想象你手里有两张卡片。一张是高中同学录，上面写着“张三——李四的同学”“李四——王五的同学”。它告诉你谁和谁认识，却说不清谁影响了谁、为什么他们会成为朋友、张三转学后对李四有什么影响。另一张是城市交通路网图，每条路都标了方向（单行道、匝道入口）、车流量（拥堵指数），以及一条路堵了之后如何向上游和下游蔓延。同学录就是传统知识图谱——它是一张“关系的快照”；而交通路网图，就是因果知识图谱——它是一张“因果的电路板”。本文要讲的，就是如何把一张“同学录”升级成“路网图”：将静态的关联升级为带方向、带强度的因果链，让机器不仅能回答“什么是”，更能回答“为什么”和“如果……会怎样”。

岗位关联

理解因果知识图谱，是 AI 从业者从“会做关联推荐”走向“能做可信决策”的分水岭。掌握它，你就能为问答系统、决策引擎和政策分析构建真正可推理的因果基础设施，在可信 AI 时代占据先机。

目录
  1. 可视化演示
  2. 概念由来——为什么同学录不够用了
  3. 核心构成——路口、单行道与车流量
  4. 构建方法——如何绘制城市路网
  5. 因果推理——堵车传导与应急调度
  6. 典型应用——交通大脑的三块拼图
  7. 挑战前景——路网升级的最后考验
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示从静态知识图谱到因果知识图谱的升级过程，包括节点因果方向标注、因果查询传播与推理结果生成。

本节配有交互动效（进入视口后自动加载，约 3KB）。

因果知识图谱 因果边表示变量间有向因果关系 查询传播路径 推理结果与置信度 P(Y|do(X)) 因果推理将静态关联升级为动态因果推断引擎

概念由来——为什么同学录不够用了

同学录不会告诉你：张三和李四为什么成为朋友？如果是李四主动接近张三，那改变李四的行为就可能导致两人疏远；反过来，如果是张三先释放善意，情况完全不同。传统知识图谱就是这张同学录，它以三元组（头实体，关系，尾实体）记录海量事实——“感冒”关联“发烧”、“吸烟”关联“肺癌”——但它只回答“是什么”，不回答“为什么”，更不支持“如果我戒烟，肺癌风险能降多少”这类反事实问题。这是传统知识图谱的根本局限：它是一张静态的快照，没有因果方向，也没有因果强度。

要回答上述问题，必须引入因果视角。因果知识图谱把传统知识图谱中的实体替换为变量或事件，把无方向或语义模糊的关系替换为带方向、带强度的有向因果边。形式上，一张因果知识图谱可表示为三元组结构：

回到比喻：同学录只有一条条“认识”连线，而路网图在同样的地形上标出了单行道方向、拥堵强度和堵车传导路径。因果知识图谱就是在知识图谱的“地形”上，绘制了一套“交通规则”，让静态关系变成可计算的因果系统。从“谁认识谁”到“为什么发生”，这就是知识图谱从静态走向动态的第一步。

G=(V,E,ω)G = (\mathcal{V}, \mathcal{E}, \omega)
这个公式表示：一张因果知识图谱 G 由三部分组成——节点集合 V、有向边集合 E、强度函数 ω。
  1. 节点集合 V代表变量或事件，比如“下雨”、“堵车”、“迟到”。同学录里的“人”，变成了路网中的“路口”。
    V={v1,v2,…,vn}\mathcal{V} = \{v_1, v_2, \ldots, v_n\}
  2. 有向边集合 E代表因果方向，从原因指向结果，比如“下雨 → 堵车”。
    E={(vi→vj)∣vi causes vj}\mathcal{E} = \{(v_i \to v_j) \mid v_i \text{ causes } v_j\}
  3. 强度函数 ω为每条边赋予一个 0 到 1 之间的权重，衡量因果的强弱，类似路网中的车流量等级。
    ω:E→[0,1]\omega: \mathcal{E} \to [0, 1]

核心构成——路口、单行道与车流量

一张城市路网图，读图的人只看三样东西：路口在哪里、路往哪个方向走、路上的车流量有多大。因果知识图谱的核心构成恰好一一对应：节点（路口）、有向边（单行道）、因果强度（车流量）。节点不再是一个孤立的实体名称，而是一个可观测的变量或事件；有向边明确标出“谁是因、谁是果”；强度则告诉推理引擎这条因果关系的“分量”有多大。

在概率层面，因果知识图谱的精髓是“条件概率分解”。传统知识图谱认为所有事实是并列的，而因果知识图谱认为，每个变量的取值只直接依赖于它的“原因”（父节点）。比如“迟到”这个变量，只直接依赖于“堵车”；而“堵车”又只依赖于“下雨”和“发生事故”。整张因果图因而可以用一个小巧的公式表达：

这条分解公式让因果知识图谱在计算上变得高效：如果不是“只看父节点”这个局部性假设，我们要记录所有变量的联合概率，复杂度会随变量数量爆炸式增长——就像要想知道全城路况，必须同时掌握每个司机的行程；而有了因果结构，只需要逐路口建模，路网就能“轻装运转”。这也是因果知识图谱能支撑大规模推理的深层原因。

P(v1,v2,…,vn)=∏i=1nP(vi∣pa(vi))\displaystyle P(v_1, v_2, \ldots, v_n) = \prod_{i=1}^{n} P(v_i \mid \text{pa}(v_i))
这个公式表示：所有变量的联合概率，可以分解成每个变量在给定其父节点（直接原因）下的条件概率的乘积。这是因果知识图谱概率推理的基石。
  1. 联合分布 P(v₁,…,vₙ)描述所有变量同时出现的概率，比如“同时下雨、堵车、迟到”的概率是多少。
    P(v1,v2,…,vn)P(v_1, v_2, \ldots, v_n)
  2. 连乘符号 ∏把每个变量的条件概率逐个相乘。路网的“全局路况”由每个路口的“局部规则”组合而成。
    ∏i=1n\prod_{i=1}^{n}
  3. 条件概率 P(vᵢ | pa(vᵢ))每个变量只依赖其直接原因（父节点），不关心更远的祖先。这就像判断路口是否拥堵，只需看上游来车和信号灯，无需追溯城市的每一辆车。
    P(vi∣pa(vi))P(v_i \mid \text{pa}(v_i))

构建方法——如何绘制城市路网

绘制一张城市路网要三路并进：交警实测车流（数据）、规划局定单行规则（专家）、航拍图像辅助标注（工具）。因果知识图谱的构建同样有三条路径。第一条是数据驱动：给定一批观测数据，算法通过条件独立性检验推断变量之间是否存在直接因果边。比如检测到“下雨”和“迟到”的相关性在给定“堵车”后消失，就能推断“堵车”是中继变量，路径是“下雨 → 堵车 → 迟到”。第二条是专家知识注入：领域专家直接标注确定性的因果规则，比如药理学家指出“药物 A → 血压下降”。第三条是大模型辅助抽取：大模型从海量文献、报告中抽取因果关系三元组，再由校验模块过滤。

当算法或专家给出多个候选图结构时，需要一把“尺子”来度量哪个图最可信。最常用的是 BIC 评分：

如果路图画得太繁——给每条路都添加一条虚构的支路——BIC 的惩罚项会自动“扣分”；如果画得太简——漏掉关键单行道——拟合度又会下降。BIC 帮助我们在“过繁”与“过简”之间找到最可信的那张因果路网图，这就是数据驱动构建的核心步骤。

BIC(G∣D)=ln⁡P(D∣θ^,G)−d2ln⁡n\displaystyle \text{BIC}(G \mid D) = \ln P(D \mid \hat{\theta}, G) - \frac{d}{2} \ln n
这个公式表示：BIC 评分 = 数据拟合度（似然）− 模型复杂度惩罚。分数越高，图越可信。
  1. 数据拟合度 ln P(D|θ̂,G)在给定图 G 和最优参数 θ̂ 下，样本数据出现的概率的对数——路网越贴近真实车流，拟合度越高。
    ln⁡P(D∣θ^,G)\ln P(D \mid \hat{\theta}, G)
  2. 复杂度惩罚 d/2·ln n参数个数 d 越多、数据量 n 越大，惩罚越重——防止画一张“每条路都单独设收费站”的过拟合路网。
    d2ln⁡n\frac{d}{2} \ln n
  3. 整体平衡两者相减，得到一个既要求贴合数据、又要求结构简洁的评分。
    BIC(G∣D)=ln⁡P(D∣θ^,G)−d2ln⁡n\text{BIC}(G \mid D) = \ln P(D \mid \hat{\theta}, G) - \frac{d}{2} \ln n

因果推理——堵车传导与应急调度

路网图最迷人的地方，是可以用它做推演：早高峰某条主干道封闭，拥堵会如何蔓延？公交优先道启用后，私家车通行时间缩短多少？因果知识图谱的推理同样支持三类问题。第一类是路径推理：沿着有向因果边传播信号，比如从“下雨”到“迟到”有一条因果路径，传播强度是各边强度的乘积。第二类是干预推理：回答“如果我强制改变某变量，后果是什么”，这正是 do-演算的用武之地。第三类是反事实推理：回答“如果当时没有下雨，小明还会迟到吗”。

干预推理的数学核心是 do-演算。以最简单的“干预 X 对 Y 的影响”为例，如果存在混淆变量 Z 同时影响 X 和 Y，直接看 X-Y 的相关性是有偏的。正确做法是对 Z 做加权调整：

回想路网比喻：直接观测到的“限行路段与事故的相关性”可能被天气、时间等因素混淆。do-演算就像在路网图上做“受控实验”：把天气等变量固定为某个值，再统计限行路段的真实事故率，最后按天气分布加权。这样算出来的，才是真正的因果效应，而不是“看起来相关”。

P(Y=y∣do(X=x))=∑zP(Y=y∣X=x,Z=z) P(Z=z)\displaystyle P(Y = y \mid \mathrm{do}(X = x)) = \sum_{z} P(Y = y \mid X = x, Z = z)\,P(Z = z)
这个公式表示：要估计“强制将 X 设为 x 时 Y=y 的概率”，需要对混淆变量 Z 的各个取值做加权求和，而非直接看观测相关性。
  1. 干预符号 do(X=x)表示“强制将 X 设为 x”，相当于路网中用交通管制强制让某条路单向通行。
    do(X=x)\mathrm{do}(X = x)
  2. 对所有混淆取值求和 ∑zZ 的每个取值都可能改变 Y，按权重综合消除偏差。就像评估“限行”效果时，要分别考虑晴天、雨天的车流情况，再加权平均。
    ∑z\sum_{z}
  3. 加权乘积P(Y=y|X=x,Z=z) 是给定 X、Z 时 Y 的条件概率，P(Z=z) 是 Z 的先验权重。
    P(Y=y∣X=x,Z=z) P(Z=z)P(Y = y \mid X = x, Z = z)\,P(Z = z)

典型应用——交通大脑的三块拼图

一张高质量的路网图，最终要服务于出行的三类需求：问路（问答）、调度（决策）、规划（政策）。因果知识图谱的典型应用也落在三块拼图上。第一块是因果问答：用户问“为什么最近交通事故变多？”，系统沿因果路径回溯，给出“降雨量增大 → 路面湿滑 → 事故率上升”的完整链条，而不是简单返回一堆相关新闻。第二块是智能决策支持：决策者想知道“是否该实施单双号限行”，系统计算限行的平均因果效应（ATE）。第三块是政策评估分析：评估“某新规是否真正降低了违规率”，需要剥离季节性因素，用反事实框架回答。

其中，决策支持最核心的量化指标是平均因果效应：

路网调度员想知道“单双号限行到底有没有用”：把城市随机分成两组，一组限行、一组不限行，统计两组的平均拥堵指数，差值就是限行的真实效果。现实中做不到随机分组，但因果知识图谱让这种“不可能的实验”在推算中成真——这正是它作为决策支持基础设施的核心价值。

ATE=E[Y∣do(X=1)]−E[Y∣do(X=0)]\displaystyle \mathrm{ATE} = \mathbb{E}[Y \mid \mathrm{do}(X = 1)] - \mathbb{E}[Y \mid \mathrm{do}(X = 0)]
这个公式表示：干预组（X=1）与对照组（X=0）的期望结果之差，就是 X 对 Y 的平均因果效应。
  1. 期望符号 E对结果 Y 取平均，消除个体差异。
    E[Y]\mathbb{E}[Y]
  2. 干预组 do(X=1)强制所有人接受干预（如限行），得到结果 Y 的均值。
    E[Y∣do(X=1)]\mathbb{E}[Y \mid \mathrm{do}(X = 1)]
  3. 对照组 do(X=0)强制所有人不接受干预，得到对照均值。
    E[Y∣do(X=0)]\mathbb{E}[Y \mid \mathrm{do}(X = 0)]
  4. 差值两个均值的差，就是“限行导致的净效果”——正数表示有效，负数表示反而有害。
    ATE=E[Y∣do(X=1)]−E[Y∣do(X=0)]\mathrm{ATE} = \mathbb{E}[Y \mid \mathrm{do}(X = 1)] - \mathbb{E}[Y \mid \mathrm{do}(X = 0)]

挑战前景——路网升级的最后考验

路网图再精美，也有三个软肋：数据稀疏——某些路口没有传感器，只能靠推测；因果不完备——存在未观测的变量（如“司机心理”）同时影响多个路口；可信度——一旦图错了，下游所有决策都会跟着错。因果知识图谱同样面临这三大挑战。首先是数据稀疏：现实中收集到的观测数据往往有限，很难覆盖所有变量组合，导致构建出的因果图残缺。其次是因果不完备：如果存在未观测的混淆变量，比如“城市经济繁荣”同时推高通车量和事故率，数据自身无法区分“经济繁荣 → 事故”和“经济繁荣 → 通车量 → 事故”，因果方向可能被错误定向。

最后是可信评估：如何衡量构建出的图与真实因果结构的差距？评估图质量的常用方法是计算与真实图的“距离”：

尽管挑战重重，因果知识图谱的前景却极其明亮。它把知识图谱从“会查资料的同学录”升级为“会推演的路网大脑”，在智能交通、医疗决策、政策仿真等场景中，正在成为可信 AI 基础设施不可或缺的一环。随着大模型与因果推断工具的结合，绘制这张“因果路网”的成本正在快速下降——未来的 AI，不仅能回答“发生了什么”，更能回答“为什么发生”和“如果改变会怎样”。

Dist(G,G∗)=∑(u→v)∈E∣ωuv−ωuv∗∣\displaystyle \mathrm{Dist}(G, G^*) = \sum_{(u \to v) \in \mathcal{E}} |\omega_{uv} - \omega_{uv}^*|
这个公式表示：把构建的因果图 G 与真实因果图 G* 逐边比较，对所有边的强度差的绝对值求和，距离越小，图越可信。
  1. 真实因果图 G\*假设中的“标准答案”路网，是评估的参照物。
    G∗G^*
  2. 逐边累加 ∑对图上每条有向边做一次差值比较。
    ∑(u→v)∈E\sum_{(u \to v) \in \mathcal{E}}
  3. 强度差绝对值 |ωuv − ω\*uv|构建强度与真实强度的偏差，取绝对值避免正负抵消。
    ∣ωuv−ωuv∗∣|\omega_{uv} - \omega_{uv}^*|

AI 应用场景

智能交通管控

阶段：因果推理与决策支持

解决的问题：传统信号控制基于实时车流做反应式调度，只能“哪儿堵疏哪儿”，无法回答“若提前疏导某路段，拥堵会如何蔓延”。因果知识图谱将天气、车流、事故、信号配时建模为带方向的因果网络，支持干预推演。

具体案例：某市交通大脑构建城市级因果图谱，节点覆盖路段、气象、事件、信号配时。当暴雨预警触发时，系统沿“暴雨 → 路面湿滑 → 事故率↑ → 拥堵蔓延”的因果链推演，提前 30 分钟自动调整主干道绿波带，该季度事故率下降 18%。

药物副作用筛查

阶段：知识构建与风险推理

解决的问题：传统药物警戒靠人工阅读文献和自发报告，漏报率极高。因果图谱从 PubMed 文献中抽取“药物 → 靶点 → 通路 → 不良反应”的因果边，结合电子病历数据校准强度。

具体案例：某药企评估“联合用药是否导致心律失常”，构建包含 1.2 万条因果边的药学图谱，用 do-演算剥离并发症混淆后，锁定 3 个高风险的药物组合，并给出每条因果链的可视化证据。

政策仿真评估

阶段：反事实推断与效果评估

解决的问题：政策评估的传统做法是前后对比，无法排除时间趋势和其他政策的干扰。因果图谱构建“政策 → 行为 → 结果”的反事实框架，用 ATE 量化净效应。

具体案例：教育部门评估“双减政策是否降低学生焦虑”，构建“政策 → 作业量 → 睡眠 → 焦虑”因果图谱，ATE 计算显示政策使焦虑指数下降 0.32 个标准差，而同期其他因素贡献甚微。

Python 演示

python40 行
"""因果知识图谱演示: 从观测数据发现对撞结构 (V 结构)"""import numpy as npfrom itertools import combinations  def gen_data(n=500, seed=42):    """生成真实因果结构: X->M<-Z (M 为对撞点), X-M-Y 与 Z-M-Y 形成因果链"""    rng = np.random.default_rng(seed)    x = rng.normal(0, 1, n)                     # 原因1: 商品价格    z = rng.normal(0, 1, n)                     # 原因2: 天气    m = 0.6 * x + 0.5 * z + rng.normal(0, 0.3, n)  # M: 销量 (对撞点)    y = 0.5 * m + rng.normal(0, 0.5, n)         # Y: 利润    return np.column_stack([x, z, m, y])  def partial_corr(data, i, j, cond):    """剔除 cond 影响后, i 与 j 的偏相关系数"""    cols = [i, j] + list(cond)    c = np.corrcoef(data[:, cols].T)    inv = np.linalg.inv(c)    return -inv[0, 1] / np.sqrt(inv[0, 0] * inv[1, 1])  def find_vstructures(data, raw_thresh=0.1, cond_thresh=0.1):    """检测对撞结构: 无条件独立, 但以共同子节点为条件后相关"""    p = data.shape[1]    vs = []    for i, j, m in combinations(range(p), 3):        raw_r = abs(np.corrcoef(data[:, i], data[:, j])[0, 1])        cond_r = abs(partial_corr(data, i, j, [m]))        if raw_r < raw_thresh and cond_r > cond_thresh:            vs.append((i, m, j))    return vs  data = gen_data()print("变量映射: 0=价格(X) 1=天气(Z) 2=销量(M) 3=利润(Y)")print("X 与 Z 无条件相关:", round(np.corrcoef(data[:, 0], data[:, 1])[0, 1], 3))print("以 M 为条件后 X-Z 偏相关:", round(partial_corr(data, 0, 1, [2]), 3))print("检测到的对撞结构(X->M<-Z):", find_vstructures(data))
目的：演示因果结构学习中最关键的信号——对撞结构（V 结构）检测，它帮助我们从纯观测数据中发现因果方向。
  1. m = 0.6 * x + 0.5 * z + rng.normal(0, 0.3, n)生成“对撞点”销量 M，同时受价格 X 和天气 Z 影响，是 V 结构的核心。
  2. partial_corr(data, i, j, cond)计算偏相关系数：剔除 cond 变量影响后 i 与 j 的关联，是因果发现的基本工具。
  3. raw_r = abs(np.corrcoef(data[:, i], data[:, j])[0, 1])计算无条件相关系数，判断两变量是否“表面独立”。
  4. cond_r = abs(partial_corr(data, i, j, [m]))以对撞点为条件后的偏相关，揭示“本独立却因对撞而相关”的信号。
  5. if raw_r < raw_thresh and cond_r > cond_thresh:V 结构判定核心：无条件独立 + 条件依赖 = 对撞结构。

常见误区

误区我觉得因果知识图谱就是把知识图谱里关系强的边加粗，“相关性强”就是“因果性强”。看到“冰淇淋销量和溺水人数高度相关”，我当然觉得是冰淇淋导致溺水。

正解相关只是“手拉手”，因果才是“一个人推另一个人”。冰淇淋销量和溺水人数都由“夏天”这个共同原因驱动，这在因果图中叫混淆变量。因果知识图谱的价值恰恰在于区分相关与因果——通过 do-演算剥离混淆后，才能看清真实因果。如果不做这步，路网图会把“两辆车并排行驶”当成“一辆车牵引另一辆”。

为何常见：日常语言中“相关”和“因果”经常混用，且相关系数极易从数据中计算，而因果需要额外假设和干预分析，初学者天然倾向于走捷径。

误区我觉得知识图谱里的边本来是没方向的，加上箭头只是“画蛇添足”。反正 A 和 B 有关系，谁指向谁都差不多。

正解方向是因果知识图谱的灵魂。A→B 和 B→A 的推理方向完全相反：“下雨→堵车”意味着下雨时应该做拥堵预案；“堵车→下雨”则荒谬可笑。在概率分解公式 P(vᵢ|pa(vᵢ)) 中，方向决定了每个变量的父节点集合，方向错了，整个联合分布的分解就错了。类比路网：单行道方向标反，所有导航都会把你带进逆行车道。

为何常见：传统知识图谱的关系类型是语义化的（如“朋友”“位于”），看起来自带方向，但它记录的是“客观事实”而非“因果机制”，两者容易被混淆。

误区我觉得只要数据足够多，深度学习就能自动学到因果知识图谱，不需要专门的因果工具。数据量大 = 因果正确。

正解纯粹的观测数据在本质上无法区分“X→Y“和”Y→X“，甚至无法识别隐藏的混淆变量。因果结构学习依赖额外假设（如无未观测混淆、忠实性）和专门算法（条件独立性检验、BIC 评分）。想象你只有 GPS 轨迹数据，不知道红绿灯规则，再多的轨迹也无法告诉你”红灯停、绿灯行”——规则来自对路网结构的理解，而不只是数据量。

为何常见：深度学习在“相关性建模”上的巨大成功让人产生“数据万能”的错觉，忽略了因果推断需要干预或强假设这一数学事实。

误区我给因果边标强度时，直接用了两个变量的皮尔逊相关系数，反正都是 0 到 1 的数，看起来差不多。

正解相关系数度量“统计关联”，包含了混淆路径的影响；因果强度要求在剥离其他变量后计算“直接因果效应”。例如“下雨→堵车”的相关系数可能被“早高峰”放大，但因果强度需要控制早高峰后看下雨的净贡献。这就像路况 App 上“两车距离近”不等于“后车推着前车走”——距离是观测，推力才是因果。

为何常见：相关系数好算、直观、范围一致，初学者容易把数值上的相似误认为语义上的等价。

误区我觉得因果知识图谱建好后，任何“为什么”和“如果”问题都能直接查出来，像搜索引擎一样方便。

正解因果知识图谱的回答能力受限于图本身的完备性和数据覆盖范围。未观测的混淆变量、缺失的因果边、稀疏的数据，都会导致推理偏差甚至错误。它更像一张“可能不完整的高速公路网”——在没有路的地方，导航也只能“绕路”甚至“指错”。构建时要做鲁棒性校验，推理时要报告置信度。

为何常见：看到图上的因果链很直观，容易高估其完整性和可靠性；实际场景中“因果不完备”才是常态。

面试题

Q1. 因果知识图谱与传统知识图谱最核心的区别是什么？

单选题 · easy

  • A.节点规模更大，关系数量更多
  • B.边有因果方向，支持因果推理← 正确答案
  • C.存储方式不同，查询速度更快
  • D.只处理数值数据，不支持文本

答案：B。这题考因果知识图谱的本质特征。传统知识图谱像同学录，只记录“谁认识谁”；因果知识图谱像城市路网，边带方向和强度。A 只是规模差异，C 是存储技术差异，D 是错误的限制条件。核心区别是 B：有向因果边和因果推理能力。

Q2. 在因果知识图谱中，节点通常表示什么？

单选题 · easy

  • A.数据库中的一条具体记录
  • B.变量或事件，如下雨和堵车← 正确答案
  • C.一个具体的人名或地名对象
  • D.一个 SQL 查询语句片段

答案：B。因果知识图谱的节点是变量或事件。同学录里的人对应到路网中是“路口”——不是一个人名，而是一个状态变量（如“下雨”“堵车”）。A 是数据库概念，C 太具体（人名只是变量的一个实例），D 是查询概念。注意人名、地名可以作为事件参与者，但节点本身是事件或变量。

Q3. 边的“因果强度”最接近于城市路网中的哪个概念？

单选题 · easy

  • A.道路的长度和里程数
  • B.道路的走向和入口方向
  • C.车流量与通行能力等级← 正确答案
  • D.街道的名称和门牌号

答案：C。因果强度衡量一条因果边的作用大小，对应路网中的“车流量/通行能力”——路越宽、通行能力越强，因果关系越显著。A 道路长度是条件而非强度，B 方向是另一个维度，D 名称只是标识。记住：强度 ≠ 方向，方向告诉“谁影响谁”，强度告诉“影响多大”。

Q4. 下列哪个结构体现了“对撞”（V 结构）？

单选题 · mid

  • A.X→Y→Z，Y 为中介
  • B.X←C→Y，C 为混淆
  • C.X→M←Z，双向原因对撞← 正确答案
  • D.X⊥Y，两变量独立

答案：C。对撞结构（collider）是 V 结构：两个原因指向同一个结果，即 X→M←Z。A 是链式结构（Y 是中介），B 是混淆结构，D 是独立。对撞结构的核心特征：X 与 Z 无条件独立，但以 M 为条件后可能产生相关——这是因果发现的重要信号。

Q5. 因果知识图谱的构建方法包括哪些？

多选题 · mid

  • A.数据驱动：从观测数据学习因果结构← 正确答案
  • B.专家知识：人工标注确定因果规则← 正确答案
  • C.大模型：辅助从文献中抽取因果关系← 正确答案
  • D.随机法：随机生成边再逐一验证

答案：ABC。构建因果知识图谱有三条路径：数据驱动（条件独立性检验、BIC 评分）、专家知识注入（人工标注规则）、大模型辅助抽取（从文献中提取因果三元组）。D 的“随机生成”没有任何理论依据，不可能得到可信的因果结构。

Q6. do(X=x) 表示什么操作？

单选题 · mid

  • A.观测到 X 的取值恰好为 x
  • B.通过干预强制 X 取值为 x← 正确答案
  • C.从模型中删除变量 X
  • D.计算 X 的期望均值 E[X]

答案：B。do(X=x) 是干预符号，表示“强制将 X 设为 x”，相当于路网中做交通管制——强制让某条路单向通行。A 是被动观测（看到 X=x），C 是删除变量，D 是期望运算。区分“观测”与“干预”是因果推断的起点。

Q7. ATE = E[Y|do(X=1)] − E[Y|do(X=0)] 反映的是？

单选题 · mid

  • A.X 与 Y 的皮尔逊相关系数大小
  • B.干预 X 对 Y 的平均因果效应量← 正确答案
  • C.Y 对 X 所产生的反向影响强度
  • D.两个不相关变量之间的简单差值

答案：B。ATE 是干预组 E[Y|do(X=1)] 与对照组 E[Y|do(X=0)] 的期望之差，衡量 X 对 Y 的“净因果效应”。A 是相关不涉及干预，C 方向反了，D 无意义。类比：限行态与不限行态的拥堵指数之差 = 限行的真实效果。

Q8. 因果知识图谱在真实世界的典型应用包括哪些？

多选题 · hard

  • A.因果问答，回答为何事故率升← 正确答案
  • B.智能决策，评估限行的净效应← 正确答案
  • C.政策分析，评估反事实的效果← 正确答案
  • D.文本风格转换，让文章更生动

答案：ABC。因果知识图谱的典型应用集中在因果问答（沿因果链回溯回答“为什么”）、智能决策支持（ATE 评估限行等干预的净效应）、政策评估分析（反事实框架）三大场景。D 是自然语言生成任务，与因果推理无关。

Q9. BIC 评分公式中“复杂度惩罚项”的作用是？

单选题 · easy

  • A.奖励结构更复杂的图以增进精度
  • B.防止过拟合，对参数过多扣分← 正确答案
  • C.让评分结果始终保持在正值区间
  • D.计算图的最大连通分量的数量

答案：B。BIC 的惩罚项 −d/2·ln n 对参数个数 d 和数据量 n 施加惩罚，防止构造过于复杂的图——就像路网规划中，不会给每条路都加一条虚构支路，否则评分下降。A 方向反了，C、D 与 BIC 含义无关。

Q10. 因果知识图谱当前面临的主要挑战有哪些？

多选题 · hard

  • A.数据稀疏，难以覆盖变量组合← 正确答案
  • B.未观测混淆导致因果不完备← 正确答案
  • C.图错误会传导至下游决策← 正确答案
  • D.无法与深度学习方法结合

答案：ABC。因果知识图谱面临三大挑战：数据稀疏（传感器覆盖不足）、因果不完备（未观测混淆导致方向错误）、图错误传导（下游决策连锁失效）。D 错误——大模型等深度学习方法恰恰是辅助构建因果图谱的重要工具，两者可以紧密结合。