欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

用知识图谱重构零售商品关联:从属性相似到搭配推荐

上邦 AI 工程团队2026-10-17阅读 约 8 分钟
协同过滤依赖历史行为,冷启动新品与长尾商品难覆盖。本文给出一种可本地复现的方案:用 NetworkX 把商品、类目、品牌与属性建成知识图谱,通过同类目兄弟节点加属性相似度做可解释推荐,并引入度折扣缓解热门偏置。附可运行代码,适合中小电商与门店选品辅助。

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
相关标签:零售AI知识图谱NetworkX商品推荐长尾挖掘

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案