CN109426902A - 企业综合评比方法和装置 - Google Patents
企业综合评比方法和装置 Download PDFInfo
- Publication number
- CN109426902A CN109426902A CN201710743365.7A CN201710743365A CN109426902A CN 109426902 A CN109426902 A CN 109426902A CN 201710743365 A CN201710743365 A CN 201710743365A CN 109426902 A CN109426902 A CN 109426902A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- assessment
- comparation
- comparison
- model
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (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
本申请实施例公开了一种企业综合评比方法和装置。通过该方法，当需要对企业进行综合评比时，只要将该待评比企业的评比指标数据输入到企业综合评比模型中，经过模型运算，即可输出该待评比企业的综合评比结果。由于模型运算速度较快，本申请实施例提供的通过训练好的企业综合评比模型对待评比企业进行综合评比的方法实现了快速地对企业进行综合测评，缩短了企业综合评比的过程，使得企业能够及时拿到综合评比结果。另外，该方法只需借助人力输入待评比企业的评比指标数据，具体评比过程由模型运算实现，无需人力，因此，相较于现有技术依靠专家进行评比的方法，本申请提供的方法大大减少了人力物力成本。
Description
本申请要求于2017年08月21日提交中国专利局、申请号为201710719886.9、发明名称为“企业综合评比方法和装置”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及数据处理领域，尤其涉及一种企业综合评比方法和装置。
背景技术
企业综合评价又称为企业多变量综合评价、企业多指标综合评估，它是根据评价的目的，采用适当的方法，把反映企业生产经营活动各环节或某个环节诸方面的指标综合起来，从总体上对企业生产经营状况进行的全面评价。
目前，企业综合评价方法主要是通过专家根据经验对待评比企业进行人工打分。这种评价方法需要大量的人力物力，而随着中国经济的发展，需要进行企业综合评比的企业数量巨大，据统计，目前中国注册的企业数超过两千万，如果这些企业的综合评比全依靠专家根据经验进行评比的话，则企业从参加评比到拿到评比结果的过程会相当漫长，而且，企业状态是变化的，一个企业可能会需要多次评比。因此，通过专家根据经验对待评比企业进行人工评比的方法，评比过程较为漫长，甚至会导致失去评比意义。
发明内容
有鉴于此，本申请提供了一种企业综合评比方法和装置，以解决评比需要大量的人力物力以及评比过程漫长的问题。
为了解决上述技术问题，本申请提供了如下技术方案：
一种企业综合评比方法，包括：
获取待评比企业的评比指标数据；
将所述评比指标数据输入到企业综合评比模型中；所述企业综合评比模型是对多个已经被评比过的企业的企业综合评比数据进行模型训练得到的；所述企业综合评比数据包括企业评比指标数据以及评比结果；
获取由所述企业综合评比模型输出的企业综合评比结果。
可选地，所述方法还包括：预先对多个已经被评比过的企业的企业综合评比数据进行模型训练，得到企业综合评比模型。
可选地，所述预先对多个已经被评比过的企业的企业综合评比数据进行模型训练，得到企业综合评比模型，具体包括：
确定企业综合评比的企业评比指标；
根据所述企业评比指标获取多个已经被评比过的企业的企业综合评比数据；
将所述多个已经被评比过的企业的企业综合评比数据划分为训练样本和测试样本；
利用梯度提升决策树模型对所述训练样本进行模型训练，得到企业综合评比模型；
利用所述测试样本对所述企业综合评比模型进行测试，以评估所述企业综合评比模型的企业综合评比效果。
可选地，所述根据所述企业评比指标获取多个已经被评比过的企业的企业综合评比数据，具体包括：
根据所述企业评比指标从本地数据库中获取多个已经被评比过的企业的企业综合评比数据；
所述本地数据库中存储的多个已经被评比过的企业的企业综合评比数据是从网络上爬取得到的。
可选地，所述根据所述企业评比指标获取多个已经被评比过的企业的企业综合评比数据之后，所述将所述多个已经被评比过的企业的企业综合评比数据划分为训练样本和测试样本之前，还包括：
对获取到的文本型企业评比指标数据进行数字化处理，和/或，对获取到的数字型企业评比指标数据进行作对数函数处理或者归一化处理。
可选地，所述利用梯度提升决策树模型对所述训练样本进行模型训练，得到企业综合评比模型，具体包括：
设定模型参数候选集，所述模型参数候选集内包括模型参数的多个候选值；
根据交叉验证的方法从所述模型参数候选集中选择评比效果最好的模型参数，作为企业综合评比模型的模型参数。
一种企业综合评比装置，包括：
第一获取单元，用于获取待评比企业的评比指标数据；
输入单元，用于将所述评比指标数据输入到企业综合评比模型中；所述企业综合评比模型是对多个已经被评比过的企业的企业综合评比数据进行模型训练得到的；所述企业综合评比数据包括企业评比指标数据以及评比结果；
第二获取单元，用于获取由所述企业综合评比模型输出的企业综合评比结果。
可选地，所述装置还包括：
模型训练单元，用于预先对多个已经被评比过的企业的企业综合评比数据进行模型训练，得到企业综合评比模型。
一种存储介质，所述存储介质上存储有程序，所述程序被处理器执行时实现上述任一技术方案所述的企业综合评比方法。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任一技术方案所述的企业综合评比方法。
较于现有技术，本申请具有以下有益效果：
通过以上技术方案可知，本申请提供的企业综合评比方法中，预先根据多个已经被评比过的企业的企业综合评比数据进行模型训练，得到企业综合评比模型。当需要对企业进行综合评比时，只要将该待评比企业的评比指标数据输入到企业综合评比模型中，经过模型运算，即可输出该待评比企业的综合评比结果。由于模型运算速度较快，本申请实施例提供的通过训练好的企业综合评比模型对待评比企业进行综合评比的方法实现了快速地对企业进行综合测评，缩短了企业综合评比的过程，使得企业能够及时拿到综合评比结果。
另外，该方法只需借助人力输入待评比企业的评比指标数据，具体评比过程由模型运算实现，无需人力，因此，相较于现有技术依靠专家进行评比的方法，本申请提供的方法大大减少了人力物力成本。
附图说明
为了清楚地理解本申请的具体实施方式，下面将描述本申请具体实施方式时用到的附图做一简要说明。显而易见地，这些附图仅是基本申请的部分实施例。
图1是本申请实施例提供的企业综合评比模型的训练方法流程示意图；
图2是本申请实施例获取到的多个已经被评比过的企业的企业综合评比数据示意图；
图3是本申请实施例提供的企业综合评比方法流程示意图；
图4是本申请实施例提供的企业综合评比装置结构示意图；
图5是本申请实施例提供的模型训练单元结构示意图。
具体实施方式
在描述本申请具体实施方式之前，首先描述本申请具体实施方式时用到术语。
“梯度提升决策树算法”(英文全称为Gradient Boosting Decision Tree，GBDT，英文简称为GBDT)，是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案，广泛应用于分类、回归预测问题中。这个模型是由多棵树累加起来，后面一棵树都是为了使之前的树累加得到模型的损失函数最小，再累加新生成的树就能建立一个预测效果比较好的模型。
交叉验证，有时亦称循环估计，是一种统计学上将数据样本切割成较小子集的实用方法。于是可以先在一个子集上做分析，而其它子集则用来做后续对此分析的确认及验证。一开始的子集被称为训练集。而其它的子集则被称为验证集。
交叉验证对于人工智能，机器学习，模式识别，分类器等研究都具有很强的指导与验证意义。基本思想是把在某种意义下将原始数据(dataset)进行分组,一部分作为训练集(train set)，另一部分作为验证集(validation set)，首先用训练集对模型进行训练，再利用验证集来测试训练得到的模型(model)，以此来做为评价模型的性能指标。
为了解决现有技术中依靠专家对企业进行综合评比带来的评比过程漫长以及需要太多的人力物力的问题，本申请实施例通过获取已经评价过的多个企业的企业综合评比数据。并对该已经评价过的多个企业的企业综合评比数据进行模型训练，通过训练得到企业综合评比模型。如此，当需要对企业进行综合评比时，只要将该待评比企业的评比指标数据输入到企业综合评比模型中，经过模型运算，即可输出该待评比企业的综合评比结果。如此，由于模型运算速度较快，本申请实施例提供的通过训练好的企业综合评比模型对待评比企业进行综合评比的方法实现了快速地对企业进行综合测评，缩短了企业综合评比的过程，使得企业能够及时拿到综合评比结果。另外，该方法只需借助人力输入待评比企业的评比指标数据，具体评比过程由模型运算实现，无需人力，因此，相较于现有技术依靠专家进行评比的方法，本申请提供的方法大大减少了人力物力成本。
下面介绍本申请实施例在企业综合评比过程中采用的企业综合评比模型的训练方式。在本申请实施例中，企业综合评比模型是对多个已经被评比过的企业的企业企业综合评比数据进行模型训练得到的。下面结合附图描述企业综合评比模型训练方法的具体实施方式。
需要说明，在本申请实施例中，企业综合评比模型为迭代模型，基于梯度提升决策树模型的优点，例如能够避免过拟合现象，本申请优选采用梯度提升决策树模型作为企业综合评比模型。
图1是本申请实施例提供的企业综合评比模型的训练方法流程示意图。如图1所示，该训练方法包括以下步骤：
S101、确定企业综合评比的企业评比指标。
根据当前企业综合评比过程中通常采用的企业评比指标，确定本申请实施例提供的企业综合评比方法中的企业评比指标。
一般来说，评比指标数据包括注册资本、分支机构数、招聘数、招标数、对外投资数、上市类型、股东数、专利数、著作权数、商标权、法律诉讼数、经营异常数和高管数中的一个或多个。
其中，招聘数可以认为是发布招聘信息的次数，其中，召开招聘会可以认为是发布招聘信息的一种具体形式。
企业营业执照过期可以看作是经营异常的一种具体形式。
高管数为企业中的企业高管的数量。
在企业综合评比方法中，采用的企业评比指标越多，越能够全面地评价该企业的综合性能。
S102、根据所述企业评比指标获取多个已经被评比过的企业的企业综合评比数据。
在本申请实施例中，多个已经被评比过的企业的企业综合评比数据可以存储到本地数据库中。该存储到本地数据库中的数据可以为通过网络爬虫从网络上爬取到的网络上积累的多个已经被评比过的企业的企业综合评比数据。
该企业综合评比数据包括企业评比指标数据以及评比结果。
作为示例，企业评比指标数据可以包括注册资本、分支机构数、招聘数、招标数、对外投资数、上市类型、股东数、专利数、著作权数、商标权、法律诉讼数、经营异常数和高管数。
评比结果可以为评分，例如98分、79分等等。此外，评比结果也可以是评比等级，例如为优、差等等。
作为示例，获取到的多个已经被评比过的企业的企业综合评比数据可以如图2所示。
S103、对获取到的文本型企业评比指标数据进行数字化处理，和/或，对获取到的数字型企业评比指标数据进行作对数函数处理或者归一化处理。
在本申请实施例中，企业评比指标数据包括文本型企业评比指标数据和数字型企业评比指标数据。作为示例，文本型企业评比指标数据例如可以为企业类型或上市类型，企业类型例如可以为国企、外企和私企。上市类型例如可以为创业板、A股、B股等等。为了方便后续评比，将获取到的文本型企业评比指标数据进行数字化处理，将其转换为数字型数据。
企业的数字型评比指标数据例如可以为注册资本、分支机构数、招聘数、对外投资数等等，这些数字型评比指标数据在不同企业之间有时相差很大，例如，企业的注册资本有的上千万人民币，有的才几万人民币，因此，为了缩小这些数字型评比指标数据之间的差距，使得训练得到的模型能够较为准确地对企业进行综合评比，本步骤可以对获取到的数字型企业评比指标数据进行做对数处理或者归一化处理，以缩小这些数字型企业评比指标数据之间的差距。
另外，当数字型企业评比指标数据为具有量纲的数据时，为了方便后续评比，还可以将不同企业的具有不同量纲的同一数字型企业评比指标数据处理成具有同一量纲的数字型企业评比指标数据。
S104、将所述多个已经被评比过的企业的企业综合评比数据划分为训练样本和测试样本。
作为示例，可以随机抽取多个已经被评比过的企业的企业综合评比数据中的70％作为训练样本，剩余的30％作为测试样本。当然训练样本和测试样本也可以采用其它比例，例如各为50％。
S105、利用梯度提升决策树模型对所述训练样本进行模型训练，得到企业综合评比模型。
需要说明，模型训练是为了得到较好的模型参数值。因一个模型中可能包括多个模型参数，因此，在模型训练过程中，需要逐一调整不同模型参数的参数值。
针对一个模型参数来说，其调整过程如下：
设定该调整模型参数的模型参数候选集，所述模型参数候选集内包括该模型参数的多个候选值。
根据交叉验证的方法从所述模型参数候选集中选择评比效果最好的模型参数，作为企业综合评比模型的模型参数。
本步骤可以具体如下：
将所述训练样本划分为m份训练子样本；其中，m≥2，且m为整数；
每次选用(_m-1)份训练子样本训练所述企业综合评比模型，剩余的1份训练子样本验证所述企业综合评比模型的评比效果，重复m次，直至所有的测试子样本均轮流验证过所述企业综合评比模型的评比效果；
将评比效果最好的企业综合评比模型的模型参数值作为所述待调整参数的最优值。
S106、利用测试样本对所述企业综合评比模型进行测试，以评估所述企业综合评比模型的企业综合评比效果。
以上为本申请实施例提供的企业综合评比模型的训练方法的具体实施方式。
本申请提供的企业综合评比方法就是基于上述所述的企业综合评比模型进行的。下面详细描述本申请实施例提供的企业综合评比方法的具体实施方式。
图3是本申请实施例提供的企业综合评比方法流程示意图。如图3所示，该企业综合评比方法包括：
S301、获取待评比企业的评比指标数据。
需要说明，在本申请实施例中，待评比企业的评比指标数据可以为上述的注册资本、分支机构数、招聘数、招标数、对外投资数、上市类型、股东数、专利数、著作权数、商标权、法律诉讼数、经营异常数和高管数中的一个或多个。
S302、将所述评比指标数据输入到企业综合评比模型中；所述企业综合评比模型是对多个已经被评比过的企业的企业综合评比数据进行模型训练得到的；所述企业综合评比数据包括企业评比指标数据以及评比结果；
在上述训练得到的企业综合评比模型中，评比指标数据作为其输入，当输入评比指标数据后，经过模型运算，能够输出待评比企业的综合评比结果。也就是说，该模型的输出为企业的综合评比结果。
如此，在利用该企业综合评比模型对企业进行综合评比时，将评比指标数据作为该模型的输入，将其输入到企业综合评比模型中。
S303、获取由所述企业综合评比模型输出的企业综合评比结果。
当评比指标数据输入到企业综合评比模型中后，企业综合评比模型进行运算，得到输出结果。该输出结果即为待评比企业的综合评比结果。
以上为本申请实施例提供的企业综合评比方法的具体实施方式。在该具体实施方式中，通过训练好的企业综合评比模型对待评比企业进行综合评比的方法，由于模型运算速度较快，因此，该方法实现了快速地对企业进行综合测评，缩短了企业综合评比的过程，使得企业能够及时拿到综合评比结果。另外，该方法只需借助人力输入待评比企业的评比指标数据，具体评比过程由模型运算实现，无需人力，因此，相较于现有技术依靠专家进行评比的方法，本申请提供的方法大大减少了人力物力成本。
基于上述实施例提供的企业综合评比方法的具体实施方式，本申请还提供了企业综合评比装置的具体实施方式。具体参见以下实施例。
图4是本申请实施例提供的企业综合评比装置结构示意图。如图4所示，该企业综合评比装置包括：
第一获取单元41，用于获取待评比企业的评比指标数据；
输入单元42，用于将所述评比指标数据输入到企业综合评比模型中；所述企业综合评比模型是对多个已经被评比过的企业的企业综合评比数据进行模型训练得到的；所述企业综合评比数据包括企业评比指标数据以及评比结果；
第二获取单元43，用于获取由所述企业综合评比模型输出的企业综合评比结果。
利用本申请提供的企业综合评比装置，当需要对企业进行综合评比时，只要将该待评比企业的评比指标数据输入到企业综合评比模型中，经过模型运算，即可输出该待评比企业的综合评比结果。本申请实施例提供的通过训练好的企业综合评比模型对待评比企业进行综合评比的装置，由于模型运算速度较快，因此，该装置实现了快速地对企业进行综合测评，缩短了企业综合评比的过程，使得企业能够及时拿到综合评比结果。另外，该装置只需借助人力输入待评比企业的评比指标数据，具体评比过程由模型运算实现，无需人力，因此，相较于现有技术依靠专家进行评比的方法，本申请提供的装置大大减少了人力物力成本。
此外，作为本申请的一具体实施例，上述所述的企业综合评比装置还可以包括：
模型训练单元44，用于预先对多个已经被评比过的企业的企业综合评比数据进行模型训练，得到企业综合评比模型。
作为本申请的一具体示例，如图4所示，上述所述的模型训练单元44可以包括：
确定子单元441，用于确定企业综合评比的企业评比指标；
获取子单元442，用于根据所述企业评比指标获取多个已经被评比过的企业的企业综合评比数据；
划分子单元443，用于将所述多个已经被评比过的企业的企业综合评比数据划分为训练样本和测试样本；
模型训练子单元444，用于利用梯度提升决策树模型对所述训练样本进行模型训练，得到企业综合评比模型；
测试子单元445，用于利用测试样本对所述企业综合评比模型进行测试，以评估所述企业综合评比模型的企业综合评比效果。
此外，为了使得训练得到的模型能够较为准确地对企业进行综合评比，上述所述的模型训练单元还可以包括：
数据处理子单元446，用于在获取子单元442获取到多个已经被评比过的企业的企业综合评比数据之后，划分子单元443划分训练样本和测试样本之前，对获取到的文本型企业评比指标数据进行数字化处理；对获取到的数字型企业评比指标数据进行作对数函数处理或者归一化处理。
所述企业综合评比装置包括处理器和存储器，上述第一获取单元41、输入单元42、第二获取单元43和模型训练单元44等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决评比需要大量的人力物力以及评比过程漫长的问题。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述任一实施例所述的企业综合评比方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任一实施例所述的企业综合评比方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：预先对多个已经被评比过的企业的企业综合评比数据进行模型训练，得到企业综合评比模型；
获取待评比企业的评比指标数据；
将所述评比指标数据输入到企业综合评比模型中；所述企业综合评比模型是对多个已经被评比过的企业的企业综合评比数据进行模型训练得到的；所述企业综合评比数据包括企业评比指标数据以及评比结果；
获取由所述企业综合评比模型输出的企业综合评比结果。
所述预先对多个已经被评比过的企业的企业综合评比数据进行模型训练，得到企业综合评比模型，具体包括：
确定企业综合评比的企业评比指标；
根据所述企业评比指标获取多个已经被评比过的企业的企业综合评比数据；
将所述多个已经被评比过的企业的企业综合评比数据划分为训练样本和测试样本；
利用梯度提升决策树模型对所述训练样本进行模型训练，得到企业综合评比模型；
利用测试样本对所述企业综合评比模型进行测试，以评估所述企业综合评比模型的企业综合评比效果。
所述根据所述企业评比指标获取多个已经被评比过的企业的企业综合评比数据，具体包括：
根据所述企业评比指标从本地数据库中获取多个已经被评比过的企业的企业综合评比数据；
所述本地数据库中存储的多个已经被评比过的企业的企业综合评比数据是从网络上爬取得到的。
所述根据所述企业评比指标获取多个已经被评比过的企业的企业综合评比数据之后，所述将所述多个已经被评比过的企业的企业综合评比数据划分为训练样本和测试样本之前，还包括：
对获取到的文本型企业评比指标数据进行数字化处理，和/或，对获取到的数字型企业评比指标数据进行作对数函数处理或者归一化处理。
所述利用梯度提升决策树模型对所述训练样本进行模型训练，得到企业综合评比模型，具体包括：
设定模型参数候选集，所述模型参数候选集内包括模型参数的多个候选值；
根据交叉验证的方法从所述模型参数候选集中选择评比效果最好的模型参数，作为企业综合评比模型的模型参数。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
预先对多个已经被评比过的企业的企业综合评比数据进行模型训练，得到企业综合评比模型；
获取待评比企业的评比指标数据；
将所述评比指标数据输入到企业综合评比模型中；所述企业综合评比模型是对多个已经被评比过的企业的企业综合评比数据进行模型训练得到的；所述企业综合评比数据包括企业评比指标数据以及评比结果；
获取由所述企业综合评比模型输出的企业综合评比结果。
所述预先对多个已经被评比过的企业的企业综合评比数据进行模型训练，得到企业综合评比模型，具体包括：
确定企业综合评比的企业评比指标；
根据所述企业评比指标获取多个已经被评比过的企业的企业综合评比数据；
将所述多个已经被评比过的企业的企业综合评比数据划分为训练样本和测试样本；
利用梯度提升决策树模型对所述训练样本进行模型训练，得到企业综合评比模型；
利用测试样本对所述企业综合评比模型进行测试，以评估所述企业综合评比模型的企业综合评比效果。
所述根据所述企业评比指标获取多个已经被评比过的企业的企业综合评比数据，具体包括：
根据所述企业评比指标从本地数据库中获取多个已经被评比过的企业的企业综合评比数据；
所述本地数据库中存储的多个已经被评比过的企业的企业综合评比数据是从网络上爬取得到的。
所述根据所述企业评比指标获取多个已经被评比过的企业的企业综合评比数据之后，所述将所述多个已经被评比过的企业的企业综合评比数据划分为训练样本和测试样本之前，还包括：
对获取到的文本型企业评比指标数据进行数字化处理，和/或，对获取到的数字型企业评比指标数据进行作对数函数处理或者归一化处理。
所述利用梯度提升决策树模型对所述训练样本进行模型训练，得到企业综合评比模型，具体包括：
设定模型参数候选集，所述模型参数候选集内包括模型参数的多个候选值；
根据交叉验证的方法从所述模型参数候选集中选择评比效果最好的模型参数，作为企业综合评比模型的模型参数。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种企业综合评比方法，其特征在于，包括：
获取待评比企业的评比指标数据；
将所述评比指标数据输入到企业综合评比模型中；所述企业综合评比模型是对多个已经被评比过的企业的企业综合评比数据进行模型训练得到的；所述企业综合评比数据包括企业评比指标数据以及评比结果；
获取由所述企业综合评比模型输出的企业综合评比结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：预先对多个已经被评比过的企业的企业综合评比数据进行模型训练，得到企业综合评比模型。
3.根据权利要求2所述的方法，其特征在于，所述预先对多个已经被评比过的企业的企业综合评比数据进行模型训练，得到企业综合评比模型，具体包括：
确定企业综合评比的企业评比指标；
根据所述企业评比指标获取多个已经被评比过的企业的企业综合评比数据；
将所述多个已经被评比过的企业的企业综合评比数据划分为训练样本和测试样本；
利用梯度提升决策树模型对所述训练样本进行模型训练，得到企业综合评比模型；
利用所述测试样本对所述企业综合评比模型进行测试，以评估所述企业综合评比模型的企业综合评比效果。
4.根据权利要求3所述的方法，其特征在于，所述根据所述企业评比指标获取多个已经被评比过的企业的企业综合评比数据，具体包括：
根据所述企业评比指标从本地数据库中获取多个已经被评比过的企业的企业综合评比数据；
所述本地数据库中存储的多个已经被评比过的企业的企业综合评比数据是从网络上爬取得到的。
5.根据权利要求3所述的方法，其特征在于，所述根据所述企业评比指标获取多个已经被评比过的企业的企业综合评比数据之后，所述将所述多个已经被评比过的企业的企业综合评比数据划分为训练样本和测试样本之前，还包括：
对获取到的文本型企业评比指标数据进行数字化处理，和/或，对获取到的数字型企业评比指标数据进行作对数函数处理或者归一化处理。
6.根据权利要求3-5任一项所述的方法，其特征在于，所述利用梯度提升决策树模型对所述训练样本进行模型训练，得到企业综合评比模型，具体包括：
设定模型参数候选集，所述模型参数候选集内包括模型参数的多个候选值；
根据交叉验证的方法从所述模型参数候选集中选择评比效果最好的模型参数，作为企业综合评比模型的模型参数。
7.一种企业综合评比装置，其特征在于，包括：
第一获取单元，用于获取待评比企业的评比指标数据；
输入单元，用于将所述评比指标数据输入到企业综合评比模型中；所述企业综合评比模型是对多个已经被评比过的企业的企业综合评比数据进行模型训练得到的；所述企业综合评比数据包括企业评比指标数据以及评比结果；
第二获取单元，用于获取由所述企业综合评比模型输出的企业综合评比结果。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
模型训练单元，用于预先对多个已经被评比过的企业的企业综合评比数据进行模型训练，得到企业综合评比模型。
9.一种存储介质，其特征在于，所述存储介质上存储有程序，所述程序被处理器执行时实现权利要求1-6任一项所述的企业综合评比方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行利要求1-6任一项所述的企业综合评比方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710743365.7A CN109426902A (zh) | 2017-08-25 | 2017-08-25 | 企业综合评比方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710743365.7A CN109426902A (zh) | 2017-08-25 | 2017-08-25 | 企业综合评比方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109426902A true CN109426902A (zh) | 2019-03-05 |
Family
ID=65500768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710743365.7A Pending CN109426902A (zh) | 2017-08-25 | 2017-08-25 | 企业综合评比方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109426902A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418260A (zh) * | 2019-08-23 | 2021-02-26 | 北京国双科技有限公司 | 模型训练方法、信息提示方法、装置、设备及介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101118613A (zh) * | 2006-08-03 | 2008-02-06 | 上海现代物流投资发展有限公司 | 一种危险化学品电子商务信用评价方法 |
| CN101571934A (zh) * | 2009-05-26 | 2009-11-04 | 北京航空航天大学 | 一种基于支持向量机的企业自主创新能力预测方法 |
| CN104077657A (zh) * | 2014-06-27 | 2014-10-01 | 江苏华大天益电力科技有限公司 | 一种基于量化指标的信息化评价方法 |
| CN104269025A (zh) * | 2014-09-29 | 2015-01-07 | 南京信息工程大学 | 面向户外摔倒监测的穿戴式单节点特征及位置选取方法 |
| CN104732440A (zh) * | 2015-04-03 | 2015-06-24 | 合肥高新创业园管理有限公司 | 一种面向科技企业孵化器的投融资项目筛选系统 |
| CN105069476A (zh) * | 2015-08-10 | 2015-11-18 | 国网宁夏电力公司 | 基于两阶段集成学习的风电异常数据识别方法 |
| CN105528652A (zh) * | 2015-12-03 | 2016-04-27 | 北京金山安全软件有限公司 | 一种预测模型的建立方法及终端 |
| CN105701693A (zh) * | 2015-12-31 | 2016-06-22 | 浙江图讯科技股份有限公司 | 一种基于深度学习的企业信用评价方法 |
| CN105741173A (zh) * | 2016-02-04 | 2016-07-06 | 中国农业大学 | 农业类公司投资价值评估方法及系统 |
| CN106526013A (zh) * | 2016-10-27 | 2017-03-22 | 天津中医药大学 | 一种采用svm技术对中药进行质量控制的方法 |
| CN106779395A (zh) * | 2016-12-12 | 2017-05-31 | 墨宝股份有限公司 | 一种企业信息技术应用程度评价方法及系统 |
| US20170228679A1 (en) * | 2016-02-08 | 2017-08-10 | Shenzhen Development Promotion Centre For Enterprises | Method, apparatus, and system for scoring business model, and computer readable storage medium |
-
2017
- 2017-08-25 CN CN201710743365.7A patent/CN109426902A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101118613A (zh) * | 2006-08-03 | 2008-02-06 | 上海现代物流投资发展有限公司 | 一种危险化学品电子商务信用评价方法 |
| CN101571934A (zh) * | 2009-05-26 | 2009-11-04 | 北京航空航天大学 | 一种基于支持向量机的企业自主创新能力预测方法 |
| CN104077657A (zh) * | 2014-06-27 | 2014-10-01 | 江苏华大天益电力科技有限公司 | 一种基于量化指标的信息化评价方法 |
| CN104269025A (zh) * | 2014-09-29 | 2015-01-07 | 南京信息工程大学 | 面向户外摔倒监测的穿戴式单节点特征及位置选取方法 |
| CN104732440A (zh) * | 2015-04-03 | 2015-06-24 | 合肥高新创业园管理有限公司 | 一种面向科技企业孵化器的投融资项目筛选系统 |
| CN105069476A (zh) * | 2015-08-10 | 2015-11-18 | 国网宁夏电力公司 | 基于两阶段集成学习的风电异常数据识别方法 |
| CN105528652A (zh) * | 2015-12-03 | 2016-04-27 | 北京金山安全软件有限公司 | 一种预测模型的建立方法及终端 |
| CN105701693A (zh) * | 2015-12-31 | 2016-06-22 | 浙江图讯科技股份有限公司 | 一种基于深度学习的企业信用评价方法 |
| CN105741173A (zh) * | 2016-02-04 | 2016-07-06 | 中国农业大学 | 农业类公司投资价值评估方法及系统 |
| US20170228679A1 (en) * | 2016-02-08 | 2017-08-10 | Shenzhen Development Promotion Centre For Enterprises | Method, apparatus, and system for scoring business model, and computer readable storage medium |
| CN106526013A (zh) * | 2016-10-27 | 2017-03-22 | 天津中医药大学 | 一种采用svm技术对中药进行质量控制的方法 |
| CN106779395A (zh) * | 2016-12-12 | 2017-05-31 | 墨宝股份有限公司 | 一种企业信息技术应用程度评价方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| MISHIDEMUDONG: "用Python进行梯度提升算法的参数调整", 《CSDN，HTTPS://BLOG.CSDN.NET/U010159842/ARTICLE/DETAILS/53816210》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418260A (zh) * | 2019-08-23 | 2021-02-26 | 北京国双科技有限公司 | 模型训练方法、信息提示方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Eggensperger et al. | Efficient benchmarking of hyperparameter optimizers via surrogates | |
| CN109960653A (zh) | 回归测试方法、装置、设备和存储介质 | |
| DE112021004908T5 (de) | Computerbasierte systeme, rechenkomponenten und rechenobjekte, die eingerichtet sind, dynamische ausreisser-verzerrungs-verringerung bei maschinenlernmodellen zu implementieren | |
| CN106528417A (zh) | 软件缺陷智能检测方法和系统 | |
| Sun et al. | Improving learning to branch via reinforcement learning | |
| CN107748898A (zh) | 文件分类方法、装置、计算设备及计算机存储介质 | |
| CN107368526A (zh) | 一种数据处理方法及装置 | |
| Zhang et al. | Optimal inconsistency repairing of pairwise comparison matrices using integrated linear programming and eigenvector methods | |
| CN110019298A (zh) | 数据处理方法和装置 | |
| CN110009012A (zh) | 一种风险样本识别方法、装置及电子设备 | |
| Walgama Wellalage et al. | Bridge deterioration modeling by Markov Chain Monte Carlo (MCMC) simulation method | |
| JP7367196B2 (ja) | レジーム・シフトの識別及び分析のための方法及びシステム | |
| CN109426902A (zh) | 企业综合评比方法和装置 | |
| CN107291882B (zh) | 一种数据自动统计分析方法 | |
| CN114820618B (zh) | 瑕疵检测模型的训练方法、装置、设备及存储介质 | |
| Cornuéjols et al. | On the safety of Gomory cut generators | |
| Nagaraj et al. | IPL Players Cost Pay Prediction using Machine Learning Techniques | |
| Yılmaz et al. | Causal inference under selection on observables in operations management research: Matching methods and synthetic controls | |
| CN112633736A (zh) | 基于区块链系统的风险监测方法、系统及装置 | |
| Ivan et al. | Statistical indicators for measuring innovation in it project management | |
| Rahman | Training sensitivity in graph isomorphism network | |
| CN112101816B (zh) | 审计计划智能推荐方法及装置 | |
| Duarte et al. | An empirical study of learning‐to‐rank for spare parts consumption in the repair process | |
| CN111079574B (zh) | 一种训练神经网络的方法及系统 | |
| El Barakaz et al. | Feature Selection Method Based on Classification Performance Score and p-Value |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100080 No. 401, 4th Floor, Haitai Building, 229 North Fourth Ring Road, Haidian District, Beijing Applicant after: Beijing Guoshuang Technology Co.,Ltd. Address before: 100086 Beijing city Haidian District Shuangyushu Area No. 76 Zhichun Road cuigongfandian 8 layer A Applicant before: Beijing Guoshuang Technology Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190305 |