大规模中文概念图谱CN-Probase正式发布

2017 年 11 月 13 日 PaperWeekly 知识工场

历时多年的研发，复旦大学知识工场实验室正式推出大规模中文概念图谱——CN-Probase，用于帮助机器更好的理解人类语言。概念图谱中包含实体（比如“刘德华”）、概念（比如“演员”），实体与概念之间的类属关系（又称isA关系，比如 “刘德华 isA 演员”），概念与概念之间的 subclass of 关系（比如 “电影演员”是“演员”的子类）。通常后面两类关系，又统称为 isA 关系。如果 A isA B，通常称A为B的下位词（hyponym）,或者B为A的上位词（hypernym）。

概念的形成是人类认知从具体进入抽象的第一步。人类通过概念认知世界，概念是人类认知世界的基石。概念是人脑对客观事物本质的反映，是思维活动的结果和产物，是思维活动借以开展的基本单元。比如“恐龙”这一概念让我们能够认知形形色色的恐龙，把握其共性本质，而无需纠缠于不同特定恐龙的细微差别。建立概念分类体系，并为数以千万计的实体建立概念图谱，是我们在让机器具备认知能力的征程中所迈出的至关重要的一步。

人类通过分类结构（Taxonomy）来组织和表示概念。最早可以追溯到亚里士多德时代。随后的几千年来，人类一直在不断完善概念的分类体系，并于近些年涌现了很多分类体系，如Cyc，WordNet等，这些概念分类体系大都由专家手工构建，质量精良，但是构建代价高昂，规模有限。

现在知识工场采用自动的方法，基于CN-DBpedia以及海量中文网页语料等多个数据源，构建了大型中文概念知识图谱——CN-Probase。针对中文语言的特性，采用了全新的抽取策略，达到质和量的全面升级。

CN-Probase是由复旦大学知识工场实验室研发并维护的大规模中文概念图谱，是目前规模最大的开放领域中文概念图谱和概念分类体系，isA关系的准确率在95%以上。相比较于其他概念图谱，CN-Probase具有两个显著优点：

一、规模巨大，基本涵盖常见实体和概念。包含约1700万实体、27万概念和3300万isA关系。

二、严格按照实体进行组织，有利于精准理解实体的概念。例如，“刘德华”这个名字，可能对应很多叫“刘德华”的人，在CN-Probase里搜索“刘德华”，会出现按照典型性排序的很多实体，排在第一个的是大家提及名字都会联想到的歌手“刘德华”。

有了CN-Probase，计算机就能像人类一样具有常识。例如，计算机可以知道鲤鱼和鲨鱼都是鱼，但鲤鱼是一种淡水鱼，而鲨鱼是一种海水鱼。

与此同时，CN-Probase还可以广泛应用于各种场景：

例一：搜索意图理解

用户搜索“西游记”，我们通过它的概念“中国古代四大名著”、“小说”可以理解用户是在搜索小说类名著。对于用户搜索意图的精准理解可以进一步帮助改进检索、排序与推荐。

例二：实体相似性判断

当用户需要判断“复旦大学”和“上海交大”是否相似时，仅仅根据字面相似性，很难知道它们是相似实体。但是通过CN-Probase，我们可以看到它们的概念是差不多的（如下图），从而可以判断它们在语义上是相似的。

例三：可解释实体推荐

当用户先后搜索“复旦大学”、“上海交通大学”，“上海理工大学”时，我们人类可以自然地推断用户是在搜索上海高校。如今，机器通过检索CN-Probase，发现这三个实体共享“上海高校”这个概念，从而也可以准确识别用户的搜索意图，进一步推荐“上海外国语大学”，“同济大学”等实体，并给出用户是在搜索上海高校这一解释。