20210328 知识图谱

就是当我们把大数据红利吃完之后，我们的模型效果应该如何进一步的提升？

知识的重要性将会越来越突出，我相信很多模型，推荐模型，机器学习算法都将会从数据驱动走向知识引导，越来越多的模型和算法将从基于行为的模型走向基于语义的模型。

在整个互联网时代其实催生了很多基于用户画像的应用。比如搜索，百度搜索是通用搜索，因不同的人而展现不同的结果。再比如推荐，不同的人看到不同的推荐结果。广告投放，社交网络分析，甚至在企业内部找专家等等，都需要去理解用户，那么就需要一个非常有效的用户画像。

 

微软亚洲研究院首席研究员谢幸认为，用户画像的应用主要在个性化推荐和广告投放上。有了用户和物品的表示之后，我们可以计算用户和物品之间的距离，然后再将距离排序，把排序靠前的物品推荐给用户。

微软亚洲研究院专家重点介绍了在推荐系统中如何利用知识图谱提升效果。专家认为知识图谱在推荐系统是一个新的应用场景，知识图谱可以在一定程度上缓解用户行为数据的稀疏性。

知识图谱应用于推荐系统主要有以下效果：

提高准确性。因为用户数据的稀疏性导致推荐的准确性一直都比较低。用知识图谱把用户的行为数据进行扩展，实际上相当于把数据变稠密了。

提高多样性。如果只追求准确性，用户看到的东西就越来越窄。用知识图谱向周围进行一些扩展，可以给用户推荐一些不那么相关，但是又有一定联系的产品。

增加可解释性。我们还可以看给用户推荐的物品跟用户历史记录里面的物品从知识图谱上能建立什么样的连接，把连接当作解释展示给用户。