La recomendación personalizada es una parte importante de las plataformas de comercio electrónico. En los sistemas de recomendación, se utiliza una red neuronal para mejorar el filtrado colaborativo y capturar con precisión las preferencias de los usuarios, con el fin de obtener un mejor rendimiento en las recomendaciones. Los métodos de recomendación tradicionales se centran en los resultados de un solo comportamiento de usuario, ignorando la modelización de múltiples comportamientos de interacción de los usuarios, como hacer clic, agregar al carrito y comprar. Aunque muchos estudios también se han centrado en la modelización de múltiples comportamientos, aún quedan dos desafíos importantes: (1) Dado que se ignoran los múltiples comportamientos de las tendencias temporales de la información contextual, sigue siendo un desafío identificar las relaciones multimodales de los comportamientos; (2) las señales de supervisión siguen siendo escasas. Para resolver estos problemas, este artículo propone un modelo de interacción de usuario de dos caminos de múltiples comportamientos (TP_MB). Primero, se introduce una estrategia de aprendizaje de dos caminos para maximizar la información de interacción múltiple de usuarios y elementos aprendida por los dos caminos, lo que aumenta efectivamente la robustez del modelo. En segundo lugar, se diseña un codificador dependiente de múltiples comportamientos. La información contextual se obtiene a través de las dependencias de comportamiento en la interacción de diferentes usuarios. Además, se diseñan tres métodos de aprendizaje contrastivo, que no solo obtienen señales de supervisión auxiliares adicionales, sino que también alivian el problema de señales de supervisión escasas. Experimentos extensos en dos conjuntos de datos reales demuestran que nuestro método supera a los métodos de recomendación de múltiples comportamientos más avanzados.