引言

當(dāng)前，越來越多的短視頻用戶不僅希望利用碎片化的時間來休閑娛樂，也開始希望能夠在短視頻平臺中獲取更多知識。2021年，快手泛知識內(nèi)容播放量同比增長58.11%，平臺全年有超過3300萬場泛知識直播 [1]。為了更好地理解和組織泛知識視頻，快手MMU聯(lián)合哈爾濱工業(yè)大學(xué)等提出業(yè)界首個多模態(tài)短視頻百科——“快知（Kuaipedia）”：通過多模態(tài)和知識圖譜技術(shù)從海量短視頻中挖掘大規(guī)模高質(zhì)量的知識視頻，并將其結(jié)構(gòu)化，形成體系化的短視頻百科知識庫，為用戶提供更好的知識獲取體驗，同時激發(fā)創(chuàng)作者創(chuàng)造優(yōu)質(zhì)知識內(nèi)容，構(gòu)建良性的知識分享生態(tài)。

論文鏈接：??https://arxiv.org/abs/2211.00732??

項目主頁：??https://github.com/Kuaipedia/Kuaipedia??

團隊從快手海量短視頻中挖掘出億級別知識類視頻，并對其進(jìn)行了結(jié)構(gòu)化，構(gòu)建了千萬級詞條和知識點視頻百科體系?！翱熘↘uaipedia）”的提出有助于學(xué)界推動AI通過多模態(tài)信息理解世界知識，且在產(chǎn)業(yè)界落地有較大想象空間。

介紹

百科全書（Encyclopedia），可以追溯到希臘和羅馬，也是17-18世紀(jì)法國啟蒙運動的一個杰出的成果。知識百科通常是指一個是概要介紹人類全部知識或某一特定領(lǐng)域或?qū)W科的工具書或綱要，在互聯(lián)網(wǎng)急速發(fā)展的當(dāng)下，網(wǎng)絡(luò)百科成為知識新的載體，如維基百科、百度百科等。但這些百科通常以圖文、表格為載體，比較難以表達(dá)一些需要生動演示的知識，比如教程（How-to）類知識。圖一展示了使用圖文講述 “柴犬”-“怎么畫” 這一知識的困境。而通過短視頻，我們能夠很好地對這些知識進(jìn)行一個闡釋和學(xué)習(xí)。

具體視頻見??https://www.gifshow.com/fw/photo/3xhcmzgr9fq492m??。

圖一：圖文在how-to類知識上知識傳遞的困境，圖文來自短視頻的幀截圖

隨著內(nèi)容行業(yè)和媒體形態(tài)的不斷迭代，短視頻已經(jīng)越來越成為知識傳播者的主要媒介，尤其是在一些技能和特長類的知識傳播，天然就有它的一些優(yōu)勢。而在當(dāng)下，盡管有公開的網(wǎng)絡(luò)百科中有視頻的內(nèi)容，但通常是偏簡介形式（如秒懂百科），沒有將短視頻最大程度的進(jìn)行利用，因此短視頻在知識百科中的表達(dá)能力被嚴(yán)重低估。比如當(dāng)人們講到“柴犬”，人們除了“簡介” 以外，還關(guān)注“怎么挑”、“怎么梳毛”、“怎么糾正護(hù)食”等。因此我們認(rèn)為將知識類的短視頻結(jié)構(gòu)化，構(gòu)成結(jié)構(gòu)化的短視頻百科是一條理解世界知識、幫助人類以更高效率傳播知識的有效途徑。

參考國家標(biāo)準(zhǔn)科普知識，技能（How）類歸結(jié)為教程知識，在快手海量的視頻中挖掘出高質(zhì)的知識視頻。此外，我們將短視頻中抽取的知識主體以詞條形式呈現(xiàn)（如柴犬），并抽取視頻中講解的該詞條具體的知識點（如柴犬-挑選、柴犬-護(hù)食糾正等），最終構(gòu)成了一個短視頻的百科知識體系，如圖二所示。

圖二：快知——多模態(tài)短視頻百科概覽

“快知（Kuaipedia）”的提出有以下幾個貢獻(xiàn)：

“快知”的定義：我們開創(chuàng)性地定義了一個全新的多模態(tài)知識百科庫，以詞條、知識點、知識類短視頻以及它們間的關(guān)系共同構(gòu)成。這是業(yè)界首個結(jié)構(gòu)化的多模態(tài)短視頻百科。

構(gòu)建大規(guī)模短視頻百科的方法：我們提出使用知識視頻識別、詞條知識點挖掘、多模態(tài)知識鏈接的組合來構(gòu)建大規(guī)模的短視頻百科。并開創(chuàng)性提出“多模態(tài)知識鏈接”任務(wù)，作為傳統(tǒng)實體鏈接的一個外延和擴展。

富有潛力和想象空間的應(yīng)用：在學(xué)術(shù)上，“快知”以嶄新的知識點短視頻化組織形式，能夠突破目前機器僅靠圖文知識圖譜（KG）理解世界知識的上限，在KG的一些下游任務(wù)如實體鏈接、實體分類，或者NLP、CV等內(nèi)容理解下游任務(wù)上，有非常大的潛力。在產(chǎn)業(yè)界，“快知”這樣的形式能夠助力短視頻平臺進(jìn)行高效地運營、組織內(nèi)容，提升用戶對知識的理解與消費效率。

?

技術(shù)概覽

為了實現(xiàn)上述的短視頻百科結(jié)構(gòu)化，核心技術(shù)包括以下三個主要步驟，如圖三所示。

知識視頻識別：通過多模態(tài)視頻預(yù)訓(xùn)練模型，理解并識別海量視頻中知識類視頻；

詞條和知識點挖掘：通過多源知識庫融合“自頂向下”構(gòu)建詞條體系，再通過對用戶搜索query挖掘“自底向上”構(gòu)建詞條與知識點關(guān)系，形成詞條知識點樹；

多模態(tài)知識鏈接：創(chuàng)新性地擴展傳統(tǒng)“實體鏈接”任務(wù)，提出通過多模態(tài)內(nèi)容理解技術(shù)將視頻鏈接到詞條（如柴犬）的某一個知識點（如護(hù)食糾正）上的“多模態(tài)知識鏈接”任務(wù)。

圖三：快知構(gòu)建技術(shù)鏈路

通過大量詳實的人工評測，快知所挖掘的知識點與視頻已具備較高的準(zhǔn)確率和質(zhì)量。更詳細(xì)的算法和實驗數(shù)據(jù)具體參見論文或者我們的Github主頁（見文章開頭）。

?

應(yīng)用

首先，“快知（Kuaipedia）”這樣的多模態(tài)短視頻百科體系，在學(xué)術(shù)界對于推動AI理解世界知識的技術(shù)發(fā)展有極大的潛力。一方面，“快知”突破圖文和表格的局限，通過更豐富的知識點和短視頻來描述某一個實體或者概念，這種方式能夠推動多模態(tài)知識圖譜技術(shù)的發(fā)展。另一方面，這些知識點和短視頻有助于AI更好地理解世界知識，尤其是一些圖文難表述的 How-to 類知識，這種多模態(tài)知識能夠增強AI對世界的理解，對KG、NLP、CV等領(lǐng)域的下游應(yīng)用都很有幫助。我們在CCKS實體鏈指的任務(wù)上，證明“快知”多模態(tài)知識的簡單引入就能有效提升BERT在實體鏈接和在實體分類上的性能。

此外，“快知”在產(chǎn)業(yè)落地極具想象力，在短視頻生態(tài)向“泛知識”拓展的過程中，現(xiàn)有的形式約束了其傳播方式，“快知”通過結(jié)構(gòu)化的內(nèi)容，能提升平臺的運營和分發(fā)效率，更好地滿足用戶的求知訴求。我們將該項技術(shù)首先在健康垂類進(jìn)行了落地嘗試，快手健康團隊此前以病種為組織維度，純?nèi)斯ね诰蛄艘慌鷥?yōu)質(zhì)PUGC內(nèi)容，但是存在疾病知識體系不完善、權(quán)威性知識視頻量級小等痛點，難以高效率構(gòu)建完整、大規(guī)模、結(jié)構(gòu)化的疾病視頻體系。利用“快知”的技術(shù)后，自動化地挖掘出了一批高質(zhì)量、有快手特色的知識點和知識視頻，豐富了疾病類內(nèi)容，比純?nèi)斯?gòu)建提效幾十倍。目前這批內(nèi)容已經(jīng)在快手App精選頁上線：點擊精選視頻流中某個疾病類視頻的「底部通欄」，喚起「快手健康」半屏頁，用戶可以消費該視頻所屬詞條下的相關(guān)知識點和相關(guān)知識視頻，如圖四所示。

圖四：快知在健康場景落地

除健康外，“快知”還覆蓋了教育、美食、三農(nóng)、親子、法律、科技、金融等眾多領(lǐng)域的知識內(nèi)容，有著較大的應(yīng)用潛力。

?

結(jié)語

面對泛知識類內(nèi)容在短視頻行業(yè)的發(fā)展前景，我們提出了“快知（Kuaipedia）”多模態(tài)短視頻百科體系，從存量的海量短視頻內(nèi)容入手，通過多模態(tài)知識圖譜構(gòu)建技術(shù)挖掘出億級別高質(zhì)量的知識視頻，并將知識內(nèi)容結(jié)構(gòu)化，構(gòu)建業(yè)界首個大規(guī)模體系化的短視頻百科知識庫，其在學(xué)術(shù)界和產(chǎn)業(yè)界有較大的潛力和想象空間。

?

作者介紹

第一作者：潘浩杰

快手MMU知識圖譜中心成員，快知項目負(fù)責(zé)人，本碩畢業(yè)于浙大和港科大，曾在阿里云PAI負(fù)責(zé)大規(guī)模NLP算法與框架，在ACL、EMNLP、KDD、AIJ等頂會頂刊中發(fā)表10余篇論文，多項國內(nèi)和美國專利，詳見知乎。2021年加入快手。?

通訊作者：付瑞吉

快手MMU知識圖譜中心負(fù)責(zé)人，本碩博畢業(yè)于哈工大，中科大博士后。曾擔(dān)任科大訊飛AI研究院副院長，獲吳文俊人工智能科技進(jìn)步獎一等獎。在ACL、EMNLP、Coling、IJCAI、TASLP等國際會議和期刊上發(fā)表學(xué)術(shù)論文多篇，申請（獲得）國家發(fā)明專利四十余項。2021年加入快手。

合作老師：劉銘

教授/博士生生導(dǎo)師，哈爾濱工業(yè)大學(xué)計算學(xué)部。先后主持國家重點研發(fā)計劃項目課題、國家自然科學(xué)基金、中國博士后科學(xué)基金特別資助、中國博士后科學(xué)基金面上資助一等資助、黑龍江省面上基金等多項基金項目。獲黑龍江省科學(xué)技術(shù)一等獎，哈爾濱市科技成果，第六屆全國青年人工智能創(chuàng)新創(chuàng)業(yè)大會一等獎。 近年來以第一作者或通訊作者發(fā)表CCFA/B類論文20余篇，參編教材一部，英文譯著一部。擔(dān)任NLPCC2020、CCKS2020、COLING2022知識圖譜領(lǐng)域主席，CCKS2019出版主席、CCKS2021評測主席、CCKS2022講習(xí)班主席。

參考文獻(xiàn)

[1] 快手，2022快手泛知識內(nèi)容生態(tài)報告.

[2] 國家標(biāo)準(zhǔn)委：知識管理框架，GB/T 23703.