CN113918707A - 一种政策汇聚与企业画像匹配推荐的方法 - Google Patents

一种政策汇聚与企业画像匹配推荐的方法 Download PDF

Info

Publication number
CN113918707A
CN113918707A CN202111519192.3A CN202111519192A CN113918707A CN 113918707 A CN113918707 A CN 113918707A CN 202111519192 A CN202111519192 A CN 202111519192A CN 113918707 A CN113918707 A CN 113918707A
Authority
CN
China
Prior art keywords
data
enterprise
policy
matching
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111519192.3A
Other languages
English (en)
Inventor
张磊
孙欢欢
贾晓光
张松梅
庄超
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.)
Zhongguancun Technology Software Co ltd
Original Assignee
Zhongguancun Technology Software 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 Zhongguancun Technology Software Co ltd filed Critical Zhongguancun Technology Software Co ltd
Priority to CN202111519192.3A priority Critical patent/CN113918707A/zh
Publication of CN113918707A publication Critical patent/CN113918707A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种政策汇聚与企业画像匹配推荐的方法，该方法为：采用系统爬虫及Xpath规则解析收集互联网数据，同时通过人工录入的方式获取数据，将获得到的数据存储到数据库中；采用ETL技术将S1获取的数据进行清洗、转换、去杂、解析；采用NLP技术对S2预处理后的数据进行标签化处理；将提取的政策数据标签以及分类提取的企业数据标签进行匹配评估，同时加入企业画像评估算法进行模型制定，从而得出企业相关匹配度政策集；将得到的企业相关匹配度政策集按照匹配度推送给企业。本发明的政策汇聚与企业画像匹配推荐的方法能使得各类企业获取到适合的优惠政策，达到了效率高、智能化、精准化，提高企业管理效率的效果。

Description

一种政策汇聚与企业画像匹配推荐的方法
技术领域
本发明涉及政策智能匹配技术领域，具体来说，涉及一种政策汇聚与企业画像匹配推荐的方法。
背景技术
随着大数据的发展及应用，逐渐形成了以数据采集、数据ETL、数据分析为数据底座的应用，由于数据的量级、多样性、复杂性和文本数据智能语义分析与提取算法等因素，基于大数据的爬虫技术、ELT技术、NLP语义分析、智能匹配算法等相关技术成为常用的手段。
企业想获取与企业相关的政策，需要付出大量的人力、时间等资源，从海量政策中筛选出符合其自身申报的政策，进一步影响企业响应政策，调整自己的工作重心或无法享受政策给企业带来的福利。因此，如何将优惠政策信息快速、高效推送给可满足条件相匹配的企业是本领域亟需解决的技术问题。
发明内容
针对相关技术中的上述技术问题，本发明提出一种政策汇聚与企业画像匹配推荐的方法，能够克服现有技术的上述不足。
为实现上述技术目的，本发明的技术方案是这样实现的：
一种政策汇聚与企业画像匹配推荐的方法，包括以下步骤：
S1 数据获取：采用系统爬虫及Xpath规则解析收集互联网数据，同时通过人工录入的方式获取数据，将获得到的数据存储到数据库中；
S2 数据预处理：采用ETL技术将S1获取的数据进行清洗、转换、去杂、解析；
S3 数据文本提取及标签化：采用NLP技术对S2预处理后的数据进行语义理解、分词形成可用标签；
S4 匹配模型定制：将S3中提取的政策数据标签以及分类提取的企业数据标签进行匹配评估,同时加入企业画像评估算法进行模型制定，从而得出企业相关匹配度政策集；
S5 政策推送：将S4得到的企业相关匹配度政策集按照匹配度推送给企业。
进一步地，S1中所述互联网数据包括互联网惠企政策、公告文件等。
进一步地，S1中所述通过人工录入的方式获取数据为：通过客户端录入收集的可公示线下政策数据。
进一步地，S2中将获取的数据进行清洗包括：
空值处理：可捕获字段空值，进行加载或替换为其他含义数据，并可根据字段空值实现分流加载到不同目标库；
规范化数据格式：可实现字段格式约束定义，对于数据源中时间、数值、字符等数据，可自定义加载格式；
拆分数据：依据业务需求对字段可进行分解；
验证数据正确性：可利用Lookup及拆分功能进行数据验证；
数据替换：对于因业务因素，可实现无效数据、缺失数据的替换；
Lookup：查获丢失数据 Lookup实现子查询，并返回用其他手段获取的缺失字段，保证字段完整性；
建立ETL过程的主外键约束：通过建立一张主表，其中存放数据的基本信息，将建立id字段作为该表主键（主关键字），它的值用于唯一的标识表中的某一条记录，作为后续存放标签所建立的公共关系表的外键（外关键字）。该操作杜绝无依赖性的非法数据，可替换或导出到错误数据文件中，保证主键唯一记录的加载。
进一步地，S3中数据文本提取及标签化包括以下步骤：
S301 使用神经网络对数据进行训练并预测，得到文本分类算法模型，获取文本分类算法模型的步骤为：
S3011 获取大量文本数据作为训练集合样本；
S3012 对训练集合样本进行文本预处理，文本预处理包括分词、去除停用词、去除低频词、去除高频无用词；
S3013 将样本数据通过神经网络embedding层训练词向量；
S302 将得到的词向量输入文本分类算法模型，模型经过计算，得到该输入文本的各类别预测值；
S303 将得到的输入文本各类别预测值给到类别判定校验模型,得到输入文本分类结果。
进一步地，S4中匹配模型定制包括：
S401 分类提取企业的数据标签；
S402 采用企业画像评估算法对掌握企业进行企业景气指数画像，同时辅以税务数据全息掌握企业经营情况，是否具有惠企资格；
S403 以S402中所述指数为前提，进行模型定制。
进一步地，S403包括以下步骤：
S4031 通过S3获取标签；
S4032 将政策与企业标签依据模型进行匹配并向匹配准则赋予权重，权重的范围可根据业务形态调整；
S4033 匹配结果计算权重值；
S4034 依据结果辅以人工校验方式进行验证，再将政策与企业标签依据模型进行匹配并向匹配准则赋予权重；
S4035 获得可推送匹配结果集。
进一步地，所述企业画像评估算法的实施步骤为：
S4021 获取企业多维度数据，如：法律风险、公司经营实力；
S4022 对数据ETL，同时提取维度数据标签集；
S4023 制定权重值并计算结果集；
S4024 根据结果集辅以人工验证方式进行优化调整；
S4025 获取企业景气指数。
本发明的有益效果：本发明的政策汇聚与企业画像匹配推荐的方法，利用大数据采集信息，并对采集的信息进行筛选、分类，确定出政策信息的信息类别，通过利用互联网和大数据，使系统能够自动收集政策信息和客户信息，通过评估得出不同的企业适合的优惠政策，效率高，智能化程度高，能够大大节约企业管理层的时间，能够使优惠政策更好的服务于企业，降低企业的成本，不需要企业从海量的政策信息中查询、搜索其需要的政策，实现了政策信息的精准推送，减少了企业人工获取企业政策的工作量。同时，利用大数据进行政策信息的采集，覆盖面比较广，避免政策信息的遗漏。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例所述政策汇聚与企业画像匹配推荐的方法的流程示意图；
图2是根据本发明实施例所述的数据获取及预处理的示意图；
图3是根据本发明实施例所述的政策文本数据提取及标签化的示意图；
图4是根据本发明实施例所述的对掌握企业进行企业景气指数画像的示意图；
图5是根据本发明实施例所述的匹配模型定制的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，根据本发明实施例所述的政策汇聚与企业画像匹配推荐的方法，包括以下步骤：
S1 数据获取：
如图2所示，通过互联网采集的方式获取政策，将获得到的数据存储到数据库中。
采取结果为如下的json格式：
{
"title" : "经信委关于申报2018年度 首台（套）重大技术装备保费补贴资金等有关事项的通知",
"context" : "各区、县（市）经信局，重点企业：
为推动重大技术装备创新和推广应用... ...",
"publicData" : "2018-02-22",
... ...
}
S2 数据预处理：
如图2所示，将S1获取到的政策进行清洗转换，去杂、解析等ETL处理，最终按照预先定义好的数据仓库模型，将数据重新加载到数据仓库中去。其中对数据清洗的处理主要包括：
Figure 229992DEST_PATH_IMAGE001
空值处理：可捕获字段空值，进行加载或替换为其他含义数据，并可根据字段空 值实现分流加载到不同目标库。
Figure 553657DEST_PATH_IMAGE002
规范化数据格式：可实现字段格式约束定义，对于数据源中时间、数值、字符等 数据，可自定义加载格式。
Figure 536657DEST_PATH_IMAGE003
拆分数据：依据业务需求对字段可进行分解。
Figure 368084DEST_PATH_IMAGE004
验证数据正确性：可利用Lookup及拆分功能进行数据验证。
Figure 120140DEST_PATH_IMAGE005
数据替换：对于因业务因素，可实现无效数据、缺失数据的替换。
Figure 614706DEST_PATH_IMAGE006
Lookup：查获丢失数据 Lookup实现子查询，并返回用其他手段获取的缺失字 段，保证字段完整性。
Figure 819422DEST_PATH_IMAGE007
建立ETL过程的主外键约束：通过建立一张主表，其中存放数据的基本信息，将 建立id字段作为该表主键（主关键字），它的值用于唯一的标识表中的某一条记录，作为后 续存放标签所建立的公共关系表的外键（外关键字）。该操作杜绝无依赖性的非法数据，可 替换或导出到错误数据文件中，保证主键唯一记录的加载。
S3 数据文本提取及标签化：
如图3所示，数据文本提取及标签化处理需要经过以下步骤：
S301 使用神经网络对数据进行训练并预测，得到文本分类算法模型，获取文本分类算法模型的步骤为：
S3011 获取大量文本数据作为训练集合样本；
S3012 对训练集合样本进行文本预处理，文本预处理包括分词、去除停用词、去除低频词、去除高频无用词；
S3013 将样本数据通过神经网络embedding层训练词向量；
S302 将得到的词向量输入文本分类算法模型，模型经过计算，得到该输入文本的各类别预测值；
S303 将得到的输入文本各类别预测值给到类别判定校验模型，得到输入文本分类结果。
其中，embedding中文直译为“嵌入”，常被翻译为“向量化”或者“向量射”，深度学习网络中作为embedding层，完成从高维稀疏特征向量到低维稠密特征向量的转换，以获取文本词汇总数和词嵌入（词向量，即一个词汇转换成向量的表示）。
进行数据文本提取及标签化得到的结果如表1所示：
表1 数据文本提取及标签化结果
标签 标签值
政策类别 申报指南
政策类型(项目申报类别) 资金补贴
适用企业实力 重点培育
部门
地区 沈阳市
荣誉资质(大分类维护) 企业称号（高新技术企业）
... ... ... ...
表1中所属行业、适用企业类型、就业人数、法律风险、纳税额度、经营时间、知识产权等标签在文章中并没有体现，所以相对应的标签值赋空。
S4 匹配模型定制：
匹配模型定制主要包括如下步骤：
S401 分类提取企业的数据标签；
S402 采用企业画像评估算法对掌握企业进行企业景气指数画像，同时辅以税务数据全息掌握企业经营情况，是否具有惠企资格；
S403以S402中指数为前提，进行模型定制，
如图4所示，企业画像评估算法的实施步骤为：
S4021 获取企业多维度数据，所述多维度数据包括：法律风险维度的信息：裁判文书信息、法院公告信息、欠税公告、变更信息等；公司实力维度的信息：注册资本信息、人员规模信息、商标信息、专利信息、融资信息、股东信息、企业认缴信息等；可持续经营维度的信息：行政许可信息、经营异常信息、股东变更频率监测信息等；未来发展维度的信息：注册资本信息、招投标信息、经营年报信息等；信誉维度的信息：企业舆情信息、行政处罚信息、不良记录信息等；
S4022 对数据ETL，同时提取维度数据标签集；
S4023 制定权重值并计算结果集：根据实际情况赋予各维度总值以及各维度占权重数值，如：法律风险维度：数值15，公司实力维度：数值10，未来发展维度：数值5，信誉维度：10，根据定义的数据权重数值以及维度通过对数据检测进行权重加和并计算结果集，根据结果进行实际情况平衡；
S4024 根据结果集辅以人工验证方式进行优化调整：结果集辅以人工校验方式进行回测校验，重复步骤S4023；
S4025 获取企业评估结果排序集合，即得到企业景气指数。
如图5所示，以S402中指数为前提，进行模型定制，包括以下步骤：
S4031 通过S3获取标签；
S4032 将政策与企业标签依据模型进行匹配并向匹配准则赋予权重，权重的范围可根据业务形态调整；
S4033 匹配结果计算权重值；
S4034 依据结果辅以人工校验方式进行验证，重复步骤S4032。
S4035 获得可推送匹配结果集。
采用上述方法以某某机床有限公司作为目标企业，进行数据分类提取得到的结果如表2所示：
表2 数据分类提取结果
标签 标签值
项目类别 科技类
所属行业（或国家GB） 制造业
企业类型 有限责任公司(自然人独资)
注册时间 2002-10-11
从业人数 >100
上年营业收入 >1000万
知识产权专利 20
有法律风险周期 近五年
企业实力
纳税等级 A
荣誉资质(大分类维护) 高新技术企业
根据图4可知目标企业的景气指数值为85，具体企业的指数维度如表3所示：
表3 企业的指数维度
标签 指数值
法律环境风险指数 0.0
公司实力指数 63.0
可持续经营能力指数 27.5
公司未来发展指数 10.0
信誉指数 20.0
政策与企业的标签匹配如表4所示所示：
表4 政策与企业的标签匹配
企业 政策 匹配结果
所属行业（或国家GB） 所属行业（或国家GB） 7
项目类别 政策类型(项目申报类别) 5
荣誉资质 荣誉资质 7
就业人数 就业人数 0
知识产权专利 知识产权专利 7
法律风险 法律风险 0
企业实力 适用企业实力 5
由表4可知政策与目标企业的匹配分值为 31（50分制）；
推荐缘由：由于目标企业的景气指数分值高；税务情况达到政策推荐的范围；并且该政策与企业的匹配分值达到31分，固列为优先推送，以此类推，得到一个匹配结果集。
S5 政策推送：
以某某机床有限公司作为目标企业，将步骤4中匹配的结果集按照最终的分值由高到底进行排序，向目标企业推送3条政策。
①关于组织申报2016年市级企业技术中心的通知
②市经济和信息化委关于做好2016年市工业节能资金计划项目申报工作的通知
③经信委关于申报2018年度 首台（套）重大技术装备保费补贴资金等有关事项的通知
同理企业可主动匹配可申报的政策，减少了数据处理量，实现了企业-政策间的有效共享。
综上所述，借助于本发明的上述技术方案，通过系统自动收集企业及政策数据信息并辅以人工收集，通过对其进行企业画像模型评估、政策企业匹配模型评估的方法，使得各类企业获取到适合的优惠政策，达到了效率高、智能化、精准化，提高企业管理效率的效果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种政策汇聚与企业画像匹配推荐的方法，其特征在于，包括以下步骤：
S1 数据获取：采用系统爬虫及Xpath规则解析收集互联网数据，同时通过人工录入的方式获取数据，将获得到的数据存储到数据库中；
S2 数据预处理：采用ETL技术将S1获取的数据进行清洗、转换、去杂、解析；
S3 数据文本提取及标签化：采用NLP技术对S2预处理后的数据进行语义理解、分词形成可用标签；
S4 匹配模型定制：将S3中提取的政策数据标签以及分类提取的企业数据标签进行匹配评估，同时加入企业画像评估算法进行模型制定，从而得出企业相关匹配度政策集；
S5 政策推送：将S4得到的企业相关匹配度政策集按照匹配度推送给企业；
S4中所述匹配模型定制的步骤为：
S401 分类提取企业的数据标签；
S402 采用企业画像评估算法对掌握企业进行企业景气指数画像，同时辅以税务数据全息掌握企业经营情况，是否具有惠企资格；
S403 以S402中所述指数为前提，进行模型定制；
所述企业画像评估算法的实施步骤为：
S4021 获取企业多维度数据；
S4022 对数据ETL，同时提取维度数据标签集；
S4023 制定权重值并计算结果集；
S4024 根据结果集辅以人工验证方式进行优化调整；
S4025 获取企业景气指数。
2.根据权利要求1所述的政策汇聚与企业画像匹配推荐的方法，其特征在于，S1中所述互联网数据包括互联网惠企政策、公告文件。
3.根据权利要求1所述的政策汇聚与企业画像匹配推荐的方法，其特征在于，S1中所述通过人工录入的方式获取数据为：通过客户端录入收集的可公示线下政策数据。
4.根据权利要求1所述的政策汇聚与企业画像匹配推荐的方法，其特征在于，S2中将获取的数据进行清洗包括空值处理、规范化数据格式、拆分数据、验证数据正确性、数据替换、查获丢失数据并返回获取的缺失字段，建立ETL过程的主外键约束；所述建立ETL过程的主外键约束为：通过建立一张主表，存放数据的基本信息，将建立id字段作为该表主键，所述主键的值用于唯一的标识表中的某一条记录，作为后续存放标签所建立的公共关系表的外键。
5.根据权利要求1所述的政策汇聚与企业画像匹配推荐的方法，其特征在于，S3中数据文本提取及标签化包括以下步骤：
S301 使用神经网络对数据进行训练并预测，得到文本分类算法模型，获取文本分类算法模型的步骤为：
S3011 获取大量文本数据作为训练集合样本；
S3012 对训练集合样本进行文本预处理，文本预处理包括分词、去除停用词、去除低频词、去除高频无用词；
S3013 将样本数据通过神经网络embedding层训练词向量；
S302 将得到的词向量输入文本分类算法模型，模型经过计算，得到该输入文本的各类别预测值；
S303 将得到的输入文本各类别预测值给到类别判定校验模型，得到输入文本分类结果。
6.根据权利要求1所述的政策汇聚与企业画像匹配推荐的方法，其特征在于，S403包括以下步骤：
S4031 通过S3获取标签；
S4032 将政策与企业标签依据模型进行匹配并向匹配准则赋予权重；
S4033 匹配结果计算权重值；
S4034 依据结果辅以人工校验方式进行验证，再将政策与企业标签依据模型进行匹配并向匹配准则赋予权重；
S4035 获得可推送匹配结果集。
CN202111519192.3A 2021-12-14 2021-12-14 一种政策汇聚与企业画像匹配推荐的方法 Pending CN113918707A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111519192.3A CN113918707A (zh) 2021-12-14 2021-12-14 一种政策汇聚与企业画像匹配推荐的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111519192.3A CN113918707A (zh) 2021-12-14 2021-12-14 一种政策汇聚与企业画像匹配推荐的方法

Publications (1)

Publication Number Publication Date
CN113918707A true CN113918707A (zh) 2022-01-11

Family

ID=79248838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111519192.3A Pending CN113918707A (zh) 2021-12-14 2021-12-14 一种政策汇聚与企业画像匹配推荐的方法

Country Status (1)

Country Link
CN (1) CN113918707A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115170045A (zh) * 2022-02-16 2022-10-11 江苏省联合征信有限公司 一种惠企政策智能分析系统与方法
CN117172557A (zh) * 2023-11-02 2023-12-05 金华市交通投资集团有限公司 企业监督管理系统及方法
CN117557226A (zh) * 2023-11-22 2024-02-13 上饶市智慧数字经济科创孵化中心有限公司 基于大数据的惠企政策智能匹配系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130031018A1 (en) * 2010-03-29 2013-01-31 Harald Jellum Method and arrangement for monitoring companies
CN111950932A (zh) * 2020-08-26 2020-11-17 北京信息科技大学 基于多源信息融合的中小微企业综合质量画像方法
CN112380318A (zh) * 2020-11-12 2021-02-19 中国科学技术大学智慧城市研究院(芜湖) 基于标签相似度的企业政策匹配方法
CN112685564A (zh) * 2020-12-28 2021-04-20 广州博士信息技术研究院有限公司 一种智能科技政策分类、推送方法、以及系统
CN113723737A (zh) * 2021-05-11 2021-11-30 天元大数据信用管理有限公司 一种基于企业画像的政策匹配方法、装置、设备及介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130031018A1 (en) * 2010-03-29 2013-01-31 Harald Jellum Method and arrangement for monitoring companies
CN111950932A (zh) * 2020-08-26 2020-11-17 北京信息科技大学 基于多源信息融合的中小微企业综合质量画像方法
CN112380318A (zh) * 2020-11-12 2021-02-19 中国科学技术大学智慧城市研究院(芜湖) 基于标签相似度的企业政策匹配方法
CN112685564A (zh) * 2020-12-28 2021-04-20 广州博士信息技术研究院有限公司 一种智能科技政策分类、推送方法、以及系统
CN113723737A (zh) * 2021-05-11 2021-11-30 天元大数据信用管理有限公司 一种基于企业画像的政策匹配方法、装置、设备及介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115170045A (zh) * 2022-02-16 2022-10-11 江苏省联合征信有限公司 一种惠企政策智能分析系统与方法
CN115170045B (zh) * 2022-02-16 2024-02-27 江苏省联合征信有限公司 一种惠企政策智能分析系统与方法
CN117172557A (zh) * 2023-11-02 2023-12-05 金华市交通投资集团有限公司 企业监督管理系统及方法
CN117557226A (zh) * 2023-11-22 2024-02-13 上饶市智慧数字经济科创孵化中心有限公司 基于大数据的惠企政策智能匹配系统

Similar Documents

Publication Publication Date Title
CN113918707A (zh) 一种政策汇聚与企业画像匹配推荐的方法
CN112182246B (zh) 通过大数据分析建立企业画像的方法、系统、介质及应用
WO2018000269A1 (zh) 一种基于数据挖掘和众包的数据标注方法及系统
CN113590698B (zh) 基于人工智能技术的数据资产分类建模与分级保护方法
CN105574788A (zh) 一种基于胜任力标签的培训提供方法
CN114462556B (zh) 企业关联产业链分类方法、训练方法、装置、设备和介质
CN109492097B (zh) 一种企业新闻数据风险分类方法
CN112418688A (zh) 一种基于企业服务门户的企业数据管理方法
CN113554310A (zh) 基于智能合约的企业信用动态评估模型
CN114238655A (zh) 企业关联关系识别方法、装置、设备及介质
CN117112782A (zh) 一种招标公告信息提取方法
CN115794803A (zh) 一种基于大数据ai技术的工程审计问题监测方法与系统
CN111581222A (zh) 业务数据的关联分析方法、装置、计算机设备及计算机存储介质
Mitsuzuka et al. Analysis of CSR activities affecting corporate value using machine learning
CN117522598A (zh) 区块链财务审计与交易跟踪系统
CN117114812A (zh) 一种针对企业的金融产品推荐方法及装置
CN115934927A (zh) 一种安全知识的推送方法、系统、存储介质和电子设备
CN112506930B (zh) 一种基于机器学习技术的数据洞察系统
CN115952216A (zh) 一种养老保险数据挖掘方法、装置、存储介质及电子设备
Kim et al. Analyzing the Effects of Topics Underlying Companies' Financial Disclosures about Risk Factors on Prediction of ESG Risk Ratings: Emphasis on BERTopic
Zhao et al. Recognition results classification and post-processing methods for painted characters on billet surface
CN112785154A (zh) 一种云erp系统的安全评价方法
CN110119464A (zh) 一种合同中数值的智能推荐方法及装置
Zhu et al. Identification of Impoverished College Students Based on LR-RF Dual Indicators
CN116757807B (zh) 一种基于光学字符识别的智能辅助评标方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220111