OpenKG 祝各位讀者元宵節快樂！

本文轉載自公眾號：機器之心。

選自ISWC

作者：Baptiste Rocca

參與：思源、李亞洲

我們知道強大的深度模型需要很多計算力，那你知道創建一個知識圖譜的成本到底是多少嗎？德國 Mannheim 大學的研究者最近仔細估算了各種知識圖譜每創建一條記錄所需要的成本，他們表示對于大型知識圖譜，手動創建一個三元組（即一條記錄）的成本在 2 到 6 美元之間，總成本在數百萬到數十億美元之間。

知識圖譜?廣泛用于各種領域，它的統計信息也常被分析。但有一個問題一直缺乏研究：產出價格是多少？在此論文中，研究者提出了一種方法預估知識圖譜的成本。他們表示手動創建一個三元組（triple）的成本大約在 2 到 6 美元左右，而自動創建知識圖譜的成本要降低 15 到 250 倍（即一個三元組 1 美分到 15 美分）。

注意其中 15 美分每條的「自動化」知識圖譜還是需要大量人力進行數據的驗證。此外，作者表示成本也應該作為知識圖譜的評價標準，例如可以使用每個三元組的成本或其他更優的度量方法。

論文：How much is a Triple? Estimating the Cost of Knowledge Graph Creation

論文地址：http://ceur-ws.org/Vol-2180/ISWC_2018_Outrageous_Ideas_paper_10.pdf

估計知識圖譜的成本

隨著知識圖譜的廣泛應用，我們越來越關注大型知識圖譜，例如 DBpedia、YAGO 等。我們已經有很多方法從各種角度檢查這些大型知識圖譜，例如大小、覆蓋度和質量等。然而這些分析不足的地方在于成本，即創建知識圖譜的價格。

人工創建：Cyc 和 Freebase

對于人工創建的知識圖譜，我們必須評估提供這些陳述語句（statement）的工作量，從而估計平均成本。

Cyc 是最早的通用知識圖譜之一，同時它的開發成本也能公開獲得。在 2017 年的一項會議中，Cyc 的創建者 Douglas Lenat 表示：構建 Cyc 的成本為 1.2 億美元。在同一個 PPT 中，Lenat 表示 Cyc 一共有 21M 斷言（assertion），因此每條陳述語句或斷言需要 5.71 美元。若 1000 人有一年的時間完成，則每人每 9.5 分鐘需要完成一條斷言。

Freebase 是由志愿者共同完成的，因此其工作量更難判斷。截止至 2011 年 4 月份，創建英文維基百科的估計時長為 41M 工時。同時維基百科包含 3.6M 的頁面，平均每一個頁面 36.4 個句子，因此換算下來每一條語句需要 18.7 分鐘。由于大多數維基百科條目都是由美國構建的，我們可以使用每小時 7.25 美元的美國聯邦最低工資作為人工成本估算，因此每一句的成本可以換算為 2.25 美元。借鑒這個成本，我們可以假設 Freebase 每一條陳述語句的成本也是 2.25 美元。

這比 Cyc 的平均成本低了一半，這種低成本也是合理的，因為 Cyc 是由人類專家構建的，而 Freebase 由非專業人員創建?？偟亩?#xff0c;對于包含 30 億事實（fact）的最新版 Freebase，它的總成本約為 67.5 億美元（$6.75B）。

?

自動創建： DBpedia、YAGO 和 NELL

評估自動創建知識圖譜所花費成本不同于人工創建知識圖譜。我們參考了用于創建知識圖譜的軟件，基于代碼行數（LOC）來估計開發知識圖譜的成本。我們遵循 [2] 中的分析，即一個軟件生成項目平均每小時生產 37 行代碼（LOC）。

DBpedia 主要是基于 DBpedia 提取框架從維基百科 Dump 得到的，它通過映射中心實體而創建知識圖譜。DBpedia 兩部分需要 4.9M 和 2.2M LOC，它需要的總開發成本為 510 萬美元。鑒于英語 DBpedia[11] 共有 400M 陳述語句，每一條成本約為 1.85 美分。相比于人工搭建的知識圖譜（每一條 2.25 美元），自動搭建的要節省百倍的成本。

YAGO 也是一種知識圖譜，它將維基百科提取的知識與 WordNet[7] 相結合。為了公平比較，它的成本應該包含 WordNet 的搭建費用。YAGO 代碼庫有 1.6M LOC（包括將信息框映射到本體的規則），因此它的總體成本為 160 萬美元。此外，WordNet 本身還包含了 117k 個同義詞集，每一個包含一條注釋。我們估計定義一個同義詞集的成本與構建一個維基百科頁面的成本相近，即最高 1000 萬美元。若 YAGO 有 14 億條陳述語句 [11]，那么每一條的成本為 0.83 美分。相比人工搭建，它的成本要節省 250 倍。

NELL 是一個學習關系抽取 [8] 模式的系統，其核心技術包含 103k 的 LOC，預估開發成本為 10.9 萬美元。此外，該數據集每月還需要人工校驗 1467 條陳述語句。假設人工校驗一條陳述語句的成本和創建成本一樣，那么總的校驗成本為 37.6 萬美元，即通成本為 48.5 美元。因此換算下來，NELL 每條陳述語句的成本為 14.25 美分，即比手動搭建便宜 16 倍。

新的評估標準

把成本作為創建知識圖譜的一種測量方法也能為其他評估方法鋪平道路。例如，可以通過成本查驗為知識圖譜補充缺失信息提供新方法 [9]：一個人一年半開發知識圖譜應該可以添加 2800 條陳述語句，這應該是人力手動產出的三元組數量。

另一個有趣的思路是開發成本與數據質量之間的關系。在圖 1 中，我們圖像描述了該論文討論的知識圖譜中每個三元組成本與錯誤率之間的關系。我們可以看到，高成本創建的三元組準確率也會更高，NELL 是個例外，準確率與成本之間關系極差。

每個三元組成本與錯誤率之間的關系展示圖。

總結

在這篇論文中，我們大體估計了創建一個流行的知識圖譜所花費的成本，這也是當前研究忽視的一個方面。我們量化了自動創建知識圖譜相比于手動方法的收益，并提出使用成本定義新型的評價標準，例如權衡成本與準確率。

有研究者反饋，我們也意識到有很多假設或估計在計算中都存在著問題（例如，我們沒有考慮第三方庫或基礎設施的成本）。其次，知識圖譜的來源或數據成本當前也沒有考慮在內。然而，我們相信：知識圖譜自身帶來的價值將遠超過各種構建成本的總和。

本文為機器之心編譯，轉載請聯系機器之心公眾號獲得授權。

---

OpenKG

開放知識圖譜（簡稱 OpenKG）旨在促進中文知識圖譜數據的開放與互聯，促進知識圖譜和語義技術的普及和廣泛應用。

點擊閱讀原文，進入 OpenKG 博客。

總結

以上是生活随笔為你收集整理的技术动态 | 67 亿美金搞个图，创建知识图谱的成本有多高你知道吗？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。