針對帶有主觀描述的中文文本，可自動判斷該文本的情感極性類別并給出相應的置信度。 情感分析引擎依托強大的機器學習能力和文本挖掘引擎，不斷完善算法模型，以基礎NLP能力為技術支撐，聯系上下文，深度理解語義，分析和識別文本中表達的情感狀態，如正面、負面、中立等。
文本分類將文本按照預設的分類體系進行自動分類，支持娛樂、體育、科技等多個主流內容類型。基于語義聯想、句法分析等技術，通過半監督學習引擎的訓練，只需少量的數據標注就可以達到高準確率的預測。在個性化推薦、文章聚合、文本內容分析等場景具有廣泛的應用價值。
實體識別用于從文本中發現特定類型的事物名稱或符號，例如人名、機構名、時間、地點等。 實體識別是語義分析中的重要的基礎，是情感分析、機器翻譯、語義理解、知識圖譜構建等任務中的重要步驟。 我們基于自主研發的算法可通過對行業語料的進一步學習，從而達到更高的準確率。
典型意見引擎將消費者意見進行語義聚合，從中提取出有代表性的意見。可用于社會熱點事件、消費者調研和電商評論分析和意見整理。 基于語義的分析引擎在準確率上有較大的突破，能將含義接近但表述不同的意見聚合在一起，并可通過參數調節聚類的大小獲得更好的效果，與人工整理相比更加快速、準確 。
文本聚類指的是算法自動對給定的文本集進行話題聚類，將語義上相似的內容歸為一類。有助于海量文檔、資訊的整理和話題級別的統計分析。我們自主研發的文本聚類算法加入了對語義的擴展，保證同一個意見的不同表述可以被歸納在一起，同時也避免了傳統聚類算法需要預先設定聚類總數，可以基于數據的分布自動選擇合適的閾值。
關鍵詞提取從一篇或多篇文本包含的信息進行結構化處理，從中提取出有代表性的關鍵詞。并且綜合考慮詞語在文本中的頻率和詞語在千萬級語料庫中的頻率，選擇出最具有代表性的關鍵詞并給出相應權重。