因果知识图谱项目
各维度得分依据公开资料与字段推算,加权后即综合评分,仅供参考。
CauseNet 是一个开放域因果关系知识图谱，目标是汇集 Web 上表达的人类因果知识，并尽量将其与未经验证的因果信念区分。它基于 CIKM 2020 论文，收集了超过 1160 万条 claimed causal relations，覆盖约 1218 万个概念，估计抽取精度为 83%。需要注意的是，页面强调的是“声称的因果关系”，并不等同于全部经过科学验证的事实。
CauseNet 的核心是由 causal concepts 与 causal relations 构成的图结构。每条关系可带有详细 provenance 信息，包括来源页面、句子、Wikipedia 修订信息、列表位置、infobox 字段以及抽取用的语言路径模式等。数据来源包括 ClueWeb12 句子、Wikipedia 句子、Wikipedia 列表和 infobox。它提供 Full、Precision、Sample 三个版本：Full 体量最大，Precision 是高精度子集，Sample 适合快速探索。
从开发者工具角度看，CauseNet 更像可下载研究数据集，而不是 SaaS 平台。正文未提及在线 API 或 SDK，但展示了 JSON 数据结构，并提供加载到 Neo4j 图数据库的示例代码，适合自行构建图查询、因果问答或推理流程。页面还提供概念识别数据集，按训练、开发、测试集划分，可用于因果概念 spotter 的模型训练与评估。文档包含字段解释、样例、统计数据、论文引用和许可证，研究复现信息较充分，但缺少完整工程化指南。
页面未给出商业定价或支付方式。代码采用 MIT License，数据采用 CC BY 4.0，整体对学术研究和二次开发较友好。支持方式主要是联系相关高校研究人员，未看到 SLA、社区论坛或商业支持。
优点是规模大、开放、可溯源，并且可接入 Neo4j；缺点是抽取精度并非 100%，Full 数据集有 1.8GB，对数据清洗、验证和图计算能力有要求，也不适合期待即开即用 API 的团队。它最适合 NLP、知识图谱、因果推理、问答系统和计算论证研究人员。
中国访问情况正文未说明，下载是否稳定需实测；支付不是主要问题。若需要更通用的知识图谱或概念关系数据，可对比 ConceptNet、Wikidata、DBpedia、ATOMIC 等。
本测评基于公开资料整理,不构成购买建议,请以 causenet.org 官网实际信息为准。
面向因果推理研究，可作NLP数据资源。
评分明细(分布与用户短评)接入中。当前展示 TG4G 综合评分,数据源自公开测评与用户反馈。