CN113837527A - 企业评级方法、装置、设备以及存储介质 - Google Patents
企业评级方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN113837527A CN113837527A CN202110890278.0A CN202110890278A CN113837527A CN 113837527 A CN113837527 A CN 113837527A CN 202110890278 A CN202110890278 A CN 202110890278A CN 113837527 A CN113837527 A CN 113837527A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- training
- preset
- rating
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims description 350
- 238000012545 processing Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 8
- 238000011144 upstream manufacturing Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001960 triggered effect Effects 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种企业评级方法、装置、设备以及存储介质,所述方法包括:在检测到企业评级指令时,确定所述企业评级指令的待评级目标企业;获取所述待评级目标企业的业务特征,并获取所述待评级目标企业在预设企业图谱网络中的拓扑特征;基于所述业务特征和所述拓扑特征,确定所述待评级目标企业的目标评级。在本申请中,不只是基于待评级目标企业的业务特征即企业在E、S、G三个方面的表现进行综合考量,还获取待评级目标企业在预设企业图谱网络中的拓扑特征,即考虑与企业具有关联关系的其他企业可能给它造成的影响,也即,对企业进行评级的维度更多,进而,实现更加全面准确的对企业进行评级,以形成有效的投资指导。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种企业评级方法、装置、设备以 及存储介质。
背景技术
随着金融科技,尤其是互联网科技金融的不断发展,越来越多的技术应 用在金融领域,但金融业也对技术提出了更高的要求,如金融业对企业评级 也有更高的要求。
ESG是环境(Environmental)、社会责任(Social)、公司治理(Governance) 的缩写,ESG评级关注企业在环境保护、社会责任、企业管理这三大方面的 数据,根据ESG评级或者绩效,能够评估企业在财报因素之外的其他方面(如 经济可持续发展、履行社会责任)的软实力,进而为投资者在资产管理和避 免踩雷方面提供建议。
当前ESG评级是专家依据经验对企业在E、S、G三个方面的表现进行综 合考量,给出评级结果,但是目前,专家经验只关注企业自身在环境、社会 责任、企业管理等方面的表现,且企业自身在环境、社会责任、企业管理等 方面的表现是企业所主动披露的信息,不够全面及时和有效,很难形成有效 的投资指导。
发明内容
本申请的主要目的在于提供一种企业评级方法、装置、设备以及存储介 质,旨在解决现有技术中对企业的ESG评级不够全面准确的技术问题。
为实现上述目的,本申请提供一种企业评级方法,所述企业评级方法包 括:
在检测到企业评级指令时,确定所述企业评级指令的待评级目标企业;
获取所述待评级目标企业的业务特征,并获取所述待评级目标企业在预 设企业图谱网络中的拓扑特征;
基于所述业务特征和所述拓扑特征,确定所述待评级目标企业的目标评 级。
可选地,所述基于所述业务特征和所述拓扑特征,确定所述待评级目标 企业的目标评级的步骤,包括:
将所述待评级目标企业的所述业务特征和所述拓扑特征输入至目标图深 度网络模型中;
基于所述目标图深度网络模型、所述业务特征和所述拓扑特征对所述待 评级目标企业进行预测处理,得到所述待评级目标企业的目标评级;
其中,所述目标图深度网络模型是基于具有评级标签的训练数据,对预 设基础图深度网络模型进行迭代训练后得到的模型。
可选地,所述基于所述目标图深度网络模型对所述业务特征和所述拓扑 特征进行预测处理,得到所述待评级目标企业的目标评级的步骤之前,所述 方法包括:
获取具有评级标签的训练数据,基于所述训练数据,对预设基础图深度 网络模型进行迭代训练,直至得到满足预设训练完成条件的模型;
将所述满足预设训练完成条件的模型设置为所述目标图深度网络模型。 可选地,所述获取具有评级标签的训练数据,基于所述训练数据,对预设基 础图深度网络模型进行迭代训练,直至得到满足预设训练完成条件的模型的 步骤,包括:
获取预设训练企业,获取所述预设训练企业的预设企业图谱网络,以得 到图谱网络数据;
基于所述图谱网络数据,得到具有评级标签的训练数据;
获取预设时间窗口,基于所述预设时间窗口,对所述训练数据进行时间 切片处理,得到训练集和测试集;
基于训练集对预设基础图深度网络模型进行迭代训练,并基于所述测试 集对迭代训练后得到的模型进行测试,直至得到满足预设训练完成条件的模 型。
可选地,所述获取具有评级标签的训练数据,基于所述训练数据,对预 设基础图深度网络模型进行迭代训练,直至得到满足预设训练完成条件的模 型的步骤,包括:
从所述训练数据中提取预设训练企业的业务特征和拓扑网络特征;
基于所述预设训练企业的业务特征和拓扑网络特征,对预设基础图深度 网络模型进行迭代训练,直至得到满足预设训练完成条件的模型。
可选地,所述从所述训练数据中提取预设训练企业的业务特征和拓扑网 络特征的步骤,包括:
从所述训练数据中提取所述预设训练企业的业务事件数据,基于所述业 务事件数据确定所述预设训练企业的业务事件标签信息,基于预设事件标签 权重和所述业务事件标签信息,对所述预设训练企业的业务事件进行量化, 得到所述预设训练企业的业务特征;
从所述训练数据中提取所述预设训练企业的拓扑网络数据,基于所述拓 扑网络数据获取所述预设训练企业的权威枢纽特征、节点联系特征、强连通 分支特征和介质中心性特征。
可选地,所述基于所述拓扑网络数据获取所述预设训练企业的权威枢纽 特征、节点联系特征、强连通分支特征和介质中心性特征的步骤,包括:
基于所述拓扑网络数据,确定所述预设训练企业对应上游企业的第一数 目和对应下游企业的第二数目,基于第一数目得到预设训练企业的权威度, 基于第二数目得到预设训练企业的枢纽度,基于所述权威度和所述枢纽度, 得到所述预设训练企业的权威枢纽特征;
基于所述拓扑网络数据,确定所述预设训练企业的最大网络子图,确定 所述最大网络子图中的每个企业节点的权威度和枢纽度,基于所述最大网络 子图中的每个企业节点的权威度和枢纽度,得到所述预设训练企业的节点联 系特征;
基于所述拓扑网络数据,确定所述预设训练企业的环状结构,以基于所 述环状结构确定所述预设训练企业的强连通分支特征;
基于所述拓扑网络数据,确定所述预设训练企业在网络中充当其他企业 之间最短路径的桥梁的次数,以基于所述桥梁的次数确定所述预设训练企业 的介质中心性特征。
可选地,所述基于所述预设训练企业的业务特征和拓扑网络特征,对预 设基础图深度网络模型进行迭代训练,直至得到满足预设训练完成条件的模 型的步骤,包括:
将所述预设训练企业的业务特征和拓扑网络特征,输入至预设基础图深 度网络模型中进行处理,得到输出结果;
将所述输出结果和所述评级标签进行比对,并得到比对结果;
基于所述比对结果,判断所述预设基础图深度网络模型是否完成训练;
若未完成训练时,调整所述预设基础图深度网络模型的权重参数,并返 回将所述预设训练企业的业务特征和拓扑网络特征,输入至预设基础图深度 网络模型中进行处理的步骤,直至得到满足预设训练完成条件的模型。
本申请还提供一种企业评级装置,所述企业评级装置包括:
检测模块,用于在检测到企业评级指令时,确定所述企业评级指令的待 评级目标企业;
第一获取模块,用于获取所述待评级目标企业的业务特征,并获取所述 待评级目标企业在预设企业图谱网络中的拓扑特征;
确定模块,用于基于所述业务特征和所述拓扑特征,确定所述待评级目 标企业的目标评级。
可选地,所述确定模块包括:
第一输入单元,用于将所述待评级目标企业的所述业务特征和所述拓扑 特征输入至目标图深度网络模型中;
第一获取单元,用于基于所述目标图深度网络模型、所述业务特征和所 述拓扑特征对所述待评级目标企业进行预测处理,得到所述待评级目标企业 的目标评级;
其中,所述目标图深度网络模型是基于具有评级标签的训练数据,对预 设基础图深度网络模型进行迭代训练后得到的模型。
可选地,所述企业评级装置还包括:
第二获取模块,用于获取具有评级标签的训练数据,基于所述训练数据, 对预设基础图深度网络模型进行迭代训练,直至得到满足预设训练完成条件 的模型;
设置模块,用于将所述满足预设训练完成条件的模型设置为所述目标图 深度网络模型。
可选地,所述第二获取模块包括:
第二获取单元,用于获取预设训练企业,获取所述预设训练企业的预设 企业图谱网络,以得到图谱网络数据;
第三获取单元,用于基于所述图谱网络数据,得到具有评级标签的训练 数据;
第四获取单元,用于获取预设时间窗口,基于所述预设时间窗口,对所 述训练数据进行时间切片处理,得到训练集和测试集;
训练单元,用于基于训练集对预设基础图深度网络模型进行迭代训练, 并基于所述测试集对迭代训练后得到的模型进行测试,直至得到满足预设训 练完成条件的模型。
可选地,所述训练单元包括:
提取子单元,用于从所述训练数据中提取预设训练企业的业务特征和拓 扑网络特征;
训练子单元,用于基于所述预设训练企业的业务特征和拓扑网络特征, 对预设基础图深度网络模型进行迭代训练,直至得到满足预设训练完成条件 的模型。
可选地,所述提取子单元用于实现:
从所述训练数据中提取所述预设训练企业的业务事件数据,基于所述业 务事件数据确定所述预设训练企业的业务事件标签信息,基于预设事件标签 权重和所述业务事件标签信息,对所述预设训练企业的业务事件进行量化, 得到所述预设训练企业的业务特征;
从所述训练数据中提取所述预设训练企业的拓扑网络数据,基于所述拓 扑网络数据获取所述预设训练企业的权威枢纽特征、节点联系特征、强连通 分支特征和介质中心性特征。
可选地,所述提取子单元用于实现:
基于所述拓扑网络数据,确定所述预设训练企业对应上游企业的第一数 目和对应下游企业的第二数目,基于第一数目得到预设训练企业的权威度, 基于第二数目得到预设训练企业的枢纽度,基于所述权威度和所述枢纽度, 得到所述预设训练企业的权威枢纽特征;
基于所述拓扑网络数据,确定所述预设训练企业的最大网络子图,确定 所述最大网络子图中的每个企业节点的权威度和枢纽度,基于所述最大网络 子图中的每个企业节点的权威度和枢纽度,得到所述预设训练企业的节点联 系特征;
基于所述拓扑网络数据,确定所述预设训练企业的环状结构,以基于所 述环状结构确定所述预设训练企业的强连通分支特征;
基于所述拓扑网络数据,确定所述预设训练企业在网络中充当其他企业 之间最短路径的桥梁的次数,以基于所述桥梁的次数确定所述预设训练企业 的介质中心性特征。
可选地,所述训练子单元用于实现:
将所述预设训练企业的业务特征和拓扑网络特征,输入至预设基础图深 度网络模型中进行处理,得到输出结果;
将所述输出结果和所述评级标签进行比对,并得到比对结果;
基于所述比对结果,判断所述预设基础图深度网络模型是否完成训练;
若未完成训练时,调整所述预设基础图深度网络模型的权重参数,并返 回将所述预设训练企业的业务特征和拓扑网络特征,输入至预设基础图深度 网络模型中进行处理的步骤,直至得到满足预设训练完成条件的模型。
本申请还提供一种企业评级设备,所述企业评级设备为实体设备,所述 企业评级设备包括:存储器、处理器以及存储在所述存储器上并可在所述处 理器上运行的所述企业评级方法的程序,所述企业评级方法的程序被处理器 执行时可实现如上述的企业评级方法的步骤。
本申请还提供一种可读存储介质,所述可读存储介质上存储有实现企业 评级方法的程序,所述企业评级方法的程序被处理器执行时实现如上述的企 业评级方法的步骤。
本申请还提供一种计算机程序产品、包括计算机程序,该计算机程序被 处理器执行时实现上述的企业评级方法的步骤。
本申请提供一种企业评级方法、装置、设备以及存储介质,与现有技术 中专家依据经验对企业在E、S、G三个方面的表现进行综合考量,给出企业 的ESG评级结果,致使评级不够全面准确相比,本申请通过在检测到企业评 级指令时,确定所述企业评级指令的待评级目标企业;获取所述待评级目标 企业的业务特征,并获取所述待评级目标企业在预设企业图谱网络中的拓扑 特征;基于所述业务特征和所述拓扑特征,确定所述待评级目标企业的目标 评级。在本申请中,不只是基于待评级目标企业的业务特征即企业在E、S、 G三个方面的表现进行综合考量,还获取待评级目标企业在预设企业图谱网 络中的拓扑特征,即考虑与企业具有关联关系的其他企业可能给它造成的影 响,也即,对企业进行评级的维度更多,进而,实现更加全面准确的对企业 进行评级,以形成有效的投资指导。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申 请的实施例,并与说明书一起用于解释本申请的原理。
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,对于 本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这 些附图获得其他的附图。
图1为本申请企业评级方法第一实施例的流程示意图;
图2为本申请企业评级方法第一实施例种步骤S10的细化流程示意图;
图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图。
本申请目的实现、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用以解释本申请,并不用于限定 本申请。
本发明实施例提供了企业评级方法的实施例,需要说明的是,虽然在流 程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行 所示出或描述的步骤。
本申请实施例提供一种企业评级方法,在本申请企业评级方法的第一实 施例中,参照图1,所述企业评级方法包括:
步骤S10,在检测到企业评级指令时,确定所述企业评级指令的待评级目 标企业;
步骤S20,获取所述待评级目标企业的业务特征,并获取所述待评级目标 企业在预设企业图谱网络中的拓扑特征;
步骤S30,基于所述业务特征和所述拓扑特征,确定所述待评级目标企业 的目标评级。
具体步骤如下:
步骤S10,在检测到企业评级指令时,确定所述企业评级指令的待评级目 标企业;
在本实施例中,需要说明的是,企业评级方法可以应用于企业评级系统, 该企业评级系统从属于企业评级设备。
在本实施例中,在检测到企业评级指令时,确定所述企业评级指令的待 评级目标企业,其中,企业评级指令的触发方式可以是:
用户在企业评级系统的评级界面上触发企业评级指令,进而确定所述企 业评级指令的待评级目标企业;
或者在检测到舆情事件发生时,自动从舆情事件中提取企业关联信息, 并自动触发所述企业关联信息的企业评级指令,进而确定所述企业评级指令 的待评级目标企业。
其中,舆情事件具体指的是:监控到网上某一事件的评论数目大于预设 数目,或者关某一事件的注指标值大于预设值,则对应事件为舆情事件。
在检测到企业评级指令时,确定所述企业评级指令的待评级目标企业, 其中,企业评级指令中携带有待评级目标企业的属性信息,该属性信息可以 是待评级目标企业的名称,待评级目标企业的注册地址,营业类型等。
其中,待评级目标企业可以是暴雷公司关联的企业,或者与处于黑名单 列表中的公司所关联的企业。
步骤S20,获取所述待评级目标企业的业务特征,并获取所述待评级目标 企业在预设企业图谱网络中的拓扑特征;
在本实施例中,获取所述待评级目标企业的业务特征,并获取所述待评 级目标企业在预设企业图谱网络中的拓扑特征;
其中,业务特征可以指的是与企业业务关联的事件特征,与企业业务关 联的事件特征可以通过企业的新闻舆情事件得到,即企业的新闻舆情事件是 其ESG评级考虑的重要信息来源,具体地,在本实施例中,可以先构建整个 ESG的事件标签体系,然后统计在每一个预设时间窗口中企业的事件标签信 息,根据定义好的标签权重对企业业务关联的每类事件(基于企业的事件标 签信息得到)进行量化,得到待评级目标企业的业务特征;
在本实施例中,还获取所述待评级目标企业在预设企业图谱网络中的拓 扑特征,其中,拓扑特征包括企业的介质属性特征,强连通分支特征、Hits 特征(权威枢纽特征)、Kcore特征(节点联系特征)等等。
在本实施例中,在获取拓扑特征之前,需要构建预设企业图谱网络,该 预设企业图谱网络可以通过企业的股权关系和供应链关系等确定,其中,股 权关系可以指的是企业和其他企业的股权关系,企业和个人的股权关系等, 供应链关系可以指的是企业和其他企业的供应链关系,企业和机构的供应链 等,需要说明的是,股权关系包括不同深度的股权关系,供应链关系包括不 同深度的供应链关系,不同深度指的是不同企业之间不存在直接的关系,而 是多重间接的关系。
步骤S30,基于所述业务特征和所述拓扑特征,确定所述待评级目标企业 的目标评级。
在本实施例中,不只是基于企业的业务特征确定所述待评级目标企业的 目标评级,而是基于所述业务特征和所述拓扑特征,共同确定所述待评级目 标企业的目标评级,其中,基于所述业务特征和所述拓扑特征,确定所述待 评级目标企业的目标评级的方式可以是:
方式一:
对所述业务特征和所述拓扑特征进行分值量化,进而确定所述待评级目 标企业的目标评级,其中,业务特征和所述拓扑特征的分值根据预设的分值 分配表进行确定,且每个业务特征和拓扑特征对应有确定的分值权重;
方式二:将所述业务特征输入至预设第一模型中,得到业务特征的第一 分值,将所述拓扑特征输入至预设第二模型中,进而得到拓扑特征的第二分 值,分别确定第一分值和第二分值的权重,进而确定所述待评级目标企业的 总评分,进而得到待评级目标企业的目标评级。
方式三:
参照图2,所述基于所述业务特征和所述拓扑特征,确定所述待评级目标 企业的目标评级的步骤,包括:
步骤S31,将所述待评级目标企业的所述业务特征和所述拓扑特征输入至 目标图深度网络模型中;
步骤S32,基于所述目标图深度网络模型、所述业务特征和所述拓扑特征 对所述待评级目标企业进行预测处理,得到所述待评级目标企业的目标评级;
其中,所述目标图深度网络模型是基于具有评级标签的训练数据,对预 设基础图深度网络模型进行迭代训练后得到的模型。
在本实施例中,首先得到具有评级标签的训练数据(预设训练企业的训 练数据),然后基于具有评级标签的训练数据对预设基础图深度网络模型进 行迭代训练,直至得到能够准确对企业进行评级的目标图深度网络模型,由 于得到能够准确对企业进行评级的目标图深度网络模型,进而基于目标图深 度网络模型对所述业务特征和所述拓扑特征进行处理,因而可以准确得到所 述待评级目标企业的目标评级。
在本实施例中,预设基础图深度网络模型可以是图深度网络模型 GraphSage,GraphSAGE是一种利用节点属性信息生成embedding(输入向量) 表示的一种归纳式学习的方法,本质是学习一种对中心节点的邻居节点进行 聚合更新表示的函数,来生成中心节点的embedding向量(输入向量),即具 体地,将训练数据中的业务特征和拓扑特征作为节点(预设训练企业)的初 始特征,送入到GraphSage中进行权重参数的学习,用学习好的权重参数对待 评级企业进行ESG评级预测。
在本实施例中,对于企业评级系统而言,内置有目标图深度网络模型, 该目标图深度网络模型是已经训练好的模型,因而,只要在企业评级系统中 触发待评级企业的评级,即可得到输出结果即评级结果。
其中,所述基于所述目标图深度网络模型对所述业务特征和所述拓扑特 征进行预测处理,得到所述待评级目标企业的目标评级的步骤之前,所述方 法包括:
步骤A1,获取具有评级标签的训练数据,基于所述训练数据,对预设基 础图深度网络模型进行迭代训练,直至得到满足预设训练完成条件的模型;
步骤A2,将所述满足预设训练完成条件的模型设置为所述目标图深度网 络模型。
在本实施例中,由于可能只有部分企业(如沪深300)才具有历史的ESG 评级数据,因此训练得到预设基础图深度网络模型的过程可以是一个半监督 的学习,也即,具有评级标签的训练数据中,只有部分预设训练企业才具备 评级标签。
在本实施例中,预设训练完成条件可以是达到预设训练次数,或者预设 损失函数收敛,将所述满足预设训练完成条件的模型设置为所述目标图深度 网络模型。
所述获取具有评级标签的训练数据,基于所述训练数据,对预设基础图 深度网络模型进行迭代训练,直至得到满足预设训练完成条件的模型的步骤, 包括:
步骤B1,获取预设训练企业,获取所述预设训练企业的预设企业图谱网 络,以得到图谱网络数据;
在本实施例中,需要先确定预设训练企业(可以是人为确定或者选择), 在确定预设训练企业后,根据股权关系或者供应链关系获取所述预设训练企 业的预设企业图谱网络,以得到图谱网络数据。
步骤B2,基于所述图谱网络数据,得到具有评级标签的训练数据;
在获取所述图谱网络数据后,还获取预设训练企业的评级标签(数据集 标签为企业的历史ESG评级结果),进而,得到具有评级标签的训练数据。
步骤B3,获取预设时间窗口,基于所述预设时间窗口,对所述训练数据 进行时间切片处理,得到训练集和测试集;
在本实施例中,还获取预设时间窗口,该预设时间窗口可以是一个月, 一个季度,或者半年,基于所述预设时间窗口,对所述训练数据进行时间切 片处理,得到训练集和测试集,例如,以一个季度作为时间窗口进行切片, 其中2017-2019年的切片数据作为训练集,2020年的切片数据作为测试集。
步骤B2,基于训练集对预设基础图深度网络模型进行迭代训练,并基于 所述测试集对迭代训练后得到的模型进行测试,直至得到满足预设训练完成 条件的模型。
基于训练集对预设基础图深度网络模型进行迭代训练,并基于所述测试 集对迭代训练后得到的模型进行测试,若测试后,迭代训练完成的模型满足 预设训练完成条件,则得到目标图深度网络模型。
所述获取具有评级标签的训练数据,基于所述训练数据,对预设基础图 深度网络模型进行迭代训练,直至得到满足预设训练完成条件的模型的步骤, 包括:
步骤C1,从所述训练数据中提取预设训练企业的业务特征和拓扑网络特 征;
步骤C2,基于所述预设训练企业的业务特征和拓扑网络特征,对预设基 础图深度网络模型进行迭代训练,直至得到满足预设训练完成条件的模型。
在本实施例中,需要从所述训练数据(训练集)中提取预设训练企业的 业务特征和拓扑网络特征,进而基于所述预设训练企业的业务特征和拓扑网 络特征,对预设基础图深度网络模型中的权重参数进行迭代训练,直至得到 满足预设训练完成条件的模型。
在本实施例中,由于基于具有标签的训练数据(包括多维度的业务特征 和拓扑网络特征)准确得到目标图深度网络模型,进而可以基于目标图深度 网络模型对待评级目标企业进行准确评级。
本申请提供一种企业评级方法、装置、设备以及存储介质,与现有技术 中专家依据经验对企业在E、S、G三个方面的表现进行综合考量,给出企业 的ESG评级结果,致使评级不够全面准确相比,本申请通过在检测到企业评 级指令时,确定所述企业评级指令的待评级目标企业;获取所述待评级目标 企业的业务特征,并获取所述待评级目标企业在预设企业图谱网络中的拓扑 特征;基于所述业务特征和所述拓扑特征,确定所述待评级目标企业的目标 评级。在本申请中,不只是基于待评级目标企业的业务特征即企业在E、S、 G三个方面的表现进行综合考量,还获取待评级目标企业在预设企业图谱网 络中的拓扑特征,即考虑与企业具有关联关系的其他企业可能给它造成的影 响,也即,对企业进行评级的维度更多,进而,实现更加全面准确的对企业 进行评级,以形成有效的投资指导。
进一步地,基于本申请中第一实施例,提供本申请的另一实施例,所述 从所述训练数据中提取预设训练企业的业务特征和拓扑网络特征的步骤,包 括:
步骤D1,从所述训练数据中提取所述预设训练企业的业务事件数据,基 于所述业务事件数据确定所述预设训练企业的业务事件标签信息,基于预设 事件标签权重和所述业务事件标签信息,对所述预设训练企业的业务事件进 行量化,得到所述预设训练企业的业务特征;
在本实施例中,是进行训练数据的特征构建的过程,训练数据的特征构 建主要是两大类型特征的构建:业务特征构建和网络拓扑特征构建。
其中,业务特征:主要通过企业自身的事件(包括新闻舆情事件)确定, 由于企业的新闻舆情事件是其ESG评级考虑的重要信息来源,因此构建整个 ESG的事件标签体系,并统计在每一个时间窗口中企业的事件标签信息,根 据预先定义好的标签权重对每类事件进行量化(基于企业的事件标签信息得 到),得得到所述预设训练企业的业务特征。
步骤D2,从所述训练数据中提取所述预设训练企业的拓扑网络数据,基 于所述拓扑网络数据获取所述预设训练企业的权威枢纽特征、节点联系特征、 强连通分支特征和介质中心性特征。
在本实施例中,从所述训练数据中提取所述预设训练企业的拓扑网络数 据,进而,基于所述拓扑网络数据获取所述预设训练企业的权威枢纽特征(Hits 特征)、节点联系特征(Kcore特征)、强连通分支特征和介质中心性特征。
其中,所述基于所述拓扑网络数据获取所述预设训练企业的权威枢纽特 征、节点联系特征、强连通分支特征和介质中心性特征的步骤,包括:
步骤E1,基于所述拓扑网络数据,确定所述预设训练企业对应上游企业 的第一数目和对应下游企业的第二数目,基于第一数目得到预设训练企业的 权威度,基于第二数目得到预设训练企业的枢纽度,基于所述权威度和所述 枢纽度,得到所述预设训练企业的权威枢纽特征;
具体地,Hits特征(权威枢纽特征):主要包括两个信息:权威度(Authority) 和枢纽度(hub),权威度用来刻画拓扑网络中预设训练企业自身的重要程度, 即有多少企业是它的上游企业/母公司/供应商(所述预设训练企业对应上游 企业的第一数目),预设训练企业的枢纽程度,即枢纽度刻画的经过预设训 练企业节点到达权威节点的可能性,枢纽程度刻画预设训练企业关联了多少 下游企业/子公司/客户(确定所述预设训练企业对应下游企业的第二数目), 以及它们((子公司/客户))的权威程度,基于所述权威度和所述枢纽度, 得到所述预设训练企业的权威枢纽特征,具体地,基于所述第一数目的大小 和第二数目,得到所述预设训练企业的权威枢纽特征(分值)。
步骤E2,基于所述拓扑网络数据,确定所述预设训练企业的最大网络子 图,确定所述最大网络子图中的每个企业节点的权威度和枢纽度,基于所述 最大网络子图中的每个企业节点的权威度和枢纽度,得到所述预设训练企业 的节点联系特征;
节点联系特征即Kcore特征,基于所述拓扑网络数据,确定所述预设训 练企业的最大网络子图,确定所述最大网络子图中的每个企业节点的权威度 和枢纽度,加和每个企业节点的权威度和枢纽度,得到每个企业节点的度, 将每个企业节点的度与预设k值进行比较,基于每个企业节点的度与预设k 值的大小关系,得到企业节点的Kcore特征值,其中,预设k值用于表征节点 之间相互关联的紧密程度,主要刻画的是企业节点在网络中的稳定程度, Kcore值高的节点相互关系紧密。
步骤E3,基于所述拓扑网络数据,确定所述预设训练企业的环状结构, 以基于所述环状结构确定所述预设训练企业的强连通分支特征;
在本实施例中,网络中强连通块定义为图中节点之间两两必定可达,挖 掘的是网络图中的环状结构,其中,网络中的环状结构一般是具有风险的形 态,例如A是B的供应商,B是C的供应商,C又是A的供应商,这样的环 形结构如果其中一个节点发生风险,那其他节点被波及的概率就越大,因而, 强连通分支特征(分值)越大,则评级越低,在本实施例中,基于所述拓扑 网络数据,确定所述预设训练企业的环状结构(个数和形状),以基于所述环状结构确定所述预设训练企业的强连通分支特征。
步骤E4,基于所述拓扑网络数据,确定所述预设训练企业在网络中充当 其他企业之间最短路径的桥梁的次数,以基于所述桥梁的次数确定所述预设 训练企业的介质中心性特征。
在本实施例中,还获取预设训练企业的介质中心性特征,节点的介质中 心性定义为在网络中该(企业)节点充当其他节点之间最短路径的桥梁的次 数,也即有多少其他节点的路径会经过该节点,该次数越大,表明节点在网 络中充当越中心的位置,例如:在供应链网络中,某个企业的介质中心性越 大,表明企业在供应链条中充当越中心的位置,很多企业通过它与其他企业 形成间接供应关系,它一旦发生风险,会影响到最多的上下游企业。因而, 在本实施例中,基于所述拓扑网络数据,确定所述预设训练企业在网络中充 当其他企业之间最短路径的桥梁的次数,以基于所述桥梁的次数确定所述预 设训练企业的介质中心性特征。
在本实施例中,通过从所述训练数据中提取所述预设训练企业的业务事 件数据,基于所述业务事件数据确定所述预设训练企业的业务事件标签信息, 基于预设事件标签权重和所述业务事件标签信息,对所述预设训练企业的业 务事件进行量化,得到所述预设训练企业的业务特征;从所述训练数据中提 取所述预设训练企业的拓扑网络数据,基于所述拓扑网络数据获取所述预设 训练企业的权威枢纽特征、节点联系特征、强连通分支特征和介质中心性特 征。在本实施例中,准确得到预设训练企业的训练特征即业务特征和权威枢 纽特征、节点联系特征、强连通分支特征和介质中心性特征,因而,为准确 训练模型奠定基础。
进一步地,基于本申请中第一实施例和第二实施例,提供本申请另一实 施例,在本申请的另一实施例中,所述基于所述预设训练企业的业务特征和 拓扑网络特征,对预设基础图深度网络模型进行迭代训练,直至得到满足预 设训练完成条件的模型的步骤,包括:
步骤F1,将所述预设训练企业的业务特征和拓扑网络特征,输入至预设 基础图深度网络模型中进行处理,得到输出结果;
步骤F2,将所述输出结果和所述评级标签进行比对,并得到比对结果;
步骤F3,基于所述比对结果,判断所述预设基础图深度网络模型是否完 成训练;
步骤F4,若未完成训练时,调整所述预设基础图深度网络模型的权重参 数,并返回将所述预设训练企业的业务特征和拓扑网络特征,输入至预设基 础图深度网络模型中进行处理的步骤,直至得到满足预设训练完成条件的模 型。
在本实施例中,将所述预设训练企业的业务特征和拓扑网络特征,输入至预设基础图深度网络模型中进行处理,得到输出结果,将所述输出结果和预设评级标签进行比对,并得到比对结果,基于比对结果得到正确预测率,基于该正确预测率(是否大于预设预测率),判断所述预设基础图深度网络模型是否完成训练,若未完成训练时,调整所述预设基础图深度网络模型的权重参数,并返回将所述预设训练企业的业务特征和拓扑网络特征,输入至预设基础图深度网络模型中进行处理的步骤,直至得到满足预设训练完成条件的模型。
在本实施例中,通过将所述预设训练企业的业务特征和拓扑网络特征, 输入至预设基础图深度网络模型中进行处理,得到输出结果;将所述输出结 果和所述评级标签进行比对,并得到比对结果;基于所述比对结果,判断所 述预设基础图深度网络模型是否完成训练;若未完成训练时,调整所述预设 基础图深度网络模型的权重参数,并返回将所述预设训练企业的业务特征和 拓扑网络特征,输入至预设基础图深度网络模型中进行处理的步骤,直至得 到满足预设训练完成条件的模型。在本实施例中,实现准确训练目标图深度网络模型。
参照图3,图3是本申请实施例方案涉及的硬件运行环境的设备结构示意 图。
如图3所示,该企业评级设备可以包括:处理器1001,例如CPU,存储 器1005,通信总线1002。其中,通信总线1002用于实现处理器1001和存储 器1005之间的连接通信。存储器1005可以是高速RAM存储器,也可以是稳 定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还 可以是独立于前述处理器1001的存储设备。
可选地,该企业评级设备还可以包括矩形用户接口、网络接口、摄像头、 RF(RadioFrequency,射频)电路,传感器、音频电路、WiFi模块等等。矩形 用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard),可 选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可 以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图3中示出的企业评级设备结构并不构成对企 业评级设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件, 或者不同的部件布置。
如图3所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、 网络通信模块以及企业评级方法程序。操作系统是管理和控制企业评级设备 硬件和软件资源的程序,支持企业评级方法程序以及其它软件和/或程序的运 行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与企业评 级方法系统中其它硬件和软件之间通信。
在图3所示的企业评级设备中,处理器1001用于执行存储器1005中存储 的企业评级方法程序,实现上述任一项所述的企业评级方法的步骤。
本申请企业评级设备具体实施方式与上述企业评级方法各实施例基本相 同,在此不再赘述。
本申请实施例还提供一种企业评级装置,所述企业评级装置包括:
本申请还提供一种企业评级装置,所述企业评级装置包括:
检测模块,用于在检测到企业评级指令时,确定所述企业评级指令的待 评级目标企业;
第一获取模块,用于获取所述待评级目标企业的业务特征,并获取所述 待评级目标企业在预设企业图谱网络中的拓扑特征;
确定模块,用于基于所述业务特征和所述拓扑特征,确定所述待评级目 标企业的目标评级。
可选地,所述确定模块包括:
第一输入单元,用于将所述待评级目标企业的所述业务特征和所述拓扑 特征输入至目标图深度网络模型中;
第一获取单元,用于基于所述目标图深度网络模型、所述业务特征和所 述拓扑特征对所述待评级目标企业进行预测处理,得到所述待评级目标企业 的目标评级;
其中,所述目标图深度网络模型是基于具有评级标签的训练数据,对预 设基础图深度网络模型进行迭代训练后得到的模型。
可选地,所述企业评级装置还包括:
第二获取模块,用于获取具有评级标签的训练数据,基于所述训练数据, 对预设基础图深度网络模型进行迭代训练,直至得到满足预设训练完成条件 的模型;
设置模块,用于将所述满足预设训练完成条件的模型设置为所述目标图 深度网络模型。
可选地,所述第二获取模块包括:
第二获取单元,用于获取预设训练企业,获取所述预设训练企业的预设 企业图谱网络,以得到图谱网络数据;
第三获取单元,用于基于所述图谱网络数据,得到具有评级标签的训练 数据;
第四获取单元,用于获取预设时间窗口,基于所述预设时间窗口,对所 述训练数据进行时间切片处理,得到训练集和测试集;
训练单元,用于基于训练集对预设基础图深度网络模型进行迭代训练, 并基于所述测试集对迭代训练后得到的模型进行测试,直至得到满足预设训 练完成条件的模型。
可选地,所述训练单元包括:
提取子单元,用于从所述训练数据中提取预设训练企业的业务特征和拓 扑网络特征;
训练子单元,用于基于所述预设训练企业的业务特征和拓扑网络特征, 对预设基础图深度网络模型进行迭代训练,直至得到满足预设训练完成条件 的模型。
可选地,所述提取子单元用于实现:
从所述训练数据中提取所述预设训练企业的业务事件数据,基于所述业 务事件数据确定所述预设训练企业的业务事件标签信息,基于预设事件标签 权重和所述业务事件标签信息,对所述预设训练企业的业务事件进行量化, 得到所述预设训练企业的业务特征;
从所述训练数据中提取所述预设训练企业的拓扑网络数据,基于所述拓 扑网络数据获取所述预设训练企业的权威枢纽特征、节点联系特征、强连通 分支特征和介质中心性特征。
可选地,所述提取子单元用于实现:
基于所述拓扑网络数据,确定所述预设训练企业对应上游企业的第一数 目和对应下游企业的第二数目,基于第一数目得到预设训练企业的权威度, 基于第二数目得到预设训练企业的枢纽度,基于所述权威度和所述枢纽度, 得到所述预设训练企业的权威枢纽特征;
基于所述拓扑网络数据,确定所述预设训练企业的最大网络子图,确定 所述最大网络子图中的每个企业节点的权威度和枢纽度,基于所述最大网络 子图中的每个企业节点的权威度和枢纽度,得到所述预设训练企业的节点联 系特征;
基于所述拓扑网络数据,确定所述预设训练企业的环状结构,以基于所 述环状结构确定所述预设训练企业的强连通分支特征;
基于所述拓扑网络数据,确定所述预设训练企业在网络中充当其他企业 之间最短路径的桥梁的次数,以基于所述桥梁的次数确定所述预设训练企业 的介质中心性特征。
可选地,所述训练子单元用于实现:
将所述预设训练企业的业务特征和拓扑网络特征,输入至预设基础图深 度网络模型中进行处理,得到输出结果;
将所述输出结果和所述评级标签进行比对,并得到比对结果;
基于所述比对结果,判断所述预设基础图深度网络模型是否完成训练;
若未完成训练时,调整所述预设基础图深度网络模型的权重参数,并返 回将所述预设训练企业的业务特征和拓扑网络特征,输入至预设基础图深度 网络模型中进行处理的步骤,直至得到满足预设训练完成条件的模型。
本申请企业评级装置的具体实施方式与上述企业评级方法各实施例基本 相同,在此不再赘述。
本申请还提供一种计算机程序产品、包括计算机程序,该计算机程序被 处理器执行时实现上述的企业评级方法的步骤。
本申请计算机程序产品的具体实施方式与上述企业评级方法各实施例基 本相同,在此不再赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是 利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间 接运用在其他相关的技术领域,均同理包括在本申请的专利处理范围内。
Claims (12)
1.一种企业评级方法,其特征在于,所述企业评级方法包括:
在检测到企业评级指令时,确定所述企业评级指令的待评级目标企业;
获取所述待评级目标企业的业务特征,并获取所述待评级目标企业在预设企业图谱网络中的拓扑特征;
基于所述业务特征和所述拓扑特征,确定所述待评级目标企业的目标评级。
2.如权利要求1所述企业评级方法,其特征在于,所述基于所述业务特征和所述拓扑特征,确定所述待评级目标企业的目标评级的步骤,包括:
将所述待评级目标企业的所述业务特征和所述拓扑特征输入至目标图深度网络模型中;
基于所述目标图深度网络模型、所述业务特征和所述拓扑特征对所述待评级目标企业进行预测处理,得到所述待评级目标企业的目标评级;
其中,所述目标图深度网络模型是基于具有评级标签的训练数据,对预设基础图深度网络模型进行迭代训练后得到的模型。
3.如权利要求2所述的企业评级方法,其特征在于,所述基于所述目标图深度网络模型对所述业务特征和所述拓扑特征进行预测处理,得到所述待评级目标企业的目标评级的步骤之前,所述方法包括:
获取具有评级标签的训练数据,基于所述训练数据,对预设基础图深度网络模型进行迭代训练,直至得到满足预设训练完成条件的模型;
将所述满足预设训练完成条件的模型设置为所述目标图深度网络模型。
4.如权利要求3所述的企业评级方法,其特征在于,所述获取具有评级标签的训练数据,基于所述训练数据,对预设基础图深度网络模型进行迭代训练,直至得到满足预设训练完成条件的模型的步骤,包括:
获取预设训练企业,获取所述预设训练企业的预设企业图谱网络,以得到图谱网络数据;
基于所述图谱网络数据,得到具有评级标签的训练数据;
获取预设时间窗口,基于所述预设时间窗口,对所述训练数据进行时间切片处理,得到训练集和测试集;
基于训练集对预设基础图深度网络模型进行迭代训练,并基于所述测试集对迭代训练后得到的模型进行测试,直至得到满足预设训练完成条件的模型。
5.如权利要求3所述企业评级方法,其特征在于,所述获取具有评级标签的训练数据,基于所述训练数据,对预设基础图深度网络模型进行迭代训练,直至得到满足预设训练完成条件的模型的步骤,包括:
从所述训练数据中提取预设训练企业的业务特征和拓扑网络特征;
基于所述预设训练企业的业务特征和拓扑网络特征,对预设基础图深度网络模型进行迭代训练,直至得到满足预设训练完成条件的模型。
6.如权利要求5所述企业评级方法,其特征在于,所述从所述训练数据中提取预设训练企业的业务特征和拓扑网络特征的步骤,包括:
从所述训练数据中提取所述预设训练企业的业务事件数据,基于所述业务事件数据确定所述预设训练企业的业务事件标签信息,基于预设事件标签权重和所述业务事件标签信息,对所述预设训练企业的业务事件进行量化,得到所述预设训练企业的业务特征;
从所述训练数据中提取所述预设训练企业的拓扑网络数据,基于所述拓扑网络数据获取所述预设训练企业的权威枢纽特征、节点联系特征、强连通分支特征和介质中心性特征。
7.如权利要求6所述企业评级方法,其特征在于,所述基于所述拓扑网络数据获取所述预设训练企业的权威枢纽特征、节点联系特征、强连通分支特征和介质中心性特征的步骤,包括:
基于所述拓扑网络数据,确定所述预设训练企业对应上游企业的第一数目和对应下游企业的第二数目,基于第一数目得到预设训练企业的权威度,基于第二数目得到预设训练企业的枢纽度,基于所述权威度和所述枢纽度,得到所述预设训练企业的权威枢纽特征;
基于所述拓扑网络数据,确定所述预设训练企业的最大网络子图,确定所述最大网络子图中的每个企业节点的权威度和枢纽度,基于所述最大网络子图中的每个企业节点的权威度和枢纽度,得到所述预设训练企业的节点联系特征;
基于所述拓扑网络数据,确定所述预设训练企业的环状结构,以基于所述环状结构确定所述预设训练企业的强连通分支特征;
基于所述拓扑网络数据,确定所述预设训练企业在网络中充当其他企业之间最短路径的桥梁的次数,以基于所述桥梁的次数确定所述预设训练企业的介质中心性特征。
8.如权利要求5所述企业评级方法,其特征在于,所述基于所述预设训练企业的业务特征和拓扑网络特征,对预设基础图深度网络模型进行迭代训练,直至得到满足预设训练完成条件的模型的步骤,包括:
将所述预设训练企业的业务特征和拓扑网络特征,输入至预设基础图深度网络模型中进行处理,得到输出结果;
将所述输出结果和所述评级标签进行比对,并得到比对结果;
基于所述比对结果,判断所述预设基础图深度网络模型是否完成训练;
若未完成训练时,调整所述预设基础图深度网络模型的权重参数,并返回将所述预设训练企业的业务特征和拓扑网络特征,输入至预设基础图深度网络模型中进行处理的步骤,直至得到满足预设训练完成条件的模型。
9.一种企业评级装置,其特征在于,所述企业评级装置包括:
检测模块,用于在检测到企业评级指令时,确定所述企业评级指令的待评级目标企业;
第一获取模块,用于获取所述待评级目标企业的业务特征,并获取所述待评级目标企业在预设企业图谱网络中的拓扑特征;
确定模块,用于基于所述业务特征和所述拓扑特征,确定所述待评级目标企业的目标评级。
10.一种企业评级设备,其特征在于,所述企业评级设备包括:存储器、处理器以及存储在存储器上的用于实现所述企业评级方法的程序,
所述存储器用于存储实现企业评级方法的程序;
所述处理器用于执行实现所述企业评级方法的程序,以实现如权利要求1至7中任一项所述企业评级方法的步骤。
11.一种可读存储介质,其特征在于,所述可读存储介质上存储有实现企业评级方法的程序,所述实现企业评级方法的程序被处理器执行以实现如权利要求1至7中任一项所述企业评级方法的步骤。
12.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110890278.0A CN113837527A (zh) | 2021-08-02 | 2021-08-02 | 企业评级方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110890278.0A CN113837527A (zh) | 2021-08-02 | 2021-08-02 | 企业评级方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113837527A true CN113837527A (zh) | 2021-12-24 |
Family
ID=78963198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110890278.0A Pending CN113837527A (zh) | 2021-08-02 | 2021-08-02 | 企业评级方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837527A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417020A (zh) * | 2022-03-29 | 2022-04-29 | 浙江省标准化研究院(金砖国家标准化(浙江)研究中心 浙江省物品编码中心) | 一种产业链图谱构建系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120023006A1 (en) * | 2010-07-23 | 2012-01-26 | Roser Ryan D | Credit Risk Mining |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
WO2019095572A1 (zh) * | 2017-11-17 | 2019-05-23 | 平安科技(深圳)有限公司 | 企业投资风险评估方法、装置及存储介质 |
CN112070402A (zh) * | 2020-09-09 | 2020-12-11 | 深圳前海微众银行股份有限公司 | 基于图谱的数据处理方法、装置、设备及存储介质 |
WO2021004550A1 (zh) * | 2019-09-04 | 2021-01-14 | 深圳前海微众银行股份有限公司 | Esg评分体系的生成方法、装置、设备及可读存储介质 |
CN112348318A (zh) * | 2020-10-19 | 2021-02-09 | 深圳前海微众银行股份有限公司 | 一种供应链风险预测模型的训练和应用方法及装置 |
WO2021103492A1 (zh) * | 2019-11-28 | 2021-06-03 | 福建亿榕信息技术有限公司 | 一种企业经营风险预测方法和系统 |
CN113112186A (zh) * | 2021-05-13 | 2021-07-13 | 大路网络科技有限公司 | 一种企业评估方法、装置及设备 |
-
2021
- 2021-08-02 CN CN202110890278.0A patent/CN113837527A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120023006A1 (en) * | 2010-07-23 | 2012-01-26 | Roser Ryan D | Credit Risk Mining |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
WO2019095572A1 (zh) * | 2017-11-17 | 2019-05-23 | 平安科技(深圳)有限公司 | 企业投资风险评估方法、装置及存储介质 |
WO2021004550A1 (zh) * | 2019-09-04 | 2021-01-14 | 深圳前海微众银行股份有限公司 | Esg评分体系的生成方法、装置、设备及可读存储介质 |
WO2021103492A1 (zh) * | 2019-11-28 | 2021-06-03 | 福建亿榕信息技术有限公司 | 一种企业经营风险预测方法和系统 |
CN112070402A (zh) * | 2020-09-09 | 2020-12-11 | 深圳前海微众银行股份有限公司 | 基于图谱的数据处理方法、装置、设备及存储介质 |
CN112348318A (zh) * | 2020-10-19 | 2021-02-09 | 深圳前海微众银行股份有限公司 | 一种供应链风险预测模型的训练和应用方法及装置 |
CN113112186A (zh) * | 2021-05-13 | 2021-07-13 | 大路网络科技有限公司 | 一种企业评估方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
于瑞峰;任艳敏;王雨;刘丽文;: "基于供应链的企业信贷风险评估研究", 中国管理科学, no. 03, 15 June 2007 (2007-06-15), pages 87 - 94 * |
朱彬, 刘卫星, 谢康林: "人工神经网络在企业信用评级系统设计中的应用研究", 微型电脑应用, no. 08, 20 August 2004 (2004-08-20), pages 9 - 12 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417020A (zh) * | 2022-03-29 | 2022-04-29 | 浙江省标准化研究院(金砖国家标准化(浙江)研究中心 浙江省物品编码中心) | 一种产业链图谱构建系统及方法 |
CN114417020B (zh) * | 2022-03-29 | 2022-09-09 | 浙江省标准化研究院(金砖国家标准化(浙江)研究中心浙江省物品编码中心) | 一种产业链图谱构建系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108683530B (zh) | 多维度数据的数据分析方法、装置及存储介质 | |
CN112070402A (zh) | 基于图谱的数据处理方法、装置、设备及存储介质 | |
CN112818162A (zh) | 图像检索方法、装置、存储介质和电子设备 | |
US20150379112A1 (en) | Creating an on-line job function ontology | |
CN110689211A (zh) | 网站服务能力的评估方法及装置 | |
CN113837527A (zh) | 企业评级方法、装置、设备以及存储介质 | |
CN115794641A (zh) | 基于业务流程的造数方法、装置、设备及存储介质 | |
CN110908907A (zh) | Web页面测试方法、装置、设备及存储介质 | |
US9665668B2 (en) | Configuring a dispatching rule for execution in a simulation | |
CN113205130A (zh) | 一种数据审核方法、装置、电子设备及存储介质 | |
CN106469175A (zh) | 数据处理方法及装置 | |
US9824140B2 (en) | Method of creating classification pattern, apparatus, and recording medium | |
CN114911936A (zh) | 一种模型训练、评论识别方法、装置、电子设备及介质 | |
CN110059480A (zh) | 网络攻击行为监控方法、装置、计算机设备及存储介质 | |
CN114385705A (zh) | 数据重要性识别方法、装置、设备及介质 | |
CN114443738A (zh) | 异常数据挖掘方法、装置、设备及介质 | |
CN114241206A (zh) | 目标对象的特征提取方法、装置、电子设备及存储介质 | |
CN114595746A (zh) | 配电网故障原因的分类方法、装置、设备及存储介质 | |
CN113296836A (zh) | 训练模型的方法、测试方法、装置、电子设备及存储介质 | |
Zou et al. | An improved model for spam user identification | |
WO2020018215A1 (en) | Intelligent device selection for pilot testing | |
CN116610762B (zh) | 一种企业数据资产的管理方法、设备及介质 | |
CN118276933B (zh) | 软件兼容性问题的处理方法、装置、设备和介质 | |
CN114049217A (zh) | 一种年金数据的监管方法及装置、电子设备 | |
Hassan et al. | Requirement engineering practices in Pakistan software industry: major problems |
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 |