個性化推薦已經在互聯網廣泛應用，但基於算法的個性化推薦也有一些固有的侷限，而基於規則的個性化推薦又很依賴「人」對於業務的理解。知識圖譜與推薦系統結合可以解決一些個性化推薦實踐的問題。
增強特徵
個性化推薦做的好的通常是擁有海量用戶、高頻使用場景的產品，例如抖音、淘寶、今日頭條等。海量用戶和高頻場景代表着海量的數據和特徵，可供算法來學習。更豐富的數據和特徵，將帶來更好的推薦效果。通過構建物品知識圖譜，將知識圖譜應用在推薦中，可以利用圖譜更深層次和更長範圍的關聯特徵，增強推薦結果中的多樣性和準確性。
市面上存在着大量的產品和場景也希望通過個性化，提升業績與用戶體驗，但卻缺少足夠的行爲數據。之前工作經歷遇到過相當的傳統行業業務，無法通過基於用戶行爲的算法落地個性化推薦，構建一套可配置規則決策系統，系統需要業務專家根據對業務理解構建規則驅動業務。這套基於規則的推薦系統，如果結合物品的知識圖譜，可以極大緩解構建規則的數據稀疏性問題，也可大大提升人工配置策略的豐富度和擴展性。
相關推薦
通常實現基於用戶行爲的推薦系統，計算不同物品之間相似度，通常基於用戶交互行爲或文本特徵。而將知識圖譜應用在推薦系統中，可以利用知識圖譜語義網絡特徵，在語義理解的基礎上，挖掘更多關聯關係。
例如蘋果電腦關聯在知識圖譜上關聯商品有airpods和ipad，在購買mac的同時，可以同時推薦airpods和ipad。直接利用知識圖譜已有知識進行關聯推薦，可以避免數據稀疏和物品冷啓動推薦不準的問題。
可解釋性
作爲推薦行業從業者，都不可避免的會接到用戶或客戶的抱怨，推薦的不準或者不明白爲什麼推薦某些內容。按照傳統做推薦的邏輯，此時最好的解釋是推薦系統追求的是全局最優，一定不可能做到絕對準的問題，其次應用的某些技術例如深度學習或協同過濾確實不太好直觀解釋爲什麼推的問題。
此時用戶或客戶，仍然會將信將疑，犯嘀咕「不準就是不準」。但如果將推薦系統結合知識圖譜後，就可以在一定程度上解決可解釋性的問題。例如用戶看過電影《功夫》後，再去給用戶推薦《美人魚》，可以給出推薦緣由「與《功夫》都屬於同一導演」。客戶的體感將會更好。
在可解釋性方面，國外企業普遍更爲重視，例如亞馬遜、youtube都會將推薦緣由明顯透出，讓用戶更清楚推薦背後的邏輯。
額外的成本
世間萬物都遵循能量守恆定律，以上雖然提到有了知識圖譜可以構建更好的推薦系統，但構建知識圖譜本身需要額外的成本。尤其考慮企業本身各方面數據並不一定打通，將數據彙集並在此之上生成知識圖譜仍是一個系統工程。再考慮到圖譜構建更多是中間產物，難以直接衡量終極收益，往往會遇到各種阻礙。
因此在落地知識圖譜的前提，首先，要明確圖譜最上層的應用，其次，要理性認識構建圖譜所需的成本，最後在落地中，從簡單到複雜逐步迭代落地，步步爲營，才能產生最初預想的價值。
關於作者：
小樂帝，一線AI產品經理、簡書科技優秀作者、產品經理讀書會創始人。
「產品經理讀書會」
專注於愛讀書愛思考的產品人提供讀書推薦、產品思考、以書會友的環境