语知自然语言理解技术平台 / 文档中心

文档中心

API参数集

参数名 说明 备注
api_key 注册用户的认证唯一标识,用户注册登录后即可看到 接口调用必传参数
text 需要分析的文本,适用于中、英文语义分析接口 UTF-8编码格式,语义解析必传参数
word1 相似性/相关性接口的传入词语一 中、英文词语均可,必传参数
word2 相似性/相关性接口的传入词语二 中、英文词语均可,必传参数
unitId 词语在知网词典中的义项ID号,语义解析接口的衍生接口,从语义解析接口返回的结果中即可提取出“unitId” 每个字(词)拥有唯一unitId,详情参考【调用示例】
pattern pos:词性标注;st:语义标注;sd:语义判定;all:全文解析 用以指定所需提供的分析结果

调用方式

  • 注册成为知网用户,获得知网用户唯一标识apiKey
  • 按照样例调用接口获取相应服务
  • 注意:当日调用接口的次数不得超过5000次
  • 参数传递建议使用post提交

调用示例

接 口 功 能 示例URL 返回值 Method
中文分析 http://yuzhinlp.com/api/call_chn.do
&apiKey=xxxxxxxx
&input="我爱中国,我爱世界。"
Json字符串,详情查看【接口调用流程演示】 post
英文分析 http://yuzhinlp.com/api/call_eng.do
&apiKey=xxxxxxxx
&input="I love China, I love this world!"
Json字符串,详情查看【接口调用流程演示】 post
词语相似度检测 http://yuzhinlp.com/api/call_similarity.do
&apiKey=xxxxxxxx
&word1=doctor
&word2=护士
Json字符串,例:{"similarity":"0.018605"},其中"similarity"为key,"0.018605"代表相似度结果 post
词语相关性检测 http://yuzhinlp.com/api/call_relevance.do
&apiKey=xxxxxxxx
&word1=doctor
&word2=护士
Json字符串,例:{"relevance":"1"},其中"relevance"为key,"1"为值,1代表相关,0代表不相关 post
根据UNITID查询详细词性 http://yuzhinlp.com/api/call_UnitIdApi.do
&unitId=202591
Json字符串,详情查看【接口调用流程演示】 post

接口调用流程演示

该流程是建立于【调用方式】的基础上,以中文语义解析接口为例

1、编写接口调用工具类,请务必设定为post提交,并设置参数编码为UTF-8

import java.util.ArrayList;
import java.util.List;
import org.apache.http.NameValuePair;
import org.apache.http.client.entity.UrlEncodedFormEntity;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpPost;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.message.BasicNameValuePair;
import org.apache.http.util.EntityUtils;
import com.alibaba.fastjson.JSONObject;


public class ApiTest {
	public static void main(String[] args){
		//创建post请求
        CloseableHttpClient httpclient = HttpClients.createDefault();
        HttpPost httpPost = new HttpPost("http://yuzhinlp.com/api/call_chn.do");
        //post请求传入参数
        List<NameValuePair> parameters = new ArrayList<NameValuePair>();
        parameters.add(new BasicNameValuePair("apiKey", "YourApiKey"));
        parameters.add(new BasicNameValuePair("input", "语知引领可解释NLP技术发展"));
        CloseableHttpResponse response = null;
        try {
        	UrlEncodedFormEntity formEntity;
			formEntity = new UrlEncodedFormEntity(parameters, "UTF-8");//设置参数编码
        	httpPost.setEntity(formEntity);
            // 执行请求
            response = httpclient.execute(httpPost);
            // 判断返回状态是否为200
            if (response.getStatusLine().getStatusCode() == 200) {
            	
            	//调用结果
            	 String content = EntityUtils.toString(response.getEntity(), "UTF-8");
            	JSONObject object = JSONObject.parseObject(content);
            	String result = object.get("success").toString();
				//打印到控制台		
            	System.out.println(result);		            	
	         }
        } catch (Exception e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		} finally {
			try {  
	            if (response != null) {
	                response.close();
	            }
				httpclient.close();
			} catch (IOException e) {
				// TODO Auto-generated catch block
				e.printStackTrace();
			}
        }
	}
}
							
2、接口运行返回结果

运行后返回Json格式数据结果,其中包含连个父节点分别为"sentence"(您输入的文本内容)和"nodes"(分析结果),"nodes"节点下包含另一个Json格式的数据,即为您所输入的每一个字/词的详细分析结果,其中子节点中的参数含义请参照【参数节点描述】

[{
        "sentence": "语知引领可解释NLP技术发展。", 
        "nodes": [{
                "NoID_1": "000", 
                "MaskID": "", 
                "NoID_2": "000", 
                "expression": "ROOT", 
                "FH": "", 
                "Son": "", 
                "ES": "", 
                "YS": "", 
                "DP": "", 
                "DeepSon": "", 
                "log": "", 
                "DeepLog": "", 
                "POS": "", 
                "UnitID": ""
            },
            ...,
            {
                "NoID_1": " 15", 
                "MaskID": " ", 
                "NoID_2": " 15", 
                "expression": "发展", 
                "FH": "000", 
                "Son": "                              ", 
                "ES": "   ", 
                "YS": "   ", 
                "DP": "   ", 
                "DeepSon": "         ", 
                "log": "", 
                "DeepLog": "", 
                "POS": "echo", 
                "UnitID": "053812"
            },{
                "NoID_1": " 18", 
                "MaskID": " ", 
                "NoID_2": " 18", 
                "expression": "。", 
                "FH": "000", 
                "Son": "                              ", 
                "ES": "   ", 
                "YS": "   ", 
                "DP": "   ", 
                "DeepSon": "         ", 
                "log": "", 
                "DeepLog": "", 
                "POS": "pun", 
                "UnitID": "010373"
            }]
}]
							

3、返回结果参数含义明细表

名称 描述
NoID_1 输入文本经过词法处理后各定形词语在文本中排列的序号
MaskID 加工过程中,为了简化句子复杂度暂时屏蔽的标记
NoID_2 输入文本经过命名体识别和语义判定后在文本中排列的序号
expression 各个定形后的词语
FH 词语的父节点的序号
Son 词语的子节点的序号
ES 词语的姐姐节点的序号
YS 词语的妹妹节点的序号
DP 词语的深层父节点的序号
DeepSon 词语的深层子节点的序号
log 词语的逻辑语义关系
DeepLog 词语的深层逻辑语义关系
POS 词语的词性
UnitID 词语在知网词典中的义项ID号

4、关于UNITID详细词性的查询

在中、英文语义解析的基础上,调用“http://yuzhinlp.com/api/call_UnitIdApi.do”接口,并传入参数apiKey和UnitID。其中apiKey为您的凭证,UnitID参数则从刚才中、英文语义解析接口返回的数据中提取

返回结果如下:

5、UntiID属性参数对照表

名称 描述
NO. 记录编号
W_C 中文词语
G_C 中文信息
S_C 中文情感标识
E_C 中文样例
W_E 英文词语
G_E 英文信息
S_E 英文情感标识
E_E 英文样例
DEF 概念定义
RMK 备注

信息提取服务

技术优势

  • 完善的多语种的知识系统
  • 独有的义原分类体系
  • 独有的概念描述方式(KDML)
  • 完善的事件关系与角色框架
  • 事件关系与角色转换规则,赋予系统推理能力
  • 可使深度学习直接在语义层面进行计算
  • 无需为每种语言分别建立学习模型

应用场景

语音指令解析:

以分词和词性标注为基础,分析语音命令中的关键名词、动词、数量、时间等,准确理解命令的含义,提高用户体验

多轮交互式搜索:

通过专名识别定位多轮对话中的核心实体,自动判断后续对话中对该实体的进一步信息需求

实体数据库构建:

通过挖掘实体之间、实体与关键词之间的关联,构建实体信息(如人物、机构)数据库

语言理解:

通过分析用户Query的依存句法结构信息,抽取其中的语义主干及相关语义成分,帮助智能产品实现对用户意图的精准理解

知识发掘:

对大规模非结构化文本数据进行句法结构分析,从中抽取实体、概念、语义关系等信息,帮助构建领域知识或世界知识

语言结构匹配:

基于语言对(Query-WebTitle)之间的句法结构信息进行语言的匹配计算,帮助提升语义匹配计算的准确率

搜索query改写:

通过寻找搜索query中词语的相似词,进行合理的替换,从而达到改写query的目的,提高搜索结果的多样性

专有名词挖掘:

通过词语间语义相关性计算寻找人名、地名、机构名等词的相关词,扩大专有名词的词典,更好的辅助应用

深度学习训练(技术结合):

集合DNN深度学习大量样本训练模型,完成词语的向量化,建立高精度的词向量表示体系

信息检索:

在很多应用中都需要根据文本来检索其相似文本,需求场景非常普遍。不仅适用于纯文本检索,还可以利用标签等来检索图片、视频

新闻推荐:

通过用户刚刚浏览的新闻标题,检索出其他的相似新闻推荐给用户

智能客服:

用户输入一个问题时,自动为用户寻找相似的问题和答案