知识图谱是一种大规模语义网络,它以结构化形式描述客观世界中的概念、实体及其关系。

概念标准化
让机器:看得懂
建立了标准化概念,可对数据中的各种说法统一到知识图谱的标准概念

概念层次化
让机器:能计算
建立了各种概念之间的层次关系,可实现知识的层次推理

概念关联化
让机器:可连接
建立了各种概念之间的关系,可实现知识的因果关系或关联推理
知识图谱的价值在于让机器具备理解和认知能力,并最终创造新的应用价值。
产品架构图

产品功能
知识管理
知识构建
知识储存
知识图谱服务
知识交互
知识应用

知识建模
支持图谱 Schema 中的实体、属性、关系、事件的定义及编辑,支持图谱 Schema 的发布,引用和导入导出

知识编辑
支持本体编辑、实体编辑、关系和属性编辑、知识批量导入导出;支持多人协同的知识加工过程

知识溯源
支持知识溯源,实现知识来源的跟踪与维护,为知识可信度、知识融合提供依据

版本管理
支持版本管理,可实现历史版本回溯、差异比较

权限管理
支持账号体系、权限安全、知识图谱加密等机制
产品优势

可视化低成本敏捷构建

全生命周期的知识管理

标准化知识访问接口

插件化知识图谱展示交互

完整的知识应用产品矩阵

多行业成熟落地应用经验
客户价值

基于知识图谱平台
可快速构建行业知识图谱
可快速构建行业知识图谱


实现企业认知智能升级
技术优势
技术技术痛点解决方法
低资源知识抽取技术人工数据标注成本高
高质量带标签训练数据量少
高质量带标签训练数据量少
- ● 基于BERT等预训练框架进行模型训练,降低对大量训练语料的依赖采用远程监督方法,将知识库与非结构化文本链接对齐,降低模型对人工
- ● 标注数据的依赖,增强模型跨领域适应能力
- ● 采用领域迁移学习、持续学习、对抗训练、集成学习以及噪声解耦与编辑的方法,实现多风格、小样本、新类别的实体抽取和含噪数据下的鲁棒模型训练
BERT小型化技术大型神经网络解码速慢
- ● 自研高效小型化BERT解码方案,将大型网络模型无损或低损失地广泛应用到线上服务中,较原生BERT解码速度提升18倍
敏捷知识构建技术一次性全量数据标注成本高、周期长
- ● 采用敏捷知识构建方案,人机协同,将监督学习到的知识应用到数据标注过程中,实现机器预标->人工精标->模型训练->机器预标的渐进式训练方案
应用场景
医疗行业
电力行业
文博行业

应用场景
病历质控、单病种质控、自动问诊、合理用药、临床辅助决策
业务痛点
● 医疗知识量大、缺乏统一的知识维护体系且知识多样化、维护成本高
● 病历质控是医院质量管理的重要环节,意义重大。但工作量大、专业性强,医院病案质控人员资源有限,无法进行全量文书,全类缺陷的检出,亟需AI工具减负增效
解决方案
● 基于自然语言理解技术,结合临床知识图谱,让系统能够理解病历内涵,并应用知识推理,筛查病历中的书写不规范、诊疗不合理等内涵缺陷,帮助病历质控人员快速定位问题,确定问题
● 基于权威国际医疗术语集的医疗概念层级体系,从临床指南、药品说明书等权威医疗文本中基于深度学习与人工审核的半自动化医疗关联关系抽取;基于医疗病历的实体关系抽取和链接技术,融合来自临床的医疗知识
申请试用


企业微信群

咨询和建议

咨询合作
折扣、活动、服务咨询

常见问答
服务、技术等问答

官方公众号

Preview