CN109885695B - 资产建议生成方法、装置、计算机设备和存储介质 - Google Patents
资产建议生成方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109885695B CN109885695B CN201910082340.6A CN201910082340A CN109885695B CN 109885695 B CN109885695 B CN 109885695B CN 201910082340 A CN201910082340 A CN 201910082340A CN 109885695 B CN109885695 B CN 109885695B
- Authority
- CN
- China
- Prior art keywords
- sample
- target
- enterprise
- decision
- management layer
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004458 analytical method Methods 0.000 claims abstract description 309
- 230000008451 emotion Effects 0.000 claims abstract description 51
- 238000007726 management method Methods 0.000 claims description 181
- 239000013598 vector Substances 0.000 claims description 68
- 238000012549 training Methods 0.000 claims description 52
- 239000000463 material Substances 0.000 claims description 41
- 230000011218 segmentation Effects 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000009193 crawling Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000003058 natural language processing Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 abstract description 9
- 230000018109 developmental process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 239000000284 extract Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000009223 counseling Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及大数据领域，具体涉及一种资产建议生成方法、装置、计算机设备和存储介质。方法包括：接收终端发送的目标企业的咨询指令；根据咨询指令获取与目标企业对应的管理层分析模型；获取目标企业的目标财务报表和目标管理层决策信息；从各目标管理层决策信息中提取目标言论；对目标言论进行语义情感分析生成目标语义分析结果；将目标财务报表和目标语义分析结果输入管理层分析模型得到目标企业得分；根据目标企业得分生成针对目标企业的资产建议并发送给终端。采用本方法能够从企业财务方面对管理层的能力进行考量，还从管理层参与的各种决策中确定管理层能力对企业发展的影响，并根据其影响对企业的发展进行预判生成准确的资产建议。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种资产建议生成方法、装置、计算机设备和存储介质。
背景技术
在传统的企业分析中，当投资人需要对目标企业进行投资时，投资人会对目标企业进行全方位的信息采集和企业形象调查，以期望生成目标企业的客观全面的分析。但是传统采集的数据一般是企业设施、经济规模、技术能力等硬件方面的数据，这些数据单一且固定，因而得到的资产建议准确度不高，不能客观地反应目标企业的情况。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提供针对目标企业的准确资产建议的资产建议生成方法、装置、计算机设备和存储介质。
一种资产建议生成方法，所述方法包括：
接收终端发送的目标企业的咨询指令；
根据所述咨询指令获取与所述目标企业对应的管理层分析模型；
获取所述目标企业的目标财务报表和目标管理层决策信息；
从各所述目标管理层决策信息中提取目标言论；
对所述目标言论进行语义情感分析生成目标语义分析结果；
将所述目标财务报表和所述目标语义分析结果输入所述管理层分析模型得到目标企业得分；
根据所述目标企业得分生成针对所述目标企业的资产建议并发送给所述终端。
在其中一个实施例中，所述管理层分析模型的构建方式，包括：
根据所述咨询指令获取各样本企业的样本财务报表、样本管理层决策信息和企业经营状态；
对所述样本财务报表进行财务分析，得到财务分析结果；
从各所述样本管理层决策信息中获取样本言论；
根据各所述样本管理层决策信息从互联网上爬取专家言论；
对各所述样本言论和各所述专家言论进行语义情感分析生成决策语义分析结果；
根据所述企业经营状态、所述财务分析结果和所述决策语义分析结果构建管理层分析模型。
在其中一个实施例中，所述根据所述咨询指令获取各样本企业的样本财务报表、样本管理层决策信息和企业经营状态，包括：
根据所述咨询指令获取所述目标企业的行业；
根据所述行业对样本企业进行筛选；
获取筛选出的所述样本企业的样本财务报表、样本管理层决策信息和企业经营状态。
在其中一个实施例中，对各所述样本言论和各所述专家言论进行语义情感分析生成语义分析结果，包括：
通过自然语言处理法从各所述样本言论和各所述专家言论中提取词向量和事件类别；
根据所述词向量和所述事件类别识别出各所述样本言论的第一言论主体和所述专家言论的第二言论主体；
根据所述第一言论主体生成样本事件评分，根据所述第二言论主体生成专家事件评分；
根据所述样本事件评分及所述专家事件评分计算情感评分，根据所述情感评分生成语义分析结果。
在其中一个实施例中，所述词向量的生成方式，包括：
获取与企业经营相关的训练语言材料；
对所述训练语言材料进行切词，得到分词；
对所述分词进行词性划分，得到对应的词性信息；
将所述词性信息加入到与所述分词对应的所述训练语言材料中，对加入词性信息的所述训练语言材料进行词向量训练，得到词向量。
在其中一个实施例中，所述根据所述企业经营状态、所述财务分析结果和所述决策语义分析结果构建管理层分析模型，包括：
采用层次分析法分别确定各所述决策语义分析结果的权重系数；
根据所述权重系数计算得到所述决策语义分析结果的决策得分；
根据所述决策得分、所述企业经营状态和所述财务分析结果构建管理层分析模型。
在其中一个实施例中，所述采用层次分析法分别确定各所述决策语义分析结果的权重系数，包括：
将所述决策语义分析结果两两比较构建决策成对比较矩阵；
对所述决策成对比较矩阵作归一化处理，计算并得到与最大特征根对应的特征向量；
从所述特征向量中分别提取各所述决策语义分析结果的权重系数。
一种资产建议生成装置，所述装置包括：
咨询指令接收模块，用于接收终端发送的目标企业的咨询指令；
管理层分析模型获取模块，用于根据所述咨询指令获取与所述目标企业对应的管理层分析模型；
企业信息获取模块，用于获取所述目标企业的目标财务报表和目标管理层决策信息；
言论提取模块，用于从各所述目标管理层决策信息中提取目标言论；
言论分析模块，用于对所述目标言论进行语义情感分析生成目标语义分析结果；
企业得分计算模块，用于将所述目标财务报表和所述目标语义分析结果输入所述管理层分析模型得到目标企业得分；
资产建议生成模块，用于根据所述目标企业得分生成针对所述目标企业的资产建议发送给所述终端。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
上述资产建议生成方法、装置、计算机设备和存储介质，接收终端发送的目标企业的咨询指令，根据咨询指令获取管理层分析模型，并获取所述目标企业的目标财务报表和目标管理层决策信息，从各目标管理层决策信息中提取目标言论，对目标言论进行语义情感分析生成目标语义分析结果，将目标财务报表和目标语义分析结果输入管理层分析模型得到目标企业得分，根据目标企业得分提供针对目标企业的资产建议，不仅从企业财务方面对管理层的能力进行考量，也从管理层参与的各种决策中确定管理层能力对企业发展的影响，并根据其影响对企业的发展进行预判，从而生成准确的资产建议，避免投资人因信息了解片面而发生资产配置失败的情况。
附图说明
图1为一个实施例中资产建议生成方法的应用场景图；
图2为一个实施例中资产建议生成方法的流程示意图；
图3为一个实施例中管理层分析模型构建步骤的流程示意图；
图4为另一个实施例中决策语义分析步骤的流程示意图；
图5为另一个实施例中权重系数分析步骤的流程示意图；
图6为一个实施例中资产建议生成装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的资产建议生成方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式智能设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端102获取目标企业的咨询指令，而后将咨询指令上传给服务器104。服务器104接收终端102发送的咨询指令，根据咨询指令获取与目标企业对应的管理层分析模型。服务器104根据咨询指令获取目标企业的目标财务报表和目标管理层决策信息。服务器104从各目标管理层决策信息中提取目标言论，并对目标言论进行语义情感分析生成目标语义分析结果。服务器104将目标财务报表和目标语义分析结果输入管理层分析模型得到目标企业得分，而后服务器104根据目标企业得分生成针对目标企业的资产建议，并将资产建议发送给终端102，终端102对接收到资产建议进行显示。
在一个实施例中，如图2所示，提供了一种资产建议生成方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
步骤202，接收终端发送的目标企业的咨询指令。
服务器104可以接收终端102发送来的咨询指令。咨询指令可以包含目标企业的企业名称，也可以包含目标企业的企业名称、行业、管理层名单等等与查询相关的信息。咨询指令可以是用户在终端102输入的语音信息、文字信息等等。终端102可以获取用户输入的语音信息或文字信息，并根据语音信息或文字信息识别出目标企业的咨询指令。终端102也可以根据用户在终端102上执行的点击动作获取咨询指令。例如，用户可以在使用咨询APP的过程中，点击语音识别功能，终端102获取用户输入的语音信息并识别出咨询指令；用户也可以打开咨询网页，并点击咨询网页上对应的咨询输入按钮，终端102根据用户的点击动作获取输入的文字信息，并识别出咨询指令。
步骤204，根据所述咨询指令获取与所述目标企业对应的管理层分析模型。
服务器104可以根据咨询指令中目标企业的名称搜索管理层分析模型，也可以根据咨询指令中用户的需求搜索管理层分析模型。例如，咨询指令包含目标企业的名称“XX贸易公司”，服务器104根据目标企业的名称“XX贸易公司”搜索到模型名称与“XX贸易公司”名称近似的“贸易类管理层分析模型”，并将该模型作为与目标企业对应的管理层分析模型；咨询指令包含目标企业的名称以及用户的需求，用户的需求为投资，服务器104根据用户需求“投资”找到“投资管理层分析模型”，并将该模型作为与目标企业对应的管理层分析模型。
步骤206，获取所述目标企业的目标财务报表和目标管理层决策信息。
服务器104可以根据咨询指令中的目标企业名称在企业数据库中搜索目标财务报表和目标管理层决策信息；服务器104也可以从咨询指令中提取目标企业的目标财务报表和目标管理层决策信息。目标财务报表可以是目标企业的年财务报表、月财务报表或者某一段时间内的财务报表等，财务报表可以由资产负债表、利润表和/或现金流量表等组成。
目标管理层决策信息是由管理层进行决策决断的各类与目标企业运行相关的信息，例如可以是与目标企业相关的各类活动信息、由管理层确定的企业战略规划、由管理层决定的投资项目等。各类活动信息可以是管理层决定由目标企业举办的各类活动、也可以是目标企业根据管理层决定而参加的各类活动。企业战略规划可以包含企业发展方向和企业资源配置策略等。投资项目可以包含公司购买的股票、债券、保险和基金等。
步骤208，从各所述目标管理层决策信息中提取目标言论。
目标管理层决策信息可以含有目标管理层决策以及对应的目标言论。服务器104可以从各目标管理层决策信息中提取目标言论。目标言论可以是公司针对各目标管理层决策的发布公告和/或管理层针对各目标管理层决策发表的言论。
步骤210，对所述目标言论进行语义情感分析生成目标语义分析结果。
服务器104对目标言论进行语义情感分析生成目标语义分析结果。服务器可以通过语义分析模型对目标言论进行分析，得到目标语义分析结果。语义分析模型可以事先通过对样本言论和专家言论进行机器学习训练得到。
步骤212，将所述目标财务报表和所述目标语义分析结果输入所述管理层分析模型得到目标企业得分。
服务器104将目标财务报表和目标语义分析结果输入管理层分析模型得到目标企业得分。管理层分析模型可以事先根据样本企业的企业经营状态、样本财务报表和样本管理层决策信息进行深度学习训练得到。服务器104可以先从样本管理层决策信息中提取样本言论，而后根据样本管理层决策信息从互联网上搜索得到对应的专家言论，对样本言论和专家言论进行分析，得到决策语义分析结果，再根据企业经营状态、样本财务报表和决策语义分析结果构建管理层分析模型。
步骤214，根据所述目标企业得分生成针对所述目标企业的资产建议并发送给所述终端。
服务器104根据目标企业得分对目标企业的管理层能力进行判断，并通过对其能力的判断生成是否可以对目标企业进行投资、贷款等与资产相关的资产建议。服务器104可以根据需求生成资产建议，并将资产建议发送给终端102。服务器104可以先获取分数上限值或分数下限值，再获取目标企业得分，根据目标企业得分和分数上限值或分数下限值生成资产建议；服务器也可以先获取预设建议得分范围，再获取所述目标企业得分，根据所述目标企业得分和所述预设建议得分范围生成资产建议。当目标企业得分高时，服务器可以生成“建议投资或贷款”的资产建议；当目标企业得分低时，服务器可以生成“建议收回投资或贷款”的资产建议。例如，当目标企业的管理层得分为90分，分数上限值为100分时，服务器可以生成“目标企业管理层得分为90分，满分为100分，目标企业的发展趋势为良好，建议贷款”的资产建议发送给终端102。
上述资产建议生成方法中，接收终端发送的目标企业的咨询指令，根据咨询指令获取管理层分析模型，并获取所述目标企业的目标财务报表和目标管理层决策信息，从各目标管理层决策信息中提取目标言论，对目标言论进行语义情感分析生成目标语义分析结果，将目标财务报表和目标语义分析结果输入管理层分析模型得到目标企业得分，根据目标企业得分提供针对目标企业的资产建议，不仅从企业财务方面对管理层的能力进行考量，也从管理层参与的各种决策中确定管理层能力对企业发展的影响，并根据其影响对企业的发展进行预判，从而生成准确的资产建议，避免投资人因信息了解片面而发生资产配置失败的情况。
在一个实施例中，如图3所示，管理层分析模型的构建方式，具有以下步骤：
步骤302，根据所述咨询指令获取各样本企业的样本财务报表、样本管理层决策信息和企业经营状态。
服务器104根据咨询指令获取各样本企业的样本财务报表、样本管理层决策信息和企业经营状态。样本企业可以存储在企业数据库中。企业数据库可以包含现在正在运营的企业、停止运营的企业以及运营失败的企业；企业数据库也可以包含未出现企业风险的企业以及已出现企业风险的企业。为了减小数据获取的难度，样本企业可以含有所有已上市或曾上市的企业。服务器104不仅可以获取样本企业当年内样本财务报表、样本管理层决策信息和当前企业经营状态，也可以获取样本企业某一历史时间内样本财务报表、样本管理层决策信息和当前企业经营状态。
步骤304，对所述样本财务报表进行财务分析，得到财务分析结果。
服务器104对各样本财务报表进行财务分析，得到财务分析结果。服务器104采用常用的财务分析方法或财务分析模型对各样本财务报表进行财务分析，例如可以采用动态财务分析法、水平分析法、垂直分析法、趋势分析法、比率分析法、因素分析法或者SAS财务分析模型等。财务分析结果可以囊括企业短期偿债能力、企业长期偿债能力、营运能力、盈利能力和发展能力等方面。为了加快后续建模的速度，财务分析结果可以采用指标+数据的方式呈现。
步骤306，从各所述样本管理层决策信息中获取样本言论。
服务器104从各样本管理层决策信息中获取样本言论。样本管理层决策信息是由管理层进行决策决断的各类与样本企业运行相关的信息，例如可以是与样本企业相关的各类活动信息、由管理层确定的企业战略规划、由管理层决定的投资项目等。样本管理层决策信息可以含有样本管理层决策和对应的样本言论。样本言论可以是公司针对各样本管理层决策的发布公告和/或管理层针对各样本管理层决策发表的言论。
步骤308，根据各所述样本管理层决策信息从互联网上爬取专家言论。
服务器104可以根据样本管理层决策信息中的样本管理层决策从互联网上爬取专家言论。专家言论是专家针对样本管理决策发表的意见或建议或者评价等。例如，样本管理层决策是“AA企业举办BB会议”，服务器将“AA企业”和“BB会议”作为搜索和爬取的关键词，并获取互联网中与之对应的文章、报道和评价。服务器对文章、报道和评价的来源进行判断。当判断文章、报道或者语句的来源是来自预先存储的专家时，判定对应的文章、报道或者语句为专家言论。
步骤310，对各所述样本言论和各所述专家言论进行语义情感分析生成决策语义分析结果。
服务器104对各样本言论和各专家言论进行语义情感分析，生成决策语义分析结果。服务器可以先对各样本言论进行语义情感分析得到样本评语，再对专家言论进行语义情感分析得到专家评语，根据与样本管理层决策对应的样本评语和专家评语生成决策语义分析结果。例如，样本管理层决策是“AA企业举办BB会议”，服务器根据专家言论得到的专家评语是“该会议意义重大，具有前瞻性”，服务器根据样本言论得到的样本评语是“该会议意义重大，体现了AA企业技术的优越性”，服务器根据专家评语和样本评语得到的决策语义分析结果是“BB会议举办成功，得分为95”。
步骤312，根据所述企业经营状态、所述财务分析结果和所述决策语义分析结果构建管理层分析模型。
服务器104根据企业经营状态、财务分析结果和决策语义分析结果构建管理层分析模型。构建管理层分析模型时，服务器可以先将企业经营状态、财务分析结果和决策语义分析结果进行打分得到对应的企业经营得分、财务得分和决策分析得分，再根据各样本企业的企业经营得分、财务得分和决策分析得分构建多元方程式，得到财务得分、决策分析得分与企业经营得分的函数关系式。服务器也可以在计算函数关系式时，根据不同职务给予不同管理层不同的决策分析得分叠加系数，进一步提高管理层分析模型的准确率。
服务器104在对企业经营状态进行打分时，可以结合企业经营中所涉及的物质资源对企业经营状态进行打分得到企业经营得分，再根据各样本企业的企业经营得分、财务得分和决策分析得分构建多元方程式。物质资源可以是企业注册资本、企业厂房价值、企业先进设备价值等。例如，样本企业的企业经营状态为经营优秀，当样本企业的注册资本为100万元时，服务器104可以获取对应的企业经营得分70；当样本企业的注册资本为1000万元时，服务器104可以获取企业经营得分80；当样本企业的注册资本为1亿元时，服务器104可以获取对应的企业经营得分85。
在一个实施例中，根据所述咨询指令获取各样本企业的样本财务报表、样本管理层决策信息和企业经营状态，具有以下步骤：根据所述咨询指令获取所述目标企业的行业；根据所述行业对样本企业进行筛选；获取筛选出的所述样本企业的样本财务报表、样本管理层决策信息和企业经营状态。
服务器104可以根据咨询指令获取目标企业所在的行业，并根据行业对企业数据库中的所有样本企业进行筛选，选出与目标企业经营相关的企业作为建模基本数据。服务器104再获取筛选出的所有样本企业的样本财务报表、样本管理层决策信息和企业经营状态。
述资产建议生成方法中，根据目标企业的行业对样本企业进行筛选，避免因行业的不同对个人能力分析模型造成的影响，提高了个人能力得分的准确度，使得最终目标企业得分更具有代表性。
在一个实施例中，如图4所示，对各所述样本言论和各所述专家言论进行语义情感分析生成决策语义分析结果，具有以下步骤：
步骤402，通过自然语言处理法从各所述样本言论和各所述专家言论中提取词向量和事件类别。
服务器104通过自然语言处理法从各样本言论和各专家言论中提取词向量和事件类别。事件类别可以是“活动或会议”“投资”或者“战略规划”等。服务器可以根据预先存储的事件类别从各样本言论和各专家言论中提取出对应的事件类别。词向量可以是从词向量库中获取。服务器104对各样本言论和各专家言论进行切词得到分词，然后在词向量库中搜索并判断该分词是否存在对应的词向量。
步骤404，根据所述词向量和所述事件类别识别出各所述样本言论的第一言论主体和所述专家言论的第二言论主体。
服务器104根据词向量和事件类别识别出各样本言论的第一言论主体和专家言论的第二言论主体。例如，针对“AA企业购买股票X千万”这一管理层决策，样本言论是“这是AA企业财务的一次明智的投资，……预期可以在Y年后带来亿元高收益”，专家言论是“针对AA企业这次的投资，该企业有些冒进，……因而收益不会达到其预期”。服务器识别出样本言论的词向量是“企业、财务、明智、投资、预期、带来、高收益”等，服务器识别出专家言论的词向量是“企业、投资、冒进、收益、不会、达到、预期”，事件类别是投资。第一言论主体是“企业投资明智，预期带来高收益”，第二言论主体是“企业投资冒进，收益不会达到预期”。
步骤406，根据所述第一言论主体生成样本事件评分，根据所述第二言论主体生成专家事件评分。
服务器104根据第一言论主体生成样本事件评分，根据第二言论主体生成专家事件评分。评分的高低可以由各言论主体中的形容词决定，根据形容词的褒贬义确定评分。例如，第一言论主体是“企业投资明智，预期带来高收益”，服务器生成的样本事件评分为85分。第二言论主体是“企业投资冒进，收益不会达到预期”，服务器生成的专家事件评分为55分。
步骤408，根据所述样本事件评分及所述专家事件评分计算情感评分，根据所述情感评分生成决策语义分析结果。
服务器104根据样本事件评分和专家事件评分计算情感评分，再根据情感评分生成语义分析结果。服务器可以以专家事件评分作为情感评分计算基准，计算样本事件评分与专家事件评分的比值，将该比值作为情感评分，再根据情感评分生成语义分析结果，当样本事件评分高于专家事件评分时，输出的决策语义分析结果为负值，当样本事件评分低于专家事件评分时，输出的决策语义分析结果为正值。例如，样本事件评分为85分，专家事件评分为55分，服务器计算的比值为85/55约等于1.55，样本事件评分高于专家事件评分，服务器生成的决策语义分析结果为“针对AA企业购买股票X千万的情感评分为-1.55”。
在上述资产建议生成方法中，根据与各样本管理层决策对应的样本言论和专家言论生成样本事件评分和专家事件评分，再结合样本事件评分和专家事件评分生成情感评分，得到的决策语义分析结果更准确，进而提高后续构建的模型的准确性。
在一实施例中，词向量的生成方式，具有以下步骤：获取与企业经营相关的训练语言材料；对所述训练语言材料进行切词，得到分词；对所述分词进行词性划分，得到对应的词性信息；将所述词性信息加入到与所述分词对应的所述训练语言材料中，对加入词性信息的所述训练语言材料进行词向量训练，得到词向量。
服务器104获取与企业经营相关的训练语言材料，服务器可以从语言材料库中获取训练语言材料，也可以从互联网上根据企业经营相关的关键词搜索训练语言材料。服务器对训练语言材料进行切词，得到分词。服务器可以采用专业的汉语分词工具，例如哈工大语言云、庖丁解牛分词、盘古分词、ICTCLAS汉语词法分析系统等。
服务器104对分词进行词性划分，得到对应的词性信息。词性类别可以包括：a(形容词)、ad(副词)、an(名形词)、b(区别词)、c(连词)、d(副词)、e(叹词)、f(方位词)、g(语素)、h(前接成份)、i(成语)、j(简称略语)、k(后接成份)、I(习用语)、m(数词)、n(名词)、nr(人名)、ns(地名)、nt(机构团体)、nz(其他专名)、o(拟声词)、p(介词)、q(量词)、r(代词)、s(处所词)、t(时间词)、u(助词)、v(动词)、vd(副动词)、vn(名动词)、w(标点符号)、x(非语素字)、y(语气词)、z(状态词)、un(未知词)。例如，对“今天是个好天气”通过分词工具进行词性划分后，得到的词性信息结果为：“今天t/是v/个q/好a/天气n”。词性划分后得到的词性信息中的字母为对应的词性，“今天”的词性为t(时间词)、“是”的词性为v(动词)、“个”的词性是q(量词)，“好”的词性为a(形容词)，“天气”的词性为n(名词)。
服务器104将词性信息加入到与分词对应的训练语言材料中，对加入词性信息的训练语言材料进行词向量训练，得到词向量。词向量训练模型可以采用CBOW模型(Continuous Bag-Of-Words Model)和Skip-gram模型(Continuous Skip-gram Model)。服务器可以采用CBOW模型对获取的语料库中的每个词语生成一个词向量，并将具有不同词性信息的多义词词语作为多个词向量。
在一个实施例中，根据所述企业经营状态、所述财务分析结果和所述决策语义分析结果构建管理层分析模型，具有以下步骤：采用层次分析法分别确定各所述决策语义分析结果的权重系数；根据所述权重系数计算得到所述决策语义分析结果的决策得分；根据所述决策得分、所述企业经营状态和所述财务分析结果构建管理层分析模型。
服务器104采用层次分析法分别确定各决策语义分析结果的权重系数。服务器104计算权重系数与对应的决策语义分析结果的乘积和，计算得到的值为决策语义分析结果的决策得分。服务器104可以先对企业经营状态进行打分得到企业分值，再获取财务分析结果对应的财务分值，而后根据决策得分、企业分值和财务分值构建函数方程，确定函数方程中的系数，得到用于分析目标企业的管理层分析方程式。
上述资产建议生成方法中，通过对财务分析结果、企业经营状态、决策语义分析结果打分，不仅可以加快构建模型的速度，快速为用户提供咨询服务，而且输出各结果的分值也可以让用户快捷地明了目标企业的实力。
在另一实施例中，如图5所示，采用层次分析法分别确定各所述决策语义分析结果的权重系数，具有以下步骤：
步骤502，将所述决策语义分析结果两两比较构建决策成对比较矩阵。
服务器104可以将决策语义分析结果两两比较构建决策成对比较矩阵，服务器也可以事先将决策语义分析结果进行分类再构建决策成对比较矩阵。例如，服务器可以根据决策的不同性质将决策语义分析结果分为活动信息的第一语义分析结果、企业战略规划的第二语义分析结果、投资项目的第三语义分析结果，再将第一语义分析结果、第二语义分析结果、第三语义分析结果分别两两比较构建三个独立的决策成对比较矩阵。决策比较判断矩阵A＝(aij)n·n中，aij的值为第i行的决策语义分析结果除以第j列的决策语义分析结果得到的值，因而决策比较判断矩阵A如下：
步骤504，对所述决策成对比较矩阵作归一化处理，计算并得到与最大特征根对应的特征向量。
服务器104将矩阵A＝(aij)n·n的每一列向量归一化得值 n为决策语义分析结果的总数量。对归一化得值/>按行求和得/>对/>归一化/>所以特征向量/>
步骤506，从所述特征向量中分别提取各所述决策语义分析结果的权重系数。
特征向量W为各决策语义分析结果的权重系数构成的权向量。特征向量W中wi的值即为各行代表的决策语义分析结果的权重系数。服务器104从特征向量中分别提取各决策语义分析结果的权重系数。
应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种资产建议生成装置，包括：咨询指令接收模块602、管理层分析模型获取模块604、企业信息获取模块606、言论提取模块608、言论分析模块610、企业得分计算模块612和资产建议生成模块614，其中：
咨询指令接收模块602，用于接收终端发送的目标企业的咨询指令。
管理层分析模型获取模块604，用于根据所述咨询指令获取与所述目标企业对应的管理层分析模型。
企业信息获取模块606，用于获取所述目标企业的目标财务报表和目标管理层决策信息。
言论提取模块608，用于从各所述目标管理层决策信息中提取目标言论。
言论分析模块610，用于对所述目标言论进行语义情感分析生成目标语义分析结果。
企业得分计算模块612，用于将所述目标财务报表和所述目标语义分析结果输入所述管理层分析模型得到目标企业得分。
资产建议生成模块614，用于根据所述目标企业得分生成针对所述目标企业的资产建议发送给所述终端。
在另一实施例中，管理层分析模型获取模块604包括样本信息获取单元、财务分析单元、财务分析单元、样本言论获取单元、专家言论爬取单元、决策语义分析单元和模型构建单元，其中：
样本信息获取单元，用于根据所述咨询指令获取各样本企业的样本财务报表、样本管理层决策信息和企业经营状态。
财务分析单元，用于对所述样本财务报表进行财务分析，得到财务分析结果。
样本言论获取单元，用于从各所述样本管理层决策信息中获取样本言论。
专家言论爬取单元，用于根据各所述样本管理层决策信息从互联网上爬取专家言论。
决策语义分析单元，用于对各所述样本言论和各所述专家言论进行语义情感分析生成决策语义分析结果。
模型构建单元，用于根据所述企业经营状态、所述财务分析结果和所述决策语义分析结果构建管理层分析模型。
在另一实施例中，管理层分析模型获取模块604包括行业获取单元、企业筛选单元和企业信息获取单元，其中：
行业获取单元，用于根据所述咨询指令获取所述目标企业的行业。
企业筛选单元，用于根据所述行业对样本企业进行筛选。
企业信息获取单元，用于获取筛选出的所述样本企业的样本财务报表、样本管理层决策信息和企业经营状态。
在一实施例中，管理层分析模型获取模块604包括言论处理单元、主体识别单元、事件评分生成单元和决策语义分析结果生成单元，其中：
言论处理单元，用于通过自然语言处理法从各所述样本言论和各所述专家言论中提取词向量和事件类别。
主体识别单元，用于根据所述词向量和所述事件类别识别出各所述样本言论的第一言论主体和所述专家言论的第二言论主体。
事件评分生成单元，用于根据所述第一言论主体生成样本事件评分，根据所述第二言论主体生成专家事件评分。
决策语义分析结果生成单元，用于根据所述样本事件评分及所述专家事件评分计算情感评分，根据所述情感评分生成决策语义分析结果。
在一些实施例中，管理层分析模型获取模块604包括训练语言材料获取单元、切词单元、词性划分单元和词向量训练单元，其中：
训练语言材料获取单元，用于获取与企业经营相关的训练语言材料。
切词单元，用于对所述训练语言材料进行切词，得到分词。
词性划分单元，用于对所述分词进行词性划分，得到对应的词性信息。
词向量训练单元，用于将所述词性信息加入到与所述分词对应的所述训练语言材料中，对加入词性信息的所述训练语言材料进行词向量训练，得到词向量。
在另一实施例中，管理层分析模型获取模块604包括权重系数确定单元、决策得分计算单元和管理层分析模型构建单元，其中：
权重系数确定单元，用于采用层次分析法分别确定各所述决策语义分析结果的权重系数。
决策得分计算单元，用于根据所述权重系数计算得到所述决策语义分析结果的决策得分。
管理层分析模型构建单元，用于根据所述决策得分、所述企业经营状态和所述财务分析结果构建管理层分析模型。
在一些实施例中，管理层分析模型获取模块604包括矩阵构建单元、矩阵计算单元和权重系数提取单元，其中：
矩阵构建单元，用于将所述决策语义分析结果两两比较构建决策成对比较矩阵。
矩阵计算单元，用于对所述决策成对比较矩阵作归一化处理，计算并得到与最大特征根对应的特征向量。
权重系数提取单元，用于从所述特征向量中分别提取各所述决策语义分析结果的权重系数。
关于资产建议生成装置的具体限定可以参见上文中对于资产建议生成方法的限定，在此不再赘述。上述资产建议生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储资产建议生成数据，数据库可以包含多个子数据库，例如管理层分析模型数据库、企业数据库、词向量库和训练语言材料库等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种资产建议生成方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
接收终端发送的目标企业的咨询指令；
根据所述咨询指令获取与所述目标企业对应的管理层分析模型；
获取所述目标企业的目标财务报表和目标管理层决策信息；
从各所述目标管理层决策信息中提取目标言论；
对所述目标言论进行语义情感分析生成目标语义分析结果；
将所述目标财务报表和所述目标语义分析结果输入所述管理层分析模型得到目标企业得分；
根据所述目标企业得分生成针对所述目标企业的资产建议并发送给所述终端。
在一个实施例中，处理器执行计算机程序时实现管理层分析模型的构建方式的步骤时，还用于：根据所述咨询指令获取各样本企业的样本财务报表、样本管理层决策信息和企业经营状态；对所述样本财务报表进行财务分析，得到财务分析结果；从各所述样本管理层决策信息中获取样本言论；根据各所述样本管理层决策信息从互联网上爬取专家言论；对各所述样本言论和各所述专家言论进行语义情感分析生成决策语义分析结果；根据所述企业经营状态、所述财务分析结果和所述决策语义分析结果构建管理层分析模型。
在一个实施例中，处理器执行计算机程序时实现根据所述咨询指令获取各样本企业的样本财务报表、样本管理层决策信息和企业经营状态的步骤时，还用于：根据所述咨询指令获取所述目标企业的行业；根据所述行业对样本企业进行筛选；获取筛选出的所述样本企业的样本财务报表、样本管理层决策信息和企业经营状态。
在一个实施例中，处理器执行计算机程序时实现对各所述样本言论和各所述专家言论进行语义情感分析生成决策语义分析结果的步骤时，还用于：通过自然语言处理法从各所述样本言论和各所述专家言论中提取词向量和事件类别；根据所述词向量和所述事件类别识别出各所述样本言论的第一言论主体和所述专家言论的第二言论主体；根据所述第一言论主体生成样本事件评分，根据所述第二言论主体生成专家事件评分；根据所述样本事件评分及所述专家事件评分计算情感评分，根据所述情感评分生成决策语义分析结果。
在一个实施例中，处理器执行计算机程序时实现词向量的生成方式的步骤时，还用于：获取与企业经营相关的训练语言材料；对所述训练语言材料进行切词，得到分词；对所述分词进行词性划分，得到对应的词性信息；将所述词性信息加入到与所述分词对应的所述训练语言材料中，对加入词性信息的所述训练语言材料进行词向量训练，得到词向量。
在一个实施例中，处理器执行计算机程序时实现根据所述企业经营状态、所述财务分析结果和所述决策语义分析结果构建管理层分析模型的步骤时，还用于：采用层次分析法分别确定各所述决策语义分析结果的权重系数；根据所述权重系数计算得到所述决策语义分析结果的决策得分；根据所述决策得分、所述企业经营状态和所述财务分析结果构建管理层分析模型。
在一个实施例中，处理器执行计算机程序时实现采用层次分析法分别确定各所述决策语义分析结果的权重系数的步骤时，还用于：将所述决策语义分析结果两两比较构建决策成对比较矩阵；对所述决策成对比较矩阵作归一化处理，计算并得到与最大特征根对应的特征向量；从所述特征向量中分别提取各所述决策语义分析结果的权重系数。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
接收终端发送的目标企业的咨询指令；
根据所述咨询指令获取与所述目标企业对应的管理层分析模型；
获取所述目标企业的目标财务报表和目标管理层决策信息；
从各所述目标管理层决策信息中提取目标言论；
对所述目标言论进行语义情感分析生成目标语义分析结果；
将所述目标财务报表和所述目标语义分析结果输入所述管理层分析模型得到目标企业得分；
根据所述目标企业得分生成针对所述目标企业的资产建议并发送给所述终端。
在一个实施例中，计算机程序被处理器执行时实现管理层分析模型的构建方式的步骤时还用于：根据所述咨询指令获取各样本企业的样本财务报表、样本管理层决策信息和企业经营状态；对所述样本财务报表进行财务分析，得到财务分析结果；从各所述样本管理层决策信息中获取样本言论；根据各所述样本管理层决策信息从互联网上爬取专家言论；对各所述样本言论和各所述专家言论进行语义情感分析生成决策语义分析结果；根据所述企业经营状态、所述财务分析结果和所述决策语义分析结果构建管理层分析模型。
在一个实施例中，计算机程序被处理器执行时实现根据所述咨询指令获取各样本企业的样本财务报表、样本管理层决策信息和企业经营状态的步骤时还用于：根据所述咨询指令获取所述目标企业的行业；根据所述行业对样本企业进行筛选；获取筛选出的所述样本企业的样本财务报表、样本管理层决策信息和企业经营状态。
在一个实施例中，计算机程序被处理器执行时实现对各所述样本言论和各所述专家言论进行语义情感分析生成决策语义分析结果的步骤时还用于：通过自然语言处理法从各所述样本言论和各所述专家言论中提取词向量和事件类别；根据所述词向量和所述事件类别识别出各所述样本言论的第一言论主体和所述专家言论的第二言论主体；根据所述第一言论主体生成样本事件评分，根据所述第二言论主体生成专家事件评分；根据所述样本事件评分及所述专家事件评分计算情感评分，根据所述情感评分生成决策语义分析结果。
在一个实施例中，计算机程序被处理器执行时实现词向量的生成方式的步骤时还用于：获取与企业经营相关的训练语言材料；对所述训练语言材料进行切词，得到分词；对所述分词进行词性划分，得到对应的词性信息；将所述词性信息加入到与所述分词对应的所述训练语言材料中，对加入词性信息的所述训练语言材料进行词向量训练，得到词向量。
在一个实施例中，计算机程序被处理器执行时实现根据所述企业经营状态、所述财务分析结果和所述决策语义分析结果构建管理层分析模型的步骤时还用于：采用层次分析法分别确定各所述决策语义分析结果的权重系数；根据所述权重系数计算得到所述决策语义分析结果的决策得分；根据所述决策得分、所述企业经营状态和所述财务分析结果构建管理层分析模型。
在一个实施例中，计算机程序被处理器执行时实现采用层次分析法分别确定各所述决策语义分析结果的权重系数的步骤时还用于：将所述决策语义分析结果两两比较构建决策成对比较矩阵；对所述决策成对比较矩阵作归一化处理，计算并得到与最大特征根对应的特征向量；从所述特征向量中分别提取各所述决策语义分析结果的权重系数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种资产建议生成方法，所述方法包括：
接收终端发送的目标企业的咨询指令；
根据所述咨询指令获取与所述目标企业对应的管理层分析模型；
获取所述目标企业的目标财务报表和目标管理层决策信息；
从各所述目标管理层决策信息中提取目标言论；
对所述目标言论进行语义情感分析生成目标语义分析结果；
将所述目标财务报表和所述目标语义分析结果输入所述管理层分析模型得到目标企业得分；
根据所述目标企业得分生成针对所述目标企业的资产建议并发送给所述终端；所述管理层分析模型的构建方式，包括：
根据所述咨询指令获取各样本企业的样本财务报表、样本管理层决策信息和企业经营状态；
对所述样本财务报表进行财务分析，得到财务分析结果；
从各所述样本管理层决策信息中获取样本言论；
根据各所述样本管理层决策信息从互联网上爬取专家言论；
对各所述样本言论和各所述专家言论进行语义情感分析生成决策语义分析结果；
根据所述企业经营状态、所述财务分析结果和所述决策语义分析结果构建管理层分析模型；
所述对各所述样本言论和各所述专家言论进行语义情感分析生成决策语义分析结果，包括：
通过自然语言处理法从各所述样本言论和各所述专家言论中提取词向量和事件类别；
根据所述词向量和所述事件类别识别出各所述样本言论的第一言论主体和所述专家言论的第二言论主体；
根据所述第一言论主体生成样本事件评分，根据所述第二言论主体生成专家事件评分；
根据所述样本事件评分及所述专家事件评分计算情感评分，根据所述情感评分生成决策语义分析结果，包括：以专家事件评分作为情感评分计算基准，计算样本事件评分与专家事件评分的比值，将该比值作为情感评分，再根据情感评分生成语义分析结果，当样本事件评分高于专家事件评分时，输出的决策语义分析结果为负值，当样本事件评分低于专家事件评分时，输出的决策语义分析结果为正值，专家言论是专家针对样本管理决策发表的意见或建议或者评价。
2.根据权利要求1所述的方法，其特征在于，所述根据所述咨询指令获取各样本企业的样本财务报表、样本管理层决策信息和企业经营状态，包括：
根据所述咨询指令获取所述目标企业的行业；
根据所述行业对样本企业进行筛选；
获取筛选出的所述样本企业的样本财务报表、样本管理层决策信息和企业经营状态。
3.根据权利要求1所述的方法，其特征在于，所述词向量的生成方式，包括：
获取与企业经营相关的训练语言材料；
对所述训练语言材料进行切词，得到分词；
对所述分词进行词性划分，得到对应的词性信息；
将所述词性信息加入到与所述分词对应的所述训练语言材料中，对加入词性信息的所述训练语言材料进行词向量训练，得到词向量。
4.根据权利要求2所述的方法，其特征在于，所述根据所述企业经营状态、所述财务分析结果和所述决策语义分析结果构建管理层分析模型，包括：
采用层次分析法分别确定各所述决策语义分析结果的权重系数；
根据所述权重系数计算得到所述决策语义分析结果的决策得分；
根据所述决策得分、所述企业经营状态和所述财务分析结果构建管理层分析模型。
5.根据权利要求4所述的方法，其特征在于，所述采用层次分析法分别确定各所述决策语义分析结果的权重系数，包括：
将所述决策语义分析结果两两比较构建决策成对比较矩阵；
对所述决策成对比较矩阵作归一化处理，计算并得到与最大特征根对应的特征向量；
从所述特征向量中分别提取各所述决策语义分析结果的权重系数。
6.一种资产建议生成装置，其特征在于，所述装置包括：
咨询指令接收模块，用于接收终端发送的目标企业的咨询指令；
管理层分析模型获取模块，用于根据所述咨询指令获取与所述目标企业对应的管理层分析模型；
企业信息获取模块，用于获取所述目标企业的目标财务报表和目标管理层决策信息；
言论提取模块，用于从各所述目标管理层决策信息中提取目标言论；
言论分析模块，用于对所述目标言论进行语义情感分析生成目标语义分析结果；
企业得分计算模块，用于将所述目标财务报表和所述目标语义分析结果输入所述管理层分析模型得到目标企业得分；
资产建议生成模块，用于根据所述目标企业得分生成针对所述目标企业的资产建议发送给所述终端；
所述管理层分析模型获取模块包括：
样本信息获取单元，用于根据所述咨询指令获取各样本企业的样本财务报表、样本管理层决策信息和企业经营状态；
财务分析单元，用于对所述样本财务报表进行财务分析，得到财务分析结果；
样本言论获取单元，用于从各所述样本管理层决策信息中获取样本言论；
专家言论爬取单元，用于根据各所述样本管理层决策信息从互联网上爬取专家言论；
决策语义分析单元，用于对各所述样本言论和各所述专家言论进行语义情感分析生成决策语义分析结果；
模型构建单元，用于根据所述企业经营状态、所述财务分析结果和所述决策语义分析结果构建管理层分析模型；
所述管理层分析模型获取模块包括：
言论处理单元，用于通过自然语言处理法从各所述样本言论和各所述专家言论中提取词向量和事件类别；
主体识别单元，用于根据所述词向量和所述事件类别识别出各所述样本言论的第一言论主体和所述专家言论的第二言论主体；
事件评分生成单元，用于根据所述第一言论主体生成样本事件评分，根据所述第二言论主体生成专家事件评分；
决策语义分析结果生成单元，用于根据所述样本事件评分及所述专家事件评分计算情感评分，根据所述情感评分生成决策语义分析结果，包括：以专家事件评分作为情感评分计算基准，计算样本事件评分与专家事件评分的比值，将该比值作为情感评分，再根据情感评分生成语义分析结果，当样本事件评分高于专家事件评分时，输出的决策语义分析结果为负值，当样本事件评分低于专家事件评分时，输出的决策语义分析结果为正值，专家言论是专家针对样本管理决策发表的意见或建议或者评价。
7.根据权利要求6所述的装置，其特征在于，所述管理层分析模型获取模块包括：
行业获取单元，用于根据所述咨询指令获取所述目标企业的行业；
企业筛选单元，用于根据所述行业对样本企业进行筛选；
企业信息获取单元，用于获取筛选出的所述样本企业的样本财务报表、样本管理层决策信息和企业经营状态。
8.根据权利要求6所述的装置，其特征在于，所述管理层分析模型获取模块包括：
训练语言材料获取单元，用于获取与企业经营相关的训练语言材料；
切词单元，用于对所述训练语言材料进行切词，得到分词；
词性划分单元，用于对所述分词进行词性划分，得到对应的词性信息；
词向量训练单元，用于将所述词性信息加入到与所述分词对应的所述训练语言材料中，对加入词性信息的所述训练语言材料进行词向量训练，得到词向量。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910082340.6A CN109885695B (zh) | 2019-01-28 | 2019-01-28 | 资产建议生成方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910082340.6A CN109885695B (zh) | 2019-01-28 | 2019-01-28 | 资产建议生成方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109885695A CN109885695A (zh) | 2019-06-14 |
| CN109885695B true CN109885695B (zh) | 2024-03-01 |
Family
ID=66927181
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910082340.6A Active CN109885695B (zh) | 2019-01-28 | 2019-01-28 | 资产建议生成方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109885695B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264103A (zh) * | 2019-06-28 | 2019-09-20 | 重庆回形针信息技术有限公司 | 一种企业管理资源收集系统及方法 |
| CN113362115A (zh) * | 2021-06-29 | 2021-09-07 | 平安资产管理有限责任公司 | 基于机器学习的交易资源分析方法、装置、设备和介质 |
| CN116401355B (zh) * | 2023-06-08 | 2023-08-15 | 浙江天正思维信息技术有限公司 | 一种基于数智交互的咨询业务决策管理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001125962A (ja) * | 1999-10-25 | 2001-05-11 | Nri & Ncc Co Ltd | 企業診断及び経営意思決定支援システム |
| JP2004046363A (ja) * | 2002-07-09 | 2004-02-12 | Asayuki Kitada | 中小企業格付け評価システム |
| CN1746921A (zh) * | 2004-09-10 | 2006-03-15 | 鹏元资信评估有限公司 | 企业资信评级系统及其评级方法 |
| CN102226914A (zh) * | 2011-05-26 | 2011-10-26 | 李强 | 科技型中小企业成长能力专家评价系统 |
| CN105719073A (zh) * | 2016-01-18 | 2016-06-29 | 苏州汇誉通数据科技有限公司 | 一种企业信用评价系统及方法 |
| CN107945024A (zh) * | 2017-12-12 | 2018-04-20 | 厦门市美亚柏科信息股份有限公司 | 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质 |
-
2019
- 2019-01-28 CN CN201910082340.6A patent/CN109885695B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001125962A (ja) * | 1999-10-25 | 2001-05-11 | Nri & Ncc Co Ltd | 企業診断及び経営意思決定支援システム |
| JP2004046363A (ja) * | 2002-07-09 | 2004-02-12 | Asayuki Kitada | 中小企業格付け評価システム |
| CN1746921A (zh) * | 2004-09-10 | 2006-03-15 | 鹏元资信评估有限公司 | 企业资信评级系统及其评级方法 |
| CN102226914A (zh) * | 2011-05-26 | 2011-10-26 | 李强 | 科技型中小企业成长能力专家评价系统 |
| CN105719073A (zh) * | 2016-01-18 | 2016-06-29 | 苏州汇誉通数据科技有限公司 | 一种企业信用评价系统及方法 |
| CN107945024A (zh) * | 2017-12-12 | 2018-04-20 | 厦门市美亚柏科信息股份有限公司 | 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109885695A (zh) | 2019-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tang et al. | Incorporating textual and management factors into financial distress prediction: A comparative study of machine learning methods | |
| CN110765763A (zh) | 语音识别文本的纠错方法、装置、计算机设备和存储介质 | |
| WO2018184518A1 (zh) | 微博数据处理方法、装置、计算机设备及存储介质 | |
| CN106611375A (zh) | 一种基于文本分析的信用风险评估方法及装置 | |
| CN109885695B (zh) | 资产建议生成方法、装置、计算机设备和存储介质 | |
| CN111738589B (zh) | 基于内容推荐的大数据项目工作量评估方法、装置及设备 | |
| Rehan et al. | Employees reviews classification and evaluation (ERCE) model using supervised machine learning approaches | |
| US10922633B2 (en) | Utilizing econometric and machine learning models to maximize total returns for an entity | |
| Hsu et al. | Automated text mining process for corporate risk analysis and management | |
| US20230072297A1 (en) | Knowledge graph based reasoning recommendation system and method | |
| Lucy et al. | Words as gatekeepers: Measuring discipline-specific terms and meanings in scholarly publications | |
| Sangeetha et al. | Improved feature-specific collaborative filtering model for the aspect-opinion based product recommendation | |
| GUMUS et al. | Stock market prediction by combining stock price information and sentiment analysis | |
| Naresh et al. | Predicting the Stock Price Using Natural Language Processing and Random Forest Regressor | |
| Sisodia et al. | Performance evaluation of learners for analyzing the hotel customer sentiments based on text reviews | |
| Yip | Business failure prediction: a case-based reasoning approach | |
| Pooja et al. | Sentiment based stock market prediction | |
| Kaikaus et al. | Truth or fiction: Multimodal learning applied to earnings calls | |
| WO2019236338A1 (en) | Computerized relevance scoring engine for identifying potential investors for a new business entity | |
| Dikshit et al. | Automating Questions and Answers of Good and Services Tax system using clustering and embeddings of queries | |
| WO2014168961A1 (en) | Generating data analytics using a domain model | |
| Doumpos et al. | Data Analytics for Developing and Validating Credit Models | |
| Jeong | Fine-tuning and Utilization Methods of Domain-specific LLMs | |
| US20240119529A1 (en) | Machine learning based personalized ethical interest and sensitivity profile generation for investment management | |
| He et al. | The application of machine learning algorithms in predicting the borrower’s default risk in online peer-to-peer lending |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |