CN111489065A - 融合ict供应链网络拓扑和产品商业信息的节点风险评估 - Google Patents

融合ict供应链网络拓扑和产品商业信息的节点风险评估 Download PDF

Info

Publication number
CN111489065A
CN111489065A CN202010227192.5A CN202010227192A CN111489065A CN 111489065 A CN111489065 A CN 111489065A CN 202010227192 A CN202010227192 A CN 202010227192A CN 111489065 A CN111489065 A CN 111489065A
Authority
CN
China
Prior art keywords
node
supply chain
enterprise
winning
network topology
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010227192.5A
Other languages
English (en)
Inventor
罗森林
董勃
吴舟婷
潘丽敏
吴倩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202010227192.5A priority Critical patent/CN111489065A/zh
Publication of CN111489065A publication Critical patent/CN111489065A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及融合ICT供应链网络拓扑和产品商业信息的节点风险评估，属于计算机与信息科学技术领域。主要为了解决ICT供应链网络安全风险评估指标体系以及评估方法不完备的问题，针对该问题本发明提出综合考虑ICT供应链网络拓扑信息、供应商节点产品信息以及供应商节点商业信息的ICT供应链网络节点安全风险评估模型。本发明首先将11维指标进行量化处理；然后将量化指标通过集成学习stacking模型进行训练；最后利用训练好的三分类集成学习stacking模型测试输出节点安全风险等级和F1值。在ICT招投标项目数据集上进行实验，供应商节点安全风险评级任务达到较高F1值，表明本发明能较好的实现对供应链网络节点安全风险的综合评价。

Description

融合ICT供应链网络拓扑和产品商业信息的节点风险评估
技术领域
本发明涉及融合ICT供应链网络拓扑和产品商业信息的节点风险评估，属于计算机与信息科学技术领域。
背景技术
随着信息通讯技术的日趋成熟，ICT产品、系统、服务正逐渐成为影响政府和重点行业正常运转的关键要素。美国、俄罗斯、欧盟等国家和地区普遍认识到加强ICT供应链安全管理的重要性，并逐步将ICT供应链安全列入其国家战略。我国由于整个ICT行业起步较晚，ICT供应链安全问题的研究对落实我国网络空间安全战略至关重要。
供应商节点风险评估的作用一方面是当发生网络安全事件时(例如，产品软硬件漏洞、供应商供应中断、信息泄露、违规操作等)，基于供应链网络画像开展关联分析，评估事件影响范围并进行风险预警。另一方面，基于供应链网络，结合网络安全相关供应链节点信息(如供应商安全等级、产品安全等级等)和网络安全知识库，构建供应链ICT节点的网络安全风险评估模型，评估其脆弱性以及抵御网络安全风险的能力，输出安全风险等级(高度风险、中度风险、一般风险)，并对风险较高的节点做出预警。
传统的ICT供应链网络安全风险评估模型指标体系仅考虑了供应链的图结构，将供应链网络中企业和企业间的关系抽象为网络的节点和边，再运用复杂网络理论对供应链进行建模分析。该方法仅体现供应链网络的图结构，不能体现出节点之间的差异和供应链网络的拓扑特征。
针对ICT供应链网络安全风险评估模型指标体系以及评估方法存在的评价指标单一，仅考虑供应链图结构的问题，提出了综合考虑ICT供应链网络拓扑信息、供应商节点产品信息以及供应商节点商业信息等11维属性的ICT供应链网络节点安全风险评估模型。模型通过计算可替代性、临界性等复杂网络性能指标并利用deepwalk算法(论文DeepWalk:Online Learning of Social Representations提出)表征网络拓扑的嵌入，获取供应链网络拓扑结构特征，通过doc2vec算法(论文Distributed Representations of Sentencesand Documents提出)将企业经营范围的文本描述表征为文本向量，获取供应商节点产品特征，并通过量化企业类型、企业关键级别、注册资本、成立日期、登记状态、企业住所、分支机构数量等信息，获取供应商节点商业特征。最后，通过融合以上三类特征训练集成学习stacking模型，输出供应商节点的安全风险等级(高度风险、中度风险、一般风险)。
发明内容
本发明的目的是针对目前ICT供应链网络安全风险评估模型指标体系以及评估方法不完备的问题，提出综合考虑ICT供应链网络拓扑信息、供应商节点产品信息以及供应商节点商业信息的ICT供应链网络节点安全风险评估模型。
本发明的设计原理为：首先，从企业官网、招投标网站、国家企业信用信息网等渠道获取企业原始11维指标，11维指标分别为：可替代性、临界性、网络拓扑结构嵌入、企业关键级别、企业类型、注册资本、成立日期、登记状态、企业住所、分支机构数量和经营范围；其次，将11维指标进行量化处理；再次，将上述11维量化指标通过集成学习stacking模型进行训练；最后通过三分类集成学习stacking模型测试输出节点安全风险等级(高度风险、中度风险、一般风险)。
本发明的技术方案是通过如下步骤实现的：
步骤1，从企业官网、招投标网站、国家企业信用信息网等渠道获取企业原始指标。
步骤2，对步骤1所得原始指标进行归一化、规则打分、词嵌入等处理，得到指标量化形式。
步骤2.1，归一化处理注册资本、成立日期和分支机构数量这3维指标，得到指标量化形式。
步骤2.2，通过复杂网络算法计算得到可替代性、临界性和企业关键级别这3维指标的量化形式。
步骤2.3，通过打分规则得到企业类型、登记状态和企业住所这3维指标的量化形式。
步骤2.4，通过doc2vec算法将经营范围的文本描述表征为文本向量。
步骤2.5，通过deepwalk算法表征网络拓扑结构嵌入，获取供应链网络拓扑特征。
步骤3，利用步骤2处理得到的量化指标训练集成学习stacking模型，其中stacking集成学习模型包括五个分类器作为基模型，其中有两个随机森林分类器，两个极度随机树分类器，一个梯度提升决策树分类器；另有一个梯度提升决策树分类器作为第二层模型，这样设计集成学习stacking模型结构在测试时可得到最佳效果。
步骤4，通过训练好的集成学习stacking模型测试输出节点安全风险等级。
有益效果
相比于传统ICT供应商节点安全风险评估方法，本发明不仅涵盖图结构属性，还增加网络拓扑信息、供应商节点产品信息以及供应商节点商业信息这三类属性，评价指标体系更完善，评价准确率也更高，评价结果更具科学性和说服力。
附图说明
图1为本发明融合ICT供应链网络拓扑和产品商业信息的节点风险评估原理图。
具体实施方式
为了更好的说明本发明的目的和优点，下面结合实例对本发明方法的实施方式做进一步详细说明。
实验数据来自国家企业信用信息公示系统以及各招标平台网站，共包括2043条企业数据。将训练集和测试集按照2:1的比例进行切分。
下面详细介绍11维指标量化处理方式。
1.企业类型：企业类型为单一国有或上市公司，量化赋值0.5；企业类型包括国有和上市公司两种，量化赋值1；其余类型量化赋值0。
2.注册资本：对所有公司注册资本进行归一化处理，处理公式为：
Figure BDA0002428106700000031
3.成立日期：处理方式与注册资本一致，对所有公司成立日期进行归一化处理，处理公式为：
Figure BDA0002428106700000032
4.登记状态：分为两种，存续(在营，开业，在册)赋值1，注销赋值0。
5.企业住所：根据2019年中国城市分级进行划分，划分标准为：一线城市赋值1；新一线城市赋值0.8；二线城市赋值0.6；三线城市赋值0.4；四线城市赋值0.2；五线城市赋值0。
6.分支机构数量：首先获取公司下属分公司的数量，并对公司数量进行归一化处理。
7.经营范围：每个公司的经营范围是一段文字描述，对文字描述进行doc2vec处理，得到文字描述的向量表示。
8.可替代性：该指标是指与中标方1处于同一层次的其他中标方能够替代中标方1的概率，衡量能否替代的标准为中标金额的大小，如果
金额中标方1>金额中标方2
那么认为中标方1能够替代中标方2，可替代性的计算公式如下：
可替代性＝1-(可替代中标方1的公司数量/(中标方公式总数量-1))
9.临界性：该指标是指中标方公司中标金额占招标方公司总招标金额的比例，计算公式如下：
Figure BDA0002428106700000041
10.企业关键级别：该指标依据为公司中标产品的中标金额，中标公司的注册金额，相同产品大类下份额占比的大小等属性综合评价得到的指标，综合评价前7.4％为关键节点，该指标置为1，其余为0。
11.网络拓扑结构：利用deepwalk算法表征网络拓扑的嵌入，获取供应链网络拓扑结构特征。
实验采用F1值(F score)评价节点安全风险评估的结果，F1值计算方法如公式所示：
Figure BDA0002428106700000042
其中，P是准确率，即预测正确的正例数据占预测为正例数据的比例，R是召回率，即预测为正例数据占实际为正例数据的比例。
本次实验在一台计算机和一台服务器上进行，计算机的具体配置为：Inter i7-6700，CPU 2.40GHz，内存8G，操作系统是windows 7，64位；服务器的具体配置为：E7-4820v4，RAM 256G，操作系统是Linux Ubuntu 64位。
本次实验的具体流程为：
步骤1，从企业官网、招投标网站、国家企业信用信息网等渠道获取企业原始指标。
步骤2，对步骤1所得原始指标进行归一化、规则打分、词嵌入等处理，得到指标量化形式。
步骤2.1，归一化处理注册资本、成立时间和分支机构数量这3维指标，得到指标量化形式，归一化方式为极差变化法，即
Figure BDA0002428106700000051
其中xi为待处理数据，xmin为同一类属性中的最小值，xmax为同一类属性中的最大值，yi为xi归一化处理后的结果。
步骤2.2，通过复杂网络算法计算得到可替代性、临界性和节点关键性这3维指标的量化形式，处理方式见上述指标量化处理方式的第8，9，10条。
步骤2.3，通过打分规则得到企业类型、登记状态和企业住所这3维指标的量化形式，处理方式见上述指标量化处理方式的第1，4，5条。
步骤2.4，通过doc2vec算法将经营范围的文本描述表征为文本向量。
步骤2.5，通过deepwalk算法表征网络拓扑结构嵌入，获取供应链网络拓扑特征。
步骤3，利用步骤2处理得到的量化指标训练集成学习stacking模型。
步骤4，通过训练好的集成学习stacking模型测试输出节点安全风险等级。
测试结果：实验对11维指标进行量化处理，并应用集成学习stacking模型进行节点安全风险评估分类，在获取的ICT招投标项目数据集上进行实验，供应商节点安全评级任务F1值达74.51％。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.融合ICT供应链网络拓扑和产品商业信息的节点风险评估，其特征在于所述方法包括如下步骤：
步骤1，获取ICT供应链节点风险评估的原始指标，基于各类招投标网站数据分析得到网络拓扑信息和供应商节点产品信息，包括可替代性、临界性、网络拓扑结构嵌入和经营范围；从国家企业信用信息网获取供应商节点商业信息，包括企业关键级别、企业类型、注册资本、成立日期、登记状态、企业住所和分支机构数量；
步骤2，对于步骤1所得的原始指标量化为11维度量指标，对企业类型、登记状态、企业住所进行规则打分处理；对注册资本、成立日期、分支机构数量进行归一化处理；通过复杂网络理论算法计算得到可替代性和临界性；通过综合考虑节点网络拓扑结构以及节点特有属性的算法计算得到企业关键级别；通过deepwalk算法表征网络拓扑结构；通过doc2vec算法表征经营范围；
步骤3，利用步骤2处理得到的量化指标训练集成学习stacking模型；
步骤4，通过训练好的集成学习stacking模型测试输出节点安全风险等级。
2.根据权利要求1所述的融合ICT供应链网络拓扑和产品商业信息的节点风险评估，其特征在于：所述步骤2原始指标量化为11维度量指标，具体量化处理方式如下：企业类型为单一国有或上市公司，量化赋值0.5，企业类型包括国有和上市公司两种，量化赋值1，其余类型量化赋值0；登记状态分为两种，存续(在营，开业，在册)赋值1，注销赋值0；企业住所根据2019年中国城市分级进行划分，划分标准为：一线城市赋值1，新一线城市赋值0.8，二线城市赋值0.6，三线城市赋值0.4，四线城市赋值0.2，五线城市赋值0；注册资本、成立日期、分支机构数量均进行极差变换法归一化处理，处理方式为:
Figure FDA0002428106690000011
其中yi为归一化后的结果，xi为归一化前的原始数据，max(x)和min(x)分别为此维指标中的最大值和最小值；每个公司的经营范围是一段文字描述，对文字描述进行doc2vec处理，得到文字描述的向量表示；利用deepwalk算法表征网络拓扑嵌入，获取供应链网络拓扑结构特征；可替代性指标是指与中标方1处于同一层次的其他中标方能够替代中标方1的概率，衡量能否替代的标准为中标金额的大小，如果
金额中标方1>金额中标方2
那么认为中标方1能够替代中标方2，可替代性的计算公式如下：
可替代性＝1-(可替代中标方1的公司数量/(中标方公式总数量-1))
临界性指标是指中标方公司中标金额占招标方公司总招标金额的比例，计算公式如下：
Figure FDA0002428106690000021
企业关键级别指标综合考虑节点的网络拓扑结构以及节点特有属性(包括行业类别，供应商产品信息和供应商企业信用信息等)，并基于预训练的BERT模型对文本进行编码，实现对供应商产品属性和企业信用信息的嵌入，得到产品属性嵌入向量表示和企业信用嵌入向量表示；其次，引入层向量表征不同行业的属性信息，将层向量加入到节点对的拓扑连接边的条件概率表示中，通过最大化网络中边的似然函数，训练融合行业属性的供应商节点层状拓扑嵌入向量；最后，合并供应商节点产品属性嵌入向量、企业信用嵌入向量和层状拓扑嵌入向量，训练节点关键识别模型，完成ICT供应链节点的关键性识别，得到企业关键级别指标。
3.根据权利要求1所述的融合ICT供应链网络拓扑和产品商业信息的节点风险评估，其特征在于：步骤3集成学习stacking模型包括五个分类器作为基模型，其中有两个随机森林分类器，两个极度随机树分类器，一个梯度提升决策树分类器；另有一个梯度提升决策树分类器作为第二层模型。
4.根据权利要求1所述的融合ICT供应链网络拓扑和产品商业信息的节点风险评估，其特征在于：步骤4集成学习stacking模型第二层梯度提升决策树为一个三分类的分类器，三分类分别为高度风险、中度风险和一般风险。
CN202010227192.5A 2020-03-27 2020-03-27 融合ict供应链网络拓扑和产品商业信息的节点风险评估 Pending CN111489065A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010227192.5A CN111489065A (zh) 2020-03-27 2020-03-27 融合ict供应链网络拓扑和产品商业信息的节点风险评估

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010227192.5A CN111489065A (zh) 2020-03-27 2020-03-27 融合ict供应链网络拓扑和产品商业信息的节点风险评估

Publications (1)

Publication Number Publication Date
CN111489065A true CN111489065A (zh) 2020-08-04

Family

ID=71794637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010227192.5A Pending CN111489065A (zh) 2020-03-27 2020-03-27 融合ict供应链网络拓扑和产品商业信息的节点风险评估

Country Status (1)

Country Link
CN (1) CN111489065A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112053079A (zh) * 2020-09-15 2020-12-08 南京工程学院 一种电力监控系统供应链安全监测预警系统及方法
CN112100235A (zh) * 2020-08-13 2020-12-18 北京理工大学 基于公开数据源的ict供应链关系画像
CN112101416A (zh) * 2020-08-13 2020-12-18 北京理工大学 Ict供应链节点安全风险评级关键属性提取方法
CN112288495A (zh) * 2020-11-09 2021-01-29 北京理工大学 结合网络拓扑和商业属性的ict供应链关键节点识别方法
CN112348318A (zh) * 2020-10-19 2021-02-09 深圳前海微众银行股份有限公司 一种供应链风险预测模型的训练和应用方法及装置
CN113065736A (zh) * 2021-01-15 2021-07-02 开鑫金服(南京)信息服务有限公司 基于供应链系统的风险监控方法及系统、设备、存储介质
CN113191926A (zh) * 2021-04-12 2021-07-30 北京工商大学 基于深度集成学习网络的粮油农作物供应链危害物辨识方法及系统
CN113807645A (zh) * 2021-07-26 2021-12-17 北京清博智能科技有限公司 一种基于开源情报的产业链风险推演方法
CN115601771A (zh) * 2022-12-01 2023-01-13 广州数说故事信息科技有限公司（Cn） 基于多模态数据的商单识别方法、装置、介质及终端设备
CN116663750A (zh) * 2023-07-31 2023-08-29 北京市科学技术研究院 一种产业链数据价值评估分析系统
CN116896452A (zh) * 2023-06-05 2023-10-17 云念软件(广东)有限公司 基于数据处理的计算机网络信息安全管理方法
CN117541366A (zh) * 2023-10-20 2024-02-09 网麒科技(北京)有限责任公司 一种中标概率的预测方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109753589A (zh) * 2018-11-28 2019-05-14 中国科学院信息工程研究所 一种基于图卷积网络的图可视化方法
CN109918584A (zh) * 2019-03-25 2019-06-21 中国科学院自动化研究所 比特币交易所地址识别方法、系统、装置
CN110032733A (zh) * 2019-03-12 2019-07-19 中国科学院计算技术研究所 一种针对新闻长文本的谣言检测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109753589A (zh) * 2018-11-28 2019-05-14 中国科学院信息工程研究所 一种基于图卷积网络的图可视化方法
CN110032733A (zh) * 2019-03-12 2019-07-19 中国科学院计算技术研究所 一种针对新闻长文本的谣言检测方法及系统
CN109918584A (zh) * 2019-03-25 2019-06-21 中国科学院自动化研究所 比特币交易所地址识别方法、系统、装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
程晓涛: "面向社交媒体的网络表示学习关键技术研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112100235A (zh) * 2020-08-13 2020-12-18 北京理工大学 基于公开数据源的ict供应链关系画像
CN112101416A (zh) * 2020-08-13 2020-12-18 北京理工大学 Ict供应链节点安全风险评级关键属性提取方法
CN112053079B (zh) * 2020-09-15 2024-04-16 南京工程学院 一种电力监控系统供应链安全监测预警系统及方法
CN112053079A (zh) * 2020-09-15 2020-12-08 南京工程学院 一种电力监控系统供应链安全监测预警系统及方法
CN112348318A (zh) * 2020-10-19 2021-02-09 深圳前海微众银行股份有限公司 一种供应链风险预测模型的训练和应用方法及装置
CN112348318B (zh) * 2020-10-19 2024-04-23 深圳前海微众银行股份有限公司 一种供应链风险预测模型的训练和应用方法及装置
CN112288495A (zh) * 2020-11-09 2021-01-29 北京理工大学 结合网络拓扑和商业属性的ict供应链关键节点识别方法
CN113065736A (zh) * 2021-01-15 2021-07-02 开鑫金服(南京)信息服务有限公司 基于供应链系统的风险监控方法及系统、设备、存储介质
CN113191926A (zh) * 2021-04-12 2021-07-30 北京工商大学 基于深度集成学习网络的粮油农作物供应链危害物辨识方法及系统
CN113191926B (zh) * 2021-04-12 2024-04-26 北京工商大学 基于深度集成学习网络的粮油农作物供应链危害物辨识方法及系统
CN113807645A (zh) * 2021-07-26 2021-12-17 北京清博智能科技有限公司 一种基于开源情报的产业链风险推演方法
CN115601771A (zh) * 2022-12-01 2023-01-13 广州数说故事信息科技有限公司（Cn） 基于多模态数据的商单识别方法、装置、介质及终端设备
CN116896452B (zh) * 2023-06-05 2024-01-26 云念软件(广东)有限公司 基于数据处理的计算机网络信息安全管理方法及系统
CN116896452A (zh) * 2023-06-05 2023-10-17 云念软件(广东)有限公司 基于数据处理的计算机网络信息安全管理方法
CN116663750B (zh) * 2023-07-31 2023-10-13 北京市科学技术研究院 一种产业链数据价值评估分析系统
CN116663750A (zh) * 2023-07-31 2023-08-29 北京市科学技术研究院 一种产业链数据价值评估分析系统
CN117541366A (zh) * 2023-10-20 2024-02-09 网麒科技(北京)有限责任公司 一种中标概率的预测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111489065A (zh) 融合ict供应链网络拓扑和产品商业信息的节点风险评估
CN113657993B (zh) 信用风险识别方法、装置、设备及存储介质
CN111639690A (zh) 基于关系图谱学习的欺诈分析方法、系统、介质及设备
CN112989059A (zh) 潜在客户识别方法及装置、设备及可读计算机存储介质
CN108492001A (zh) 一种用于担保贷款网络风险管理的方法
Xu et al. Novel key indicators selection method of financial fraud prediction model based on machine learning hybrid mode
Niu et al. [Retracted] Big Data Analytics for Complex Credit Risk Assessment of Network Lending Based on SMOTE Algorithm
Deng et al. An Early Risk Warning of Cross‐Border E‐Commerce Using BP Neural Network
CN111489066A (zh) 融合市场布局特征的ict供应链网络节点可用性评估方法
CN113554310A (zh) 基于智能合约的企业信用动态评估模型
CN110222733A (zh) 一种高精度的多阶神经网络分类方法及系统
Wu et al. Application analysis of credit scoring of financial institutions based on machine learning model
CN113112186A (zh) 一种企业评估方法、装置及设备
Liu et al. Financial credit risk assessment of online supply chain in construction industry with a hybrid model chain
CN110222180B (zh) 一种文本数据分类与信息挖掘方法
Cheng et al. Regulating systemic crises: Stemming the contagion risk in networked-loans through deep graph learning
Rawat et al. Artificial Narrow Intelligence Techniques in Intelligent Digital Financial Inclusion System for Digital Society
CN117473431A (zh) 一种基于知识图谱的机场数据分类分级方法及系统
CN111752985B (zh) 一种主体画像生成的方法、装置和存储介质
US20220164374A1 (en) Method of scoring and valuing data for exchange
Zhou et al. The study on credit risk warning of regional listed companies in China based on logistic model
Peng Research on credit evaluation of financial enterprises based on the genetic backpropagation neural network
Wang et al. Joint loan risk prediction based on deep learning‐optimized stacking model
Feng Data Analysis and Prediction Modeling Based on Deep Learning in E‐Commerce
Chen Prediction and analysis of financial default loan behavior based on machine learning model

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200804