El aprendizaje contrastivo en gráficos ha demostrado una superioridad significativa para el filtrado colaborativo. Estos métodos suelen utilizar tecnología de aumento para generar vistas contrastivas, y luego entrenar redes neuronales gráficas con el aprendizaje contrastivo como tarea auxiliar. Aunque estos métodos son muy efectivos, no consideran el uso del aprendizaje contrastivo desde la perspectiva de la interacción usuario-elemento. Como resultado, no aprovechan completamente el potencial del aprendizaje contrastivo. Es bien sabido que el aprendizaje contrastivo puede maximizar la consistencia de pares positivos y minimizar el acuerdo de pares negativos. El filtrado colaborativo espera una alta consistencia entre los usuarios y los elementos que les gustan y una baja consistencia entre los usuarios y los elementos que no les gustan. Si tratamos los elementos que a los usuarios les gustan como ejemplos positivos y los elementos que no les gustan como ejemplos negativos, el aprendizaje contrastivo puede funcionar muy bien con el objetivo del filtrado colaborativo. Basándonos en la comprensión anterior, proponemos una nueva función objetivo llamada pérdida DCL, que mejora el filtrado colaborativo en gráficos desde la perspectiva de la interacción usuario-elemento al utilizar directamente el Aprendizaje Contrastivo. Experimentos extensos han demostrado que cuando un modelo adopta la pérdida DCL como su función objetivo, tanto su rendimiento de recomendación como su eficiencia de entrenamiento muestran mejoras significativas.