如果想更好的了解基于图计算系统构造的推荐系统解决方案的价值，我们就需要先了解现有的、传统类型的推荐系统的现状和问题，它们大多具有如下的共性：

• 需要预处理准备工作，因此很难实现实时推荐
• 推荐系统更新的时延经常以小时或者天来衡量
• 大量冗余数据会被生产出来，浪费存储空间（存储成本）
• 传统推荐系统通常有多个异构的模型，很难达成一致性
• 通常需要客户端代码集成工作，非客户端透明的推荐系统

上图展示的是在知识图谱之上实现实时、智能化推荐的例子。对于暴力推荐系统而言，当然可以忽略产品间的关联关系，但是这种推荐难免会出现如下这种令人啼笑皆非的推荐效果，例如：用户刚买了冰箱，推荐系统发现其它冰箱是最近被采购最疯狂的，于是继续推荐冰箱给用户。某些国内知名电商的推荐系统在相当长的时间内都是用这种暴力无脑推荐方法的。如果加入产品知识图谱，那么从最简单的分类关联关系，到更为复杂的衍生品购买逻辑——例如从买冰箱到推荐冰箱贴、冰块盒、生鲜产品，后面的推荐就已经具有了人类的“举一反三”的智能了。

基于图的推荐系统有如下优势：

• 实时推荐能力、实时数据刷新能力
• 与知识图谱的无缝结合，例如商品知识图谱；推荐的高度智能化（而不是基于统计学计算模型的那种机器“智能”）
• 推荐图谱 = 实时商品图谱+用户360图谱，也就是说一站式推荐解决方案可以在图上实现

如果你还没有用过Hadoop或Spark框架来构建你的推荐系统，如果你不想每天纠结于海量数据的训练和验证，那么一步到位地进入到基于图查询与计算的图推荐系统可能是你最佳的选择。我们正处于一个以数据库为核心的万亿美金的IT技术升级换代的大潮中，而图是最有可能胜出的技术。