GCIB: Graph Contrastive Information Bottleneck for Multi-Behavior Recommendation
GCIB：图对比信息瓶颈用于多行为推荐
🧭 多行为推荐 · 图信息瓶颈去噪 · 对比学习语义对齐
Tianjin University · Anhui University
通过图信息瓶颈去噪辅助行为图结构，并结合跨行为对比学习实现语义对齐，提升稀疏目标行为的推荐精度
📌 工作参考价值
- 结构级噪声过滤：在辅助行为图上直接做边级去噪，而非仅压缩表征。使用目标行为偏好引导的边保留概率（MLP融合user/item embedding），通过Gumbel-Softmax实现可微的边丢弃，可借鉴到电商多行为数据清洗，仅保留与购买/加购等目标行为相关的辅助交互。
- HSIC正则替代互信息最小化：由于图结构互信息难以直接优化，采用HSIC衡量去噪前后图节点表征的独立性作为压缩项，计算高效且可微。在推荐系统的特征选择或图去噪场景中，可作为轻量级冗余抑制手段。
- 跨行为对比对齐：将去噪后的辅助行为表征与目标行为表征作为正例构建对比损失（InfoNCE），用户侧和物品侧分别计算。这能缓解目标行为稀疏时的监督信号不足，尤其适合交易型电商场景中购买行为少、点击/浏览行为多的情况。
- 分层编码设计：先通过全局异质多行为图LightGCN编码获得共享初始化，再分别在目标图和去噪辅助图上做浅层传播（2-3层），最终简单平均融合。这种轻量级设计易于工程实现和增量更新，对行为频繁变化的电商场景友好。
动机
多行为推荐利用点击、收藏、加购等辅助行为缓解购买（目标行为）数据稀疏，但辅助行为图常含有大量与目标无关的噪声交互，直接融合会误导偏好学习。现有方法或在表征层面压缩，或未在结构传播前显式去噪，导致噪声污染用户/物品嵌入。实验表明仅用辅助行为性能最差，仅用目标行为受限于稀疏，混合使用提升有限，说明有效去噪和利用辅助行为仍是关键挑战。
方法关键点
- 双层级去噪：结构层对辅助行为图进行边级剪枝，保留与目标任务最相关的子结构；特征层通过跨行为对比学习对齐去噪辅助与目标表征。
- 图信息瓶颈目标：最大化去噪图与目标信号互信息（以BPR损失实现），同时最小化去噪图与原始图互信息（用HSIC近似），实现最小充分子图保留。
- 目标偏好引导的边选择：用目标行为域学习到的用户/物品表征计算每条辅助边的保留概率（MLP + sigmoid），以Gumbel-Softmax重参数化使过程可微。
- 跨行为对比对齐：将去噪辅助表征与目标表征作为正样本对，构建用户侧和物品侧InfoNCE损失，补充目标行为监督。
- 全局共享初始化：先用LightGCN在异质多行为图上获取全局编码，再送入目标图和去噪辅助图，结合分层传播。
关键结果
在Tmall、Taobao、Yelp、ML-10M四个数据集上，GCIB一致超越所有基线（LightGCN、MBGCN、CRGCN、BCIPM、NSED等）。尤其Yelp数据集上HR@10提升40.5%，NDCG@10提升37.2%。消融实验证实全局编码、IB去噪、对比对齐均至关重要，去除任一组件性能明显下降。噪声注入实验显示，添加20%合成噪声后GCIB仅相对下降3.6%，而对比模型（MBLFE、HGIB）下降超过10%，验证了结构级边过滤的鲁棒性。