推荐与决策支持

第 28 章 · 知识图谱

推荐系统若只依赖「谁点了什么」的共现，往往冷启动与多样性不足；把知识图谱引入推荐，可以用实体、关系与路径丰富用户–物品的表示。基于 KG 的推荐常用三类手段：路径（用户与物品间的多跳路径作为特征）、嵌入（KG 嵌入与协同信号结合）、图神经网络（在用户–物品–实体联合图上做传播与聚合）。决策支持则强调溯源、解释与合规——结论从哪来、为何成立、是否满足规则与审计要求；KG 与BI、规则引擎的协同能统一数据与规则层。本章把这三块讲清楚。

一、基于知识图谱的推荐

将用户、物品与 KG 实体对齐后，可把「用户–物品」交互与「实体–关系–实体」放在同一视角下利用。

基于路径（Path-based）：在用户–物品之间枚举或采样多跳路径（如用户→喜欢→类型→物品、用户→关注→人→导演→电影），将路径类型或路径嵌入作为特征，输入排序模型。路径能提供可解释的推荐理由（「因为您喜欢科幻类，且该片由您关注导演执导」），但路径空间大、需剪枝或采样。

基于嵌入（Embedding-based）：用 KGE 或协同过滤学习用户、物品与实体的向量；将用户与物品的表示（或与相关实体的聚合）做相似度或 MLP 打分。可结合 TransE、ComplEx 等做联合训练，或先学 KG 嵌入再与推荐模型融合。冷启动时可用物品在 KG 中的邻居实体补充表示。

基于图神经网络（GNN-based）：构建用户–物品–实体异构图，用 GNN（如 GAT、GraphSAGE）在图上做多跳消息传递与聚合，得到用户与物品的图表示再排序。GNN 能自动学习多跳结构特征，适合大规模图；可解释性可通过注意力或路径提取补充。

Path-based

User–item paths as features; interpretable; path space large, need sampling.

Embedding-based

KGE + CF; user/item/entity vectors; cold start via KG neighbors.

GNN-based

User–item–entity graph; message passing; end-to-end representation.

基于 KG 的推荐：用户–物品间路径作为特征；路径/嵌入/GNN 三种方法

二、决策支持：溯源、解释与合规

在推荐、风控、审批等决策场景中，不仅需要「给出结果」，还要说清依据与约束。

溯源（Provenance）：记录结论依赖的数据与规则——例如推荐得分来自哪些用户行为、哪些 KG 三元组、哪条规则或模型。溯源支持事后审计、纠错与复现，在合规场景中常为必选项。

解释（Explanation）：用自然语言或结构化方式说明「为什么」——如推荐理由（路径、相似用户）、风控拒绝理由（触达规则、触达事实）。KG 中的路径与实体可直接作为解释素材；模型可解释性（注意力、反事实）可与之结合。

合规（Compliance）：决策需满足业务规则与监管要求。规则引擎可对候选结果做硬约束（如「不得推荐已下架」「额度不得超过 X」）；KG 可存储规则依赖的实体与关系，与规则引擎联动做一致性与审计检查。

决策支持小结

Provenance: which data and rules led to the conclusion. Explanation: why (path, rules, facts). Compliance: rule engine + KG for constraints and audit.

决策支持：溯源（数据与规则）、解释（理由）、合规（规则与审计）支撑可问责决策

三、与 BI、规则引擎的协同

与 BI 的协同：知识图谱与数据仓库、BI 报表可共享主数据与部分维度：KG 中的实体与属性可同步到数仓做聚合与报表，反之数仓的指标与分类可写回 KG 或通过视图暴露给 KG 查询。这样报表与推荐、问答共用同一套「实体与关系」语义，减少口径不一致。

与规则引擎的协同：规则引擎（如 Drools、自研 DSL）负责业务规则执行（如「若用户等级为 X 且物品类别为 Y 则折扣 Z」）。规则中引用的实体、属性与关系可从 KG 查询；KG 也可存储规则依赖的实体状态与历史。规则执行结果可与推荐模型得分融合（过滤、重排、兜底），并写入溯源与审计日志。

整体上，KG 作为统一的数据与语义层，BI 做分析、规则引擎做约束与策略、推荐/风控做模型决策，三者共享实体与关系定义，便于溯源、解释与合规。

KG 与 BI、规则引擎协同：KG 为统一数据与语义层；BI 做分析，规则引擎做约束，推荐用 KG

一句话： 基于 KG 的推荐用路径（可解释）、嵌入（KGE+CF）或 GNN（图上传播）融合用户–物品–实体。决策支持强调溯源（数据与规则来源）、解释（路径与理由）、合规（规则与审计）。与 BI、规则引擎协同：KG 作统一数据与语义层，BI 做报表分析，规则引擎做约束与策略，推荐与风控共用 KG 与规则，实现可问责的决策支撑。

实践： 在一个小规模「用户–电影」数据集上，把电影对齐到 KG 实体（如 IMDb 或 Wikidata），枚举 1～2 跳路径（用户→类型→电影、用户→导演→电影），用路径是否出现作为二值特征训练一个简单排序模型；再写一条规则「不推荐已下架」并在排序后过滤，体会路径可解释性与规则协同。

四、小结

基于 KG 的推荐有路径、嵌入与 GNN 三类方法，能缓解冷启动并提升可解释性与多样性。决策支持依赖溯源、解释与合规；KG 与规则引擎可联动做约束与审计。与 BI 协同共享主数据与语义，形成「KG + BI + 规则引擎 + 推荐」的决策支撑栈。下一章讲企业知识图谱实践：企业 KG 形态、从 POC 到生产、团队与治理、ROI 与度量。