# 智能推荐
# 背景
随着互联网发展，各类信息越来越多，如何进行有效的信息获取及展示成为用户和平台共同关注的问题，而有效的推荐可帮我们进行信息过滤，成为解决这项问题的重要手段。推荐算法已经应用到各个领域当中，它不仅给互联网商家带来巨大的附加利益，同时也提高了用户满意度，增加了用户粘性。
对于信息发布平台：如何提供个性化服务，如何利用好商品和商品的关联、商品和标签的关联、商品和用户之间大量的关联数据，提高用户体验，增加页面转化率，是当前需要解决的问题。
对用户方：当下商品更新速度快，商品目录变更周期变短，同时用户的耐心程度降低，用户期望在海量商品中快速找到喜欢的物品，提高信息过滤速度，满足客户需求。
传统的推荐算法主要是基于用户以往的浏览、购买数据推荐商品，利用图可以对推荐进行增强，将用户与用户的关系、用户与城市的关系、用户与商家的关系等都考虑其中，实现智能推荐。
# 图建模
在用户浏览购买商品的场景下，分析的实体对象以客户、订单、商品为主，为了更好的表达用户和所选商品的特点，通过尽可能丰富的属性来描述，例如：客户属性有年龄、性别、城市，订单属性有下单时间，商品属性有商品种类、价格等。
根据这些信息，图可定义为：
- 节点：用户、订单、商品等。
- 边：拥有、包含等。
# 解决的业务问题
下面我们将探寻如何使用图帮助产品推荐：
# 产品用户画像描述
在图上根据客户属性和他们下单商品的属性关系数据，可以为产品描述用户画像。例如：通过查找购买了商品A的客户年龄、城市、性别信息，获得更加精准的用户特征。在后续的推荐中将该商品推荐给拥有特定年龄、城市分布等的用户，达到更好的推荐效果。
这些功能转换在图上其实是查找特定商品节点二度邻居-客户的属性值，在本图中有年龄、城市、性别。也可以根据实际业务需求，增加更多属性信息，辅助分析。假设经过上述查询发现某商品在广东省，20-25岁的女性客户群体最多，那么后续可以通过客户节点的属性筛选，定位这些用户，进行商品推荐动作。
# 探索订单特点
除了用户特征外，还可以利用图上数据从不同维度探索订单的特点。不同时间段用户打开商城选购商品的种类偏好可能存在差异，例如晚间时段可能会对衣服鞋帽感兴趣，下午时段则下午茶零食类的下单更多。
为了在各时段推荐给用户满足需求的不同商品，可以在图上通过查询共同邻居来实现。可以先通过属性筛选订单节点的下单时间，再查找处于相同下单时间段订单节点的共同邻居，就能得到该时段用户普遍选择的商品和它们的所属种类了。
# 利用用户关系增强推荐
不同用户间可能存在消费喜好的相似性，发现这些消费习惯相近的用户，为他们推荐彼此感兴趣的商品也是推荐的一个方向。
可以对图谱应用社群发现算法，找到相似节点簇，将群组中用户曾购买过的商品推荐给其他组内用户。
总的来说，图数据库在商品推荐中，可以赋能场景营销，精准挖掘客户兴趣。它能高效关联客户和客户标签、客户对商品的购买行为、客户之间的关系、商品间的内在相关性等，基于多种维度向客户推荐商品，实时、精准找出和客户当下兴趣以及消费场景相关的商品。同时图schema灵活性强，可根据场景和业务需求添加不同种类的新关系、新节点、新标签，最大程度还原业务场景，动态调整新的推荐策略，而不用担心破坏已有的查询或应用程序的功能，满足瞬息万变时代敏捷开发、持续迭代的需求。