策略产品视角下的机器学习与知识图谱：从业务需求到模型落地

本文是策略产品学习笔记的 CSDN 版本，适合产品经理、策略产品、数据分析、算法入门读者。

核心观点：策略产品不用会调参，但要会定义问题；机器学习解决"预测"，知识图谱解决"关系"。

摘要

策略产品在实际工作中，越来越多地需要和算法、数据、风控、推荐、搜索等团队协作。很多同学一听到机器学习、逻辑回归、知识图谱就觉得门槛很高。其实从策略产品视角看，核心不是推导公式，而是把业务问题翻译成：

标签怎么定义？
特征怎么选？
模型评估看什么？
上线后怎么迭代？
哪些问题适合分类、回归、聚类？
哪些问题适合知识图谱？

本文围绕客户服务、金融风控、库存预警、放贷、派单、推荐、医疗问答等场景，系统整理机器学习和知识图谱的落地方法论。

关键词

策略产品、机器学习、知识图谱、逻辑回归、金融风控、推荐系统、分类、回归、聚类、特征工程

策略产品为什么要懂机器学习和知识图谱
机器学习落地全流程
客户服务场景实战：数据、标签、特征
标签与特征工程核心方法论
模型训练、评估与调参
机器学习实际解决什么问题：分类、回归、聚类
知识图谱：给知识建一张网
知识图谱构建六步法
知识图谱典型应用场景
机器学习与知识图谱的关系
策略产品避坑清单与沟通清单
总结

1. 策略产品为什么要懂机器学习和知识图谱

策略产品的核心工作不是"选算法"，而是"定义决策"。

机器学习解决的是预测问题：

这个客户会不会成交？
这个用户会不会违约？
这个库存要不要预警？
这个订单派给哪个骑手？
这个线索要不要转化？

知识图谱解决的是关系问题：

A 和 B 是不是同一个团伙？
这家公司背后有没有传销结构？
用户 A 消费、B 收款、B 再转回 A，是不是套现闭环？
哥白尼和爱因斯坦之间有没有关系？
腰疼可能关联哪些疾病、科室、药品？

一句话：

机器学习管预测，知识图谱管关系。一个管决策，一个管连接。

策略产品不用会写算法，但必须能跟算法工程师说清楚：

业务目标是什么
样本粒度是什么
标签怎么定义
特征上线时能不能拿到
评估指标看查准还是查全
决策规则阈值怎么定
上线后怎么监控回流

2. 机器学习落地全流程

机器学习项目不是一上来就训练模型，完整流程通常是：

text

复制代码

业务需求 → 数据采集 → 清洗去重 → 标签定义 → 特征工程
→ 切分数据 → 训练模型 → 验证/测试 → 上线 AB → 监控回流

其中：

处理需求为主，工作量约 50%：先找到真需求。
数据采集与清洗约 30%：收集数据，辅助决策。
模型训练调参可能只占 10%：需求和数据错了，后面全错。
评估、上线、监控约 10%：验证完、测试完，再决定是否上线。

策略产品要特别注意：

不要需求没搞懂就训练模型。
不要只看准确率。
不要用成交后才知道的信息做特征。
不要模型上线后不监控。

3. 客户服务场景实战：数据、标签、特征

以客户服务场景为例。

3.1 样本粒度

一个客户首次出现或首次咨询为一行。

客户名称只做 ID，不做特征，避免模型记住具体人名。

3.2 标签定义

常见标签：

是否成交
是否价值客户
是否放弃型客户

例如：

text

复制代码

客户首次咨询后 30 天是否成交：0/1
是否价值客户：按毛利、复购、LTV、成交金额定义
是否放弃型客户：长期不互动、低响应、低价值

3.3 特征定义

可用特征包括：

咨询渠道
咨询时间
咨询的服务项目
历史咨询次数
最近活跃
历史成交
债务情况
互动频次

注意：只能用预测时点能拿到的信息，不能用成交后才知道的数据，否则就是未来信息泄漏。

3.4 模型选择

逻辑回归适合做基线，可解释、输出概率。

树模型、XGBoost、LightGBM 常用于提升效果。

逻辑回归示例：

python

复制代码

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import precision_score, recall_score, f1_score, roc_auc_score

# 假设 df 已包含特征和标签
X = df[['channel', 'service_item', 'consult_hour', 'history_cnt', 'recent_active']]
y = df['deal_30d']

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)

model = LogisticRegression(max_iter=1000)
model.fit(X_train, y_train)

proba = model.predict_proba(X_test)[:, 1]
pred = (proba >= 0.5).astype(int)

print("Precision:", precision_score(y_test, pred))
print("Recall:", recall_score(y_test, pred))
print("F1:", f1_score(y_test, pred))
print("AUC:", roc_auc_score(y_test, proba))

4. 标签与特征工程核心方法论

4.1 标签与特征的区别

标签 = 标准答案

比如"客户首次咨询后 30 天是否成交"。
特征 = 能拿到的线索

渠道、项目、时间、历史行为，都是线索。

4.2 特征选取核心方法

业务假设优先：渠道、项目、时间为什么影响成交？
上线可得性：预测时能不能拿到？
避免泄漏：不能用未来信息。
统计筛选：IV、WOE、卡方、互信息、相关性、VIF。
模型筛选：L1 正则、树模型重要性、SHAP、permutation importance。
稳定性验证：按渠道、项目、时间段分别看效果。
消融实验：全特征、去掉渠道、去掉项目、分组训练，看指标变化。

渠道、咨询时间、服务项目要转成模型可用形式：

One-Hot
Embedding
目标编码
周期特征
频次/最近一次/金额

5. 模型训练、评估与调参

5.1 数据集切分

训练集 = 刷题
验证集 = 模拟考
测试集 = 最终考试

更严谨的是按时间切分，避免未来信息泄漏。

5.2 评估指标

准确率：整体正确比例，样本不均衡时很误导。
查准率 Precision：预测为成交/价值客户的人里，真实的比例。高查准 = 少误伤。
查全率 Recall：真实成交/价值客户里，被模型抓到的比例。高查全 = 少漏掉。
F1：平衡查准和查全。
AUC / KS：排序能力，常用于风控、营销、成交预测。
价值顾客准确率：单独看高价值人群的预测质量。
业务指标：ROI、转化率、误伤成本、漏判成本、Precision@K、Recall@K。

查准和查全相互制约：

阈值高：查准高、查全低
阈值低：查全高、查准低

比如库存预警：漏预警损失大，就提高召回；误预警打扰大，就提高查准。

5.3 模型调参与迭代

模型要不断调整：

调参
换特征
调阈值
检查渠道、咨询事件、咨询项目是不是特征选取有问题
把全部特征重新训练，再验证
模型生成后，用验证集重复刚才的数据验证标准
通过后放到线上，做 AB 测试

6. 机器学习实际解决什么问题：分类、回归、聚类

类型	输出	业务例子	常用算法
分类	离散标签/概率	成交/不成交、库存预警、放贷/不放贷、价值客户、是否转化	逻辑回归、决策树、随机森林、XGBoost、LightGBM
回归	连续值	销量预测、效率预测、库存水位、放贷额度、LTV、债务规模	线性回归、岭回归、GBDT、时间序列
聚类	群体/相似关系	客户分群、线索聚类、兴趣相似推荐、商品推荐、派单	K-means、DBSCAN、协同过滤、Embedding

注意：B 端"预计"不全是分类，也可能是回归。

当下库存情况可以分类做预警，也可以回归预测水位。

6.1 分类场景

库存预警：是否打上预警标签
放贷审核：用户放贷与不放贷
价值客户：是否价值客户
用户活跃：最近活跃打标签
关键特征数据灌到模型里，算这个模型是否可以被应用

6.2 回归场景

对历史效率数据预测
销量预测
库存水位预测
放贷额度预测
LTV 预测
债务规模预测

6.3 聚类场景

派单骑手：这个单派给 A 还是 B，本质是多分类或排序
相似推荐：把同属一个顾客的商品推荐给 B 用户
兴趣相投的人还购买了什么
针对某些线索进行转化，将这些线索进行聚类

实际业务中，分类、回归、聚类经常组合使用。

比如放贷：分类决定放不放，回归决定额度，聚类做用户分群，规则做兜底。

跟算法工程师沟通时，策略产品要给出逻辑合理性：

业务目标
样本粒度
标签定义
特征时点
评估指标
决策规则
上线监控

7. 知识图谱：给知识建一张网

知识图谱是人工智能的重要技术手段之一。

知识包括陈述性知识和经验性知识。

知识图谱用网状方式连接知识：

每个点：人、公司、疾病、部位、车次、地点、事件
每条边：就职于、投资了、导致、治疗、转账给、属于
三元组：主语---关系---宾语

比如：腰部---属于---身体部位；A---转账给---B

7.1 知识图谱与数据库的区别

数据库	知识图谱
记录数据	强调关系
单表查询强	多跳关系查询强
SQL 多跳复杂	图查询更自然
适合精确记录	适合推理、挖掘、解释

比如"哥白尼和爱因斯坦有没有关系？"

SQL 要绕很多表，知识图谱可以直接找路径：人物→学科→理论→人物。

使用知识图谱去计算一些东西，层次比较深的问题会很简单。

如果使用 SQL，就很复杂，调用成本很高。

要得出严谨的科学结论，使用知识图谱的技术方式更好。

8. 知识图谱构建六步法

text

复制代码

知识建模 → 知识获取 → 存储图 → 找规律 → 知识推理 → 应用侧

8.1 知识建模

知识节点与边构成多关系网络图。

定义节点，定义边。

医疗体系例子：

节点：疾病、疾病所处部位、症状、药品、科室
边：位于、治疗、引发、属于

这是本体工程、领域建模。

疾病是本体，实体是"腰部"。

用三元组模型定义主语、宾语，构建本体。

8.2 知识获取

从书籍、网站、数据库、非结构化文本里获取知识。

非结构化数据：实体识别、关系抽取
结构化数据：算法计算
训练知识图谱不止一个，涉及本体识别
不同算法识别结果可能不一致
需要本体与本体映射关系表
需要实体匹配与实体对齐

类似网商前端与后端的匹配。

8.3 存储图

放进图数据库，形成多关系网络。

8.4 找规律

图匹配
图挖掘
图查询
图聚类

找团伙、找环路、找社区。

8.5 知识推理

连接预测、关系推理。

A 和 B 没关系，但通过 C 可以推出来。

8.6 应用侧

问答、推荐、风控、舆情、医疗、买票。

9. 知识图谱典型应用场景

9.1 医疗

腰疼怎么治？

text

复制代码

腰疼 → 部位 → 可能疾病 → 治疗方式 → 药品/科室

在知识图谱体系上，可以进行解答。

9.2 企查查

公司、股东、法人、投资、诉讼、风险关系。

9.3 舆情监测

事件、人物、机构、情感、传播路径。

9.4 买票

以某个地方的方向为链接，构建知识图谱系统。

地点、线路、车次、时间、换乘关系。

9.5 金融风控

A 发展下线，A 是很多节点的输入，交易转账关系，判断是不是传销结构。

蚂蚁花呗套现：

A 消费
B 收款
B 转回 A
形成闭环

图算法可识别套现风险。

知识图谱能做表象分析，也能做金融风控挖掘。

Cypher 示例：

cypher

复制代码

// 查询套现闭环
MATCH (a:User)-[:TRANSFER]->(b:User)-[:TRANSFER]->(a)
RETURN a, b

// 查询下线数量
MATCH (a:User)-[:DEVELOP]->(b:User)
RETURN a.name, count(b) AS downline
ORDER BY downline DESC

// 多跳关系查询
MATCH p=(n:Person {name:'哥白尼'})-[*1..4]-(m:Person {name:'爱因斯坦'})
RETURN p

9.6 百度问答

简单问题端到端深度学习可以，复杂问题靠"检索 + 知识图谱 + 深度学习"。

构建完整知识图谱体系后，像"哥白尼与爱因斯坦是否有关系"这种问题，需要大的知识图谱支撑。

生成知识图谱要有网络爬虫进行数据采集、数据处理，再通过深度学习方式展示。

10. 机器学习与知识图谱的关系

不是替代，是互补。

ML 帮建图：实体识别、关系抽取、实体对齐、链接预测
图帮 ML：关系特征、先验知识、可解释路径

知识图谱给机器学习提供关系特征和先验知识。

机器学习帮助知识图谱自动构建和推理。

策略产品什么时候该用知识图谱？问自己 3 个问题：

这个问题是不是关系问题？
需不需要多跳查询？
需不需要解释"为什么"？

如果都是 Yes，知识图谱就很合适。

如果只是单表统计，SQL 就够了。

11. 策略产品避坑清单与沟通清单

11.1 避坑清单

需求没搞懂就训练模型
只看准确率，不看查准查全
用了成交后才知道的信息
渠道、项目不分群验证
模型上线后不监控
本体不统一，各说各话
实体不对齐，同一个人多个身份
数据不更新，图谱变旧
多跳爆炸，查得太深
只建图，不评估业务效果

11.2 跟算法工程师沟通清单

策略产品要准备：

业务目标
样本粒度
标签定义
特征时点
评估指标
决策规则
上线监控

你负责翻译业务，算法负责实现。

12. 总结

策略产品不是选算法，是定义决策。

分类解决"是不是"
回归解决"多少"
聚类解决"像谁"
知识图谱解决"有什么关系"

知识图谱不是算法模型，是关系基础设施。

策略产品不用会建图，但要会定义关系。

机器学习落地，核心是：

复制代码

定义决策 → 定义标签 → 找对特征 → 评估业务收益 → 上线迭代

业务场景往往是多算法组合，逻辑合理性比模型复杂度更重要。

策略产品视角下的机器学习与知识图谱：从业务需求到模型落地

摘要

关键词

目录

1. 策略产品为什么要懂机器学习和知识图谱

2. 机器学习落地全流程

3. 客户服务场景实战：数据、标签、特征

3.1 样本粒度

3.2 标签定义

3.3 特征定义

3.4 模型选择

4. 标签与特征工程核心方法论

4.1 标签与特征的区别

4.2 特征选取核心方法

5. 模型训练、评估与调参

5.1 数据集切分

5.2 评估指标

5.3 模型调参与迭代

6. 机器学习实际解决什么问题：分类、回归、聚类

6.1 分类场景

6.2 回归场景

6.3 聚类场景

7. 知识图谱：给知识建一张网

7.1 知识图谱与数据库的区别

8. 知识图谱构建六步法

8.1 知识建模

8.2 知识获取

8.3 存储图

8.4 找规律

8.5 知识推理

8.6 应用侧

9. 知识图谱典型应用场景

9.1 医疗

9.2 企查查

9.3 舆情监测

9.4 买票

9.5 金融风控

9.6 百度问答

10. 机器学习与知识图谱的关系

11. 策略产品避坑清单与沟通清单

11.1 避坑清单

11.2 跟算法工程师沟通清单

12. 总结