论文链接： http://shichuan.org/doc/134.pdfhttp://shichuan.org/doc/134.pdf

代码链接： https://github.com/GuShuyun/S-MBRec

在本文中，我们提出了一个新的模型S-MBRec，这是一个多行为推荐模型，它从两种任务的角度考虑了多个行为的差异和共性，并且可以有效地缓解稀疏监督信号的问题。具体来说，对于每个行为，我们都执行GCN来了解用户和项目嵌入。为了区分不同行为的重要性，我们考虑了监督任务，并使用自动学习权重来聚合多个行为下的嵌入。同时，考虑到多种行为之间的共性，并有效地缓解了数据稀疏的问题，我们提出了一种星型对比学习任务，该任务只在目标和每个辅助行为之间进行对比学习。最后，我们共同优化这两项任务。

我们将这项工作的贡献总结如下：

1、在多行为推荐场景的基础上，与以往区分不同类型行为的工作不同，我们首先努力研究如何保持它们的共性，同时解决数据稀疏问题。

2、我们提出了一个新的多行为推荐模型S-MBRec，该模型由监督和自监督学习任务组成。特别是，我们设计了一种星型对比学习策略，分别为目标和每个辅助行为子图构建了一个对比视图对。

3、在三个真实数据集上验证了我们的S-MBRec模型的有效性，这证明我们的模型与其他基线相比提高了推荐性能。