CN113240325A - 数据处理方法、装置、设备及存储介质 - Google Patents
数据处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113240325A CN113240325A CN202110612971.1A CN202110612971A CN113240325A CN 113240325 A CN113240325 A CN 113240325A CN 202110612971 A CN202110612971 A CN 202110612971A CN 113240325 A CN113240325 A CN 113240325A
- Authority
- CN
- China
- Prior art keywords
- information
- quantitative
- index
- request
- qualitative
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 22
- 238000003745 diagnosis Methods 0.000 claims description 51
- 239000013598 vector Substances 0.000 claims description 50
- 230000011218 segmentation Effects 0.000 claims description 36
- 238000013507 mapping Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 23
- 238000003066 decision tree Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 abstract description 22
- 230000006870 function Effects 0.000 description 10
- 230000008520 organization Effects 0.000 description 10
- 238000011161 development Methods 0.000 description 9
- 230000018109 developmental process Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011157 data evaluation Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000012447 hatching Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据处理，提供一种数据处理方法、装置、设备及存储介质。该方法能够基于请求需求生成的分析指标获取对象信息，分析指标包括定性指标及定量指标，根据请求对象的对象特征及定性指标获取定性信息，分析定性信息，得到对象类型，根据对象类型及定量指标获取定量信息，基于定量分析模型对定量信息进行处理，得定量分值，根据对象类型及定量分值匹配的相似对象生成对象需求，将定性信息、定量信息及对象需求输入至措施生成模型中，得到推荐实施方式。本发明能够准确的确定出对象需求，进而准确的确定出推荐实施方式。此外，本发明还涉及区块链技术，所述推荐实施方式可存储于区块链中。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种数据处理方法、装置、设备及存储介质。
背景技术
企业诊断，是由具有丰富经营理论知识和实践经验的专家，与企业有关人员密切配合，应用科学的方法找出企业经营战略和经营管理上存在的问题，分析产生问题的原因，提出改进方案的方式。目前通常采用同行评议法、层次分析法、加权优序法、效用函数法、相关分析法、综合诊断法及模糊综合诊断法等方式对企业进行诊断，这些方式只能找出企业经营战略和经营管理上存在的问题，而无法评估出企业的综合能力，为此，通过三级诊断体系方式评估企业的综合能力的方式应运而生。
然而，在现有的企业综合能力评估方式中，由于无法全面结合企业信息对企业进行分析，也无法准确的确定出企业评估过程中所需的指标，从而导致无法准确的确定出企业的综合能力，造成无法准确的为企业进行定位。
发明内容
鉴于以上内容，有必要提供一种数据处理方法、装置、设备及存储介质，能够准确的确定出所述请求对象的对象需求，从而准确的确定出与所述对象需求匹配的推荐实施方式。
一方面，本发明提出一种数据处理方法，所述数据处理方法包括：
接收分析请求，并根据所述分析请求确定请求对象及请求需求；
基于所述请求需求生成的分析指标获取所述请求对象的对象信息，所述分析指标包括定性指标及定量指标；
根据所述请求对象的对象特征及所述定性指标从所述对象信息中获取定性信息；
分析所述定性信息，得到所述请求对象所属的对象类型；
根据所述对象类型及所述定量指标从所述对象信息中获取定量信息；
基于预先训练好的定量分析模型对所述定量信息进行运算处理，得到所述请求对象的定量分值；
根据同时与所述对象类型及所述定量分值匹配的相似对象生成所述请求对象的对象需求；
将所述定性信息、所述定量信息及所述对象需求输入至预先训练好的措施生成模型中，得到所述请求对象的推荐实施方式。
根据本发明优选实施例，所述基于所述请求需求生成的分析指标获取所述请求对象的对象信息包括：
获取预设指标映射表，所述预设指标映射表中存储有预设指标与指标向量之间的映射关系；
根据所述指标向量确定所述预设指标的编码方式；
基于所述编码方式对所述请求需求进行向量化处理，得到需求向量；
计算所述需求向量与每个所述指标向量之间的相似度，并将计算得到的所述相似度中取值最小的相似度所对应的指标向量确定为目标向量；
从所述预设指标映射表中获取与所述目标向量对应的预设指标作为所述分析指标；
获取所述分析指标的全部指标因素，并获取与每个所述指标因素关联的特征因素；
将每个所述指标因素及每个所述特征因素确定为初始因素，并获取所述请求对象的初始信息；
从所述初始信息中获取包含有所述初始因素的信息作为所述对象信息。
根据本发明优选实施例，所述根据所述请求对象的对象特征及所述定性指标从所述对象信息中获取定性信息包括：
获取所述请求对象的业务信息；
识别所述业务信息中与预设标签对应的信息，得到所述对象特征；
从所述定性指标中的所有因素中获取与所述对象特征关联的因素作为定性诊断因素；
从预设决策树中获取所述定性诊断因素的二级因素；
从所述对象信息中提取每个语句信息的语义词汇，并将与所述二级因素匹配的语义词汇所在的语句信息确定为所述定性信息。
根据本发明优选实施例，所述从所述对象信息中提取每个语句信息的语义词汇包括：
根据预设标识对所述对象信息进行分句处理，得到所述语句信息；
根据预设词典对所述语句信息进行分词处理，得到多个分词路径及每个分词路径所对应的路径分词；
根据所述路径分词在所述预设词典中的分词权值计算每个分词路径的分词概率；
将所述分词概率最大的分词路径所对应的路径分词确定为所述语句信息的信息分词；
分析所述信息分词在所述语句信息中的词性；
将所述词性为预设词性的信息分词确定为所述语义词汇。
根据本发明优选实施例，所述分析所述定性信息，得到所述请求对象所属的对象类型包括：
根据每个所述二级因素确定每个所述定性信息的信息类型，所述信息类型包括数值型及文字型；
根据所述信息类型分析每个所述定性信息，得到每个所述二级因素所对应的因素值；
根据所述因素值确定每个所述二级因素所对应的初始类型；
计算每个所述初始类型的类型总量，并将所述类型总量最多的初始类型确定为所述对象类型。
根据本发明优选实施例，所述基于预先训练好的定量分析模型对所述定量信息进行运算处理，得到所述请求对象的定量分值包括：
从所述定量分析模型中获取定量诊断因素的因素权值，所述定量诊断因素是根据所述对象特征及所述对象类型从所述定量指标中获取到的；
根据所述定量信息从配置表中获取每个所述定量诊断因素所对应的信息值；
根据所述因素权值对所述信息值进行加权和运算，得到所述定量分值。
根据本发明优选实施例，所述根据同时与所述对象类型及所述定量分值匹配的相似对象生成所述请求对象的对象需求包括：
将所述定量分值所在的区间确定为定量区间；
从对象库中获取同时与所述对象类型及所述定量区间匹配的对象作为所述相似对象；
从所述对象库中获取所述相似对象在所述对象类型及所述定量区间中所处的时段；
根据所述时段确定目标时段，并从所述对象库中获取同时与所述目标时段及所述相似对象对应的需求作为目标需求；
获取所述相似对象在所述定量指标中的目标分值；
计算所述定量分值与所述目标分值的差值，并根据所述目标分值、所述目标需求及所述差值生成所述对象需求。
另一方面，本发明还提出一种数据处理装置，所述数据处理装置包括：
确定单元，用于接收分析请求，并根据所述分析请求确定请求对象及请求需求；
获取单元，用于基于所述请求需求生成的分析指标获取所述请求对象的对象信息，所述分析指标包括定性指标及定量指标；
所述获取单元，还用于根据所述请求对象的对象特征及所述定性指标从所述对象信息中获取定性信息；
分析单元，用于分析所述定性信息，得到所述请求对象所属的对象类型；
所述获取单元，还用于根据所述对象类型及所述定量指标从所述对象信息中获取定量信息；
处理单元，用于基于预先训练好的定量分析模型对所述定量信息进行运算处理，得到所述请求对象的定量分值；
生成单元，用于根据同时与所述对象类型及所述定量分值匹配的相似对象生成所述请求对象的对象需求；
输入单元，用于将所述定性信息、所述定量信息及所述对象需求输入至预先训练好的措施生成模型中，得到所述请求对象的推荐实施方式。
另一方面，本发明还提出一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述数据处理方法。
另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述数据处理方法。
由以上技术方案可以看出，本发明通过所述请求需求能够准确的确定出分析所述请求对象所需的指标，进而根据所述定性指标及所述定量指标两大指标维度能够全面获取到所述对象信息，从而能够准确的分析出所述请求对象的综合能力，实现对所述请求对象的准确定位，以提高所述推荐实施方式的合理性，通过对所述定性信息以及所述定量信息的分析，由于结合了两大指标维度的维度特征及所述请求对象的对象特征对所述对象信息进行分析，因此，能够准确的确定出所述请求对象的相似对象，从而能够准确的确定出适合所述请求对象发展的对象需求，进而利用所述措施生成模型能够从人工智能化决策上准确的确定出所述推荐实施方式，以通过所述推荐实施方式推进所述请求对象实现所述对象需求。
附图说明
图1是本发明数据处理方法的较佳实施例的流程图。
图2是本发明数据处理装置的较佳实施例的功能模块图。
图3是本发明实现数据处理方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明数据处理方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述数据处理方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，接收分析请求，并根据所述分析请求确定请求对象及请求需求。
在本发明的至少一个实施例中，所述分析请求可以由任意用户触发，本发明对所述分析请求的触发条件不作限制。
所述分析请求中包括对象识别码、需求编号等。
所述请求对象是指需要进行数据评估的对象，所述请求对象通常为企业。
所述请求需求可以是企业的综合能力评估。
在本发明的至少一个实施例中，所述电子设备根据所述分析请求确定请求对象及请求需求包括：
解析所述分析请求的报文，得到所述报文携带的数据信息；
从所述数据信息中获取指示对象的信息作为对象识别码，并从所述数据信息中获取指示需求的信息作为需求编码；
从预设对象列表中获取与所述对象识别码对应的对象作为所述请求对象，并从所述预设对象列表中获取所述对象识别码的需求作为待分析需求；
从所述待分析需求中提取与所述需求编码对应的需求作为所述请求需求。
其中，所述数据信息中包括所述对象识别码、所述需求编码等。所述对象识别码用于唯一指示对象，所述需求编码用于指示需求。
所述预设对象列表中存储有多个对象、多个识别码与多个需求的映射关系。
通过解析所述报文，由于无需解析整个请求，因此能够快速获取到所述对象识别码及所述需求编码，此外，由于无需在所有需求中遍历所述需求编码，而只需在所述待分析需求中遍历所述需求编码，因此，能够快速确定出所述请求需求，同时，通过所述预设对象列表能够准确的确定出与所述对象识别码存在映射关系的所述请求对象。
S11，基于所述请求需求生成的分析指标获取所述请求对象的对象信息，所述分析指标包括定性指标及定量指标。
在本发明的至少一个实施例中，所述分析指标是指处理所述请求需求所需的指标。
所述对象信息是指处理所述请求需求时所需的与所述请求对象有关的信息。所述对象信息可以从所述请求对象的年度总结表中获取。
所述定性指标是指从组织成熟度上分析所述请求对象，所述定性指标通常包括业务导向、创新运用及敏捷操作等三大定性诊断因素。
所述定量指标是从组织能力上分析请求对象。所述定量指标通常包括稳定运营、快速交付、业务支撑、架构合理、人员组织、成本管控、IT架构蓝图、新技术布局、建设路线图等九大定量诊断因素。
在本发明的至少一个实施例中，所述电子设备基于所述请求需求生成的分析指标获取所述请求对象的对象信息包括：
获取预设指标映射表，所述预设指标映射表中存储有预设指标与指标向量之间的映射关系；
根据所述指标向量确定所述预设指标的编码方式；
基于所述编码方式对所述请求需求进行向量化处理，得到需求向量；
计算所述需求向量与每个所述指标向量之间的相似度，并将计算得到的所述相似度中取值最小的相似度所对应的指标向量确定为目标向量；
从所述预设指标映射表中获取与所述目标向量对应的预设指标作为所述分析指标；
获取所述分析指标的全部指标因素，并获取与每个所述指标因素关联的特征因素；
将每个所述指标因素及每个所述特征因素确定为初始因素，并获取所述请求对象的初始信息；
从所述初始信息中获取包含有所述初始因素的信息作为所述对象信息。
其中，所述预设指标是指在企业诊断过程中预先设定好的所有初始化指标。所述指标向量是指能够表征所述预设指标语义的向量。
所述编码方式包括所述指标向量中每个元素的生成方式及所述指标向量中所有元素的拼接方式。
所述所有指标因素是指所述分析指标中所包含的所有因素，所述所有指标因素包括所述定性指标中的所有因素，所述定量指标中的所有因素，以及其他指标中的因素，所述特征因素是指与每个指标因素具有关联关系的因素，所述特征因素不属于所述分析指标所包含的因素。例如，所述所有指标因素包括业务导向、创新运用、敏捷操作等。所述特征因素可以包括考核指标等。
所述初始信息是指所述请求对象的背景信息。
通过与所述指标向量相同的编码方式对所述请求需求进行向量化处理，能够从同一维度上生成所述需求向量，提高所述相似度的准确性，从而提高所述分析指标的准确性，进而通过所述所有指标因素及与所述所有指标因素关联的特征因素能够全面的从所述初始信息中筛选出所述对象信息，以便对所述请求对象进行全面分析，同时，通过对所述初始信息进行筛选，由于无需对所有初始信息进行分析，提高了所述定性信息及所述定量信息的获取效率。
具体地，所述电子设备从所述初始信息中获取包含有所述初始因素的信息作为所述对象信息包括：
对所述初始信息进行划分，得到初始语句；
根据所述初始因素遍历所述初始语句；
将包含有所述初始因素的所述初始语句确定为目标语句；
拼接所述目标语句，得到所述对象信息。
通过对所述初始语句进行遍历，能够从所述初始信息中全面并准确的获取到所述对象信息。
S12，根据所述请求对象的对象特征及所述定性指标从所述对象信息中获取定性信息。
在本发明的至少一个实施例中，所述对象特征是指所述请求对象的主营产品或者主营业务。
所述定性信息是指所述请求对象在所述定性诊断因素中的因素信息。
在本发明的至少一个实施例中，所述电子设备根据所述请求对象的对象特征及所述定性指标从所述对象信息中获取定性信息包括：
获取所述请求对象的业务信息；
识别所述业务信息中与预设标签对应的信息，得到所述对象特征；
从所述定性指标中的所有因素中获取与所述对象特征关联的因素作为定性诊断因素；
从预设决策树中获取所述定性诊断因素的二级因素；
从所述对象信息中提取每个语句信息的语义词汇，并将与所述二级因素匹配的语义词汇所在的语句信息确定为所述定性信息。
其中，所述业务信息可以是指所述请求对象所涉及的所有业务。所述业务信息的展现形式可以是PDF等。
所述预设标签是指用于指示主要营业业务的标签，所述对象特征用于指示所述请求对象的主要营业业务。
所述定性诊断因素包括：业务导向、创新运用、敏捷操作。
进一步地，所述业务导向中的所述二级因素包括，但不限于：组织架构及考核激励。所述组织架构主要评估所述请求对象是否建立以业务/产品为导向的组织架构；所述考核激励主要评估所述请求对象中IT考核指标体系与业务的关联性。
所述创新运用中的所述二级因素包括，但不限于：创新投入、创新人才、创新成效。所述创新投入主要评估所述请求对象中IT创新预算占IT总预算的比重以及业务成效；所述创新人才主要评估所述请求对象中与科技创新相关的人才占比，例如：大数据人才、尖端科技研发人才等；所述创新成效主要评估所述请求对象中近期(如：6-12个月)的创新孵化成功案例及成效。
所述敏捷操作中的所述二级因素包括，但不限于：敏捷交付、敏捷机制。所述敏捷交付主要评估所述请求对象中IT对于业务需求的交付速度与质量；所述敏捷机制主要评估所述请求对象中敏捷实施的程度及配套机制的完整性。
所述预设决策树中包含有所述定性诊断因素与其二级因素的连结关系。
所述语义词汇是指能够表征所述语句信息的词汇。
通过所述预设标签能够从所述业务信息中准确的识别出所述对象特征，进而根据所述对象特征与因素的关联关系能够从所述第一因素中准确的获取到所述定性诊断因素，通过所述预设决策树能够快速获取到所述二级因素，进而根据所述二级因素及所述对象信息中的语义词汇能够准确的确定出所述定性信息。
具体地，所述电子设备从所述对象信息中提取每个语句信息的语义词汇包括：
根据预设标识对所述对象信息进行分句处理，得到所述语句信息；
根据预设词典对所述语句信息进行分词处理，得到多个分词路径及每个分词路径所对应的路径分词；
根据所述路径分词在所述预设词典中的分词权值计算每个分词路径的分词概率；
将所述分词概率最大的分词路径所对应的路径分词确定为所述语句信息的信息分词；
分析所述信息分词在所述语句信息中的词性；
将所述词性为预设词性的信息分词确定为所述语义词汇。
其中，所述预设标识可以是任意标点符号，例如，所述预设标识可以是顿号、句号、逗号、分号等。
所述预设词典中存储有多个词典词汇及每个词典词汇在所述预设词典中的权值，所述权值可以根据TF-IDF算法确定。
所述预设词性可以是指名词。
通过所述预设标识能够快速对所述对象信息进行划分，通过所述预设词典能够准确的确定出所述信息分词，进而结合所述语句信息对所述信息分词进行词性分析，能够准确的确定出所述语义信息，从而有利于所述定性信息的确定。
S13，分析所述定性信息，得到所述请求对象所属的对象类型。
在本发明的至少一个实施例中，所述对象类型是指根据所述定性信息分析确定得到的类型，所述对象类型包括变革者、差异者、贡献者、赋能者及职能者等。
在本发明的至少一个实施例中，所述电子设备分析所述定性信息，得到所述请求对象所属的对象类型包括：
根据每个所述二级因素确定每个所述定性信息的信息类型，所述信息类型包括数值型及文字型；
根据所述信息类型分析每个所述定性信息，得到每个所述二级因素所对应的因素值；
根据所述因素值确定每个所述二级因素所对应的初始类型；
计算每个所述初始类型的类型总量，并将所述类型总量最多的初始类型确定为所述对象类型。
例如，所述二级因素包括创新投入、创新人才、创新成效，所述创新投入所对应的因素值为3.2、所述创新人才所对应的因素值为3.7、所述创新成效所对应的因素值为2.5，经确定，所述创新投入所对应的初始类型为贡献者，所述创新人才所对应的初始类型为贡献者，所述创新成效所对应的初始类型为赋能者，经计算，所述贡献者的类型总量为2，所述赋能者的类型总量为1，因此，所述对象类型为所述贡献者。
通过上述实施方式，根据所述定性信息的信息类型分析所述定性信息，能够准确的确定出所述二级因素所对应的初始类型，从而能够准确的确定出所述对象类型。
具体地，所述电子设备根据所述信息类型分析每个所述定性信息，得到每个所述二级因素所对应的因素值包括：
若所述信息类型为所述数值型，将与所述信息类型对应的所述定性信息确定为所述因素值；或者
若所述信息类型为所述文字型，分析与所述信息类型对应的所述定性信息所对应的程度，并获取与所述程度对应的数值作为所述因素值。
S14，根据所述对象类型及所述定量指标从所述对象信息中获取定量信息。
在本发明的至少一个实施例中，所述定量信息是指所述请求对象在所述定量诊断因素中的因素信息。
在本发明的至少一个实施例中，所述根据所述对象类型及所述定量指标从所述对象信息中获取定量信息包括：
从所述定量指标中获取同时与所述对象特征及所述对象类型对应的因素作为定量诊断因素；
从所述预设决策树中获取所述定量诊断因素的子因素；
将与所述子因素匹配的语义词汇所在的语句信息确定为所述定量信息。
其中，所述子因素是指与定量诊断因素之间构成父子关系的因素，所述子因素在所述预设决策树中直接与所述定量诊断因素连接。
所述语义词汇能够表征出所述语句信息的语义。
通过上述实施方式，能够准确的从所述对象信息中获取到所述定量信息。
具体地，所述电子设备从所述预设决策树中获取所述定量诊断因素的子因素包括：
从所述预设决策树中确定所述定量诊断因素所在的分支路径；
从所述分支路径中获取所述定量诊断因素的子结点作为所述子因素。
通过所述定量诊断因素能够准确的从所述预设决策树中确定出所述分支路径，并根据所述分支路径能够准确的获取到所述子因素。
S15，基于预先训练好的定量分析模型对所述定量信息进行运算处理，得到所述请求对象的定量分值。
在本发明的至少一个实施例中，所述定量分析模型是根据历史训练数据训练生成的，本发明对所述定量分析模型的训练方式不作限制。
所述定量分值是指所述请求对象在组织能力上的能力体现。
在本发明的至少一个实施例中，所述电子设备基于预先训练好的定量分析模型对所述定量信息进行运算处理，得到所述请求对象的定量分值包括：
从所述定量分析模型中获取所述定量诊断因素的因素权值；
根据所述定量信息从配置表中获取每个所述定量诊断因素所对应的信息值；
根据所述因素权值对所述信息值进行加权和运算，得到所述定量分值。
其中，所述配置表中存储有多个定量诊断因素、多个定量信息与多个信息值的映射关系。
通过所述定量分析模型能够快速并准确的确定出所述请求对象在组织能力上的能力体现。
S16，根据同时与所述对象类型及所述定量分值匹配的相似对象生成所述请求对象的对象需求。
在本发明的至少一个实施例中，所述相似对象是指类型与所述对象类型相同，在定量指标上的分值与所述定量分值处于同一数据区间的对象，所述相似对象的类型及在定量指标上的分值不局限于与所述请求对象处于同一时期。例如，所述请求对象在2010年时的对象类型为贡献者，所述定量分值为61分，所述相似对象可以是在2008年时的对象类型为贡献者，所述定量分值为61分的对象。
所述对象需求是指所述请求对象的发展目标。
在本发明的至少一个实施例中，所述电子设备根据同时与所述对象类型及所述定量分值匹配的相似对象生成所述请求对象的对象需求包括：
将所述定量分值所在的区间确定为定量区间；
从对象库中获取同时与所述对象类型及所述定量区间匹配的对象作为所述相似对象；
从所述对象库中获取所述相似对象在所述对象类型及所述定量区间中所处的时段；
根据所述时段确定目标时段，并从所述对象库中获取同时与所述目标时段及所述相似对象对应的需求作为目标需求；
获取所述相似对象在所述定量指标中的目标分值；
计算所述定量分值与所述目标分值的差值，并根据所述目标分值、所述目标需求及所述差值生成所述对象需求。
其中，所述定量区间是指所述定量分值在所述定量指标中所处的数据区间，例如，所述定量分值为61分，所述定量指标中存在数据区间有(50，60]、(60，70]，经确定，得到所述定量区间为(60，70]。
所述对象库中存储有多个对象在定性指标上的类型、在所述定量指标上的分值及所处的当前时段。
所述相似对象是指定性指标上的类型与所述请求对象中的所述对象类型相同，以及在所述定量指标上的分值所处的数据区间与所述请求对象中的所述定量区间相同的对象。需要说明的是，所述相似对象在定性指标上的类型为所述对象类型、在所述定量指标上的分值所处的数据区间为所述定量区间时所处的时段可以与所述请求对象所处的时段不同。
所述时段是指分析得到所述对象类型的定性信息及所述定量区间的定量信息所处的时间段。
所述目标时段是指所述时段的下一个时间段，例如，所述时段为2018年度，则所述目标时段为2019年度。具体地，所述电子设备确定所述时段中所包含的时间间隔，并计算所述时段与所述时间间隔的总和，得到所述目标时段。
所述目标需求是指所述相似对象在所述目标时段的需求。
通过所述对象类型及所述定量区间能够准确的确定出与所述请求对象相似的相似对象，进而根据所述相似对象的目标需求，以及所述请求对象与所述相似对象在所述定量指标上的差距准确的为所述请求对象确定出合理的对象需求。
具体地，所述电子设备根据所述目标分值、所述目标需求及所述差值生成所述对象需求包括：
计算所述差值与所述目标分值的比值，得到差值比例；
提取所述目标需求中的数值需求信息；
计算所述数值需求信息与所述差值比例的乘积，并计算所述乘积与所述数值需求信息，得到对象数值需求；
以所述对象数值需求更新所述目标需求中的所述数值需求信息，得到所述对象需求。
通过所述差值在所述目标分值上的所述差值比例，能够对所述目标需求中的数值需求信息进行所述差值比例的调整，从而能够准确的确定出所述对象需求。
S17，将所述定性信息、所述定量信息及所述对象需求输入至预先训练好的措施生成模型中，得到所述请求对象的推荐实施方式。
在本发明的至少一个实施例中，所述措施生成模型是根据企业诊断过程中的历史数据训练而得到的。例如：所述措施生成模型中包含有每个二级因素及子因素所对应的结果、诊断现状与发展目标之间的差距与相应因素实现发展目标的实施方案的映射关系。
所述推荐实施方式是指推进所述请求对象达成所述对象需求的具体实施方式。
需要强调的是，为进一步保证上述目标类别的私密和安全性，上述目标类别还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述电子设备将所述定性信息、所述定量信息及所述对象需求输入至预先训练好的措施生成模型中，得到所述请求对象的推荐实施方式包括：
获取所述措施生成模型中的第一网络及第二网络；
根据所述第一网络对所述定性信息及所述对象需求进行分析，得到定性概率向量；
将所述定性概率向量中取值最大的元素所对应的方式作为第一方式；
根据所述第二网络对所述定量信息及所述对象需求进行分析，得到第二方式；
将所述第一方式及所述第二方式确定为所述推荐实施方式。
其中，所述第一网络中存储有每个所述定性诊断因素所对应的措施映射关系，所述措施映射关系通常设定为y＝f(x)，其中，y为所述对象需求，x为所述定性信息，f()是指实施方式。进一步地，所述措施映射关系是根据历史数据训练而得到的。
所述定性概率向量是指每个所述定性信息在每个方式中所对应的概率。
所述第二网络中存储有每个所述定量诊断因素所对应的措施映射关系。
通过所述措施生成模型能够准确的确定出所述推荐实施方式。
由以上技术方案可以看出，本发明通过所述请求需求能够准确的确定出分析所述请求对象所需的指标，进而根据所述定性指标及所述定量指标两大指标维度能够全面获取到所述对象信息，从而能够准确的分析出所述请求对象的综合能力，实现对所述请求对象的准确定位，以提高所述推荐实施方式的合理性，通过对所述定性信息以及所述定量信息的分析，由于结合了两大指标维度的维度特征及所述请求对象的对象特征对所述对象信息进行分析，因此，能够准确的确定出所述请求对象的相似对象，从而能够准确的确定出适合所述请求对象发展的对象需求，进而利用所述措施生成模型能够从人工智能化决策上准确的确定出所述推荐实施方式，以通过所述推荐实施方式推进所述请求对象实现所述对象需求。
如图2所示，是本发明数据处理装置的较佳实施例的功能模块图。所述数据处理装置11包括确定单元110、获取单元111、分析单元112、处理单元113、生成单元114及输入单元115。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
确定单元110，用于接收分析请求，并根据所述分析请求确定请求对象及请求需求。
在本发明的至少一个实施例中，所述分析请求可以由任意用户触发，本发明对所述分析请求的触发条件不作限制。
所述分析请求中包括对象识别码、需求编号等。
所述请求对象是指需要进行数据评估的对象，所述请求对象通常为企业。
所述请求需求可以是企业的综合能力评估。
在本发明的至少一个实施例中，所述确定单元110还用于：
解析所述分析请求的报文，得到所述报文携带的数据信息；
从所述数据信息中获取指示对象的信息作为对象识别码，并从所述数据信息中获取指示需求的信息作为需求编码；
从预设对象列表中获取与所述对象识别码对应的对象作为所述请求对象，并从所述预设对象列表中获取所述对象识别码的需求作为待分析需求；
从所述待分析需求中提取与所述需求编码对应的需求作为所述请求需求。
其中，所述数据信息中包括所述对象识别码、所述需求编码等。所述对象识别码用于唯一指示对象，所述需求编码用于指示需求。
所述预设对象列表中存储有多个对象、多个识别码与多个需求的映射关系。
通过解析所述报文，由于无需解析整个请求，因此能够快速获取到所述对象识别码及所述需求编码，此外，由于无需在所有需求中遍历所述需求编码，而只需在所述待分析需求中遍历所述需求编码，因此，能够快速确定出所述请求需求，同时，通过所述预设对象列表能够准确的确定出与所述对象识别码存在映射关系的所述请求对象。
获取单元111，用于基于所述请求需求生成的分析指标获取所述请求对象的对象信息，所述分析指标包括定性指标及定量指标。
在本发明的至少一个实施例中，所述分析指标是指处理所述请求需求所需的指标。
所述对象信息是指处理所述请求需求时所需的与所述请求对象有关的信息。所述对象信息可以从所述请求对象的年度总结表中获取。
所述定性指标是指从组织成熟度上分析所述请求对象，所述定性指标通常包括业务导向、创新运用及敏捷操作等三大定性诊断因素。
所述定量指标是从组织能力上分析请求对象。所述定量指标通常包括稳定运营、快速交付、业务支撑、架构合理、人员组织、成本管控、IT架构蓝图、新技术布局、建设路线图等九大定量诊断因素。
在本发明的至少一个实施例中，所述获取单元111还用于：
获取预设指标映射表，所述预设指标映射表中存储有预设指标与指标向量之间的映射关系；
根据所述指标向量确定所述预设指标的编码方式；
基于所述编码方式对所述请求需求进行向量化处理，得到需求向量；
计算所述需求向量与每个所述指标向量之间的相似度，并将计算得到的所述相似度中取值最小的相似度所对应的指标向量确定为目标向量；
从所述预设指标映射表中获取与所述目标向量对应的预设指标作为所述分析指标；
获取所述分析指标的全部指标因素，并获取与每个所述指标因素关联的特征因素；
将每个所述指标因素及每个所述特征因素确定为初始因素，并获取所述请求对象的初始信息；
从所述初始信息中获取包含有所述初始因素的信息作为所述对象信息。
其中，所述预设指标是指在企业诊断过程中预先设定好的所有初始化指标。所述指标向量是指能够表征所述预设指标语义的向量。
所述编码方式包括所述指标向量中每个元素的生成方式及所述指标向量中所有元素的拼接方式。
所述所有指标因素是指所述分析指标中所包含的所有因素，所述所有指标因素包括所述定性指标中的所有因素，所述定量指标中的所有因素，以及其他指标中的因素，所述特征因素是指与每个指标因素具有关联关系的因素，所述特征因素不属于所述分析指标所包含的因素。例如，所述所有指标因素包括业务导向、创新运用、敏捷操作等。所述特征因素可以包括考核指标等。
所述初始信息是指所述请求对象的背景信息。
通过与所述指标向量相同的编码方式对所述请求需求进行向量化处理，能够从同一维度上生成所述需求向量，提高所述相似度的准确性，从而提高所述分析指标的准确性，进而通过所述所有指标因素及与所述所有指标因素关联的特征因素能够全面的从所述初始信息中筛选出所述对象信息，以便对所述请求对象进行全面分析，同时，通过对所述初始信息进行筛选，由于无需对所有初始信息进行分析，提高了所述定性信息及所述定量信息的获取效率。
具体地，所述获取单元111还用于：
对所述初始信息进行划分，得到初始语句；
根据所述初始因素遍历所述初始语句；
将包含有所述初始因素的所述初始语句确定为目标语句；
拼接所述目标语句，得到所述对象信息。
通过对所述初始语句进行遍历，能够从所述初始信息中全面并准确的获取到所述对象信息。
所述获取单元111，还用于根据所述请求对象的对象特征及所述定性指标从所述对象信息中获取定性信息。
在本发明的至少一个实施例中，所述对象特征是指所述请求对象的主营产品或者主营业务。
所述定性信息是指所述请求对象在所述定性诊断因素中的因素信息。
在本发明的至少一个实施例中，所述获取单元111根据所述请求对象的对象特征及所述定性指标从所述对象信息中获取定性信息包括：
获取所述请求对象的业务信息；
识别所述业务信息中与预设标签对应的信息，得到所述对象特征；
从所述定性指标中的所有因素中获取与所述对象特征关联的因素作为定性诊断因素；
从预设决策树中获取所述定性诊断因素的二级因素；
从所述对象信息中提取每个语句信息的语义词汇，并将与所述二级因素匹配的语义词汇所在的语句信息确定为所述定性信息。
其中，所述业务信息可以是指所述请求对象所涉及的所有业务。所述业务信息的展现形式可以是PDF等。
所述预设标签是指用于指示主要营业业务的标签，所述对象特征用于指示所述请求对象的主要营业业务。
所述定性诊断因素包括：业务导向、创新运用、敏捷操作。
进一步地，所述业务导向中的所述二级因素包括，但不限于：组织架构及考核激励。所述组织架构主要评估所述请求对象是否建立以业务/产品为导向的组织架构；所述考核激励主要评估所述请求对象中IT考核指标体系与业务的关联性。
所述创新运用中的所述二级因素包括，但不限于：创新投入、创新人才、创新成效。所述创新投入主要评估所述请求对象中IT创新预算占IT总预算的比重以及业务成效；所述创新人才主要评估所述请求对象中与科技创新相关的人才占比，例如：大数据人才、尖端科技研发人才等；所述创新成效主要评估所述请求对象中近期(如：6-12个月)的创新孵化成功案例及成效。
所述敏捷操作中的所述二级因素包括，但不限于：敏捷交付、敏捷机制。所述敏捷交付主要评估所述请求对象中IT对于业务需求的交付速度与质量；所述敏捷机制主要评估所述请求对象中敏捷实施的程度及配套机制的完整性。
所述预设决策树中包含有所述定性诊断因素与其二级因素的连结关系。
所述语义词汇是指能够表征所述语句信息的词汇。
通过所述预设标签能够从所述业务信息中准确的识别出所述对象特征，进而根据所述对象特征与因素的关联关系能够从所述第一因素中准确的获取到所述定性诊断因素，通过所述预设决策树能够快速获取到所述二级因素，进而根据所述二级因素及所述对象信息中的语义词汇能够准确的确定出所述定性信息。
具体地，所述获取单元111还用于：
根据预设标识对所述对象信息进行分句处理，得到所述语句信息；
根据预设词典对所述语句信息进行分词处理，得到多个分词路径及每个分词路径所对应的路径分词；
根据所述路径分词在所述预设词典中的分词权值计算每个分词路径的分词概率；
将所述分词概率最大的分词路径所对应的路径分词确定为所述语句信息的信息分词；
分析所述信息分词在所述语句信息中的词性；
将所述词性为预设词性的信息分词确定为所述语义词汇。
其中，所述预设标识可以是任意标点符号，例如，所述预设标识可以是顿号、句号、逗号、分号等。
所述预设词典中存储有多个词典词汇及每个词典词汇在所述预设词典中的权值，所述权值可以根据TF-IDF算法确定。
所述预设词性可以是指名词。
通过所述预设标识能够快速对所述对象信息进行划分，通过所述预设词典能够准确的确定出所述信息分词，进而结合所述语句信息对所述信息分词进行词性分析，能够准确的确定出所述语义信息，从而有利于所述定性信息的确定。
分析单元112，用于分析所述定性信息，得到所述请求对象所属的对象类型。
在本发明的至少一个实施例中，所述对象类型是指根据所述定性信息分析确定得到的类型，所述对象类型包括变革者、差异者、贡献者、赋能者及职能者等。
在本发明的至少一个实施例中，所述分析单元112还用于：
根据每个所述二级因素确定每个所述定性信息的信息类型，所述信息类型包括数值型及文字型；
根据所述信息类型分析每个所述定性信息，得到每个所述二级因素所对应的因素值；
根据所述因素值确定每个所述二级因素所对应的初始类型；
计算每个所述初始类型的类型总量，并将所述类型总量最多的初始类型确定为所述对象类型。
例如，所述二级因素包括创新投入、创新人才、创新成效，所述创新投入所对应的因素值为3.2、所述创新人才所对应的因素值为3.7、所述创新成效所对应的因素值为2.5，经确定，所述创新投入所对应的初始类型为贡献者，所述创新人才所对应的初始类型为贡献者，所述创新成效所对应的初始类型为赋能者，经计算，所述贡献者的类型总量为2，所述赋能者的类型总量为1，因此，所述对象类型为所述贡献者。
通过上述实施方式，根据所述定性信息的信息类型分析所述定性信息，能够准确的确定出所述二级因素所对应的初始类型，从而能够准确的确定出所述对象类型。
具体地，所述分析单元112还用于：
若所述信息类型为所述数值型，将与所述信息类型对应的所述定性信息确定为所述因素值；或者
若所述信息类型为所述文字型，分析与所述信息类型对应的所述定性信息所对应的程度，并获取与所述程度对应的数值作为所述因素值。
所述获取单元111，还用于根据所述对象类型及所述定量指标从所述对象信息中获取定量信息。
在本发明的至少一个实施例中，所述定量信息是指所述请求对象在所述定量诊断因素中的因素信息。
在本发明的至少一个实施例中，所述获取单元111根据所述对象类型及所述定量指标从所述对象信息中获取定量信息包括：
从所述定量指标中获取同时与所述对象特征及所述对象类型对应的因素作为定量诊断因素；
从所述预设决策树中获取所述定量诊断因素的子因素；
将与所述子因素匹配的语义词汇所在的语句信息确定为所述定量信息。
其中，所述子因素是指与定量诊断因素之间构成父子关系的因素，所述子因素在所述预设决策树中直接与所述定量诊断因素连接。
所述语义词汇能够表征出所述语句信息的语义。
通过上述实施方式，能够准确的从所述对象信息中获取到所述定量信息。
具体地，所述获取单元111还用于：
从所述预设决策树中确定所述定量诊断因素所在的分支路径；
从所述分支路径中获取所述定量诊断因素的子结点作为所述子因素。
通过所述定量诊断因素能够准确的从所述预设决策树中确定出所述分支路径，并根据所述分支路径能够准确的获取到所述子因素。
处理单元113，用于基于预先训练好的定量分析模型对所述定量信息进行运算处理，得到所述请求对象的定量分值。
在本发明的至少一个实施例中，所述定量分析模型是根据历史训练数据训练生成的，本发明对所述定量分析模型的训练方式不作限制。
所述定量分值是指所述请求对象在组织能力上的能力体现。
在本发明的至少一个实施例中，所述处理单元113还用于：
从所述定量分析模型中获取所述定量诊断因素的因素权值；
根据所述定量信息从配置表中获取每个所述定量诊断因素所对应的信息值；
根据所述因素权值对所述信息值进行加权和运算，得到所述定量分值。
其中，所述配置表中存储有多个定量诊断因素、多个定量信息与多个信息值的映射关系。
通过所述定量分析模型能够快速并准确的确定出所述请求对象在组织能力上的能力体现。
生成单元114，用于根据同时与所述对象类型及所述定量分值匹配的相似对象生成所述请求对象的对象需求。
在本发明的至少一个实施例中，所述相似对象是指类型与所述对象类型相同，在定量指标上的分值与所述定量分值处于同一数据区间的对象，所述相似对象的类型及在定量指标上的分值不局限于与所述请求对象处于同一时期。例如，所述请求对象在2010年时的对象类型为贡献者，所述定量分值为61分，所述相似对象可以是在2008年时的对象类型为贡献者，所述定量分值为61分的对象。
所述对象需求是指所述请求对象的发展目标。
在本发明的至少一个实施例中，所述生成单元114还用于：
将所述定量分值所在的区间确定为定量区间；
从对象库中获取同时与所述对象类型及所述定量区间匹配的对象作为所述相似对象；
从所述对象库中获取所述相似对象在所述对象类型及所述定量区间中所处的时段；
根据所述时段确定目标时段，并从所述对象库中获取同时与所述目标时段及所述相似对象对应的需求作为目标需求；
获取所述相似对象在所述定量指标中的目标分值；
计算所述定量分值与所述目标分值的差值，并根据所述目标分值、所述目标需求及所述差值生成所述对象需求。
其中，所述定量区间是指所述定量分值在所述定量指标中所处的数据区间，例如，所述定量分值为61分，所述定量指标中存在数据区间有(50，60]、(60，70]，经确定，得到所述定量区间为(60，70]。
所述对象库中存储有多个对象在定性指标上的类型、在所述定量指标上的分值及所处的当前时段。
所述相似对象是指定性指标上的类型与所述请求对象中的所述对象类型相同，以及在所述定量指标上的分值所处的数据区间与所述请求对象中的所述定量区间相同的对象。需要说明的是，所述相似对象在定性指标上的类型为所述对象类型、在所述定量指标上的分值所处的数据区间为所述定量区间时所处的时段可以与所述请求对象所处的时段不同。
所述时段是指分析得到所述对象类型的定性信息及所述定量区间的定量信息所处的时间段。
所述目标时段是指所述时段的下一个时间段，例如，所述时段为2018年度，则所述目标时段为2019年度。具体地，所述电子设备确定所述时段中所包含的时间间隔，并计算所述时段与所述时间间隔的总和，得到所述目标时段。
所述目标需求是指所述相似对象在所述目标时段的需求。
通过所述对象类型及所述定量区间能够准确的确定出与所述请求对象相似的相似对象，进而根据所述相似对象的目标需求，以及所述请求对象与所述相似对象在所述定量指标上的差距准确的为所述请求对象确定出合理的对象需求。
具体地，所述生成单元114还用于：
计算所述差值与所述目标分值的比值，得到差值比例；
提取所述目标需求中的数值需求信息；
计算所述数值需求信息与所述差值比例的乘积，并计算所述乘积与所述数值需求信息，得到对象数值需求；
以所述对象数值需求更新所述目标需求中的所述数值需求信息，得到所述对象需求。
通过所述差值在所述目标分值上的所述差值比例，能够对所述目标需求中的数值需求信息进行所述差值比例的调整，从而能够准确的确定出所述对象需求。
输入单元115，用于将所述定性信息、所述定量信息及所述对象需求输入至预先训练好的措施生成模型中，得到所述请求对象的推荐实施方式。
在本发明的至少一个实施例中，所述措施生成模型是根据企业诊断过程中的历史数据训练而得到的。例如：所述措施生成模型中包含有每个二级因素及子因素所对应的结果、诊断现状与发展目标之间的差距与相应因素实现发展目标的实施方案的映射关系。
所述推荐实施方式是指推进所述请求对象达成所述对象需求的具体实施方式。
需要强调的是，为进一步保证上述目标类别的私密和安全性，上述目标类别还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述输入单元115还用于：
获取所述措施生成模型中的第一网络及第二网络；
根据所述第一网络对所述定性信息及所述对象需求进行分析，得到定性概率向量；
将所述定性概率向量中取值最大的元素所对应的方式作为第一方式；
根据所述第二网络对所述定量信息及所述对象需求进行分析，得到第二方式；
将所述第一方式及所述第二方式确定为所述推荐实施方式。
其中，所述第一网络中存储有每个所述定性诊断因素所对应的措施映射关系，所述措施映射关系通常设定为y＝f(x)，其中，y为所述对象需求，x为所述定性信息，f()是指实施方式。进一步地，所述措施映射关系是根据历史数据训练而得到的。
所述定性概率向量是指每个所述定性信息在每个方式中所对应的概率。
所述第二网络中存储有每个所述定量诊断因素所对应的措施映射关系。
通过所述措施生成模型能够准确的确定出所述推荐实施方式。
由以上技术方案可以看出，本发明通过所述请求需求能够准确的确定出分析所述请求对象所需的指标，进而根据所述定性指标及所述定量指标两大指标维度能够全面获取到所述对象信息，从而能够准确的分析出所述请求对象的综合能力，实现对所述请求对象的准确定位，以提高所述推荐实施方式的合理性，通过对所述定性信息以及所述定量信息的分析，由于结合了两大指标维度的维度特征及所述请求对象的对象特征对所述对象信息进行分析，因此，能够准确的确定出所述请求对象的相似对象，从而能够准确的确定出适合所述请求对象发展的对象需求，进而利用所述措施生成模型能够从人工智能化决策上准确的确定出所述推荐实施方式，以通过所述推荐实施方式推进所述请求对象实现所述对象需求。
如图3所示，是本发明实现数据处理方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如数据处理程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成确定单元110、获取单元111、分析单元112、处理单元113、生成单元114及输入单元115。
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元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介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)。
本发明所指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等。
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种数据处理方法，所述处理器13可执行所述计算机可读指令从而实现：
接收分析请求，并根据所述分析请求确定请求对象及请求需求；
基于所述请求需求生成的分析指标获取所述请求对象的对象信息，所述分析指标包括定性指标及定量指标；
根据所述请求对象的对象特征及所述定性指标从所述对象信息中获取定性信息；
分析所述定性信息，得到所述请求对象所属的对象类型；
根据所述对象类型及所述定量指标从所述对象信息中获取定量信息；
基于预先训练好的定量分析模型对所述定量信息进行运算处理，得到所述请求对象的定量分值；
根据同时与所述对象类型及所述定量分值匹配的相似对象生成所述请求对象的对象需求；
将所述定性信息、所述定量信息及所述对象需求输入至预先训练好的措施生成模型中，得到所述请求对象的推荐实施方式。
具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以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，所述模块的划分，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。
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
接收分析请求，并根据所述分析请求确定请求对象及请求需求；
基于所述请求需求生成的分析指标获取所述请求对象的对象信息，所述分析指标包括定性指标及定量指标；
根据所述请求对象的对象特征及所述定性指标从所述对象信息中获取定性信息；
分析所述定性信息，得到所述请求对象所属的对象类型；
根据所述对象类型及所述定量指标从所述对象信息中获取定量信息；
基于预先训练好的定量分析模型对所述定量信息进行运算处理，得到所述请求对象的定量分值；
根据同时与所述对象类型及所述定量分值匹配的相似对象生成所述请求对象的对象需求；
将所述定性信息、所述定量信息及所述对象需求输入至预先训练好的措施生成模型中，得到所述请求对象的推荐实施方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种数据处理方法，其特征在于，所述数据处理方法包括：
接收分析请求，并根据所述分析请求确定请求对象及请求需求；
基于所述请求需求生成的分析指标获取所述请求对象的对象信息，所述分析指标包括定性指标及定量指标；
根据所述请求对象的对象特征及所述定性指标从所述对象信息中获取定性信息；
分析所述定性信息，得到所述请求对象所属的对象类型；
根据所述对象类型及所述定量指标从所述对象信息中获取定量信息；
基于预先训练好的定量分析模型对所述定量信息进行运算处理，得到所述请求对象的定量分值；
根据同时与所述对象类型及所述定量分值匹配的相似对象生成所述请求对象的对象需求；
将所述定性信息、所述定量信息及所述对象需求输入至预先训练好的措施生成模型中，得到所述请求对象的推荐实施方式。
2.如权利要求1所述的数据处理方法，其特征在于，所述基于所述请求需求生成的分析指标获取所述请求对象的对象信息包括：
获取预设指标映射表，所述预设指标映射表中存储有预设指标与指标向量之间的映射关系；
根据所述指标向量确定所述预设指标的编码方式；
基于所述编码方式对所述请求需求进行向量化处理，得到需求向量；
计算所述需求向量与每个所述指标向量之间的相似度，并将计算得到的所述相似度中取值最小的相似度所对应的指标向量确定为目标向量；
从所述预设指标映射表中获取与所述目标向量对应的预设指标作为所述分析指标；
获取所述分析指标的全部指标因素，并获取与每个所述指标因素关联的特征因素；
将每个所述指标因素及每个所述特征因素确定为初始因素，并获取所述请求对象的初始信息；
从所述初始信息中获取包含有所述初始因素的信息作为所述对象信息。
3.如权利要求1所述的数据处理方法，其特征在于，所述根据所述请求对象的对象特征及所述定性指标从所述对象信息中获取定性信息包括：
获取所述请求对象的业务信息；
识别所述业务信息中与预设标签对应的信息，得到所述对象特征；
从所述定性指标中的所有因素中获取与所述对象特征关联的因素作为定性诊断因素；
从预设决策树中获取所述定性诊断因素的二级因素；
从所述对象信息中提取每个语句信息的语义词汇，并将与所述二级因素匹配的语义词汇所在的语句信息确定为所述定性信息。
4.如权利要求3所述的数据处理方法，其特征在于，所述从所述对象信息中提取每个语句信息的语义词汇包括：
根据预设标识对所述对象信息进行分句处理，得到所述语句信息；
根据预设词典对所述语句信息进行分词处理，得到多个分词路径及每个分词路径所对应的路径分词；
根据所述路径分词在所述预设词典中的分词权值计算每个分词路径的分词概率；
将所述分词概率最大的分词路径所对应的路径分词确定为所述语句信息的信息分词；
分析所述信息分词在所述语句信息中的词性；
将所述词性为预设词性的信息分词确定为所述语义词汇。
5.如权利要求3所述的数据处理方法，其特征在于，所述分析所述定性信息，得到所述请求对象所属的对象类型包括：
根据每个所述二级因素确定每个所述定性信息的信息类型，所述信息类型包括数值型及文字型；
根据所述信息类型分析每个所述定性信息，得到每个所述二级因素所对应的因素值；
根据所述因素值确定每个所述二级因素所对应的初始类型；
计算每个所述初始类型的类型总量，并将所述类型总量最多的初始类型确定为所述对象类型。
6.如权利要求3所述的数据处理方法，其特征在于，所述基于预先训练好的定量分析模型对所述定量信息进行运算处理，得到所述请求对象的定量分值包括：
从所述定量分析模型中获取定量诊断因素的因素权值，所述定量诊断因素是根据所述对象特征及所述对象类型从所述定量指标中获取到的；
根据所述定量信息从配置表中获取每个所述定量诊断因素所对应的信息值；
根据所述因素权值对所述信息值进行加权和运算，得到所述定量分值。
7.如权利要求1所述的数据处理方法，其特征在于，所述根据同时与所述对象类型及所述定量分值匹配的相似对象生成所述请求对象的对象需求包括：
将所述定量分值所在的区间确定为定量区间；
从对象库中获取同时与所述对象类型及所述定量区间匹配的对象作为所述相似对象；
从所述对象库中获取所述相似对象在所述对象类型及所述定量区间中所处的时段；
根据所述时段确定目标时段，并从所述对象库中获取同时与所述目标时段及所述相似对象对应的需求作为目标需求；
获取所述相似对象在所述定量指标中的目标分值；
计算所述定量分值与所述目标分值的差值，并根据所述目标分值、所述目标需求及所述差值生成所述对象需求。
8.一种数据处理装置，其特征在于，所述数据处理装置包括：
确定单元，用于接收分析请求，并根据所述分析请求确定请求对象及请求需求；
获取单元，用于基于所述请求需求生成的分析指标获取所述请求对象的对象信息，所述分析指标包括定性指标及定量指标；
所述获取单元，还用于根据所述请求对象的对象特征及所述定性指标从所述对象信息中获取定性信息；
分析单元，用于分析所述定性信息，得到所述请求对象所属的对象类型；
所述获取单元，还用于根据所述对象类型及所述定量指标从所述对象信息中获取定量信息；
处理单元，用于基于预先训练好的定量分析模型对所述定量信息进行运算处理，得到所述请求对象的定量分值；
生成单元，用于根据同时与所述对象类型及所述定量分值匹配的相似对象生成所述请求对象的对象需求；
输入单元，用于将所述定性信息、所述定量信息及所述对象需求输入至预先训练好的措施生成模型中，得到所述请求对象的推荐实施方式。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的数据处理方法。
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中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110612971.1A CN113240325B (zh) | 2021-06-02 | 2021-06-02 | 数据处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110612971.1A CN113240325B (zh) | 2021-06-02 | 2021-06-02 | 数据处理方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113240325A true CN113240325A (zh) | 2021-08-10 |
| CN113240325B CN113240325B (zh) | 2024-02-02 |
Family
ID=77136333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110612971.1A Active CN113240325B (zh) | 2021-06-02 | 2021-06-02 | 数据处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113240325B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114513435A (zh) * | 2022-01-14 | 2022-05-17 | 深信服科技股份有限公司 | 检测vpn隧道的方法、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100205108A1 (en) * | 2009-02-11 | 2010-08-12 | Mun Johnathan C | Credit and market risk evaluation method |
| US20110055254A1 (en) * | 2009-08-31 | 2011-03-03 | Accenture Global Services Gmbh | Object customization and management system |
| WO2015094545A1 (en) * | 2013-12-18 | 2015-06-25 | Mun Johnathan | System and method for modeling and quantifying regulatory capital, key risk indicators, probability of default, exposure at default, loss given default, liquidity ratios, and value at risk, within the areas of asset liability management, credit risk, market risk, operational risk, and liquidity risk for banks |
| CN105844374A (zh) * | 2015-01-15 | 2016-08-10 | 大唐软件技术股份有限公司 | 基于层次结构模型的多指标综合测评方法和装置 |
| CN107609938A (zh) * | 2017-09-07 | 2018-01-19 | 东南大学 | 一种基于用户定性和定量偏好的服务推荐方法 |
-
2021
- 2021-06-02 CN CN202110612971.1A patent/CN113240325B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100205108A1 (en) * | 2009-02-11 | 2010-08-12 | Mun Johnathan C | Credit and market risk evaluation method |
| US20110055254A1 (en) * | 2009-08-31 | 2011-03-03 | Accenture Global Services Gmbh | Object customization and management system |
| WO2015094545A1 (en) * | 2013-12-18 | 2015-06-25 | Mun Johnathan | System and method for modeling and quantifying regulatory capital, key risk indicators, probability of default, exposure at default, loss given default, liquidity ratios, and value at risk, within the areas of asset liability management, credit risk, market risk, operational risk, and liquidity risk for banks |
| CN105844374A (zh) * | 2015-01-15 | 2016-08-10 | 大唐软件技术股份有限公司 | 基于层次结构模型的多指标综合测评方法和装置 |
| CN107609938A (zh) * | 2017-09-07 | 2018-01-19 | 东南大学 | 一种基于用户定性和定量偏好的服务推荐方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐立鸿, 施建华: "基于对象定量和定性信息的组合预测控制", 自动化学报, no. 02 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114513435A (zh) * | 2022-01-14 | 2022-05-17 | 深信服科技股份有限公司 | 检测vpn隧道的方法、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113240325B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9098564B2 (en) | Domain-specific syntactic tagging in a functional information system | |
| WO2022218186A1 (zh) | 个性化知识图谱的生成方法、装置及计算机设备 | |
| CN113283675B (zh) | 指标数据分析方法、装置、设备及存储介质 | |
| Gong et al. | A survey on dataset quality in machine learning | |
| CN111985241A (zh) | 医学信息查询方法、装置、电子设备及介质 | |
| CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
| CN114037545A (zh) | 客户推荐方法、装置、设备及存储介质 | |
| CN114510487A (zh) | 数据表合并方法、装置、设备及存储介质 | |
| CN113240325A (zh) | 数据处理方法、装置、设备及存储介质 | |
| CN113268597A (zh) | 文本分类方法、装置、设备及存储介质 | |
| CN116402166A (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
| CN113343700B (zh) | 数据处理方法、装置、设备及存储介质 | |
| CN114360732B (zh) | 医疗数据分析方法、装置、电子设备及存储介质 | |
| CN113516205B (zh) | 基于人工智能的员工稳定性分类方法及相关设备 | |
| CN113434273B (zh) | 数据处理方法、装置、系统及存储介质 | |
| CN113283677B (zh) | 指标数据处理方法、装置、设备及存储介质 | |
| CN113408265B (zh) | 基于人机交互的语义解析方法、装置、设备及存储介质 | |
| CN112561714B (zh) | 基于nlp技术的核保风险预测方法、装置及相关设备 | |
| CN115169360A (zh) | 基于人工智能的用户意图识别方法及相关设备 | |
| CN114942749A (zh) | 审批系统开发方法、装置、设备及存储介质 | |
| CN114625960A (zh) | 线上考评方法、装置、电子设备及存储介质 | |
| CN114841579A (zh) | 指标数据生成方法、装置、设备及存储介质 | |
| CN114581177A (zh) | 产品推荐方法、装置、设备及存储介质 | |
| CN113849618A (zh) | 基于知识图谱的策略确定方法、装置、电子设备及介质 | |
| CN113486680A (zh) | 文本翻译方法、装置、设备及存储介质 |
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 |