Knowledge-Aware Multi-Intent Contrastive Learning for Multi-Behavior Recommendation

多行为推荐通过提供基于用户不同行为（例如浏览、加入购物车和购买）的准确选择来优化用户体验。目前关于多行为推荐的研究主要从隐含的角度探索多种行为之间的联系和差异。具体来说，它们直接使用黑盒神经网络对这些关系进行建模。实际上，用户在不同行为下与商品的交互是由不同的意图驱动的。例如，当用户浏览产品时，他们倾向于更加关注诸如评分和品牌等信息。然而，在购买阶段，用户更加注重价格。为了解决多行为推荐中的挑战和数据稀疏问题，我们提出了一种新的模型：知识感知的多意图对比学习（KAMCL）模型。该模型使用知识图谱中的关系构建意图，旨在从意图的角度挖掘用户多种行为之间的联系，以实现更准确的推荐。KAMCL配备了两种对比学习方案，以缓解数据稀缺问题并进一步增强用户表示。对三个真实数据集的广泛实验表明了我们模型的优越性。

本论文旨在解决多行为推荐中的数据稀疏性和挖掘用户行为背后的意图问题，提出了一种基于知识图谱和对比学习的多意图对比学习模型（KAMCL）。

KAMCL模型使用知识图谱中的关系构建意图，从意图的角度挖掘用户的多行为之间的联系，以实现更准确的推荐，并采用两种对比学习方案缓解数据稀疏性问题和进一步增强用户表示。

论文使用三个真实数据集进行了广泛的实验，证明了该模型的优越性，并且该模型的对比学习方案可以应用于其他推荐模型中。此外，该模型还可以扩展到其他领域。

在这个领域中，最近的相关研究包括《Multi-behavioral Sequence Modeling for Sales Prediction》和《Multi-Task Learning for Multi-Behavioral Recommendation》等。