现有的多行为推荐模型忽略了不同行为之间存在的优化不平衡问题。为解决这一问题，提出了一种融入自注意力和对比学习的多行为推荐模型（multi-behavior recommendation integrating self-attention and contrastive learning，SACL）。首先，根据用户与商品的交互行为类型构建独立的交互视图，通过图神经网络挖掘用户与物品之间的关联关系，提取用户的不同行为特征和兴趣偏好特征。其次，在行为间与用户间进行对比学习，捕捉不同行为下的相同用户特征，增强辅助行为信息的利用率。然后，基于自注意力机制设计出一个多行为优化模块，根据用户的多行为特征以及对比学习特征设计定义不同的编码方式，生成具有行为依赖关系的元知识；设计了一个自注意多行为损失权重网络，根据元知识平衡不同行为的训练损失权重，从而区分对目标行为的影响差异并降低辅助行为噪声。提出的模型在Tmall和IJCAI-Contest数据集上进行的实验表明，相较于最优基线DPT，SACL的命中率（HR）平均提升了10%，归一化折损率（NDCG）平均提升了14%，验证了SACL模型对平衡优化多行为推荐任务的有效性。