CN111626517B - 一种公司竞争合作策略分析方法及系统 - Google Patents

一种公司竞争合作策略分析方法及系统 Download PDF

Info

Publication number
CN111626517B
CN111626517B CN202010482229.9A CN202010482229A CN111626517B CN 111626517 B CN111626517 B CN 111626517B CN 202010482229 A CN202010482229 A CN 202010482229A CN 111626517 B CN111626517 B CN 111626517B
Authority
CN
China
Prior art keywords
company
information
competition
cooperation
prediction model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010482229.9A
Other languages
English (en)
Other versions
CN111626517A (zh
Inventor
徐童
陈恩红
戴乐
阴钰
秦川
熊辉
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.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202010482229.9A priority Critical patent/CN111626517B/zh
Publication of CN111626517A publication Critical patent/CN111626517A/zh
Application granted granted Critical
Publication of CN111626517B publication Critical patent/CN111626517B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • 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
    • G06F16/35—Clustering; Classification
    • G06F16/358—Browsing; Visualisation therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种公司竞争合作策略分析方法及系统，方法包括：收集公司相关数据，并对公司相关数据进行预处理，其中，公司相关数据包括：公司自身信息数据、公司之间关系信息的公开数据和公司间公开的竞争合作关系数据；建立预测模型，对预测模型进行训练与参数估计，利用估计到的预测模型参数预测公司的竞争合作策略并进行可视化分析。本发明能够基于公开的公司信息和公司间相互关系对公司竞争合作策略进行分析，有效提高了公司竞争合作策略分析结果的可靠性。

Description

一种公司竞争合作策略分析方法及系统
技术领域
本发明涉及数据处理技术领域，尤其涉及一种公司竞争合作策略分析方法及系统。
背景技术
近年来，大型企业之间的商业竞争日趋激烈化，促使企业之间加强合作来共同应对这些竞争。这一现象在很大程度上刺激和推动了对企业合作竞争行为的分析。一方面，这一分析将指导企业更好地选择合作伙伴，以在竞争中生存。另一方面，它也可能有助于识别潜在的竞争对手，以便设计更有针对性的战略。此外，对于第三方投资者来说，企业竞争合作分析的结果将为他们的投资提供更有洞察力的线索。但由于商业上的保密性，要克服公开信息的不完全性，进行有效的合作竞争分析为公司和投资者提供指导，已成为一项急需解决的挑战。
目前，围绕公司竞争合作分析的预测方法，已有少量相关的技术方案与研究成果，部分代表性的成果包括以下几种：
(1)基于案例研究
传统的管理学专家通常采用对具体案例进行经验分析的方法，进行公司竞争合作分析。常见的分析流程如：针对具体某一类或者几类公司，基于专家的领域知识和经验积累，分析竞争和合作关系的形成、发展过程及对参与公司造成的影响。这类方法在管理学领域应用较多，在管理学领域取得了比较好的效果。然而，这类方法仍然有一些问题，一是对领域专家的知识和经验有很强的依赖，需要大量的人力投入、无法自动化执行，二是这类方法多为定性的理论分析，缺少真实数据支撑。
(2)基于统计模型
也有许多研究者应用统计模型来进行公司竞争合作相关的分析。常被应用于公司竞争合作相关分析的统计模型包括：优劣解距离法(Technique for Order Preference bySimilarity to an Ideal Solution，简称TOPSIS)和灰色关联分析(Grey RelationalAnalysis，简称GRA)等，研究者们利用这些统计方法来解决诸如公司财务状况评估、供应商选择等问题。尽管这些方法已经取得了一定的成果，但是仍然存在一些局限性，一是不能处理多样化的、异构的公司输入数据，如由描述性文本和财务数据等组成的异构的公司自身特征，二是忽视了公司之间复杂的关系信息，将公司视作独立或者少有联系的点，忽视了公司之间复杂的全局性和整体性。
(3)基于机器学习方法
近年来，随着人工智能技术的迅速发展，人们也开始探索通过机器学习方法进行公司间竞争和合作相关分析。常见的分析流程如：针对某种关联或多种关联形成的实体间关系网络，利用一些机器学习算法，如图卷积网络(GraphConvolutionalNetwork，简称GCN)及其变种进行建模，再将建模结果应用于各种不同的预测任务。目前已经有研究者通过GCN建模公司间单关系网络，来预测公司股价的变化。然而，这类方法仍然存在一定的问题，使其不能很好地应用于公司间竞争合作分析，一是这类方法没有建模公司竞争合作关系之间的约束，将公司竞争与合作关系视作两种独立的关系，二是这类方法往往着重于对关系的表征，没有融合公司自身的丰富信息，也没有对公司竞争合作策略产生一个统一的、可视化的表示。
综上所述，现有的技术方案虽然已经取得了一定的成效，但对于分析公司间竞争合作策略仍存在如下困难：1)传统的基于案例研究需要大量的人力投入，对领域专家有很强的依赖，且缺少数值性实验结论；2)现有的基于统计模型和基于机器学习算法的方法忽略了公司自身的多样化信息，对于公司之间复杂的多关系网络也缺少合适的建模，因此难以保证预测结果的可靠性。
因此，如何有效的提高公司竞争合作策略分析结果的可靠性，是一项亟待解决的问题。
发明内容
有鉴于此，本发明提供了一种公司竞争合作策略分析方法，能够基于公开的公司信息和公司间相互关系对公司竞争合作策略进行分析，有效提高了公司竞争合作策略分析结果的可靠性。
本发明提供了一种公司竞争合作策略分析方法，包括：
收集公司相关数据，并对所述公司相关数据进行预处理，其中，所述公司相关数据包括：公司自身信息数据、公司之间关系信息的公开数据和公司间公开的竞争合作关系数据；
建立预测模型；
对所述预测模型进行训练与参数估计；
利用估计到的预测模型参数预测公司的竞争合作策略并进行可视化分析。
优选地，所述对所述公司相关数据进行预处理包括：
将所述公司间公开的竞争合作关系数据划分为训练集、验证集和测试集；
将所述公司自身信息数据中的文本信息进行中文分词、去除停用词操作，并通过word2vec进行向量化处理，得到词向量序列。
优选地，所述建立预测模型，包括：
通过图神经网络融合所述公司自身信息数据和所述公司之间关系信息的公开数据，得到每个公司的嵌入向量表示；
通过注意力机制对竞争合作偏好进行聚合，得到公司的竞争合作偏好向量。
优选地，所述对所述预测模型进行训练与参数估计，包括：
使用融合符号网络约束的损失函数对所述预测模型进行训练；
通过随机梯度下降法对所述损失函数进行优化，得到估计的预测模型参数。
优选地，所述利用估计到的预测模型参数预测公司的竞争合作策略并进行可视化分析，包括：
将公司公开信息输入得到估计的预测模型参数的预测模型，得到每个公司的竞争合作偏好向量估计；
基于竞争合作偏好向量自动产生公司竞争合作策略的可视化分析结果。
一种公司竞争合作策略分析系统，包括：
数据处理模块，用于收集公司相关数据，并对所述公司相关数据进行预处理，其中，所述公司相关数据包括：公司自身信息数据、公司之间关系信息的公开数据和公司间公开的竞争合作关系数据；
模型建立模块，用于建立预测模型；
模型训练模块，用于对所述预测模型进行训练与参数估计；
分析模块，用于利用估计到的预测模型参数预测公司的竞争合作策略并进行可视化分析。
优选地，所述数据处理模型在执行对所述公司相关数据进行预处理时，具体用于：
将所述公司间公开的竞争合作关系数据划分为训练集、验证集和测试集；
将所述公司自身信息数据中的文本信息进行中文分词、去除停用词操作，并通过word2vec进行向量化处理，得到词向量序列。
优选地，所述模型建立模块具体用于：
通过图神经网络融合所述公司自身信息数据和所述公司之间关系信息的公开数据，得到每个公司的嵌入向量表示；
通过注意力机制对竞争合作偏好进行聚合，得到公司的竞争合作偏好向量。
优选地，所述模型训练模块具体用于：
使用融合符号网络约束的损失函数对所述预测模型进行训练；
通过随机梯度下降法对所述损失函数进行优化，得到估计的预测模型参数。
优选地，所述分析模块具体用于：
将公司公开信息输入得到估计的预测模型参数的预测模型，得到每个公司的竞争合作偏好向量估计；
基于竞争合作偏好向量自动产生公司竞争合作策略的可视化分析结果。
综上所述，本发明公开了一种公司竞争合作策略分析方法，当需要对公司竞争合作策略进行分析时，首先收集公司相关数据，并对公司相关数据进行预处理，其中，公司相关数据包括：公司自身信息数据、公司之间关系信息的公开数据和公司间公开的竞争合作关系数据；然后建立预测模型，对预测模型进行训练与参数估计，利用估计到的预测模型参数预测公司的竞争合作策略并进行可视化分析。本发明能够基于公开的公司信息和公司间相互关系对公司竞争合作策略进行分析，有效提高了公司竞争合作策略分析结果的可靠性。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明公开的一种公司竞争合作策略分析方法实施例的方法流程图；
图2为本发明公开的一种公司竞争合作策略分析系统实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
如图1所示，为本发明公开的一种公司竞争合作策略分析方法实施例的方法流程图，所述方法可以包括：
S101、收集公司相关数据，并对公司相关数据进行预处理，其中，所述公司相关数据包括：公司自身信息数据、公司之间关系信息的公开数据和公司间公开的竞争合作关系数据；
当需要对公司竞争合作策略进行分析时，首先收集公司自身信息和公司之间关系信息的公开数据，以及公司之间存在的竞争合作关系数据，并对收集到的数据进行预处理。
其中，在收集公司相关数据时，可以通过财经网站(如新浪财经等)、公司信息查询网站(如天眼查等)收集公开数据，基本数据至少包括：公司自身信息和公司关系信息。其中：
公司自身信息包括：分类信息：公司所属行业、公司所属行政区划等，以one-hot分类向量形式呈现；数值信息：公司成立时间、公司注册资本、公司员工数量、公司市值等，以数值向量形式呈现；文本信息：公司简介等，以字符串形式呈现。
公司关系信息包括：公开可查的股东关系、持股关系、供应关系、客户关系等。关系信息以多关系图的形式呈现，公司为图节点，不同关系为图上不同类型的边。
公司自身信息记录在公司关系图的节点上，可以和公司关系信息共同形成公司图网络，作为模型输入。
然后通过公司官方的公开材料，如招股说明书，收集得到公司之间的竞争合作关系数据，即每个公司的合作公司和竞争对手公司列表，表示为符号图，合作关系为正边，竞争关系为负边。
并且，将公司间公开的竞争合作关系数据划分为训练集、验证集和测试集(比例根据数据实际情况决定，本实施例中为6：1：3)，用于预测模型训练和参数估计。另外，公司自身信息数据中的文本信息，进行中文分词、去除停用词操作，并通过word2vec进行向量化处理，得到词向量序列。
S102、建立预测模型；
然后，根据收集的公司相关数据，建立用于对公司竞争合作策略进行预测的预测模型。
具体的，建立预测模型分为如下两个部分：
1、通过图神经网络融合公司自身信息数据和公司之间关系信息的公开数据，得到每个公司的嵌入向量表示
第一步是根据公司自身信息和公司之间关系信息数据，为每个公司生成节点嵌入向量表示。这样做的目的是汇总有关公司的尽可能多的信息，并获得公司的统一表示，以进行进一步的合作和竞争策略分析。因此，有必要适当地处理异构输入。
将记录了公司自身信息和公司关系信息的公司图网络记作图G＝(V,E,R)，其中V表示全部节点(即公司)的集合，E表示全部边(即公司关系)的集合，R表示全部关系的集合。G即可作为模型的输入。具体地说，公司特征主要包含两种类型的输入信息，即向量信息(前述的分类向量和数值向量数据)和文字说明(例如前述的公司简介)。对于每个公司ci，其数字信息被归一化为Nμ维数字特征μi，而其文字描述则以长度为T的词向量序列wi＝{w1,w2,…,wT}的形式记录。考虑到公司文本信息的长度可能会很长，利用RNN的多层双向变体(双向门控循环单元Bi-GRU)，从前后两个方向保留公司简介文本的大部分上下文信息。具体而言，给定描述序列wi＝{w1,w2,…,wT}，将Bi-GRU的第一层的输入设置为 在时间步t，前向隐藏状态/>和后向隐藏状态/>在前一层隐藏状态/>和基础上，分别更新为：
其中，和/>分别表示要学习的前向和后向GRU参数。
为了提取公司描述中的深层上下文，引入的多层RNN结构在每个方向上具有L0个GRU层，由此得到的隐藏状态能够捕获更深层的语义信息。由于每个方向的隐藏状态仅包含一侧上下文，因此将两个方向的隐藏状态组合为一个向量是有益的。因此，在最后时间步骤T获得公司ci的公司描述序列表示为：
使用归一化的数字输入μi和从Bi-GRU产生的文本输入vi，可以通过将μi和vi拼接来获得公司ci的输入特征fi：
fi＝concatenate(μi,vi)
至此，已经结合了向量和文本信息，获得了公司输入特征的深度表示。但是，每个特征向量fi仅描述有关公司ci的信息，但尚未考虑其与其他公司的关系。如前述，所有公司之间的各种关系都表示为公司关系图G＝(V,E,R)。所有公司的统一表示不仅应包含节点的特征，而且还应包含图G中的结构信息。因此，采用一种图神经网络，即修改过的多关系图卷积网络(RGCN)，对图G中的每个节点i生成融合多种关系的嵌入向量表示。具体而言，对于每个公司ci，以其输入特征{fi}作为初始节点特征，节点i的嵌入向量是通过其他节点的消息传递来计算的，在第l层：
其中和/>分别表示节点i和节点j第l层的嵌入向量；ci,r是节点i在关系r上的归一化常数，该常数可以作为参数学习或预先指定；/>和/>是要学习的两个权重矩阵。
由于RGCN层仅聚合来自直接邻居的信息，因此需要更多的层来传播整个网络的信息、为深层结构信息建模。使用L1个RGCN层，可以在嵌入向量中保留更多的结构信息。因此，前述输入最终被聚合为在每个节点i上的嵌入向量
2、通过注意力机制对竞争合作偏好进行聚合，得到公司的竞争合作偏好向量
在本小节中，旨在基于获取的节点嵌入向量{embi}，为每个公司ci生成两组策略向量，分别代表其合作偏好和竞争偏好。由于公司的合作和竞争策略对其邻居节点影响最为显著，因此从邻居那里汇总信息是很直观的。此外，公司之间的各种关系对于合作和竞争战略的重要性也不同。因此，当生成Ncoo个合作偏好向量和Ncom个竞争偏好向量/> 时，利用注意力机制来学习不同关系的贡献，其中每个公司ci具有两个超参数m和n。具体而言，在关系为r的所有公司对上，计算关系r对合作策略向量/>的注意力权重/>为：
同样，竞争策略中关系r的注意力权重计算如下：
定义注意力权重后，可以从每个公司的邻居节点嵌入中汇总信息，强调某些关系的作用，同时减弱另一些关系的影响。公司ci的合作偏好和竞争偏好/>可以表示为：
此外，考虑到合作关系和竞争关系不是独立的，受符号图理论的启发，本发明设计了一种新颖的符号约束来模拟合作关系和竞争关系之间的依赖关系。问题中的合作与竞争关系可以看作是一对相反的关系，因此可以通过将合作与竞争分别指定为正向和负向的边来构建一个有符号的网络。为了建模的合作和竞争之间的符号约束，将这种约束设计为损失函数的一部分。
S103、对预测模型进行训练与参数估计；
在建立出预测模型后，进一步对预测模型进行训练和参数估计，得到经过训练和参数估计的预测模型。
具体的，使用融合符号网络约束的损失函数对预测模型进行训练；通过随机梯度下降法对损失函数进行优化，得到估计的预测模型参数。
由于合作与竞争策略分析的复杂性，需要一个设计良好的目标函数来学习上面介绍的所有参数：
首先对合作与竞争关系之间的符号约束建模。由于合作和竞争可以分别看作是正向和反向的联系，期望公司ci的合作偏好向量和竞争偏好向量/>有较大的差异性。更重要的，对于这两个表示相反符号的偏好向量，更关心/>和/>在方向上的差异性而不是长度上的差异性。因此，直观地利用余弦相似度来衡量向量在方向上的差异，以衡量合作偏好/>和竞争偏好/>之间的距离：
由于深度学习模型的黑盒特性，从RGCN模型得出的节点嵌入可能无法代表现实世界的公司，从而导致合作和竞争偏好和/>不能代表真实的合作策略和竞争策略。为了显示合作和竞争偏好的可解释性，需要证明获取的节点嵌入向量embi保留了每个节点i的输入特征和结构信息。为此，采用解码器将节点嵌入转换为输入特征，该解码器的目标函数公式表示为：
此外，为了验证节点嵌入捕获结构化信息的能力，构造了两个集合P和N，这两个集合均由采样的公司对(i,j)组成。集合P中的公司对(i,j)是从公司关系图G中的互相连接的边中采样的，而N中的公司对(i,j)则表示不存在的边关系。期望P中(i,j)对的距离比N中的距离更近，因此可以将目标函数构造为：
因此，将节点嵌入解码为输入特征和结构信息中的损失函数如下：
Ldec＝βLrec+(1-β)Lrel
在计算合作偏好向量和竞争偏好向量/>的过程中，定义的参数可以分为几个部分：
和/>定义于Bi-GRU模型中；
和/>定义于RGCN模型中；
和/>定义于注意力权重的计算中。
为了学习所有这些参数，本发明设计了一个合作与竞争关系的预测任务。对于每个公司ci，由于其合作和竞争策略分别表示为合作偏好向量和竞争偏好向量，因此合作偏好集和竞争偏好集/>应该分别保留有关其合作和竞争公司的尽可能多的信息。因此，将该预测任务的目标函数表述为：
最终训练过程的总损失函数包括三个部分，即符号约束损失Lsign，输入特征和结构信息的重构解码损失Ldec以及合作和竞争预测任务的预测损失Lpred。
L＝λ1Lsign+λ2Ldec+λ3Lpred
S104、利用估计到的预测模型参数预测公司的竞争合作策略并进行可视化分析。
最后，将公司公开信息输入得到估计的预测模型参数的预测模型，得到每个公司的竞争合作偏好向量估计，通过竞争合作偏好向量，可以进一步分析得出每个公司竞争合作策略的可视化分析。具体而言，利用可视化工具t-SNE将所有公司嵌入和偏好向量投影到二维空间中。然后，根据每个公司的实际市值来设置每个公司在图上的大小。这样，通过代表公司实际规模的点大小，和代表公司网络中公司相关性的点距离，可以直观地观察每个公司和偏好之间的关系，从而得到可视化的公司竞争合作策略分析。
综上所述，在上述实施例中，当需要对公司竞争合作策略进行分析时，首先收集公司相关数据，并对公司相关数据进行预处理，其中，公司相关数据包括：公司自身信息数据、公司之间关系信息的公开数据和公司间公开的竞争合作关系数据；然后建立预测模型，对预测模型进行训练与参数估计，利用估计到的预测模型参数预测公司的竞争合作策略并进行可视化分析。能够基于公开的公司信息和公司间相互关系对公司竞争合作策略进行分析，有效提高了公司竞争合作策略分析结果的可靠性。
如图2所示，为本发明公开的一种公司竞争合作策略分析系统实施例的结构示意图，所述系统可以包括：
数据处理模块201，用于收集公司相关数据，并对公司相关数据进行预处理，其中，所述公司相关数据包括：公司自身信息数据、公司之间关系信息的公开数据和公司间公开的竞争合作关系数据；
模型建立模块202，用于建立预测模型；
模型训练模块203，用于对预测模型进行训练与参数估计；
分析模块204，用于利用估计到的预测模型参数预测公司的竞争合作策略并进行可视化分析。
本实施例公开的公司竞争合作策略分析系统的工作原理，与上述公司竞争合作策略分析方法实施例的工作原理相同，在此不再赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种公司竞争合作策略分析方法，其特征在于，包括：
收集公司相关数据，并对所述公司相关数据进行预处理，其中，所述公司相关数据包括：公司自身信息数据、公司之间关系信息的公开数据和公司间公开的竞争合作关系数据；
建立预测模型；
对所述预测模型进行训练与参数估计；
利用估计到的预测模型参数预测公司的竞争合作策略并进行可视化分析；
其中，所述建立预测模型，包括：
通过图神经网络融合所述公司自身信息数据和所述公司之间关系信息的公开数据，得到每个公司的嵌入向量表示；具体包括：
将记录了公司自身信息和公司关系信息的公司图网络记作图G＝(V,E,R)，其中V表示全部节点的集合，E表示全部边的集合，R表示全部关系的集合；G作为模型的输入；
对于每个公司ci，其数字信息被归一化为Nμ维数字特征μi，而其文字描述则以长度为T的词向量序列wi＝{w1,w2,…,wT}的形式记录；
利用RNN的多层双向变体Bi-GRU，从前后两个方向保留公司简介文本的大部分上下文信息，获得公司ci的公司描述序列vi：
使用归一化的数字输入μi和从Bi-GRU产生的文本输入vi，通过将μi和vi拼接来获得公司ci的输入特征fi：
采用图神经网络，即修改过的多关系图卷积网络RGCN，对图G中的每个节点i生成融合多种关系的嵌入向量表示；具体而言，对于每个公司ci，以其输入特征{fi}作为初始节点特征，节点i的嵌入向量是通过其他节点的消息传递来计算的，在第l层：
其中和/>分别表示节点i和节点j第l层的嵌入向量；ci,r是节点i在关系r上的归一化常数，该常数可以作为参数学习或预先指定；/>和/>是要学习的两个权重矩阵；
前述输入最终被聚合为在每个节点i上的嵌入向量
通过注意力机制对竞争合作偏好进行聚合，得到公司的竞争合作偏好向量；具体包括：
在关系为r的所有公司对上，计算关系r对合作策略向量的注意力权重/>为：
同样，竞争策略中关系r的注意力权重计算如下：
公司ci的合作偏好向量和竞争偏好向量/>表示为：
其中，所述对所述预测模型进行训练与参数估计，包括：
使用融合符号网络约束的损失函数对所述预测模型进行训练；
通过随机梯度下降法对所述损失函数进行优化，得到估计的预测模型参数；
具体而言，合作和竞争分别看作是正向和反向的联系，利用余弦相似度来衡量向量在方向上的差异，以衡量合作偏好和竞争偏好/>之间的距离：/>
采用解码器将节点嵌入转换为输入特征，该解码器的目标函数公式表示为：
为了验证节点嵌入捕获结构化信息的能力，构造了两个集合P和N，这两个集合均由采样的公司对(i,j)组成；集合P中的公司对(i,j)是从公司关系图G中的互相连接的边中采样的，而N中的公司对(i,j)则表示不存在的边关系；期望P中(i,j)对的距离比N中的距离更近，因此可以将目标函数构造为：
因此，将节点嵌入解码为输入特征和结构信息中的损失函数如下：
Ldec＝βLrec+(1-β)Lrel
设计一个合作与竞争关系的预测任务，将该预测任务的目标函数表述为：
最终训练过程的总损失函数包括三个部分，即符号约束损失Lsign，输入特征和结构信息的重构解码损失Ldec以及合作和竞争预测任务的预测损失Lpred；
L＝λ1Lsign+λ2Ldec+λ3Lpred；
其中，所述对所述公司相关数据进行预处理包括：
将所述公司间公开的竞争合作关系数据划分为训练集、验证集和测试集；
将所述公司自身信息数据中的文本信息进行中文分词、去除停用词操作，并通过word2vec进行向量化处理，得到词向量序列。
2.根据权利要求1所述的方法，其特征在于，所述利用估计到的预测模型参数预测公司的竞争合作策略并进行可视化分析，包括：
将公司公开信息输入到估计的预测模型参数的预测模型，得到每个公司的竞争合作偏好向量估计；
基于竞争合作偏好向量自动产生公司竞争合作策略的可视化分析结果。
3.一种公司竞争合作策略分析系统，用于执行如权利要求1-2任一项所述的公司竞争合作策略分析方法，其特征在于，包括：
数据处理模块，用于收集公司相关数据，并对所述公司相关数据进行预处理，其中，所述公司相关数据包括：公司自身信息数据、公司之间关系信息的公开数据和公司间公开的竞争合作关系数据；
模型建立模块，用于建立预测模型；
模型训练模块，用于对所述预测模型进行训练与参数估计；
分析模块，用于利用估计到的预测模型参数预测公司的竞争合作策略并进行可视化分析；
其中，所述模型建立模块具体用于：
通过图神经网络融合所述公司自身信息数据和所述公司之间关系信息的公开数据，得到每个公司的嵌入向量表示；
通过注意力机制对竞争合作偏好进行聚合，得到公司的竞争合作偏好向量；
其中，所述模型训练模块具体用于：
使用融合符号网络约束的损失函数对所述预测模型进行训练；
通过随机梯度下降法对所述损失函数进行优化，得到估计的预测模型参数。
4.根据权利要求3所述的系统，其特征在于，所述分析模块具体用于：
将公司公开信息输入得到估计的预测模型参数的预测模型，得到每个公司的竞争合作偏好向量估计；
基于竞争合作偏好向量自动产生公司竞争合作策略的可视化分析结果。
CN202010482229.9A 2020-05-29 2020-05-29 一种公司竞争合作策略分析方法及系统 Active CN111626517B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010482229.9A CN111626517B (zh) 2020-05-29 2020-05-29 一种公司竞争合作策略分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010482229.9A CN111626517B (zh) 2020-05-29 2020-05-29 一种公司竞争合作策略分析方法及系统

Publications (2)

Publication Number Publication Date
CN111626517A CN111626517A (zh) 2020-09-04
CN111626517B true CN111626517B (zh) 2024-02-27

Family

ID=72260755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010482229.9A Active CN111626517B (zh) 2020-05-29 2020-05-29 一种公司竞争合作策略分析方法及系统

Country Status (1)

Country Link
CN (1) CN111626517B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760350A (zh) * 2016-02-22 2016-07-13 中国科学技术大学 基于概率分布的合作博弈值的高效计算方法
CN108197106A (zh) * 2017-12-29 2018-06-22 深圳市中易科技有限责任公司 一种基于深度学习的产品竞争分析方法、装置及系统
CN109145087A (zh) * 2018-07-30 2019-01-04 大连理工大学 一种基于表示学习和竞争理论的学者推荐及合作预测方法
CN109614495A (zh) * 2018-08-08 2019-04-12 广州初星科技有限公司 一种结合知识图谱和文本信息的相关公司挖掘方法
WO2019220128A1 (en) * 2018-05-18 2019-11-21 Benevolentai Technology Limited Graph neutral networks with attention
CN111177394A (zh) * 2020-01-03 2020-05-19 浙江大学 基于句法注意力神经网络的知识图谱关系数据分类方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170124579A1 (en) * 2015-10-28 2017-05-04 Fractal Industries, Inc. Multi-corporation venture plan validation employing an advanced decision platform
CA3091035C (en) * 2018-03-23 2024-01-23 The Governing Council Of The University Of Toronto Systems and methods for polygon object annotation and a method of training an object annotation system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760350A (zh) * 2016-02-22 2016-07-13 中国科学技术大学 基于概率分布的合作博弈值的高效计算方法
CN108197106A (zh) * 2017-12-29 2018-06-22 深圳市中易科技有限责任公司 一种基于深度学习的产品竞争分析方法、装置及系统
WO2019220128A1 (en) * 2018-05-18 2019-11-21 Benevolentai Technology Limited Graph neutral networks with attention
CN109145087A (zh) * 2018-07-30 2019-01-04 大连理工大学 一种基于表示学习和竞争理论的学者推荐及合作预测方法
CN109614495A (zh) * 2018-08-08 2019-04-12 广州初星科技有限公司 一种结合知识图谱和文本信息的相关公司挖掘方法
CN111177394A (zh) * 2020-01-03 2020-05-19 浙江大学 基于句法注意力神经网络的知识图谱关系数据分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Jing Li.Neural Attentive Session-based Recommendation.《https://doi.org/10.48550/arXiv.1711.04725》.2017,全文. *
Modeling Simultaneous Cooperation and Competition Among Enterprises;Vik Pant;《usiness & Information Systems Engineering》;全文 *
竞争环境下两级供应链提前订购模式研究;霍艳芳;杨立向;林瑛;;工业工程与管理(第05期);全文 *
罗永灿;曹亚宏.中国石油企业与国际石油公司的竞合博弈分析.中外能源.2012,(第07期),全文. *

Also Published As

Publication number Publication date
CN111626517A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
Liao et al. Two new approaches based on ELECTRE II to solve the multiple criteria decision making problems with hesitant fuzzy linguistic term sets
Wang et al. Predicting construction cost and schedule success using artificial neural networks ensemble and support vector machines classification models
Bell et al. Real-world approaches to assessing the impact of environmental research on policy
Lykourentzou et al. CorpWiki: A self-regulating wiki to promote corporate collective intelligence through expert peer matching
CN110009430B (zh) 作弊用户检测方法、电子设备及计算机可读存储介质
CN111369299A (zh) 识别的方法、装置、设备及计算机可读存储介质
CN113191154B (zh) 基于多模态图神经网络的语义分析方法、系统和存储介质
Bulut et al. Rotational priority investigation in fuzzy analytic hierarchy process design: An empirical study on the marine engine selection problem
Saha et al. Towards sentiment aided dialogue policy learning for multi-intent conversations using hierarchical reinforcement learning
Wu et al. A neural network based reputation bootstrapping approach for service selection
Yung et al. A quality framework for statistical algorithms
CN115495654A (zh) 基于子空间投影神经网络的点击率预估方法和装置
Qamar et al. Detecting compliance of privacy policies with data protection laws
CN111626517B (zh) 一种公司竞争合作策略分析方法及系统
JP2010272004A (ja) 判別装置及び判別方法、並びにコンピューター・プログラム
Lu et al. Cost-benefit factor analysis in e-services using bayesian networks
CN114818682B (zh) 基于自适应实体路径感知的文档级实体关系抽取方法
CN116932938A (zh) 基于拓扑结构和属性信息的链接预测方法及系统
Bañuls et al. Clustering scenarios using cross-impact analysis.
CN112365344B (zh) 一种业务规则自动生成方法和系统
CN113469819A (zh) 基金产品的推荐方法、相关装置及计算机存储介质
Wah Crowdsourcing and its applications in computer vision
Vij et al. Vizai: Selecting accurate visualizations of numerical data
CN111444714B (zh) 一种文本分析装置、方法及模型训练方法
Gacem et al. Guiding Random Walks by Effective Resistance for Effective Node Embedding

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