CN106097090A - 一种基于图理论的纳税人利益关联团体识别方法 - Google Patents

一种基于图理论的纳税人利益关联团体识别方法 Download PDF

Info

Publication number
CN106097090A
CN106097090A CN201610462523.7A CN201610462523A CN106097090A CN 106097090 A CN106097090 A CN 106097090A CN 201610462523 A CN201610462523 A CN 201610462523A CN 106097090 A CN106097090 A CN 106097090A
Authority
CN
China
Prior art keywords
group
taxpayer
interests
numbering
limit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610462523.7A
Other languages
English (en)
Inventor
董博
阮建飞
郑庆华
贾俊杰
蔚文达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201610462523.7A priority Critical patent/CN106097090A/zh
Publication of CN106097090A publication Critical patent/CN106097090A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/10—Tax strategies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/12—Accounting
    • G06Q40/123—Tax preparation or submission

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于图理论的纳税人利益关联团体识别方法，首先，构建出有向加权的纳税人利益关联网络；然后，在纳税人利益关联网络中进行团体识别，识别出纳税人利益关联网络中，所有由联系紧密的纳税人及其关联自然人组成的纳税人利益关联团体。从而解决从非结构化的纳税人信息中识别利益关联团体的问题，为后续的纳税评估和重点监控奠定基础。

Description

一种基于图理论的纳税人利益关联团体识别方法
技术领域
本发明涉及计算机科学与技术中的并行图计算领域，具体涉及一种基于图理论的纳税人利益关联团体识别方法。
背景技术
纳税人利益关联团体是指通过投资、控股、交易等关系紧密联系在一起的纳税人集合，在集合内部利益关联紧密程度远高于集合间。在纳税人利益关联团体内部普遍存在着关联交易、抵消交易等偷逃漏税行为，对国家税收征管带来了严峻的挑战，如何对纳税人利益关联团体进行识别并重点监控，成为当前纳税评估和风险监控一个亟待解决的问题。
实际税务分析中纳税人利益关联团体主要来源于纳税人集团信息，然而仅仅以纳税人的集团属性作为纳税人利益关联团体划分的唯一标准具有局限性，没有充分考虑纳税人间基于投资、控股、交易的间接关联性，不利于纳税人之间潜在、隐蔽、多样利益关联关系的挖掘。
目前尚未有纳税人利益关联团体的识别方法的相关研究，但纳税人利益关联团体与其他领域中的社团概念类似，均为由联系紧密的节点组成。因此其他领域中的社团识别方法，对于解决纳税人利益关联团体识别问题具有参考价值。以下两个专利提供了其他领域社团发现的不同技术方案：
1.基于复杂网络模型并行化标签传播算法的药物社团发现方法(201210111171.2)；
2.一种用于电力网络故障诊断的社团自组织检测方法(201310299446.4)。
文献1提供一种基于复杂网络模型并行化标签传播算法的药物社团发现方法。文献2提出一种用于电力网络中社团检测的方法，根据节点的局部适应度选择节点所属的社团，然后不断迭代得到使得全局适应度最优的社团划分情况。
以上文献所述方法，运用在纳税人利益关联团体识别过程中，存在以下问题：文献1使用的标签传播算法在社团发现过程中会出现节点的所属社团反复震荡的问题；文献2使用的局部适应度函数和全局适应度函数不考虑社团内节点的个数，会导致个别社团的节点数目不断增长直到迭代次数达到上限，使得得到的社团规模过大而失去研究意义。
针对上述文献中存在的不足，本发明提出了一种纳税人利益关联团体识别方法，解决税务大数据领域中纳税人利益关联团体的识别问题，其依赖的背景技术主要包括纳税人利益关联网络(简称TPIN)模型和Apache Spark分布式计算框架。
专利《基于纳税人利益关联网络模型的偷漏税关联企业识别方法》[申请号：201310293435.5]公开了一种纳税人利益关联网络模型，有效利用了纳税人之间控股关系、实际控制人关系以及企业之间的交易关系。其中的纳税人利益关联网络TPIN以图的方式来组织纳税人及其关联关系，可形式化表示为TPIN＝(V,E,W)，其中V＝{vp|p＝1,…,Np}表示顶点集合，V包含三种类别，有V＝L∪C∪B，其中L＝{vl|l＝1,...NL,NL<NP}表示所有法人顶点，C＝{vc|c＝1,...NC,NC≤NP}表示所有企业顶点，B＝{vb|b＝1,...NB,NB<NP}表示所有董事顶点；E表示图中所有边的集合，且令E＝{epq}＝{(vp,vq)|0<p,q≤NP}，其中epq＝(vp,vq)表示存在从vp到vq的有向连线；W＝{wpq|0<p,q≤NP}为边(vp,vq)的权值。边之间的权值与边的类别有关。表示有向边的类别集合，其中表示实际控制人间双向的间接关联关系，且如果vp到vq的边epq的颜色为记为则边epq的权值 表示法人vl与企业vc之间、或者董事vb和企业vc间的单向实际控制人关系， 表示法人与企业之间、或董事与企业之间、或企业之间的单向控股关系，表示控股百分比；表示多个董事间的双向互锁关系，其表示董事间控股权重程度；表示企业间的单向交易关系。
Apache Spark是当前广泛使用的并行计算框架。GraphX是ApacheSpark中一个用于图并行计算的模块，允许由顶点集合和边集合构造一个点和边都带属性的有向图Graph，并提供面向点和边的属性操作符以及消息传递机制。
发明内容
本发明的目的在于提供一种基于图理论的纳税人利益关联团体识别方法，首先，构建出有向加权的纳税人利益关联网络；然后，在纳税人利益关联网络中进行团体识别，识别出纳税人利益关联网络中，所有由联系紧密的纳税人及其关联自然人组成的纳税人利益关联团体。从而解决从非结构化的纳税人信息中识别利益关联团体的问题，为后续的纳税评估和重点监控奠定基础。
为了达到以上目的，本发明是采取如下技术方案予以实现的：
(1)构建有向加权的纳税人利益关联网络
构建有向加权的纳税人利益关联网络，即将非结构化的纳税人信息转化为结构化的纳税人利益关联网络的点和边。利用纳税人利益关联网络的边来结构化表示纳税人的交易、投资和控制关系，利用边的权值来表示关联关系的紧密程度；利用纳税人利益关联网络的点来结构化表示纳税人及其关联自然人，利用点的属性来保存团体编号和历史消息集合。
(2)在纳税人利益关联网络中进行团体识别
所述团体识别操作，具体包括以下步骤：
Step1.沿网络中的每条边传播源点和终点的团体编号；
首先，沿网络中的每条边向边的源点，发送包含边终点的团体编号及边的权值的消息，格式形如：(cid,weight)，其中cid表示边终点的团体编号，weight表示边的权值。然后，沿网络中的每条边向边的终点，发送包含边源点的团体编号及边的权值的消息。
Step2.对顶点接收到的消息进行聚集，获得网络中的每个顶点的当前消息集合；
首先，对纳税人利益关联网络中的每个顶点，接收该顶点的所有邻接顶点发送的包含团体编号和边权值的消息。然后，对接收到的消息进行聚集，构成当前消息集合。消息集合的格式形如：Map(cid,weight)，其中Map表示消息集合的数据结构为键值映射表，Map的键cid表示团体编号，Map的值weight表示团体编号cid对应的权值之和。
Step3.综合当前消息集合与历史消息集合选出每个顶点的所属利益关联团体编号；
首先，合并顶点的当前消息集合与历史消息集合。将当前消息集合记为MapC，将历史消息集合记为MapH，将合并后的消息集合记为MapU。对于MapC和MapH中的任意一条记录(cid1,weight1)，若cid1已存在于MapU中，则将MapU中cid1对应的权值加上weight1；否则在MapU中新增一条记录(cid1,weight1)。然后，将合并后的消息集合中权值最大的团体编号作为该顶点当前所属利益关联团体的团体编号。特殊的，如果存在多个团体编号的权值均相同且最大，则随机选取其中一个团体编号。最后，将顶点的当前消息集合作为顶点下一次迭代的历史消息集合。
Step4.若迭代次数达到预定的最大值或没有任何顶点的团体编号发生改变，则识别过程结束；否则，返回执行Step1。
迭代结束得到的纳税人利益关联网络中，将顶点属性中的团体编号相同的所有顶点，划分到同一个纳税人利益关联团体中，即可得到所有的纳税人利益关联团体。
本发明一种纳税人利益关联团体识别方法，对于税务稽查领域，能够快速定位可能存在偷逃漏税行为的隐秘利益团伙，有效减轻人工税务稽查的工作量。与现有的社团发现技术相比，本发明的优点是：
a.识别效率高，借助Spark并行化技术，扩充计算资源，缩短识别时间，足以应对规模庞大且日益增长的税务大数据；
b.识别范围广，不依赖于单个纳税人的企业信息，而是通过利用纳税人利益关联网络的拓扑结构中蕴藏的信息，识别内部联系紧密的纳税人利益关联团体。
c.稳定性好，依据两次迭代的消息集合决定顶点的所属团体，使得顶点的所属团体编号不会出现震荡。
附图说明
图1为本发明基于图理论的纳税人利益关联团体识别方法的流程图。
图2为团体识别算法的流程图。
具体实施方式
为了更清楚地说明本发明的技术方案，下面结合附图和具体实施例对本发明基于图理论的纳税人利益关联团体识别方法进行详细描述。
如图1所示，本实施例中，纳税人利益关联团体的识别过程包括：
构建有向加权的纳税人利益关联网络：
有向加权的纳税人利益关联网络中的顶点，包含编号和属性。编号是该顶点在纳税人利益关联网络中的唯一标识。属性包括两部分：第一部分标识该顶点当前所属利益关联团体的团体编号，初始情况下，设置为该顶点的编号；第二部分是一个历史消息集合，用来记录上一次迭代接收到的消息，初始情况下，只包含该顶点的编号且权值为1，表示为(vid,1)，其中二元组的第一个元素vid表示该顶点的编号，二元组的第二个元素表示这个编号在历史消息集合中的权值。
有向加权的纳税人利益关联网络中的边，包含源点编号、终点编号和边的权值。源点编号是该边的源点在纳税人利益关联网络中的唯一标识；终点编号是该边的终点在纳税人利益关联网络中的唯一标识；边的权值是一个0到1之间的小数，表示这条边所反映的关联关系的紧密程度。
本实施例中，所构建的轻量级的纳税人利益关联网络中有三个顶点。顶点V1的属性中团体编号为1，历史消息集合为[(1,1)]，其中，中括号表示Map内所有记录的数组，(1,1)表示一条二元组记录，记录之间用英文逗号“,”分隔；顶点V2的属性中团体编号为2，历史消息集合为[(2,1)]；顶点V3的属性中团体编号为3，历史消息集合为[(3,1)]。所构建的轻量级的纳税人利益关联网络中有三条有向边，分别在V1与V2之间、V2与V3间、V3与V1之间，权值均为1，分别表示为Edge(1,2,1)、Edge(2,3,1)和Edge(3,1,1)，其中Edge括号中的第一个元素为源点编号，第二个元素为终点编号，第三个元素为边权值。
在纳税人利益关联网络中进行团体识别。如图2所示，所述团体识别的具体步骤为：
沿网络中的每条边传播源点和终点的团体编号；
首先，沿网络中的每条边向边的源点，发送包含边终点的团体编号及边的权值的消息，格式形如：(cid,weight)，其中cid表示边终点的团体编号，weight表示边的权值。然后，沿网络中的每条边向边的终点，发送包含边源点的团体编号及边的权值的消息。
本实施例中，对于边Edge(1,2,1)，向边的源点V1发送消息(2,1)，然后向边的终点V2发送消息(3,1)；对于边Edge(2,3,1)，向边的源点V2发送发送消息(3,1)，然后向边的终点V3发送发送消息(2,1)；对于边Edge(3,1,1)，向边的源点V3发送发送消息(1,1)，然后向边的终点V1发送发送消息(3,1)。
对顶点接收到的消息进行聚集，获得网络中的每个顶点的当前消息集合；
首先，对纳税人利益关联网络中的每个顶点，接收该顶点的所有邻接顶点发送的包含团体编号和边权值的消息。然后，对接收到的消息进行聚集，构成当前消息集合。消息集合的格式形如：Map(cid,weight)，其中Map表示消息集合的数据结构为键值映射表，Map的键cid表示团体编号，Map的值weight表示团体编号cid对应的权值之和。
本实施例中，对于V1，其接收到的团体编号有2、3，它的当前消息集合为[(2,1),(3,1)]；对于V2，其接收到的团体编号有1、3，它的当前消息集合为[(1,1),(3,1)]；对于V3，其接收到的团体编号有1、2，它的当前消息集合为[(1,1),(2,1)]。
综合当前消息集合与历史消息集合选出每个顶点的所属利益关联团体编号；
首先，合并顶点的当前消息集合与历史消息集合。将当前消息集合记为MapC，将历史消息集合记为MapH，将合并后的消息集合记为MapU。对于MapC和MapH中的任意一条记录(cid1,weight1)，若cid1已存在于MapU中，则将MapU中cid1对应的权值加上weight1；否则在MapU中新增一条记录(cid1,weight1)。然后，将合并后的消息集合中权值最大的团体编号作为该顶点当前所属利益关联团体的团体编号。特殊的，如果存在多个团体编号的权值均相同且最大，则随机选取其中一个团体编号。最后，将顶点的当前消息集合作为顶点下一次迭代的历史消息集合。
本实施例的第一次迭代中，V1、V2、V3的历史消息集合与当前消息集合合并后均为[(1,1),(2,1),(3,1)]，结果仅代表本实施例，其他实施例的每个点的合并结果没有必然的相等关系。V1、V2、V3均随机选取1、2、3其中一个团体编号作为当前所属利益关联团体的团体编号。
若迭代次数达到预定的最大值或没有任何顶点的团体编号发生改变，则识别过程结束；否则进行迭代，重新沿网络中的每条边传播源点和终点的团体编号。
本实施例的第一次迭代中，V1随机选取2作为它的所属团体编号、V2随机选取2作为它的所属团体编号、V3随机选取1作为它的所属团体编号；然后，返回执行下一次迭代。第二次迭代后，V1所属团体编号为2，V2所属团体编号为2，V3所属团体编号为2。之后的第三次迭代，所有顶点的团体编号均不再变化，识别过程结束。
迭代结束得到的纳税人利益关联网络中，将顶点属性中团体编号相同的所有顶点，划分到同一个纳税人利益关联团体中，即可得到所有的纳税人利益关联团体。
本实施例中，迭代结束时，三个顶点的属性中的团体编号均为2，故三个顶点划分到同一个纳税人利益关联团体中，共得到一个纳税人利益关联团体。
本领域的技术人员容易理解，以上所述仅为本发明的方法实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于图理论的纳税人利益关联团体识别方法，其特征在于，具体步骤如下：
(1)构建有向加权的纳税人利益关联网络
构建有向加权的纳税人利益关联网络，即将非结构化的纳税人信息转化为结构化的纳税人利益关联网络的点和边，利用纳税人利益关联网络的边来结构化表示纳税人的交易、投资和控制关系，利用边的权值来表示关联关系的紧密程度；利用纳税人利益关联网络的点来结构化表示纳税人及其关联自然人，利用点的属性来保存团体编号和历史消息集合；
(2)在纳税人利益关联网络中进行团体识别
所述团体识别操作，具体包括以下步骤：
Step1.沿网络中的每条边传播源点和终点的团体编号；
首先，沿网络中的每条边向边的源点，发送包含边终点的团体编号及边的权值的消息，格式形如：(cid,weight)，其中cid表示边终点的团体编号，weight表示边的权值；然后，沿网络中的每条边向边的终点，发送包含边源点的团体编号及边的权值的消息；
Step2.对顶点接收到的消息进行聚集，获得网络中的每个顶点的当前消息集合；
Step3.综合当前消息集合与历史消息集合选出每个顶点的所属利益关联团体编号；
Step4.若迭代次数达到预定的最大值或没有任何顶点的团体编号发生改变，则识别过程结束；否则，返回执行Step1；
迭代结束得到的纳税人利益关联网络中，将顶点属性中的团体编号相同的所有顶点，划分到同一个纳税人利益关联团体中，即可得到所有的纳税人利益关联团体。
2.根据权利要求1所述的一种基于图理论的纳税人利益关联团体识别方法，其特征在于，所述的Step2步骤如下：
首先，对纳税人利益关联网络中的每个顶点，接收该顶点的所有邻接顶点发送的包含团体编号和边权值的消息；然后，对接收到的消息进行聚集，构成当前消息集合，消息集合的格式形如：Map(cid,weight)，其中Map表示消息集合的数据结构为键值映射表，Map的键cid表示团体编号，Map的值weight表示团体编号cid对应的权值之和。
3.根据权利要求1所述的一种基于图理论的纳税人利益关联团体识别方法，其特征在于，所述的Step3步骤如下：
首先，合并顶点的当前消息集合与历史消息集合，将当前消息集合记为MapC，将历史消息集合记为MapH，将合并后的消息集合记为MapU；对于MapC和MapH中的任意一条记录(cid1,weight1)，若cid1已存在于MapU中，则将MapU中cid1对应的权值加上weight1，否则在MapU中新增一条记录(cid1,weight1)；然后，将合并后的消息集合中权值最大的团体编号作为该顶点当前所属利益关联团体的团体编号；特殊的，如果存在多个团体编号的权值均相同且最大，则随机选取其中一个团体编号；最后，将顶点的当前消息集合作为顶点下一次迭代的历史消息集合。
CN201610462523.7A 2016-06-22 2016-06-22 一种基于图理论的纳税人利益关联团体识别方法 Pending CN106097090A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610462523.7A CN106097090A (zh) 2016-06-22 2016-06-22 一种基于图理论的纳税人利益关联团体识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610462523.7A CN106097090A (zh) 2016-06-22 2016-06-22 一种基于图理论的纳税人利益关联团体识别方法

Publications (1)

Publication Number Publication Date
CN106097090A true CN106097090A (zh) 2016-11-09

Family

ID=57253140

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610462523.7A Pending CN106097090A (zh) 2016-06-22 2016-06-22 一种基于图理论的纳税人利益关联团体识别方法

Country Status (1)

Country Link
CN (1) CN106097090A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934706A (zh) * 2017-12-15 2019-06-25 阿里巴巴集团控股有限公司 一种基于图结构模型的交易风险控制方法、装置以及设备
CN111784528A (zh) * 2020-05-27 2020-10-16 平安科技（深圳）有限公司 异常社群检测方法、装置、计算机设备及存储介质
CN113989005A (zh) * 2021-10-27 2022-01-28 航天信息股份有限公司 一种税务风险企业挖掘方法及装置
CN114201663A (zh) * 2021-07-23 2022-03-18 北京恒通慧源大数据技术有限公司 一种基于标签传播的集团客户挖掘方法、装置和电子设备
US11526936B2 (en) 2017-12-15 2022-12-13 Advanced New Technologies Co., Ltd. Graphical structure model-based credit risk control

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103383767A (zh) * 2013-07-12 2013-11-06 西安交通大学 基于纳税人利益关联网络模型的偷漏税关联企业识别方法
CN104103011A (zh) * 2014-07-10 2014-10-15 西安交通大学 一种基于纳税人利益关联网络的可疑纳税人识别方法
CN104102706A (zh) * 2014-07-10 2014-10-15 西安交通大学 一种基于层次聚类的可疑纳税人检测方法
CN104517232A (zh) * 2014-12-19 2015-04-15 西安交通大学 一种挖掘纳税金额突增的关联纳税人群体的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103383767A (zh) * 2013-07-12 2013-11-06 西安交通大学 基于纳税人利益关联网络模型的偷漏税关联企业识别方法
CN104103011A (zh) * 2014-07-10 2014-10-15 西安交通大学 一种基于纳税人利益关联网络的可疑纳税人识别方法
CN104102706A (zh) * 2014-07-10 2014-10-15 西安交通大学 一种基于层次聚类的可疑纳税人检测方法
CN104517232A (zh) * 2014-12-19 2015-04-15 西安交通大学 一种挖掘纳税金额突增的关联纳税人群体的方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934706A (zh) * 2017-12-15 2019-06-25 阿里巴巴集团控股有限公司 一种基于图结构模型的交易风险控制方法、装置以及设备
CN109934706B (zh) * 2017-12-15 2021-10-29 创新先进技术有限公司 一种基于图结构模型的交易风险控制方法、装置以及设备
US11526936B2 (en) 2017-12-15 2022-12-13 Advanced New Technologies Co., Ltd. Graphical structure model-based credit risk control
US11526766B2 (en) 2017-12-15 2022-12-13 Advanced New Technologies Co., Ltd. Graphical structure model-based transaction risk control
CN111784528A (zh) * 2020-05-27 2020-10-16 平安科技（深圳）有限公司 异常社群检测方法、装置、计算机设备及存储介质
CN111784528B (zh) * 2020-05-27 2024-07-02 平安科技（深圳）有限公司 异常社群检测方法、装置、计算机设备及存储介质
CN114201663A (zh) * 2021-07-23 2022-03-18 北京恒通慧源大数据技术有限公司 一种基于标签传播的集团客户挖掘方法、装置和电子设备
CN114201663B (zh) * 2021-07-23 2022-09-02 北京恒通慧源大数据技术有限公司 一种基于标签传播的集团客户挖掘方法、装置和电子设备
CN113989005A (zh) * 2021-10-27 2022-01-28 航天信息股份有限公司 一种税务风险企业挖掘方法及装置

Similar Documents

Publication Publication Date Title
Zhang et al. A predictive data feature exploration-based air quality prediction approach
Wang et al. Heterogeneous network representation learning approach for ethereum identity identification
CN106097090A (zh) 一种基于图理论的纳税人利益关联团体识别方法
Zeng et al. Analyzing sustainability of Chinese coal cities using a decision tree modeling approach
Sun The correlation between green finance and carbon emissions based on improved neural network
Li Effective energy utilization through economic development for sustainable management in smart cities
Deng et al. An assessment method for traffic state vulnerability based on a cloud model for urban road network traffic systems
CN106372938A (zh) 异常账号识别方法及系统
Xu et al. Mobile cellular big data: Linking cyberspace and the physical world with social ecology
Liao et al. Applying crowdsourcing techniques in urban planning: A bibliometric analysis of research and practice prospects
Huang et al. Towards purpose driven content interaction modeling and processing based on DIKW
Cui et al. Detecting one-mode communities in bipartite networks by bipartite clustering triangular
CN111552820A (zh) 水工程调度数据处理方法及装置
CN103678123B (zh) 一种适用于处理器系统单粒子软错误脆弱点识别方法
CN112749791A (zh) 一种基于图神经网络和胶囊网络的链路预测方法
Yu et al. Passenger flow prediction for new line using region dividing and fuzzy boundary processing
Ionescu et al. Smart cities from low cost to expensive solutions under an optimal analysis
Kong et al. Multi-feature representation based COVID-19 risk stage evaluation with transfer learning
CN105302823A (zh) 重叠社区并行发现的方法及系统
Liu et al. Research on the evaluation of resilience and influencing factors of the urban network structure in the three provinces of northeast China based on multiple flows
Wang et al. Abnormal trajectory detection based on geospatial consistent modeling
Yu et al. Integration of the Internet of Things and Blockchain to Promote Collaboration in Smart Cities: A Case Study in China
Hu et al. [Retracted] Optimization and Simulation of Farmland Protection Dynamic Monitoring System Based on Internet of Things Technology
Pan et al. Exploring the historical evolution of tourism-environment interaction in protected area: A case study of Mt. Bogda
Tian AI-Assisted Dynamic Modeling for Data Management in a Distributed System

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20161109

RJ01 Rejection of invention patent application after publication