面向NLP场景应用的智能辅助建模（三）要素树和概念树建模

我们以前文介绍的一个场景本体的实例，银行领域客服投诉分析挖掘的场景本体模型，来说明本体树辅助建模。模型包括三部分：本体模型、要素模型、概念模型。本文说明本体树模型的辅助建模。

以种子词“信用卡”为例，辅助建模给出的结果为：（冒号前是信用卡相关的语义聚类维度，冒号后是此维度下的相关实体）。

“业务”：“申请、升级、开卡、退款、签约”等

“卡种”：“白金卡、金卡、联名卡、招行金葵花卡”等

“费据”：“账单、年费”等

......

要素树辅助建模流程

步骤一

机器学习自动发现相关实体。利用深度学习算法，从客服投诉文本数据中自动计算出“信用卡”的相关实体和概念，并给出每个实体与种子词“信用卡”的相关度（用距离表示）。机器学习结果见上图。

步骤二

OEC Tagging语义聚类。利用DINFO-OEC平台提供的常用语义资源，对机器学习发现的实体进行有指导的语义聚类，如这里根据信用卡的业务知识，种子词“信用卡”的语义聚类结果包括“业务”、“卡种”、“费据”、“额度”等，这些结果构成信用卡要素的直接下级要素节点。这里的语义聚类的维度，可以由业务人员来指定，也可以自动聚类来发现。

步骤三

在DINFO-OEC平台中，要素树辅助建模的输出结果，就是要素树的节点，可直接加入到要素树上。在要素模型中可以方便查看。

概念树资源

在DINFO-OEC平台中，分类体系辅助建模的输出结果，就是本体树的节点，在本体模型中可以方便查看。

概念树辅助建模

在特定的场景应用下，对概念的使用，可能会相当灵活，一个概念的表达不仅可以是一个词语，而且可以是一个短语，或一个子句，如“等了两天了还没送到”（表达“不及时”的概念），甚至可以是一段话。

对这种不是词语的概念，一般在平台提供的常用语义资源中不可能完整，而需要利用机器学习算法，从场景应用的数据中自动学习得到。概念树辅助建模，就是帮助自动发现这些复杂概念。

概念树辅助建模，输入一个种子词语，或者一个复杂概念的组合，如“态度+好”，建模 工具 会利用机器学习算法，对语料自动进行概念相似度计算，发现其相关概念。如“态度+好”的相关概念有“温柔、利索、忙前忙后、谦虚、和蔼可亲”等，“态度+不好”的相关概念有“蛮横、傲慢、冷淡、恶劣、冷漠”等。