我們以前文介紹的一個場景本體的例項，銀行領域客服投訴分析挖掘的場景本體模型，來說明本體樹輔助建模。模型包括三部分：本體模型、要素模型、概念模型。智慧輔助建模將介紹如何利用機器學習演算法和語義資源，輔助場景業務人員，自動或半自動化地構建具體場景應用中的OEC模型。本文將簡單總結下OEC智慧輔助建模的特色和優勢。
OEC智慧輔助建模，提供一套完整的面向業務建模的流程，以本體模型為主線，對本體模型中的本體樹、領域模型，以及要素模型和概念模型中需要建模的內容，通過輔助建模工具的功能，呼叫相應的機器學習演算法，來進行自動學習，將學習結果輸出給模型，輔助業務人員快速構建適應業務需要的本體模型。
1、將業務人員的操作與機器學習、NLP演算法嚴格區分開來。業務人員無須掌握高深的機器學習演算法，也無須針對每個業務場景來費盡洪荒之力，將各種NLP演算法組織成一個應用流程，而只需要運用業務知識，對文字資料進行操作，即可完成業務模型建模。
2、業務針對性更強。智慧輔助建模可實現有指導的建模，而不是僅僅只看到一個演算法黑盒子，業務人員對整個處理過程、輸出結果，以及與業務知識的因果關係等一覽無餘。
下面通過將OEC智慧輔助建模與傳統的NLP解決方案對比，來簡單說明OEC智慧輔助建模的特色。下面圖示中，紅色字型表示的是OEC智慧輔助建模的功能，藍色字型表示的是傳統解決方案的功能。
智慧輔助建模對業務分類體系的輸出結果是本體模型中的本體樹，本體樹與業務直接對應，以最大程度的滿足業務可解釋性的需求。而傳統解決方案一般直接採用分類聚類演算法，輸出的結果無法與業務有明顯的業務關聯，可解釋性差。
智慧輔助建模對業務相關實體自動發現的結果，輸出到要素樹進行管理，要素樹直觀可見，方便業務人員管理，同時，具有要素樹的複用性強。而傳統解決方案，一般直接輸出實體發現結果，雜質太多，而且不利於複用。
智慧輔助建模對領域模型的構建，通過對本體樹節點的本體表示式發現，來自動挖掘每個業務節點的領域知識。本體表示式發現使得隱藏在資料中的業務規則，顯式地表示在本體模型中，從而獲得良好的可解釋性，並實現最大化的複用。同時，本體模型也支援給單個的本體節點，配置機器學習模型，來通過機器學習演算法，自動訓練模型。傳統的解決方案一般都無法構建關聯規則，特別是具體到某個業務節點的關聯規則。
智慧輔助建模提供視覺化建模工具，業務人員可以通過簡單的拖拉拽的方式，即可完成輔助建模過程，而無須掌握過程中用到的複雜的機器學習演算法，以最大化的降低業務人員使用門檻。傳統的解決方案無法實現視覺化建模，處理過程需要業務人員熟知各種機器學習演算法，使得業務人員望而生畏。
智慧輔助建模的後期維護成本低，模型複用性高，其中的要素樹、概念樹、本體表示式等均可以一次建模，多個業務複用，大幅度降低維護成本。傳統解決方案一般每個業務均需要單獨開發演算法，無法複用，新業務開發和已有業務維護均需要投入大量人力。
最後，我們總結下OEC智慧輔助建模的特色和優勢，輔助建模面向業務，業務人員操作簡單，模型複用性高，輸出的線上模型與輸入的線下資料打通，提供覆蓋本體模型、要素模型、概念模型的整套輔助建模平臺，同時相容概念模型和機器學習模型。
