可解释推荐

目前推荐系统被应用在很多领域，其中基于统计的传统推荐算法相对来说较为单纯，高度依赖人工智能的推荐系统则表现出黑盒子的特性——结果难以预测、算法难以调试、过程难以解释等。这些缺陷严重限制了推荐系统的应用场景，在一些需要更高可靠性的领域，推荐系统尚无法被信任。在另一个方面，推荐系统对用户隐私数据的使用也是一个可能产生争议的领域，包括系统的训练数据以及推荐时作为输入的用户信息都可能涉及用户隐私数据。随着用户隐私被赋予越来越高的重要性，推荐系统可能不再能获取完整的用户数据，进而更难搭建。

结合知识图谱等技术，可以打造更可靠、可解释的推荐系统。信息抽取出的以及来自知识图谱的数据，都可以在中间环节输出，作为某种意义上的依据或者推导过程，既可以一定程度上解释系统的输出，也能辅助系统的后续调整优化。结合知识图谱，隐私数据的使用也可以更为克制，在用户允许的情况下使用最小限度的用户数据，而不是需要采集所有的用户行为来作为推荐系统的输入。

Magi KG 能够提供丰富的知识图谱数据，可以大幅扩充可供参考的数据的维度。而且，其中所有内容均有学习来源的原始出处，能够更明晰、更有逻辑地解释最终输出。Ireul、Leliel 等模块还可以有效拆解长文段、提问，提取出关键信息，进一步增强推荐系统的准确性。相应模块还可以灵活部署在用户的本机，进而保护用户的隐私数据。