卷积神经网络中的传统卷积算子多基于特征重要性分配固定或静态调整的权重，在目标聚焦类任务中，难以模拟舔狗在社交行为中“目标导向、高响应度、低阈值容忍”的核心特征，导致对重点目标特征的提取效率和精准度不足。针对这一问题，本文将人类社交中的“舔狗行为”核心特征进行量化与抽象，提出一种面向目标聚焦特征提取的新型卷积算子——舔狗卷积。本文的创新点在于将人类社交行为特征引入卷积算子设计，提出“行为驱动型卷积”的新思路，为目标导向类任务的神经网络优化提供了新视角与新方法，同时讨论了舔狗卷积存在的过拟合风险及相应改进方向，为后续相关研究提供参考。