用户集合，??={???,???,…,????}表示物品集合，其中??和??分别为用户数和物品数。设?????∈?^(??+??)×??为初始嵌入矩阵。为充分捕捉用户意向，我们构建……

数据集与预处理

为验证我们的模型在真实电商平台多行为信息上的有效性，我们选择了来自不同平台的三个数据集：阿里巴巴移动推荐算法挑战赛数据集、京东高潜力购买者数据集，以及天池实验室的淘宝用户购物行为数据集。

讨论

第5节的结果表明，IM-CGHL的优势并非来自简单地组合更多行为信息，而是源于将购买决策预测建模为从弱意向到强意向的结构化转变。这一观点与认知-情感-意志过程相一致，并得到了消融实验结果的支持。移除低层、中层或高层视图均会导致性能下降，这表明购买行为应被理解为……

结论

我们提出了IM-CGHL，一种用于购买决策预测的级联图与超图学习方法。该方法解决了多行为数据中的两个关键挑战：低层交互中的结构噪声以及成对行为图中高阶信息不足的问题。通过结合购买引导的图精炼与模糊超图学习，IM-CGHL从优化的交互结构和组级关联中学习方法用户表示。在多个数据集上的实验表明……

CRediT作者贡献声明

全杨：数据整理，概念化。余宾：方法论，调查研究，资金获取，形式分析，数据整理，概念化。

致谢

本工作得到湖南省自然科学基金（2026JJ50362）资助。

全杨 | 余宾