深思維智能知識云腦使用說明書

1、深思維智能知識云腦使用說明書 天津深思維科技有限公司2021/06/18聲明本使用說明書旨在幫助用戶與運(yùn)營人員對平臺使用、管理、維護(hù)進(jìn)行了解與掌握，使用說明書將對平臺功能進(jìn)行講解，衷心希望深思維智能知識云腦能為大家?guī)砜萍籍a(chǎn)能的改變，歸天津深思維科技有限公司所有，翻版必究。目錄一、名詞解釋41.算法部分42.后端部分283.前端部分35二、產(chǎn)品介紹411. 什么是知識圖譜412. 優(yōu)勢說明413. 體系架構(gòu)42三、系統(tǒng)功能結(jié)構(gòu)43四、系統(tǒng)功能介紹444.1登錄444.2系統(tǒng)管理504.3知識庫514.4知識圖譜524.5系統(tǒng)設(shè)置534.6資源管理564.7管理中心584.8權(quán)限管理60一、名詞

2、解釋1.算法部分(1)新詞發(fā)現(xiàn)：采用（逐）點(diǎn)互信息(PMI, Pointwise Mutual Information)和左右熵(Left and Right Entropy)的算法自動發(fā)現(xiàn)特定領(lǐng)域中慣用及常用的新名詞和詞語組合。更容易發(fā)現(xiàn)更高階的詞語組合（例如93號/無鉛/乙醇/汽油），同時加入了用戶自定義相關(guān)參數(shù)的功能，可以靈活地根據(jù)用戶自身的需求對所發(fā)現(xiàn)新詞進(jìn)行篩選。（逐）點(diǎn)互信息（PMI，Pointwise Mutual Information）：可以更好的發(fā)現(xiàn)無窮多個原子詞匯；PMI算法的得分域為(-，0，評分越高對應(yīng)新詞發(fā)現(xiàn)質(zhì)量越高。它反映了構(gòu)成新詞的原子詞之間內(nèi)聚的強(qiáng)度，得分越高

3、，則原子詞之間的關(guān)聯(lián)性越強(qiáng)。若構(gòu)成新詞的原子詞從不其他地方單獨(dú)出現(xiàn)，則算法得分為最大值0。得分小于閾值的詞語將不被計入已發(fā)現(xiàn)新詞，閾值越高，返回結(jié)果越少。建議值是-2.0；左右熵（Left and Right Entropy）左右熵算法的得分域為0，+)，評分越高對應(yīng)新詞發(fā)現(xiàn)的質(zhì)量越高。它反映了新詞對于其左右相鄰詞語的依賴程度，得分越高，則新詞對左右相鄰詞語的依賴程度越低，新詞本身的獨(dú)立性越高。若新詞在語料中僅以一種固定的方式與固定的左右詞相鄰，則算法得分為最小值0，閾值越高，返回結(jié)果越少。得分小于閾值的詞語將不被計入已發(fā)現(xiàn)新詞。建議值是1.5；golang：封裝部署，高效率、多并發(fā)，運(yùn)行速度

4、快，所有正在運(yùn)行的程序輪流使用 CPU，每個程序允許占用 CPU 的時間非常短（比如 10 毫秒），根本感覺不出來 CPU 是在輪流為多個程序服務(wù)，就好象所有的程序都在不間斷地運(yùn)行一樣。并發(fā)好處就是可以運(yùn)行多個程序，并不卡頓，運(yùn)行速度快。(2)實(shí)體關(guān)系部分:數(shù)據(jù)標(biāo)注：知識圖譜常用的isA 關(guān)系+語義依存關(guān)系（semeval16），用到hanlp；hanlp是由一系列模型預(yù)算法組成的工具包，結(jié)合深度神經(jīng)網(wǎng)絡(luò)的分布式自然語言處理，具有功能完善、性能高效、架構(gòu)清晰、語料時新、可自定義等特點(diǎn)，提供詞法分析、句法分析、文本分析和情感分析等功能。不依賴其他jar，底層采用了一系列高速的數(shù)據(jù)結(jié)構(gòu)，如雙數(shù)組T

5、rie樹、DAWG、AhoCorasickDoubleArrayTrie等，極速分詞模式下可達(dá)2,000萬字/秒。在IO方面，詞典加載速度極快，只需500 ms即可快速啟動。具備中文分詞、命名實(shí)體識別、信息抽取、文本分類、文本聚類、畫法分析等功能。模型訓(xùn)練：訓(xùn)練模型用到詞向量化word2vec、transformer、Bert；word2vec：是一種基于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的自然語言模型。其特點(diǎn)就是將詞匯進(jìn)行向量化，這樣我們就可以定量的分析和挖掘詞匯之間的聯(lián)系。因而 word2vec 也是我們上一講講到的詞嵌入表征的一種，只不過這種向量化表征需要經(jīng)過神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到。訓(xùn)練神經(jīng)網(wǎng)絡(luò)得到一個關(guān)于輸入 X

6、 和 輸出 Y 之間的語言模型，要獲取訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)權(quán)重，這個權(quán)重就是我們要拿來對輸入詞匯 X 的向量化表示。一旦我們拿到了訓(xùn)練語料所有詞匯的詞向量，接下來開展 NLP 分析工作就相對容易一些了。通常有兩個版本的語言模型。一種是給定上下文詞，需要我們來預(yù)測中間目標(biāo)詞，這種模型叫做連續(xù)詞袋模型（Continuous Bag-of-Wods Model，CBOW），另一種是給定一個詞語，我們來根據(jù)這個詞預(yù)測它的上下文，這種模型叫做skip-gram模型。而且每個模型都有兩種策略。-CBOW：應(yīng)用場景是要根據(jù)上下文預(yù)測中間詞，所以我們的輸入便是上下文詞，當(dāng)然原始的單詞是無法作為輸入的，這里的輸入仍

7、然是每個詞匯的 one-hot 向量，輸出 Y 為給定詞匯表中每個詞作為目標(biāo)詞的概率。參考CBOW 模型的結(jié)構(gòu)圖-skip-gram：應(yīng)用場景是要根據(jù)中間詞預(yù)測上下文詞，所以我們的輸入 X 是任意單詞，輸出 Y 為給定詞匯表中每個詞作為上下文詞的概率。參考 skip-gram 模型的結(jié)構(gòu)圖。 從 CBOW 和 skip-gram 模型的結(jié)構(gòu)圖可以看到，二者除了在輸入輸出上有所不同外，基本上沒有太大區(qū)別。將 CBOW 的輸入層換成輸出層基本上就變成了 skip-gram 模型，二者可以理解為一種互為翻轉(zhuǎn)的關(guān)系。從監(jiān)督學(xué)習(xí)的角度來說，word2vec 本質(zhì)上是一個基于神經(jīng)網(wǎng)絡(luò)的多分類問題，當(dāng)輸出詞

8、語非常多時，我們則需要一些像分級 Softmax 和負(fù)采樣之類的 trick 來加速訓(xùn)練。但從自然語言處理的角度來說，word2vec 關(guān)注的并不是神經(jīng)網(wǎng)絡(luò)模型本身，而是訓(xùn)練之后得到的詞匯的向量化表征。這種表征使得最后的詞向量維度要遠(yuǎn)遠(yuǎn)小于詞匯表大小，所以 word2vec 從本質(zhì)上來說是一種降維操作。我們把數(shù)以萬計的詞匯從高維空間中降維到低維空間中，大大方便了后續(xù)的 NLP 分析任務(wù)。Transformer：是一種 NLP 經(jīng)典模型，現(xiàn)在比較火熱的 Bert 也是基于 Transformer。Transformer 模型使用了 Self-Attention 機(jī)制，不采用 RNN 的順序結(jié)構(gòu)，

9、使得模型可以并行化訓(xùn)練，而且能夠擁有全局信息。Transformer 結(jié)構(gòu)可以看到 Transformer 由 Encoder 和 Decoder 兩個部分組成，Encoder 和 Decoder 都包含 6 個 block。Transformer 的工作流程大體如下：第一步：獲取輸入句子的每一個單詞的表示向量X，X由單詞的 Embedding 和單詞位置的 Embedding 相加得到。第二步：將得到的單詞表示向量矩陣 (如上圖所示，每一行是一個單詞的表示x) 傳入 Encoder 中，經(jīng)過 6 個 Encoder block 后可以得到句子所有單詞的編碼信息矩陣C，如下圖。單詞向量矩陣用X

10、(nd)表示， n 是句子中單詞個數(shù)，d 是表示向量的維度 (論文中 d=512)。每一個 Encoder block 輸出的矩陣維度與輸入完全一致。第三步：將 Encoder 輸出的編碼信息矩陣C傳遞到 Decoder 中，Decoder 依次會根據(jù)當(dāng)前翻譯過的單詞 1 i 翻譯下一個單詞 i+1，如下圖所示。在使用的過程中，翻譯到單詞 i+1 的時候需要通過Mask (掩蓋)操作遮蓋住 i+1 之后的單詞。上圖 Decoder 接收了 Encoder 的編碼矩陣C，然后首先輸入一個翻譯開始符 ，預(yù)測第一個單詞 I；然后輸入翻譯開始符 和單詞 I，預(yù)測單詞 have，以此類推。這是 Tran

11、sformer 使用時候的大致流程。BERT：(Bidirectional Encoder Representation from Transformers) 是Google在2018年提出了一種語言模型，是目前最優(yōu)秀的語言模型之一。采用了雙向Transformer模型，所以在了解BERT模型之前，我們先需要了解Transformer模型以及它的Attention機(jī)制。下圖中，BERT為雙向Transformer，而OpenAI GPT為單向Transformer。首先，BERT是一個預(yù)訓(xùn)練（Pre-training）語言模型，BERT使用大量的語料進(jìn)行預(yù)訓(xùn)練，這樣訓(xùn)練出的模型泛化能力極強(qiáng)，可

12、以應(yīng)對大部分下游任務(wù)（例如實(shí)體識別、情感分類等）。而在使用BERT模型時，我們只需要對其微調(diào)（fine-tune），用少量數(shù)據(jù)再訓(xùn)練即可。如下圖所示，在預(yù)訓(xùn)練時，BERT使用無標(biāo)簽的句子對，而對于下游的問答任務(wù)，只需要再用問題-答案組合對模型微調(diào)。BERT將輸入的兩個句子連在一起，中間加入了SEP符號作為分割，以CLS作為開始符號，SEP作為分割和結(jié)束的符號，playing被分為兩部分play和#ing。1 Token Embeddings是詞向量，查表得到2 Segment Embedding用來表明該詞屬于哪個句子 Position Embeddings是位置信息，但不同于Transfor

13、mer，這里的Position Embeddings為每個位置都隨機(jī)初始化了一個固定值，即（在圖中） Position Embeddings共有11種取值，分別為E0-E10?？偟膩碚f，bert接收文本輸入，通過切詞，對于每個token，將其對應(yīng)的token embedding、segment embedding和position embedding求和，作為該token的表示向量，輸入到模型中。BERT的預(yù)訓(xùn)練包含兩個任務(wù)，一個是Masked Language Model，另一個是Next Sentence Prediction。Masked LM 會隨機(jī)mask每一個句子中15%的詞，用其

14、上下文來做預(yù)測，如下圖所示，蓋住“他”，讓模型用無監(jiān)督的方法來預(yù)測該位置的詞，類似于完形填空。此外，由于15%的詞數(shù)量很多，會導(dǎo)致微調(diào)階段的一些詞在預(yù)訓(xùn)練階段沒有出現(xiàn)過。對此，Masked LM的mask過程分為了三種情況：80%的概率直接替換為mask10%的概率是隨替換為其他token10%的概率保持不變在Next Sentence Prediction中， 模型會選擇一些句子對A與B，其中50%的數(shù)據(jù)B是A的下一條句子，剩余50%的數(shù)據(jù)B是語料庫中隨機(jī)選擇的，學(xué)習(xí)其中的相關(guān)性。這樣做的目的是讓BERT更好地理解句子之間的關(guān)聯(lián)，用以應(yīng)對QA、NLI等下游任務(wù)。從理論到實(shí)踐介紹了transf

15、ormer和預(yù)訓(xùn)練模型bertTransformerEncoderMulti-Head-AttentionLayerNorm & BatchNormFFN(Feed Forward Network)DecoderBert輸入（三個Embedding：token embedding, segment embedding, position embedding）預(yù)訓(xùn)練任務(wù)（MLM，NSP） 微調(diào)（分類、NER等）api：使用tensorflow，keras，具有良好的通用性。tensorflow：是一個使用數(shù)據(jù)流圖進(jìn)行數(shù)值計算的軟件庫。圖中的節(jié)點(diǎn)代表數(shù)學(xué)運(yùn)算，而圖中的邊則代表在這些節(jié)點(diǎn)之間傳遞的多

16、維數(shù)組（張量）。借助這種靈活的架構(gòu)，可以通過一個 API 將計算工作部署到桌面設(shè)備、服務(wù)器或移動設(shè)備中的一個或多個 CPU 或 GPU。主要用于進(jìn)行機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)研究，具有很好的通用性，還可以應(yīng)用于眾多其他領(lǐng)域。keras：是一個高層神經(jīng)網(wǎng)絡(luò)API，它本身就是一個上層封裝的工具庫，它是由純Python編寫而成并基Tensorflow、Theano、mxnet以及CNTK后端。keras也有它獨(dú)特的優(yōu)點(diǎn)如下1.簡易和快速的原型設(shè)計2*.支持CNN與RNN*，或兩者結(jié)合3.無縫CPU與GPU切換。Transformer：由編碼組件（Encoders）和解碼組件（Decoders）兩部分組成

17、，如圖所示，其中，Encoders起到了特征提取器的作用，它從文本中提取出重要特征交付給Decoders，而Decoders再將特征翻譯為我們期望的輸出。Transformer的Encoders部分和Decoders部分組成如下圖所示，其結(jié)構(gòu)類似于RNN，由6個編碼器和六個解碼器組成，但不同于RNN的是，這12個編碼解碼單元之間不共享權(quán)重。再將模型細(xì)化，單個Encoder的結(jié)構(gòu)如右圖所示，整個編碼結(jié)構(gòu)由6個（圖中N=6）該結(jié)構(gòu)串聯(lián)組成，下面我們來逐個解釋圖中的組件：Input Embedding: 將文本輸入編碼為詞向量，這一部分可用的方法很多，比較著名的是Word2VectorPositio

18、nal Encoding(PE): 位置編碼，顧名思義是為了向輸入序列中添加位置信息，這是由于Transformer不同于RNN或CNN的特征提取器，他不能天然地處理輸入的順序（RNN的遞歸結(jié)構(gòu)，CNN卷積層的滑動窗口都可以自然地記錄輸入序列的順序），需要手動地添加位置信息。這里PE使用了正弦和余弦函數(shù)。通過以上兩式結(jié)果的乘積可以得到最終的位置編碼。Transformer中的前饋神經(jīng)網(wǎng)絡(luò)是一個全連接層，并應(yīng)用了ReLU激活函數(shù)，前文的注意力機(jī)制本質(zhì)是線性加權(quán)，所以這里加入非線性模塊，提升模型的擬合能力：Add & Norm: 殘差塊+歸一化殘差塊為網(wǎng)絡(luò)提供“shortcut”，加快模型的收斂速

19、度，解決梯度爆炸和梯度消失問題。Norm使用的是Layer Norm（LN），不同于Batch Norm（BN），LN對整個輸入維度進(jìn)行歸一化，而不是BN對batch中的不同樣本之間歸一化。Add & Norm的流程：LayerNorm 與 BatchNorm：假設(shè)有N個樣本，每個樣本的特征維度為4，圖中每個小圓代表一個特征，特征1，特征2等等，特征4。BatchNormalization是在N個同一特征（如特征1）上求均值和方差，這里要對每個特征求1次，共4次。對照一下上面說的，萬一有個樣本有5個特征，是不是就沒法玩了。LayerNormalization呢，別的樣本都和我沒啥關(guān)系，有多少個

20、特征我把這些特征求個均值方差就好了。這也就是為什么一個叫”批歸一化“，另一個叫”層歸一化“了。Decoder：下圖是Decoder的部分，Encoder的輸出與中間的Attention層相連接。對于Decoder，和Encoder一樣，我們在每個Decoder的輸入做Embedding并添加上表示每個字位置的位置編碼。在Decoder中，self-attention只關(guān)注輸出序列中的較早的位置，這是通過Masked Muti-Head Attention實(shí)現(xiàn)的，他在SoftMax之前，為序列的不同位置賦予了一個權(quán)重，較后位置的序列權(quán)重為負(fù)無窮，這樣就“蓋住”了靠后的序列。注意：每一個Decod

21、er的輸入還應(yīng)包含之前Decoder的輸出。Attention機(jī)制Encoder：自注意力和前饋網(wǎng)絡(luò)是Encoder的核心部分，下圖是自注意力的計算方式Self-Attention：上圖中，每一個輸入的單詞都分別與Wq，Wk，Wv矩陣相乘得到Q，K，V三個矩陣，Q與K相乘除以輸入維度的開方，再通過SoftMax與V相乘，得到輸出Z。Transformer中使用的Muti-Head Attention指的是使用多個上述結(jié)構(gòu)，并且他們之間的參數(shù)是獨(dú)立的。采用多頭注意力機(jī)制目的是通過不同的注意力頭抽取不同的特征。在模型處理每個單詞（輸入序列中的每個位置）時，自注意力使其能夠查看輸入序列中的其他位置以

22、尋找線索，從而有助于更好地對該單詞進(jìn)行編碼。舉例來說，自注意力可以幫助模型理解下句中“他”和“少年”之間的聯(lián)系：Muti-Head合并：如果我們熟悉全連接層，那么應(yīng)該知道全連接層對于輸入的要求是很苛刻的，首先他必須是一個矩陣（或者張量），其次輸入必須是固定維度的。對于Muti-Head，就需要將其輸出的多個矩陣合并再降維。2.后端部分?jǐn)?shù)據(jù)庫Mysql：是一個關(guān)系型數(shù)據(jù)庫管理系統(tǒng)，可以運(yùn)行于多個系統(tǒng)上，并且支持多種語言。是一種關(guān)聯(lián)數(shù)據(jù)庫管理系統(tǒng)，關(guān)聯(lián)數(shù)據(jù)庫將數(shù)據(jù)保存在不同的表中，而不是將所有數(shù)據(jù)放在一個大倉庫內(nèi)，大大增加了速度并提高了靈活性。ES：是一個高拓展和開源的全文搜索和分析引擎，可以準(zhǔn)實(shí)

23、時地存儲、搜索、分析海量的數(shù)據(jù)。同時是非關(guān)系型數(shù)據(jù)庫 ，一個接近實(shí)時的搜索平臺，從索引這個文檔到這個文檔能夠被搜索到只有一個輕微的延遲，不被察覺。Nebula：是一個使用圖結(jié)構(gòu)進(jìn)行語義查詢的數(shù)據(jù)庫。該系統(tǒng)的關(guān)鍵概念是圖，形式上是點(diǎn) (Node 或者 Vertex) 和邊 (Edge 或者 Relationship) 的集合。一個頂點(diǎn)代表一個實(shí)體，比如，某個人，邊則表示兩個實(shí)體間的關(guān)聯(lián)關(guān)系，比如 “你關(guān)注 Nebula ”的關(guān)注關(guān)系。Milvus：是特征向量相似度搜索引擎， 使用異構(gòu)眾核計算處理特征向量，性能優(yōu)，支持多種索引方式，使用量化索引、基于樹的索引和圖索引等算法?？筛鶕?jù)實(shí)際數(shù)據(jù)規(guī)模和可利

24、用資源，智能調(diào)節(jié)優(yōu)化查詢計算和索引的構(gòu)建過程。Redis：是一個高性能的key-value數(shù)據(jù)庫，具備高級數(shù)據(jù)結(jié)構(gòu) ，為值提供五種可能的數(shù)據(jù)類型：字符串，列表，集合，哈希和有序集合。提供了這些數(shù)據(jù)類型獨(dú)有的操作，并且具有記錄良好的時間復(fù)雜度，內(nèi)置支持異步，非阻塞，主/從復(fù)制，以確保數(shù)據(jù)的高可用性。框架：spring boot可以創(chuàng)建獨(dú)立的Spring應(yīng)用程序，并且基于其Maven或Gradle插件，可以創(chuàng)建可執(zhí)行的JARs和WARs；提供自動配置的“starter”項目對象模型（POMS）簡化了Maven配置；盡可能自動配置Spring的容器。登錄：jwt 全稱 JSON Web Tokens

25、 ，是一種規(guī)范化的 token。是對 token 這一技術(shù)提出一套規(guī)范.縮短了 token 有效時間，定期更新密鑰，使用HttpOnly屬性來防止Cookie被JavaScript讀取，防止 XSS 攻擊竊取 cookie，根據(jù)需要可將用戶 IP 放入 Payload 進(jìn)行校驗。文檔解析：apache poi支持讀寫Excel、Excel OOXML、Word、PowerPoint、Visio格式檔案的功能。pdf解析：apache pdfbox 支持PDF文檔生成的工具庫，它可以用于創(chuàng)建新的PDF文檔，修改現(xiàn)有的PDF文檔，還可以從PDF文檔中提取所需的內(nèi)容。同時支持文檔合并分割：可以把多個

26、PDF文檔合并成單個，也可以把單個PDF分拆成多個PDF文檔，從PDF表單中提取數(shù)據(jù)以及填充PDF表單。數(shù)據(jù)庫工具：mybatis-plus 是一個Mybatis的增強(qiáng)工具，只是在Mybatis的基礎(chǔ)上做了增強(qiáng)卻不做改變，MyBatis-Plus支持所有Mybatis原生的特性，所以引入Mybatis-Plus不會對現(xiàn)有的Mybatis構(gòu)架產(chǎn)生任何影響。MyBatis 增強(qiáng)工具包，簡化 CRUD 操作。啟動加載 XML 配置時注入單表 SQL 操作 。3.前端部分vue3：是一套用于構(gòu)建用戶界面的漸進(jìn)式框架。與其它大型框架不同的是，Vue 被設(shè)計為可以自底向上逐層應(yīng)用。Vue 的核心庫只關(guān)注視

27、圖層，便于與第三方庫或既有項目整合。另一方面，當(dāng)與現(xiàn)代化的工具鏈以及各種支持類庫結(jié)合使用時，Vue 也完全能夠為復(fù)雜的單頁應(yīng)用提供驅(qū)動。Vue也是一套單頁面應(yīng)用(SPA),單頁Web應(yīng)用（single page web application，SPA）： SPA 是一種特殊的 Web 應(yīng)用，是加載單個 HTML 頁面并在用戶與應(yīng)用程序交互時動態(tài)更新該頁面的。它將所有的活動局限于一個 Web 頁面中，僅在該 Web 頁面初始化時加載相應(yīng)的 HTML 、 JavaScript 、 CSS 。一旦頁面加載完成， SPA 不會因為用戶的操作而進(jìn)行頁面的重新加載或跳轉(zhuǎn)，而是利用 JavaScript 動

28、態(tài)的變換 HTML（采用的是 div 切換顯示和隱藏），從而實(shí)現(xiàn)UI與用戶的交互。在 SPA 應(yīng)用中，應(yīng)用加載之后就不會再有整頁刷新。相反，展示邏輯預(yù)先加載，并有賴于內(nèi)容Region（區(qū)域）中的視圖切換來展示內(nèi)容。antv/G6：是一個圖關(guān)系可視化引擎，以關(guān)系映射為核心，支持常見的布局算法，支持拖拽等交互，支持添加節(jié)點(diǎn)/邊，節(jié)點(diǎn)可以編輯、改變大小、移動、刪除。typescript：在JavaScript的基礎(chǔ)上添加靜態(tài)類型定義構(gòu)建而成。TypeScript 擴(kuò)展了 JavaScript 的句法，所以任何現(xiàn)有的 JavaScript 程序可以不加改變的在 TypeScript 下工作。編譯時它產(chǎn)

29、生 JavaScript 以確保兼容性。element-plus：ui 組件框架庫sass：可進(jìn)行Web頁面樣式設(shè)計，然后再編譯成正常的CSS文件，以供項目使用的統(tǒng)稱,現(xiàn)在有很多css預(yù)處理器,最廣泛的有三種Sass、LESS和Stylus。它在 CSS 語法的基礎(chǔ)上增加了變量 (variables)、嵌套 (nested rules)、混合 (mixins)、導(dǎo)入 (inline imports) 等高級功能，這些拓展令 CSS 更加強(qiáng)大與優(yōu)雅。使用 Sass 以及 Sass 的樣式庫（如 Compass）有助于更好地組織管理樣式文件。可以在CSS中使用變量、簡單的邏輯程序、函數(shù)等等在編程語

30、言中的一些基本特性，可以更加簡潔、適應(yīng)性更強(qiáng)、可讀性更佳，更易于維護(hù)。是一個將腳本解析成CSS的腳本語言，即SassScript。Sass包括兩套語法。最開始的語法叫做“縮進(jìn)語法”，與Haml類似3，使用縮進(jìn)來區(qū)分代碼塊，并且用回車將不同規(guī)則分隔開。而較新的語法叫做“SCSS”，使用和CSS一樣的塊語法，即使用大括號將不同的規(guī)則分開，使用分號將具體的樣式分開。通常情況下，這兩套語法通過.sass和.scss兩個文件擴(kuò)展名區(qū)分開。axios：是基于promise用于瀏覽器與的http服務(wù)端的一種js。相當(dāng)于連接橋，可以自定義瀏覽器與服務(wù)端請求與響應(yīng)的方式。支持瀏覽器與、promise、能夠攔截請

31、求和響應(yīng)、轉(zhuǎn)換請求與響應(yīng)數(shù)據(jù)、能取消請求，自動轉(zhuǎn)換Json格式、瀏覽器端支持CSRF(跨域請求)vue-router：是 官方的路由管理器。它和 的核心深度集成，讓構(gòu)建單頁面應(yīng)用變得易如反掌。包含的功能有：嵌套的路由/視圖表；模塊化的、基于組件的路由配置；路由參數(shù)、查詢、通配符；基于 過渡系統(tǒng)的視圖過渡效果；細(xì)粒度的導(dǎo)航控制；帶有自動激活的 CSS class 的鏈接；HTML5 歷史模式或 hash 模式，在 IE9 中自動降級；自定義的滾動條行為。vuex：是一個專為 應(yīng)用程序開發(fā)的狀態(tài)管理模式。它采用集中式存儲管理應(yīng)用的所有組件的狀態(tài)，并以相應(yīng)的規(guī)則保證狀態(tài)以一種可預(yù)測的方式發(fā)生變化。V

32、uex 也集成到 Vue 的官方調(diào)試工具devtools extension(opens new window)，提供了諸如零配置的 time-travel 調(diào)試、狀態(tài)快照導(dǎo)入導(dǎo)出等高級調(diào)試功能。二、產(chǎn)品介紹1. 什么是知識圖譜 知識圖譜具備三個特點(diǎn)，分別是可檢索；可理解；可解釋知識圖譜技術(shù)可以對各類文本數(shù)據(jù)進(jìn)行采集和管理；并實(shí)現(xiàn)自動化的數(shù)據(jù)采集、清洗整理、分類入庫。作為一種語義網(wǎng)絡(luò)它擁有極強(qiáng)的表達(dá)能力和建模靈活性。在項目實(shí)際使用中，運(yùn)用知識圖譜能力效率高，周期短，業(yè)務(wù)流程標(biāo)準(zhǔn)化程度高，為企業(yè)進(jìn)行智能化知識管理，也降低了人工操作失誤帶來的風(fēng)險，對企業(yè)后續(xù)的業(yè)務(wù)數(shù)據(jù)應(yīng)用、數(shù)據(jù)分析管理都帶來了極大

33、的便利性。2. 優(yōu)勢說明自動化圖譜構(gòu)建實(shí)體的屬性和關(guān)系抽取是信息抽取中的一項基礎(chǔ)任務(wù)，現(xiàn)有的關(guān)系抽取數(shù)據(jù)集存在包含類別太少、句子標(biāo)注困難、不易擴(kuò)展等缺陷。通過無監(jiān)督和弱監(jiān)督等方法，構(gòu)建了實(shí)體以及實(shí)體之間的關(guān)聯(lián)關(guān)系。深度挖掘復(fù)雜的關(guān)系通過構(gòu)建行業(yè)知識圖譜，利用圖中的實(shí)體之間的語義網(wǎng)絡(luò)聯(lián)系，我們可以通過構(gòu)建行業(yè)知識圖譜，利用圖中的實(shí)體之間的語義網(wǎng)絡(luò)聯(lián)系，我們可以通過最短路徑、關(guān)系交集、隨機(jī)游走等圖算法，深度挖掘?qū)嶓w間復(fù)雜的網(wǎng)絡(luò)關(guān)系。支持多源異構(gòu)數(shù)據(jù)融合減少企業(yè)和個人的人工成本同時提升效率百分之七十以上。3. 體系架構(gòu)3、 系統(tǒng)功能結(jié)構(gòu)企業(yè)賬戶一級二級登錄無知識庫無知識圖譜企業(yè)圖譜實(shí)體查詢知識搜索系

34、統(tǒng)設(shè)置文檔目錄標(biāo)簽管理管理中心團(tuán)隊管理我的賬戶個人賬戶一級二級登錄無知識庫無知識圖譜企業(yè)圖譜實(shí)體查詢知識搜索管理中心我的賬戶四、系統(tǒng)功能介紹4.1登錄4.1.1用戶登錄A. 簡介：完善信息，進(jìn)行登錄。B. 頁面截圖C. 功能說明：用戶登錄-功能詳情說明用戶登錄【登錄頁面】中填寫企業(yè)名稱、登錄賬號、登錄密碼、選擇區(qū)域、填寫驗證碼后，點(diǎn)擊【登錄】，用戶即可登錄。記住密碼【登錄頁面】中勾選【記住密碼】后，再次登錄【登錄頁面】會有默認(rèn)密碼存在。4.2系統(tǒng)管理4.2.1租戶管理A. 簡介：支持創(chuàng)建企業(yè)及對企業(yè)信息進(jìn)行管理B. 頁面截圖C. 功能說明租戶管理-功能詳情說明篩選條件可根據(jù)組織名稱、狀態(tài)、組織

35、類型進(jìn)行篩選搜索可根據(jù)篩選條件，搜索出符合條件的實(shí)際內(nèi)容重置清空所有篩選條件新增填寫相應(yīng)內(nèi)容，新增企業(yè)信息操作：修改可以修改企業(yè)信息的內(nèi)容操作：新增可以新增當(dāng)前企業(yè)的子公司操作：刪除可以對當(dāng)前企業(yè)進(jìn)行刪除4.2.2團(tuán)隊管理A. 簡介：支持對當(dāng)前企業(yè)管理員及普通員工進(jìn)行管理B. 頁面截圖：C：功能說明團(tuán)隊管理-功能詳情說明篩選條件可根據(jù)用戶名稱、狀態(tài)、用戶類型、創(chuàng)建時間進(jìn)行篩選。搜索可根據(jù)篩選條件，搜索出符合條件的實(shí)際內(nèi)容。重置清空所有篩選條件新增填寫相應(yīng)內(nèi)容，新增員工信息刪除可以刪除員工信息操作：修改可以修改用戶資料及狀態(tài)操作：重置可以重置用戶登錄密碼及華為登錄密碼操作：刪除可以刪除當(dāng)前用戶資

36、料4.3知識庫A.簡介：支持doc/docx/pdf格式文件的批量導(dǎo)入，管理已導(dǎo)入成功的文檔，支持查看文檔基本信息及預(yù)覽圖譜、生成圖譜、圖譜下載、修改圖譜ID、添加圖譜ID、刪除等操作。B.頁面截圖C.功能說明：知識庫-功能詳情說明篩選條件可根據(jù)文檔來源、文檔目錄、文檔標(biāo)簽、區(qū)域、創(chuàng)建時間進(jìn)行篩選及搜索搜索可根據(jù)篩選條件，搜索出實(shí)際內(nèi)容重置清空所有篩選條件操作-預(yù)覽圖譜點(diǎn)擊【預(yù)覽圖譜】智能構(gòu)建（深思維知識圖譜）可以跳轉(zhuǎn)至知識圖譜-企業(yè)圖譜頁面顯示圖譜詳情；普通構(gòu)建（華為知識圖譜）不可以跳轉(zhuǎn)至知識圖譜頁面。操作-圖譜下載可下載此圖譜。操作-生成圖譜點(diǎn)擊【生成圖譜】后，該文檔進(jìn)行圖譜生成，同時狀態(tài)

37、變更為【生成中】操作-添加圖譜ID可以為此圖譜添加ID操作-修改圖譜ID可以為此圖譜修改ID刪除點(diǎn)擊【刪除】后，該文檔與圖譜將被同時刪除。導(dǎo)入可以批量導(dǎo)入doc/docx/pdf格式文件下載幫助可以選擇下載“關(guān)系下載”“信息抽取下載”“知識映射下載”“知識融合下載”的.JSON文件4.4知識圖譜4.4.1企業(yè)圖譜A. 簡介：支持通過文檔目錄、文檔標(biāo)簽、區(qū)域、日期來進(jìn)行篩選來生成知識圖譜。B. 頁面截圖C. 功能說明企業(yè)圖譜-功能詳情說明篩選條件可根據(jù)文檔目錄、文檔標(biāo)簽、區(qū)域、日期進(jìn)行篩選查詢。搜索可根據(jù)篩選條件，搜索出實(shí)際內(nèi)容重置清空所有篩選條件查看實(shí)體/屬性：左鍵單擊實(shí)體，實(shí)體可以展開4.4.2實(shí)體查詢A. 簡介：支持實(shí)體的查詢B. 頁面截圖C.功能說明實(shí)體管理-功能詳情說明篩選條件可根據(jù)文檔名稱、內(nèi)容進(jìn)行篩選查詢。搜索可根據(jù)篩選條件，搜索出實(shí)際內(nèi)容。重置清空所有篩選條件4.4.3知識搜索A. 簡介：支持實(shí)體、文檔名稱查詢，并顯示知識來源及內(nèi)容詳情，支持原文件的預(yù)覽。B. 頁面截圖C. 功能說明知識搜索-功能詳情說明篩選條件可根據(jù)知識搜索進(jìn)行篩選查詢。如：輸入中石化年報符合條件的內(nèi)容將被展示出來