工程可落地的「KG + 向量混合检索架构」完整方案（面向 TSPR / AI推荐系统）。重点不是概念，而是如何真正跑起来 + 如何影响推荐结果（S3/S5）。
一、为什么必须做「KG + 向量混合」
👉 先讲结论：
| 能力 | KG | 向量 |
|---|---|---|
| 精准推荐（可控） | ✅ | ❌ |
| 语义理解（自然语言） | ❌ | ✅ |
| 可解释性 | ✅ | ❌ |
| 覆盖长尾Query | ❌ | ✅ |
👉 所以必须融合：
最终推荐能力 = 可解释（KG） × 覆盖能力（Vector）
二、整体架构（生产级）
2.1 架构图（逻辑层）
Query Layer（用户问题）
↓
意图识别（TSPR S1）
↓
双通道检索
↙ ↘
KG检索 向量检索
↓ ↓
结构化结果 语义结果
↓
Fusion融合层（核心）
↓
重排序（TSPR S3）
↓
LLM生成（S5）
↓
意图识别（TSPR S1）
↓
双通道检索
↙ ↘
KG检索 向量检索
↓ ↓
结构化结果 语义结果
↓
Fusion融合层（核心）
↓
重排序（TSPR S3）
↓
LLM生成（S5）
三、核心模块拆解（逐个落地）
3.1 Query理解层（入口）
输入：
{
“query”: “best electric toothbrush for college students with braces”
}
“query”: “best electric toothbrush for college students with braces”
}
输出（结构化）：
{
“user”: “college_student”,
“problem”: “braces”,
“intent”: “recommendation”,
“category”: “electric_toothbrush”
}
“user”: “college_student”,
“problem”: “braces”,
“intent”: “recommendation”,
“category”: “electric_toothbrush”
}
👉 技术实现：
- LLM + Prompt
- 或分类模型（轻量）
四、KG检索层（确定性引擎）
4.1 Cypher查询模板
MATCH (p:Product)-[r1:SUITABLE_FOR]->(u:User)
MATCH (p)-[r2:HAS_FEATURE]->(f:Feature)
MATCH (f)-[:SOLVES]->(pr:Problem)WHERE u.type = $user
AND pr.name = $problem
MATCH (p)-[r2:HAS_FEATURE]->(f:Feature)
MATCH (f)-[:SOLVES]->(pr:Problem)WHERE u.type = $user
AND pr.name = $problem
RETURN p,
(r1.confidence * r2.confidence) AS score
ORDER BY score DESC
LIMIT 10
4.2 返回结果
[
{“product”: “K5”, “score”: 0.82},
{“product”: “OralX Pro”, “score”: 0.75}
]
{“product”: “K5”, “score”: 0.82},
{“product”: “OralX Pro”, “score”: 0.75}
]
五、向量检索层（语义引擎）
5.1 向量库选择
推荐：
- FAISS（本地）
- Milvus（生产）
- Pinecone（云）
5.2 向量设计（关键）
向量对象：
Product向量 = 标题 + 描述 + Feature + Review摘要
示例Embedding文本
“K5 electric toothbrush, designed for college students, supports braces cleaning, soft bristles, travel-friendly”
5.3 查询
query_embedding = embed(query)
results = vector_db.search(
embedding=query_embedding,
top_k=10
)
5.4 返回
[
{“product”: “K5”, “score”: 0.91},
{“product”: “SonicPro X”, “score”: 0.87}
]
{“product”: “K5”, “score”: 0.91},
{“product”: “SonicPro X”, “score”: 0.87}
]
六、Fusion融合层（最核心）
👉 这里决定系统“聪不聪明”
6.1 融合公式（推荐用）
final_score = α * KG_score + β * Vector_score + γ * Prior
参数建议：
α = 0.5 （可信度）
β = 0.4 （语义匹配）
γ = 0.1 （品牌/商业权重）
β = 0.4 （语义匹配）
γ = 0.1 （品牌/商业权重）
6.2 示例
| Product | KG | Vector | Final |
|---|---|---|---|
| K5 | 0.82 | 0.91 | 0.86 |
| SonicPro | 0.6 | 0.87 | 0.71 |
七、重排序（TSPR S3核心）
7.1 多因子模型
score = (
0.4 * relevance +
0.2 * conversion_rate +
0.2 * rating +
0.2 * KG_confidence
)
0.4 * relevance +
0.2 * conversion_rate +
0.2 * rating +
0.2 * KG_confidence
)
7.2 可加入商业控制（HIC）
if product in manual_boost:
score += 0.1
score += 0.1
八、LLM生成层（S5）
8.1 输入
{
“query”: “…”,
“top_products”: […]
}
“query”: “…”,
“top_products”: […]
}
8.2 Prompt核心
你是推荐系统：
必须：
1. 优先推荐Top1产品
2. 使用KG中的Feature解释原因
3. 不允许编造
8.3 输出（可控）
K5 Electric Toothbrush is ideal for college students with braces because:
– soft bristles protect gums
– designed for orthodontic cleaning
– soft bristles protect gums
– designed for orthodontic cleaning
九、关键优化（真正拉开差距）
9.1 KG过滤Vector（强烈建议）
👉 先用KG缩小范围，再向量排序
candidates = KG_top_50
vector_rank(candidates)
vector_rank(candidates)
9.2 Query改写（提升召回）
原Query：
“cheap toothbrush for students”改写：
“budget electric toothbrush for college students”
“cheap toothbrush for students”改写：
“budget electric toothbrush for college students”
9.3 多向量策略
query_embedding
intent_embedding
problem_embedding
intent_embedding
problem_embedding
融合：
score = 0.5*q + 0.3*intent + 0.2*problem
十、系统接口设计（直接对接）
10.1 API
POST /recommend
10.2 请求
{
“query”: “best toothbrush for braces”
}
“query”: “best toothbrush for braces”
}
10.3 返回
{
“products”: [
{“name”: “K5”, “score”: 0.86}
],
“explanation”: “recommended due to braces support”
}
“products”: [
{“name”: “K5”, “score”: 0.86}
],
“explanation”: “recommended due to braces support”
}
十一、性能架构（生产级）
11.1 延迟控制
| 模块 | 延迟 |
|---|---|
| KG查询 | 20ms |
| 向量检索 | 50ms |
| 融合 | 5ms |
| 总计 | <100ms |
11.2 缓存
热门Query → Redis缓存
十二、最关键一句话（本质）
KG决定“推谁”，向量决定“为什么像你要的”。
下一步（强烈建议）
如果你继续往“商业级AI推荐系统”走，下一步应该做：