字符串相似度 概述 支持cosine、levenshtein、jaccard、最长公共子序列、minhash_sim、ssk、simhash_hamming_sim七种方法计算字符串的相似度。 输入 参数 子参数 参数说明 inputs dataDF inputs为字典类型，da

查看更多 →

字符串相似度topN 概述 支持cosine、levenshtein、jaccard、最长公共子序列、minhash_sim、ssk、simhash_hamming_sim七种方法计算 文章的相似度 输入 参数 子参数 参数说明 inputs dataDF inputs为字典类型

查看更多 →

文章相似度 概述 支持cosine、levenshtein、jaccard和最长公共子序列四种方法计算文章的相似度。 输入 参数 子参数 参数说明 inputs dataframe inputs为字典类型，dataframe为pyspark中的DataFrame类型对象 输出 DataRame

查看更多 →

文本相似度（高级版） 功能介绍 对文本语义相似度计算。 具体Endpoint请参见终端节点。 本API免费调用，调用限制为2次/秒。 文本相似度基础版和高级版基于不同算法实现，对相同文本，基础版和高级版的结果有所差别。根据测试数据，高级版效果一般优于基础版。 调试 您可以在API

查看更多 →

文本相似度（基础版） 功能介绍 对文本进行语义相似度计算。 具体Endpoint请参见终端节点。 调用华为云NLP服务会产生费用，本API支持使用基础套餐包，购买时请在 自然语言处理 价格计算器中查看基础套餐包和领域套餐包支持的API范围。 也可使用文本相似度（高级版）接口，详情请见

查看更多 →

紧密中心度算法（closeness） 功能介绍 根据输入参数，执行紧密中心度算法。 紧密中心度算法（Closeness Centrality）计算一个节点到所有其他可达节点的最短距离的倒数，进行累积后归一化的值。 URI POST /ges/v1.0/{project_id}/h

查看更多 →

中介中心度算法（betweenness） 功能介绍 根据输入参数，执行中介中心度算法。 中介中心度算法（Betweenness Centrality）以经过某个节点的最短路径数目来刻画节点重要性的指标。 URI POST /ges/v1.0/{project_id}/hyg/{g

查看更多 →

标签按相似度传递给其他节点。标签数据就像是一个源头，可以对无标签数据进行标注，节点的相似度越大，标签越容易传播。 适用场景 标签传播算法（Label Propagation）适用于资讯传播、广告推荐、社区发现等场景。 参数说明 表1 标签传播算法（Label Propagation）参数说明

查看更多 →

接口类型 接口 自然语言处理基础 服务接口 命名实体识别（基础版） 命名实体识别（领域版） 文本相似度（基础版） 文本相似度（领域版） 语言生成 服务接口 文本摘要（基础版） 文本摘要（领域版） 语言理解服务接口 情感分析（基础版） 情感分析（领域版）

查看更多 →

中介中心度算法（betweenness）(2.2.4) 表1 parameters参数说明 参数 是否必选 说明 类型 取值范围 默认值 directed 否 是否考虑边的方向 Boolean true或者false true weight 否 边上权重 String 空或字符串 *

查看更多 →

语义相似距离 概述 计算距离某个向量最近的k个向量集合。这些向量通常是通过算法生产的包含语义的向量（例如word2vec生产的词向量，或者doc2vec生产的文章向量）。可以用于寻找和一个单词或者一篇文章相似的单词或者文章。 输入 参数 子参数 参数说明 inputs dataframe

查看更多 →

紧密中心度算法（Closeness Centrality） 概述 紧密中心度算法（Closeness Centrality）计算一个节点到所有其他可达节点的最短距离的倒数，进行累积后归一化的值。紧密中心度可以用来衡量信息从该节点传输到其他节点的时间长短。节点的“Closeness

查看更多 →

中介中心度算法（Betweenness Centrality） 概述 中介中心度算法（Betweenness Centrality）以经过某个节点的最短路径数目来刻画节点重要性的指标。 适用场景 可用作社交、风控等网络中“中间人”发掘，交通、传输等网络中关键节点识别；适用于社交、金融风控、交通路网、城市规划等领域

查看更多 →

最近邻域数 在UserCF算法中使用，生成的相似度矩阵中为每个用户保留的若干个最相似用户。默认为100。 最小交叉度 物品和物品之间被同一用户行为记录的数量，计算相似度时，过滤掉共同记录小于最小交叉度的item。 默认值：1。 物品活跃度 物品过滤用户的活跃度阈值。 取值范围：1-10000。

查看更多 →

文本 TF-IDF 文本词向量 词频统计 文章相似度 字符串相似度 字符串相似度topN NGram Count PMI 关键词抽取 原子分词 文本TF-IDF 三元组转kv 文本分类 LDA 句子拆分 文本摘要 停用词过滤 语义相似距离 父主题： 模型工程

查看更多 →

自然语言处理基础（Natural Language Processing Fundamentals），为用户提供包括分词、命名实体识别、关键词提取、短文本相似度等自然语言相关的API，可用于智能问答、 对话机器人 、内容推荐、电商评价分析等场景中。 语言生成（Language Generation，简

查看更多 →

输入小分子：可以通过输入SMILES、上传文件或者直接绘制输入小分子。最终以SMILES为准。 选择算法：可以选择ECFP4 Tanimoto相似度或者骨架搜索。ECFP4 Tanimoto相似度是通过ECFP4指纹计算Tanimoto相似度来搜索相似度比较高的小分子。骨架搜索是通过设置分子骨架搜索具有相同骨架的分子。

查看更多 →

数据，重复数据对模型精度提升并没有太大作用，反而需要花费很多时间对其进行标注。使用数据选择进行数据预处理，对采集到的数据去重，根据相似度删除一些重复度比较高的数据。 数据增强：数据增强的目的是帮助用户增加数据量。 父主题： 数据分析与预览

查看更多 →

度数关联度算法（Degree Correlation） 概述 度数关联度算法（Degree Correlation）计算所有边上起点和终点度数之间的Pearson关联系数，常用来表示图中高度数节点是否和高度数节点相连。 适用场景 度数关联度算法（Degree Correlation）适用于衡量图的结构特性场景。

查看更多 →

需求理解 行业需求理解 针对行业供给侧和需求侧分别分析出对公共服务平台的需求。供给侧，工业数字化技术体系发展呈现出“新四化”的发展趋势，既工业装备智能化，工业网络标准化，工业软件现代化，以及工业数据价值化，为抢抓产业发展的制高点，对公共服务平台提出了当先性的要求。需求侧，面向产业

查看更多 →

对文本按照一定的分类体系或标准进行自动分类标记。目前支持对给定文本自动判断是否是广告。情感分析是文本分类的一种，是指针对带有主观描述的文本，自动判断该文本的情感极性类别。情感极性分为正面和负面。针对天气类、报时、新闻类、笑话类、翻译类、提醒类、闹钟类、音乐类共8个领域进行意图理解，对用户的问题进行领域识别并提取领域内的参数。

查看更多 →