是什麼讓 Watson Natural Language Understanding 如此獨特？

種類

使用五級分類階層，對內容進行分類。

概念

識別不一定在文字中直接引用的高階概念。

情緒

分析特定目標詞組或整體文件所傳達的情緒。

實體

查詢內容中提及的人員、場所、事件及其他類型的實體。

關鍵字

搜尋相關關鍵字的內容。

meta 資料

若是 HTML 和 URL 輸入，則取得網頁作者、頁面標題和發佈日期。

關係

識別兩個實體相關的時機，並識別其關係類型。

語意角色

將句子剖析成「主詞-動作-受詞」形式，並識別此動作主詞或受詞的實體和關鍵字。

觀感

分析對特定目標詞組的觀感以及整體文件的觀感。

自訂模型

運用 Watson Knowledge Studio 來識別網域專屬的自訂實體和關係。

語言

焦點特色

建立認知銀行聊天機器人

使用 Node.js 及 Watson 來偵測情緒、識別實體及探索答案

進一步瞭解

使用 IBM 服務強化多媒體檔案

建置應用程式以使用 IBM Watson 服務來強化音訊及視覺化檔案

進一步瞭解

分析 Twitter 帳號及主題標籤以取得觀感與內容

為 Twitter 帳號及主題標籤建立觀感、情緒聲調及關鍵字的圖表及圖形

進一步瞭解

使用 Watson Knowledge Studio 分析 SMS 訊息

建置自訂模型以使用 Watson Knowledge Studio 和 Watson Natural Language Understanding 更有效地分類 SMS 訊息內容

進一步瞭解

讓不同來源的文件建立關聯

使用 Python NLTK 和 IBM Data Science Experience 來將文件間中的內容建立關聯

進一步瞭解

探索隱藏的 Facebook 用法見解

運用 PixieDust 發揮 Jupyter Notebook 中認知資料分析的力量

進一步瞭解

擴展 Watson 文字分類

使用 Python NLTK 工具箱和 IBM DSX 來達成想要的文字分類結果

進一步瞭解

從非結構化文字採集個人資料的特徵

使用 Watson Natural Language Understanding 與 Watson Knowledge Studio 建置自訂模型

進一步瞭解

使用 Swift 來解譯來自 Hacker News 的非結構化資料

使用認知 API 巧妙地洞察到 Hacker News 的技術趨勢

進一步瞭解

加速機器學習演算法的訓練

在 IBM PowerAI 上使用 Google TensorFlow，更快速地訓練機器學習演算法

進一步瞭解

透過 Swift 建立認知推薦應用程式

打造 Swift 型行動式聊天機器人，以提供建議、預約及活動規劃

進一步瞭解

產品整合

Watson Knowledge Studio

建立及訓練自訂機器學習模型，藉此教導 Watson 學習網域的語言。

Watson Discovery

透過世界上最先進的雲端原生洞察引擎，發掘資料中潛藏的價值、監控趨勢並顯現模式。

Watson Assistant

在各種管道間快速建置和部署虛擬代理程式。

開始使用 Watson Natural Language Understanding

幾分鐘內即可開始使用 Watson Natural Language Understanding

註冊