CN113673597A - 企业年报催报方法、装置、电子设备及计算机存储介质 - Google Patents

企业年报催报方法、装置、电子设备及计算机存储介质 Download PDF

Info

Publication number
CN113673597A
CN113673597A CN202110962167.6A CN202110962167A CN113673597A CN 113673597 A CN113673597 A CN 113673597A CN 202110962167 A CN202110962167 A CN 202110962167A CN 113673597 A CN113673597 A CN 113673597A
Authority
CN
China
Prior art keywords
classification model
sample
week
declaration
enterprise
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
Application number
CN202110962167.6A
Other languages
English (en)
Other versions
CN113673597B (zh
Inventor
刘佳
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.)
Ping An International Smart City Technology Co Ltd
Original Assignee
Ping An International Smart City Technology Co Ltd
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 Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202110962167.6A priority Critical patent/CN113673597B/zh
Publication of CN113673597A publication Critical patent/CN113673597A/zh
Application granted granted Critical
Publication of CN113673597B publication Critical patent/CN113673597B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/12—Accounting
    • G06Q40/123—Tax preparation or submission

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Finance (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Technology Law (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能技术，揭露一种企业年报催报方法，包括：对企业的年报申报周信息的样本集进行特征筛选得到有效特征集，根据所述有效特征集，构造不同分类算法的分类模型，对每个所述分类模型进行第一训练，识别无效样本，利用剔除无效样本后的样本集对每个所述分类模型进行第二训练，利用所述第二训练的预测结果及所述样本集的真实结果，计算得到每个所述分类模型的精准率及召回率之间的调和值，以所述调和值最高的分类模型为目标分类模型，利用所述目标分类模型对待预测企业进行申报周预测，并根据预测得到的申报周，向所述企业执行催报。本发明还提出一种企业年报催报装置、设备以及介质。本发明可以提升企业年报催报方法的精准度。

Description

企业年报催报方法、装置、电子设备及计算机存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种企业年报催报方法、装置、电子设备及计算机可读存储介质。
背景技术
2014年在全国实施的商事登记改革制度取得了明显效果，市场主体的数量呈现爆发式增长。为加强事中事后的管理措施，国家市场监管总局推出企业年报公示制度，鼓励企业自主申报年报。但是，在企业年报自主申报的过程中，存在非常普遍的延报、漏报以及最后申报月集中申报的情况，为提升对企业年报自主申报的监管力度，市场监管人员当前主要采用全覆盖式的对申报企业进行多次短信提醒的催报方法，这种催报方法未对企业做区分，催报的精准度低，并没有取得明显的效果。
发明内容
本发明提供一种企业年报催报方法、装置及计算机可读存储介质，其主要目的在于提升企业年报催报方法的精准度。
为实现上述目的，本发明提供的一种企业年报催报方法，包括：
获取企业的年报申报周信息的样本集；
对所述样本集进行特征筛选得到有效特征集；
根据所述有效特征集，构造基于不同分类算法的分类模型；
利用所述样本集分别对每个所述分类模型进行第一训练，直到所述第一训练满足预设第一条件时，退出所述第一训练，得到每个所述分类模型的第一训练结果；
统计所述样本集中每个样本在不同分类模型下的第一训练结果的重复率，将所述重复率小于预设重复率阈值的样本作为无效样本，从所述样本集中剔除所述无效样本；
利用剔除无效样本后的样本集分别对每个所述分类模型进行第二训练，直到所述第二训练满足预设第二条件时，退出所述第二训练，得到每个所述分类模型的预测结果；
利用所述预测结果及所述样本集的真实结果，计算得到每个所述分类模型的精准率及召回率之间的调和值，选择所述调和值最高的分类模型作为目标分类模型；
利用所述目标分类模型对待预测企业进行申报周预测，并根据预测得到的申报周，向所述企业执行催报。
可选地，所述获取企业的年报申报周信息的样本集，包括：
获取企业的年报申报信息；
对所述年报申报信息中的申报时间进行归一化处理；
根据预设的申报时间与申报周的映射关系，将所述样本集中每个归一化处理后的申报时间转换为相应的申报周，得到企业的年报申报周信息的样本集。
可选地，所述对所述样本集进行特征筛选得到有效特征集，包括：
获取所述样本集的初始特征集；
依次计算所述初始特征集中每个特征对应的样本数与所述样本集的总数的百分比，得到所述每个特征的覆盖率；
统计所述样本集覆盖的年份个数，并统计所述初始特征集中每个特征对应的样本的年份个数，计算所述每个特征对应的样本的年份个数与所述样本集覆盖的年份个数的百分比，得到所述每个特征的稳定率；
对所述初始特征集中每个特征的取值进行离散化处理，得到离散化后的特征取值分布情况；
利用所述离散化后的特征取值分布情况，根据预构建的信息价值计算公式计算得到每个所述特征的信息价值；
选择所述覆盖率大于预设的覆盖率阈值，且所述稳定率大于预设的稳定率阈值，及所述信息价值大于预设的信息价值阈值的特征组成所述样本集的有效特征集。
可选地，所述构造基于不同分类算法的分类模型，包括：
获取所述有效特征集的预设的数据标签；
在预设的分类算法映射表中，查找与所述数据标签相匹配的分类算法；
分别利用查找得到的每一种分类算法构造相应的分类模型。
可选地，所述利用剔除无效样本后的样本集分别对每个所述分类模型进行第二训练，直到所述第二训练满足预设第二条件时，退出所述第二训练，包括：
利用每个所述分类模型对所述剔除无效样本后的样本集进行分类特征提取，得到所述剔除无效样本后的样本集的分类特征集；
利用预设的预测函数对所述剔除无效样本后的样本集的分类特征集进行申报周的概率计算，得到包含预测申报周信息的预测结果；
利用预设的损失函数，判断所述预测结果与所述剔除无效样本后的样本集的真实结果之间的误差值是否满足所述预设第二条件；
若所述误差值不满足所述预设第二条件，则调整每个所述分类模型的参数值，并返回所述利用每个所述分类模型对所述剔除无效样本后的样本集进行分类特征提取的步骤；
若所述误差值满足所述预设第二条件，则退出所述分类模型的第二训练。
可选地，所述利用所述预测结果及所述样本集的真实结果，计算得到每个所述分类模型的精准率及召回率之间的调和值，包括：
获取每个样本的预测申报周信息及真实申报周信息；
随机选择一个申报周作为参考周；
在每个所述分类模型中，分别统计所述样本集中真实申报周及预测申报周均为所述参考周的第一样本数、预测申报周为所述参考周的样本集中真实申报周不是所述参考周的第二样本数及真实申报周为所述参考周的样本集中预测申报周不是所述参考周的第三样本数；
利用所述第一样本数及所述第二样本数，根据精准率计算公式计算得到每个所述分类模型的精准率；
利用所述第一样本数及所述第三样本数，根据召回率计算公式计算得到每个所述分类模型的召回率；
利用所述精准率及所述召回率，根据调和值计算公式计算得到每个所述分类模型的精准率及召回率之间的调和值。
可选地，所述利用所述目标分类模型对待预测企业进行申报周预测，包括：
利用所述目标分类模型对所述待预测企业进行分类特征提取，得到所述待预测企业的分类特征集；
利用所述预测函数对所述分类特征集进行申报周的概率计算，得到所述待预测企业的申报周。
为了解决上述问题，本发明还提供一种企业年报催报装置，所述装置包括：
分类模型构造模块，用于获取企业的年报申报周信息的样本集；对所述样本集进行特征筛选得到有效特征集；根据所述有效特征集，构造基于不同分类算法的分类模型；
有效样本识别模块，用于利用所述样本集分别对每个所述分类模型进行第一训练，直到所述第一训练满足预设第一条件时，退出所述第一训练，得到每个所述分类模型的第一训练结果；统计所述样本集中每个样本在不同分类模型下的第一训练结果的重复率，将所述重复率小于预设重复率阈值的样本作为无效样本，从所述样本集中剔除所述无效样本；
目标分类模型选择模块，用于利用剔除无效样本后的样本集分别对每个所述分类模型进行第二训练，直到所述第二训练满足预设第二条件时，退出所述第二训练，得到每个所述分类模型的预测结果；利用所述预测结果及所述样本集的真实结果，计算得到每个所述分类模型的精准率及召回率之间的调和值，选择所述调和值最高的分类模型作为目标分类模型；
申报周预测模块，用于利用所述目标分类模型对待预测企业进行申报周预测，并根据预测得到的申报周，向所述企业执行催报。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的企业年报催报方法。
为了解决上述问题，本发明还提供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至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的企业年报催报方法。
本发明申请通过对样本集进行特征筛选得到有效特征集，利用所述有效特征集构造不同的分类模型，并对每个所述分类模型进行第二训练，识别无效样本，利用剔除无效样本后的样本集对每个所述分类模型进行第二训练，提升了模型训练的准确性，同时，利用可量化的方法选择在所述第二训练表现最佳的分类模型作为目标分类模型，利用目标分类模型对待预测企业进行申报周预测，通过上述方法，达到有效特征集、有效样本集与最佳分类模型相结合的效果，提升了企业年报催报方法的精准度。
附图说明
图1为本发明一实施例提供的企业年报催报方法的流程示意图；
图2为图1所示企业年报催报方法中其中一个步骤的详细实施流程示意图；
图3为图1所示企业年报催报方法中其中一个步骤的详细实施流程示意图；
图4为图1所示企业年报催报方法中其中一个步骤的详细实施流程示意图；
图5为图1所示企业年报催报方法中其中一个步骤的详细实施流程示意图；
图6为图1所示企业年报催报方法中其中一个步骤的详细实施流程示意图；
图7为本发明一实施例提供的企业年报催报装置的功能模块图；
图8为本发明一实施例提供的实现所述企业年报催报方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种企业年报催报方法。所述企业年报催报方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述企业年报催报方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的企业年报催报方法的流程示意图。在本实施例中，所述企业年报催报方法包括：
S1、获取企业的年报申报周信息的样本集；
本发明实施例中，所述申报周是指将企业年报申报周期每年的1月1日到6月30日，按自然周划分为1到26个申报周，将企业年报的具体申报时间转换为相应的申报周，例如，A企业年报申报时间为1月2日，则A企业的年报申报周为第1周。
本发明实施例根据相关授权，可以对企业的年报申报行为进行历史追溯，获取多个连续自然年内大数据量的企业年报申报信息，例如，获取2014年至2019年，多个地区的所有正常申报的企业信息，并根据预设的申报时间与申报周的映射关系，将每一个企业的年报申报时间转换为相应的申报周。
详细地，参阅图2所示，所述S1，包括：
S11、获取企业的年报申报信息；
S12、对所述年报申报信息中的申报时间进行归一化处理；
S13、根据预设的申报时间与申报周的映射关系，将所述样本集中每个归一化处理后的申报时间转换为相应的申报周，得到企业的年报申报周信息的样本集。
本发明实施例中，所述归一化处理是指将所述申报时间进行格式统一，例如，所述申报时间可能是2019年4月25日，或者是2018-6-1，对不同格式的所述申报时间进行格式统一，例如，剔除年份信息，仅保留日期信息，将2019年4月25日的申报时间转换为425，将2018-6-1的申报时间转换为601。
本发明实施例中，在所述预设的申报时间与申报周的映射关系中，以1月1日为自然日起始时间，将1月1日映射到申报周第一周，按照每7个自然日，申报周+1的规则，定义了不同申报时间与申报周之间的对应关系，其中以6月30日为自然日结束时间。
S2、对所述样本集进行特征筛选得到有效特征集；
本发明实施例中，所述样本集包括的信息量非常大，例如，包括企业的主体类型、企业类型、注册资本、所属行业、行政处罚次数、企业变更备案次数、企业变更备案类型、历史年报平均报送时长、最近一期年报报送时长、企业负面新闻次数、企业被投诉举报次数等多种信息。其中，每一种信息都可以理解为一种特征或一类特征，每种特征对企业年报申报时间的影响力不同。本发明实施例中，所述有效特征集是指从上述庞杂的特征中提取对企业年报申报时间有显著影响力的特征而组成的特征集合。
详细地，参阅图3所示，所述S2，包括：
S21、获取所述样本集的初始特征集；
S22、依次计算所述初始特征集中每个特征对应的样本数与所述样本集的总数的百分比，得到所述每个特征的覆盖率；
S23、统计所述样本集覆盖的年份个数，并统计所述初始特征集中每个特征对应的样本的年份个数，计算所述每个特征对应的样本的年份个数与所述样本集覆盖的年份个数的百分比，得到所述每个特征的稳定率；
S24、对所述特征集中每个特征的取值进行离散化处理，得到离散化后的特征取值分布情况；
S25、利用所述离散化后的特征取值分布情况，根据预构建的信息价值计算公式计算得到每个所述特征的信息价值；
S26、选择所述覆盖率大于预设的覆盖率阈值，且所述稳定率大于预设的稳定率阈值，及所述信息价值大于预设的信息价值阈值的特征组成所述样本集的有效特征集。
本发明实施例中，所述初始特征集可以是依赖人工经验对上述庞杂的样本集进行初步的特征筛选，剔除明显的对企业年报申报时间没有影响力的特征而得到的特征集，例如，企业注册地址、企业联系方式等特征。
本发明实施例中，例如，以企业负面新闻特征为例，假设所述样本集的总数为200000，其中包含企业负面新闻特征的样本为5000，则所述企业负面新闻特征的覆盖率为5000/200000*100％，即2.5％。
本发明实施例中，例如，以企业账号类型特征为例，假设所述样本集包括2014年至2020年共计7个年份的样本，其中，所述企业账号类型特征，分别在2014年、2015年及2016年三个年份的样本集中出现，则所述企业账号类型特征的稳定率为3/7*100％，即43％。
本发明实施例中，同一特征在每一年的所述样本集中持续出现，表示所述特征的稳定性最高，越具有用于预测企业年报申报周的价值。
本发明实施例中，可以利用箱线图、散点图等数据可视化方法将所述特征集中每个特征的取值进行离散化处理，即将所述特征集中每个特征的取值映射为所述箱线图或所述散点图等可视化图表中的一个坐标点，从而得到离散化后的特征取值分布情况。
本发明实施例中，所述信息价值(Information Value,IV)是对每一个所述特征对企业年报申报时间影响程度的一种量化数据，所述IV值越高，则相应的特征对所述样本集的预测结果影响力越高。所述预构建的信息价值值计算公式如下：
Figure BDA0003222474930000081
Figure BDA0003222474930000082
其中，pyi表示每一个所述特征的第i个取值下对应的申报周为预设的申报周的样本数，pni表示每一个所述特征的第i个取值下对应的申报周不是预设的申报周的样本数，所述n为每一个所述特征对应的不同取值的个数。
本发明实施例中，所述预设的覆盖率阈值、所述预设的稳定性阈值及所述预设的IV阈值可以根据实际样本的数量及相关特征的数量确定。
本发明另一个实施例中，在所述对所述样本集进行特征筛选得到有效特征集之前，还可以包括：对所述样本集中不同格式的数据转换为预设格式；对缺失数据进行修补；剔除异常数据和重复数据。
S3、根据所述有效特征集，构造基于不同分类算法的分类模型；
本发明实施例中需要预测企业年报的申报周，所述申报周包括第1周到第26周，共计26种申报周，因此本发明实施例的分类预测属于多分类预测场景，可以构建KNN、决策树、随机森林等分类模型。
其中，所述KNN(K-Nearest Neighbor,最邻近分类算法)为了判断未知样本的类别，通常以所有已知类别的样本作为参照，计算未知样本与所有已知样本的距离，从中选取与未知样本距离最近的K个已知样本，根据少数服从多数的投票法则，将未知样本与K个最邻近样本中所属类别占比较多的归为一类。
所述决策树是一种基于树形结构表现所述有效特征集中每一个特征之间的相互关系，并利用所述树形结构对所述样本集进行分类的分类算法。
所述随机森林是由多个所述决策树构成的一种分类算法，所述随机森林将每一个决策树的分类结果进行融合得到最终的分类结果。
详细地，参阅图4所示，所述S3，包括：
S31、获取所述有效特征集的预设的数据标签；
S32、在预设的分类算法映射表中，查找与所述数据标签相匹配的分类算法；
S33、分别利用查找得到的每一种分类算法构造相应的分类模型。
本发明实施例中，所述预设的数据标签是用来表示所述有效特征集的特点，例如，所述有效特征集中的特点具有非线性，离散的特点，可将其数据标签设置为1，相对地，将具有非离散特点的特征集的数据标签设置为0。
所述预设的分类算法映射表定义了不同的数据标签对应的分类算法，例如，当所述数据标签为1时，则相应的分类算法可以是KNN、SVM(Support Vector Machine，支持向量机)等分类算法，当所述数据标签为0时，则相应的分类算法可以是GBDT(GradientBoosting Decision Tree，梯度提升树)、XGBoost(X-Gradient Boosting Decision Tree，超梯度提升树)等分类算法。
S4、利用所述样本集分别对每个所述分类模型进行第一训练，直到所述第一训练满足预设第一条件时，退出所述第一训练，得到每个所述分类模型的第一训练结果；
本发明实施例中，所述预设第一条件可以是当所述分类模型的第一训练的次数达到预设的训练次数阈值时，退出所述第一训练。在实际应用中，所述预设第一条件可以是当所述样本集的真实结果与预测结果之间的误差值达到预设的误差值阈值时，退出所述第一训练。
详细地，所述利用所述样本集分别对每个所述分类模型进行第一训练，包括：利用每个所述分类模型对所述样本集进行分类特征提取，得到所述剔除无效样本后的样本集的分类特征集；利用预设的预测函数对所述样本集的分类特征集进行申报周的概率计算，得到包含预测申报周信息的第一训练结果；统计所述第一训练的次数，判断所述第一训练的次数是否满足所述预设第一条件；若所述第一训练的次数不满足所述预设第一条件，则调整每个所述分类模型的参数值，并返回上述利用每个所述分类模型对所述样本集进行分类特征提取的步骤；若所述第一训练的次数满足所述预设第一条件，则退出所述第一训练。
本发明实施例中，所述预设的预测函数可以采用SOFTMAX函数，所述SOFTMAX函数又称归一化指数函数，通过所述SOFTMAX函数将所述分类特征集做申报周概率的转换，取概率最大的申报周为所述样本集的预测申报周。
S5、统计所述样本集中每个样本在不同分类模型下的第一训练结果的重复率，将所述重复率小于预设重复率阈值的样本作为无效样本，并从所述样本集中剔除所述无效样本；
本发明实施例中，假设有四种分类模型，相应的同一样本对应四个第一训练结果，若其中三个所述第一训练结果一致，即所述第一训练结果中的预测申报周相同，则所述样本的第一训练结果的重复率为3/4,即为75％。若所述四个第一训练结果均不相同，则所述样本的第一训练结果的重复率为0。
所述预设重复率阈值是人工根据所述样本集的整体质量而设置的一个阈值，理论上，样本质量越高，同一样本在基于不同算法下的分类模型下的训练结果的差异性就越小。
当样本的第一训练结果的重复率小于所述预设重复率阈值时，即同一样本在每个所述分类模型的第一训练结果的差异性比较大，这类样本可能存在特征缺失或数据紊乱的问题，不有助于分类模型训练的快速收敛，因此将这类样本视为无效样本。
S6、利用剔除无效样本后的样本集分别对每个所述分类模型进行第二训练，直到所述第二训练满足预设第二条件时，退出所述第二训练，得到每个所述分类模型的预测结果；
本发明实施例中，所述预设第二条件可以是当样本的真实结果与样本的预测结果之间的误差值达到预设的误差值阈值时，退出所述第二训练。在实际应用中，所述预设第二条件可以是当所述分类模型的第二训练次数达到预设的训练次数阈值时，退出所述第二训练。
详细地，参阅图5所示，所述S6，包括：
S61、利用每个所述分类模型对所述剔除无效样本后的样本集进行分类特征提取，得到所述剔除无效样本后的样本集的分类特征集；
S62、利用预设的预测函数对所述剔除无效样本后的样本集的分类特征集进行申报周的概率计算，得到包含预测申报周信息的预测结果；
S63、利用预设的损失函数，判断所述预测结果与所述剔除无效样本后的样本集的真实结果之间的误差值是否满足所述预设第二条件；
S64、若所述误差值不满足所述预设第二条件，则调整每个所述分类模型的参数值，并返回S61；
S65、若所述误差值满足所述预设第二条件，则退出所述分类模型的第二训练。
本发明实施例中，所述预设的预测函数可以采用SOFTMAX函数，所述SOFTMAX函数又称归一化指数函数，通过所述SOFTMAX函数将所述分类特征集做申报周概率的转换，取概率最大的申报周为所述样本集的预测申报周。
本发明实施例中，所述预设损失函数可以采用如下函数：
Figure BDA0003222474930000111
其中所述rmse为所述误差值，所述num为所述样本集的数量，所述i为所述样本集中的第i个样本，所述prei为所述第i个样本的预测结果，所述grti为所述第i个样本的真实结果。
需要说明的是，所述KNN、决策树、随机森林等各种分类模型都可以采用上述的训练过程。
S7、利用所述预测结果及所述样本集的真实结果，计算得到每个所述分类模型的精准率及召回率之间的调和值，选择所述调和值最高的分类模型作为目标分类模型；
本发明实施例中，针对企业年报的催报需要兼顾精准性及全面性，因此需要评估每一个所述分类模型的精准率及召回率。
所述精准率是针对预测结果而言，是指实际结果与预测结果一致的样本数与所述预测结果对应的全部样本数的比例，例如，预测结果申报周为第一周的样本数为1000，其中，实际结果申报周为第一周的样本300份，其他700份样本的实际结果申报周不是第一周，则所述精准率为300/1000。
所述召回率是指针对所述样本集而言，是指预测结果为A的样本数与实际结果为A的样本数的比例，例如，预设结果申报周为第一周的样本数为1000，而实际结果申报周为第一周的样本数为20000，则所述召回率为1000/20000。
本发明其中一个实施例采用下述调和值计算公式计算所述精准率及召回率之间的调和值：
Figure BDA0003222474930000121
详细地，参阅图6所示，所述S7，包括：
S71、获取每个样本的预测申报周信息及真实申报周信息；
S72、随机选择一个申报周作为参考周；
S73、在每个所述分类模型中，分别统计所述样本集中真实申报周及预测申报周均为所述参考周的第一样本数、预测申报周为所述参考周的样本集中真实申报周不是所述参考周的第二样本数及真实申报周为所述参考周的样本集中预测申报周不是所述参考周的第三样本数；
S74、利用所述第一样本数及所述第二样本数，根据精准率计算公式计算得到每个所述分类模型的精准率；
S75、利用所述第一样本数及所述第三样本数，根据召回率计算公式计算得到每个所述分类模型的召回率；
S76、利用所述精准率及所述召回率，根据调和值计算公式计算得到每个所述分类模型的精准率及召回率之间的调和值。
本发明实施例中，所述精准率计算公式如下：
Figure BDA0003222474930000122
所述召回率计算公式如下：
Figure BDA0003222474930000123
S8、利用所述目标分类模型对待预测企业进行申报周预测，并根据预测得到的申报周，向所述企业执行催报。
本发明实施例中，因为所述精准率及召回率的调和值兼顾所述精准率及所述召回率，较佳地，选择精准率及召回率的调和值最高的分类模型为所述目标分类模型。
详细地，所述利用所述目标分类模型对待预测企业进行申报周预测，包括：
利用所述目标分类模型对所述待预测企业进行分类特征提取，得到所述待预测企业的分类特征集；利用预设的预测函数对所述分类特征集进行申报周的概率计算，得到所述待预测企业的申报周。
本发明实施例通过计算所述包括申报周的样本集中每个特征的覆盖率、稳定率及信息价值，选择所述覆盖率大于预设的覆盖率阈值、且所述稳定率大于预设的稳定率阈值、所述信息价值大于预设的信息价值阈值的特征组成所述样本集的有效特征集，利用所述有效特征集构建基于不同分类算法的分类模型，并对每个所述分类模型进行第一训练，识别无效样本，利用剔除无效样本后的样本集对每个所述分类模型进行第二训练，通过计算和比较每个所述分类模型的精准率及召回率的调和值，选择精准率及召回率的调和值最高的分类模型作为目标分类模型，利用目标分类模型对待预测企业进行申报周预测，并根据预测得到的申报周，向所述企业执行催报。通过上述可量化的方法，达到有效特征、有效样本与最佳分类模型相结合的效果，提升了企业年报催报方法的精准度。
如图7所示，是本发明一实施例提供的企业年报催报装置的功能模块图。
本发明所述企业年报催报装置100可以安装于电子设备中。根据实现的功能，所述企业年报催报装置100可以包括分类模型构造模块101、有效样本识别模块102、目标分类模型选择模块103及申报周预测模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述分类模型构造模块101，用于获取企业的年报申报周信息的样本集；对所述样本集进行特征筛选得到有效特征集；根据所述有效特征集，构造基于不同分类算法的分类模型；
所述有效样本识别模块102，用于利用所述样本集分别对每个所述分类模型进行第一训练，直到所述第一训练满足预设第一条件时，退出所述第一训练，得到每个所述分类模型的第一训练结果；统计所述样本集中每个样本在不同分类模型下的第一训练结果的重复率，将所述重复率小于预设重复率阈值的样本作为无效样本，从所述样本集中剔除所述无效样本；
所述目标分类模型选择模块103，用于利用所述剔除无效样本后的样本集分别对每个所述分类模型进行第二训练，直到所述第二训练满足预设第二条件时，退出所述第二训练，得到每个所述分类模型的预测结果；利用所述预测结果及所述样本集的真实结果，计算得到每个所述分类模型的精准率及召回率之间的调和值，选择所述调和值最高的分类模型作为目标分类模型；
所述申报周预测模块104，用于利用所述目标分类模型对待预测企业进行申报周预测，并根据预测得到的申报周，向所述企业执行催报。详细地，本发明实施例中所述企业年报催报装置100中的各个模块在使用时采用与上述的图1至图6中所述的企业年报催报方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图8所示，是本发明一实施例提供的实现企业年报催报方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如企业年报催报程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如企业年报催报程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如企业年报催报程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图8仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图8示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的企业年报催报程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取企业的年报申报周信息的样本集；
对所述样本集进行特征筛选得到有效特征集；
根据所述有效特征集，构造基于不同分类算法的分类模型；
利用所述样本集分别对每个所述分类模型进行第一训练，直到所述第一训练满足预设第一条件时，退出所述第一训练，得到每个所述分类模型的第一训练结果；
统计所述样本集中每个样本在不同分类模型下的第一训练结果的重复率，将所述重复率小于预设重复率阈值的样本作为无效样本，并从所述样本集中剔除所述无效样本；
利用剔除无效样本后的样本集分别对每个所述分类模型进行第二训练，直到所述第二训练满足预设第二条件时，退出所述第二训练，得到每个所述分类模型的预测结果；
利用所述预测结果及所述样本集的真实结果，计算得到每个所述分类模型的精准率及召回率之间的调和值，选择所述调和值最高的分类模型作为目标分类模型；
利用所述目标分类模型对待预测企业进行申报周预测，并根据预测得到的申报周，向所述企业执行催报。
具体地，所述处理器10对上述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。
进一步地，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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序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)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取企业的年报申报周信息的样本集；
对所述样本集进行特征筛选得到有效特征集；
根据所述有效特征集，构造基于不同分类算法的分类模型；
利用所述样本集分别对每个所述分类模型进行第一训练，直到所述第一训练满足预设第一条件时，退出所述第一训练，得到每个所述分类模型的第一训练结果；
统计所述样本集中每个样本在不同分类模型下的第一训练结果的重复率，将所述重复率小于预设重复率阈值的样本作为无效样本，并从所述样本集中剔除所述无效样本；
利用剔除无效样本后的样本集分别对每个所述分类模型进行第二训练，直到所述第二训练满足预设第二条件时，退出所述第二训练，得到每个所述分类模型的预测结果；
利用所述预测结果及所述样本集的真实结果，计算得到每个所述分类模型的精准率及召回率之间的调和值，选择所述调和值最高的分类模型作为目标分类模型；
利用所述目标分类模型对待预测企业进行申报周预测，并根据预测得到的申报周，向所述企业执行催报。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
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。
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。
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。系统权利要求中陈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)

1.一种企业年报催报方法，其特征在于，所述方法包括：
获取企业的年报申报周信息的样本集；
对所述样本集进行特征筛选得到有效特征集；
根据所述有效特征集，构造基于不同分类算法的分类模型；
利用所述样本集分别对每个所述分类模型进行第一训练，直到所述第一训练满足预设第一条件时，退出所述第一训练，得到每个所述分类模型的第一训练结果；
统计所述样本集中每个样本在不同分类模型下的第一训练结果的重复率，将所述重复率小于预设重复率阈值的样本作为无效样本，并从所述样本集中剔除所述无效样本；
利用剔除无效样本后的样本集分别对每个所述分类模型进行第二训练，直到所述第二训练满足预设第二条件时，退出所述第二训练，得到每个所述分类模型的预测结果；
利用所述预测结果及所述样本集的真实结果，计算得到每个所述分类模型的精准率及召回率之间的调和值，选择所述调和值最高的分类模型作为目标分类模型；
利用所述目标分类模型对待预测企业进行申报周预测，并根据预测得到的申报周，向所述企业执行催报。
2.如权利要求1所述的企业年报催报方法，其特征在于，所述获取企业的年报申报周信息的样本集，包括：
获取企业的年报申报信息；
对所述年报申报信息中的申报时间进行归一化处理；
根据预设的申报时间与申报周的映射关系，将所述样本集中每个归一化处理后的申报时间转换为相应的申报周，得到企业的年报申报周信息的样本集。
3.如权利要求2所述的企业年报催报方法，其特征在于，所述对所述样本集进行特征筛选得到有效特征集，包括：
获取所述样本集的初始特征集；
依次计算所述初始特征集中每个特征对应的样本数与所述样本集的总数的百分比，得到所述每个特征的覆盖率；
统计所述样本集覆盖的年份个数，并统计所述初始特征集中每个特征对应的样本的年份个数，计算所述每个特征对应的样本的年份个数与所述样本集覆盖的年份个数的百分比，得到所述每个特征的稳定率；
对所述初始特征集中每个特征的取值进行离散化处理，得到离散化后的特征取值分布情况；
利用所述离散化后的特征取值分布情况，根据预构建的信息价值计算公式计算得到每个所述特征的信息价值；
选择所述覆盖率大于预设的覆盖率阈值，且所述稳定率大于预设的稳定率阈值，及所述信息价值大于预设的信息价值阈值的特征组成所述样本集的有效特征集。
4.如权利要求1所述的企业年报催报方法，其特征在于，所述构造基于不同分类算法的分类模型，包括：
获取所述有效特征集的预设的数据标签；
在预设的分类算法映射表中，查找与所述数据标签相匹配的分类算法；
分别利用查找得到的每一种分类算法构造相应的分类模型。
5.如权利要求1所述的企业年报催报方法，其特征在于，所述利用剔除无效样本后的样本集分别对每个所述分类模型进行第二训练，直到所述第二训练满足预设第二条件时，退出所述第二训练，包括：
利用每个所述分类模型对所述剔除无效样本后的样本集进行分类特征提取，得到所述剔除无效样本后的样本集的分类特征集；
利用预设的预测函数对所述剔除无效样本后的样本集的分类特征集进行申报周的概率计算，得到包含预测申报周信息的预测结果；
利用预设的损失函数，判断所述预测结果与所述剔除无效样本后的样本集的真实结果之间的误差值是否满足所述预设第二条件；
若所述误差值不满足所述预设第二条件，则调整每个所述分类模型的参数值，并返回所述利用每个所述分类模型对所述剔除无效样本后的样本集进行分类特征提取的步骤；
若所述误差值满足所述预设第二条件，则退出所述分类模型的第二训练。
6.如权利要求5所述的企业年报催报方法，其特征在于，所述利用所述预测结果及所述样本集的真实结果，计算得到每个所述分类模型的精准率及召回率之间的调和值，包括：
获取每个样本的预测申报周信息及真实申报周信息；
随机选择一个申报周作为参考周；
在每个所述分类模型中，分别统计所述样本集中真实申报周及预测申报周均为所述参考周的第一样本数、预测申报周为所述参考周的样本集中真实申报周不是所述参考周的第二样本数及真实申报周为所述参考周的样本集中预测申报周不是所述参考周的第三样本数；
利用所述第一样本数及所述第二样本数，根据精准率计算公式计算得到每个所述分类模型的精准率；
利用所述第一样本数及所述第三样本数，根据召回率计算公式计算得到每个所述分类模型的召回率；
利用所述精准率及所述召回率，根据调和值计算公式计算得到每个所述分类模型的精准率及召回率之间的调和值。
7.如权利要求5所述的企业年报催报方法，其特征在于，所述利用所述目标分类模型对待预测企业进行申报周预测，包括：
利用所述目标分类模型对所述待预测企业进行分类特征提取，得到所述待预测企业的分类特征集；
利用所述预测函数对所述分类特征集进行申报周的概率计算，得到所述待预测企业的申报周。
8.一种企业年报催报装置，其特征在于，所述装置包括：
分类模型构造模块，用于获取企业的年报申报周信息的样本集；对所述样本集进行特征筛选得到有效特征集；根据所述有效特征集，构造基于不同分类算法的分类模型；
有效样本识别模块，用于利用所述样本集分别对每个所述分类模型进行第一训练，直到所述第一训练满足预设第一条件时，退出所述第一训练，得到每个所述分类模型的第一训练结果；统计所述样本集中每个样本在不同分类模型下的第一训练结果的重复率，将所述重复率小于预设重复率阈值的样本作为无效样本，从所述样本集中剔除所述无效样本；
目标分类模型选择模块，用于利用所述剔除无效样本后的样本集分别对每个所述分类模型进行第二训练，直到所述第二训练满足预设第二条件时，退出所述第二训练，得到每个所述分类模型的预测结果；利用所述预测结果及所述样本集的真实结果，计算得到每个所述分类模型的精准率及召回率之间的调和值，选择所述调和值最高的分类模型作为目标分类模型；
申报周预测模块，用于利用所述目标分类模型对待预测企业进行申报周预测，并根据预测得到的申报周，向所述企业执行催报。
9.一种电子设备，其特征在于，所述电子设备包括：
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执行如权利要求1至7中任意一项所述的企业年报催报方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的企业年报催报方法。
CN202110962167.6A 2021-08-20 2021-08-20 企业年报催报方法、装置、电子设备及计算机存储介质 Active CN113673597B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110962167.6A CN113673597B (zh) 2021-08-20 2021-08-20 企业年报催报方法、装置、电子设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110962167.6A CN113673597B (zh) 2021-08-20 2021-08-20 企业年报催报方法、装置、电子设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN113673597A true CN113673597A (zh) 2021-11-19
CN113673597B CN113673597B (zh) 2024-06-07

Family

ID=78544632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110962167.6A Active CN113673597B (zh) 2021-08-20 2021-08-20 企业年报催报方法、装置、电子设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN113673597B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108885718A (zh) * 2016-01-14 2018-11-23 摄取技术有限公司 本地化时间模型预测
CN109785098A (zh) * 2018-12-24 2019-05-21 航天信息股份有限公司 一种自动对增值税申报数据进行处理的方法及系统
CN110163752A (zh) * 2019-04-16 2019-08-23 阿里巴巴集团控股有限公司 一种外汇交易量预测方法、装置及系统
KR20210001670A (ko) * 2019-06-28 2021-01-06 주식회사 자이냅스 기업 부실 예측 프로그램

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108885718A (zh) * 2016-01-14 2018-11-23 摄取技术有限公司 本地化时间模型预测
CN109785098A (zh) * 2018-12-24 2019-05-21 航天信息股份有限公司 一种自动对增值税申报数据进行处理的方法及系统
CN110163752A (zh) * 2019-04-16 2019-08-23 阿里巴巴集团控股有限公司 一种外汇交易量预测方法、装置及系统
KR20210001670A (ko) * 2019-06-28 2021-01-06 주식회사 자이냅스 기업 부실 예측 프로그램

Also Published As

Publication number Publication date
CN113673597B (zh) 2024-06-07

Similar Documents

Publication Publication Date Title
CN112541745B (zh) 用户行为数据分析方法、装置、电子设备及可读存储介质
CN113688923A (zh) 订单异常智能检测方法、装置、电子设备及存储介质
CN113516417A (zh) 基于智能建模的业务评估方法、装置、电子设备及介质
CN114186132B (zh) 信息推荐方法、装置、电子设备及存储介质
CN114781832A (zh) 课程推荐方法、装置、电子设备及存储介质
CN114491047A (zh) 多标签文本分类方法、装置、电子设备及存储介质
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN113868528A (zh) 资讯推荐方法、装置、电子设备及可读存储介质
CN113837631A (zh) 员工评价方法、装置、电子设备及可读存储介质
CN113868529A (zh) 知识推荐方法、装置、电子设备及可读存储介质
CN117155771B (zh) 一种基于工业物联网的设备集群故障溯源方法及装置
CN113505273B (zh) 基于重复数据筛选的数据排序方法、装置、设备及介质
CN113449002A (zh) 车辆推荐方法、装置、电子设备及存储介质
CN116843150A (zh) 基于智慧物联网的社区服务方法及系统
CN116843395A (zh) 一种业务系统的告警分级方法、装置、设备及存储介质
CN116484296A (zh) 金融集资风险分析方法、装置、设备及存储介质
CN111460293A (zh) 信息推送方法、装置及计算机可读存储介质
CN114708073B (zh) 一种围标串标智能检测方法、装置、电子设备及存储介质
CN113657546B (zh) 信息分类方法、装置、电子设备及可读存储介质
CN115796398A (zh) 基于电力物资的需求智能分析方法、系统、设备及介质
CN113673597A (zh) 企业年报催报方法、装置、电子设备及计算机存储介质
CN113706019A (zh) 基于多维数据的业务能力分析方法、装置、设备及介质
CN114723488B (zh) 课程推荐方法、装置、电子设备及存储介质
CN113362039A (zh) 业务审批方法、装置、电子设备及存储介质
CN114819590A (zh) 策略智能推荐方法、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