腾讯云自然语言处理 NLP:产品介绍 & 产品功能

自然语言处理

一、产品介绍:

自然语言处理(Natural Language Process,简称NLP),是一款基于人工智能技术,为各行各业的企业和开发者提供的针对文本智能化分析及处理的云服务,意在帮助用户高效处理文本数据,实现数字化和智能化转型。

腾讯云自然语言处理(Natural Language Process,NLP),前身为腾讯文智自然语言处理,现经过全新升级,正式发布v1.0版本。

产品深度整合了腾讯内部(包括AI Lab,信息安全团队、AI平台部、翻译君和知文团队自研等)优秀的 NLP 前沿技术,依托于海量中文语料累积,全面覆盖了从基础到高级的智能文本处理能力

其中,

-- 基础版包括词法分析、句法分析、篇章分析、向量技术、情感分析、文本纠错、文本分类等;

-- 高级版包括敏感词识别、文本审核等。

现阶段,为感谢合作伙伴和新老客户的信任和支持,当前产品公测免费,公测截止时间为2019年12月1日

【快速链接】

1- 腾讯云自然语言处理产品介绍:https://cloud.tencent.com/product/nlp

2- 腾讯云自然语言处理产品文档:https://cloud.tencent.com/document/product/271

3- 腾讯云自然语言处理 API文档:https://cloud.tencent.com/document/product/271/35484

二、产品功能:

产品全面覆盖了从词法、句法到篇章级别等各个粒度的NLP能力

其中,

-- 词法分析包括智能分词、词性标注、命名实体识别等;

-- 句法分析包括句法依存分析、文本纠错、句向量等;

-- 篇章分析包括情感分析、关键词提取、文本分类、自动摘要、敏感词识别、文本审核等。

(一)、词级别的自然语言处理功能

1-词法分析(LexicalAnalysis)

-- 提供智能分词(基本词和短语)、词性标注、命名实体识别功能。

-- 专业的团队对数据、模型、程序进行迭代更新以保证识别效果的不断提升。

-- 用户只需简单调用相关 API 接口即可获取到所需结果,无需担心例如新词发现、歧义消除、调用性能等词法分析的难题。

2-同义词/相似词(SimilarWords)

-- 为用户提供同义词查询服务。

-- 团队通过全网数据挖掘出海量同义词,并持续对数据、模型等进行迭代更新,保证同义词的效果始终与时俱进。

-- 未来用户也可以通过提供产品专有的数据,与我们合作打造专属的同义词库。

词级别的自然语言处理功能还包括:词向量(WordEmbedding),词相似度(WordSimilarity)等。

(二)、句子级别的自然语言处理功能

3-文本纠错(TextCorrection)

-- 能够实现对文本的自动纠错,即对一句话或一段话中的错别字(错别词)进行自动纠错。

-- 用户只需要提供业务数据和日志, 无需关注技术细节和更新流程, 就可以享受到业务自身定制的纠错服务,甚至能不提供业务数据,享受通用的纠错服务。

-- 在办公文档审核、文本智能质检等场景有广泛的应用。

句子级别的自然语言处理功能还包括:句法依存分析(DependencyParsing),句向量(SentenceEmbedding),句相似度(SentenceSimilarity)等。

(三)、篇章级别的自然语言处理功能

4-情感分析(SentimentAnalysis)

-- 为有情感分析需求的产品提供服务。

-- 该服务能够对文本信息情感上的正向、负向及中性进行评价。

-- 在舆情监控、话题监督、口碑分析等商业分析领域有非常重要的应用价值。

5-关键词提取(KeyWordsExtraction)

-- 基于关键词抽取平台,提取一句话或一段话中体现关键信息的词,为用户实现例如新闻内容关键词自动提取、评论关键词提取等基础服务。

-- 未来还将支持用户自定义词典,提高在垂直领域的抽取效果。

-- 该功能支持的场景包括新闻和内容媒体信息抽取、金融场景文档结构化抽取等。

6-敏感词识别(SensitiveWordsRecognition)

-- 识别文本信息中的广告,以及信息的色情、政治等敏感程度,并返回对应的敏感词。

-- 可用于敏感信息过滤、舆情监控、UGC文本数据审核等。

篇章级别的自然语言处理功能还包括:自动摘要(AutoSummarization),文本分类(TextClassification),文本审核(TextApproval)等。

(四)、更多自然语言处理功能

腾讯云NLP还提供更多的功能,详情请参阅API文档https://cloud.tencent.com/document/product/271/35484

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 215,245评论 6 497
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,749评论 3 391
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 160,960评论 0 350
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,575评论 1 288
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,668评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,670评论 1 294
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,664评论 3 415
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,422评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,864评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,178评论 2 331
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,340评论 1 344
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,015评论 5 340
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,646评论 3 323
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,265评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,494评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,261评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,206评论 2 352

推荐阅读更多精彩内容