KG-Powered User Profiling — 知识图谱驱动的用户画像：产品知识增强推荐

1. 解决的问题

传统协同过滤仅依赖 user-item 矩阵，缺乏对产品语义的理解，导致跨品类推荐能力弱。KG-Powered User Profiling 通过异构图融合将产品知识图谱（属性/认证/成分/适用年龄段）与用户行为图（购买/浏览/评价）结合，构建知识增强的用户偏好向量。

2. 核心算法逻辑

传统协同过滤仅依赖 useritem 矩阵，缺乏对产品语义的理解，导致跨品类推荐能力弱。KGPowered User Profiling 通过异构图融合将产品知识图谱（属性/认证/成分/适用年龄段）与用户行为图（购买/浏览/评价）结合，构建知识增强的用户偏好向量。

3. 业务应用场景

业务背景：用户历史购买了有机奶粉，如何推荐有机辅食/有机婴儿护肤？

效果：跨越奶粉→辅食→婴儿护肤的品类边界，CTR 提升 18%，用户 LTV 增加。

业务背景：WF-D 选品阶段，发现用户购买了竞品 X 但未购买我方同类产品，通过 KG 分析竞品属性关联，找到用户未购买但知识关联强的品类。

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

• 跨域：Skill-User-Funnel-Analysis

7. 代码模板

代码块数量：3 · 路径：未检测到

"""
KG-Powered User Profiling — 知识图谱驱动的用户画像
Python 标准库实现，无第三方依赖
"""
from __future__ import annotations
from dataclasses import dataclass, field
from typing import Optional
import math
import heapq


# ─────────────────────────────────────────────
# 数据结构
# ─────────────────────────────────────────────

@dataclass
class ProductKGNode:
    """产品知识图谱节点"""
    product_id: str
    name: str
    category: str                          # 一级品类，如 "奶粉"
    sub_category: str = ""                 # 二级品类，如 "有机奶粉"
    attributes: dict[str, str] = field(default_factory=dict)       # 如 {"成分": "DHA", "适用月龄": "0-6"}
    certifications: list[str] = field(default_factory=list)        # 如 ["EU有机认证", "FDA认证"]
    tags: list[str] = field(default_factory=list)                   # 如 ["有机", "益生菌"]
    price_tier: str = "mid"                # low/mid/high


@dataclass
class UserAction:
    """用户行为记录"""
    user_id: str
    product_id: str
    action_type: str      # purchase/view/review
    timestamp: float      # Unix timestamp
    score: float = 1.0    # 评分（review时有效）


# ─────────────────────────────────────────────
# 用户 KG 画像构建器
# ─────────────────────────────────────────────

class UserKGProfiler:
    """从行为历史推断用户知识偏好向量"""

    # 行为类型基础权重
    ACTION_WEIGHTS = {
        "purchase": 3.0,
        "review": 2.0,
        "view": 0.5,
    }

    def __init__(
        self,
        kg_nodes: list[ProductKGNode],
        decay_factor: float = 0.9,
        max_age_days: float = 180.0,
    ):
        """
        Args:

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。