CN111489105A - 一种企业风险识别方法、装置及设备 - Google Patents
一种企业风险识别方法、装置及设备 Download PDFInfo
- Publication number
- CN111489105A CN111489105A CN202010374598.6A CN202010374598A CN111489105A CN 111489105 A CN111489105 A CN 111489105A CN 202010374598 A CN202010374598 A CN 202010374598A CN 111489105 A CN111489105 A CN 111489105A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- recruitment
- data
- post
- portrait
- 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.)
- Granted
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
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
- G06Q10/1053—Employment or hiring
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例公开了一种企业风险识别方法、装置及设备,方案包括:获取标准化后的招聘数据,采用招聘主体企业识别模型识招聘数据对应的招聘主体企业,根据所述招聘数据生成招聘主体企业的第一企业招聘信息画像;然后根据获取的招聘主体企业的注册数据确定招聘主体企业的类比企业的第二企业招聘信息画像;计算第一企业招聘信息画像与第二企业招聘信息画像之间的差异值;当差异值大于第一预设阈值时,确定招聘主体企业存在风险。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种企业风险识别方法、装置及设备。
背景技术
随着互联网的快速发展,互联网中公开大量的数据,其中也包括大量企业的相关数据。风控机构在采集和挖掘互联网的公开信息之后,会对企业的风险进行全域扫描。企业风险涉及到企业的经营管理、资产配置、资金运用、利润分配、信息披露等方方面面,企业如果存在大的风险,会给企业、投资者、求职者、国家和集体造成重大损失。因此,根据互联网公开的数据对企业风险进行识别显得尤为重要。
互联网中公开的关于企业的数据可以包括企业官网数据、关联企业数据、企业APP数据以及企业招聘数据等大量的不同类型的数据,现有技术判断企业风险时,往往是通过人工对这些互联网公开的数据进行分析,从而识别企业的风险,导致识别准确率以及识别效率较低。
因此,亟需提供一种更可靠的企业风险识别方案。
发明内容
本说明书实施例提供一种企业风险识别方法及装置,以解决人工识别企业风险效率低、准确率低的问题。
为解决上述技术问题,本说明书实施例是这样实现的:
本说明书实施例提供的一种企业风险识别方法,包括:
获取标准化后的招聘数据;
采用招聘主体企业识别模型识别所述招聘数据对应的招聘主体企业;
根据所述招聘数据生成所述招聘主体企业的第一企业招聘信息画像;
获取所述招聘主体企业的注册数据;
根据所述注册数据确定第二企业招聘信息画像,所述第二企业招聘信息画像为所述招聘主体企业的类比企业的招聘信息画像;
计算所述第一企业招聘信息画像与所述第二企业招聘信息画像之间的差异值;
判断所述差异值是否大于第一预设阈值,得到判断结果;
当所述判断结果表示所述差异值大于第一预设阈值时,确定所述招聘主体企业存在风险。
本说明书实施例提供的一种企业风险识别装置,包括:
招聘数据获取模块,用于获取标准化后的招聘数据;
招聘主体企业识别模块,用于采用招聘主体企业识别模型识别所述招聘数据对应的招聘主体企业;
第一企业招聘信息画像生成模块,用于根据所述招聘数据生成所述招聘主体企业的第一企业招聘信息画像;
注册数据获取模块,用于获取所述招聘主体企业的注册数据;
第二企业招聘信息画像确定模块,用于根据所述注册数据确定第二企业招聘信息画像,所述第二企业招聘信息画像为所述招聘主体企业的类比企业的招聘信息画像;
招聘信息画像差异值确定模块,用于计算所述第一企业招聘信息画像与所述第二企业招聘信息画像之间的差异值;
判断模块,用于判断所述差异值是否大于第一预设阈值,得到判断结果;
企业风险识别模块,用于当所述判断结果表示所述差异值大于第一预设阈值时,确定所述招聘主体企业存在风险。
本说明书实施例提供的一种企业风险识别设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取标准化后的招聘数据;
采用招聘主体企业识别模型识别所述招聘数据对应的招聘主体企业;
根据所述招聘数据生成所述招聘主体企业的第一企业招聘信息画像;
获取所述招聘主体企业的注册数据;
根据所述注册数据确定第二企业招聘信息画像,所述第二企业招聘信息画像为所述招聘主体企业的类比企业的招聘信息画像;
计算所述第一企业招聘信息画像与所述第二企业招聘信息画像之间的差异值;
判断所述差异值是否大于第一预设阈值,得到判断结果;
当所述判断结果表示所述差异值大于第一预设阈值时,确定所述招聘主体企业存在风险。
本说明书实施例提供的一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现一种企业风险识别方法。
本说明书一个实施例实现了能够达到以下有益效果:通过采用招聘主体企业识别模型从标准化后的招聘数据中识别出招聘主体企业,然后根据所述招聘数据生成该招聘主体企业的第一企业招聘信息画像;获取招聘主体企业的注册数据,根据注册数据确定招聘主体企业的类比企业的第二企业招聘信息画像;计算第一企业招聘信息画像与第二企业招聘信息画像之间的差异值;当差异值大于第一预设阈值时,确定所述招聘主体企业存在风险。通过上述方法,能够自动从招聘数据中识别得到招聘主体企业,并且能够判断出招聘主体企业是否存在风险,以解决人工识别企业风险效率低、准确率低的问题,以实现招聘数据中企业风险的自动识别,从而实现提前预警。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书实施例提供的一种企业风险识别方法的系统框架图;
图2是本说明书实施例提供的一种企业风险识别方法流程图;
图3是本说明书实施例提供的对应于图2的一种企业风险识别装置示意图;
图4是本说明书实施例提供的对应于图2的一种企业风险识别设备示意图。
具体实施方式
为使本说明书一个或多个实施例的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书一个或多个实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书的一部分实施例,而不是全部的实施例。基于本说明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书一个或多个实施例保护的范围。
各个企业在互联网中的相关数据还包含互联网公开的招聘平台上的招聘信息,企业招聘信息是一种新兴数据源,对传统工商数据可以作为一个很好的补充。招聘信息经过合理处理和深度挖掘,可以用于对企业的风险进行识别,比如:识别企业的异地经营风险、超范围经营风险等经营风险和合规风险。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1是本说明书实施例提供的一种企业风险识别方法的系统框架图。如图1所示,本方案从系统框架上,可以分为数据采集器、标准转换器、招聘主体识别器、企业招聘信息画像生成器、类比企业招聘画像生成器以及风险识别器。其中,数据采集器可以采集工商数据以及招聘数据,采集到的招聘数据需要采用标准转换器进行转换,标准转换器中包含岗位知识图谱以及企业知识图谱,采用岗位知识图谱对岗位名进行标准化,采用企业知识图谱对企业名进行标准化,最终得到标准化后的招聘数据,得到标准的招聘数据之后,可以采用招聘主体识别器识别招聘数据中的招聘主体企业,其中,招聘主体识别器中可以包括招聘主体企业识别模型,输入招聘主体识别模型中的数据可以是标准化后的招聘数据,也可以是标准化后的招聘数据以及实体属性,这里的实体属性可以表示的是企业的属性,比如:互联网企业、汽车制造企业等。
招聘主体识别器识别得到招聘主体企业之后,可以根据标准化后的招聘数据生成招聘主体企业的招聘信息画像,企业招聘信息画像生成器生成的招聘信息画像中可以包括招聘岗位类型、招聘岗位条件(薪资、学历、工龄、人数以及工作内容等)以及招聘岗位地址。然后根据注册数据可以确定招聘主体企业的类比企业,并生成类比企业的招聘信息画像,最后,根据类比企业的招聘信息画像以及招聘主体企业的招聘信息画像,采用风险识别器识别出招聘数据中的风险类型。
接下来,将针对说明书实施例提供的一种数据隐私类型识别方法结合附图进行具体说明:
图2为本说明书实施例提供的一种企业风险识别方法的流程示意图。从程序角度而言,流程的执行主体可以为搭载于应用服务器的程序或应用客户端。
如图2所示,该流程可以包括以下步骤:
步骤202:获取标准化后的招聘数据。
需要说明的是,招聘数据可以指的是招聘平台上的招聘数据,这些招聘数据可以是多家企业对应的招聘数据。招聘数据中可以包括招聘主体企业、代发招聘信息的企业、招聘岗位信息、岗位工作地址、招聘条件等数据。
上述的“标准化”可以理解为对招聘平台中获取的初始招聘数据进行预处理,可以理解为经过标准化后的招聘数据中的企业名称为标准企业名称,不包含不全或不正确的企业名称;标准化后的招聘数据中的岗位名称为标准岗位名称,不包含缺失的、错误的、不规范的、同义不同名的岗位名称。
上述步骤中获取的招聘数据可以是一条招聘数据,招聘平台中包含多条招聘数据,每条招聘数据中都对应有招聘主体企业,在该实施例中以对一条招聘数据进行处理为例。
步骤204:采用招聘主体企业识别模型识别所述招聘数据对应的招聘主体企业。
这里的“招聘主体企业”可以指的是实际招聘岗位人员的企业。一条招聘数据的发布,可能并非是真正的招聘主体企业进行分布,有可能是由个人或其他机构代发该条招聘数据。招聘主体企业的企业名称是标准化的企业名称,代发招聘信息的个人或机构名称不是真正招聘主体企业。
招聘主体企业识别模型属于神经网络模型,具体可以是机器学习模型,也可以是深度学习模型,招聘主体企业识别模型可以从招聘数据中挖掘出发布招聘信息的真正的招聘主体企业。
步骤206:根据所述招聘数据生成所述招聘主体企业的第一企业招聘信息画像。
企业招聘信息画像可以理解为企业给人的印象,通过企业招聘信息画像可以了解到该企业的招聘特征。具体地,从企业招聘信息画像中可以得知企业招聘的岗位类型,各类岗位的薪资、学历、工龄、人数等统计指标、岗位工作地区、岗位工作内容关键词云等信息。
可以从招聘数据中提取出构建企业招聘信息画像的特征,然后根据提取出来的特征生成企业招聘信息画像。
步骤208:获取所述招聘主体企业的注册数据。
注册数据可以指的是企业在第三方机构或权威机构注册的企业数据,企业在权威机构注册数据可以包括企业的企业名称、法人代表、成立日期、地址、营业期限、经营范围、登记机关、登记状态、注册资本、实收资本、股东、高管等等信息。在本方案中,获取的注册数据主要包括企业注册地址、注册时间、注册资本以及经营范围。
步骤210:根据所述注册数据确定第二企业招聘信息画像,所述第二企业招聘信息画像为所述招聘主体企业的类比企业的招聘信息画像。
该步骤中的第二企业招聘信息画像可以为招聘主体企业的类比企业的招聘信息画像。其中,类比企业可以指的是与招聘主体企业在某一维度上相同或相似的企业,比如:类比企业可以是与招聘主体企业具有相同注册地址的企业,也可以是与招聘主体企业具有相同经营范围的企业等。
根据招聘主体企业的注册数据可以确定招聘主体企业的注册地址、注册时间、注册资本和经营范围,注册地址、注册时间、注册资本和经营范围可以理解为招聘主体企业对应的四个特定维度,在确定招聘主体企业的类比企业时,可以将在这四个特定维度中,与招聘主体企业相同或相似的企业作为招聘主体企业的类比企业。比如:招聘主体企业为企业A,企业B与企业A的注册地址均在北京市朝阳区,企业C与企业A的经营范围均为日常用品,企业D与企业A均于2010年注册,此时,企业B、企业C、企业D均可以确定为招聘主体企业的类比企业。
步骤212:计算所述第一企业招聘信息画像与所述第二企业招聘信息画像之间的差异值。
在本方案中,类比企业的招聘信息默认风险较低,因此,当招聘主体企业的招聘信息画像与类比企业的招聘信息的偏离过大时,例如:呈现明显的不符合同行业内理财顾问的正常薪酬范围、资历学历要求的异常、高薪低要求时,可以认为该招聘主体企业可能隐含着风险。因此,可以计算招聘主体企业的招聘信息画像与类比企业的招聘信息画像之间的差异值。
上述步骤中的“差异值”可以表示的是类比企业的招聘信息画像与招聘主体企业的招聘信息画像之间的差异,只要能够表示两者之间差异的量都可以是差异值。比如:可以将类比企业的招聘信息画像与招聘主体企业的招聘信息画像转换为向量,计算两个向量之间的差异值。具体计算差异值的计算方式可以根据实际需求进行选择,本方案对此不进行限定。
步骤214:判断所述差异值是否大于第一预设阈值,得到判断结果。
在计算得到类比企业的招聘信息画像与招聘主体企业的招聘信息画像之间的差异值之后,差异值越大,可以认为招聘主体企业的风险越大。
步骤216:当所述判断结果表示所述差异值大于第一预设阈值时,确定所述招聘主体企业存在风险。
在实际应用场景中,可以设置差异值对应的预设阈值,差异值超过预设阈值时,可以认为该招聘主体企业存在风险。具体的预设阈值的设定可以根据实际需求进行限定。
应当理解,本说明书一个或多个实施例所述的方法其中部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。
图2中的方法,通过采用招聘主体企业识别模型从标准化后的招聘数据中识别出招聘主体企业,然后根据所述招聘数据生成该招聘主体企业的第一企业招聘信息画像;获取招聘主体企业的注册数据,根据注册数据确定招聘主体企业的类比企业的第二企业招聘信息画像;计算第一企业招聘信息画像与第二企业招聘信息画像之间的差异值;当差异值大于第一预设阈值时,确定所述招聘主体企业存在风险。通过上述方法,能够自动从招聘数据中识别得到招聘主体企业,并且能够判断出招聘主体企业是否存在风险,以解决人工识别企业风险效率低、准确率低的问题,实现招聘数据中企业风险的自动识别,从而实现提前预警。
基于图2的方法,本说明书实施例还提供了该方法的一些具体实施方案,下面进行说明。
可选的,所述获取标准化后的招聘数据之前,还可以包括:
从招聘平台获取初始招聘数据;
根据所述初始招聘数据以及第三方机构中的注册数据,构建企业知识图谱;
根据所述初始招聘数据构建岗位知识图谱;
根据所述企业知识图谱对所述初始招聘数据中的企业名进行标准化,得到标准企业名;
根据所述岗位知识图谱对所述初始招聘数据中的岗位名进行标准化,得到标准岗位名;
采用所述标准岗位名替换所述初始招聘数据中的岗位名,采用所述标准企业名替换所述初始招聘数据中的企业名,得到标准化后的招聘数据。
具体地,根据招聘主体企业的企业知识图谱对招聘主体企业名称进行标准化时,可以采用以下方法:
所述根据所述初始招聘数据以及第三方机构中的注册数据,构建企业知识图谱,具体可以包括:
针对一个企业实体,确定所述企业实体在第三方机构的历史注册数据;
根据所述历史注册数据确定所述企业实体的标准企业名以及曾用名;
从所述初始招聘数据中提取所述企业实体的企业别名;
根据所述企业实体的标准企业名、所述曾用名以及所述企业别名,构建所述企业知识图谱;
所述根据所述企业知识图谱对所述初始招聘数据中企业名进行标准化,得到标准企业名,具体可以包括:
将所述曾用名以及所述企业别名统一转换为所述标准企业名。
根据岗位知识图谱对招聘岗位名称进行标准化时,可以采用以下方法:
所述根据所述初始招聘数据构建岗位知识图谱,具体可以包括:
针对一个岗位实体,从所述初始招聘数据中提取出所述岗位实体的现用岗位名;
根据所述现用岗位名构建所述岗位知识图谱;
将所述岗位知识图谱中出现频次最高的现用岗位名确定为标准岗位名;
所述根据所述岗位知识图谱对所述初始招聘数据中的岗位名进行标准化,得到标准岗位名,具体可以包括:
将所述现用岗位名转换为所述标准岗位名。
需要说明的是,知识图谱是一套基于语义网络的知识表示、迭代和生长框架,用结构化的形式描述客观世界中的概念,实体及其关系。知识图谱包括图和图计算,其中,图是用于表示对象之间关联关系的一种抽象数据结构,使用节点和边进行描述,顶点表示对象,边表示对象之间的关系。
在本方案中,对于企业知识图谱,每一个企业实体可以作为企业知识图谱中的点,在每个点上可以有对应的描述信息,这些描述信息用于描述对应企业实体的相关信息,根据描述信息确定哪些企业实体与招聘主体企业属于同一个企业,只是名称不一致,那么可以确定出属于同一个企业的多个企业名称。
因此,本方案中的企业知识图谱可以理解为构建了一个关于招聘主体企业的别名库。该企业知识图谱中可以包含招聘主体企业对应的所有别名,可以是从招聘数据中识别出的别名,也可以是从第三方平台的注册数据中得到的企业注册名称,比如:企业A在第三方注册平台前后变更了4次企业名称,那么变更前后的四个企业名称都可以是招聘主体企业的注册名称,也可以包含到企业知识图谱中。因此,在构建企业知识图谱时,可以根据初始招聘数据以及第三方机构中的注册数据来进行构建。
当然,在具体构建企业知识图谱时,还可以考虑常见标点符号规则、错别字词典,从而保证构建得到的企业知识图谱能够更加全面地关联招聘主体企业的各种曾用名、别名或不规范名称。这里的不规范名称可以指的是不符合标点符号规则或者存在错别字的名称。
构建得到企业知识图谱之后,可以将注册数据中招聘主体注册的现在正在使用的企业名称作为标准企业名。然后将从企业知识图谱中确定的该招聘主体企业的全部别名以及曾用名都转换成标准企业名。比如:招聘主体企业A在第三方平台中注册的目前正在使用的企业名称为名称X,此时,名称X可以作为标准企业名,企业A的别名有(X1、X2、X3、X4),企业的曾用名有(X’、X”),此时,可以将X1、X2、X3、X4、X’以及X”都统一转换成标准企业名X。
在构建岗位知识图谱时,每一个岗位实体可以对应岗位知识图谱中的点,每个点的描述信息可以是每个岗位的相关信息。构建好岗位知识图谱之后,根据岗位的相关信息可以确定同一个岗位对应的别名,例如:业务经理、业务销售经理,通过比对,发现这两个岗位的职责范围、要求学历、薪资待遇等都相差不大,此时,可以认为业务经理、业务销售经理是属于同一个岗位的现用名。当然,在进行岗位知识图谱的构建时,除了根据招聘平台的初始招聘数据,还可以结合业务经验和数据统计分析来构建岗位知识图谱,以关联常见招聘岗位的各种别名。
构建了岗位知识图谱之后,可以将岗位知识图谱中出现频次最高的岗位名作为标准岗位名,然后将岗位知识图谱中的现有岗位名转换为标准岗位名。
通过上述方法,通过构建企业知识图谱以及岗位知识图谱,并利用企业知识图谱将初始招聘数据中的曾用名、别名、不规范名称做可靠的归一化;利用岗位知识图谱对采集到的岗位名进行归一化,使各种别名发布的岗位能够统一到同一概念下,从而对招聘主体企业和岗位名标准化,从而将招聘企业的各来源数据进行有效整合,供比对和挖掘,使后续的画像和风险挖掘得以有效进行。
所述采用招聘主体企业识别模型从所述招聘数据中识别得到招聘主体企业,具体可以包括:
获取所述招聘数据中的全部企业实体;
将所述招聘数据输入所述招聘主体企业识别模型中,得到所述全部企业实体中的各个企业实体属于招聘主体企业的预测概率;
将所述预测概率大于预设阈值且所述预测概率最大的企业实体确定为所述招聘主体企业。
需要说明的是,在实际应用中,一条招聘数据X可能包含多个企业实体,例如:企业A主要招聘岗位人员,委托平台B代发招聘岗位人员的招聘信息,平台B的管理人员小C在招聘平台上发布了该条招聘信息,此时,该招聘数据中包含的企业实体有企业A、平台B、管理人员C。
将招聘数据输入企业识别模型中,可以得到各个企业实体属于招聘主体企业的预测概率,将预测概率值大于预设阈值且预设概率最大的企业实体确定为招聘主体企业。延用上例,将招聘数据X输入招聘主体企业识别模型中,得到企业A属于招聘主体企业的预测概率为0.9,平台B属于招聘主体企业的预测概率为0.4,管理人员C属于招聘主体企业的预测概率为0.1,假设预设阈值为0.6,大于预设阈值的企业为企业A,此时,可以将企业A确定为招聘主体企业。当然,预测概率的具体数值可以根据实际需求进行设定,本说明书实施例对此不进行限定。
需要说明的是,招聘数据中的招聘主体企业可以很明确,比如:如果一条招聘数据中只存在一个企业实体,那么该实体可以确定为招聘主体企业。如果招聘数据中的招聘主体企业不明确,比如:由于有多个企业实体无法判断真正的招聘企业实体,或者由于招聘数据中的企业名称不规范导致无法清楚识别出招聘主体企业时,可以先将招聘数据标准化,然后再使用招聘主体企业识别模型进行识别。
当然,需要说明的是,在实际应用中,可以采用自然语言算法中的相关模型进行招聘主体企业的识别,上述步骤中的“招聘主体企业模型”的命名,仅用于表示该模型可以识别出招聘主体企业,并不对模型的类型进行限定。
招聘主体识别模型在应用之前,需要进行训练,在具体训练时,可以采用以下方法:
所述采用招聘主体企业识别模型识别所述招聘数据对应的招聘主体企业之前,还可以包括:
获取已知招聘主体企业的招聘数据训练样本集合;
针对所述训练样本集合中的每个训练样本,将所述训练样本输入初始招聘主体企业识别模型中,输出招聘主体企业;
根据所述招聘主体企业与所述已知的招聘主体企业之间的差异调整所述初始招聘主体企业识别模型的模型参数,得到训练完成的招聘主体企业识别模型。
在具体训练时,训练样本集合中可以有多个样本,每个样本中的招聘主体企业都是已知的,可以将训练样本输入初始招聘主体企业识别模型中,根据输出的结果与已知的招聘主体企业之间的差异调整所述初始招聘主体企业识别模型的模型参数,得到训练完成的招聘主体企业识别模型。
通过上述方法,通过自然语言算法技术从招聘数据中高准确率地识别出真正的招聘主体企业,能够解决直接数据匹配方法对不规范输入的脆弱性的问题。
在实际应用场景中,所述根据所述招聘数据生成所述招聘主体企业的第一企业招聘信息画像,具体可以包括:
从所述招聘数据中提取出所述招聘主体企业的画像标签,所述画像标签用于表征所述招聘主体企业在特定维度的招聘特征;所述画像标签至少包括所述招聘主体企业的招聘岗位类型标签、各招聘岗位的条件标签以及各所述招聘岗位的工作地区标签;
根据所述画像标签生成所述招聘主体企业的第一企业招聘信息画像。
画像标签可以用于表征招聘主体企业在特定维度的招聘特征,例如:招聘的岗位类型、各个岗位类型的招聘条件等等。通俗说就是给招聘主体企业打标签,而标签是通过对招聘主体企业的招聘信息分析而来的标识。通过打标签可以利用一些高度概括、容易理解的特征来描述招聘主体企业的招聘信息。
画像标签至少可以包括招聘主体企业的招聘岗位类型标签、各招聘岗位的条件标签以及各所述招聘岗位的工作地区标签。其中,各招聘岗位的条件标签可以是:各类招聘岗位的薪资、学历、工龄、人数、工作内容、福利休假等等。
从招聘数据中提取出招聘主体企业的画像标签之后,就可以根据提取出来的画像标签生成所述招聘主体企业的第一企业招聘信息画像。其中,第一企业招聘信息画像可以是一段文本信息,例如:企业A的招聘画像中可以包含的信息是:企业A招聘的岗位类型、每个岗位类型要求的条件,每个岗位的实际工作地址等。
在判断招聘主体企业是否存在风险时,可以通过比对招聘主体企业的招聘信息画像与类比企业的招聘信息画像之间的差异,来判断招聘主体企业是都存在风险,因此,在确定出招聘主体企业的招聘信息画像之后,还需要找出招聘主体企业的类比企业,并确定类比企业的招聘信息画像,具体地,可以包括以下方法:
所述根据所述注册数据确定第二企业招聘信息画像,具体可以包括:
获取招聘平台上的多个招聘数据;所述多个招聘数据为对应于多个企业的招聘数据;
根据所述注册数据中的特定维度的特征,对所述多个招聘数据进行聚类分析,得到多个类比企业;
将多个所述类比企业对应的企业画像进行向量化,得到各个类比企业画像对应的向量;
根据各个所述类比企业画像对应的向量计算向量重心位置;
将所述向量重心位置对应的向量转换为文本信息,并基于该文本信息确定所述类比企业的第二企业招聘信息画像。
招聘平台,又叫招聘管理平台。基于互联网的招聘管理平台旨在协助HR以更高效的方式完成企业外部人才的吸引、识别、筛选及录用工作。作为人才管理平台(TalentManagement System)的组成部分。招聘平台中包含有大量企业对应的招聘信息,也包含有大量求职者的简历信息。
上述步骤中的特定维度可以指的是在实际应用场景中,根据场景需求设定的维度,比如:企业的运营范围、企业的运营地址、企业的注册地址、企业的注册时间、注册资本、营业期限、登记机关、登记状态、注册资本、实收资本等等。
聚类是将数据分类到不同的类或者簇的一个过程,所以同一个类或簇中的对象有很大的相似性,而不同类或簇间的对象有很大的相异性。
聚类分析的目标就是在相似的基础上收集数据来分类。聚类分析被用作描述数据,衡量不同数据源间的相似性,以及把数据源分类到不同的簇中。聚类分析(ClusterAnalysis)又称群分析,是根据“物以类聚”的道理,对样品或指标进行分类的一种多元统计分析方法,讨论的对象是大量的样品,要求能合理地按各自的特性来进行合理的分类,没有任何模式可供参考或依循,即是在没有先验知识的情况下进行的。
聚类分析可以有多种算法,具体的算法可以包括:欧氏距离、马氏距离、闵式距离、曼哈顿距离、卡方距离、二值变量距离、余弦相似度、皮尔森相关系数、最远(近)距离、重心距离等等。具体地,可以根据实际应用场景选用聚类分析的算法,方案中对此不进行限定。
本方案中根据所述注册数据中的特定维度的特征,对所述多个招聘数据进行聚类分析,计算出与每个招聘主体企业业务类型或企业特征较为相近的类比企业,随后将类比企业的画像向量化后计算向量重心位置,作为类比企业群组的参考画像。其中,业务类型可以指企业的经验范围,企业特征可以指企业的注册地、注册资本、注册时间或者人员规模等。
本方案中,类比企业招聘画像生成器生成的画像,可以被认为是一个风险较低的情况,当一个招聘主体企业的一些敏感维度与类比企业招聘画像偏离过大时,可能隐含着风险,需要关注。例如呈现明显的不符合同行业内理财顾问的正常薪酬范围,或资历学历要求的异常,高薪低要求等,都可能隐含着风险。
上述步骤中,所述根据所述注册数据中的特定维度的特征,对所述多个招聘数据进行聚类分析,得到多个类比企业,具体可以包括:
根据所述注册数据中的注册地址信息,对所述多个招聘数据进行聚类分析,得到第一类比企业;
根据所述注册数据中的注册时间信息,对所述多个招聘数据进行聚类分析,得到第二类比企业;
根据所述注册数据中的注册资本信息,对所述多个招聘数据进行聚类分析,得到第三类比企业;
根据所述注册数据中的经营范围信息,对所述多个招聘数据进行聚类分析,得到第四类比企业。
上述步骤中将特定维度设定为招聘主体企业的注册地址信息、注册时间信息、注册资本信息以及经营范围信息,基于每个维度,分别确定每个维度对应的多个类比企业。例如:招聘主体企业的注册时间为2009年2月10日,注册资本为100万人民币,注册地址为:北京市,经验范围为:房产信息咨询。此时,根据招聘主体企业的注册时间,对多个招聘数据进行聚类分析,得到第一类比企业为:{企业A,企业B,企业C},此时的企业A、企业B和企业C的注册时间与招聘主体企业的注册时间之间的关系满足预设条件,比如:注册时间相同或者注册时间相隔小于或等于1年。根据招聘主体企业的注册地址,对多个招聘数据进行聚类分析,得到第二类比企业为:{企业D,企业E,企业F,企业G},此时,企业D,企业E,企业F,企业G的注册地址与招聘主体企业的注册地址之间的关系满足预设条件,比如:注册地址相同,或者注册地址属于一体化地区,例如:注册地址属于京津冀中的任一地址。根据招聘主体企业的注册资本,对多个招聘数据进行聚类分析,得到第三类比企业为:{企业H,企业I,企业J},此时,企业H,企业I,企业J的注册资本与招聘主体企业的注册资本之间的关系满足预设条件,比如:注册资本相差在20万之间。根据招聘主体企业的经验范围,对多个招聘数据进行聚类分析,得到第四类比企业为:{企业K,企业L,企业M},此时,企业K,企业L,企业M的经验范围可以与招聘主体企业的经验范围相同。
需要说明的是,生成招聘主体企业的招聘信息画像的画像标签以及类比企业的招聘信息画像的画像标签并不是固定不变的,可以根据实际应用场景中的需求,对画像标签进行扩展。
通过上述方法,根据标准化后的招聘数据,自动化地生成能表征企业招聘特征的各项标签,从而形成企业招聘画像,使得后续的风险识别能够以组件化方式灵活调用画像标签,大幅降低风险识别模型开发成本,同时标签是随时可扩展的,提高了可扩展性。
确定招聘主体企业的招聘信息画像与类比企业的招聘信息画像之后,通过比对两个信息画像之间的差异值,就可以确定招聘主体企业是否存在风险。当差异值大于第一预设阈值时,可以确定招聘主体企业存在风险,反之,可以确定招聘主体企业不存在风险。在确定招聘主体企业存在风险时,可以进一步确定招聘主体企业的风险类型,具体地,可以采用以下方法:
确定用于计算所述差异值的所述招聘主体企业中的风险关键标签,所述风险关键标签至少包括所述注册地、实际经营地、经营范围、岗位基本信息;
将所述第一企业画像中的风险关键标签与所述第二企业画像中的风险关键标签进行比对,得到所述第一企业画像与所述第二企业画像中各个相同风险标签的相似度值;
根据所述相似度值小于第二预设阈值的风险标签,确定所述招聘主体企业的风险类型。
风险关键标签可以表示的是可能存在风险的标签,比如:对于异地经营风险,风险标签可以是企业注册地址以及企业实际经营地址;对于超范围经营,风险关键标签可以是企业的经营范围。因此,风险关键标签与实际的风险类型有关,在实际应用时,预设的风险标签可以是尽可能多的企业风险类型对应的标签。
常见风险类型包括:异地经营风险、超范围经营风险、资金链告警风险、传销风险、违规放贷风险等。风险关键标签可以包括注册地、实际经营地、经营范围、岗位基本信息等。
例如:确定招聘主体企业A的风险标签:注册地为北京,实际经营地:上海,注册的经营范围:中成药批发,实际经营操作:批发零售中药和中成药,还批发零售西药、保健品。类比企业的注册地与实际经营地相同,均为北京,经营范围与注册经营范围相同:中成药批发。通过比对,可以认为企业A存在异地经营以及超范围经营的风险。
其中,异地经营可以指的是企业实际经营活动所在地不在注册地,超范围经营可以是指经营主体超出登记机关核准的经营范围从事经营活动的行为。
风险标签与风险类型存在一定的对应关系,比如:风险标签为经营范围,那么风险类型可以是超范围经营,风险标签为注册地址和实际经营地,那么风险类型可以是异地经营。
当然,在实际应用中,可以向风险识别器中输入招聘主体企业的招聘信息画像以及类比企业的招聘信息画像或工商数据,输出依据招聘数据推断的多种不同风险类型风险概率。其中每种风险类型对应着一个识别模型或一组识别策略,可以由使用者灵活增加、删减、修改。基于招聘数据的风险预测可以单独用于预警,也可以配合其它方式的风险预测组合使用进一步提升精度。采用风险识别器识别出招聘数据中的各风险类型的概率,当某类风险概率超过预设阈值,即对风险类型进行预警,供使用方进行风险研判或持续关注。
通过前述实施例中的方法,本方案中可以实现的技术效果可以包括:
1)以自动化方式对招聘数据进行加工和主动识别,具有提前预警的能力,并且易于运行维护,并且能够实现提前预警。
2)通过自然语言算法技术从不规范招聘信息中高准确率地识别出真正招聘主体,解决直接数据匹配方法对不规范输入的脆弱性。
3)此外本方案创新地提出企业招聘画像技术,对企业招聘信息进行标签化定义和管理,形成一套可灵活拔插组件、可供不同应用复用的画像。
4)自动化地生成能表征企业招聘特点的各项标签,从而形成企业招聘画像,使得后续的风险识别能够以组件化方式灵活调用画像标签,大幅降低风险识别模型开发成本,同时标签是随时可扩展的,提高了标签的可扩展性。
基于同样的思路,本说明书实施例还提供了上述方法对应的装置。图3是本说明书实施例提供的对应于图2的一种企业风险识别装置示意图。如图3所示,该装置可以包括:
招聘数据获取模块302,用于获取标准化后的招聘数据;
招聘主体企业识别模块304,用于采用招聘主体企业识别模型识别所述招聘数据对应的招聘主体企业;
第一企业招聘信息画像生成模块306,用于根据所述招聘数据生成所述招聘主体企业的第一企业招聘信息画像;
注册数据获取模块308,用于获取所述招聘主体企业的注册数据;
第二企业招聘信息画像确定模块310,用于根据所述注册数据确定第二企业招聘信息画像,所述第二企业招聘信息画像为所述招聘主体企业的类比企业的招聘信息画像;
招聘信息画像差异值确定模块312,用于计算所述第一企业招聘信息画像与所述第二企业招聘信息画像之间的差异值;
判断模块314,用于判断所述差异值是否大于第一预设阈值,得到判断结果;
企业风险识别模块316,用于当所述判断结果表示所述差异值大于第一预设阈值时,确定所述招聘主体企业存在风险。
基于图3的装置,本说明书实施例还提供了该方法的一些具体实施方案,下面进行说明。
可选的,所述装置,还可以包括:
初始招聘数据获取模块,用于从招聘平台获取初始招聘数据;
企业知识图谱构建模块,用于根据所述初始招聘数据以及第三方机构中的注册数据,构建企业知识图谱;
岗位知识图谱构建模块,用于根据所述初始招聘数据构建岗位知识图谱;
标准企业名确定模块,用于根据所述企业知识图谱对所述初始招聘数据中的企业名进行标准化,得到标准企业名;
标准岗位名确定模块,用于根据所述岗位知识图谱对所述初始招聘数据中的岗位名进行标准化,得到标准岗位名;
招聘数据标准化模块,用于采用所述标准岗位名替换所述初始招聘数据中的岗位名,采用所述标准企业名替换所述初始招聘数据中的企业名,得到标准化后的招聘数据。
可选的,所述企业知识图谱构建模块,具体可以包括:
历史注册数据确定单元,用于针对一个企业实体,确定所述企业实体在第三方机构的历史注册数据;
标准企业名以及曾用名确定单元,用于根据所述历史注册数据确定所述企业实体的标准企业名以及曾用名;
企业别名确定单元,用于从所述初始招聘数据中提取所述企业实体的企业别名;
企业知识图谱构建单元,用于根据所述企业实体的标准企业名、所述曾用名以及所述企业别名,构建所述企业知识图谱;
所述标准企业确定模块,具体可以用于:
将所述曾用名以及所述企业别名统一转换为所述标准企业名。
可选的,所述岗位知识图谱构建模块,具体可以包括:
现用岗位名确定单元,用于针对一个岗位实体,从所述初始招聘数据中提取出所述岗位实体的现用岗位名;
岗位知识图谱构建单元,用于根据所述现用岗位名构建所述岗位知识图谱;
标准岗位名确定单元,用于将所述岗位知识图谱中出现频次最高的现用岗位名确定为标准岗位名;
所述标准岗位名确定模块,具体可以用于:
将所述现用岗位名转换为所述标准岗位名。
可选的,所述招聘主体企业识别模块304,具体可以包括:
全部企业实体获取单元,用于获取所述招聘数据中的全部企业实体;
招聘主体企业概率预测单元,用于将所述招聘数据输入所述招聘主体企业识别模型中,得到所述全部企业实体中的各个企业实体属于招聘主体企业的预测概率;
招聘主体企业确定单元,用于将所述预测概率大于预设阈值且所述预测概率最大的企业实体确定为所述招聘主体企业。
可选的,第一企业招聘信息画像生成模块306,具体可以包括:
画像标签确定单元,用于从所述招聘数据中提取出所述招聘主体企业的画像标签,所述画像标签用于表征所述招聘主体企业在特定维度的招聘特征;所述画像标签至少包括所述招聘主体企业的招聘岗位类型标签、各招聘岗位的条件标签以及各所述招聘岗位的工作地区标签;
第一企业招聘信息画像生成单元,用于根据所述画像标签生成所述招聘主体企业的第一企业招聘信息画像。
可选的,所述第二企业招聘信息画像确定模块310,具体可以用于:
获取招聘平台上的多个招聘数据;所述多个招聘数据为对应于多个企业的招聘数据;
根据所述注册数据中的特定维度的特征,对所述多个招聘数据进行聚类分析,得到多个类比企业;
将多个所述类比企业对应的企业画像进行向量化,得到各个类比企业画像对应的向量;
根据各个所述类比企业画像对应的向量计算向量重心位置;
将所述向量重心位置对应的向量转换为文本信息,并基于该文本信息确定所述类比企业的第二企业招聘信息画像。
可选的,所述聚类分析单元,具体可以用于:
根据所述注册数据中的注册地址信息,对所述多个招聘数据进行聚类分析,得到第一类比企业;
根据所述注册数据中的注册时间信息,对所述多个招聘数据进行聚类分析,得到第二类比企业;
根据所述注册数据中的注册资本信息,对所述多个招聘数据进行聚类分析,得到第三类比企业;
根据所述注册数据中的经营范围信息,对所述多个招聘数据进行聚类分析,得到第四类比企业。
可选的,所述装置,还可以包括:
风险关键标签确定模块,用于确定用于计算所述差异值的所述招聘主体企业中的风险关键标签,所述风险关键标签至少包括所述注册地、实际经营地、经营范围、岗位基本信息;
风险关键标签比对模块,用于将所述第一企业画像中的风险关键标签与所述第二企业画像中的风险关键标签进行比对,得到所述第一企业画像与所述第二企业画像中各个相同风险标签的相似度值;
风险类型确定单元,用于根据所述相似度值小于第二预设阈值的风险标签,确定所述招聘主体企业的风险类型。
可选的,所述装置,还可以包括:
训练样本获取模块,用于获取已知招聘主体企业的招聘数据训练样本集合;
输出模块,用于针对所述训练样本集合中的每个训练样本,将所述训练样本输入初始招聘主体企业识别模型中,输出招聘主体企业;
训练模块,用于根据所述招聘主体企业与所述已知的招聘主体企业之间的差异调整所述初始招聘主体企业识别模型的模型参数,得到训练完成的招聘主体企业识别模型。
基于同样的思路,本说明书实施例还提供了上述方法对应的设备。
图4是本说明书实施例提供的对应于图2的一种企业风险识别设备示意图。如图4所示,设备400可以包括:
至少一个处理器410;以及,
与所述至少一个处理器通信连接的存储器430;其中,
所述存储器430存储有可被所述至少一个处理器410执行的指令420,所述指令被所述至少一个处理器410执行,以使所述至少一个处理器410能够:
获取标准化后的招聘数据;
采用招聘主体企业识别模型识别所述招聘数据对应的招聘主体企业;
根据所述招聘数据生成所述招聘主体企业的第一企业招聘信息画像;
获取所述招聘主体企业的注册数据;
根据所述注册数据确定第二企业招聘信息画像,所述第二企业招聘信息画像为所述招聘主体企业的类比企业的招聘信息画像;
计算所述第一企业招聘信息画像与所述第二企业招聘信息画像之间的差异值;
判断所述差异值是否大于第一预设阈值,得到判断结果;
当所述判断结果表示所述差异值大于第一预设阈值时,确定所述招聘主体企业存在风险。
基于同样的思路,本说明书实施例还提供了上述方法对应的计算机可读介质。计算机可读介质上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现以下方法:
获取标准化后的招聘数据;
采用招聘主体企业识别模型识别所述招聘数据对应的招聘主体企业;
根据所述招聘数据生成所述招聘主体企业的第一企业招聘信息画像;
获取所述招聘主体企业的注册数据;
根据所述注册数据确定第二企业招聘信息画像,所述第二企业招聘信息画像为所述招聘主体企业的类比企业的招聘信息画像;
计算所述第一企业招聘信息画像与所述第二企业招聘信息画像之间的差异值;
判断所述差异值是否大于第一预设阈值,得到判断结果;
当所述判断结果表示所述差异值大于第一预设阈值时,确定所述招聘主体企业存在风险。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字符系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(AdvancedBoolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell UniversityProgramming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、AtmelAT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字符助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
内存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)。内存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)、数字符多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式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,并不排除在包括所述要素的过程、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。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
以上所述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 (21)
1.一种企业风险识别方法,包括:
获取标准化后的招聘数据;
采用招聘主体企业识别模型识别所述招聘数据对应的招聘主体企业;
根据所述招聘数据生成所述招聘主体企业的第一企业招聘信息画像;
获取所述招聘主体企业的注册数据;
根据所述注册数据确定第二企业招聘信息画像,所述第二企业招聘信息画像为所述招聘主体企业的类比企业的招聘信息画像;
计算所述第一企业招聘信息画像与所述第二企业招聘信息画像之间的差异值;
判断所述差异值是否大于第一预设阈值,得到判断结果;
当所述判断结果表示所述差异值大于第一预设阈值时,确定所述招聘主体企业存在风险。
2.如权利要求1所述的方法,所述获取标准化后的招聘数据之前,还包括:
从招聘平台获取初始招聘数据;
根据所述初始招聘数据以及第三方机构中的注册数据,构建企业知识图谱;
根据所述初始招聘数据构建岗位知识图谱;
根据所述企业知识图谱对所述初始招聘数据中的企业名进行标准化,得到标准企业名;
根据所述岗位知识图谱对所述初始招聘数据中的岗位名进行标准化,得到标准岗位名;
采用所述标准岗位名替换所述初始招聘数据中的岗位名,采用所述标准企业名替换所述初始招聘数据中的企业名,得到标准化后的招聘数据。
3.如权利要求2所述的方法,所述根据所述初始招聘数据以及第三方机构中的注册数据,构建企业知识图谱,具体包括:
针对一个企业实体,确定所述企业实体在第三方机构的历史注册数据;
根据所述历史注册数据确定所述企业实体的标准企业名以及曾用名;
从所述初始招聘数据中提取所述企业实体的企业别名;
根据所述企业实体的标准企业名、所述曾用名以及所述企业别名,构建所述企业知识图谱;
所述根据所述企业知识图谱对所述初始招聘数据中企业名进行标准化,得到标准企业名,具体包括:
将所述曾用名以及所述企业别名统一转换为所述标准企业名。
4.如权利要求2所述的方法,所述根据所述初始招聘数据构建岗位知识图谱,具体包括:
针对一个岗位实体,从所述初始招聘数据中提取出所述岗位实体的现用岗位名;
根据所述现用岗位名构建所述岗位知识图谱;
将所述岗位知识图谱中出现频次最高的现用岗位名确定为标准岗位名;
所述根据所述岗位知识图谱对所述初始招聘数据中的岗位名进行标准化,得到标准岗位名,具体包括:
将所述现用岗位名转换为所述标准岗位名。
5.如权利要求1所述的方法,所述采用招聘主体企业识别模型从所述招聘数据中识别得到招聘主体企业,具体包括:
获取所述招聘数据中的全部企业实体;
将所述招聘数据输入所述招聘主体企业识别模型中,得到所述全部企业实体中的各个企业实体属于招聘主体企业的预测概率;
将所述预测概率大于预设阈值且所述预测概率最大的企业实体确定为所述招聘主体企业。
6.如权利要求1所述的方法,所述根据所述招聘数据生成所述招聘主体企业的第一企业招聘信息画像,具体包括:
从所述招聘数据中提取出所述招聘主体企业的画像标签,所述画像标签用于表征所述招聘主体企业在特定维度的招聘特征;所述画像标签至少包括所述招聘主体企业的招聘岗位类型标签、各招聘岗位的条件标签以及各所述招聘岗位的工作地区标签;
根据所述画像标签生成所述招聘主体企业的第一企业招聘信息画像。
7.如权利要求1所述的方法,所述根据所述注册数据确定第二企业招聘信息画像,具体包括:
获取招聘平台上的多个招聘数据;所述多个招聘数据为对应于多个企业的招聘数据;
根据所述注册数据中的特定维度的特征,对所述多个招聘数据进行聚类分析,得到多个类比企业;
将多个所述类比企业对应的企业画像进行向量化,得到各个类比企业画像对应的向量;
根据各个所述类比企业画像对应的向量计算向量重心位置;
将所述向量重心位置对应的向量转换为文本信息,并基于该文本信息确定所述类比企业的第二企业招聘信息画像。
8.如权利要求7所述的方法,所述根据所述注册数据中的特定维度的特征,对所述多个招聘数据进行聚类分析,得到多个类比企业,具体包括:
根据所述注册数据中的注册地址信息,对所述多个招聘数据进行聚类分析,得到第一类比企业;
根据所述注册数据中的注册时间信息,对所述多个招聘数据进行聚类分析,得到第二类比企业;
根据所述注册数据中的注册资本信息,对所述多个招聘数据进行聚类分析,得到第三类比企业;
根据所述注册数据中的经营范围信息,对所述多个招聘数据进行聚类分析,得到第四类比企业。
9.如权利要求1所述的方法,所述确定所述招聘主体企业存在风险之后,还包括:
确定用于计算所述差异值的所述招聘主体企业中的风险关键标签,所述风险关键标签至少包括所述注册地、实际经营地、经营范围、岗位基本信息;
将所述第一企业画像中的风险关键标签与所述第二企业画像中的风险关键标签进行比对,得到所述第一企业画像与所述第二企业画像中各个相同风险标签的相似度值;
根据所述相似度值小于第二预设阈值的风险标签,确定所述招聘主体企业的风险类型。
10.如权利要求1所述的方法,所述采用招聘主体企业识别模型识别所述招聘数据对应的招聘主体企业之前,还包括:
获取已知招聘主体企业的招聘数据训练样本集合;
针对所述训练样本集合中的每个训练样本,将所述训练样本输入初始招聘主体企业识别模型中,输出招聘主体企业;
根据所述招聘主体企业与所述已知的招聘主体企业之间的差异调整所述初始招聘主体企业识别模型的模型参数,得到训练完成的招聘主体企业识别模型。
11.一种企业风险识别装置,包括:
招聘数据获取模块,用于获取标准化后的招聘数据;
招聘主体企业识别模块,用于采用招聘主体企业识别模型识别所述招聘数据对应的招聘主体企业;
第一企业招聘信息画像生成模块,用于根据所述招聘数据生成所述招聘主体企业的第一企业招聘信息画像;
注册数据获取模块,用于获取所述招聘主体企业的注册数据;
第二企业招聘信息画像确定模块,用于根据所述注册数据确定第二企业招聘信息画像,所述第二企业招聘信息画像为所述招聘主体企业的类比企业的招聘信息画像;
招聘信息画像差异值确定模块,用于计算所述第一企业招聘信息画像与所述第二企业招聘信息画像之间的差异值;
判断模块,用于判断所述差异值是否大于第一预设阈值,得到判断结果;
企业风险识别模块,用于当所述判断结果表示所述差异值大于第一预设阈值时,确定所述招聘主体企业存在风险。
12.如权利要求11所述的装置,所述装置,还包括:
初始招聘数据获取模块,用于从招聘平台获取初始招聘数据;
企业知识图谱构建模块,用于根据所述初始招聘数据以及第三方机构中的注册数据,构建企业知识图谱;
岗位知识图谱构建模块,用于根据所述初始招聘数据构建岗位知识图谱;
标准企业名确定模块,用于根据所述企业知识图谱对所述初始招聘数据中的企业名进行标准化,得到标准企业名;
标准岗位名确定模块,用于根据所述岗位知识图谱对所述初始招聘数据中的岗位名进行标准化,得到标准岗位名;
招聘数据标准化模块,用于采用所述标准岗位名替换所述初始招聘数据中的岗位名,采用所述标准企业名替换所述初始招聘数据中的企业名,得到标准化后的招聘数据。
13.如权利要求12所述的装置,所述企业知识图谱构建模块,具体包括:
历史注册数据确定单元,用于针对一个企业实体,确定所述企业实体在第三方机构的历史注册数据;
标准企业名以及曾用名确定单元,用于根据所述历史注册数据确定所述企业实体的标准企业名以及曾用名;
企业别名确定单元,用于从所述初始招聘数据中提取所述企业实体的企业别名;
企业知识图谱构建单元,用于根据所述企业实体的标准企业名、所述曾用名以及所述企业别名,构建所述企业知识图谱;
所述标准企业确定模块,具体用于:
将所述曾用名以及所述企业别名统一转换为所述标准企业名。
14.如权利要求12所述的装置,所述岗位知识图谱构建模块,具体包括:
现用岗位名确定单元,用于针对一个岗位实体,从所述初始招聘数据中提取出所述岗位实体的现用岗位名;
岗位知识图谱构建单元,用于根据所述现用岗位名构建所述岗位知识图谱;
标准岗位名确定单元,用于将所述岗位知识图谱中出现频次最高的现用岗位名确定为标准岗位名;
所述标准岗位名确定模块,具体用于:
将所述现用岗位名转换为所述标准岗位名。
15.如权利要求11所述的装置,所述招聘主体企业识别模块,具体包括:
全部企业实体获取单元,用于获取所述招聘数据中的全部企业实体;
招聘主体企业概率预测单元,用于将所述招聘数据输入所述招聘主体企业识别模型中,得到所述全部企业实体中的各个企业实体属于招聘主体企业的预测概率;
招聘主体企业确定单元,用于将所述预测概率大于预设阈值且所述预测概率最大的企业实体确定为所述招聘主体企业。
16.如权利要求11所述的装置,第一企业招聘信息画像生成模块,具体包括:
画像标签确定单元,用于从所述招聘数据中提取出所述招聘主体企业的画像标签,所述画像标签用于表征所述招聘主体企业在特定维度的招聘特征;所述画像标签至少包括所述招聘主体企业的招聘岗位类型标签、各招聘岗位的条件标签以及各所述招聘岗位的工作地区标签;
第一企业招聘信息画像生成单元,用于根据所述画像标签生成所述招聘主体企业的第一企业招聘信息画像。
17.如权利要求11所述的装置,所述第二企业招聘信息画像确定模块,具体用于:
获取招聘平台上的多个招聘数据;所述多个招聘数据为对应于多个企业的招聘数据;
根据所述注册数据中的特定维度的特征,对所述多个招聘数据进行聚类分析,得到多个类比企业;
将多个所述类比企业对应的企业画像进行向量化,得到各个类比企业画像对应的向量;
根据各个所述类比企业画像对应的向量计算向量重心位置;
将所述向量重心位置对应的向量转换为文本信息,并基于该文本信息确定所述类比企业的第二企业招聘信息画像。
18.如权利要求11所述的装置,所述装置,还包括:
风险关键标签确定模块,用于确定用于计算所述差异值的所述招聘主体企业中的风险关键标签,所述风险关键标签至少包括所述注册地、实际经营地、经营范围、岗位基本信息;
风险关键标签比对模块,用于将所述第一企业画像中的风险关键标签与所述第二企业画像中的风险关键标签进行比对,得到所述第一企业画像与所述第二企业画像中各个相同风险标签的相似度值;
风险类型确定单元,用于根据所述相似度值小于第二预设阈值的风险标签,确定所述招聘主体企业的风险类型。
19.如权利要求11所述的装置,所述装置,还包括:
训练样本获取模块,用于获取已知招聘主体企业的招聘数据训练样本集合;
输出模块,用于针对所述训练样本集合中的每个训练样本,将所述训练样本输入初始招聘主体企业识别模型中,输出招聘主体企业;
训练模块,用于根据所述招聘主体企业与所述已知的招聘主体企业之间的差异调整所述初始招聘主体企业识别模型的模型参数,得到训练完成的招聘主体企业识别模型。
20.一种企业风险识别设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取标准化后的招聘数据;
采用招聘主体企业识别模型识别所述招聘数据对应的招聘主体企业;
根据所述招聘数据生成所述招聘主体企业的第一企业招聘信息画像;
获取所述招聘主体企业的注册数据;
根据所述注册数据确定第二企业招聘信息画像,所述第二企业招聘信息画像为所述招聘主体企业的类比企业的招聘信息画像;
计算所述第一企业招聘信息画像与所述第二企业招聘信息画像之间的差异值;
判断所述差异值是否大于第一预设阈值,得到判断结果;
当所述判断结果表示所述差异值大于第一预设阈值时,确定所述招聘主体企业存在风险。
21.一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现权利要求1至10中任一项所述的企业风险识别方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110757269.4A CN113435762B (zh) | 2020-05-06 | 2020-05-06 | 一种企业风险识别方法、装置及设备 |
CN202010374598.6A CN111489105B (zh) | 2020-05-06 | 2020-05-06 | 一种企业风险识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010374598.6A CN111489105B (zh) | 2020-05-06 | 2020-05-06 | 一种企业风险识别方法、装置及设备 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110757269.4A Division CN113435762B (zh) | 2020-05-06 | 2020-05-06 | 一种企业风险识别方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111489105A true CN111489105A (zh) | 2020-08-04 |
CN111489105B CN111489105B (zh) | 2021-05-25 |
Family
ID=71795418
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110757269.4A Active CN113435762B (zh) | 2020-05-06 | 2020-05-06 | 一种企业风险识别方法、装置及设备 |
CN202010374598.6A Active CN111489105B (zh) | 2020-05-06 | 2020-05-06 | 一种企业风险识别方法、装置及设备 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110757269.4A Active CN113435762B (zh) | 2020-05-06 | 2020-05-06 | 一种企业风险识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113435762B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487183A (zh) * | 2021-07-07 | 2021-10-08 | 苏州达家迎信息技术有限公司 | 垂直式业务场景中业务资源确定方法、装置及存储介质 |
CN113779273A (zh) * | 2021-09-16 | 2021-12-10 | 平安国际智慧城市科技股份有限公司 | 基于知识图谱的企业信息挖掘方法、装置、计算机及介质 |
CN114819924A (zh) * | 2022-06-28 | 2022-07-29 | 杭银消费金融股份有限公司 | 一种基于画像分析的企业信息推送处理方法及设备 |
CN116610821A (zh) * | 2023-07-21 | 2023-08-18 | 北京融信数联科技有限公司 | 一种基于知识图谱的企业风险分析方法、系统和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108572967A (zh) * | 2017-03-09 | 2018-09-25 | 神州数码系统集成服务有限公司 | 一种创建企业画像的方法及装置 |
CN109523153A (zh) * | 2018-11-12 | 2019-03-26 | 平安科技(深圳)有限公司 | 非法集资企业的获取方法、装置、计算机设备和存储介质 |
CN110704620A (zh) * | 2019-09-25 | 2020-01-17 | 海信集团有限公司 | 一种基于知识图谱的识别相同实体的方法及装置 |
CN110991922A (zh) * | 2019-12-12 | 2020-04-10 | 山西云海智化大数据科技有限公司 | 基于企业画像的企业精准分析方法 |
CN110990474A (zh) * | 2019-11-28 | 2020-04-10 | 泰华智慧产业集团股份有限公司 | 一种区域性产业画像分析的方法及装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8214235B2 (en) * | 2006-06-20 | 2012-07-03 | Core Systems Group, Llc | Method and apparatus for enterprise risk management |
JP2013246453A (ja) * | 2012-05-23 | 2013-12-09 | Aidem:Kk | 求人・求職活動支援システム及び求人・求職活動支援プログラム |
US10417712B2 (en) * | 2014-10-21 | 2019-09-17 | Hartford Fire Insurance Company | Enterprise application high availability scoring and prioritization system |
US11556876B2 (en) * | 2015-01-05 | 2023-01-17 | International Business Machines Corporation | Detecting business anomalies utilizing information velocity and other parameters using statistical analysis |
CN106651603A (zh) * | 2016-12-29 | 2017-05-10 | 平安科技(深圳)有限公司 | 基于位置服务的风险评估方法及装置 |
CN107527151A (zh) * | 2017-08-31 | 2017-12-29 | 郑州云海信息技术有限公司 | 一种构建企业画像的方法及系统 |
CN108509569B (zh) * | 2018-03-26 | 2022-06-03 | 河北省科学院应用数学研究所 | 企业画像的生成方法、装置、电子设备以及存储介质 |
CN109523116A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技(深圳)有限公司 | 企业风险分析方法、装置、计算机设备和存储介质 |
CN110163741A (zh) * | 2019-04-16 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于信贷风控模型的信贷决策方法、装置、设备及介质 |
CN110674970A (zh) * | 2019-08-19 | 2020-01-10 | 广州荔支网络技术有限公司 | 企业法务风险预警方法、装置、设备及可读存储介质 |
CN110782072A (zh) * | 2019-09-29 | 2020-02-11 | 广州荔支网络技术有限公司 | 员工离职风险预测方法、装置、设备及可读存储介质 |
-
2020
- 2020-05-06 CN CN202110757269.4A patent/CN113435762B/zh active Active
- 2020-05-06 CN CN202010374598.6A patent/CN111489105B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108572967A (zh) * | 2017-03-09 | 2018-09-25 | 神州数码系统集成服务有限公司 | 一种创建企业画像的方法及装置 |
CN109523153A (zh) * | 2018-11-12 | 2019-03-26 | 平安科技(深圳)有限公司 | 非法集资企业的获取方法、装置、计算机设备和存储介质 |
CN110704620A (zh) * | 2019-09-25 | 2020-01-17 | 海信集团有限公司 | 一种基于知识图谱的识别相同实体的方法及装置 |
CN110990474A (zh) * | 2019-11-28 | 2020-04-10 | 泰华智慧产业集团股份有限公司 | 一种区域性产业画像分析的方法及装置 |
CN110991922A (zh) * | 2019-12-12 | 2020-04-10 | 山西云海智化大数据科技有限公司 | 基于企业画像的企业精准分析方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487183A (zh) * | 2021-07-07 | 2021-10-08 | 苏州达家迎信息技术有限公司 | 垂直式业务场景中业务资源确定方法、装置及存储介质 |
CN113487183B (zh) * | 2021-07-07 | 2024-01-16 | 苏州达家迎信息技术有限公司 | 垂直式业务场景中业务资源确定方法、装置及存储介质 |
CN113779273A (zh) * | 2021-09-16 | 2021-12-10 | 平安国际智慧城市科技股份有限公司 | 基于知识图谱的企业信息挖掘方法、装置、计算机及介质 |
CN114819924A (zh) * | 2022-06-28 | 2022-07-29 | 杭银消费金融股份有限公司 | 一种基于画像分析的企业信息推送处理方法及设备 |
CN116610821A (zh) * | 2023-07-21 | 2023-08-18 | 北京融信数联科技有限公司 | 一种基于知识图谱的企业风险分析方法、系统和存储介质 |
CN116610821B (zh) * | 2023-07-21 | 2023-11-03 | 北京融信数联科技有限公司 | 一种基于知识图谱的企业风险分析方法、系统和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113435762A (zh) | 2021-09-24 |
CN111489105B (zh) | 2021-05-25 |
CN113435762B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107945024B (zh) | 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 | |
CN111489105B (zh) | 一种企业风险识别方法、装置及设备 | |
CN110163478B (zh) | 一种合同条款的风险审查方法及装置 | |
US10990903B2 (en) | Self-learning log classification system | |
US10347019B2 (en) | Intelligent data munging | |
Sharp et al. | Toward Semi-autonomous Information: Extraction for Unstructured Maintenance Data in Root Cause Analysis | |
CN112560504B (zh) | 抽取表单文档中信息的方法、电子设备和计算机可读介质 | |
CN113590824A (zh) | 因果事理图谱的构建方法、装置及相关设备 | |
CN110782349A (zh) | 一种模型训练方法和系统 | |
CN113177700A (zh) | 一种风险评估方法、系统、电子设备及存储介质 | |
CN114756669A (zh) | 问题意图的智能分析方法、装置、电子设备及存储介质 | |
Wickett | Critical data modeling and the basic representation model | |
CN114004481A (zh) | 一种风险信息确定方法、装置、设备及存储介质 | |
CN113220885A (zh) | 一种文本处理方法和系统 | |
Szabó et al. | Exploring the dynamic changes of key concepts of the Hungarian socialist era with natural language processing methods | |
CN117272999A (zh) | 基于类增量学习的模型训练方法及装置、设备、存储介质 | |
CN113641903B (zh) | 基于人工智能的业务匹配方法及服务器 | |
US11688012B2 (en) | Asset assessment via graphical encoding of liability | |
US11062236B2 (en) | Self-learning analytical attribute and clustering segmentation system | |
CN114817572A (zh) | 基于知识图谱的知识分类方法、系统、设备及介质 | |
US11574150B1 (en) | Data interpretation analysis | |
CN112434889A (zh) | 一种专家行业分析方法、装置、设备及存储介质 | |
CN111414699A (zh) | 信息分析预测方法、装置、计算机系统及可读存储介质 | |
US20220366341A1 (en) | System and method for managing dataset quality in a computing environment | |
Ramesha | Machine Learning Based Approaches to Detect Loan Defaulters |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40034132 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |