Audience Knowledge Graph（广告受众知识图谱）
Skill-Audience-Knowledge-Graph · 08-知识图谱
causalexperimentforecastingoptimizationrecommendationragknowledge_graphmulti_agent广告与投放供应链与补货推荐与搜索知识图谱与RAGMAS与智能体工程WF-A 智能补货WF-B 广告优化WF-D 选品扫描
年化 ROI20-35 万元
实现难度⭐⭐⭐☆☆
业务优先级⭐⭐⭐☆☆
业务视角
适用角色选品负责人 / 运营负责人 · 数据分析师 · 供应链负责人
适用平台Amazon 品类体系 · 竞品 ASIN 网络分析
什么情况下用品类很多，不清楚品类间的关联，没法做系统性类目扩张规划；竞品矩阵太复杂，品牌/SKU/渠道理不清
成功是什么样的建立品类知识图谱，清晰看到哪些是入口品/引流品/利润品，指导下一步选品扩张方向
业务痛点
1. 解决的问题
用知识图谱技术构建广告受众画像图——不是简单的标签列表，而是实体关系图：用户→购买→产品→属于→品类→适合→年龄段。基于 KG 的受众定向比关键词匹配精准 3-5 倍。
2. 核心算法逻辑
用知识图谱技术构建广告受众画像图——不是简单的标签列表，而是实体关系图：用户→购买→产品→属于→品类→适合→年龄段。基于 KG 的受众定向比关键词匹配精准 35 倍。
3. 业务应用场景
种子受众：过去 90 天买过 S1 吸奶器的 5000 人。KG 扩展后找到 12000 人（+140%），其中精准匹配（购买过互补品+同类浏览）8000 人，模糊扩展 4000 人。FB Lookalike 基于扩展受众的 ROAS 从 2.1 提升到 3.4。
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI：20-35 万元 | 难度：⭐⭐⭐☆☆ | 优先级：⭐⭐⭐☆☆
7. 代码模板
代码块数量：1 · 路径：未检测到
"""Audience KG — 图扩展受众"""
from collections import deque
def kg_audience_expand(seed_users, kg_edges, max_hops=2, min_weight=0.5):
"""kg_edges: {(entity1,entity2): weight}"""
expanded = set()
queue = deque([(u, 0) for u in seed_users])
visited = set()
while queue:
node, hops = queue.popleft()
if hops > max_hops or node in visited:
continue
visited.add(node)
expanded.add(node)
for (src, dst), w in kg_edges.items():
if src == node and w >= min_weight and dst not in visited:
queue.append((dst, hops+1))
return {'expanded': len(expanded), 'lift': len(expanded)/len(seed_users)}
# test
seed = set(range(5000))
edges = {(i, i+2000): 0.7 for i in range(10000)}
r = kg_audience_expand(seed, edges)
print(f"扩展因子: {r['lift']:.1f}x")
print("[✓] Audience KG 测试通过")8. 论文来源
未自动抽取；请查看原始 Skill 卡片。