知识图谱与推荐系统有哪些产品结合点？

个性化推荐已经在互联网广泛应用，但基于算法的个性化推荐也有一些固有的局限，而基于规则的个性化推荐又很依赖「人」对于业务的理解。知识图谱与推荐系统结合可以解决一些个性化推荐实践的问题。

增强特征

个性化推荐做的好的通常是拥有海量用户、高频使用场景的产品，例如抖音、淘宝、今日头条等。海量用户和高频场景代表着海量的数据和特征，可供算法来学习。更丰富的数据和特征，将带来更好的推荐效果。通过构建物品知识图谱，将知识图谱应用在推荐中，可以利用图谱更深层次和更长范围的关联特征，增强推荐结果中的多样性和准确性。

市面上存在着大量的产品和场景也希望通过个性化，提升业绩与用户体验，但却缺少足够的行为数据。之前工作经历遇到过相当的传统行业业务，无法通过基于用户行为的算法落地个性化推荐，构建一套可配置规则决策系统，系统需要业务专家根据对业务理解构建规则驱动业务。这套基于规则的推荐系统，如果结合物品的知识图谱，可以极大缓解构建规则的数据稀疏性问题，也可大大提升人工配置策略的丰富度和扩展性。

相关推荐

通常实现基于用户行为的推荐系统，计算不同物品之间相似度，通常基于用户交互行为或文本特征。而将知识图谱应用在推荐系统中，可以利用知识图谱语义网络特征，在语义理解的基础上，挖掘更多关联关系。

例如苹果电脑关联在知识图谱上关联商品有airpods和ipad，在购买mac的同时，可以同时推荐airpods和ipad。直接利用知识图谱已有知识进行关联推荐，可以避免数据稀疏和物品冷启动推荐不准的问题。

可解释性

作为推荐行业从业者，都不可避免的会接到用户或客户的抱怨，推荐的不准或者不明白为什么推荐某些内容。按照传统做推荐的逻辑，此时最好的解释是推荐系统追求的是全局最优，一定不可能做到绝对准的问题，其次应用的某些技术例如深度学习或协同过滤确实不太好直观解释为什么推的问题。

此时用户或客户，仍然会将信将疑，犯嘀咕「不准就是不准」。但如果将推荐系统结合知识图谱后，就可以在一定程度上解决可解释性的问题。例如用户看过电影《功夫》后，再去给用户推荐《美人鱼》，可以给出推荐缘由「与《功夫》都属于同一导演」。客户的体感将会更好。

在可解释性方面，国外企业普遍更为重视，例如亚马逊、youtube都会将推荐缘由明显透出，让用户更清楚推荐背后的逻辑。

额外的成本

世间万物都遵循能量守恒定律，以上虽然提到有了知识图谱可以构建更好的推荐系统，但构建知识图谱本身需要额外的成本。尤其考虑企业本身各方面数据并不一定打通，将数据汇集并在此之上生成知识图谱仍是一个系统工程。再考虑到图谱构建更多是中间产物，难以直接衡量终极收益，往往会遇到各种阻碍。

因此在落地知识图谱的前提，首先，要明确图谱最上层的应用，其次，要理性认识构建图谱所需的成本，最后在落地中，从简单到复杂逐步迭代落地，步步为营，才能产生最初预想的价值。