Что такое граф знаний
Граф знаний (Knowledge Graph) — база данных, где информация хранится в форме «узлы + рёбра». Узлы — это объекты (товары, категории, бренды, атрибуты), рёбра — именованные отношения между ними.
(Nike) --[производит]--> (Air Max 90)
(Air Max 90) --[принадлежит]--> (Кроссовки)
(Air Max 90) --[материал]--> (Кожа + сетка)
(Air Max 90) --[подходит_для]--> (Городской стиль)
(Air Max 90) --[часто_покупают_с]--> (Носки Nike Everyday)
Такая структура позволяет рассуждать: если пользователю нравятся городские кроссовки Nike, граф выстроит путь к другим городским кроссовкам из кожи — даже без явной истории взаимодействий.
Применение в рекомендательных системах
Обогащение коллаборативной фильтрации
Классическая коллаборативная фильтрация смотрит только на паттерны поведения пользователей. Граф знаний добавляет семантику: почему эти товары похожи — не только «их вместе покупают», но и «они из одного бренда», «похожий ценовой диапазон», «один материал».
Модели KGCN (Knowledge Graph Convolutional Networks) и KGAT (Knowledge Graph Attention Networks) обучаются совместно на пользовательских взаимодействиях и структуре графа, показывая лучшие метрики точности и diversity по сравнению с чистой коллаборативной фильтрацией.
Поддержка поиска
В e-commerce граф знаний улучшает семантический поиск: запрос «тёплая куртка для горных лыж» интерпретируется через граф как поиск по атрибутам «температурный режим: -15 и ниже» + «тип активности: горнолыжный спорт».
Cold Start через граф
| Сценарий | Без графа | С графом |
|---|---|---|
| Новый товар в каталоге | Нет рекомендаций до накопления истории | Рекомендуется через атрибутные связи сразу |
| Новый пользователь | Популярные товары как fallback | Персонализация через демографические/контекстные связи |
| Редкий товар (< 10 взаимодействий) | Низкая точность эмбеддингов | Стабильные рекомендации через структуру графа |
Важно: качество графа знаний прямо зависит от качества атрибутов в каталоге. Неполные описания товаров, непоследовательная таксономия категорий, дубли брендов с разным написанием — всё это снижает полезность графа. Перед построением граф знаний требует ETL-работы по нормализации каталога.
Граф знаний в SEO
Google Knowledge Graph (запущен в 2012) — крупнейший публичный пример применения технологии. Он формирует информационные панели в SERP (бренды, организации, персоны), влияет на entity-based SEO и становится источником данных для ответов в AI Overviews. Для e-commerce-брендов присутствие в Knowledge Graph Google повышает вероятность появления в структурированных ответах.