本文探讨了如何利用知识图谱改进推荐系统，尤其是构建用户画像。介绍了基于路径和图特征的推荐方法，强调排序在推荐系统中的重要性。接着分析了传统用户画像的构建、可能存在的问题，如数据稀疏、不准确等。提出了基于知识图谱的标签扩展和标签泛化技术，以解决标签稀疏和粒度过细的问题，从而增强用户画像的完整性和准确性。
【导读】：最近一直在思考怎么用知识图谱做推荐，但是目前能知道的内容都是基于路径的推荐和基于图特征的推荐，所以能不能换一个角度，探究一下用知识图谱怎么做用户画像，因为画像也是推荐系统重要的一部分。
现在的知识图谱+推荐怎么做的
传统的用户画像怎么做
现在的知识图谱+推荐怎么做的？
基于路径：可以理解成基于图谱的多路径召回，或者多路径推荐，然后根据路径的转移概率进行排序从而达到推荐的效果，基于路径比较适合简单的推荐系统，或者推荐系统的冷启动阶段；
基于图特征：计算出节点和关系在网络中的特征表示，然后拿特征表示进行召回和排序；但是我认为还是具有局限性，特别是在网络异常稀疏的情况下，所以这种情况下比较适合稠密的网络，不适用于冷启动阶段。
大多数情况下就推荐系统而言，排序比召回更重要，召回可以设计很多的策略召回很多的商品，随便一条策略都可以召回，但是排序才是衡量具体给用户推荐哪些商品，所以重点在如何做好排序，或者说知识图谱如何做好推荐系统的排序，能带来哪些创新和提升，这才能体现出知识图谱的价值。但是就上面的两种方式确实能提供排序效果，但是我认为还不够，我认为知识图谱还能做更多，那怎么将知识图谱更好的融入到推荐系统当中，我做了很多的思考，用知识图谱做用户画像就是其中一点。
传统的用户画像怎么做？
这是我专栏的另一篇文章，简单的介绍了一下从风控角度，用户画像该怎么做，
最低0.47元/天 解锁文章
扫一扫
1096
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
