SADRec：用于多行为推荐的语义对齐对抗性扩散模型

《Neural Networks》：SADRec: Semantic-aligned Adversarial Diffusion Model for Multi-Behavior Recommendation

　　摘要：多行为推荐利用辅助行为作为补充信号，以识别最具商业价值的潜在目标行为。虽然辅助行为能提供与目标行为相关的有用信息，但现有方法缺乏目标行为与辅助行为之间的精细对齐机制。为解决这一问题，我们提出了用于多行为推荐的语义对齐对抗扩散模型（SADRec）。具体而言，我们首先设计了一个以目标行为为判别锚点的对抗扩散模型（ADM），该模型通过判别性监督引导重建过程，使辅助行为能够自适应地识别关键语义维度，并在与目标行为对齐时选择性地保留非关键差异，从而实现精细且精确的语义校准。接着，我们引入了多层负采样机制（MNS），该机制通过扩散模型的反向过程在特定时间步提取不同难度级别的负样本，并通过多层图对比学习将其与目标行为对齐，从而共同优化重建过程并识别出承载潜在目标行为的辅助行为信号。最后，在三个公开的多行为数据集上的大量实验表明，我们的SADRec性能优于现有的先进基线方法，尤其是在缓解数据稀疏性问题方面表现优异。我们的数据集和源代码已公开。

引言：多行为推荐（MBRec）利用辅助行为作为补充信号，以捕捉用户的真实偏好，进而挖掘其潜在的目标行为（本文中的目标行为指“购买”行为）。如图1所示，用户1和用户3都查看过物品2，说明他们有共同的兴趣点；因此，可以向用户1推荐用户3购买过的物品3，以此发现其潜在的目标行为。这种范式在电子商务（Kim等人，2025）、在线购物（Chen等人，2023）以及视频平台（Xu等人，2023）等现实场景中具有重要的实用价值，能够提升用户体验和业务转化率。多行为可分为目标行为（如购买行为），这类行为具有最高的商业价值，以及辅助行为（如浏览和加入购物车行为）。核心挑战在于如何对这些行为类型进行对齐，因为辅助行为无法可靠反映用户的真实偏好，所以很难确定哪些辅助行为能指示潜在的目标行为。为应对这一挑战，研究人员采用了图对比学习（GCL）来对齐目标和辅助行为，例如在S-MBRec（Gu等人，2022）、MHCL（Guo等人，2024）以及ADCL-MBRec（Zheng等人，2025）中就有应用。相比之下，HFCL（Zhu等人，2025）则在包含目标和辅助行为的全局感知嵌入与特定行为嵌入之间进行GCL操作。然而，在现实场景中，辅助行为常常受到噪声干扰（如偶然点击或兴趣偏移），这会降低GCL生成的自我监督信号的质量。另一方面，GCL旨在对齐用户-物品交互结构，其中正负对是由交互是否存在来定义的，因此它捕捉的是结构上的共现关系而非语义关联。但在MBRec中，目标和辅助行为实际上对应着相同的用户和物品，它们的语义表示本质上是相互关联的——而结构GCL却未能利用这一特性。为减轻噪声干扰对自我监督信号的负面影响并实现对语义信息的对齐，一些研究人员采用了带有语义转换（ST）的扩散模型（DM）来构建语义对齐的对比视图，然后再对MBRec进行GCL操作，以此提高模型的鲁棒性。具体而言，DM通过正向过程逐步向原始嵌入中注入高斯噪声，使其逐渐变为纯噪声嵌入；随后再通过反向过程逐步恢复原始嵌入，从而提高模型鲁棒性并保留用户-物品交互中的丰富结构信息。例如，DiffGraph（Li等人，2025c）和HGCLD（Mo等人，2026）都利用带有ST的DM来对齐辅助行为与目标行为。不过，ST依赖L2范数（Bekta?和?i?man，2010）作为损失函数来对齐辅助行为与目标行为，本质上是一种强制性的静态且均匀化的向量近似。这种基于距离的目标函数假设存在单一且对称的语义关系，仅最小化位置距离，而无法捕捉行为之间的复杂非线性结构关系。换言之，ST无法动态判断哪些语义维度需要紧密对齐，哪些可以允许存在差异。因此，ST无法实现精细且选择性的语义校准——它会不加区分地将辅助交互（甚至那些没有实际购买意图的交互）与目标行为嵌入对齐，有可能破坏这些目标行为嵌入。幸运的是，生成对抗网络（GANs）已被用于通过对抗训练实现生成数据分布与真实数据分布之间的精细对齐。例如，CAGDE（Zhou等人，2025）通过对抗训练实现了用户-物品交互与扰动后的嵌入之间的对齐。相反，DAA（Su等人，2024）则将源特征视为真实分布，通过对抗训练促使目标模型生成的特征与之对齐。然而，这些基于GAN的方法主要是为单行为推荐场景设计的，并未针对多行为场景的复杂性进行优化。此外，这些方法对用户-物品交互中的噪声干扰极为敏感，因为生成器很容易被此类干扰误导，从而影响生成结果的可靠性以及判别器的区分能力。为解决这些挑战，我们提出了用于多行为推荐的语义对齐对抗扩散模型（SADRec），其设计思路如图2所示。SADRec包括一个用于实现精细语义对齐的对抗扩散模型（ADM），以及一种用于识别承载潜在目标行为意图的辅助行为并减轻噪声干扰的多层负采样（MNS）策略，如图3所示。具体而言，我们首先将目标行为和辅助行为分别编码到潜空间中，以便更好地控制DM的重建过程。其次，ADM的核心是一个对抗闭环，其中DM充当生成器，其任务是重建高质量的辅助行为嵌入，使其与目标行为对齐。具体来说，会训练一个判别器来区分目标行为表示与DM生成的表示（即辅助行为表示）。这种闭环架构使得DM和判别器能够协同进化。通过这种对抗优化，判别器引导DM以与目标行为嵌入在语义上对齐的方式重建辅助行为嵌入，从而实现精细的偏好一致性。此外，正是扩散模型的多样性使其功能强大，但也可能导致特征漂移，从而在表示多样性と重建精度之间产生矛盾——这是计算机视觉领域早已认识到的问题（Ho和Salimans，2022）。为解决这一问题，同时获得用于对齐辅助行为与目标行为的高质量对比视图，我们借鉴了先前的研究（Niu和Zhang，2025），引入了多层负采样（MNS）模块，该模块系统地在不同难度级别下选择负样本作为对比视图。具体而言，MNS机制在DM反向过程的不同时间步提取中间表示（即具有不同重建难度的负样本），并将其作为对比视图，用于对齐目标行为与辅助行为。随后，我们对目标行为与这些对比视图进行多层GCL操作。这种多层GCL迫使DM在整个重建过程中在其中间状态逐步与目标行为对齐，从而引导模型从纯噪声逐步走向结构对齐的辅助行为嵌入的理想重建路径。本文的主要贡献如下：•我们提出了用于MBRec的SADRec框架，该框架包括由DM和判别器构成的ADM，以及MNS和多层GCL，旨在解决目标行为与辅助行为在结构上的对齐问题。•我们提出了ADM，该模型利用判别器通过对抗闭环策略，实现重建后的辅助行为嵌入与目标行为嵌入之间的精细语义对齐。•我们在三个多行为数据集上进行了大量实验，结果表明，我们的SADRec在MBRec性能方面始终优于多种现有的先进基线方法。

相关工作：基于GCL的多行为推荐。GCL通过最大化正样本对之间的相似度并最小化负样本对之间的相似度来应对数据稀疏性问题，从而实现推荐功能。最近，SGCL（Zhao等人，2025）通过删除边来生成用户-物品交互图的增强视图，然后对不同视图下同一节点的表示进行GCL操作以实现推荐。相比之下，AteGCL（Mo等人，2025）则生成……

问题陈述：多行为图。MBRec是基于多行为图来进行推荐的。多行为图G={(U,I,Z)∣u∈U,i∈I,ζ∈Z}是由多种类型的用户-物品交互构成的。具体而言，U={u1,u2,?,u|U|}和I={i1,i2,?,i|I|}分别表示用户集合和物品集合，而Z则表示行为类型（即用户-物品交互类型），ζ则表示具体的行为类型。为有效捕捉用户偏好，多行为图G会被分解为K=|Z…

方法：在本节中，我们将介绍SADRec的技术设计以及如图3所示的整体架构。首先，我们使用GNN分别将目标行为和辅助行为编码到潜空间中。然后，我们利用DM来重建辅助行为。在此过程中，通过MNS从反向过程的不同时间步提取不同难度级别的负样本作为对比视图，随后我们利用GCL将这些视图与目标行为进行对比。

实验流程与结果：在本节中，我们在三个多行为数据集上进行了大量实验，以评估SADRec的有效性。

结论：本文提出了一种基于对抗扩散增强网络并带有多层负采样的多行为推荐方法。具体而言，我们首先将每种行为类型编码到潜空间中，然后在预训练阶段利用ADM来捕捉目标行为与重建后的辅助行为之间的差异。在主训练阶段，我们通过MNS在反向过程的具体时间步提取多层负样本，将其作为对比样本使用。

CRediT作者贡献声明：Xian Mo：写作——审阅与编辑、监督、项目管理、方法论、研究、资金获取、形式分析、概念构思。Zhiqi Wang：写作——审阅与编辑、可视化、验证、方法论、形式分析、数据整理、概念构思。Rui Tang：写作——审阅与编辑、方法论、形式分析、概念构思。Yijun Hu：写作——初稿撰写、验证、方法论、研究、概念构思。

利益冲突声明：作者声明不存在任何可能影响本文所报告工作的已知财务利益或个人关系。

致谢：我们的工作得到了中国国家自然科学基金（62306157）、宁夏自然科学基金（2024AAC05011）以及宁夏重点研发计划（高层次人才引进专项）（2025BEH04048）的资助。

Xian Mo | Zhiqi Wang | Rui Tang | Yijun Hu