本文整理自中國中文信息學會常務理事、白碩博士在杭州金融知識圖譜論壇上的演講。

兩個問題

第一個問題是，為什么有人說“中文知識圖譜”，難道知識圖譜是有國籍的嗎？它是有母語的嗎？知識是無國界的，這個當然是理論上的說法。具體到一個國度，一個語言文化的大環境，我們就會發現，事實上知識是有母語的。理論依據就是所謂的 語言相對論 。可能大家最近都看了《降臨》，《降臨》講的就是語言相對論。一種思維方式、一種文化是被它的語言，它所操的母語所塑造。這是一個很重要的論斷，也正因為這個，在英語世界里搞得非常好的一些技術，到漢語的世界來，就有可能水土不服。這給我們提出的任務，就不止是一個移植、漢化的問題。實際上與 NLP 的對接，就是知識處理。與 NLP 對接的這一塊，任務比我們想象中重。語言的差距越大，親疏關系離得越遠，這個任務就越重。因為英語和德語之間不會那么費勁，法語跟意大利語之間也沒有那么費勁，但是英語跟漢語之間，可能就是要費勁的。這與語言相對論是同樣的道理。

第二個問題，知識圖譜與 NLP 對接是一個新問題嗎？這需要看我們從什么意義上講。

從學術意義上講，肯定不是一個新問題，這個問題我們早已有之。在知識圖譜不叫知識圖譜的年代，實際上自然語言處理的研究者們，就已經在研究如何表示自然語言的語義。自然語言的語義和具體的知識，具體的常識，具體的一些事實陳述之間，到底是什么樣的關系，也有不少研究。這里面我們暫且還不說這些具體的研究。知識抽取有很多經典性的工作，比如恐怖活動，恐怖事件這樣一個大的范疇，它里面一系列的環節，再比如兇殺案、恐嚇信。還有事件范圍更大的，比如總統選舉，它的選舉前期怎么樣，中期怎么樣，后期怎么樣，就不是一個事件而是一個話題了。作為自然語言的語義和作為知識的表示之間，是有著天然的聯系的。但是還不完全是一回事。因為語言有語言的單位，它敘述的單位，有它切入的視角。敘述單位和知識要把握的，一個大的場景要把握的單位之間，可能會有一個粒度不一樣的銜接。比如我們可能一句一句地說發生了什么事情，什么人死了，在什么地點，那么語義理解也是一句一句把它轉義為語義的表示。但是這個語義的表示，還不直接就是知識圖譜，還不直接就是那樣一個大的場景的描述。所以還要通過不同的蛛絲馬跡，通過不同外圍的描述，再去激發核心的大的場景，然后再往里面添一些相應的添項。以上是從學術觀點看。

從技術觀點看，它也是一個不新不舊的問題。不新不舊就是說它與過去是有很多銜接的。但是在新的形勢下，對技術也提出了一些新的要求。這些新的要求，也需要我們把它落地。具體到金融領域，我們也會看到確實是有一些新的要求，面對這樣一些要求，需要去把它們落地。

從產業來看則是一個新的問題。我們怎樣有效地把知識圖譜的資源和 NLP 的資源銜接起來。不久前，在一個微信群里面，有一位投資人說他想找這樣的資源，找這樣的人，找這樣的團隊合作，把 NLP 直接與量化投資結合，一起合作開發搞成一個系統。在我看來，這不是一個系統，這是好幾個系統了。系統之間是有銜接的，你不能說淘金的人，把賣水的生意都一塊做了，這是不行的。術業有專攻，有人擅長這個，你就讓擅長這個的人去做，有什么需求就給人家提，但你不要把大家都搞成一個系統，那就沒法玩了。這個說明了領域的產業分工，NLP 做哪一段，知識圖譜做哪一段，知識圖譜的應用做哪一段，這分別是幾個系統，分別由不同的人來提供。這個事情可能還是沒有形成一個穩定的業態導致的。因此需要我們大家一起來探索和努力。

模態算子

我現在介入一些比較專業的話題，模態算子。這個模態算子是什么東西，大家一看就知道的。因為我們在一些報道中，在一些關于產業、經濟發展的這種新聞報道中，以及各種各樣的公司公告和業績公告中，都會看到有這樣一些描述。這些描述是一個事實在前面加了一個東西，如果我們不認真對待或者說把它們忽略了，是會有問題的。

這個東西叫模態算子，它有幾種表達形式。

第一種表示 未然 ，就是說還沒發生，但是預計或者計劃，或者將要發生。我們看這樣一些例子，第一個，我們預計增產 15%，第二個是 準備 裁員 20%， 計劃 漲價 50%， 擬 采購多少多少噸。如果我們把這些詞放過去了，那就可能錯把一個未然的東西，當成一個事實來處理。如果放到知識庫，那么這個沒有發生的事情，跟已經發生的事情攪在一起，你有一些推理能力的話，就會推出很多最后你自己都不相信的結果。所以怎么樣去處理未然？這里面我們提出的模態算子一類，在我們中文的這個語言學里面，算是計劃類。

第二類在陳述前面加了主觀的折扣或者表示分寸的東西。比如說我不認為有必要怎樣，這樣一個前綴，或者說傾向于暫緩什么，或者說堅信一定不會怎么樣。可能會用一些，就是副詞或者說一些表示認知的這樣一些詞，再進行什么樣的組合。這樣一種組合，它會把一個裸的陳述加上一些分寸感，一種主觀的過濾。這樣一些東西，我們也要注意，不能忽略。如果把這些前綴都忽略掉，然后把后面的被前綴約束的東西，當做一種事實陳述，然后再跟事實混在一起，無論是進行推理也好，進行問答也好，都可能會放大一些小概率的事情。

第三類是一些高階表述。我們在外交場合會見到一些高階表述的外交辭令。不幸的是，關于財經類的新聞報道中，也看到了這樣的表述。比如說對房價過快上漲的預期減弱，這里面對價格做了上漲的修飾，然后又對預期價格上漲這件事做了減弱 。對于這種套了好幾層的套路，是一些對高階導數的定性描述。我們怎樣去把它落到所謂的知識庫里面，也是一個問題。比如對去產能措施的成功充滿信心，還沒成功呢只是充滿信心，還沒有去產能，只是要采取一些措施。

如果我們去采集這樣一些數據，采集到的不全是客觀事實。因為除了陳述本身之外，還覆蓋了一些東西，到底是誰說的，說的是哪個世界的事，是現實世界的事還是我們未來世界的事，說的時候打了多少折扣，從里到外套了多少套路，這些都是我們需要關注的。如果不關注這些點，或者只去采認識的東西，就是采出一些裸事實來。如果不看這些裸事實外面套的外套，可能會有偏頗。

另一方面，這些不全是客觀事實的表述，它也有自己的意義。尤其是在金融領域，資本市場是最典型的，不管有沒有風，起浪就夠了。因為它造成的一些效果，在人的心理有投射，而這些效果會引發后面的一些動蕩和行為。不管這個東西是真是假，它引發行為總是真的。如果焦點恰恰在引發行為的這個分析上，那么有這個風，它的作用就會存在，我們就要分析它的作用。那么具體怎么分析呢？我們剛才說的這三類，一類是未然的，那它到底能不能變成已然，這里面是有它的主觀性在內的，是誰說的，來源是否可靠。其來源是否可靠，也對它從未然到已然的概率，會產生影響。所以這時候我們需要一些標簽把看到的模態算子變成標簽，比如說消息源的標簽，就緒度的標簽。第二類就是打了折扣的這些，我們就要根據這個折扣的分寸感，去給它標注相應的可信度的標簽。第三類是定性的導數，我們還要給它標變化率的標簽，比如表現率的定性曲直。通過這樣一些標簽，我們就能夠區分帶了模態算子帽子的陳述跟裸的事實陳述。這些標簽也可以在后期加以利用，我們把它叫做模態元數據。

如何使用模態元數據？

可以想到的三種方法，一種是分庫存放，隔絕推理。我推我的，事實跟事實在一起推，不是事實也許可能成為事實的，或者說有一定概率成為事實的或者怎么樣的，那些放到另外的地方另外推，這兩個互相不相往來。這樣分庫存放可以減少一定的混亂，但隔絕推理就可能會使我們失去了一些挖到更多知識的機會。

第二種方式就是混合存放，放開推理，這種其實也不好。因為它們長的也不一樣，性質也是有所區別的，如果全放在一起，放開推理的話，推出來的東西可能你就無法掌控。

我們推薦的是第三種，就是分庫存放。同時對推理有一定的控制，就不讓它放開了推。當然說是這么說，具體實施還是要注意到很多事情，我們這里就是從學術角度強調，有這樣一類陳述，這類陳述需要大家引起重視。那么一些路徑上的考慮先放在這兒，至于說怎么樣去實現，我們可以底下再做一些探討。

它能怎么用呢？比如說這個公司在不同的時間，會承諾未來做一些事情，它到底做的怎么樣呢？這個可以給進度，通過計劃最終給進度劃線，什么時候哪些東西的未然成為已然了，我們可以看它實現的情況。還有就是觀點聚類，那也就是說根據大家對同一件事情打的不同的折扣，我們可以給這樣一個人群的觀點的分布畫像，讓他知道誰是站在左邊，誰是站在右邊，誰是站在中間。我們還可以對趨勢進行一些定性導數的分析。

深層語言分析結果的對接

下一個話題，深層語言分析的結果如何與知識圖譜進行對接。

深層語言分析，傳統來說是把這個語言分成詞法、句法、語義三個層面，然后剩下的就是計入應用場景，語義也屬于應用場景的一部分。有一條線，線的左邊是語言，線的右邊是知識，實際上語義已經延伸到知識領域一小塊了，但場景基本都屬于知識這個領域，而還有一大部分語義，一大半句法，詞法的全部都是屬于語言這個領域的。從什么地方出發，來達到我們最終的目標，場景，會產生不同的技術路線。

最早是用詞袋來激活場景，在知識圖譜里面當時叫框架。從這兒就隔得非常遠，我們可以利用的信息就非常少。當然這個應用，如果說有一些非常限定領域的應用，出于效率的考慮，我們可以這樣用。那么基于模板往前了一步，它利用了一些淺層的句法，但是這個句法不夠深。不夠深的情況下，它再進一步，就離場景近了一點，但是實際上它還是有一些信息沒有捕捉到，或者有一些結構性的關鍵信息沒有捕捉到。因為沒有捕捉到，所以這里面還是有一些失誤，或者說不夠精準的情況。利用句法分析去做，可以用所謂的 SVO， 就是主謂賓語言上的一個簡寫。去找這種主謂賓的搭配，然后利用主謂賓的組合這種深層的信息，跟相應的一些場景里面的知識圖譜也好，什么樣的表示也好去對接。SVO 也有它的一個位置，在上圖我們畫星星的地方。它除了采用深層的句法之外，還采用了一定的語義特征，我們叫次范疇語義特征，這個深層句法加上次范疇語義特征能干的事，又比這個又多一點。現在這種對接的效果，我們看它處的位置跟我們的場景距離就比較短了，它能夠利用的一些結構性的信息就更多了。

說到這兒，我想說一個產品，小孩拿到了一個新機器人，很高興跟機器人對話玩。小孩說，你給我講個故事吧，然后機器人從故事庫里面挑一些故事就開始講了。小孩挺高興，但是過一會，他表現欲很強，就跟機器人說，那我給你講個故事吧。機器人不懂，以為是讓他講故事，又開始講。是“我給你”還是“你給我”這個事情沒有搞明白。可以肯定，它是基于模板來做的，可你要考慮一下語序這個事情，至少你這個技能就不會是單打一的出來，一定是成對的或者怎么樣出來。正因為它不是成對出來的，所以我們可以很有信心的說，他們是基于模板的技術。基于模板里面就是說，我給你，你給我這個語序的信息，它是沒有捕捉到的。

在證券市場里，買賣，在銀行里面借貸，包括我們生活當中的娶嫁，都存在一個相對關系，一個講一個聽。你賦予它講故事的能力，如果說同時能夠因為語義上的關聯，賦予他一個傾聽的能力，不是更好嘛。所以這個是我們從這里面看到的，基于模板的對接。

SVO 的局限

那么 SVO 會出現什么問題呢？它會出現這樣的問題：比如說一個公司增長率超過了 15%，然后另一個場景表示，它的增長率是超過了聯想（公司）。這都是主謂賓，賓語是放在不同地方的，說明我們知道誰跟誰有關系，但是關系的性質其實是不一樣的，而這個是一個細粒度才能區分，只從 SVO 區別不了這件事情。為什么區別不了？因為超過了聯想的意思是以聯想為對標，在這個增長率上，是超過了聯想的那個增長率。

我們的做法就是深層 parsing，這里面我們看底下那行，這一行就是語義次范疇，那個 Cat 還是句法的范疇，這個 Subcat 就是語義次范疇。那么在這里面，我們就看到有一個做法，就是腦補。把聯想順著桿往下滑，從一個組織滑到一個組織的某項指標，然后在某項指標的數值，用這種方法順著桿滑下來，然后從不可比就變成可比了。其實我們提出語法分析的過程，不僅能分析我們金融領域比較實用的句子，還能分析看起來老大難的句子。

比如說“這個問題老張的處理方法我有意見”，這句就不是常規的用法，而是賓語提前的用法。這種賓語提前的用法，就是說處理的，處理的是問題，辦法是處理的辦法，意見是對辦法的意見。像這樣一些名詞，按說都是不挖坑的，但是我們這里是要挖坑的，而且要有其他的名詞給它填坑，甚至是動詞給它填坑，那么這樣復雜的過程，我們也可以做，比如說用線圖的方式去表達這個分析的結果，或者用平面圖的方式去表達這個分析的結果，這都是可以做的。

最后我們簡單說一下自然語言當中的風格選擇問題。大家看這個就知道了，實際上我們很多的地方，每一個零件都是可替換的，而替換的不同選擇反映了風格。風格反映了聽說對方的關系，反映了說話人的性格特征和情緒狀態。

知識圖譜跟自然語言的對接，知識圖譜自身的推理需要有一個共同的中間站，我們比擬的說法，虛擬的說法，它是圖譜操作的系統，這可能是需要的。