CN110889556B - 一种企业经营风险特征数据信息提取方法和提取系统 - Google Patents
一种企业经营风险特征数据信息提取方法和提取系统 Download PDFInfo
- Publication number
- CN110889556B CN110889556B CN201911194769.0A CN201911194769A CN110889556B CN 110889556 B CN110889556 B CN 110889556B CN 201911194769 A CN201911194769 A CN 201911194769A CN 110889556 B CN110889556 B CN 110889556B
- Authority
- CN
- China
- Prior art keywords
- data
- information data
- enterprise
- risk
- information
- 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
- 238000000605 extraction Methods 0.000 title claims description 11
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000007499 fusion processing Methods 0.000 claims abstract description 6
- 238000013135 deep learning Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000003058 natural language processing Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Images
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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种企业经营风险预测方法。通过对企业内部以及外部的信息数据采集，将所收集到的信息数据进行数据融合处理；之后利用处理完成的信息数据进行知识图谱的构建及绘制；进而使用图嵌入法从知识图谱内将所需进行风险预测的企业的经营风险特征信息数据进行提取，并且用所述的经营风险特征信息数据来构建经营风险模型；将所需预测风险的企业信息数据输入所述经营风险模型，能够对企业的发展风险进行预测判断，有利于对所需进行风险预测的企业进行风险管理方面的正确决策，保护所需进行风险预测的企业的资产安全。
Description
技术领域
本发明涉及一种企业经营风险特征数据信息提取方法和提取系统；属于数据处理技术领域。
背景技术
企业经营风险管理有助于降低企业决策错误的几率、避免损失、相对提高企业本身的附加价值。正常有效地对各种风险进行管理有利于企业作出正确的决策；有利于保护企业资产的安全和完整；有利于实现企业的经营活动目标。因此进行企业经营风险预测对企业来说具有重要的意义；
目前，针对企业风险管理与内部控制工作已经存在一定的信息化技术手段，普遍表现为，通过收集企业的内部相关信息（如：erp数据、hr数据、财务数据），设置一定经营风险建模规则，通过一定的技术手段，如通过设置风险规则引擎、传统机器学习分类算法（如朴素贝叶斯、逻辑回归算法）等，达到对企业经营风险预测功能。
当前技术均存在一定的缺陷，主要表现在几个方面。其一，风险的有效预警很大程度上依赖于全面充分的风险信息来源。当前已有方案中数据来源仍仅限于企业内部的相关数据。而在互联网日新月异的发展历程中，外部互联网数据也逐渐成为经营风险预警的重要组成部分，如企业互联网舆情数据、政策时势数据、竞争对手招投标数据、工商数据等。因此，完整的风险模型构建不仅依赖于企业内部数据、更应该依赖于外部数据。其二：规则引擎能够在简单场景下满足一定程序的风险预测，但随着数据规模的与日俱增，应用场景的不断增长，业务逻辑的不断变化，规则的局限性越发明显。试想，当系统运行和测试的规则达到成百上千条时，还需每隔几天增加新的规则，删除或更新之前的规则，这无疑要花费大量运营资源、时间，和费用来维护。其三：传统的机器学习分类算法存在一定的缺陷，其无法通过自主学习并适应不断变化的经营风险规则。
知识图谱是新一代基于语义的结构化信息组织方式，由谷歌公司在2012年提出。不同于现有主流的关系数据模型，知识图谱着力于以符号形式描述物理世界中的概念及其相互关系，其基本组成单位是“实体-关系-实体”三元组，以及实体及其相关属性-值对，实体间通过关系相互联结，构成网状的知识结构。通过知识图谱，业务数据能够实现从信息向知识的转变，特别适合用于组织大规模、强相关的业务概念实体。在本发明专利中，知识图谱用于组织与治理企业内外部风险的海量数据，能为后续的风险特征提取、风险识别及风险成因解释提供高质量的数据基础。
现有方案均是通过采集企业内部相关数据，而后基于规则匹配传统机器学习分类的技术路线出发，延伸而出的一系列解决方案。这些分案均未考虑到外部数据对经营风险的影响，且无法适用于大数据规模下的复杂场景，或无法通过自主学习使用日益变化的风险变化。
发明内容
本专利提出了一种基于深度学习的企业内外部数据融合的企业经营风险预测方法及系统。
本发明技术方案一：
一种企业经营风险预测方法，包括以下步骤：
S11、利用网络爬虫技术采集所需进行风险预测的企业信息数据以及其关联企业的信息数据；采集进行风险预测的企业内部信息数据以及外部信息数据；所述的内部信息数据包括所有格式的财务数据、报账信息数据、合同信息数据、HR数据、招投标数据以及其他企业内部相关的办公电子文档；所述的外部数据包括了企业互联网舆情数据、外部公开招投标信息数据、工商信息数据、政策信息数据以及其他与企业相关的网页数据。
S12、对于所收集到的企业内部信息数据和外部信息数据进行数据融合处理，将非结构化或者半结构化数据转化为结构化的数据并且储存至图形数据库内；
S13、根据所收集到的所需进行风险预测的企业信息数据和其关联企业的信息数据进行知识图谱构建及绘制；
S14、采集经营风险特征数据信息；使用深度学习方法从知识图谱里获取与预先设定的风险特征词相同或者类似的风险特征标签词，然后利用深度学习方法找到经营风险特征数据信息进行提取；
S15、通过所述经营风险特征数据信息构建用于预测企业未来的经营风险情况的经营风险模型；
S16、把所需进行风险预测的企业信息数据输入风险经营模型进行预测。
进一步的，所述的一种企业经营风险预测方法，其中所述的所收集到的所需企业以及其关联企业的信息数据进行知识图谱构建及绘制包含以下步骤：
S21、利用自然语言处理技术对不同企业的相关联的实体信息数据进行命名实体识别，进而得到与所需进行经营风险预测的企业的相关联实体信息数据；并进行实体消歧，获得明确名称指代的具体实体信息数据；
S22、对实体之间的语义关系进行提取，从而获得不同实体间的实体关系信息数据；
S23、整合S31中的实体信息数据以及S32中的实体关系信息数据进行知识图谱的构建以及绘制通过图的方式表达实体与实体之间的复杂关系。
进一步的，所述的一种企业经营风险预测方法，其中对于风险特征的提取，预先设定风险特征标签词，利用深度学习的方法，从知识图谱内挖掘相似或者相同的风险特征词，并且利用风险特征词提取风险特征码用于之后的模型构建。
进一步的，所述的一种企业经营风险预测方法，其中将所述的经营风险特征码所提取出的特征作为深度学习的训练集，构建经营风险模型，所述经营风险模型过程包含以下步骤：
S31、利用损失函数来评估模型的预测值与真实值不一致的程度；
S32、初始化所述经营风险模型架构；
S33、拟合训练集对构建的模型进行训练；
S34、拟合验证集对构建的模型内的数据进行对比；
S35、检验测试集性能，对构建的模型进行数据比对测试和评估；
S36、预测真实数据并根据结果调整训练集以及测试集。
进一步的，所述的一种企业经营风险预测方法，其中将获取的当前的企业信息数据输入风险经营预测模型中；通过对所需进行风险预测的企业的内部以及外部信息数据的融合处理和根据知识图谱结构化所需进行风险预测的企业信息数据，同时采用深度学习技术构建风险经营预测模型，持续迭代更新所述风险经营预测模型，从而得出最优预测模型，对企业经营风险进行预测。
本发明技术方案二：
一种企业经营风险的预测系统。所述的预测系统包括了数据采集模块，知识图谱模块，模型构建模块以及预测模块；
所述的数据采集模块，利用网络爬虫脚本获取不同平台上的相关企业内外部数据；再将所获取的数据进行数据融合；
所述的知识图谱模块，利用数据采集模块上所获取的数据构建知识图谱，利用所述的图谱对图谱内的事件进行聚类和风险等级划分，并把相关的数据导入模型构建模块中；
所述的模型构建模块利用所述图谱构建的图内信息数据，构建训练集和测试集，从而进行持续的迭代训练，得出最优模型；
所述的预测模块，利用所述模型板块内得到的最优模型以及将要预测的企业当前相关数据，能够对所需企业的未来风险进行分析预测。
本发明具有如下增益效果：
1.本发明提出了一种基于深度学习的内外部数据融合的企业经营风险预测方法及系统，首次提出基于企业内外部数据融合的方式进行建模，能显著提升模型预测准确性。
2.本发明提出一项由概念、实体以及实体之间的关系构成的企业知识图谱语义网络，能够直观地呈现经营风险的知识脉络等信息，并能为模型构建提供有力支撑。
3.基于深度学习的模型构建，通过识别文本语义，弥补传统解决方案无法处理的信息复杂、背景不清晰、规则不明确等情况下的问题，提高风险模型准确性。相比于现有的基于规则的模型方式以及基于传统分类算法的解决方案，本发明在提高度量准确性的同时，具有很强的鲁棒性(Robust)、自适应性。同时，具有自我学习以及持续改善的能力。
附图说明
图1. 总体流程示意图；
图2. 知识图谱构建步骤图；
图3. 深度学习模型构建步骤图。
具体实施方式
一种企业经营风险预测方法，包括以下步骤：
S11、利用网络爬虫技术采集所需进行风险预测的企业信息数据以及其关联企业的信息数据；采集进行风险预测的企业内部信息数据以及外部信息数据；所述的内部信息数据包括所有格式的财务数据、报账信息数据、合同信息数据、HR数据、招投标数据以及其他企业内部相关的办公电子文档；所述的外部数据包括了企业互联网舆情数据、外部公开招投标信息数据、工商信息数据、政策信息数据以及其他与企业相关的网页数据。
S12、对于所收集到的企业内部信息数据和外部信息数据进行数据融合处理，将非结构化或者半结构化数据转化为结构化的数据，将非结构化或者半结构化数据转化为结构化的数据并且储存至neo4j数据库内；
S13、根据所收集到的所需进行风险预测的企业信息数据以及其关联企业的信息数据进行知识图谱构建及绘制；
S14、采集经营风险特征数据信息；使用深度学习方法从知识图谱里获取与预先设定的风险特征词相同或者类似的风险特征标签词，然后利用深度学习方法找到经营风险特征数据信息进行提取；
深度学习是一种机器学习的方法，它通过多个隐含层的神经网络结果来学习目标。通过端到端的机器学习，降低了人对整个知识体系理解的难度，避免繁琐的人工特征抽取；除了预测的更精准，深度学习还能够在预测的同时，从每一层网络结构中自动学习出不同的特征。因此深度学习还能够被用来产生特征。这种被产生特征的方式在深度学习领域也叫Embedding，它是指找到一种映射，将原始特征所在的空间映射到另外一个空间，生成一个在新的空间上的表达；本步骤通过设置一个合适的目标值，通过深度网络学习该目标值来自动找到这种映射关系。
将知识图谱看作是一张图，使用图嵌入法（Graph Embedding Method，GEM），也称为网络表示学习（Network Representation Learning，NRL）：用低维、稠密、实值的向量表示网络中的节点且能够将异质信息投影到同一个低维空间中方便进行下游计算，意思是将复杂的信息简单化来表示，下游计算即为深度学习模型接受降维后的数据，进行训练或者预测；将图之间的关系转化为通过word2vec中的词序列类挖掘图节点之间的关系；Word2vec代表着自然语言处理中一种特定的技术处理手段，把两个词之间的关系转为两个向量的距离；例如：喜欢/喜爱这两个词在word2vec中距离就比较近；选中相同或者相似的风险词标签，利用的就是上述的词之间的关系查找方式。
S15、通过所述经营风险特征数据信息构建用于预测企业未来的经营风险情况的经营风险模型；
S16、把所需进行风险预测的企业信息数据输入风险经营模型进行预测。
所述的一种企业经营风险预测方法，其特征在于，所述的所收集到的所需企业以及其关联企业的信息数据进行知识图谱构建及绘制包含以下步骤：
S21、利用自然语言处理技术对不同企业的相关联的实体信息数据进行命名实体识别，进而得到与所需进行经营风险预测的企业的相关联实体信息数据；并进行实体消歧，获得明确名称指代的具体实体信息数据；
S22、对实体之间的语义关系进行提取，从而获得不同实体间的实体关系信息数据；采用基于模式匹配的方法、基于特征提取的方法和基于核函数的方法对实体之间的语义关系进行提取，从而获得不同实体间的实体关系信息数据；实体的语义关系分为隐性的和显性的两种类型；显性关系是指通过原始数据直接能够抽取出的关系，隐性关系是指需要通过复杂计算和数据挖掘计算出来的动态关系；隐性关系的构建对提升图谱的分析、推理和挖掘效率起到关键作用；
S23、整合S31中的实体信息数据以及S32中的实体关系信息数据进行知识图谱的构建以及绘制通过图的方式表达实体与实体之间的复杂关系。
所述的一种企业经营风险预测方法，将所述的经营风险特征码所提取出的特征作为深度学习的训练集，构建经营风险模型，所述的构建模型过程包含以下步骤：
S31、利用损失函数来评估模型的预测值与真实值不一致的程度；
S32、初始化所述经营风险模型架构；
S33、拟合训练集对构建的模型进行训练；把已知的企业风险信息数据以及知识图谱内的企业风险信息数据输入至经营风险模型内，结合相关企业的风险信息数据，对所述的经营风险模型进行风险预测准确率的训练。
S34、拟合验证集对构建的模型内的数据进行对比,能消除模型内的数据错误和未经过数据预处理的原始数据；
S35、检验测试集性能，对构建的模型进行数据比对测试和评估；
S36、预测真实数据并根据结果调整训练集以及测试集内的关于经营风险模型的参数，从而进行持续的迭代训练，得出最优模型。
所述的一种企业经营风险预测方法，其特征在于，将获取的当前的企业信息数据输入风险经营预测模型中；通过对所需进行风险预测的企业的内部以及外部信息数据的融合处理和根据知识图谱结构化所需进行风险预测的企业信息数据，同时采用深度学习技术构建风险经营预测模型，持续迭代更新所述风险经营预测模型，从而得出最优预测模型，对企业经营风险进行预测。
一种企业经营风险的预测系统。所述的预测系统包括了数据采集模块，知识图谱模块，模型构建模块以及预测模块；
所述的数据采集模块，利用网络爬虫脚本获取不同平台上的相关企业内外部信息数据；再将所获取的信息数据进行数据融合，将非结构化以及半结构化的信息数据转为结构化信息数据；
所述的知识图谱模块，利用数据采集模块上所获取的信息数据构建知识图谱，利用所述的图谱对图谱内的事件进行聚类和风险等级划分，并把相关的数据导入模型构建模块中；
所述的模型构建模块利用所述图谱构建的图内信息数据，构建训练集和测试集，从而进行持续的迭代训练，得出最优模型；
所述的预测模块，利用所述模型板块内得到的最优模型以及将要预测的企业当前相关数据，能够对所需企业的未来风险进行分析预测。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的效结构或效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (2)
1.一种企业经营风险特征数据信息提取方法，其特征在于，包括以下步骤：
S11、利用网络爬虫技术采集所需进行风险预测的企业信息数据以及其关联企业的信息数据；采集进行风险预测的企业内部信息数据以及外部信息数据；所述的内部信息数据包括所有格式的财务数据、报账信息数据、合同信息数据、HR数据、招投标数据以及其他企业内部相关的办公电子文档；所述的外部信息数据包括了企业互联网舆情数据、外部公开招投标信息数据、工商信息数据、政策信息数据以及其他与企业相关的网页数据；
S12、对于所收集到的企业内部信息数据和外部信息数据进行数据融合处理，将非结构化或者半结构化数据转化为结构化的数据并且储存至图形数据库内；
S13、根据所收集到的所需进行风险预测的企业信息数据和其关联企业的信息数据进行知识图谱构建及绘制；将知识图谱看作是一张图，使用图嵌入法，用低维、稠密、实值的向量表示网络中的节点且将异质信息投影到同一个低维空间中进行下游计算；下游计算即为深度学习模型接受降维后的数据，进行训练或者预测；将图之间的关系转化为通过word2vec中的词序列类挖掘图节点之间的关系；
S14、采集经营风险特征数据信息；使用深度学习方法从知识图谱里获取与预先设定的风险特征词相同或者类似的风险特征标签词，然后利用深度学习方法找到经营风险特征数据信息进行提取；深度学习是一种机器学习的方法，它通过多个隐含层的神经网络结果来学习目标；
其中，所述的所收集到的所需企业以及其关联企业的信息数据进行知识图谱构建及绘制包含以下步骤：
S21、利用自然语言处理技术对不同企业的相关联的实体信息数据进行命名实体识别，进而得到与所需进行经营风险预测的企业的相关联实体信息数据；并进行实体消歧，获得明确名称指代的具体实体信息数据；
S22、对实体之间的语义关系进行提取，从而获得不同实体间的实体关系信息数据；
S23、整合S21中的实体信息数据以及S22中的实体关系信息数据进行知识图谱的构建以及绘制，通过图的方式表达实体与实体之间的复杂关系。
2.一种采用权利要求1所述的企业经营风险特征数据信息提取方法的企业经营风险特征数据信息提取系统，其特征在于：所述的系统包括了数据采集模块，知识图谱模块，模型构建模块以及预测模块；
所述的数据采集模块，利用网络爬虫脚本获取不同平台上的相关企业内外部数据；再将所获取的数据进行数据融合，整合；
所述的知识图谱模块，利用数据采集模块上所获取的数据构建知识图谱，利用所述的图谱对图谱内的事件进行聚类和风险等级划分，并把相关的数据导入模型构建模块中；
所述的模型构建模块利用所述图谱构建的图内信息数据，构建训练集和测试集，从而进行持续的迭代训练，得出最优模型；
所述的预测模块，利用所述模型板块内得到的最优模型以及将要预测的企业当前相关数据，能够对所需企业的未来风险进行分析预测。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911194769.0A CN110889556B (zh) | 2019-11-28 | 2019-11-28 | 一种企业经营风险特征数据信息提取方法和提取系统 |
| PCT/CN2020/096192 WO2021103492A1 (zh) | 2019-11-28 | 2020-06-15 | 一种企业经营风险预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911194769.0A CN110889556B (zh) | 2019-11-28 | 2019-11-28 | 一种企业经营风险特征数据信息提取方法和提取系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110889556A CN110889556A (zh) | 2020-03-17 |
| CN110889556B true CN110889556B (zh) | 2022-08-12 |
Family
ID=69749306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911194769.0A Active CN110889556B (zh) | 2019-11-28 | 2019-11-28 | 一种企业经营风险特征数据信息提取方法和提取系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110889556B (zh) |
| WO (1) | WO2021103492A1 (zh) |
Families Citing this family (41)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110889556B (zh) * | 2019-11-28 | 2022-08-12 | 福建亿榕信息技术有限公司 | 一种企业经营风险特征数据信息提取方法和提取系统 |
| US11715053B1 (en) * | 2020-02-20 | 2023-08-01 | Praisidio Inc. | Dynamic prediction of employee attrition |
| CN111401777B (zh) * | 2020-03-30 | 2024-03-12 | 未来地图(深圳)智能科技有限公司 | 企业风险的评估方法、装置、终端设备及存储介质 |
| CN111582643A (zh) * | 2020-04-08 | 2020-08-25 | 北京明略软件系统有限公司 | 一种企业风险信息收集的方法、装置和设备 |
| CN111784488B (zh) * | 2020-06-28 | 2023-08-01 | 中国工商银行股份有限公司 | 企业资金风险预测方法及装置 |
| CN111899089A (zh) * | 2020-07-01 | 2020-11-06 | 苏宁金融科技(南京)有限公司 | 基于知识图谱的企业风险预警方法及系统 |
| CN111738532B (zh) * | 2020-08-14 | 2021-02-05 | 支付宝(杭州)信息技术有限公司 | 一种事件对对象影响度的获取方法和系统 |
| CN111951079B (zh) * | 2020-08-14 | 2024-04-02 | 国网数字科技控股有限公司 | 一种基于知识图谱的信用评级方法、装置及电子设备 |
| CN112150298B (zh) * | 2020-09-28 | 2022-12-09 | 建信金融科技有限责任公司 | 数据处理方法、系统、设备及可读介质 |
| CN112286986B (zh) * | 2020-10-14 | 2021-08-03 | 北京乾唐伟业科技股份公司 | 一种基于企业族谱的产权分析管理系统 |
| CN112200382B (zh) * | 2020-10-27 | 2022-11-22 | 支付宝(杭州)信息技术有限公司 | 一种风险预测模型的训练方法和装置 |
| CN112463981A (zh) * | 2020-11-26 | 2021-03-09 | 福建正孚软件有限公司 | 一种基于深度学习的企业内部经营管理风险识别提取方法及系统 |
| CN112766652B (zh) * | 2020-12-31 | 2024-04-19 | 北京知因智慧科技有限公司 | 一种企业事件分布图的生成方法、装置及可读存储介质 |
| CN112926855A (zh) * | 2021-02-24 | 2021-06-08 | 北京通付盾人工智能技术有限公司 | 一种基于知识图谱的营销活动风险控制系统及方法 |
| CN112950344A (zh) * | 2021-02-26 | 2021-06-11 | 平安国际智慧城市科技股份有限公司 | 数据评估方法、装置、电子设备及存储介质 |
| CN112801431B (zh) * | 2021-04-13 | 2021-07-16 | 广东浩迪智云技术有限公司 | 基于人工智能分析的企业经营风险评估方法及系统 |
| CN113159582A (zh) * | 2021-04-23 | 2021-07-23 | 深圳前海华兆新能源有限公司 | 一种工业园区用户生产经营情况分析预警方法 |
| CN113240262A (zh) * | 2021-05-08 | 2021-08-10 | 南京樯图数据研究院有限公司 | 一种企业竞争策略研究用的人工智能系统 |
| CN113393084A (zh) * | 2021-05-13 | 2021-09-14 | 上海湃道智能科技有限公司 | 作业票流程管理系统 |
| CN113222471B (zh) * | 2021-06-04 | 2023-06-06 | 西安交通大学 | 一种基于新媒体数据的资产风控方法及设备 |
| CN113361962A (zh) * | 2021-06-30 | 2021-09-07 | 支付宝(杭州)信息技术有限公司 | 基于区块链网络识别企业风险性的方法及装置 |
| CN113393159A (zh) * | 2021-07-07 | 2021-09-14 | 上海软中信息技术有限公司 | 一种基于关联网络的智能风控平台系统、装置和设备 |
| CN113535818A (zh) * | 2021-07-15 | 2021-10-22 | 福建亿榕信息技术有限公司 | 一种构建审计综合知识库的方法、设备 |
| CN113569931B (zh) * | 2021-07-16 | 2024-04-05 | 中国铁道科学研究院集团有限公司 | 动态数据融合方法、装置、设备和介质 |
| CN113537796A (zh) * | 2021-07-22 | 2021-10-22 | 大路网络科技有限公司 | 一种企业风险评估方法、装置及设备 |
| CN113591077B (zh) * | 2021-07-30 | 2024-03-19 | 北京邮电大学 | 一种网络攻击行为预测方法、装置、电子设备及存储介质 |
| CN114118526A (zh) * | 2021-10-29 | 2022-03-01 | 中国建设银行股份有限公司 | 一种企业风险预测方法、装置、设备及存储介质 |
| CN114118779B (zh) * | 2021-11-24 | 2024-05-10 | 武汉大学 | 一种基于kgann的面向互联网舆情事件的企业风险识别方法 |
| CN115964503B (zh) * | 2021-12-28 | 2023-07-07 | 北方工业大学 | 基于社区设备设施的安全风险预测方法及系统 |
| CN114168757B (zh) * | 2022-02-11 | 2022-04-29 | 子长科技(北京)有限公司 | 公司事件风险预测方法、装置、存储介质及电子设备 |
| CN115269879B (zh) * | 2022-09-05 | 2023-05-05 | 北京百度网讯科技有限公司 | 知识结构数据的生成方法、数据搜索方法和风险告警方法 |
| CN115545799B (zh) * | 2022-11-04 | 2023-03-24 | 北京赛西科技发展有限责任公司 | 信息技术服务质量评估方法、装置、设备及介质 |
| CN115619238B (zh) * | 2022-12-20 | 2023-05-12 | 万联易达物流科技有限公司 | 一种为非特定b2b平台建立企业间合作关系的方法 |
| CN115965137B (zh) * | 2022-12-26 | 2023-11-14 | 北京码牛科技股份有限公司 | 特定对象关联性预测方法、系统、终端及存储介质 |
| CN116109142B (zh) * | 2023-04-03 | 2023-06-27 | 航科广软(广州)数字科技有限公司 | 基于人工智能的危险废物监管方法、系统及装置 |
| CN116149885B (zh) * | 2023-04-20 | 2023-06-20 | 北京神州邦邦技术服务有限公司 | 一种泛it服务风险预测方法及系统 |
| CN116681291B (zh) * | 2023-08-02 | 2023-11-07 | 杭州小策科技有限公司 | 一种基于集成模型的风控预测方法及系统 |
| CN117010697B (zh) * | 2023-09-25 | 2023-12-19 | 山东财经大学 | 一种基于人工智能的可视化企业风险评估方法 |
| CN117094566B (zh) * | 2023-10-19 | 2024-01-02 | 中节能大数据有限公司 | 一种视图导向的企业管理分析策略方法 |
| CN117422312B (zh) * | 2023-12-18 | 2024-03-12 | 福建实达集团股份有限公司 | 一种企业经营风险的评估方法、介质及装置 |
| CN117726185A (zh) * | 2024-02-18 | 2024-03-19 | 联通在线信息科技有限公司 | 基于企业经营及创新评价模型评估经营风险的方法及系统 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10991053B2 (en) * | 2015-07-02 | 2021-04-27 | DZee Solutions, Inc. | Long-term healthcare cost predictions using future trajectories and machine learning |
| EP3223178A1 (en) * | 2016-03-24 | 2017-09-27 | Fujitsu Limited | A system and a method for assessing patient treatment risk using open data and clinician input |
| CN106649455B (zh) * | 2016-09-24 | 2021-01-12 | 孙燕群 | 一种大数据开发的标准化系统归类、命令集系统 |
| CN107516279B (zh) * | 2017-08-15 | 2021-04-20 | 皑沐(上海)文化传媒有限公司 | 一种网络舆情自动预警的方法 |
| CN108021704B (zh) * | 2017-12-27 | 2021-05-04 | 广东广业开元科技有限公司 | 一种基于社会舆情数据挖掘技术的坐席优化配置方法 |
| CN108596439A (zh) * | 2018-03-29 | 2018-09-28 | 北京中兴通网络科技股份有限公司 | 一种基于知识图谱的企业风险预测方法及系统 |
| CN109543985A (zh) * | 2018-11-15 | 2019-03-29 | 李志东 | 企业风险评估方法、系统及介质 |
| CN110390023A (zh) * | 2019-07-02 | 2019-10-29 | 安徽继远软件有限公司 | 一种基于改进bert模型的知识图谱构建方法 |
| CN110503236A (zh) * | 2019-07-08 | 2019-11-26 | 中国平安人寿保险股份有限公司 | 基于知识图谱的风险预测方法、装置、设备以及存储介质 |
| CN110503328A (zh) * | 2019-08-16 | 2019-11-26 | 阿里巴巴集团控股有限公司 | 企业风险识别方法、系统、装置及设备 |
| CN110889556B (zh) * | 2019-11-28 | 2022-08-12 | 福建亿榕信息技术有限公司 | 一种企业经营风险特征数据信息提取方法和提取系统 |
-
2019
- 2019-11-28 CN CN201911194769.0A patent/CN110889556B/zh active Active
-
2020
- 2020-06-15 WO PCT/CN2020/096192 patent/WO2021103492A1/zh active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| CN110889556A (zh) | 2020-03-17 |
| WO2021103492A1 (zh) | 2021-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110889556B (zh) | 一种企业经营风险特征数据信息提取方法和提取系统 | |
| US10977293B2 (en) | Technology incident management platform | |
| CN112612902A (zh) | 一种电网主设备的知识图谱构建方法及设备 | |
| CN111428054A (zh) | 一种网络空间安全领域知识图谱的构建与存储方法 | |
| CN111078868A (zh) | 基于知识图谱分析的装备试验体系规划决策的方法及系统 | |
| Bhattacharya | Applied Machine Learning Explainability Techniques: Make ML models explainable and trustworthy for practical applications using LIME, SHAP, and more | |
| CN110334208B (zh) | 基于贝叶斯信念网络的lkj故障预测诊断方法和系统 | |
| CN113254507B (zh) | 一种数据资产目录智能构建盘点方法 | |
| US11620453B2 (en) | System and method for artificial intelligence driven document analysis, including searching, indexing, comparing or associating datasets based on learned representations | |
| CN116383399A (zh) | 一种事件舆情风险预测方法及系统 | |
| Rashid et al. | Completeness and consistency analysis for evolving knowledge bases | |
| CN115952298A (zh) | 供应商履约风险分析方法及相关设备 | |
| CN116484024A (zh) | 一种基于知识图谱的多层次知识库构建方法 | |
| CN110310012B (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
| Kanti Kumar et al. | Application of graph mining algorithms for the analysis of web data | |
| Calderón et al. | Distributed supervised sentiment analysis of tweets: Integrating machine learning and streaming analytics for big data challenges in communication and audience research | |
| Zhengxin et al. | Mlops spanning whole machine learning life cycle: A survey | |
| CN116595191A (zh) | 一种交互式低代码知识图谱的构建方法及装置 | |
| US20220358360A1 (en) | Classifying elements and predicting properties in an infrastructure model through prototype networks and weakly supervised learning | |
| CN115204179A (zh) | 基于电网公共数据模型的实体关系预测的方法及装置 | |
| Rahul et al. | Introduction to Data Mining and Machine Learning Algorithms | |
| Bai et al. | Development of ontology-based information system using formal concept analysis and association rules | |
| CN117151247B (zh) | 机器学习任务建模的方法、装置、计算机设备和存储介质 | |
| CN117668259B (zh) | 基于知识图谱的内外规数据联动分析方法及装置 | |
| US20240143354A1 (en) | Method for Dynamic AI Supported Graph-Analytics Self Learning Templates |
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 |