CN112529308A - 事件预测方法、装置及存储介质 - Google Patents
事件预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112529308A CN112529308A CN202011490676.5A CN202011490676A CN112529308A CN 112529308 A CN112529308 A CN 112529308A CN 202011490676 A CN202011490676 A CN 202011490676A CN 112529308 A CN112529308 A CN 112529308A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- event
- information
- model
- business
- 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
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
- G06Q10/04—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
- 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
- G06Q10/067—Enterprise or organisation modelling
Abstract
本申请提供一种事件预测方法、装置及存储介质,其中方法包括:根据第一企业的第一企业信息和第二企业的第二企业信息构建第一模型,所述第二企业包括至少一个与所述第一企业关联的企业;搜索所述第一企业和所述第二企业对应的第一事件信息;根据所述第一事件信息对所述第一模型进行处理,得到第二模型;在检测到待预测事件时,将所述待预测事件输入至所述第二模型进行预测,得到所述第一企业和/或所述第二企业的事件影响信息。采用本申请,提高了事件分析的准确率。
Description
技术领域
本申请涉及区块链技术领域,主要涉及了一种事件预测方法、装置及存储介质。
背景技术
公共卫生事件、国际外交事件、新闻事件等突发事件发生,对企业或行业产生着直接或间接的影响。因此,对事件中的信息进行分析,可获取该事件对于该企业或行业的影响。然而,由于事件的复杂性,某一些事件对于企业或行业的影响不是显而易见的,可能是长远的影响,从而提高了事件分析的难度。因此,如何提高获取事件对企业或行业的影响的准确率,是本领域技术人员待解决的技术问题。
发明内容
本申请实施例提供了一种事件预测方法、装置及存储介质,可识别待预测事件对企业的影响,提高了事件分析的准确率。
第一方面,本申请实施例提供一种事件预测方法,其中:
根据第一企业的第一企业信息和第二企业的第二企业信息构建第一模型,所述第二企业包括至少一个与所述第一企业关联的企业;
搜索所述第一企业和所述第二企业对应的第一事件信息;
根据所述第一事件信息对所述第一模型进行处理,得到第二模型;
在检测到待预测事件时,将所述待预测事件输入至所述第二模型进行预测,得到所述第一企业和/或所述第二企业的事件影响信息。
第二方面,本申请实施例提供一种事件预测装置,其中:
模型构建单元,用于根据第一企业的第一企业信息和第二企业的第二企业信息构建第一模型,所述第二企业包括至少一个与所述第一企业关联的企业;
信息获取单元,用于搜索所述第一企业和所述第二企业对应的第一事件信息;
所述模型构建单元,还用于根据所述第一事件信息,对所述第一模型进行处理,得到第二模型;
事件预测单元,用于在检测到待预测事件时,将所述待预测事件输入至所述第二模型进行预测,得到所述第一企业和/或所述第二企业的事件影响信息。
第三方面,本申请实施例提供另一种事件预测装置,包括处理器、存储器、通信接口以及一个或至少一个程序,其中,上述一个或至少一个程序被存储在上述存储器中,并且被配置由上述处理器执行,所述程序包括用于如第一方面中所描述的部分或全部步骤的指令。
第四方面,本申请实施例提供了一种计算机可读存储介质,其中,所述计算机可读存储介质存储计算机程序,其中,所述计算机程序使得计算机执行以实现如第一方面中所描述的部分或全部步骤。
实施本申请实施例,将具有如下有益效果:
采用了上述的事件预测方法、装置及存储介质之后,先根据第一企业的第一企业信息和第二企业的第二企业信息构建第一模型,搜索第一企业和第二企业对应的第一事件信息。再根据第一事件信息对第一模型进行处理,得到第二模型。在检测到预测事件时,将待预测事件输入至第二模型进行预测,得到第一企业和/或第二企业的事件影响信息。也就是说,基于事件对企业的模型进行处理,可识别待预测事件对企业的影响,提高了事件分析的准确率。
附图说明
为了更清楚地说明本申请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。
其中:
图1为本申请实施例提供的一种事件预测方法的流程示意图;
图2为本申请实施例提供的一种第一模型的结构示意图;
图3为本申请实施例提供的一种第二模型的结构示意图;
图4为本申请实施例提供的一种事件预测装置的逻辑结构示意图;
图5为本申请实施例提供的一种事件预测装置的实体结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。根据本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请实施例中的电子设备可以是个人计算机(personal computer,PC)、笔记本电脑或智能手机,还可以是一体机、掌上电脑、平板电脑(pad)、智能电视播放终端、车载终端或便捷式设备等。PC端的电子设备,例如一体机等,其操作系统可以包括但不限于Linux系统、Unix系统、Windows系列系统(例如Windows xp、Windows 7等)、Mac OS X系统(苹果电脑的操作系统)等操作系统。移动端的电子设备,例如智能手机等,其操作系统可以包括但不限于安卓系统、IOS(苹果手机的操作系统)、Window系统等操作系统。
在本申请实施例中,可预先存储企业的企业信息和企业相关的事件信息。其中,企业信息可包括企业的财务数据、报账信息数据、合同信息数据、人事数据、招标投标数据、工商信息数据、政策信息数据、企业相关的网页数据等资料信息,也可包括材料、产品形态、专利、商标等产品信息,还包括企业所属行业的行业信息等,在此不做限定。事件信息可包括事件名称、事件原因以及事件结果等,在此也不做限定。
上述的企业信息和事件信息还可存储于区块链网络上创建一个区块中。区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。可见,通过区块链分布式存储数据,在保证数据安全性的同时,可实现信息在不同平台之间的数据共享。
本申请实施例提出的一种事件预测方法,该方法可以由事件预测装置执行,其中该装置可由软件和/或硬件实现,一般可集成在电子设备中,可识别待预测事件对企业的影响,提高了事件分析的准确率。通过实施该事件预测方法,可帮助新闻媒体、财经媒体、金融机构或企业的分析部门快速获取当前事件的本质与延展性,提高了掌握事件的全面性,以便对事件可能发生的变化做出决策。
请参照图1,图1是本申请提供的一种事件预测方法的流程示意图。以该方法包括如下步骤S101~S104,其中:
S101:根据第一企业的第一企业信息和第二企业的第二企业信息构建第一模型。
在本申请实施例中,第一企业可以是任一指定的企业,例如,待预测事件中指定的企业等。第一企业或者可以是行业中排名靠前或具有代表性的企业等。第二企业可以包括至少一个与第一企业关联的企业,可以是与第一企业之间有合作或者存在竞争关系的企业,或者可以是第一企业对应的行业中的企业,或者可以是第一企业的子公司、总公司或同一级别的分公司,或者可以是与第一企业的法人或主要管理人员关联的企业,例如,法人或主要管理人员本人、朋友、家属等。本申请对于第一企业和第二企业不做限定,第二企业的数量可以为一个或多个。
企业信息可包括企业的财务数据、报账信息数据、合同信息数据、人事数据、招标投标数据、工商信息数据、政策信息数据、企业相关的网页数据等资料信息,也可包括材料、产品形态、专利、商标等产品信息,还包括第一企业所属行业的行业信息等维度,在此不做限定。
在本申请实施例中,第一企业信息为第一企业的企业信息,第二企业信息为第二企业的企业信息。第一企业信息和第二企业信息中的企业信息的维度可以是相同的,也可以是不同,在此不做限定。例如,第一企业信息可以包括第一企业的财务数据,第二企业信息可以包括第二企业的财务数据等。第一企业信息还可包括第一企业的人事数据,第二企业信息还可包括第二企业的工商信息数据等。可以理解,通过同一个维度的企业信息进行数据分析,可获取第一企业和第二企业之间的关联关系,以及所在行业中对应维度数据之间的相似点和差异点。通过不同维度的企业信息进行数据分析,可获取行业中不同维度的数据特征。
第一模型用于描述第一企业和第二企业对应的企业之间的业务关系,可以是一种知识图谱。知识图谱是一种根据语义的结构化信息组织方式,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。
举例来说,如图2所示,第一企业的主营业务为节点1对应的业务,第二企业的主营业务为节点3对应的业务,且节点1的下游业务分别为节点2和节点3对应的业务,从而根据以上信息对应的业务关系构建企业之间的业务模型,得到图2所示的第一模型。通过第一模型可快速的获取到第一企业和第二企业之间的关联节点为节点3,当第一企业的节点3发生变化时,第二企业必然也会受影响。
本申请对于构建第一模型的方法不做限定,可对资料信息、产品信息和行业信息等企业信息进行分析,得到企业的业务类别、业务状态、产品形态等业务参数,再基于业务参数构建第一模型。
在一种可能的示例,步骤S101包括以下步骤A1~A3,其中:
A1:根据第一企业的第一企业信息获取第一企业的第一业务,以及第一业务的第一业务关系。
其中,第一业务是第一企业中的一项业务,需要说明的是,第一业务的数量可以为一个或多个,在此不做限定。例如,当第一企业为代理公司时,第一业务可以是专利代理和商标代理等;当第一企业为证券公司时,第一业务可以是基金业务和股票业务等。
第一业务关系包括第一业务的生产流程以及销售流程等业务环节。可以理解为,将第一业务关系的生产流程以及销售流程等业务环节对应的非结构化或者半结果数据转化为结构化的数据,并且以图像和文字的形式进行描述。本申请对于获取第一业务关系的方法不做限定,可逐项分析各个业务环节中的关系,再以图像和文字的形式表示出来,从而整合各个业务环节得到第一业务关系。例如,第一业务是否存在原材料,原材料加工之后得到的成品是什么,采用什么技术、什么仪器进行加工,该技术和仪器是否受限,原材料来源或原材料购买渠道,成品销售渠道等等。以上信息可进行抽离为业务环节,通过各个业务环节之间的关联关系进行连接,得到一条从原材料购买到成品销售的业务关系。
A2:根据第二企业的第二企业信息获取第二企业的第二业务,以及第二业务的第二业务关系。
其中,第二业务是第二企业的一项业务,第二业务关系包括第二业务的生产流程以及销售流程等业务环节。第二业务和第二业务关系可参照第一业务和第一业务关系的描述,在此不再赘述。需要说明的是,第二业务的数量可以为一个或多个,在此不做限定。
A3:根据第一业务关系和第二业务关系构建第一模型。
本申请对于第一业务关系和第二业务关系构建第一模型的方法不做限定,可以查找第一业务关系和第二业务关系中关联的业务环节,再整合两个业务关系得到第一模型。需要说明的是,第一模型应该还包括第一企业的其他业务的业务关系和第二企业的其他业务的业务关系,以及第一企业和第二企业对应的行业中的其他企业中业务的业务关系进行构建,本申请实施例以第一业务关系和第二业务关系进行举例说明。
在第一业务和第二业务之间为包含关系时,可以理解为,第一业务与第二业务相同,或者第二业务为第一业务的子业务,或者第一业务为第二业务的子业务的情况。在一种可能的示例中,步骤A3包括:根据第二业务关系对第一业务关系进行处理,得到第一模型。
其中,处理包括更新和融合操作。可以理解,在第一业务包括第二业务时,第二业务可能包括更为详细的业务关系。而在第二业务包括第一业务时,第二业务可能包括范围更大的业务关系。根据第二业务关系对第一业务关系进行处理得到第一模型,可提高构建第一模型的准确率。
在第一业务和第二业务之间为非包含关系时,可以理解为,第一业务与第二业务不相同,且第二业务和第一业务之间没有包含关系,或者可以理解为,第一业务和第二业务之间的关联关系不是包含关系。在一种可能的示例中,步骤A3包括:获取第一业务关系和第二业务关系之间的关联节点;根据关联节点,对第一业务关系和第二业务关系进行处理,得到第一模型。
其中,关联节点与第一业务关系和第二业务关系均相关。可以理解,在第一业务和第二业务之间为非包含关系时,从第一业务关系和第二业务关系中的关联节点出发,对第一业务关系和第二业务关系进行处理得到第一模型,可提高构建第一模型的准确率。
可以理解,在步骤A1~A3中,分别获取第一企业和第二企业的业务,并分别获取该业务的业务关系,再根据得到的业务关系构建第一模型,可提高构建第一模型的准确率。
S102:搜索第一企业和第二企业对应的第一事件信息。
在本申请实施例中,第一事件信息可以是与第一企业或第二企业直接相关的事件信息,也可以是与第一企业或第二企业的业务、产业或行业相关的事件信息,还可以是与第一企业的材料相关的事件信息等,在此不做限定。
本申请对于搜索第一事件信息的方法不做限定,可采用网络爬虫技术进行搜索。其中,网络爬虫又称为网页蜘蛛、网络机器人,或者网页追逐者等,是一种按照一定规则自动地抓取网络信息的程序或脚本。可以理解,通过网络爬虫技术对网页中的信息进行追踪得到第一事件信息,可避免遗漏可参考事件,提高了搜索的全面性。
在一种可能的示例,步骤S102包括以下步骤B1~B4,其中:
B1:确定第一企业和第二企业对应的行业类型。
其中,行业类型用于描述行业的主营业务所处的行业。可以理解,不同的行业关注的网站不同,例如,材料加工行业关注的是材料相关的网站,计算机行业关注的是程序构架相关的网站,医疗行业关注的是医疗相关的网站等。需要说明的是,第一企业和第二企业对应的行业类型可以相同,也可以不同,在此不做限定。
B2:根据第一企业信息和第二企业信息获取第一企业和第二企业对应的关键词。
其中,关键词可以是第一企业信息和第二企业信息中涉及的行业用语、业务名称、产品名称、产品形态、原材料名称等等,在此不做限定。本申请对于获取关键词的方法也不做限定,可以按照业务类型对第一企业信息和第二企业信息进行分类汇总,得到关键信息;再对关键信息进行提取得到。可以理解,先按照业务类型提取第一企业和第二企业的关键信息,再提取关键信息中的关键词,可提高获取关键词的准确率。
B3:根据行业类型和关键词搜索第一网站。
其中,第一网站可以是第一企业的企业网站或第二企业的企业网站;或者可以是第一企业和第二企业相关的网站,例如,第一企业为专利公司,第一网站可以为专利检索网站;第一企业为材料加工公司,第一网站可以为财经网站、材料网站等。或者可以是关键词为第一网站的热搜词的网站等等。需要说明的是,第一网站的数量可以为一个或多个,在此不做限定。本申请实施例可以基于行业类型和关键词分别搜索至少一个网站,再从至少一个网站中选取第一网站;获取可以先基于行业类型搜索至少一个网站,再基于关键词从至少一个网站中选取第一网站等。可以理解,从行业类型和关键词的角度搜索第一网站,可提高搜索第一网站的准确率。
B4:从第一网站中搜索第一事件信息。
其中,第一事件信息可以是直接与第一企业或第二企业对应的事件,也可以是第一企业和第二企业中业务相关的事件等,在此不做限定。本申请对于从第一网站中搜索第一事件信息的方法也不做限定,可根据第一企业的第一业务、该第一业务的业务类型以及涉及的材料等关键词搜索第一事件信息,可提高搜索的全面性,可避免遗漏信息,便于提高事件分析的准确率。
在一种可能的示例中,步骤B4包括:获取第一网站对应的第二事件;若第二事件包括关键词,则确定第二事件为第一事件信息。
其中,第二事件可以为第一网站中的头条新闻,或者可以是第一网站中点击率较高的事件,或者可以是国际事件等重要级别的事件,或者可以是用户所关注的事件等。需要说明的是,第二事件的数量可以为一个或多个,在此不做限定。
本申请对于获取第二事件的方法也不做限定,可以获取第一网站中各个事件的优先级和点击率;根据优先级和点击率计算事件的第一评价值;将第一评价值大于或等于预设阈值的事件作为第二事件。也就是说,从事件的优先级和点击率出发,获取事件的第一评价值,再依据第一评价值选取第二事件,可提高第二事件的参考价值,便于提高事件分析的准确率。
可以理解,在该示例中,先获取第一网站中的第二事件,在第二事件包括关键词时,确定该第二事件为第一事件信息,提高了第二事件的参考价值,便于提高事件分析的准确率。
可以理解,在步骤B1~B4中,先搜索第一企业和第二企业对应的行业类型,根据第一企业信息和第二企业信息获取第一企业和第二企业对应的关键词。再根据关键词和行业类型搜索第一网站,从第一网站中搜索第一事件信息,可避免遗漏与第一企业和第二企业相关的信息,便于提高事件分析的准确率。
S103:根据第一事件信息对第一模型进行处理,得到第二模型。
在本申请实施例中,第二模型也可以是一种知识图谱,可以分析第一事件信息产生的结果是否与第一模型中的节点相关,若是,则更新该第一模型。反之,不对第一模型进行处理。可以理解,当第二模型为知识图谱时,在接收待预测事件时,可先解析该待预测事件的事件参数,若为第二模型中的节点,则可基于该节点查找关联的节点,从而得到事件影响信息。
在一种可能的示例,步骤S103包括以下步骤C1~C3,其中:
C1:对第一事件信息进行解析,得到事件参数。
其中,事件参数包括事件名称、事件原因和事件结果等,在此不做限定。
C2:查找第一模型中与事件参数关联的第一节点。
其中,第一节点是第一模型中与事件参数关联的节点,可以是事件参数中的事件结果造成影响的节点,或者可以与事件原因或事件结果关联的节点等,在此不做限定。需要说明的是,本申请实施例所描述的影响包括正面影响和/或负面影响。第一节点的数量可以为一个或多个,在此不做限定。
C3:根据事件参数对第一节点进行处理,得到第二模型。
本申请对于第一节点的更新方法不做限定,可以生成事件参数对应的事件关系,再通过与第一节点关联的事件参数与第一节点建立连接,得到第二模型。
举例来说,第一模型如图2所示,第二企业的主营业务为节点3对应的业务,且节点1的下游业务分别为节点2和节点3对应的业务。第一事件信息的事件参数包括事件名称和事件结果,且事件结果和节点1对应的业务相关,则确定第一节点为节点1,根据事件参数对第一节点进行处理得到的第二模型如图3所示。
可以理解,在步骤C1~C3中,先获取第一事件信息的事件参数,再获取第一模型中与事件参数关联的第一节点,从而根据事件参数对第一节点进行处理,得到第二模型。也就是说,基于实际发生的事件对企业的模型进行处理,可识别待预测事件对企业的影响,便于提高事件分析的准确率。
第二模型还可以是一种神经网络模型,也就是说,将第一模型中的节点作为特征模块,基于不同的第一事件信息,对特征模块进行训练得到的神经网络模型。可以理解,当第二模型为神经网络模型时,直接将待预测事件输入至第二模型可得到待预测事件的事件影响信息。
S104:在检测到待预测事件时,将待预测事件信息输入至第二模型进行预测,得到第一企业和/或第二企业的事件影响信息。
在本申请实施例中,待预测事件可以是第一企业对应的工作人员在电子设备中输入的事件信息或事件信息中的关键信息;或者可以是工作人员所复制粘贴得到的事件信息,例如,新闻、视频等;或者可以是电子设备自行检索到的相关信息,例如,第一企业的信息、第二企业的信息、热搜、头条新闻等。本申请对于待预测事件不做限定,待预测事件信息可以以文字、图片、视频等形式描述。
本申请对于检测待预测事件的方法也不做限定,可以接收到待预测事件的输入,或检索到满足预设条件的信息等。其中,预设条件可以是指与第一企业或第二企业相关,或与第一企业或第二企业中的企业员工相关,或待预测事件中所描述的信息与关键词相关等,在此不做限定。
在一种可能的示例中,如图1所示的方法还包括:获取第一网站在第一时段内的第三事件;若第三事件满足预设条件,则将第三事件作为待预测事件,且确定检测到待预测事件。
其中,第一时段不做限定,可以根据第一网站的访问数量进行设置,例如,访问数量较多时,第一时段的时长为一个小时,访问数量较少时,第一时段的时长为一天。第一时段还可根据第一业务或第二业务的访问数量进行设置。
第三事件可以是第一企业或第二企业的信息,或者可以为第一网站中的头条新闻,或者可以是第一网站中点击率较高的事件,或者可以是国际事件等重要级别的事件,或者可以是用户所关注的事件等。需要说明的是,第三事件的数量可以为一个或多个,在此不做限定。
本申请对于获取第三事件的方法也不做限定,可以获取第三网站中各个事件的优先级和点击率;根据优先级和点击率计算事件的第二评价值;选取第二评价值大于或等于第一阈值的事件;再获取该事件与第一企业或第二企业之间的关联值;若关联值大于或等于第二阈值,则确定该事件为待预测事件,且检测到了待预测事件。
也就是说,从事件的优先级和点击率出发,获取事件的第二评价值,再选取第二评价值大于或等于第一阈值的事件。然后获取事件与第一企业或第二企业之间的关联值,根据关联值选取待预测事件,可提高待预测事件的参考价值,便于提高事件分析的准确率。
可以理解,将满足预设条件的第三事件作为待预测事件信息,可提高选取待预测事件的准确率,便于提高事件分析的准确率。
在本申请实施例中,事件影响信息可包括正面影响信息和/或负面影响信息,具体可以是针对第一企业,或第二企业,或第一企业对应的行业,或第二企业对应的行业中资金链、材料、产品销量等方面的影响,在此不做限定。
在一种可能的示例中,获取事件影响信息对应的第三评价值;将事件影响信息发送给第三评价值对应的提示人。
其中,第三评价值用于事件影响信息的影响值。本申请对获取第三评价值的方法不做限定,可以根据待预测事件的影响范围,和第一企业和/或第二企业的承受能力进行获取。其中,待预测事件的影响范围可以通过待预测事件的影响时长、影响区域等影响因素进行获取,第一企业和/或第二企业的承受能力可通过第一企业和/或第二企业的资金状态、贷款情况和销售情况等生产能力进行获取。可以理解,从待预测事件的影响范围,和第一企业和/或第二企业的承受能力两方面出发获取第三评价值,可提高获取第三评价值的准确率。
提示人可以是输入待预测事件的企业员工,或者可以是第一企业或第二企业对应的联系人,或者可以是第一企业和第二企业对应的联系人等中的一个,在此不做限定。
可以理解,在该示例中,先获取事件影响信息对应的第三评价值,再将事件影响信息发送给第三评价值对应的提示人,可提高提示的准确率,便于不同级别的提示人针对当前事件影响做出决策。
在图1所示的方法中,先根据第一企业的第一企业信息和第二企业的第二企业信息构建第一模型,搜索第一企业和第二企业对应的第一事件信息。再根据第一事件信息对第一模型进行处理,得到第二模型。在检测到预测事件时,将待预测事件输入至第二模型进行预测,得到第一企业和/或第二企业的事件影响信息。也就是说,基于事件对企业的模型进行处理,可识别待预测事件对企业的影响,提高了事件分析的准确率。
上述详细阐述了本申请实施例的方法,下面提供了本申请实施例的装置。
与图1所示的实施例一致,请参照图4,图4是本申请提出的一种事件预测装置的结构示意图,如图4所示,上述事件预测装置400包括:
模型构建单元401用于根据第一企业的第一企业信息和第二企业的第二企业信息构建第一模型,所述第二企业包括至少一个与所述第一企业关联的企业;
信息获取单元402用于搜索所述第一企业和所述第二企业对应的第一事件信息;
所述模型构建单元401还用于根据所述第一事件信息,对所述第一模型进行处理,得到第二模型;
事件预测单元403,用于在检测到待预测事件时,将所述待预测事件输入至所述第二模型进行预测,得到所述第一企业和/或所述第二企业的事件影响信息。
在一个可能的示例中,所述模型构建单元401具体用于根据第一企业的第一企业信息获取所述第一企业的第一业务,以及所述第一业务的第一业务关系;根据第二企业的第二企业信息获取所述第二企业的第二业务,以及所述第二业务的第二业务关系;根据所述第一业务关系和所述第二业务关系构建第一模型。
在一个可能的示例中,所述模型构建单元401具体用于若所述第一业务和所述第二业务之间为包含关系,则根据所述第二业务关系,对所述第一业务关系进行处理,得到第一模型;或者,若所述第一业务和所述第二业务之间为非包含关系,则获取所述第一业务关系和所述第二业务关系之间的关联节点;根据所述关联节点,对所述第一业务关系和所述第二业务关系进行处理,得到第一模型。
在一个可能的示例中,所述信息获取单元402具体用于确定所述第一企业和所述第二企业对应的行业类型;根据所述第一企业信息和所述第二企业信息获取所述第一企业和所述第二企业对应的关键词;根据所述行业类型和所述关键词搜索第一网站;从所述第一网站中搜索所述第一事件信息。
在一个可能的示例中,所述信息获取单元402具体用于获取所述第一网站对应的第二事件;若所述第二事件包含所述关键字,则确定所述第二事件为所述第一事件信息。
在一个可能的示例中,所述信息获取单元402还用于获取所述第一网站在第一时段内的第三事件;若所述第三事件满足预设条件,则将所述第三事件作为所述待预测事件,且确定检测到所述待预测事件。
在一个可能的示例中,所述模型构建单元401具体用于对所述第一事件信息进行解析,得到事件参数;查找所述第一模型中与所述事件要素关联的第一节点;根据所述事件参数对所述第一节点进行处理,得到第二模型。
该事件预测装置400中各个单元执行详细过程可以参见前述方法实施例中的执行步骤,此处不在赘述。
与图1的实施例一致,请参照图5,图5是本申请实施例提供的另一种事件预测装置的结构示意图。如图5所示,该事件预测装置500包括处理器510、存储器520、通信接口530以及一个或至少一个程序540。图4所示的模型构建单元401、信息获取单元402和事件预测单元403所实现的相关功能可通过处理器510来实现。
上述一个或至少一个程序540被存储在上述存储器520中,并且被配置由上述处理器510执行,上述程序540包括用于执行以下步骤的指令:
根据第一企业的第一企业信息和第二企业的第二企业信息构建第一模型,所述第二企业包括至少一个与所述第一企业关联的企业;
搜索所述第一企业和所述第二企业对应的第一事件信息;
根据所述第一事件信息对所述第一模型进行处理,得到第二模型;
在检测到待预测事件时,将所述待预测事件输入至所述第二模型进行预测,得到所述第一企业和/或所述第二企业的事件影响信息。
在一个可能的示例中,在所述根据第一企业的第一企业信息和第二企业的第二企业信息构建第一模型方面,所述程序540具体用于执行以下步骤的指令:
根据第一企业的第一企业信息获取所述第一企业的第一业务,以及所述第一业务的第一业务关系;
根据第二企业的第二企业信息获取所述第二企业的第二业务,以及所述第二业务的第二业务关系;
根据所述第一业务关系和所述第二业务关系构建第一模型。
在一个可能的示例中,在所述根据所述第一业务关系和所述第二业务关系构建第一模型方面,所述程序540具体用于执行以下步骤的指令:
若所述第一业务和所述第二业务之间为包含关系,则根据所述第二业务关系,对所述第一业务关系进行处理,得到第一模型;或者,若所述第一业务和所述第二业务之间为非包含关系,则获取所述第一业务关系和所述第二业务关系之间的关联节点;根据所述关联节点,对所述第一业务关系和所述第二业务关系进行处理,得到第一模型。
在一个可能的示例中,在所述搜索所述第一企业和所述第二企业对应的第一事件信息方面,所述程序540具体用于执行以下步骤的指令:
确定所述第一企业和所述第二企业对应的行业类型;
根据所述第一企业信息和所述第二企业信息获取所述第一企业和所述第二企业对应的关键词;
根据所述行业类型和所述关键词搜索第一网站;
从所述第一网站中搜索所述第一事件信息。
在一个可能的示例中,在所述从所述第一网站中搜索所述第一事件信息方面,所述程序540具体用于执行以下步骤的指令:
获取所述第一网站对应的第二事件;
若所述第二事件包含所述关键字,则确定所述第二事件为所述第一事件信息。
在一个可能的示例中,所述程序540还用于执行以下步骤的指令:
获取所述第一网站对应的第三事件;
若所述第三事件满足预设条件,则将所述第三事件作为所述待预测事件,且检测到所述待预测事件。
在一个可能的示例中,在所述根据所述第一事件信息,对所述第一模型进行处理,得到第二模型方面,所述程序540具体用于执行以下步骤的指令:
对所述第一事件信息进行解析,得到事件参数;
查找所述第一模型中与所述事件要素关联的第一节点;
根据所述事件参数对所述第一节点进行处理,得到第二模型。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于存储计算机程序,该计算机程序使得计算机执行以实现方法实施例中记载的任一方法的部分或全部步骤,计算机包括电子设备。
本申请实施例还提供一种计算机程序产品,计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,计算机程序可操作来使计算机执行以实现方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,计算机包括电子设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模式并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如至少一个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到至少一个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件程序模式的形式实现。
集成的单元如果以软件程序模式的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。根据这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(read-only memory,ROM)、随机存取存储器(randomaccess memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、ROM、RAM、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种事件预测方法,其特征在于,包括:
根据第一企业的第一企业信息和第二企业的第二企业信息构建第一模型,所述第二企业包括至少一个与所述第一企业关联的企业;
搜索所述第一企业和所述第二企业对应的第一事件信息;
根据所述第一事件信息对所述第一模型进行处理,得到第二模型;
在检测到待预测事件时,将所述待预测事件输入至所述第二模型进行预测,得到所述第一企业和/或所述第二企业的事件影响信息。
2.根据权利要求1所述的方法,其特征在于,所述根据第一企业的第一企业信息和第二企业的第二企业信息构建第一模型,包括:
根据第一企业的第一企业信息获取所述第一企业的第一业务,以及所述第一业务的第一业务关系;
根据第二企业的第二企业信息获取所述第二企业的第二业务,以及所述第二业务的第二业务关系;
根据所述第一业务关系和所述第二业务关系构建第一模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一业务关系和所述第二业务关系构建第一模型,包括:
若所述第一业务和所述第二业务之间为包含关系,则根据所述第二业务关系,对所述第一业务关系进行处理,得到第一模型;或者,
若所述第一业务和所述第二业务之间为非包含关系,则获取所述第一业务关系和所述第二业务关系之间的关联节点;根据所述关联节点,对所述第一业务关系和所述第二业务关系进行处理,得到第一模型。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述搜索所述第一企业和所述第二企业对应的第一事件信息,包括:
确定所述第一企业和所述第二企业对应的行业类型;
根据所述第一企业信息和所述第二企业信息获取所述第一企业和所述第二企业对应的关键词;
根据所述行业类型和所述关键词搜索第一网站;
从所述第一网站中搜索所述第一事件信息。
5.根据权利要求4所述的方法,其特征在于,所述从所述第一网站中搜索所述第一事件信息,包括:
获取所述第一网站对应的第二事件;
若所述第二事件包含所述关键字,则确定所述第二事件为所述第一事件信息。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
获取所述第一网站在第一时段内的第三事件;
若所述第三事件满足预设条件,则将所述第三事件作为所述待预测事件,且确定检测到所述待预测事件。
7.根据权利要求1-3中任一项所述的方法,其特征在于,所述根据所述第一事件信息,对所述第一模型进行处理,得到第二模型,包括:
对所述第一事件信息进行解析,得到事件参数;
查找所述第一模型中与所述事件要素关联的第一节点;
根据所述事件参数对所述第一节点进行处理,得到第二模型。
8.一种事件预测装置,其特征在于,包括:
模型构建单元,用于根据第一企业的第一企业信息和第二企业的第二企业信息构建第一模型,所述第二企业包括至少一个与所述第一企业关联的企业;
信息获取单元,用于搜索所述第一企业和所述第二企业对应的第一事件信息;
所述模型构建单元,还用于根据所述第一事件信息,对所述第一模型进行处理,得到第二模型;
事件预测单元,用于在检测到待预测事件时,将所述待预测事件输入至所述第二模型进行预测,得到所述第一企业和/或所述第二企业的事件影响信息。
9.一种事件预测装置,其特征在于,包括处理器、存储器、通信接口以及一个或至少一个程序,其中,所述一个或至少一个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行权利要求1-7任一项方法中的步骤的指令。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机程序,所述计算机程序使得计算机执行以实现权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011490676.5A CN112529308A (zh) | 2020-12-16 | 2020-12-16 | 事件预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011490676.5A CN112529308A (zh) | 2020-12-16 | 2020-12-16 | 事件预测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112529308A true CN112529308A (zh) | 2021-03-19 |
Family
ID=75000782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011490676.5A Pending CN112529308A (zh) | 2020-12-16 | 2020-12-16 | 事件预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529308A (zh) |
-
2020
- 2020-12-16 CN CN202011490676.5A patent/CN112529308A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20160132904A1 (en) | Influence score of a brand | |
US11275748B2 (en) | Influence score of a social media domain | |
CN110442712B (zh) | 风险的确定方法、装置、服务器和文本审理系统 | |
WO2020037917A1 (zh) | 一种用户行为数据推荐方法、服务器及计算机可读介质 | |
US20060112111A1 (en) | System and methods for data analysis and trend prediction | |
WO2016035072A2 (en) | Sentiment rating system and method | |
US20130332385A1 (en) | Methods and systems for detecting and extracting product reviews | |
CN110516173B (zh) | 一种非法网站识别方法、装置、设备及介质 | |
US20200005417A1 (en) | Techniques for generating analytics based on interactions through digital channels | |
CN115564486A (zh) | 一种数据推送方法、装置、设备和介质 | |
CN111666298A (zh) | 基于flink的用户服务类别检测方法、装置、计算机设备 | |
CN110674404A (zh) | 链接信息生成方法、装置、系统、存储介质及电子设备 | |
CN109829593B (zh) | 目标对象的信用度确定方法、装置、存储介质及电子装置 | |
CN115204889A (zh) | 文本处理方法、装置、计算机设备及存储介质 | |
CN113378040A (zh) | 一种用于推广的用户行为分析方法及设备 | |
CN111339438A (zh) | 好友关系数据处理方法、服务器、终端设备及存储介质 | |
CN113961811B (zh) | 基于事件图谱的话术推荐方法、装置、设备及介质 | |
CN112529308A (zh) | 事件预测方法、装置及存储介质 | |
US11562121B2 (en) | AI driven content correction built on personas | |
CN112085566B (zh) | 基于智能决策的产品推荐方法、装置及计算机设备 | |
CN111222918B (zh) | 关键词挖掘方法、装置、电子设备及存储介质 | |
CN112507220A (zh) | 信息推送方法、装置及介质 | |
CN110674386B (zh) | 资源推荐方法、装置及存储介质 | |
Tsai et al. | Object architected design and efficient dynamic adjustment mechanism of distributed web crawlers | |
US11847229B1 (en) | System, device, and method for transient event detection |
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 |