摘要：為更好地提升商品、用戶及購物場景之間的匹配效率，挖掘用戶的潛在需求，利用電商平臺的商品數(shù)據(jù)及外網(wǎng)數(shù)據(jù)，基于專家知識輔助，構(gòu)建了以《商品屬性屬性值）為主的電商域商品知識圖譜，并提出了構(gòu)建電商常識屬性知識三元組（頭實(shí)體屬性尾實(shí)體）的新思路，開發(fā)了圖譜質(zhì)量眾包評估系統(tǒng)。將商品知識圖譜創(chuàng)新性地應(yīng)用于個(gè)性化商品新品推薦改善及興趣知識導(dǎo)購卡片等場景中，通過50%流量對照的AB實(shí)驗(yàn)表明，應(yīng)用場景的點(diǎn)擊率分別有11.5%和8.6%的提升，點(diǎn)擊轉(zhuǎn)化率分別有23.2%和15.4％的提升．表明電商知識圖譜可以有效應(yīng)用于電商平臺個(gè)性化及智能化的場景中。

關(guān)鍵詞：電商域；知識圖譜；常識屬性；質(zhì)量評估；個(gè)性化推薦

中圖法分類號：TP391 文獻(xiàn)標(biāo)識碼：A

１ 概述

在互聯(lián)網(wǎng)時(shí)代，人們的購物習(xí)慣逐漸從傳統(tǒng)的搜索式購物向個(gè)性化推薦式購物方式轉(zhuǎn)變，這也是互聯(lián)網(wǎng)電商平臺爭相發(fā)力的突破口，即通過挖掘用戶潛在的喜好或隱性需求，推動(dòng)業(yè)績進(jìn)一步提升。通常的個(gè)性化推薦系統(tǒng)是采用機(jī)器學(xué)習(xí)的方式，利用用戶的正負(fù)行為樣本（如瀏覽或購買行為）來訓(xùn)練推薦算法模型，最終得到某一用戶推薦商品的序列。這種方式對用戶潛在喜好或隱性需求的挖掘效果不佳。而知識圖譜中蘊(yùn)含商品屬性與屬性之間，實(shí)體與實(shí)體之間豐富的關(guān)系，因而可以更好地挖掘用戶的潛在偏好，并且具有更好的可解釋性。

２０１２ 年，人們開始廣泛研究知識圖譜并將其應(yīng)用于產(chǎn)業(yè)領(lǐng)域［１］ 。知識圖譜用于描述和分析真實(shí)環(huán)境中各種類型的實(shí)體、概念以及它們之間的聯(lián)系，通常由三元組來表示：〈實(shí)體?關(guān)系?實(shí)體〉，〈實(shí)體?屬性?屬性值〉［２］ 。而在電商知識圖譜中專家知識很多，核心是品類和概念。目前，市面上只有通用的公共百科類圖譜，沒有公開的電商領(lǐng)域的商品知識圖譜，所以電商平臺需要立足于自身能力和知識數(shù)據(jù)沉淀，構(gòu)建屬于自己的電商知識圖譜。

本文闡述了項(xiàng)目是如何利用商品底層數(shù)據(jù)及外網(wǎng)數(shù)據(jù)，并在構(gòu)建常規(guī)商品圖譜的基礎(chǔ)上，提出并構(gòu)建常識屬性知識三元組〈頭實(shí)體?屬性?尾實(shí)體〉。然后，將其創(chuàng)新性地應(yīng)用于商品個(gè)性化新品推薦改善及興趣知識導(dǎo)購卡片等場景中，并為后期其他的智能應(yīng)用提供經(jīng)驗(yàn)和基礎(chǔ)。

２ 構(gòu)建和完善商品知識圖譜

互聯(lián)網(wǎng)電商平臺的核心要素是商品，項(xiàng)目通過頂層定義和底層抽取的綜合方式，采用自頂而下和自底而上的混合模式來構(gòu)建商品圖譜［３］ ，如圖１ 所示。

２．１ 知識建模

該模塊核心任務(wù)主要是在多源數(shù)據(jù)中構(gòu)建商品領(lǐng)域知識體系。商品領(lǐng)域知識體系的構(gòu)建是對領(lǐng)域分類（如品類分類）、屬性以及分類之間關(guān)系的定義，具有較強(qiáng)的抽象性和概括性［４］ 。在公司商品類目屬性體系的基礎(chǔ)上，項(xiàng)目邀請了商品及運(yùn)營專家共同參與構(gòu)建。

同時(shí)，項(xiàng)目又通過爬蟲及第三方獲取的方式補(bǔ)充了大量外網(wǎng)數(shù)據(jù)，以豐富領(lǐng)域知識信息。以美妝商品為例，通過領(lǐng)域建模，明確了美妝分類、屬性和分類之間關(guān)系（如大類和小類關(guān)系等）的定義。

２．２ 知識圖譜構(gòu)建

在２．１ 節(jié)的基礎(chǔ)上，圖譜構(gòu)建的流程是：知識獲取→知識抽取→知識融合→圖譜評估［５］ ，中間還穿插著常識屬性知識三元組的抽取過程。項(xiàng)目應(yīng)用多項(xiàng)技術(shù)棧，包括命名實(shí)體識別、關(guān)系抽取、槽填充、事件抽取等，以獲取知識和抽取關(guān)系［６］ ，構(gòu)建圖譜。

２．２．１ 知識獲取

圖譜知識由２ 部分組成，一部分是平臺沉淀的商品數(shù)據(jù)（主要基于結(jié)構(gòu)化數(shù)據(jù)的類目屬性體系），另一部分是外網(wǎng)數(shù)據(jù)（“爬蟲＋第三方”方式獲?。?，而這部分?jǐn)?shù)據(jù)在初始階段需要對商品ＩＤ 進(jìn)行去重處理。

２．２．２ 知識抽取

在２．２．１ 節(jié)的基礎(chǔ)上，針對商品標(biāo)題等非結(jié)構(gòu)性文本數(shù)據(jù)（如法國原裝進(jìn)口嬌韻詩Ｖ 臉精華纖妍／ 纖顏緊致蘭花面部護(hù)理精油３０ ｍｌ）等，需要通過命名實(shí)體識別（如“ｂｅｒｔ＋ＣＲＦ 算法”［７］ ）等技術(shù)手段，識別出命名實(shí)體，并將其歸類為商品名稱、場景名稱、人物姓名等事先定義好的類別。

ＮＥＲ 過程后，再通過關(guān)系抽取、槽填充等方式進(jìn)行關(guān)系抽取，利用ＴｅｘｔＲｕｎｎｅｒ 等算法，獲得實(shí)體與實(shí)體間的語義關(guān)系并填充明確定義的屬性值。形成〈美妝，屬性，屬性值〉為主的圖譜結(jié)構(gòu)。

２．２．３ 知識融合

知識融合的方法主要有實(shí)體對齊、實(shí)體解析、實(shí)體消歧、實(shí)體鏈接等［８］ ，其主要目的是獲得更完整的知識描述和知識之間的關(guān)聯(lián)關(guān)系，實(shí)現(xiàn)知識的互聯(lián)、互補(bǔ)和融合。以領(lǐng)域知識體系為基礎(chǔ)，通過本體對齊的基礎(chǔ)步驟，對類、屬性項(xiàng)和屬性值進(jìn)行對齊，以解決異構(gòu)問題。以美妝為例，防曬乳、防曬霜、防曬露等都屬于“防曬霜”，提亮、增亮、亮膚、透亮等都屬于“美白”。因此，需要將這些實(shí)體進(jìn)行融合。

此類融合方式在個(gè)性化推薦過程中還可以提升圖譜召回的豐富性和合理性。比如，當(dāng)用戶要購買美白的護(hù)膚品時(shí)，其他提亮功能的護(hù)膚品也可以被推薦給用戶，以提升推薦結(jié)果的命中率。其具體如圖２所示。

２．２．４ 構(gòu)建電商常識知識三元組

上文構(gòu)建的知識圖譜里的商品屬性是多年沉淀下來的客觀屬性值。但在實(shí)際使用過程中發(fā)現(xiàn)，常識屬性標(biāo)簽在電商業(yè)態(tài)下的各個(gè)場景都有著廣泛的需求，如“老人出行需要防滑的鞋子”等。因?yàn)樗从沉速徫镄袨榈膬?nèi)在原因，這些常識知識能夠明確地指出行為背后可能的動(dòng)機(jī)，對用戶體驗(yàn)和購物效率有著重要的意義。而現(xiàn)有的知識圖譜對常識知識合理性及顯著性的表示有所欠缺。

為解決此類問題，項(xiàng)目組決定提出沉淀電商常識屬性知識三元組的創(chuàng)新性思路，建立電商常識知識三元組（即頭實(shí)體、頭屬性、尾實(shí)體）。其中，頭實(shí)體為商品，如防曬霜；頭屬性為商品屬性，如ＳＰＦ５０；尾實(shí)體為常識屬性，如防曬。對常識屬性進(jìn)行掛載，從而補(bǔ)全商品的常識屬性。

為提升模型的準(zhǔn)確性，項(xiàng)目未采用生成式關(guān)系抽取，而是通過識別頭尾實(shí)體及屬性詞，利用ｂｅｒｔ 技術(shù)，將關(guān)系抽取轉(zhuǎn)化為二分問題。同時(shí)，為了提升模型的泛化性以及準(zhǔn)確性，采用ｐａｉｒｗｉｓｅ 方式，對實(shí)體及ｃｏｎｔｅｘｔ 分別建模，最終關(guān)系抽取模型架構(gòu)圖如圖３ 所示。

相關(guān)實(shí)驗(yàn)結(jié)果如表１ 所列（ｂｅｒｔ＋［ｅｎｔｉｔｙ］＿ｆｃ 表示采用ｒｏｂｅｒｔ 方式，ｂｅｒｔ＋［ＣＬＳ］＿ｆｃ 表示ｂｅｒｔ 文本分類，ｄｏｕｂｌｅ?ｔｏｗｅｒ ｐａｉｒｗｉｓｅ 進(jìn)行分類結(jié)果）。

關(guān)系抽取實(shí)例如下。

（１）頭實(shí)體：凍干粉。頭屬性：玻尿酸。尾實(shí)體：婦女。關(guān)系：品類＿適合＿人群。

（２）頭實(shí)體：上衣。頭屬性：羊毛。尾實(shí)體：秋冬季。關(guān)系：品類＿適合＿時(shí)令。

（３）頭實(shí)體：馬丁鞋。頭屬性：牛皮。尾實(shí)體：戶外。關(guān)系：品類＿適合＿場景。

目前，項(xiàng)目還處于初期嘗試階段，后續(xù)方向是通過技術(shù)及算法手段來解決人工審核的問題，并開展知識顯著性校驗(yàn)／ 打分等工作。

２．３ 圖譜質(zhì)量評估

商品圖譜建立好后，為維持和提升圖譜質(zhì)量，項(xiàng)目組依托公司的大數(shù)據(jù)平臺，開發(fā)了供公司內(nèi)部使用的圖譜質(zhì)量眾包評估系統(tǒng)。整體評估系統(tǒng)的流程設(shè)計(jì)如下。

（１）圖譜數(shù)據(jù)上傳至評估系統(tǒng)。

（２）自定義抽樣比例，默認(rèn)２０％。

（３）系統(tǒng)自動(dòng)拆分子包任務(wù)。

（４）人員進(jìn)行在線評估工作。

（５）系統(tǒng)自動(dòng)輸出本次任務(wù)的圖譜質(zhì)量數(shù)據(jù)。

（６）項(xiàng)目技術(shù)人員進(jìn)行相關(guān)問題的修復(fù)及算法迭代工作。

項(xiàng)目組對美妝、家居、食品、服飾等圖譜進(jìn)行了多次質(zhì)量評估，有效提升了整體圖譜數(shù)據(jù)質(zhì)量水平，使得圖譜掛載準(zhǔn)確率從８５％左右提升到了９５％以上，而召回率也有了１８％左右的提升。

至此，圖譜構(gòu)建的基礎(chǔ)工作及流程結(jié)束，１ 年多的時(shí)間里，項(xiàng)目的整體圖譜數(shù)據(jù)累積有節(jié)點(diǎn)十?dāng)?shù)億級別。

３ 知識圖譜在商品個(gè)性化推薦中的應(yīng)用及效果

在構(gòu)建完商品圖譜后，圖譜在商品的個(gè)性化推薦中有著多種應(yīng)用。

項(xiàng)目利用知識表示學(xué)習(xí)（ＫＲＬ）模型，通過ＴｒａｎｓＥ等模型將圖譜中的語義關(guān)系ｅｍｂｅｄｄｉｎｇ 向量化，并根據(jù)歐幾里得公式和ＫＮＮ 算法等計(jì)算商品之間的相似度［９］ 。參照公式如下：假設(shè)目標(biāo)商品和已購商品的語義向量分別為Ｃｉ ＝ ｛Ｅ１ｉ ，Ｅ２ｉ ，…，Ｅｄｉ ｝ 和Ｃｊ ＝ ｛Ｅ１ｊ ，Ｅ２ｊ ，…，Ｅｄｊ ｝，其中Ｅｄｉ ，Ｅｄｊ 為語義向量第ｄ 維上的值，則二者之間的距離為：

再通過ＴＯＰＮ 排序便可得到評分最高的推薦商品列表。項(xiàng)目已采用該方式增加Ｉ２Ｉ 的商品召回?cái)?shù)量，以提升商品推薦的可解釋性。同時(shí)，項(xiàng)目嘗試了如下２ 個(gè)創(chuàng)新場景。

３．１ 個(gè)性化新品推薦改善

在電商平臺中，新品上架數(shù)量多、頻次高，基于這些有偏差的數(shù)據(jù)訓(xùn)練的模型容易進(jìn)一步歧視“長尾”商品。此問題已成為平臺業(yè)務(wù)痛點(diǎn)之一。平臺希望能夠提升新上架商品／ 新品流量分發(fā)效率，以促進(jìn)平臺整體收入的提升。

因此，項(xiàng)目基于商品知識圖譜嘗試提升ｉｔｅｍ／ 用戶表征能力，以更好地解決新品冷啟動(dòng)的問題。主要方法是通過ｇｒａｐｈ 建模的方式擴(kuò)充用戶商品行為序列間商品的關(guān)聯(lián)，并通過圖譜來增進(jìn)熱門商品和冷門／新上架商品的表征相似度。

在用戶側(cè)：項(xiàng)目基于用戶點(diǎn)擊、購物等行為歷史構(gòu)建ｕｓｅｒ?〉ｉｔｅｍ?ｅｎｔｉｔｙ 圖。

在商品側(cè)：項(xiàng)目基于ｉｔｅｍ?ｅｎｔｉｔｙ?〉ｉｔｅｍ?ｅｎｔｉｔｙ 構(gòu)建Ｉ?Ｉ 圖，從而通過在ｉｔｅｍ 的子圖中引入與其相關(guān)的其

他ｉｔｅｍ／ ｅｎｔｉｔｙ 的方式增強(qiáng)ｉｔｅｍ 的圖表征。

最后，通過ＧＮＮ 網(wǎng)絡(luò)學(xué)習(xí)用戶和新品／ 冷門之間的潛在關(guān)系，將新品／ 冷門更有效率地推薦給用戶，以解決新品的推薦問題。

經(jīng)過５０％流量分流的ＡＢ 實(shí)驗(yàn)后，平臺大盤新品的點(diǎn)擊率有１１．５％的提升，點(diǎn)擊轉(zhuǎn)化率有２３．２％的提升，數(shù)據(jù)效果較明顯。

３．２ 興趣知識導(dǎo)購卡片

項(xiàng)目基于構(gòu)建好的電商知識圖譜，尤其是依托電商常識屬性知識三元組，通過清單聚合相同興趣知識點(diǎn)下商品，基于用戶的個(gè)性化興趣及知識偏好，提升推薦的場景氛圍感及命中率。卡片舉例如下：（１）“輕熟齡女神大牌抗皺面霜”；（２）“小仙女熬夜專屬修復(fù)神器”；（３）“增高愛好者福音！ 必備松糕鞋”。

知識導(dǎo)購卡片的位置穿插于購物ＡＰＰ 中的訂單列表頁推薦、購物車推薦、種草好貨推薦等多個(gè)平臺推薦ｆｅｅｄ 流場景中。經(jīng)過一段時(shí)間的５０％流量ＡＢ測試，項(xiàng)目累計(jì)上線興趣卡片１．１ Ｋ，整體推薦場景點(diǎn)擊率提升８．６％，點(diǎn)擊轉(zhuǎn)化率提升１５．４％，數(shù)據(jù)效果較明顯。

４ 結(jié)束語

項(xiàng)目組利用公司數(shù)據(jù)及外網(wǎng)數(shù)據(jù)，構(gòu)建了以商品屬性項(xiàng)屬性值為基礎(chǔ)的知識圖譜，并創(chuàng)新性地提出了以常識屬性為基礎(chǔ)的知識三元組圖譜構(gòu)建，在此基礎(chǔ)上，將其應(yīng)用于２ 個(gè)創(chuàng)新場景———個(gè)性化新品推薦改善及興趣知識導(dǎo)購卡片，均取得了較好的數(shù)據(jù)提升效果。事實(shí)證明，電商知識圖譜構(gòu)建可以有效應(yīng)用于電商平臺的個(gè)性化及智能化場景中。項(xiàng)目組希望后續(xù)可以沉淀更多準(zhǔn)確的知識性三元組，并希望通過提升模型的準(zhǔn)確度及增加顯著性校驗(yàn)等流程，以減少知識性三元組的審核人力成本。同時(shí)，項(xiàng)目組也會(huì)進(jìn)一步研究其他智能化應(yīng)用場景，如搜索、智能導(dǎo)購問答等。

參考文獻(xiàn)：

［１］ 劉嶠，李楊，段宏，等．知識圖譜構(gòu)建技術(shù)綜述［Ｊ］．計(jì)算機(jī)研究與發(fā)展，２０１６，５３（３）：５８２?６００．

［２］ 徐增林，盛泳潘，賀麗榮，等．知識圖譜技術(shù)綜述［Ｊ］．電子科技大學(xué)學(xué)報(bào)，２０１６，４５（４）：５８９?６０６．

［３］ 李鑫柏，吳鑫然，岳昆．基于貝葉斯網(wǎng)的開放世界知識圖譜補(bǔ)全［Ｊ］．計(jì)算機(jī)工程，２０２１，４７（６）：１０４?１１４．

［４］ 郭劍毅，李真，余正濤，等．領(lǐng)域本體概念實(shí)例、屬性和屬性值的抽取及關(guān)系預(yù)測［Ｊ］．南京大學(xué)學(xué)報(bào)（自然科學(xué)版），２０１２，４８（４）：３８３?３８９．

［５］ 俞偉，徐德華．推薦算法概述與展望［Ｊ］．科技與創(chuàng)新，２０１９（４）：５０?５２．

［６］ 常亮，張偉濤，古天龍，等． 知識圖譜的推薦系統(tǒng)綜述［Ｊ］．智能系統(tǒng)學(xué)報(bào)，２０１９，１４（２）：２０７?２１６．

［７］ 王義，馬尚才．基于用戶行為的個(gè)性化推薦系統(tǒng)的設(shè)計(jì)與應(yīng)用［Ｊ］．計(jì)算機(jī)系統(tǒng)應(yīng)用，２０１０，１９（８）：２９?３３．

［８］ 王光，張杰民，董帥含，等．基于內(nèi)容的加權(quán)粒度序列推薦算法［Ｊ］．計(jì)算機(jī)工程與科學(xué)，２０１８，４０（３）：５６４?５７０．

［９］ 王根生，潘方正．融合語義相似度的協(xié)同過濾推薦算法［Ｊ］．中國科學(xué)技術(shù)大學(xué)學(xué)報(bào)，２０１９，４９（１０）：８３５?８４１．

作者簡介：楊少秋（１９８９—），碩士，工程師，研究方向：智能搜索／ 推薦、知識圖譜、智能座艙等ＡＩ 類應(yīng)用。