人体-物体交互（Human-Object Interaction, HOI）检测是理解人类与物体之间交互行为的重要任务。本文探索了“交互性知识”——即判断人与物体之间是否发生交互的能力。我们发现，交互性知识可以在多个HOI数据集之间进行迁移学习，从而弥合不同HOI类别设置之间的差距。本文的核心思想是构建一个交互性网络（Interactiveness Network），从多个HOI数据集中学习通用的交互性知识，并在推理阶段进行HOI分类前执行非交互抑制（Non-Interaction Suppression, NIS）。由于交互性知识具有良好的泛化能力，该网络可作为可迁移的知识学习器，与任意HOI检测模型协同工作，实现优异性能。我们结合人体实例特征与身体部位特征，采用分层范式学习交互性，即在实例级别和身体部位级别分别建模交互性。随后，提出一致性任务（consistency task）以引导模型学习，进一步挖掘深层的交互视觉线索。我们在HICO-DET、V-COCO以及新构建的PaStaNet-HOI数据集上进行了广泛实验。实验结果表明，引入所学习的交互性知识后，本方法在多个基准上均超越现有最先进方法，验证了其有效性与灵活性。代码已开源，地址为：https://github.com/DirtyHarryLYL/Transferable-Interactiveness-Network。