我们以前文介绍的一个场景本体的实例，银行领域客服投诉分析挖掘的场景本体模型，来说明本体树辅助建模。模型包括三部分：本体模型、要素模型、概念模型。智能辅助建模将介绍如何利用机器学习算法和语义资源，辅助场景业务人员，自动或半自动化地构建具体场景应用中的OEC模型。本文将简单总结下OEC智能辅助建模的特色和优势。
OEC智能辅助建模，提供一套完整的面向业务建模的流程，以本体模型为主线，对本体模型中的本体树、领域模型，以及要素模型和概念模型中需要建模的内容，通过辅助建模工具的功能，调用相应的机器学习算法，来进行自动学习，将学习结果输出给模型，辅助业务人员快速构建适应业务需要的本体模型。
1、将业务人员的操作与机器学习、NLP算法严格区分开来。业务人员无须掌握高深的机器学习算法，也无须针对每个业务场景来费尽洪荒之力，将各种NLP算法组织成一个应用流程，而只需要运用业务知识，对文本数据进行操作，即可完成业务模型建模。
2、业务针对性更强。智能辅助建模可实现有指导的建模，而不是仅仅只看到一个算法黑盒子，业务人员对整个处理过程、输出结果，以及与业务知识的因果关系等一览无余。
下面通过将OEC智能辅助建模与传统的NLP解决方案对比，来简单说明OEC智能辅助建模的特色。下面图示中，红色字体表示的是OEC智能辅助建模的功能，蓝色字体表示的是传统解决方案的功能。
智能辅助建模对业务分类体系的输出结果是本体模型中的本体树，本体树与业务直接对应，以最大程度的满足业务可解释性的需求。而传统解决方案一般直接采用分类聚类算法，输出的结果无法与业务有明显的业务关联，可解释性差。
智能辅助建模对业务相关实体自动发现的结果，输出到要素树进行管理，要素树直观可见，方便业务人员管理，同时，具有要素树的复用性强。而传统解决方案，一般直接输出实体发现结果，杂质太多，而且不利于复用。
智能辅助建模对领域模型的构建，通过对本体树节点的本体表达式发现，来自动挖掘每个业务节点的领域知识。本体表达式发现使得隐藏在数据中的业务规则，显式地表示在本体模型中，从而获得良好的可解释性，并实现最大化的复用。同时，本体模型也支持给单个的本体节点，配置机器学习模型，来通过机器学习算法，自动训练模型。传统的解决方案一般都无法构建关联规则，特别是具体到某个业务节点的关联规则。
智能辅助建模提供可视化建模工具，业务人员可以通过简单的拖拉拽的方式，即可完成辅助建模过程，而无须掌握过程中用到的复杂的机器学习算法，以最大化的降低业务人员使用门槛。传统的解决方案无法实现可视化建模，处理过程需要业务人员熟知各种机器学习算法，使得业务人员望而生畏。
智能辅助建模的后期维护成本低，模型复用性高，其中的要素树、概念树、本体表达式等均可以一次建模，多个业务复用，大幅度降低维护成本。传统解决方案一般每个业务均需要单独开发算法，无法复用，新业务开发和已有业务维护均需要投入大量人力。
最后，我们总结下OEC智能辅助建模的特色和优势，辅助建模面向业务，业务人员操作简单，模型复用性高，输出的线上模型与输入的线下数据打通，提供覆盖本体模型、要素模型、概念模型的整套辅助建模平台，同时兼容概念模型和机器学习模型。
