为什么用知识图谱做推荐
传统协同过滤需要足够用户行为才能工作,新品上架与长尾商品往往曝光不足。知识图谱把商品、类目、品牌与属性组织成语义网络,让推荐从别人也买了升级为它和这件在属性上相似,既可解释,也能覆盖无行为数据的新品。
建图与推荐流程
第一步,定义节点与边。商品节点挂接类目、品牌与属性节点,边表示 IS_A、HAS_BRAND、HAS_ATTRIBUTE 等关系。
第二步,邻居召回。从目标商品出发,沿类目找到兄弟商品作为候选集。
第三步,属性打分。用属性重叠度对候选排序,再引入度折扣抑制被热门属性主导的商品。
第四步,可解释输出。每条推荐附带同品牌、同属性等理由,便于运营审核。
可运行示例
以下代码用 NetworkX 构建迷你商品图谱并完成一次推荐,依赖 networkx:
import networkx as nx
G = nx.Graph()
items = ['A', 'B', 'C', 'D', 'E']
attrs = ['a1', 'a2', 'a3', 'a4']
G.add_nodes_from(items, kind='item')
G.add_nodes_from(attrs, kind='attr')
edges = [('A', 'a1'), ('A', 'a2'), ('B', 'a1'), ('C', 'a2'), ('C', 'a3'),
('D', 'a3'), ('D', 'a4'), ('E', 'a4')]
G.add_edges_from(edges)
def recommend(target, top_n=2, alpha=0.3):
# 第一步:同类目/同属性邻居召回
neighbors = set(G.neighbors(target))
# 第二步:属性重叠度打分
target_attrs = set(n for n in G.neighbors(target) if G.nodes[n]['kind'] == 'attr')
scores = {}
for cand in neighbors:
if cand == target or G.nodes[cand]['kind'] != 'item':
continue
cand_attrs = set(n for n in G.neighbors(cand) if G.nodes[n]['kind'] == 'attr')
overlap = len(target_attrs & cand_attrs)
# 度折扣:热门属性被共享越多,单位贡献越低
disc = overlap / (1 + alpha * (G.degree('a1') - 1 + 1e-9))
scores[cand] = disc
return sorted(scores, key=scores.get, reverse=True)[:top_n]
print(recommend('A'))代码要点:召回阶段只走一跳邻居,保证候选与目标确有语义关联;打分用属性重叠度,并用法属性度做折扣,避免被爆款属性主导;返回结果是确定性推理,运营可逐条核对推荐理由。
落地建议
数据治理优先。图谱质量取决于属性标注是否规范,建议先统一类目与属性字典,再批量建图。
与协同过滤互补。知识图谱擅长冷启动与解释,协同过滤擅长个性化,二者可做加权融合。
定期刷新。商品上下架与属性变更要有管道同步,避免图谱与真实货架脱节。
示例为教学最小骨架,生产环境应接入真实商品主数据与行为数据,并对推荐结果做业务审核。
上邦面向零售与电商客户提供的商品知识图谱与智能推荐方案,支持本地部署与可解释输出,方案详情见 https://aiwork.shangbon.com/ai-rag.html。
参考来源
Product Recommendation System(基于知识图谱与 NetworkX)- GitHub
NetworkX 官方文档
度折扣算法应用实例详解:用 NetworkX 实现知识图谱推荐 - TrueSight