CN109636242A - 企业评分方法、装置、介质及电子设备 - Google Patents
企业评分方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN109636242A CN109636242A CN201910003245.2A CN201910003245A CN109636242A CN 109636242 A CN109636242 A CN 109636242A CN 201910003245 A CN201910003245 A CN 201910003245A CN 109636242 A CN109636242 A CN 109636242A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- characteristic
- data
- evaluated
- rating 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012797 qualification Methods 0.000 claims abstract description 11
- 230000029305 taxis Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 63
- 238000012795 verification Methods 0.000 claims description 47
- 238000000605 extraction Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 13
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 9
- 230000006854 communication Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
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
本发明实施例涉及数据分析技术领域,提供了一种企业评分方法、装置、介质及电子设备,该方法包括:获取关于目标企业的待评价特征数据,其中,所述待评价特征数据为信用特征数据、创新特征数据、运营特征数据、历史债务特征数据、纳税资质特征数据中的至少一类;获取每类特征参数的拟合系数,并根据获取到的所述每类特征参数的拟合系数以及对应的特征参数确定企业评分模型;将所述待评价特征数据输入企业评分模型,获得所述企业评分模型的输出作为所述目标企业的评分。本实施例提供的技术方案通过评分的方式对目标企业的对应特征评价,可以为用户提供了对目标企业提供不同角度的评价数据,同时提高了企业评分的可信度。
Description
技术领域
本发明涉及数据分析技术领域,具体而言,涉及一种企业评分方法、企业评分装置、计算机可读介质及电子设备。
背景技术
随着经济的不断发展,企业间的接触和交流越来越多。显而易见的,企业间的相互了解对各个企业的发展是非常有帮助的。但是,目前的企业评价方法中对某一企业的评价方式比较单一。例如,仅从单一特定概念对企业进行评价,从而使得其他企业无法对其有个综合的认知,无法全面的了解此企业。同时,目前的企业评价方法一般仅概括的使用“优、良、中、差”等概括性的、程度词语对企业进行评价,导致用户仅仅可以从上述程度词语中对目标企业有个大致的评价。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明实施例的目的在于提供一种企业评分方法、企业评分装置、计算机可读介质及电子设备,进而至少在一定程度上克服现有技术中评价目标企业的方法的评价方式较单一的问题。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明实施例的第一方面,提供了一种企业评分方法,所述应用程序布置于目标系统内,包括:
获取关于目标企业的待评价特征数据,其中,所述待评价特征数据为信用特征数据、创新特征数据、运营特征数据、历史债务特征数据、纳税资质特征数据中的至少一类;
获取每类特征参数的拟合系数,并根据获取到的所述每类特征参数的拟合系数以及对应的特征参数确定企业评分模型;以及,
将所述待评价特征数据输入所述企业评分模型,获得所述企业评分模型的输出作为所述目标企业的评分。
在本发明的一些实施例中,获取每类特征参数的拟合系数,包括:
对获取到的多家企业的历史数据进行特征提取得到第一训练集,所述第一训练集包括:每家企业的多类特征数据中的至少一类,以及每家企业的评分数据;
基于所述第一训练集,通过迭代算法对第一逻辑回归模型进行训练,并根据训练后的第一逻辑回归模型获取每类特征参数的拟合系数。
在本发明的一些实施例中,在获取每类特征参数的拟合系数之后,还包括:
对获取到的多家企业的历史数据进行特征提取得到第二训练集,所述第二训练集包括:每家企业的多类特征数据中的至少一类、所述每类特征参数的拟合系数,以及每家企业的评分数据;
基于所述第二训练集,通过迭代算法对第二逻辑回归模型进行训练,以得到企业评分模型。
在本发明的一些实施例中,在得到企业评分模型之前,还包括:
获取对所述第二逻辑回归模型的验证集,所述验证集包括:每家企业的多类特征数据中的至少一类、每类特征参数的拟合系数,以及每家企业的评分数据;
通过所述验证集对训练后的第二逻辑回归模型进行验证,并获取验证结果;
若所述验证结果满足预设的验证条件,则将训练后的第二逻辑回归模型作为所述企业评分模型。
在本发明的一些实施例中,所述企业评分方法,还包括:
若所述验证结果不满足预设的验证条件,则继续训练所述第二述逻辑回归模型,直至对训练后的第二逻辑回归模型进行验证后得到的验证结果满足预设的验证条件。
在本发明的一些实施例中,所述预设的验证条件包括:准确率、召回率和AUC中的至少一种。
在本发明的一些实施例中,获取关于目标企业的待评价特征数据,包括:
通过对官方发布的企业评价、企业排名和企业业务方积累的经验数据进行特征提取,获得所述关于目标企业的待评价特征数据。
根据本发明实施例的第二方面,提供了一种企业评分装置,包括:
待评价特征数据获取模块,用于获取关于目标企业的待评价特征数据,其中,所述待评价特征数据为信用特征数据、创新特征数据、运营特征数据、历史债务特征数据、纳税资质特征数据中的至少一种;
企业评分模型确定模块,用于获取每类特征参数的拟合系数,并根据获取到的所述每类特征参数的拟合系数以及对应的特征参数确定企业评分模型;
评分模块,用于将所述待评价特征数据输入企业评分模型,获得所述企业评分模型的输出作为所述目标企业的评分。
根据本发明实施例的第三方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述实施例中第一方面所述的企业评分方法。
根据本发明实施例的第四方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中第一方面所述的企业评分方法。
本发明实施例提供的技术方案可以包括以下有益效果:
在本发明的一些实施例所提供的技术方案中,一方面,通过获取关于目标企业的信用特征数据、创新特征数据、运营特征数据、历史债务特征数据、纳税资质特征数据中的至少一类,并将其作为待评价特征数据,以进一步地将待评价特征数据企业评分模型来确定目标企业关于上述待评价特征数据对应的评分,进而通过评分的方式对目标企业的对应特征评价,可以为用户提供了对目标企业提供不同角度的评价数据,同时,评分的方式可以为用户提供一个较为具体的企业评价结构,便于用户将不同的企业进行比较。另一方面,以各类特征数据和与各类特征数据对应的拟合系数作为确定企业评分模型的训练样本,通过基于大数据训练机器学习模型确定企业评价模型,有利于提高对目标企业评分的准确度,同时,不同的拟合系数表征各类特征数据在训练企业评分模型过程中的权重,有利于进一步地提高通过企业评价模型获得的企业评分的可信度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了根据本发明的实施例的企业评分方法的流程示意图;
图2示出了根据本发明的实施例的确定拟合系数的方法的流程示意图;
图3示出了根据本发明的实施例的确定企业评分模型的方法的流程示意图;
图4示出了根据本发明的实施例的企业评分装置的结构示意图;
图5示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
对于现有技术提供的对目标企业的评价方法,存在如下缺陷。一种是:对某一企业的评价方式比较单一。例如,仅从单一特定概念对企业进行评价,从而使得其他企业无法对其有个综合的认知,无法全面的了解此企业。另一种是:目前的企业评价方法一般仅概括的使用“优良中差”等程度词语对企业进行评价,导致用户尽可以从上述程度词语中对目标企业有个大致的评价。可见,现有技术提供的对目标企业的评价方法存在评价方式单一以及评价真确度有待提高的问题。
本发明实施例提供的一种企业评分方法、企业评分装置、计算机可读介质及电子设备,进而至少在一定程度上克服现有技术中存在的上述问题。图1示出了根据本发明的实施例的企业评分方法的流程示意图,参考图1,企业评分方法,包括:
步骤S101,获取关于目标企业的待评价特征数据,其中,所述待评价特征数据为信用特征数据、创新特征数据、运营特征数据、历史债务特征数据、纳税资质特征数据中的至少一类;
步骤S102,获取每类特征参数的拟合系数,并根据获取到的所述每类特征参数的拟合系数以及对应的特征参数确定企业评分模型;以及,
步骤S103,将所述待评价特征数据输入企业评分模型,获得所述企业评分模型的输出作为所述目标企业的评分。
图1所示实施例的技术方案中,通过获取关于目标企业的信用特征数据、创新特征数据、运营特征数据、历史债务特征数据、纳税资质特征数据中的至少一类,并将其作为待评价特征数据,待评价特征数据来确定目标企业关于上述待评价特征数据对应的评分,进而通过评分的方式对目标企业的对应特征评价,可以为用户提供了对目标企业提供不同角度的评价数据,同时,评分的方式可以为用户提供一个较为具体的企业评价结构,便于用户将不同的企业进行比较。另一方面,以各类特征数据和与各类特征数据对应的拟合系数作为确定企业评分模型的训练样本,通过基于大数据训练机器学习模型确定企业评价模型,有利于提高对目标企业评分的准确度,同时,不同的拟合系数表征各类特征数据在训练企业评分模型过程中的权重,有利于进一步地提高通过企业评价模型获得的企业评分的可信度。
以下对图1所示各个步骤的具体实现方式进行详细阐述:
在示例性的实施例中,在步骤S101中,获取关于目标企业的待评价特征数据的具体实现方式为:通过对官方发布的企业评价、企业排名和企业业务方积累的经验数据进行特征提取,获得所述关于目标企业的待评价特征数据。通过保证待评价特征数据的准确度以进一步提高企业评分的准确度,从而为用户提供贴近现实的企业评分。
在示例性的实施例中,在步骤S102中,获取多个拟合系数,且一个拟合系数与一类特征参数相对应,用于与对应特征数据相乘后作为训练企业评分模型的样本。
在示例性的实施例中,图2示出了根据本发明的实施例的获取拟合系数的方法的流程示意图。参考图2,本实施例提供的获取拟合参数的方法,包括:
步骤S201,对获取到的多家企业的历史数据进行特征提取得到第一训练集,所述第一训练集包括:每家企业的多类特征数据中的至少一类,以及每家企业的评分数据;以及,
步骤S202,基于所述第一训练集,通过迭代算法对第一逻辑回归模型进行训练,并根据训练后的第一逻辑回归模型获取每类特征参数的拟合系数。
在示例性的实施例中,在步骤S201中,多家企业的历史数据的具体获取方式也可以为:通过对官方发布的企业评价、企业排名和企业业务方积累的经验数据进行特征提取,获得所述关于目标企业的待评价特征数据。通过保证多家企业的历史数据的准确度以进一步提高拟合参数的准确度,最终有利于提高企业评分的准确度,从而为用户提供贴近现实的企业评分。
在示例性的实施例中,对每家企业的评分与此家企业的上述M类特征数据的至少一类相关。具体的,可以根据通过各个特征对应的拟合系数表征各个特征与企业评分之间的关系。进一步地,以N家企业的历史数据进行特征提取得到的M类特征数据{X1,X2,…,Xm}以及N家企业的评分数据为样本,对第一回归模型进行训练,获取输出的拟合参数{A1,A2,…,Am}。
在示例性的实施例中,提供了一种确定步骤S103中企业评分模型的方法。图3示出了确定企业评分模型的方法的流程示意图。参考图3,确定企业评分模型的方法包括步骤S301-步骤S306。
在步骤S301中,对获取到的多家企业的历史数据进行特征提取得到第二训练集,所述第二训练集包括:每家企业的多类特征数据中的至少一类、所述每类特征参数的拟合系数,以及每家企业的评分数据。
示例性的,其中的拟合系数为通过图2所示实施例提供的方法获得。
在步骤S302中,基于所述第二训练集,通过迭代算法对第二逻辑回归模型进行训练,以得到企业评分模型。
示例性的,通过迭代算法对第二逻辑回归模型进行训练,以得到企业评分模型的具体实现方式可以是:
首先,对获取到的N家企业的历史数据,并进一步进行特征提取得到第二训练集。具体的,第二训练集包括:第1家企业的M1类特征数据{X1,X2,…,XM1}+对应的拟合系数{A1,A2,…,AM1},…,第i家企业Mi类特征数据{X1,X2,…,XMi}+对应的拟合系数{A1,A2,…,AMi},…,第N家企业MN类特征数据{X1,X2,…,XMN}+对应的拟合系数{A1,A2,…,AMN};以及每家企业的评分数据{Y1,Y2,…,Yi,…,YN},其中,第i家企业的“特征数据+拟合系数”与对应的评分数据Yi建立有对应关系,且i取值大于等于1小于等于N。进一步地,根据上述第二训练集训练一个逻辑回归模型(记作第二逻辑回归模型);经过至少一次迭代过程(即训练过程)后验证训练后的第二逻辑回归模型是否满足验证条件。
示例性的,对于第i家企业,特征数据{X1,X2,…,XMi}、拟合系数{A1,A2,…,AMi}以及第i家企业的评分数据Yi的关系可以表示为:Yi=A1*X1+A2*X2+…+AMi*XMi。
示例性的,在步骤S302通过第二训练集对第二逻辑回归模型进行训练之后,可以进一步地对训练后的第二逻辑回归模型进行验证。具体的验证过程如步骤S303-步骤S306所示:
在步骤S303中,获取对所述第二逻辑回归模型的验证集,所述验证集包括:每家企业的多类特征数据中的至少一类、每类特征参数的拟合系数,以及每家企业的评分数据。
在步骤S304中,通过所述验证集对训练后的第二逻辑回归模型进行验证,并获取验证结果。
在步骤S305中,判断所述验证结果满足预设的验证条件。
若所述验证结果满足预设的验证条件,则执行步骤S306:将训练后的第二逻辑回归模型作为所述企业评分模型。
若所述验证结果不满足预设的验证条件,则继续执行步骤S302。即继续训练所述第二逻辑回归模型,直至对训练后的第二逻辑回归模型进行验证后得到的验证结果满足预设的验证条件。
示例性的,上述验证条件可以是准确率、召回率和AUC中的至少一种。通过以下验证过程可以减少欠拟合、过拟合现象的发生,以进一步提高企业评分的准确度。
在示例性的实施例中,将验证集中的特征数据代入完成至少一次迭代的第二逻辑回归模型,确定验证结果的具体实现方式包括:
首先,根据验证集中的特征数据代入完成至少一次迭代的第二逻辑回归模型后的输出数据得到以下:真阳性TP,真阴性TN,伪阴性FN和伪阳性FP。其中,TP是利用完成至少一次迭代的第二逻辑回归模型对验证集中的特征数据中正类进行判断后属于仍是正类的数目,TN利用完成至少一次迭代的第二逻辑回归模型对验证集中的特征数据中负类进行判断后属于仍是负类的数目,FN利用完成至少一次迭代的第二逻辑回归模型对验证集中的特征数据中负类进行判断后属于是正类的数目,FP利用完成至少一次迭代的第二逻辑回归模型对验证集中的特征数据中正类进行判断后属于是负类的数目。正类和负类是指人工对训练样本特征数据标注的两种类别,即人工标注某个样本特征数据属于特定的类,则该样本特征数据属于正类,不属于该特定类的样本特征数据则属于负类。
其次,根据真阳性TP,真阴性TN,伪阴性FN和伪阳性FP计算完成至少一次迭代的第二逻辑回归模型的验证结果。
验证指标以准确率、召回率为例进行介绍,具体的:
根据公式一和公式二分别计算准确率p和召回率r;
p=TP/(TP+FP) 公式一,
r=TP/(TP+FN) 公式二。
假如对x个完成至少一次迭代的第二逻辑回归模型进行验证后得到验证结果为:准确率验证结果p1,p2,...,px,以及召回率验证结果r1,r2,...,rx。
验证指标对应的设定条件为:准确率验证结果大于p’则为满足准确率设定条件,否则不满足准确率设定条件,以及召回率验证结果大于r’则为满足召回率设定条件,否则不满足召回率设定条件。
在示例性的实施例中,在验证结果满足验证指标对应的设定条件的情况下,被验证的第二逻辑回归模型则可以作为企业评分模型;在验证结果不满足设定条件时,则对被验证的第二逻辑回归模型继续迭代直至所述第二逻辑回归模型的验证结果满足设定条件。
在示例性的实施例中,判断验证结果是否满足验证指标对应的设定条件时,可以以准确率或召回率作为验证指标,即正确率/召回率满足设定条件即可;还可以同时以准确率和召回率同时作为验证指标,即正确率和召回率满足设定条件即可。
需要说明的是,具体的验证方式根据实际需求而制定,不限于以上准确率和/或召回率作为验证指标进行验证。
在示例性的实施例中,验证指标还可以为AUC,具体的:
在示例性的实施例中,利用公式三和公式四确定伪阳性率FPR和真阳性率TPR,
FPR=FP/(FP+TN) 公式三,
TPR=TP/(TP+FN) 公式四。
进一步地,以FPR为横坐标,TPR为纵坐标,绘制受试者工作特征曲线(ReceiverOperating Characteristic curve,简称ROC曲线)。其中,ROC曲线是获得的各指标的特征曲线,用于展示各指标之间的关系,并进一步计算出ROC曲线下面积AUC。ROC曲线是获得的各指标的特征曲线,用于展示各指标之间的关系,AUC即ROC曲线下面积,AUC越大,则模型的预测价值越高,进而可通过AUC对完成第二逻辑回归模型进行验证。并将评价结果为AUC值最大的模型作为企业评分模型,用于接收待评价特征数据,并输出对目标企业的评分。
通过图3所示实施例的技术方案提供的评分模型还可以用于对M类特征数据的任一类或几种进行评分的预测。
示例性的,对目标企业进行特征数据X2(创新特征数据)对应的企业评分进行预测,以获得关于“创新特征数据X2”的企业评分Y1。则可以将目标企业的创新特征数据X2和此类特征数据对应的拟合参数A2输入至上述企业评分模型,输出即为企业评分Y1。Ys用来集中体现企业的创新能力,主要运用商标专利、著作权、软件著作权、高端人才储备等数据维度进行评估。
示例性的,对目标企业同时进行特征数据X1(信用特征数据)和特征数据X3(运营特征数据)对应的企业评分进行预测,以获得关于“信用特征数据X1+运营特征数据X3”的企业评分Y2。则可以将目标企业的①信用特征数据X1和此类特征数据对应的拟合参数A1、以及②运营特征数据X3和此类特征数据对应的拟合参数A3输入至上述企业评分模型,输出即为企业评分Y2。Y2既用来反映反映企业过往信用状况,主要从司法涉诉、行政处罚、偿债能力、历史债务评级、纳税资质评级等维度评估,又反映展现了企业的日常经营能力,主要运用人才招聘、品牌形象、招投标、对外合作等数据维度进行评估。此时实例是对目标企业的一种综合评估。
可见,通过本实施例提供的技术方案获得的企业评分模型,适用于任一多类特征参数的情况,针对某一目标企业获取得到的特征类别越多,则企业评分模型确定的评分表征越综合,适用于对目标企业整体评分进行预测或评估,给用户提供对目标企业的整体评价值。同时,当获取某一目标企业的特征参数不易或不便时,或用户希望获得某一目标企业的某一类/几类特征参数对应的评分是,使用本模型可以对其单一类的特征进行评估,增加了适用性。同时,可以使得用户根据自己需求从多维度对目标企业进行评估。
以下介绍本发明的装置实施例,可以用于执行本发明上述的企业评分方法。
图4示出了根据本发明的实施例的企业评分装置的结构示意图。参考图4,企业评分装置400,包括:待评价特征数据获取模块401、企业评分模型确定模块402和评分模块403。
其中,待评价特征数据获取模块401用于获取关于目标企业的待评价特征数据,其中,所述待评价特征数据为信用特征数据、创新特征数据、运营特征数据、历史债务特征数据、纳税资质特征数据中的至少一种;
企业评分模型确定模块402用于获取每类特征参数的拟合系数,并根据获取到的所述每类特征参数的拟合系数以及对应的特征参数确定企业评分模型;
评分模块403用于将所述待评价特征数据输入企业评分模型,获得所述企业评分模型的输出作为所述目标企业的评分。
在示例性的实施例中,所述企业评分模型确定模块402包括:第一获取单元和第一训练单元。
其中,第一获取单元用于对获取到的多家企业的历史数据进行特征提取得到第一训练集,所述第一训练集包括:每家企业的多类特征数据中的至少一类,以及每家企业的评分数据;以及,第一训练单元用于基于所述第一训练集,通过迭代算法对第一逻辑回归模型进行训练,并根据训练后的第一逻辑回归模型获取每类特征参数的拟合系数。
在示例性的实施例中,所述企业评分模型确定模块402包括:第二获取单元和第二训练单元。
在第一训练单元得到每类特征参数的拟合系数之后,所述第二获取单元用于对获取到的多家企业的历史数据进行特征提取得到第二训练集,所述第二训练集包括:每家企业的多类特征数据中的至少一类、所述每类特征参数的拟合系数,以及每家企业的评分数据;以及,所述第二训练单元用于基于所述第二训练集,通过迭代算法对第二逻辑回归模型进行训练,以得到企业评分模型。
在示例性的实施例中,所述企业评分模型确定模块402包括:第三获取单元和验证单元。
其中,所述第三获取单元用于获取对所述第二逻辑回归模型的验证集,所述验证集包括:每家企业的多类特征数据中的至少一类、每类特征参数的拟合系数,以及每家企业的评分数据;以及,所述验证单元用于通过所述验证集对训练后的第二逻辑回归模型进行验证,并获取验证结果。
在示例性的实施例中,若所述验证结果满足预设的验证条件,则所述企业评分模型确定模块402还用于将训练后的第二逻辑回归模型作为所述企业评分模型。
在示例性的实施例中,若所述验证结果不满足预设的验证条件,则所述第二训练模块继续训练所述第二述逻辑回归模型,直至对训练后的第二逻辑回归模型进行验证后得到的验证结果满足预设的验证条件。
在示例性的实施例中,所述预设的验证条件可以是:准确率、召回率和AUC中的至少一种。
在示例性的实施例中,所述待评价特征数据获取模块401具体用于:通过对官方发布的企业评价、企业排名和企业业务方积累的经验数据进行特征提取,获得所述关于目标企业的待评价特征数据。
由于本发明的示例实施例的企业评分装置的各个功能模块与上述企业评分方法的示例实施例的步骤对应,因此对于本发明装置实施例中未披露的细节,请参照本发明上述的企业评分方法的实施例。
下面参考图5,其示出了适于用来实现本发明实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备的计算机系统500仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统操作所需的各种程序和数据。CPU501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如上述实施例中所述的企业评分方法。
例如,所述的电子设备可以实现如图1中所示的:步骤S101,获取关于目标企业的待评价特征数据,其中,所述待评价特征数据为信用特征数据、创新特征数据、运营特征数据、历史债务特征数据、纳税资质特征数据中的至少一类;以及,步骤S102,将所述待评价特征数据输入企业评分模型,获得所述企业评分模型的输出作为所述目标企业的评分。
又如,所述的电子设备可以实现如图2或图3所示的各个步骤。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种企业评分方法,其特征在于,包括:
获取关于目标企业的待评价特征数据,其中,所述待评价特征数据为信用特征数据、创新特征数据、运营特征数据、历史债务特征数据、纳税资质特征数据中的至少一类;
获取每类特征参数的拟合系数,并根据获取到的所述每类特征参数的拟合系数以及对应的特征参数确定企业评分模型;
将所述待评价特征数据输入所述企业评分模型,获得所述企业评分模型的输出作为所述目标企业的评分。
2.根据权利要求1所述的企业评分方法,其特征在于,获取每类特征参数的拟合系数,包括:
对获取到的多家企业的历史数据进行特征提取得到第一训练集,所述第一训练集包括:每家企业的多类特征数据中的至少一类,以及每家企业的评分数据;
基于所述第一训练集,通过迭代算法对第一逻辑回归模型进行训练,并根据训练后的第一逻辑回归模型获取每类特征参数的拟合系数。
3.根据权利要求2所述的企业评分方法,其特征在于,在获取每类特征参数的拟合系数之后,还包括:
对获取到的多家企业的历史数据进行特征提取得到第二训练集,所述第二训练集包括:每家企业的多类特征数据中的至少一类、所述每类特征参数的拟合系数,以及每家企业的评分数据;
基于所述第二训练集,通过迭代算法对第二逻辑回归模型进行训练,以得到企业评分模型。
4.根据权利要求3所述的企业评分方法,其特征在于,在得到企业评分模型之前,还包括:
获取对所述第二逻辑回归模型的验证集,所述验证集包括:每家企业的多类特征数据中的至少一类、每类特征参数的拟合系数,以及每家企业的评分数据;
通过所述验证集对训练后的第二逻辑回归模型进行验证,并获取验证结果;
若所述验证结果满足预设的验证条件,则将训练后的第二逻辑回归模型作为所述企业评分模型。
5.根据权利要求4所述的企业评分方法,其特征在于,还包括:
若所述验证结果不满足预设的验证条件,则继续训练所述第二述逻辑回归模型,直至对训练后的第二逻辑回归模型进行验证后得到的验证结果满足预设的验证条件。
6.根据权利要求4或5所述的企业评分方法,其特征在于,所述预设的验证条件包括:准确率、召回率和AUC中的至少一种。
7.根据权利要求1至5任一项所述的企业评分方法,其特征在于,获取关于目标企业的待评价特征数据,包括:
通过对官方发布的企业评价、企业排名和企业业务方积累的经验数据进行特征提取,获得所述关于目标企业的待评价特征数据。
8.一种企业评分装置,其特征在于,包括:
待评价特征数据获取模块,用于获取关于目标企业的待评价特征数据,其中,所述待评价特征数据为信用特征数据、创新特征数据、运营特征数据、历史债务特征数据、纳税资质特征数据中的至少一种;
企业评分模型确定模块,用于获取每类特征参数的拟合系数,并根据获取到的所述每类特征参数的拟合系数以及对应的特征参数确定企业评分模型;
评分模块,用于将所述待评价特征数据输入企业评分模型,获得所述企业评分模型的输出作为所述目标企业的评分。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至7中任一项所述的企业评分方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至7中任一项所述的企业评分方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910003245.2A CN109636242A (zh) | 2019-01-03 | 2019-01-03 | 企业评分方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910003245.2A CN109636242A (zh) | 2019-01-03 | 2019-01-03 | 企业评分方法、装置、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109636242A true CN109636242A (zh) | 2019-04-16 |
Family
ID=66056537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910003245.2A Pending CN109636242A (zh) | 2019-01-03 | 2019-01-03 | 企业评分方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109636242A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110544023A (zh) * | 2019-08-16 | 2019-12-06 | 北京慧辰资道资讯股份有限公司 | 一种企业区域性贡献力的数据化评估系统及其评估方法 |
CN110675029A (zh) * | 2019-08-30 | 2020-01-10 | 阿里巴巴集团控股有限公司 | 商户的动态管控方法、装置、服务器及可读存储介质 |
CN111104589A (zh) * | 2019-11-15 | 2020-05-05 | 深圳市彬讯科技有限公司 | 装修企业评估方法、装置、计算机设备及存储介质 |
CN112330280A (zh) * | 2020-11-04 | 2021-02-05 | 山大地纬软件股份有限公司 | 一种人力资源市场主体信用查询方法及系统 |
CN113379169A (zh) * | 2021-08-12 | 2021-09-10 | 北京中科闻歌科技股份有限公司 | 信息处理方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080071588A1 (en) * | 1997-12-10 | 2008-03-20 | Eder Jeff S | Method of and system for analyzing, modeling and valuing elements of a business enterprise |
WO2017143919A1 (zh) * | 2016-02-26 | 2017-08-31 | 阿里巴巴集团控股有限公司 | 一种建立数据识别模型的方法及装置 |
CN107437151A (zh) * | 2017-08-08 | 2017-12-05 | 惠国征信服务股份有限公司 | 企业信用评级方法 |
CN108197178A (zh) * | 2017-12-22 | 2018-06-22 | 国云科技股份有限公司 | 一种企业风险评估方法 |
CN109711696A (zh) * | 2018-12-19 | 2019-05-03 | 平安普惠企业管理有限公司 | 企业评分方法、装置、介质及电子设备 |
-
2019
- 2019-01-03 CN CN201910003245.2A patent/CN109636242A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080071588A1 (en) * | 1997-12-10 | 2008-03-20 | Eder Jeff S | Method of and system for analyzing, modeling and valuing elements of a business enterprise |
WO2017143919A1 (zh) * | 2016-02-26 | 2017-08-31 | 阿里巴巴集团控股有限公司 | 一种建立数据识别模型的方法及装置 |
CN107437151A (zh) * | 2017-08-08 | 2017-12-05 | 惠国征信服务股份有限公司 | 企业信用评级方法 |
CN108197178A (zh) * | 2017-12-22 | 2018-06-22 | 国云科技股份有限公司 | 一种企业风险评估方法 |
CN109711696A (zh) * | 2018-12-19 | 2019-05-03 | 平安普惠企业管理有限公司 | 企业评分方法、装置、介质及电子设备 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110544023A (zh) * | 2019-08-16 | 2019-12-06 | 北京慧辰资道资讯股份有限公司 | 一种企业区域性贡献力的数据化评估系统及其评估方法 |
CN110675029A (zh) * | 2019-08-30 | 2020-01-10 | 阿里巴巴集团控股有限公司 | 商户的动态管控方法、装置、服务器及可读存储介质 |
CN111104589A (zh) * | 2019-11-15 | 2020-05-05 | 深圳市彬讯科技有限公司 | 装修企业评估方法、装置、计算机设备及存储介质 |
CN111104589B (zh) * | 2019-11-15 | 2023-09-05 | 深圳市彬讯科技有限公司 | 装修企业评估方法、装置、计算机设备及存储介质 |
CN112330280A (zh) * | 2020-11-04 | 2021-02-05 | 山大地纬软件股份有限公司 | 一种人力资源市场主体信用查询方法及系统 |
CN113379169A (zh) * | 2021-08-12 | 2021-09-10 | 北京中科闻歌科技股份有限公司 | 信息处理方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711696A (zh) | 企业评分方法、装置、介质及电子设备 | |
CN109636242A (zh) | 企业评分方法、装置、介质及电子设备 | |
CN110147456B (zh) | 一种图像分类方法、装置、可读存储介质及终端设备 | |
CN109919684A (zh) | 用于生成信息预测模型的方法、电子设备和计算机可读存储介质 | |
US20220413839A1 (en) | Software component defect prediction using classification models that generate hierarchical component classifications | |
CN109242496A (zh) | 支付方式的预测方法、装置及计算机可读介质 | |
US11080608B2 (en) | Agent aptitude prediction | |
CN111127178A (zh) | 数据处理方法与装置、存储介质、电子设备 | |
CN109345368A (zh) | 基于大数据的信用评估方法、装置、电子设备及存储介质 | |
CN110222220A (zh) | 图像处理方法、装置、计算机可读介质及电子设备 | |
CN109118224A (zh) | 区块链网络的工作量证明方法、装置、介质及电子设备 | |
CN109726655A (zh) | 基于情绪识别的客服服务评价方法、装置、介质及设备 | |
CN109857431A (zh) | 代码修改方法及装置、计算机可读介质及电子设备 | |
CN109344154A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN109344142A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN109960650A (zh) | 基于大数据的应用程序评估方法、装置、介质及电子设备 | |
CN109784352A (zh) | 一种评估分类模型的方法和装置 | |
CN109409619A (zh) | 舆情动向的预测方法、装置、介质及电子设备 | |
CN110009229A (zh) | 基于区块链的供应链管理方法、装置、存储介质与设备 | |
CN109636520A (zh) | 订单的处理方法、装置、介质及电子设备 | |
CN110263255A (zh) | 用户属性信息的获取方法、系统、服务器及存储介质 | |
CN107730215A (zh) | 保险理赔在线处理方法和系统 | |
CN109118225A (zh) | 基于区块链的收藏品管理方法、装置、介质及电子设备 | |
CN108062423B (zh) | 信息推送方法和装置 | |
CN109544167A (zh) | 交易数据验证方法、装置、介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information |
Address after: 201, room 518000, building A, No. 1, front Bay Road, Qianhai Shenzhen Guangdong Shenzhen Hong Kong cooperation zone (Qianhai business secretary) Applicant after: ONECONNECT FINANCIAL TECHNOLOGY Co.,Ltd. (SHANGHAI) Address before: 518000 Guangdong city of Shenzhen province Qianhai Shenzhen Hong Kong cooperation zone before Bay Road No. 1 building 201 room A Applicant before: ONECONNECT FINANCIAL TECHNOLOGY Co.,Ltd. (SHANGHAI) |
|
CB02 | Change of applicant information | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190416 |