客服语义实体分析平台是融合客服数据接入、数据转换、数据存储、数据分析等功能的平台；其主要能力包含了自然语义分析能力、数据迁移、数据清洗、大数据存储、分布式数据计算能力，通过公司研发的DataExchange、DataHouse、UGraph三款数据产品的强力支持，打造客服大数据从治理到存储、计算的生态并结合tenserflow算法引擎与DataHouse整合后支持分布式模型训练的能力，可以更好的服务于客服语义分析等，实现客服工单分类、潜客挖掘、智能客服、精准营销等业务场景的语义分析支撑。
技术特点如下：
1、结构化非结构化统一处理
2、数据采集清洗同步
3、分布式内存处理
4、多种数据灾备方式
5、高并发、大吞吐、高可靠
6、数据实时处理不落地
7、100%兼容现有Hadoop环境和传统数据库环境
核心功能如下：
1、语义模型管理
语义模型管理的目标是，尽量降低成熟语义模型开发工作量，降低模型开发过程中的交易成本，平滑学习曲线。助推语义能力开发技术的推广。
其中，模型从需求采集、语料搜集、标签/标注、模型网络搭建设计、模型训练、验证、发布可形成一个流水线管理模式。
（1）样本管理
样本管理负责采集、维护、管理领域类标签、标注完成的样本集。提供按标签体系，按项目，按场景等多维管理功能。
（2）模型管理
模型训练管理负责承载既有算法模板管理复用，算法模型参数调优，多算法模型对比等功能。同时承担模型存档、维护等功能。
（3）模型指标验证
验证、测试管理承担各类模型有效性验证，各参数指标测试等功能，同时提供模拟各落地场景测试环境的能力。提供功能性测试和非功能性测试环境管理。
2、数据汇聚与流式处理
平台利用Dataexchange数据流水线的方式对数据进行实时及批量抽取数据、清洗、转换、过滤等流式处理，支持文件、数据库、数仓、网络、日志、大数据平台等几乎所有数据源及数据格式。
（1）操作简便：
一键部署，开箱即用，无需专业技术背景，简单易学，普通业务人员即可操作，降低使用及维护成本。
（2）多种数据采集适配接口：
Oracle、SQLServer、MySQL、DB2、PostgreSQL数据库适配器；Oracle日志采集适配器；Hadoop/HDFS/HBase/Kafka/Spark、MongoDB、Redis、TCP/UDP等多种采集适配器。
（3）更好的兼容性，开发门槛低：
100%兼容现有Hadoop环境和传统数据库环境，无需用户在流计算框架上进行编程开发工作，提供了SQL语义的流数据分析功能，降低了使用门槛。
高并发、大吞吐、高可靠
数据传输可按照优先级任务调度、支持定时批量、实时批量数据传输，具有大吞吐、高并发、集群化、高可靠等特点。
（4）数据实时处理不落地：
数据处理过程不落地，降低存储开销数据实时计算，实时处理。
3、数据汇聚与流式处理
可完成所有的数据采集、传输、复制、预处理、融合和内存计算功能；采集来自各种数据库、消息系统、网站、移动设备、物联网等数据；内置计算平台对采集的数据进行实时清洗和计算分析；分析后的数据结果可实时呈现在用户分析中心。
4、数据对象分析
针对对象、属性和方法利用关系流对其中的关联关系进行配置。对象做为属性与方法的载体，属性与方法进行关联，同时继承面向对象的思想，属性也可以关联其他对象，通过关系流配置映射业务场景，可以根据不同的业务场景，定义不同的分析对象。
（1）对象管理
对象管理是以抽象的概念来支持业务的定义，以库的形式来进行承载，每一个对象都是一个业务的转化，将业务以对象的概念进行抽象的实现；同时对象也是属性与方法的载体，以对象实体表的身份存在。
（2）属性管理
属性以独立的形式存在，可以通过配置与对象和方法进行组合，属性代表业务场景的一个元数据，属性通过关联方法提取的内容做为元数组的值。
（3）方法管理
方法实际指的就是提取数据的功能实现，以库的形式存在，包含算法和功能方法两部分，算法目前是指面向NLP领域的算法，方法主要是数据查询、处理功能的方法；方法可以独立使用也可以与对象、属性进行关联。
