本篇文章為大家介紹了什么是推薦系統(tǒng)、推薦系統(tǒng)運(yùn)作流程、圖譜應(yīng)用的優(yōu)勢、圖譜在推薦中的應(yīng)用、圖譜推薦的原理、圖譜推薦的難點(diǎn)，并附上實(shí)際例子幫助大家進(jìn)一步了解。

隨著互聯(lián)網(wǎng)進(jìn)入了下半場，精益化發(fā)展成為了主旋律，為了實(shí)現(xiàn)同樣的獲客成本下收益最大化，各家對推薦系統(tǒng)的需求日益強(qiáng)烈。

本文通俗的講述通過幾個段落簡單講述什么是推薦系統(tǒng)、推薦系統(tǒng)運(yùn)作流程、圖譜應(yīng)用的優(yōu)勢、圖譜推薦的原理、圖譜推薦的難點(diǎn)，供大家參考了解。

一、什么是推薦系統(tǒng)

推薦系統(tǒng)，正如它的字面信息一樣，就是通過推薦內(nèi)容滿足用戶個性化的需求，解決信息過載的問題的系統(tǒng)。

推薦系統(tǒng)根據(jù)形式的差異接入了不同的場景，在大家的日常生活中就無時不刻都在享受這它的便利。

當(dāng)你一大早打開淘寶，掃一眼“猜您喜歡”，發(fā)現(xiàn)一個自己喜歡的寶貝，直接添加進(jìn)購物車；打開今日頭條，看了下自己感興趣的新聞，中間看到一個自己不了解的內(nèi)容，打開百度輸入后，輸入框下面展示了幾個相關(guān)內(nèi)容……

根據(jù)推薦的形式能不能清晰地影響用戶的操作可以把推薦劃分為隱形推薦和顯性推薦。

隱形推薦不會對用戶預(yù)期的操作產(chǎn)生影響，如：新聞排序，搜索結(jié)果排序等在用戶不知不覺中給用戶展現(xiàn)；顯性推薦會改變用戶預(yù)期的操作，如：輸入聯(lián)想、推薦問句等用戶可以根據(jù)推薦的內(nèi)容選擇自己期望的內(nèi)容。

另外，根據(jù)推薦的階段不同，也可以將推薦分為相關(guān)性推薦、預(yù)測式推薦、生成式推薦。

相關(guān)性推薦根據(jù)用戶當(dāng)前信息，召回相似度較高的內(nèi)容作為推薦的內(nèi)容；預(yù)測式推薦為根據(jù)用戶歷史信息，可以是用戶信息、操作記錄、購買記錄等，預(yù)測用戶可能感興趣的內(nèi)容，作為推薦的內(nèi)容；根據(jù)用戶的信息推薦，不管是相關(guān)性還是預(yù)測式的都會導(dǎo)致推薦的內(nèi)容隨用戶使用時長增加，變得內(nèi)容單一，降低用戶的新鮮感，因此還需要生成一些無關(guān)的內(nèi)容作為推薦的補(bǔ)充，以滿足用戶的新鮮感，這就是生成式推薦。

二、推薦流程

推薦的過程可以簡單理解為三個步驟：召回、過濾、排序。

首先系統(tǒng)根據(jù)獲取到的信息，召回適合推薦內(nèi)容，獲取的信息可以是用戶的搜索記錄、購買記錄、評論等。召回的內(nèi)容中有的是這個用戶不關(guān)注的，可能是他已經(jīng)買過了的寶貝或者已經(jīng)看過了的內(nèi)容，這會兒就需要根據(jù)過濾的條件，將不需要的內(nèi)容進(jìn)行過濾。經(jīng)過過濾產(chǎn)生的推薦集還需要根據(jù)內(nèi)容的相關(guān)度進(jìn)行排序，最后系統(tǒng)根據(jù)相關(guān)度的排序，將內(nèi)容分配到對應(yīng)的模塊，這樣用戶就能看到自己感興趣的內(nèi)容了。

有的系統(tǒng)也會將過濾放在第一步，先根據(jù)條件過濾一些輸入信息，然后喂給推薦系統(tǒng)。

這樣能夠減少推薦系統(tǒng)的計(jì)算量，縮短推薦系統(tǒng)處理時間，提高推薦系統(tǒng)的即時性，但是這么做也會存在一些問題：減少輸入導(dǎo)致類別特征的內(nèi)容丟失，影響推薦系統(tǒng)的內(nèi)容數(shù)量與質(zhì)量。

三、知識圖譜在推薦應(yīng)用的優(yōu)勢

知識圖譜就是實(shí)體的屬性關(guān)系網(wǎng)，能夠很好的表達(dá)實(shí)體之間的關(guān)系，這個關(guān)系可以是具有同樣屬性的實(shí)體，也可以是上下位的實(shí)體關(guān)系。

對于推薦系統(tǒng)來說，這個圖譜中的實(shí)體不僅僅是推薦的內(nèi)容，還包含了用戶的信息，或者是標(biāo)簽，所以知識圖譜很好的提供了一個推薦對象的關(guān)系網(wǎng)。

通過知識圖譜，推薦系統(tǒng)可以很好給你推薦關(guān)聯(lián)內(nèi)容，例如，你購買了手機(jī)，那么它就可以給你推薦充電寶、保護(hù)套、鋼化膜等，因?yàn)樵谒哪X子中知道這些產(chǎn)品是手機(jī)的附件。

也可以通過用戶搜索的藍(lán)牙耳機(jī)，給他推薦同樣具有藍(lán)牙功能的耳機(jī)。

四、圖譜在推薦中的應(yīng)用

我們通過一個簡單的商品圖譜和大家講解圖譜推薦的遍歷邏輯。這是一個數(shù)碼垂類下的耳機(jī)的簡化商品圖譜。

1. 下位實(shí)體遍歷

下位關(guān)系是相關(guān)性最強(qiáng)的關(guān)系，通常包含的含義是下一步操作、必要條件，例如：買了手機(jī)就會買手機(jī)殼、買了汽車就會買玻璃水等。

不過也不是所有的下位關(guān)系都是能放置在推薦序列的前列中的，例如：筆記本貼紙與筆記本相關(guān)，但是不是大家都會貼筆記本貼紙，所以下位關(guān)系也存在低概率的情況，這部分就會被其他高概率的遍歷邏輯給擠到較后的排列中。

2. 組合屬性遍歷

在圖譜中有的實(shí)體由多個相同的父實(shí)體連接，這種實(shí)體之間通常具有強(qiáng)相關(guān)性，就好比是你同父母的親兄弟，這種推薦也是應(yīng)用的最多的。

在下面這個實(shí)例中就可以理解該用戶為bose的忠實(shí)用戶，計(jì)劃購買它的耳機(jī)，那么我們根據(jù)用戶搜索QC30的記錄，推薦QC35、QC25等結(jié)果，這樣就既能夠提高成交的可能性，也能夠?qū)崿F(xiàn)更高的客單價，實(shí)現(xiàn)商家、平臺的雙贏。

3. 同屬性遍歷

除了上面兩種相關(guān)性較強(qiáng)的遍歷邏輯之外，相同父實(shí)體的子實(shí)體也具有相關(guān)性，但是我們需要注意當(dāng)一個實(shí)體具有多個父實(shí)體的情況下，不是所有的父實(shí)體都適合被往下遍歷。

例如：用戶咨詢QC30，那么我們給它推薦bose的家庭音響解決方案就不合適，因?yàn)橛脩舯举|(zhì)需求只是購買耳機(jī)。

4. 二元實(shí)體遍歷

二元實(shí)體遍歷適合同類父實(shí)體的場景，同類的父實(shí)體通常表示這兩個產(chǎn)品是一個互補(bǔ)或者相似的含義。

例如：用戶咨詢QC30，那么他可能需要一個MP4來搭配他的耳機(jī)，同樣的情況還有鼠標(biāo)-鍵盤、短袖-短褲等。

5. 多路徑遍歷對比

優(yōu)于圖譜中實(shí)體之間的關(guān)系是網(wǎng)狀的，所以在遍歷時存在兩個實(shí)體之間可以通過多種遍歷邏輯推理得到。

那么我們就需要采取一種方式來對比那種遍歷邏輯的結(jié)果才是我們應(yīng)該采用的。

一般會根據(jù)邊的權(quán)重計(jì)算得到兩個實(shí)體的相關(guān)度。

五、如何過濾

根據(jù)推薦系統(tǒng)生成的推薦序列過濾推薦結(jié)果，這個根據(jù)不同業(yè)務(wù)方的需要會有很大的差別，這里就簡單說明一些通用的實(shí)例：

1. 時間區(qū)間內(nèi)已經(jīng)發(fā)生期望操作的結(jié)果

期望操作是指用戶使用產(chǎn)品時，我們期望用戶最終實(shí)現(xiàn)的行為，可能是點(diǎn)擊、購買等。

如果用戶已經(jīng)對推薦的內(nèi)容發(fā)生了期望操作，那么繼續(xù)推薦這個內(nèi)容，無疑會浪費(fèi)有效面積，導(dǎo)致客單量降低。

為了避免這種情況，推薦系統(tǒng)會針對不同的推薦內(nèi)容設(shè)置一個時間區(qū)間，在這個時間區(qū)間內(nèi)已經(jīng)產(chǎn)生過期望操作的就不再進(jìn)行推薦，例如，服飾可以設(shè)置為1個月，快消品則可以設(shè)置更短的時間限制。

2. 展示未產(chǎn)生期望操作的結(jié)果

一千個讀者就有一千個哈姆雷特，面對一千個用戶，推薦系統(tǒng)的結(jié)果肯定不可能都是一千個都是滿意的，所以當(dāng)推薦的內(nèi)容用戶沒有產(chǎn)生期望操作時，系統(tǒng)可以認(rèn)為該推薦結(jié)果對于這個用戶是弱關(guān)聯(lián)性推薦或者說是無效推薦，那么系統(tǒng)在再次生成推薦序列是就可以將其過濾，讓其他用戶可能感興趣的結(jié)果補(bǔ)充進(jìn)行展示。

3. 同類型的結(jié)果

當(dāng)生成的推薦序列中已經(jīng)存在很多的同類產(chǎn)品時，我們也需要進(jìn)行過濾。

同類的結(jié)果，用戶只會對其中的幾個結(jié)果產(chǎn)生操作，如果過多地展示同類的內(nèi)容，就會導(dǎo)致推薦的內(nèi)容豐富度不夠。

一般同類的結(jié)果，推薦系統(tǒng)只會保留其中相關(guān)度最高的幾個，并且在展示上會將同類結(jié)果控制放置間隔，避免一起出現(xiàn)。

六、圖譜推薦指標(biāo)

圖譜更新前都需要評估相對的效果，只有相對效果優(yōu)與原先的結(jié)果，圖譜才能上線。

評估相對結(jié)果的指標(biāo)可以分為服務(wù)指標(biāo)和業(yè)務(wù)指標(biāo)。

服務(wù)指標(biāo)是反映圖譜服務(wù)效果的指標(biāo)，都是一些客觀數(shù)據(jù)；業(yè)務(wù)指標(biāo)是與業(yè)務(wù)相關(guān)聯(lián)的，反映的是服務(wù)上線后的服務(wù)效果的指標(biāo)。

1. 服務(wù)指標(biāo)

實(shí)體識別準(zhǔn)確率=實(shí)體解析正確數(shù)/用戶問句總數(shù)；

實(shí)體識別召回率=實(shí)體解析正確數(shù)/相關(guān)實(shí)體總數(shù)；

內(nèi)容相關(guān)度=用戶評分/推薦數(shù)量。

2. 業(yè)務(wù)指標(biāo)

展現(xiàn)點(diǎn)擊比=用戶點(diǎn)擊數(shù)/展現(xiàn)數(shù)量；

轉(zhuǎn)化率=用戶產(chǎn)生期望操作數(shù)/展現(xiàn)數(shù)量。

七、圖譜應(yīng)用的難點(diǎn)

知識圖譜雖然在推薦系統(tǒng)中應(yīng)用存在優(yōu)勢，但是在實(shí)際應(yīng)用中會因?yàn)樗姆N種難點(diǎn)被限制應(yīng)用，下面和大家一起講講圖譜應(yīng)用的困難。

1. 知識圖譜schema維護(hù)

在推薦系統(tǒng)中應(yīng)用的圖譜都是大規(guī)模的圖譜，實(shí)體都是在萬級的，像阿里的商品圖譜甚至達(dá)到了十億級。那么大的圖譜完全由人工運(yùn)營維護(hù)肯定是不現(xiàn)實(shí)的，實(shí)際上這些圖譜也的確由系統(tǒng)自動進(jìn)行維護(hù)，人工只是輔助進(jìn)行運(yùn)營。

系統(tǒng)通過現(xiàn)成的表結(jié)構(gòu)數(shù)據(jù)、機(jī)器閱讀理解抽取的實(shí)體與關(guān)系自動構(gòu)建知識圖譜。

例如：阿里的商品圖譜部分?jǐn)?shù)據(jù)來源就是寶貝下面的商品詳情：

但是目前的技術(shù)還不能做到100%的自動構(gòu)建準(zhǔn)確，因此構(gòu)建后如何篩選出有問題的關(guān)系就需要人工借助工具進(jìn)行調(diào)整了，常見的需要人工糾正的有:

同寶貝在不同商家出現(xiàn)不同詳情的情況，需要人工二次確認(rèn)；寶貝詳情變化后，需要人工更新。

2. 推薦的時效性差

圖譜的量級達(dá)到了一定，如何快速的萬級億級的實(shí)體和屬性中找到對應(yīng)的數(shù)據(jù)，對于模型來說是一個十分艱巨的工作。

另外大規(guī)模的圖譜，實(shí)體之間的關(guān)系密切，如果做到的二元遍歷，那么延伸出的實(shí)體也是指數(shù)量級的，無法直接拿來做推薦。

所以圖譜推薦的時效性較差，不適合應(yīng)用于需要實(shí)時返回推薦結(jié)果的場景，所以圖譜推薦往往應(yīng)用在用戶使用的間隙生成推薦的內(nèi)容。

以上就是【不要告訴別人！難以置信（知識圖譜介紹）知識圖譜是啥-知識圖譜在推薦系統(tǒng)的落地】的全部內(nèi)容。