知识卡片
知识图谱为什么能提升可解释性
推荐系统长期被诟病的不是不准,而是说不出为什么。知识图谱提供的正是「理由的结构」:它把用户、物品、属性、场景都表示为实体,用关系边连接,一条推荐可以对应图上一条多跳路径。
典型例子:用户看过《钢铁侠》,系统推荐《绿巨人浩克》,理由不是「相似用户也看了」,而是钢铁侠与浩克都是超级英雄、都由漫威创作、又同为复仇者联盟核心成员——这条路径可以直接展示给用户。
除可解释外,图谱还缓解数据稀疏与冷启动:新物品即使没有行为,也能靠实体属性与关系连到已有物品;跨领域推荐也依赖关系推理,例如从「九寨沟是风景名胜区」推到「旅游需要登山装备」再推到登山杖、登山鞋。
边界:图谱的构建与维护成本高,覆盖不全时解释会断链;路径太长、关系太泛(如「都属于漫威」)对用户没有说服力;关系权重需要校准,否则会推出看似合理但用户不感兴趣的内容。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第7章 推荐系统框架及原理 · 查看原书依据
我们知道推荐系统的最大瓶颈是推荐的可解释性差。现实中,图是解释万物的基础。多种关系的交织可以组成一张图。知识图谱正好以关系图将现实中的实体连接起来。所以,知识图谱必定是推荐系统一个强大的技术支持。
参考来源
- 位置:《智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)》第7章 推荐系统框架及原理(源文件:extracted/智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)/_epub-src/text/part0102.html)
- 结论依据:原文把可解释性差视为推荐的最大瓶颈,并指出图以关系连接实体、适合承载解释,这是图谱提升可解释性的核心依据。
- 原始内容:我们知道推荐系统的最大瓶颈是推荐的可解释性差。现实中,图是解释万物的基础。多种关系的交织可以组成一张图。知识图谱正好以关系图将现实中的实体连接起来。所以,知识图谱必定是推荐系统一个强大的技术支持。