對比學習增強的多行為超圖神經網絡推薦模型

關鍵詞：推薦系統；多行為推薦；圖神經網絡；超圖；對比學習；自監督學習中圖分類號：TP391 文獻標志碼：A 文章編號：1001-3695（2025）08-008-2304-08doi：10.19734/j.issn.1001-3695.2024.12.0528

Multi-behavior hypergraph neural network model enhanced with contrastive learning

WangGuang，Li Jiaxin? （CollegeofSoftware，Liaoning Technical University，Huludao Liaoning 1251O5，China）

Abstract：Multi-behaviorrecommendation（MBR）systemsareincreasinglyimportantininternetplatformsbutface twocriticallimitations：a）failuretocharacterizeusers’complexpreferencesunderdiversebehaviors，b）dificultymodeling interbehaviorrelationships.This studyproposedamulti-behaviorhypergraph neural networkmodel enhanced withcontrastielearning（MBHCL）toaddress these issues.The methodconstructed user-item hypergraphsformulti-behavior interactions，capturingusers’multi-dimensionalpreferences.Itdesigned threecontrastivetaskstointegratesingle-behaviorrepresentations throughcommonality-diferencemodeling，obtainingoptimizedembeddingstoalleviatecold-startanddatasparsityproblems. Experimentsonfourreal-worlddatasets（Tmall，BeiBei，Kuairand，Yelp）demonstrateMBHCL’sefectiveness.Themodel achieved minimum 4.8% HIT and NDCG improvements on Tmall and BeiBei datasets，and 3.6% enhancements on Kuairand andYelpdatasets.Ablationtestsverifiedallcomponents’contributions，withcold-startrecommendationsshowingsignificant performance gains.

Keywords：recommendation system；multi-behaviorrecommendation；graphneuralnetwork；hypergraph；contrastive learning；self-supervised learning

0引言

在信息爆炸的時代背景下，推薦系統作為應對信息過載、提升用戶體驗的關鍵工具，其發展受到了廣泛關注。傳統的推薦方法，如協同過濾，雖然在挖掘用戶-項目交互信息方面表現出色，卻難以克服數據稀疏性、模型解釋性差及冷啟動等難題。近年來，圖神經網絡（graphneuralnetwork，GNN）憑借其有效編碼用戶-項目交互圖中復雜結構信息的能力，顯著提升了推薦系統的性能，基于GNN的推薦系統正逐漸成為研究的熱點[1]。自2009 年 Scarselli等人[2]首次提出GNN以來，該領域發展顯著。2017年，圖卷積神經網絡（GCN）[3]的面世極大地推動了其在推薦系統等眾多領域的應用。2019年，NGCF[4]模型將GCN應用于推薦算法，捕獲高階交互特征，提升推薦準確性。LightGCN5簡化了NGCF，去除二分圖中的冗余，提高了效率。2021年，UltraGCN[6]作為LightGCN的改進，將圖結構信息整合到矩陣分解框架中并引入輔助損失函數，優化了信息傳播過程，進一步提升了推薦性能。2022年，文獻[7]引入了超邊組（hyperedgegroup）的概念，通過超圖結構捕捉數據間的高階關聯，這在傳統的圖神經網絡中是難以實現的。該框架不僅能夠模擬成對關系，還能進一步探索數據中更為復雜的結構信息，從而為多模態/多類型數據的高階關聯建模提供了一種新的視角。在社交推薦領域，文獻[8]提出了一種基于異構超圖和注意力網絡的新方法。通過構建五種超圖模式，結合注意力機制，有效整合了用戶的社交關系和項目特征，通過捕捉復雜的用戶-用戶、用戶-項目以及項目間的高階交互，顯著提升了推薦準確性。

用戶對物品的不同行為代表了用戶不同的個性化偏好，這些不同類型的行為體現了用戶完整的興趣分布。因此，基于圖神經網絡的推薦模型也逐漸從單一類型的圖進化為各種交互行為（例如：點擊、添加到購物車、購買等）的圖。為了更好地捕捉用戶的多樣化行為信息，近期的研究提出了許多方法，利用用戶或項目的輔助信息來表示多樣化的交互信息[9，10]，有效提升了模型對于用戶興趣偏好捕捉的全面性。例如，MB-EBIH[]基于異構行為圖顯式建模多行為推薦（multi-behaviorrecommendation，MBR）中輔助行為與目標行為的統計關聯性。通過引入負反饋行為（如未點擊、未加購）作為圖節點，結合圖注意力網絡學習行為間的語義依賴關系，更全面地刻畫了用戶偏好。MB-CGCN[12]采用級聯GCN塊來顯式利用多行為進行嵌入學習，前一個行為學習到的嵌入被用作下一個行為嵌入學習的輸入特征，通過特征轉換和嵌入聚合的設計，顯著提高了推薦性能。CKML[13]提出一種新穎的粗粒度到細粒度知識增強的多興趣學習框架，用于提高多行為推薦系統中的推薦準確性和效率。同時，對比學習（contrastivelearning，CL）[14]作為一種自監督學習[15]方法，因其能夠通過自我監督的任務從大量未標記的數據中提取有價值且可轉移的知識，CL也被引入推薦系統中并取得了一定的成果[16]。 Xuan 等人[17]將多行為對比學習和知識圖譜對比學習聯合引人推薦系統，通過設計兩種對比學習任務和損失范式，更好地建模行為間的粗粒度共性和用戶間的細粒度差異。XSimGCL[18]提出了一種圖對比學習方法，檳棄了復雜的圖增強操作，采用簡單而有效的基于噪聲的嵌入增強來生成CL視圖。CrossCBR[19]引入了跨視圖對比學習來建模捆綁推薦中的跨視圖合作關聯。CCDR[20]探索了CL在跨域和捆綁推薦場景中的應用。

然而，現有圖神經網絡推薦模型在處理多行為推薦場景時仍然有以下不足：

a）無法自適應刻畫不同行為狀態下全面的用戶興趣偏好：現有方法通常采用圖卷積網絡等方法進行鄰域聚合刻畫用戶興趣，而由于用戶行為的復雜性，導致模型無法刻畫復雜且全面的用戶偏好。

b）難以有效建模不同行為之間的相互關系以提升興趣建模的性能：例如在電子商務背景下，同一個用戶與物品的交互關系可能有點擊、添加購物車和購買等多種行為類別，這些不同的交互關系可以幫助獲取用戶和物品間額外的信息，從不同角度理解用戶偏好的多樣性。

鑒于此，本文提出一種創新的推薦模型——對比學習增強的多行為超圖神經網絡推薦模型（multi-behaviorhypergraphneural networkmodel enhancedwithcontrastive learning，MBHCL）。該模型旨在通過整合圖神經網絡的強大表征學習能力和對比學習機制，解決多行為數據下的信息融合難題。MB-HCL利用超圖結構為用戶的每種行為進行建模，同時設計了一種新穎的對比學習策略，該策略在圖卷積過程中對不同行為模式下的用戶偏好進行顯式區分與強化，在保持用戶行為多樣性的基礎上，進一步提升推薦的準確性與多樣性。

本研究的核心貢獻在于：

a）構建了一種多行為超圖結構，充分建模用戶在不同行為情境下的行為模式，以獲得準確且全面的多行為用戶興趣偏好。

b）引入對比學習機制，通過在行為嵌人空間中構造正負樣本對，有效地放大了用戶行為模式之間的差異，進而提升了模型對用戶偏好的細膩捕捉能力，增強嵌入表示，有效緩解冷啟動和數據稀疏問題。

c）在Tmall、BeiBei、Yelp和Kuairand數據集上進行了實驗評估，結果表明所提出的模型在多個方面均顯著優于基線模型，且通過對冷啟動用戶的實驗驗證了模型在冷啟動場景的優越性能。

1模型

1.1 多行為圖構建

MBHCL目的是最大化地利用用戶在不同行為維度上的數據以進行推薦?；谌N不同行為的超圖 G ，MBHCL的目標是預測用戶 Ω_u 在目標行為 b_t 下最可能交互的項目 v_c 。本節首先對多行為推薦中的關鍵概念給出詳細定義。

1.1.1 多行為建模

在多行為推薦中，特定行為（如電子商務中的購買行為）因其關鍵性和潛在價值而被定義為目標行為。然而，這種目標行為推薦也面臨著數據稀疏性的挑戰。本文將用戶集合記為U ，項目集合記為V，每個用戶 u∈U 與多個項目 v∈V 之間可能存在 B 種不同的交互行為，這些行為構成了集合 {b₁，…，b_B} ，其中 b_t 為所關注的目標行為。

1.1.2 圖建模

捕獲用戶與項目間的復雜交互模式，首先為用戶構建三種行為的交互超圖，該圖定義為 G=（V，E） ，其中 V 代表超點集，由用戶與項目節點構成， E 表示超邊集。每條邊 e=（u，v，b）∈ E 連接用戶 u 與項目 σ_v ，反映兩者在特定行為 b_t 下的交互。

然后，針對每種行為 b 構建行為子圖 G_b ，可得矩陣 R_b 對應的鄰接矩陣 A_b ，如下：

利用圖卷積網絡（GCN）進行多層消息傳播并使用簡單的串聯操作來合并所有層的結果，得到最終的用戶和項目嵌入表示，如下：

X_b=f（X_b^（l））

其中 Ω：l=[0，…，L] 。

1.2 多行為圖學習

1.2.1模型概述

本研究針對現有多行為推薦仍面臨的挑戰，提出一種對比學習增強的多行為超圖神經網絡模型，來深人探索多行為數據間的內在特征交互。如圖1所示，該模型精心設計了三種類型的對比學習任務，以達到更深層次的數據理解與特征表達。

首先，對于用戶 u ，將每種行為對應的交互超圖 G 輸人至圖編碼器中。在編碼過程中，為每種行為類型構建 B 個用戶單行為表示。接下來，這些單一行為表示將通過多行為融合模塊進行整合。該模塊不僅融合了不同行為的特征，還通過多行為CL、自監督CL以及行為區分CL作為輔助損失函數，以增強模型的學習能力。最后，經過融合的用戶和項目表示之間的相似度被用作排名分數，以實現更精準的推薦效果。

1.2.2 圖編碼器

在本研究中，圖模型特別選用了超圖神經網絡（hypergraphneuralnetwork，HGNN）[7]作為核心圖編碼器，相較于普通GNN，其超邊能夠連接多個節點，這使得模型能夠有效刻畫用戶對項目之間復雜的多行為交互。為了有效捕捉用戶和項目之間的多行為復雜交互，本研究構建了一個多行為超圖編碼器。編碼器針對每種行為，生成對應的用戶和項目的嵌入表示。對于行為 b，u^g，b 由下式給出：

其中： H_u 是連接用戶 u 的超邊集合； v_h 是超邊 h 的嵌人表示；W_b 是HGNN的第一層共享參數，是行為 b 的可學習參數矩陣，用于學習通用的用戶和項目表示，然后在后續層學習行為特定的表示。

u_b⁰ 是用戶 u 關于行為 b 的初始嵌入表示。激活函數ReLU用于引入非線性，此處亦可換為其他常見激活函數。

超邊的嵌入表示通過聚合連接節點的嵌入來計算：

其中 ：h_b⁰ 是超邊 h 的初始化嵌人表示； V_b 是關于行為 b 的可學習參數矩陣，求和操作聚合了超邊 h 連接的節點嵌人。

圖1MBHCL模型框架 Fig.1Framework of MBHCL model

u^g，b 表示用戶 u 在行為 b 下的嵌入表示。這一步驟為每種用戶行為 b 學習到了 2B 個單一行為表示，為后續的多行為融合提供基礎。值得注意的是，圖編碼器由兩層超圖組成，其中第一層為不同行為共享以提取行為共有特征，第二層為不同行為獨有以刻畫行為獨有特征。

1.2.3 多行為融合

鑒于單一行為表示在處理數據稀疏問題時存在局限性，尤其是對于那些發生頻率較低且具有較高決策成本的關鍵行為（例如購買），有必要整合輔助行為（如點擊、添加購物車等）所攜帶的豐富信息，以更全面地推斷用戶對于自標行為的潛在偏好。為此，本研究設計了一個多行為融合模塊，以此來整合用戶的單一行為表示，構建一個更為綜合性與魯棒性的用戶表示u^g ，表達如下：

其中： u⁰ 代表用戶的原始嵌入向量；而 MLP^g 是使用ReLU作為激活函數的兩層MLP。此外，本研究也為項目構建了相應的綜合表示 v^g 。

1.3行為間自監督損失

用戶單一行為表示僅能夠揭示用戶在特定行為上的偏好，然而這些行為之間也存在一定的共性，這些共性能夠反映用戶的整體特征。本研究為深入挖掘不同行為間的粗粒度共性與細粒度差異，構建了兩個多行為對比學習（CL）任務作為輔助損失。通過這些任務能夠學習到更優的用戶表示。

1.3.1 多行為對比學習

首先構建了多行為CL，該CL核心目標是：一方面最小化同一用戶不同單行為表征間的差異性（如點擊、添加購物車、購買等），以捕捉用戶行為模式的內在一致性；另一方面最大化不同用戶行為表征的差異，以實現用戶行為表征的精細化建模，并自然地將用戶的不同單行為表示為某些用戶增強。假設有 N 個用戶 {u₁，…，u_N} ，對于每個用戶 u_i ，隨機選擇其行為 b₁ 和 b₂ 對應的兩個單行為表示 。對于 ，將 視為該CL中的正樣本，將 視為該CL中的負樣本。表達如下：

定義多行為 CL 損失 L_GraphCL 如下：

其中 ?f（x，y，z） 為成對距離函數； τ 是sigmoid激活函數。

1.3.2 自監督對比學習

同時還提出一種自監督對比學習任務。在存在 B 種行為的情況下，傳統方法往往需要對任意兩個行為進行對比學習，導致有 B（B-1） 個對比學習對，這無疑增加了計算的復雜度。然而，本研究的目標在于深人捕獲目標行為與輔助行為之間的關系。因此提出一種更為高效的自監督對比學習任務，僅在目標行為與每個輔助行為子圖之間進行對比學習。這種簡化的方法能有效降低復雜度。同時，通過專注于目標行為與輔助行為間的關系，能夠更精確地捕捉不同行為間的共性特征，從而顯著提升目標行為嵌人的表示能力。

對比學習任務中，合理選擇正反例是確保模型學習效果的關鍵。傳統方法傾向于將同一節點在不同視圖下的表現視為正例，而將不同節點的視圖視為反例。然而，在特定目標行為背景下，如果用戶或項目展現出相似的關聯信息，這些用戶或項目同樣應當被視作正例。

為實現這一目標，本文引入了點互信息（PMI）來評估在目標行為下，任意兩個用戶或項目間的相似性。當兩個用戶在目標行為上的PMI較高時，將其視為正樣本。同時，為了提高模型的區分能力，本文引入了困難負樣本，選擇那些模型預測得分較高但實際上未發生交互的樣本作為負樣本，使模型能夠更有效地學習到目標行為與輔助行為之間的深層關系。用戶PMI的計算方法如下：

其中 ：I（u） 表示與用戶 u 關聯的項目集 J（u）∩I（u^′） 表示與用戶 u 和 u^′ 關聯的項目集。這樣可以計算任意兩個用戶在目標行為下的相似度。項目的PMI計算方法與用戶相同，負例采用隨機抽樣的方式進行選取，以確保負例的多樣性和代表性。

在多行為推薦場景中，為進一步優化對比學習的效果，本研究將行為類型的先驗知識融人對比學習任務。以電子商務推薦場景為例，相較于點擊行為，購買行為通常具有更高的優先級和決策成本。在自監督對比學習任務里，依據行為類型的優先級對負樣本進行加權處理。設行為權重向量為 ω=[ω₁ ，ω₂，…，ω_B] ，其中 ω_b 表示行為 b 的權重，該權重通過不同行為的比例自動統計而來。在確定正例和負例之后，采用經典對比損失函數InfoNCE來優化學習過程，該損失函數的核心目標在于增強正例間的一致性，同時降低負例間的相似度。當第一個目標行為和輔助行為 b^′（b^′=[2，…，b_B] ）進行對比學習時，損失函數如下：

其中： （xuB，xu+b′） 是正對； （xuB，xu-b′ 是負對； τs 是一個超參數，在softmax中稱為溫度系數。同樣可得到項目對比損失Lsstb′item 。整合用戶和項目下的所有損失函數，可以得到自監督任務的綜合損失函數：

1.4行為區分對比損失

上述CL任務旨在強化模型對于用戶在多種行為下表示的共性。然而，用戶不同行為之間的細粒度差異同樣不容忽視。特別是在電子商務場景下，相比頻繁但低成本的行為，如點擊或加入購物車，雖然購買行為出現頻率較低且成本較高，但它卻更直觀地揭示了用戶的高優先級偏好和購買意圖。在多行為CL的背景下，這些輔助性行為在某些情況下亦可被視為針對目標行為（如購買）的硬負樣本。尤其是當它們能有效區分出那些表面看似正向互動但實際上并未轉換為購買行為的項目時，其價值更為凸顯。因此，本研究在模型中引入行為區分對比損失，旨在更精細地刻畫用戶行為的差異性，并據此優化推薦系統的性能。

本文對行為優先級進行了明確的定義：對于用戶 Ω_u ，目標行為所關聯的項目 v_i ，其優先級高于輔助行為所關聯的項目v_j ，而其他隨機批次中的項目 v_k 則優先級最低。在進行目標行為的預測任務時，用戶的綜合表示首先應接近 v_i ，其次是輔助行為的硬負樣本 v_j ，最后應與隨機負樣本 v_k 保持差異。通過（204號 MLP_p3 投影得到 u_p3?v_i，p3?v_j，p3 和 v_k，p3 ，基于這些表示，行為區分CL的損失 L_DisCL 如下：

其中 _：β 為損失權重； v_i 和 v_j 分別代表用戶 u 的目標行為和輔助行為所關聯的項目。

1.5輸出層

通過結合上文中所獲得的用戶表示 u^g 與目標行為的項目表示 v ，將其形式化如下：

本文根據經典排名模型BPR損失，使用 u 和 v 的內積來計算用戶與項目間的相似度，并將其視為排名分數，相似度計算如下：

其中： （u，v_i）∈S⁺ 是目標行為的正集； （u，v_j）∈S^- 是隨機抽樣的負集。

模型整體損失 L 定義如下：

L=λ₀L₀+λ₁L_GraphCL+λ₂L_DisCL+λ₃L_sst

其中： λ₁ 為控制多行為圖對比學習任務強度的超參數； λ₂ 是行為區分對比學習任務輔助損失函數權重的超參數； λ₃ 是自監督對比學習任務輔助損失函數權重的超參數。

2 實驗與分析

2.1 實驗設置

2.1.1數據集

實驗選取了三個電子商務領域的實際大規模行為數據集和一個視頻無偏序列推薦數據集對MBHCL進行評估，分別為Tmall、BeiBei、Yelp和Kuairand，如表1所示。

a）Tmall數據集（來源于電商平臺天貓）。經預處理后，該數據集呈現了豐富的用戶互動信息，包含了22014名用戶和27155種商品，記錄了83778次購買行為、44717次加入購物車行為以及485483次點擊行為。

b）BeiBei數據集（來源于國內母嬰電商平臺貝貝網）。該數據集包括21716個用戶和7977個項目，其中包含三種類型的用戶互動，即點擊、購買和添加購物車。

c）Yelp數據集（由美國公司Yelp提供的一個開放數據集，分別包含企業信息、評論文本、用戶數據、簽到記錄和提示信息，廣泛應用于推薦系統、情感分析等領域）。根據用戶評分將用戶交互行為分為不喜歡、中立和喜歡三種類型。除用戶評分外，還有提示（tip）行為，代表用戶寫下的建議和評論，將其視為目標行為。

d）Kuairand數據集（一個從國內視頻分享應用快手App收集的大規模順序推薦數據集）。該數據集是一個無偏見的連續推薦數據集，包含對隨機曝光視頻的數百萬次干預交互。包括27284名用戶和7582個視頻，記錄了1186059次曝光、528845次點擊和29574次喜歡。

表1實驗數據集信息

Tab.1Experimental datasetinformation

2.1.2 對比方法

為了驗證MBHCL的有效性，本文將其與一些先進的基線模型進行比較。

a）LightGCN[5]：它是一個簡化的GNN模型。為每種行為構建多個用戶-項目圖，并利用它對用戶行為進行編碼。

b）MRIG[21]：通過構建多關系項目圖來捕捉全局項目間的關系，并采用門控機制自適應融合目標行為序列與輔助行為序列的表示。

c）MBGCN[22]：將多個用戶-項目交互矩陣重建為統一的多行為圖，以有效整合多種行為的信息。

d）MBGMN[23]：結合元知識學習和多行為模式學習來實現對用戶多樣化交互行為的個性化綜合建模。

e）MGNN[24]：通過整合不同行為類型的用戶-項目交互數據到多個圖神經網絡中，并學習共享圖嵌入和特定行為嵌入以進行推薦。

f）MBSSL[25]：利用行為感知圖神經網絡和自注意力機制捕捉用戶行為多樣性，并通過混合梯度方法平衡自監督任務與目標推薦任務的優化。

g）KMCLR[17]：通過結合多行為學習和知識圖譜增強用戶層和物品層的表示，強調從不同角度對用戶-物品信息進行建模，緩解目標行為數據稀疏的問題。

h）CRGCN[26]：通過構建超圖來捕捉用戶、項目間的三元關系，并設計了級聯殘差圖卷積網絡結構，以顯式地利用不同行為之間的聯系來學習用戶偏好。

i）DA-GCN[27]：將預設的單調行為鏈更靈活地拓展為個性化有向無環行為圖，將來自不同入邊視為觀察當前行為的不同視角，根據可學習的跨行為分布聚合來自不同前置行為的協同過濾信號，依次生成更全面的行為表征。

j）HyperGRU[28]：提出超節點的概念，以捕獲多種行為之間的語義依賴性。通過建?！疤^”和“點擊”子序列，進行對比任務，強化了正負興趣的區分性，使得興趣表示能夠更好地區分其關聯標簽與對立標簽。

2.1.3評估指標

實驗采用留一法評估模型性能，這是一種在推薦系統研究中廣泛認可的方法[27，29]。該方法通過將用戶最后一項交互作為測試集，前項作為驗證集，其余作為訓練集，確保了評估的準確性。本文使用 hit@k（top-K 命中率） NDCG@k （歸一化折損累積增益）、MRR（平均倒數排名）以及AUC（曲線下面積）四個關鍵指標來衡量模型表現。 HIT@k 衡量模型在前 K 個推薦結果中是否包含目標物品，其表示如下：

其中： N 是用戶的總數； I（hit_i ）是指示函數，當用戶 i 的感興趣物品出現在前 K 個推薦中時，值為1，否則值為0。

NDCG@k 為歸一化折扣累積增益，評估推薦的相關性和排序質量，其表示如下：

其中：累計增益（CG）對前 K 個推薦結果的相關性得分求和，表示為

折損累計增益（DCG）在CG的基礎上，引入位置折損因子，考慮排名靠后的推薦結果對用戶的影響較小，表示如下：

IDCG@k 表示理想排序下的最大 DCG@k

MRR為平均倒數排名，評估首個正確預測項目的排名倒數，其表示如下：

其中： _;N 是用戶的總數； rank_i 是用戶 χ_i 的感興趣物品在推薦列表中的排名位置。若該物品未出現在推薦列表中，則其排名視為無窮大，倒數為0。

AUC為曲線下面積，衡量模型區分正負樣本的能力，其表示如下：

其中： ∣N_pos? 和 N_neg 分別是正樣本和負樣本的數量； 和 分別是正樣本和負樣本的預測得分; 是指示函數，當

時，值為1，否則值為0。

本文分別展示了HIT和NDCG前5名和前10名的結果，為增強評估的全面性，對每個基準事實隨機選取99個未交互項目作為負樣本。

2.1.4參數設置

在實驗中，所有方法都采用128作為用戶和項目的嵌入，以及256的批量大小。使用Adam優化器優化所有模型。MBHCL的學習率和L2歸一化系數分別設定為0.001和1E-4。監督損失 L₀ 和三個CL 損失（即 L_GraphCL?L_DisCL?L_sst 的權重分別設置為 1.0，0.2，0.05 和0.2，并通過網格搜索對模型超參數進行調優。

2.2 對比實驗

實驗全面評估了所有基線模型以及MBHCL模型的性能。表2展示了在四個數據集上的效果，可以得出以下結果：

在四個數據集的所有指標上，MBHCL模型在所有基線模型中均展現出最佳性能。與特定基線相比，MBHCL在MRR指標上實現了 17.8% 以上的提升。與各指標表現最優的模型相比，MBHCL進一步提升了 3.6%～18.1% 。這一結果表明，MBHCL能有效捕捉不同行為間的共性和差異，從而更充分地利用多行為推薦中的信息，提升推薦系統的性能。

MBHCL相較于未集成對比學習任務的CRGCN，其性能有了明顯提升，這一結果凸顯了對比學習任務在解析和建模用戶多種行為類型間復雜關聯的重要性。通過引入對比學習任務，模型能更好地理解和區分用戶行為的細微差別，進而提高推薦的準確性和個性化水平。

為驗證模型的泛化能力，在不同領域的Kuairand數據集上對其進行了評估。數據顯示，在視頻推薦領域，本模型在各關鍵指標上均達到最佳，較特定基線模型提升了 3.6% ～12.6% 。這表明MBHCL在視頻推薦這一不同領域中仍展現出了優異的性能，進一步驗證了本模型具備良好的泛化能力，能夠適應多種應用場景。

表2各算法在四個數據集中的效果

Tab.2Performance ofvarious algorithms on four datasets

2.3 消融實驗

本研究構建了幾個MBHCL的消融變體，為探討MBHCL中各個CL任務的貢獻。將多行為對比學習、行為區分對比學習和自監督對比學習任務分別命名為BCL、DCL和

如圖2所示，各消融變體的性能與MBHCL相比均呈現一定程度的下降。當刪除SCL任務時，推薦性能大幅降低，這表明SCL任務對目標行為和輔助行為進行對比學習來增強嵌入表示是必要的。同時，刪除BCL同樣引起性能的下降，而刪除DCL雖較刪除BCL時性能有所上升，但整體仍不理想。由此可見，MBHCL通過建模不同行為間的粗粒度共性與細粒度差異，有助于學習更優的嵌人表示并有效緩解數據稀疏性問題。

2.4參數實驗

本節主要探究一些超參數對模型性能的影響，具體分析了三個對比學習任務中的參數，包括損失權重、溫度系數、超邊數量以及模型嵌入維度。它們在兩個數據集上的影響如圖3～10所示。

2.4.1 多行為CL損失權重

如圖3所示，在集合 0.05，0.1，0.2，1，2 中對多行為CL的損失權重 λ₁ 進行了系統性調整。在兩個數據集上的實驗結果表明，當 λ₁ 設置為0.2時， hit@5 和NDCG@5兩項評價指標均達到最佳值。然而，隨著該參數值的進一步增加，上述性能指標并未持續提升，反而呈現出下降的趨勢。

2.4.2行為區分CL損失權重

圖4展示了行為區分CL損失權重 λ₂ 對模型性能的影響。實驗結果表明，當 λ₂ 從0.02增加至0.05時， hit@5 和NDCG@ 5兩個指標均達到最優。進一步增加該參數后，在兩個數據集中觀察到指標均有所下降，這表明參數值并非越大越好。

2.4.3 自監督CL損失權重

在圖5中可以觀察到，當自監督CL損失權重 λ₃ 小于0.2時，模型性能明顯不理想，隨著 λ₃ 逐漸增加至0.2，模型性能顯著提升至最優。這表明，適當選取權重有助于平衡模型中的對比學習，從而實現最佳性能。

2.4.4多行為CL溫度系數

圖6顯示，多行為CL溫度系數 τ_B=0.2 為模型最優參數。實驗數據表明，當 0.05lt;τ_?Blt;0.2 時，模型在兩個數據集上的性能指標均呈上升趨勢，并在0.2處達到峰值，隨后隨著 τ_?B 的進一步增加而下降。

2.4.5行為區分CL溫度系數

圖7中，在區間 {0.05，0.1，0.2，0.5，0.8} 中調整行為區分CL溫度系數 τ_D ，觀察結果表明，當 τ_Dlt;0.2 時性能指標相對穩定，當 τ_D=0.5 時性能顯著提升至最高點，然而隨著 τ_D 值逐漸增加，性能開始逐漸下降。

2.4.6 自監督CL溫度系數

在圖8中可以看到，隨著 τ_s 值趨近于0.2，實驗效果逐步提升。超過0.2后，其效果便隨 τ_s 值的增加而遞減。因此，認為 τ_s=0.2 是本模型的最優參數。事實上，當溫度系數值較小時，相似度會變得尖銳，而當溫度系數值較大時，相似度則會變得平滑。

2.4.7超邊數量

從圖9中可以觀察到，隨著超邊數量 A 的增加，MBHCL性能呈現逐漸提升的趨勢，在128時達到最優，證明了超圖結構對于推薦的有效性，特別是對于稀疏的用戶-項目數據集。

2.4.8 模型嵌入維度

圖10研究了嵌人維度對模型性能的影響，維度從32到256不等。實驗結果表明，隨著嵌人維度的增加，模型性能在32到128維時有所提升，這暗示了較大的嵌入空間有助于提高模型的容量。然而，當嵌入維度進一步增加到256時，性能并未繼續提高，這可能是由于過擬合現象的發生。這一現象說明，選擇一個合適的嵌入維度對于避免過擬合和確保模型性能同樣重要。

2.5冷啟動場景的表現

在實際應用中，多行為推薦系統普遍遭遇冷啟動難題，特別是在電子商務領域中面對高成本購買行為的冷啟動用戶。為此，針對各算法在冷啟動用戶場景下的表現進行了評估，以驗證MBHCL在更具挑戰性任務中的有效性。將訓練集中目標行為少于3次的用戶定義為冷啟動用戶，并在Tmall數據集中選取這些用戶的測試實例構成冷啟動場景的測試集。表3呈現了在冷啟動數據集上各算法在不同指標上的表現。數據結果表明，MBHCL在冷啟動場景中相較于其他算法表現出更高的性能，這是因為MBHCL可以通過CL任務充分利用多行為信息，從而可以緩解冷啟動用戶的數據稀疏性。

表3各算法在冷啟動數據集中的效果

Tab.3Performanceofeach algorithm onthecold-starton Tmall

3結束語

本文提出了一種對比學習增強的多行為圖神經網絡推薦模型MBHCL，旨在解決傳統推薦系統在處理多種用戶行為和稀疏數據時的局限性。通過引入三種對比學習任務，模型能夠更好地分析行為間的共性和差異，從而獲取更優的特征表示。實驗結果表明，所提出的對比學習任務在提升推薦效率方面具有重要意義，模型能有效解決冷啟動和數據稀疏問題。未來的研究方向將著重于優化對比學習任務及其參數，以便在更大規模的數據集上仍能獲得更優的特征表示。

參考文獻：

[1]吳靜，謝輝，姜火文．圖神經網絡推薦系統綜述［J]．計算機科 學與探索，2022，16（10）：2249-2263.（Wu Jing，Xie Hui，Jiang Huowen.Surveyof graph neural network inrecommendation system [J].Journal of Frontiersof Computer Science and Technology，2022，16（10）：2249-2263.）

[2]ScarselliF，Gori M，Tsoi AC，et al.The graph neural network model[J].IEEETransonNeuralNetworks，20O9，20（1）：61-80.

[3]Micheli A. Neural network for graphs： a contextual constructive approach[J].IEEE Trans on Neural Networks，2009，20（3）： 498-511.

[4]WangXiang，HeXiangnan，WangMeng，et al.Neural graph collaborativefiltering[C]//Procofthe42nd International ACMSIGIR Conference on Research and Development in Information Retrieval. NewYork：ACMPress，2019：165-174.

[5]HeXiangnan，DengKuan，WangXiang，etal.LightGCN：simplifyingand powering graph convolution network for recommendation [C]/′ Procof the 43rd International ACM SIGIR Conference on Researchand DevelopmentinInformationRetrieval.2O2O：639-648.

[6]Mao Kelong，Zhu Jieming，Xiao Xi，et al.UltraGCN：ultra simplificationof graph convolutional networks for recommendation [C]// Procof the 3Oth ACM International Conference on Informationamp; KnowledgeManagement.2021：1253-1262.

[7]Gao Yue，FengYifan，Ji Shuyi，etal.HGNN+：general hypergraph neural networks[J].IEEETranson PatternAnalysisand MachineIntelligence，2023，45（3）：3181-3199.

[8]KhanB，Wu Jia，Yang Jian，et al．Heterogeneous hypergraph neural network for social recommendation using attention network[J].ACM Trans on Recommender Systems，2025，3（3）：1-22.

[9]沈學利，張榮凱.聯合自監督學習強化的多行為多任務推薦算法 [J]．計算機應用研究，2023，40（9）：2688-2693.（ShenXueli， ZhangRongkai.Multi-behaviormulti-task recommendation algorithm integrating self-supervised learning enhancement [J]. Application ResearchofComputers，2023，40（9）：2688-2693.）

[10]高鈺瀾，黃賢英，陶佳．基于輕量圖卷積和注意力增強的多行為 推薦模型［J]．計算機應用研究，2022，39（6）：1753-1759. （Gao Yulan，Huang Xianying，Tao Jia.Multi-behavior recommendation model based on light graph convolution and enhanced attention [J].ApplicationResearchof Computers，2022，39（6）：1753- 1759. ）

[11] Zhang Zhongping，Jia Yin，Hou Yuehan，et al.Explicit behavior interaction with heterogeneous graph for multi-behavior recommendation [J].Data Science and Engineering，2024，9（2）：133-151.

[12]Cheng Zhiyong，HanSai，Liu Fan，etal．Multi-behavior recommendationwith cascading graph convolution networks[C]//Proc of ACM Web Conference.New York：ACM Press，2023：1181-1189.

[13]Meng Chang，Zhao Ziqi，Guo Wei，etal.Coarse-to-fine knowledgeenhanced multi-interest learningframework formulti-behavior recommendation[J].ACM Tran on Information Systems，2024，42 （1）：1-27.

[14]Jing Mengyuan，Zhu Yanmin，Zang Tianzi，et al.Contrastive selfsupervised learning in recommender systems：a survey[J].ACM Trans on Information Systems，2024，42（2）：1-39.

[15]Gui Jie，Chen Tuo，Zhang Jing，et al. A survey on self-supervised learning：algorithms，applications，and future trends[J].IEEE TransonPatternAnalysisandMachine Intelligence，2024，46 （12）：9052-9071.

[16]Qiu Ruihong，Huang Zi，Yin Hongzhi，et al. Contrastive learning for representation degeneration problem in sequential recommendation [C]//Proc of the15thACM International Conference on Web Search and Data Mining.NewYork：ACMPress，2022：813-823.

[17]Xuan Hongrui，Liu Yi，LiBohan，etal．Knowledge enhancement for contrastive multi-behaviorrecommendation [C]//Proc ofthe16th ACM International Conference on Web Search and Data Mining.New York：ACMPress，2023：195-203.

[18]Yu Junliang，Xia Xin，Chen Tong，et al. XSimGCL：towards extremely simple graph contrastive learning for recommendation[J]. IEEETrans on Knowledge and Data Engineering，2024，36 （2） ： 913-926.

[19]Ma Yunshan，He Yingzhi， Zhang An，et al. CrossCBR：cross-view contrastive learning for bundle recommendation [C]// Proc of the 28thACM SIGKDD Conference on Knowledge Discovery and Data NIning. Z02z： 1255-1241.

[20]XieRuobing，Liu Qi，Wang Liangdong，etal.Contrastive crossdomain recommendation in matching[C]//Proc of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining.New York：ACM Press，，2022：4226-4236.

[21]Wang Wen，Zhang Wei，Liu Shukai，etal.Beyond clicks：modeling multi-relational item graph for session-based target behavior prediction [C]//Proc of Web Conference.New York：ACM Press，2020： 3056-3062.

[22]Jin Bowen，Gao Chen，He Xiangnan，et αl.Multi-behavior recommendation with graph convolutional networks[C]//Proc of the 43rd International ACM SIGIR Conference onResearch and Development in Information Retrieval.New York：ACM Press，202O：659-668.

[23]Xia Lianghao，Xu Yong，HuangChao，etal.Graph meta network for multi-behavior recommendation[C]//Proc of the 44th International ACMSIGIR Conference on Research and Development in Information Retrieval. New York：ACM Press，2021：757-766.

[24] Zhang Weifeng，Mao Jingwen，Cao Yi，et al. Multiplex graph neural networks formulti-behavior recommendation[C]//Proc of the 29th ACM International Conference on Information amp; Knowledge Management.New York：ACM Press，2020：2313-2316.

[25]XuJingcao，WangChaokun，Wu Cheng，etal.Multi-behavior selfsupervised learning for recommendation[C]//Proc of the 46th International ACM SIGIR Conference on Research and Development in InformationRetrieval.NewYork：ACMPress，2023：496-505.

[26]Zhou Kun，WangHui，Zhao WX，et al.S3-rec：self-supervised learning for sequential recommendation with mutual information maximization [C]//Proc of the 29th ACM International Conference on Information amp; Knowledge Management.New York：ACM Press，2020： 1893-1902.

[27]Zhu Xi，Lin Fake，Zhao Ziwei，etal.Multi-behavior recommendation with personalized directed acyclic behavior graphs [J]．ACM Trans on Information Systems，2024，43（1）： 20.

[28]Gu Pan，Hu Haiyang，Xu Guandong. Modeling multi-behavior sequence via HyperGRU contrastive network for micro-video recommendation[J].Knowledge-BasedSystems，2024，295：111841.

[29] Xie Xu，Sun Fei，Liu Zhaoyang，et al.Contrastive learning for sequential recommendation[C]//Proc of the38th IEEE International Conference on Data Engineering. Piscataway，NJ： IEEE Press，2022： 1259-1273.