海致星图Atlas知识图谱平台_图仓管理平台_Roola图决策引擎系统-云巴巴

海致星图Atlas知识图谱平台

海致星图Atlas知识图谱平台，产品引入了可视化图本体设计功能，实现了和业务无关的灵活配置，解决了特定业务场景下进行知识图谱分析，需要定制化开发，耗时长成本高的痛点。支持多种数据源的同步。支持数据的增量导入，良好的图数据同步性能：优化图数据数据写入性能。

立即咨询

首页 > 产品中心 > 企业服务 > 海致星图Atlas知识图谱平台

图算法及其应用场景

图技术全景图——Graph Technology Landscape 2020 icon

海致数据智能产品体系 icon

海致数据智能产品体系 icon

知识图谱平台总体架构 icon

知识应用：创建自己的场景图谱、接入或定制行业知识图谱应用，提供服务共享的在线协作方式。知识服务：提供服务发布、订阅、调用控制与统计能力。知识分析：提供实时图查询、离线图查询、场景探索等分析能力，支持基于项目与组织的功能和数据权限控制。知识挖掘：提供基于数据挖掘、机器学习、深度学习的知识推理开发与模型训练。支持分布式工作流的调度与监控。知识构建：支持本体建模，提供基于场景的知识构建工作流开发，支持结构化数据的清洗、融合、转换、入库、图谱构建等工作知识存储计算：通过分布式混合存储方式实现海量知识的读写，支持主流大数据平台、图数据库以及查询语言的适配。

Atlas知识图谱平台-功能架构设计 icon

知识构建-一站式数据接入与构图 icon

图本体模型
产品引入了可视化图本体设计功能，实现了和业务无关的灵活配置，解决了特定业务场景下进行知识图谱分析，需要定制化开发，耗时长成本高的痛点。

数据源管理
支持多种数据源的同步。支持数据的增量导入，良好的图数据同步性能：优化图数据数据写入性能，例如通过外部存储系统存储ID映射关系，减少增量写入时的数据多次存储问题；关闭不必要的锁机制和数据校验机制。

数据接入
数据接入主要用来将外部数据导入图平台以及初始化的内部Hive数据，包括图数据接入、事件明细数据接入和工作表数据接入三种类型；数据接入有离线接入、实时接入两种方式；同时还支持上传文件进行数据接入，支持CSV，Excel，JSON三种格式。

知识挖掘推理-图模型场景搭建 icon

内置丰富的场景模板与图挖掘算法；支持拖拉拽方式快速构建挖掘工作量；支持自定义算法与任务调度。

知识探索分析-在线图谱查询与探索性分析 icon

支持图+算法图+BI 图+时间图+空间图+业务

知识服务-灵活多样的服务对接方式 icon

支持可变参数的Restful API及URL服务；支持各APP端页面嵌入及手机端操作；支持各类PC端浏览器适配。

知识应用-多元化知识应用，赋能智能化决策 icon

支持知识全文模糊检索；知识卡片的信息展现形式；支持知识资产数据统计与管理；面向场景的业务应用。

图和流的结合

流式和图的结合，我们实现了两种模式。1. 基于流式计算，计算结果入图，图谱的构建可以实时化。2. 流式计算过程中进行图的查询和更新动作，让图的应用实时化。

流批图一体计算

流式图计算引擎和实时预警 icon

海致图算法

海致数据智能产品体系 icon

Metis知识工程产品体系-NLP知识抽取平台 icon

Metis知识工程产品体系-知识平台 icon

Metis知识工程产品体系-智能问答 icon

海致数据智能产品体系 icon

AtlasGraph图数据库 icon

高速

- 基于RUST语言保证性能优势

- 分布式架构性能可线性扩展

- 针对大规模图优化的存算引擎

可靠

-MVOCC保证事务一致性

-多副本管理保证数据服务高可用

-在线备份提供容灾保障

易用

- 配合Atlas图平台，实现无代码图分析

- Query性能分析模块，启发式提示优化

- 内置多种分析函数，面向分析师友好

基于知识图谱的新一代知识库 icon

传统知识库特性

国内大部分知识库系统基于文档管理系统、内容管理系统构建，面向的存储对象主要是文档；将信息与知识混杂在一起，也没有充分考虑知识的可用性，主要使用方式基于全文检索，需要通过标签设定，实现特定知识条目的快速定位。

基于知识图谱的新一代知识库 icon

以NLP与知识图谱技术为核心的新一代知识库，将非结构化文档中的知识点进行结构化处理，挖掘知识之间的关联关系，激活沉睡知识

智能搜索
智能搜索结合了人工智能技术的新一代搜索方式，根据用户的请求，从可以获得的结构化/非结构化数据中检索出对用户最有价值的信息。结合对搜索内容的认知和语义理解，做到“一搜即达”。

知识关联
结合图本体模型和NLP机器学习模型，对知识文档中重要信息进行识别，对于相关知识直接进行知识、文档、图谱的相互关联。

技术领先
结合知识图谱和NLP技术，将传统的文档管理和大数据、AI技术相结合，通过内置丰富算法模型，进行文本标注、智能抽取、智能查重等，将非结构化文档中的知识点进行结构化处理，构建RDF三元组，提升知识的使用效率。

NLP三元组标注/识别示例 icon

基于知识图谱的复杂工程研发智能认知 icon

工程研发知识图谱基本架构示例 icon

• 以型号总体为核心，关联各分子系统，以图方式构建各型号设计、运行等知识图谱；

• 通过与设计规范建立的关系，提升设计师检索效率；并且在规范变更时，找出影响范围；

• 提升通用子系统复用效率。

基于知识图谱的智能检修及故障分析 icon

设备（产品）故障维修是制造行业最重要的场景，其维修的质量和效率直接影响企业的整体运行。因而，加强维修管理成为制造业企业管理不可缺少的一个重要环节。

落地场景：某国营维修厂智能故障检修知识图谱面临痛点 icon

知识形式单一
知识内容主要分布在知识管理系统和文件管理系统两个平台中，知识展现及管理形式主要为非结构化文档为主

更新与维护不理想
知识标签体系在后续运营及使用中实际使用过程中效果不佳，难以满足实际工作需求，进而影响员工使用知识的积极性。

知识共享形式单一
培训是目前工厂主要的知识传递形式，体系性不足，效率较低。

管理系统较落后
当前的知识管理系统功能设计尚有较大的提升空间，缺乏与其他系统平台的交互集成，未提供方便的、形式多样的知识搜索、推送功能。

未建立成体系
故障现象间的传递规律，故障和故障之间的关系尚未展现，故障处于孤岛状态，维修人员利用起历史故障信息效果较差。

执行结合不足
工厂已有各个业务系统存储各类故障数据和故障分析文档，但是没有得到充分利用，并未和实际业务维修场景进行结合。

落地场景：某国营维修厂智能故障检修知识图谱 icon

步骤一：明确需求

解决什么问题：明确在业务应用场景中存在哪些痛点，比如积累的故障维修知识分享、利用效果不佳；有哪些可以使用的数据：包括系统或设备产生数据、历史沉淀的维修故障报告、课件、各种论文数据、定期人工整理的数据等；技术上是否可行：知识图谱构建的难点在知识建模、知识获取。知识建模是把需求问题抽象化成合适的数据模型（本体）的过程，需要领域专家参与。知识获取是把数据按照本体构建成知识图谱实例的过程。

步骤二：构建本体并且与故障树关联 icon