已开通“人工智能领域”实体识别及相关工具接口,欢迎试用...

------------     科研实体识别     ------------
科研实体识别(Scientific Entity Recognition, 简称SER),是指根据领域需求,识别科技文本中具有特定意义的短语,例如关键问题(Problems)、研究方法(Methods)、实验数据(Datasets)、评价指标(Metrics)等。
------------     语义挖掘开放工具     ------------
根据领域需求,为非结构化英文文本添加多层次细粒度的语义标签,包括关键问题、研究方法、实验数据、评价指标与值。
针对给定的一段英文科技文本,预测关键问题与研究方法之间的相关性,例如(Face Sentiment Recognition, related, Region Attention Networks)。
针对给定的一段非结构化英文文本,提取结构化的三元组,例如(M.Zuckerberg; founded; Facebook)。
针对给定的一段非结构化英文文本,识别具有特定意义的短语,包括16种类型:人物、建筑、机构、山河湖海、语言、数字等。
针对给定的英文科技文本,先预测文本中包含信息量的短语,再根据重要度进行排序,最后至多推荐5个关键词。
针对给定的题名、摘要信息,推荐相关领域专家。
针对给定的作者或机构信息,给出其相关别名信息,支持中英文。
按照给定的分类体系(包括7种类型:background,other,contribution, aim,method,related works,description),将待分类的科技文本信息划分指定的类别中去。
------------     知识网络分析     ------------
基于科研论文作者合作方式,建立一个作者科研合作网络模型.。
通过主题共现的定量分析,以共现网络图的方式揭示相关文献的关联和潜在的隐含的寓意。
以文献主题为研究对象,以趋势图揭示相关领域的增长趋势、主题演变、学术脉络。
免费使用,为您提供0门槛深度学习、数据挖掘、知识发现的实践机会