CN114140004A - 数据处理方法、装置、电子设备及存储介质 - Google Patents
数据处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114140004A CN114140004A CN202111487387.4A CN202111487387A CN114140004A CN 114140004 A CN114140004 A CN 114140004A CN 202111487387 A CN202111487387 A CN 202111487387A CN 114140004 A CN114140004 A CN 114140004A
- Authority
- CN
- China
- Prior art keywords
- credit
- public
- data
- public credit
- evaluation index
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 238000003672 processing method Methods 0.000 title abstract description 47
- 238000011156 evaluation Methods 0.000 claims abstract description 347
- 238000013210 evaluation model Methods 0.000 claims abstract description 113
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims description 49
- 238000012360 testing method Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 description 22
- 238000009795 derivation Methods 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 15
- 238000010801 machine learning Methods 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 13
- 230000015654 memory Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 238000011112 process operation Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 206010037180 Psychiatric symptoms Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000010753 BS 2869 Class E Substances 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Abstract
本公开提供了一种数据处理方法，可以应用于大数据技术领域。该数据处理方法包括：从信用数据库中获取在预设时间段内生成的历史公共信用数据；对上述历史公共信用数据进行分析，以确定目标信用数据；将上述目标信用数据按照预设格式存储至公共信用评价指标库中，其中，上述公共信用评价指标库包括至少一个公共信用评价指标；以及根据上述公共信用评价指标和与上述公共信用评价指标对应的权重信息，创建公共信用评价模型，其中，上述公共信用评价模型用于评价目标主体的公共信用等级。本公开还提供了一种数据处理装置、设备、存储介质。
Description
技术领域
本公开涉及大数据技术领域，更具体地涉及一种数据处理方法、装置、设备、介质和程序产品。
背景技术
信用评价体系是服务当前信用监管的核心基础。相关技术中的信用评价体系一般是基于行业自建的单一业务模型，且评价方法采用经验评分卡的方式对评价主体的信用进行评价。
相关技术中至少存在以下问题：采用相关技术的方法对评价主体进行信用评价的方式对技术人员的依赖性较大，且评价结果主观性较强，难以客观反映企业的信用状况。
发明内容
鉴于上述问题，本公开提供了一种数据处理方法、装置、设备、介质和程序产品。
本公开的第一个方面，提供了一种数据处理方法，包括：
从信用数据库中获取在预设时间段内生成的历史公共信用数据；
对上述历史公共信用数据进行分析，以确定目标信用数据；
将上述目标信用数据按照预设格式存储至公共信用评价指标库中，其中，上述公共信用评价指标库包括至少一个公共信用评价指标；以及
根据上述公共信用评价指标和与上述公共信用评价指标对应的权重信息，创建公共信用评价模型，其中，上述公共信用评价模型用于评价目标主体的公共信用等级。
根据本公开的实施例，上述数据处理方法还包括：
获取预先设定的初始化评价指标；
将上述初始化评价指标添加至上述公共信用评价指标库中；
其中，根据上述公共信用评价指标和与上述公共信用评价指标对应的权重信息，创建公共信用评价模型包括：
根据上述公共信用评价指标、与上述公共信用评价指标对应的权重信息、上述初始化评价指标和与上述初始化评价指标对应的权重信息，创建公共信用评价模型。
根据本公开的实施例，上述数据处理方法还包括：
获取与上述目标主体对应的测试数据，其中，上述测试数据为目标主体生成的历史公共信用数据中满足第一预设条件的历史公共信用数据；
将上述测试数据输入上述公共信用评价模型中，输出公共信用评价结果；
对上述公共信用评价结果进行分析，得出公共信用分析结果；
在上述公共信用分析结果不满足第二预设条件的情况下，优化上述公共信用评价模型。
根据本公开的实施例，上述数据处理方法还包括：
根据业务场景需求，创建业务评价指标库，其中，上述业务评价指标库包括至少一个业务评价指标；
根据上述业务评价指标和上述业务评价指标对应的权重信息，创建业务评价模型，其中，上述业务评价模型用于评价目标主体在上述业务场景下的业务信用等级。
本公开的第二方面提供了一种数据处理方法，包括：
获取目标主体产生的待评价数据；
将上述待评价数据输入公共信用评价模型中，输出与上述目标主体对应的公共信用评价结果，其中，上述公共信用评价模型是根据公共信用评价指标和与上述公共信用评价指标对应的权重信息创建的；上述公共信用评价指标为从信用数据库中获取的在预设时间段内生成的历史公共信用数据；对上述历史公共信用数据进行分析，以确定目标信用数据；并将上述目标信用数据按照预设格式存储至公共信用评价指标库中的公共信用评价指标。
根据本公开的实施例，上述将上述待评价数据输入公共信用评价模型中，输出与上述目标主体对应的评价结果包括：
将上述待评价数据输入上述公共信用评价模型中，输出与上述目标主体对应的公共信用评价分值；
根据上述公共信用评价分值和预设公共信用等级确定与上述目标主体对应的公共信用等级；
根据上述公共信用评价分值、上述公共信用等级和预设评价报告模板，输出与上述目标主体对应的评价报告。
根据本公开的实施例，上述数据处理方法还包括：
根据上述公共信用等级和预设的信用风险分类等级，确定上述目标主体的风险等级；
根据上述风险等级确定与上述风险等级对应的监管策略。
根据本公开的实施例，上述数据处理方法还包括：
将上述待评价数据输入业务评价模型中，输出业务信用评价结果，其中，上述业务评价模型是根据业务场景需求，创建包括至少一个业务评价指标的业务评价指标库；根据上述业务评价指标和上述业务评价指标对应的权重信息，创建的业务评价模型；
根据上述公共信用评价结果和上述业务信用评价结果确定与上述目标主体对应的综合信用评价结果。
根据本公开的实施例，上述数据处理方法还包括：
根据预设预警指标，按照预设时间段循环获取与上述预设预警指标对应的信用数据；
在上述信用数据满足第三预设条件的情况下，发送预警信息。
本公开的第三方面提供了一种数据处理装置，包括：
第一获取模块，用于从信用数据库中获取在预设时间段内生成的历史公共信用数据；
第一分析模块，用于对上述历史公共信用数据进行分析，以确定目标信用数据；
存储模块，用于将上述目标信用数据按照预设格式存储至公共信用评价指标库中，其中，上述公共信用评价指标库包括至少一个公共信用评价指标；以及
第一创建模块，用于根据上述公共信用评价指标和与上述公共信用评价指标对应的权重信息，创建公共信用评价模型，其中，上述公共信用评价模型用于评价目标主体的公共信用等级。
本公开的第四方面提供了一种数据处理装置，包括：
第二获取模块，用于获取目标主体产生的待评价数据；
公共信用评价模块，用于将上述待评价数据输入公共信用评价模型中，输出与上述目标主体对应的公共信用评价结果，其中，上述公共信用评价模型是根据公共信用评价指标和与上述公共信用评价指标对应的权重信息创建的；上述公共信用评价指标为从信用数据库中获取的在预设时间段内生成的历史公共信用数据；对上述历史公共信用数据进行分析，以确定目标信用数据；并将上述目标信用数据按照预设格式存储至公共信用评价指标库中的公共信用评价指标。
本公开的第五方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得一个或多个处理器执行上述数据处理方法。
本公开的第六方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述数据处理方法。
本公开的第七方面还提供了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数据处理方法。
根据本公开的实施例，通过从信用数据库中获取在预设时间段内生成的历史公共信用数据，并对历史公共信息数据进行分析，从而确定目标信用数据，然后将该目标信用数据采用预设格式存储形成公共信用评价指标，根据公共信用评价指标和与公共信用评价指标对应的权重信息创建公共信用评价模型，以便于对目标主体的公共信用等级进行评价。本公开通过对信用数据库中的历史公共信用数据进行分析从而确定目标信用数据，并根据目标信用数据形成公共信用评价指标，进而根据公共信用评价指标创建公共信用评价模型，采用该公共信用评价模型对目标主体进行评级，避免了对技术人员的依赖，且能够客观反映目标主体的信用状况。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的数据处理方法、装置、设备、介质和程序产品的应用场景图；
图2示意性示出了根据本公开实施例的数据处理方法的流程图；
图3示意性示出了根据本公开实施例的优化公共信用评价模型方法的流程图；
图4示意性示出了根据本公开实施例的业务评价模型创建方法的流程图；
图5示意性示出了根据本公开另一实施例的数据处理方法的流程图；
图6示意性示出了根据本公开实施例的评价报告模板配置页面的示意图；
图7示意性示出了根据本公开另一实施例的数据处理方法的流程图；
图8示意性示出了根据本公开实施例的预警方法的流程图；
图9示意性示出了根据本公开实施例的数据处理装置的结构框图；
图10示意性示出了根据本公开实施例的建模基础平台的架构图；
图11示意性示出了根据本公开另一实施例的数据处理装置的结构框图；以及
图12示意性示出了根据本公开实施例的适于实现数据处理方法的电子设备的方框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
信用评价体系建设，是服务当前信用监管的核心基础。传统信用评价体系一般是基于行业自建的单一业务模型，且评价方法主要采用专家经验评分卡方式，对技术人员的依赖性较大，评价结果的主观性较强。另外，传统的信用评价体系基于行业数据创建单一业务模型，数据比较单一，未能将各个行业信用数据进行整合，评价结果比较片面，并且对于无信用历史的用户，很难给定评分。
有鉴于此，本公开针对以上技术问题，通过归集“省、市、县、乡、村”五级政务信用数据、互联网信用数据、金融信用数据，综合政务、社会、金融三方面信用数据，建设包含历史公共信用数据的信用数据库，然后以专家经验初始化建设信用评价指标库、公共信用评价模型，然后以信用数据库中的历史公共信用数据为依托，通过机器学习和逻辑回归算法，训练优化公共信用评价模型，通过公共信用评价模型对企业进行评分，为企业进行分级分类管理提供数据支撑，同时企业分级分类管理对公共信用评价模型进行验证反馈，反哺公共信用评价模型优化。
因此，本公开通过对信用数据库中的历史公共信用数据进行分析从而确定目标信用数据，并根据目标信用数据形成公共信用评价指标，进而根据公共信用评价指标创建公共信用评价模型，采用该公共信用评价模型对目标主体进行评级，避免了对技术人员的依赖，且能够客观反映目标主体的信用状况。
具体地，本公开的实施例提供了一种数据处理方法，包括：从信用数据库中获取在预设时间段内生成的历史公共信用数据；对上述历史公共信用数据进行分析，以确定目标信用数据；将上述目标信用数据按照预设格式存储至公共信用评价指标库中，其中，上述公共信用评价指标库包括至少一个公共信用评价指标；以及根据上述公共信用评价指标和与上述公共信用评价指标对应的权重信息，创建公共信用评价模型，其中，上述公共信用评价模型用于评价目标主体的公共信用等级。
需要说明的是，本公开实施例确定的数据处理方法和装置可用于计算机领域或金融领域。本公开实施例确定的数据处理方法和装置也可用于除计算机领域和金融领域之外的任意领域。本公开实施例确定的数据处理方法和装置的应用领域不做限定。
在本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
图1示意性示出了根据本公开实施例的数据处理方法、装置、设备、介质和程序产品的应用场景图。
如图1所示，根据该实施例的应用场景100可以包括网络、终端设备和服务器。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是，本公开实施例所提供的数据处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的数据处理装置一般可以设置于服务器105中。本公开实施例所提供的数据处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的数据处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景，通过图2～图8对公开实施例的数据处理方法进行详细描述。
图2示意性示出了根据本公开实施例的数据处理方法的流程图。
如图2所示，该实施例的数据处理方法包括操作S210～操作S240，该数据处理方法可以由服务器执行，还可以由终端设备执行。
在操作S210，从信用数据库中获取在预设时间段内生成的历史公共信用数据。
根据本公开的实施例，信用数据库用于存储各个渠道的历史公共信用数据。例如，信用数据库可以包括政务信用数据、互联网信用数据、金融信用数据等。信用数据库可以是综合政务、社会、金融三方面信用数据创建的。
根据本公开的实施例，预设时间段例如可以包括预先设定的时间跨度。例如，预设时间段可以包括十年、五年、三年等。
根据本公开的实施例，获取在预设时间段内生成的历史公共信用数据例如可以包括获取信用数据库中在近十年内生成的所有历史公共信用数据；还可以包括获取信用数据库中在近五年内生成的所有历史公共信用数据等。
在操作S220，对上述历史公共信用数据进行分析，以确定目标信用数据。
根据本公开的实施例，目标信用数据例如可以包括对评价目标主体具有关键作用的信用数据。例如，目标信用数据可以包括基本信息类数据、监管信息类数据、履约信息类数据、社会责任类数据及严重失信信息类数据等。具体地，目标信用数据可以包括基础登记类数据、运营及财务类数据、行政执法类数据、司法信息类数据、欠费信息类数据、社会评价类数据、荣誉信息类数据、守信名单数据等。
根据本公开的实施例，对上述历史公共信用数据进行分析例如可以采用机器学习技术、大数据分析技术等方法，从历史公共信用数据中筛选出目标信用数据，由此得出的目标信用数据较客观，降低主观性。
在操作S230，将上述目标信用数据按照预设格式存储至公共信用评价指标库中，其中，上述公共信用评价指标库包括至少一个公共信用评价指标。
根据本公开的实施例，预设格式例如可以包括能够将目标信用数据采用统一方式记录的格式。不同类型的目标信用数据可以采用不同的格式记录。
例如，针对基础信息类数据，可以记录评价主体的类型信息、变更信息、主要人员信息、经营异常名录信息等。针对监管信息类数据，可以记录信用承诺信息、行政处罚信息、行政强制信息、行政奖励信息等。针对履约信息类数据，可以记录商业履约信息、知识产权信息、资产信息、损益信息等。针对社会责任类数据，可以记录纳税信息、社保缴费信息、社会保障信息、社会公益和慈善信息等。针对严重失信类信息，可以记录安全生产黑名单、涉金融领域失信关联黑名单、失信被执行人名单等。
根据本公开的实施例，通过采用机器学习等技术动态化确定目标信用数据，并动态化创建公共信用评价指标库，便于灵活配置公共信用评价指标库，从而便于灵活调整公共信用评价指标模型，提高公共信用评价指标模型的客观性和智能性。
根据本公开的实施例，公共信用评价指标库中包括定性评价指标和定量评价指标。
根据本公开的实施例，定量评价指标包括可以量化的指标。例如，定量评价指标包括数字、通过指标数据计算得到的指标等。
根据本公开的实施例，指标数据计算包括时间计算、数值计算和合并计算。指标数据计算时需要选择数据表和表中的数据项，若选择时间计算需要填写时间长度和单位，通过时间长度和单位查询数据项对应的数据数量；若选择数值计算，选择求和、次数累加等方法，通过内部设定的方法对指标进行计算；合并计算是结合时间和数值共同计算。另外在较为复杂的跨表计算，计算原则是由数据中台将数据清洗加工成宽表后计算输出。
根据本公开的实施例，定性评价指标包括不能量化的指标。例如，定性评价指标包括通过目标主体的数据判断某一属性是否存在。具体地，定性评价指标可以包括是否被列入黑名单。
在操作S240，根据上述公共信用评价指标和与上述公共信用评价指标对应的权重信息，创建公共信用评价模型，其中，上述公共信用评价模型用于评价目标主体的公共信用等级。
根据本公开的实施例，公共信用评价指标对应的权重信息例如可以包括某一个公共信用评价指标在所有公共信用评价指标中所占的比例。每个公共信用评价指标对应一个比例，公共信用评价指标库中的所有公共信用指标的比例的加和为100％。
根据本公开的实施例，公共信用评价指标对应的比例可以采用专家初始化确定，也可以采用机器学习的方法确定，还可以结合专家初始化与机器学习来确定。
根据本公开的实施例，公共信用评价模型可以对多类主体进行信用评价。例如，公共信用评价模型可以对企业、自然人、社会组织、事业单位等进行信用评价。
根据本公开的实施例，通过从信用数据库中获取在预设时间段内生成的历史公共信用数据，并对历史公共信息数据进行分析，从而确定目标信用数据，然后将该目标信用数据采用预设格式存储形成公共信用评价指标，根据公共信用评价指标和与公共信用评价指标对应的权重信息创建公共信用评价模型，以便于对目标主体的公共信用等级进行评价。本公开通过对信用数据库中的历史公共信用数据进行分析从而确定目标信用数据，并根据目标信用数据形成公共信用评价指标，进而根据公共信用评价指标创建公共信用评价模型，采用该公共信用评价模型对目标主体进行评级，避免了对技术人员的依赖，且能够客观反映目标主体的信用状况。
根据本公开的实施例，上述数据处理方法还包括：获取预先设定的初始化评价指标；将上述初始化评价指标添加至上述公共信用评价指标库中；其中，根据上述公共信用评价指标和与上述公共信用评价指标对应的权重信息，创建公共信用评价模型包括：根据上述公共信用评价指标、与上述公共信用评价指标对应的权重信息、上述初始化评价指标和与上述初始化评价指标对应的权重信息，创建公共信用评价模型。
根据本公开的实施例，预先设定的初始化评价指标例如可以包括根据经验确定的评价指标。例如，对于在预设时间段内数据链不完整的数据，可以通过经验法确定评价指标，即初始化评价指标。
根据本公开的实施例，将初始化评价指标添加至公共信用评价指标库，能够有效避免因数据量较少而又比较重要的评价指标被遗漏，从而有助于保证公共信用评价指标库的全面性，提高信用评价的准确性。
根据本公开的实施例，创建公共信用评价模型包括配置公共信用评价模型的基本信息，然后选取与公共信用评价模型对应的公共信用评价指标，之后设置与每个公共信用评价指标对应的评价规则，之后根据公共信用评价指标对应的权重信息，对每一个公共信用评价指标配置权重，完成对公共信用评价模型的创建。
根据本公开的实施例，将企业的待评价数据输入公共信用评价模型，公共信用评价模型根据每个公共信用评价指标对应的评价规则得出每个公共信用评价指标对应的得分值，然后根据每个公共信用评价指标的得分值以及每个公共信用评价指标对应的权重，确定每个公共信用评价指标的指标值，之后根据对每个公共信用评价指标的指标值进行加权求和，得到企业信用的评价分值。
具体地，例如其中一个公共信用评价指标为合同履约失信情况指标，与合同履约失信情况指标对应的评价规则包括无命中(对应的得分值为50分)和近两年内有合同履约失信信息(对应的得分值为0分)，与合同履约失信情况指标对应的权重为10％。在对企业A进行评价时，假如根据企业A的待评价数据得出近两年内没有命中合同失信信息，则与合同履约失信情况指标对应的得分值为50，与合同履约失信情况指标对应的指标值为5(得分值50乘以权重10％)。
根据本公开的实施例，通过专家经验法确定的初始化评价指标结合机器基于大数据筛选的公共信用评价指标创建公共信用评价模型，使得对于在预设时间段内数据链不完整的数据，也能将相应的指标添加至公共信用评价指标库，对公共信用评价指标库进行完善，从而有助于进一步提高对企业信用评价的准确性。
根据本公开的实施例，上述数据处理方法还包括：获取与上述目标主体对应的测试数据，其中，上述测试数据为目标主体生成的历史公共信用数据中满足第一预设条件的历史公共信用数据；将上述测试数据输入上述公共信用评价模型中，输出公共信用评价结果；对上述公共信用评价结果进行分析，得出公共信用分析结果；在上述公共信用分析结果不满足第二预设条件的情况下，优化上述公共信用评价模型。
根据本公开的实施例，测试数据例如可以包括根据该测试数据能够直接确定目标主体的信用状况的数据。例如，测试数据可以是目标主体的失信数据，还可以是目标主体的守信数据。
根据本公开的实施例，第一预设条件例如可以包括能够确定目标主体的信用状况的条件。例如，第一预设条件包括失信信息、守信信息。具体地，历史公共信用数据中满足第一预设条件的历史公共信用数据可以包括将历史公共信用数据中满足失信信息的历史公共信用数据作为测试数据；还可以包括将历史公共信用数据中满足守信信息的历史公共信用数据作为测试数据。
根据本公开的实施例，对公共信用评价结果进行分析，得出公共信用分析结果包括：将公共信用评价结果与根据测试数据直接确定的信用结果进行比较，得出公共信用分析结果。
根据本公开的实施例，公共信用分析结果例如可以用于表征公共信用评价结果与根据测试数据直接确定的信用结果是否相符。在公共信用分析结果与根据测试数据直接确定的信用结果相符的情况下，停止对公共信用评价模型的优化；在公共信用分析结果与根据测试数据直接确定的信用结果不相符的情况下，对公共信用评价模型进行优化。
具体地，根据测试数据可以确定目标主体的信用等级为B级，将测试数据输入公共信用评价模型中得到公共信用评价结果，分析该公共信用评价结果是否与根据测试数据直接确定的信用等级(B级)相符，在结果不相符的情况下，调整公共信用评价模型的公共信用评价指标，以优化公共信用评价模型，使采用公共信用评价模型得出的结果更加准确。
图3示意性示出了根据本公开实施例的优化公共信用评价模型方法的流程图。
如图3所示，该公共信用评价模型的优化方法包括操作S301～操作S307。
在操作S301，获取与目标主体对应的测试数据，其中，测试数据包括目标主体生成的历史公共信用数据中满足第一预设条件的历史公共信用数据。
在操作S302，根据测试数据配置目标主体的信用结果。
在操作S303，将测试数据输入公共信用评价模型，并输出公共信用评价结果。
在操作S304，将公共信用评价结果与信用结果进行对比，得出公共信用分析结果。
在操作S305，判断公共信用分析结果是否满足第二预设条件。在公共信用分析结果满足第二预设条件的情况下，执行操作S306；在公共信用分析结果不满足第二预设条件的情况下，执行操作S307。
在操作S306，结束对公共信用评价模型的优化。
在操作S307，调整公共信用评价指标，对公共信用评价模型进行优化。
根据本公开的实施例，上述数据处理方法还包括：根据业务场景需求，创建业务评价指标库，其中，上述业务评价指标库包括至少一个业务评价指标；根据上述业务评价指标和上述业务评价指标对应的权重信息，创建业务评价模型，其中，上述业务评价模型用于评价目标主体在上述业务场景下的业务信用等级。
根据本公开的实施例，业务场景需求例如可以包括在特定场景下对目标主体进行信用评价。例如，业务场景需求可以包括针对特定行业的目标主体进行信用评价。特定行业例如可以包括建筑业、农业等。业务场景需求可以包括行业类型、行业关键指标等信息。
根据本公开的实施例，不同行业的关键评价指标不同，需要根据行业创建相应的业务评价指标库。
根据本公开的实施例，业务评价模型可以包括行业信用评价、业务主题评价等。
图4示意性示出了根据本公开实施例的业务评价模型创建方法的流程图。
如图4所示，该方法包括操作S401～操作S409。
在操作S401，获取业务评价模型的基本信息和业务场景需求，其中，业务场景需求包括业务关键指标信息。
根据本公开的实施例，业务评价模型的基本信息例如可以包括模型名称、模型编码、主体类型、所属行业等信息。
在操作S402，根据业务关键指标信息，创建业务评价指标库，其中，业务评价指标库包括至少一个业务评价指标。
在操作S403，选取业务评价指标库，将业务评价指标库作为创建业务评价模型的指标集。
在操作S404，根据业务评价指标和与业务评价指标对应的权重信息对每个业务评价指标进行权重配置。
在操作S405，配置业务评价指标的评分规则。将业务评价指标的测量值划分成若干阶段，不同阶段的测量值对应不同的指标得分值，以便于根据指标得分值确定目标主体的信用分值。
在操作S406，判断业务评价指标库中是否存在一票否决指标。在确定存在一票否决指标的情况下，执行操作S407；在确定不存在一票否决指标的情况下，执行操作S408。
在操作S407，配置一票否决指标对应的信用评价等级，然后执行操作S408。
在操作S408，配置信用评价等级，不同的信用分值对应不同的信用评价等级。
在操作S409，完成业务评价模型的创建。
根据本公开的实施例，信用评价等级例如可以包括AAA级、AA级、A级、B级、C级、D级；还可以包括信用极好、信用好、信用良、一般、差、较差、极差等。信用评价等级可根据行业进行自定义，本公开不对信用评价等级进行限定。
图5示意性示出了根据本公开另一实施例的数据处理方法的流程图。
如图5所示，该实施例的数据处理方法包括操作S510～操作S520。
在操作S510，获取目标主体产生的待评价数据。
根据本公开的实施例，待评价数据例如可以包括目标主体产生的信用数据。例如，待评价数据可以包括目标主体产生的交易数据。
在操作S520，将上述待评价数据输入公共信用评价模型中，输出与上述目标主体对应的公共信用评价结果，其中，上述公共信用评价模型是根据公共信用评价指标和与上述公共信用评价指标对应的权重信息创建的；上述公共信用评价指标为从信用数据库中获取的在预设时间段内生成的历史公共信用数据；对上述历史公共信用数据进行分析，以确定目标信用数据；并将上述目标信用数据按照预设格式存储至公共信用评价指标库中的公共信用评价指标。
根据本公开的实施例，上述将上述待评价数据输入公共信用评价模型中，输出与上述目标主体对应的评价结果包括：将上述待评价数据输入上述公共信用评价模型中，输出与上述目标主体对应的公共信用评价分值；根据上述公共信用评价分值和预设公共信用等级确定与上述目标主体对应的公共信用等级；根据上述公共信用评价分值、上述公共信用等级和预设评价报告模板，输出与上述目标主体对应的评价报告。
根据本公开的实施例，信用评价系统与数据中台采用松耦合的关系协作工作。信用评价系统根据公共信用评价模型中的公共信用评价指标生成结果表，该结果表的每行记录目标主体的标识，每列用于记录每个指标的测量值。在数据中台创建同构的结果表，数据中台根据计算规则对待评价数据进行计算，得出测量值写入结果表，整个计算事务完成后，数据中台向信用评价系统输出记录有测量值的结果表。信用评价系统根据评分规则和结果表中的测量值，确定每个公共信用评价指标的得分值，最后根据每个公共信用评价指标的得分值得出公共信用分值。
根据本公开的实施例，预设评价报告模板可根据用户需求，按照信用信息的内容自定义。评价报告模板的配置例如可以包括模板名称、适用主体、报告水印等信息。
图6示意性示出了根据本公开实施例的评价报告模板配置页面的示意图。
如图6所示，配置评价报告模板可以将变量组件中的相应变量标签拖拽至相应位置，通过富文本排版工具定义相应的版面。
根据本公开的实施例，对输出的评价报告可进行下载操作。下载格式可以包括PDF格式、WORD格式等。
根据本公开的实施例，上述数据处理方法还包括：根据上述公共信用等级和预设的信用风险分类等级，确定上述目标主体的风险等级；根据上述风险等级确定与上述风险等级对应的监管策略。
根据本公开的实施例，风险等级例如可以用于表征目标主体失信程度。风险等级例如可以包括A级、B级、C级、D级、E级。不同的风险等级对应不同的监管策略。
根据本公开的实施例，与A级风险等级对应的监管策略例如可以包括选用最低抽查比例，减少对目标主体正常生产经营活动的影响。与B级风险等级对应的监管策略例如可以包括适当降低抽查比例，督促目标主体整改经营活动中可能存在的失信行为。与C级风险等级对应的监管策略例如可以包括保持常规抽查比例，加强日常大数据监测。与D级风险等级对应的监管策略例如可以包括提高抽查比例，发现问题时及时责令其改正，并在检查过程中列为重点关注对象。与E级风险等级对应的监管策略例如可以包括大幅提高抽查比例，必要时实现全面覆盖，依法依规实行严管严查，并纳入失信联合惩戒范围。
根据本公开的实施例，对不同风险等级的目标主体采用不同的监管策略，实施信用风险差异化随机抽取机制，既保证必要的抽查覆盖面和监管效果，又大限度减少对目标主体正常生产经营的影响。
根据本公开的实施例，上述数据处理方法还包括：将上述待评价数据输入业务评价模型中，输出业务信用评价结果，其中，上述业务评价模型是根据业务场景需求，创建包括至少一个业务评价指标的业务评价指标库；根据上述业务评价指标和上述业务评价指标对应的权重信息，创建的业务评价模型；根据上述公共信用评价结果和上述业务信用评价结果确定与上述目标主体对应的综合信用评价结果。
根据本公开的实施例，根据上述公共信用评价结果和上述业务信用评价结果确定与上述目标主体对应的综合信用评价结果包括：配置公共信用评价结果和业务信用评价结果的比例信息；根据公共信用评价结果、业务信用评价结果和比例信息，确定与上述目标主体对应的综合信用评价结果。
图7示意性示出了根据本公开另一实施例的数据处理方法的流程图。
如图7所示，该实施例的数据处理方法包括操作S701～操作S716。
在操作S701，在信用评价系统中创建公共信用评价指标库。
在操作S702，根据公共信用评价指标库中的公共信用评价指标和与公共信用评价指标对应的权重信息，创建公共信用评价模型。
在操作S703，获取针对目标主体的信用评价请求，其中，信用评价请求中包括目标主体的基本信息。
在操作S704，绑定公共信用评价模型。
在操作S705，配置评分等级划分规则。
在操作S706，根据目标主体的基本信息选取目标主体。
在操作S707，根据目标主体的基本信息和公共信用评价模型中的公共信用评价指标生成第一结果表，其中，第一结果表中包含目标主体的标识。
在操作S708，在数据中台创建同构的第一结果表。
在操作S709，数据中台根据同构的第一结果表和指标计算规则对目标主体产生的数据进行计算，得出的指标测量值记录至同构的第一结果表中，形成第二结果表。
根据本公开的实施例，数据中台基于ETRNN算法计算得出指标测量值。ETRNN(Embedding Transactional Recurrent Neural Network)主要是利用用户在各个业务厅局系统办事产生的数据进行计算。ETRNN算法具有以下优点：1)ETRNN算法基于用户的行为数据，不需要大量的特征工程方法和领域知识。2)ETRNN算法不需要除行为数据之外的其他数据，可以快速授信，改善用户体验。3)用户行为数据很难仿造，评价的准确性较高。4)即使白户也可以利用行为数据进行评分。5)ETRNN算法直接利用用户的行为流水数据，更好的利用用户消费的时序信息，不需要对用户的行为流水历史做聚合。
ETRNN主要是用来处理时序数据，可以记住历史信息，用于预测。ETRNN目前已经广泛应用于自然语言处理任务，比如文本分类、机器翻译和语言模型。本公开实施例把信用评分任务当做文本分类的任务，将每一个用户看作文档，将一次交易看作一个单词。
在操作S710，向信用评价系统发送第二结果表。
在操作S711，信用评价系统获取第二结果表，根据第二结果表中的指标测量值和评分等级划分规则确定每个公共信用评价指标对应的评价分值。
在操作S712，根据每个公共信用评价指标对应的评价分值确定与目标主体对应的公共信用评价分值。
在操作S713，根据公共信用评价分值和和预设公共信用等级确定与目标主体对应的公共信用等级。
在操作S714，根据公共信用评价分值、公共信用等级和预设评价报告模板，输出与目标主体对应的评价报告。
在操作S715，查询系统查询信用评价系统中的评价报告。
在操作S716，下载评价报告。
根据本公开的实施例，上述数据处理方法还包括：根据预设预警指标，按照预设时间段循环获取与上述预设预警指标对应的信用数据；在上述信用数据满足第三预设条件的情况下，发送预警信息。
根据本公开的实施例，预警指标例如可以包括综合预警指标、行政处罚指标、失信被执行人名单、黑名单信息等。
根据本公开的实施例，每个预警指标设置与之对应的信用阀值，当与该预警指标对应的信用数据达到信用阀值时，触发预警事件，发送预警信息。第三预设条件例如可以包括信用阀值。
根据本公开的实施例，预警信息例如可以包括预警主体名称、统一社会信用代码、预警等级、预警时间、触发事件等信息。
根据本公开的实施例，根据预警主体名称、统一社会信用代码、所属区域、所属行业、预警等级、预警时间等条件查询预警信息。
图8示意性示出了根据本公开实施例的预警方法的流程图。
如图8所示，该预警方法包括操作S801～操作S808。
在操作S801，在预警系统中配置预警指标。
在操作S802，在预警系统中配置与每个预警指标对应的信用阀值。
在操作S803，数据中台根据预警指标，按照预设时间段循环获取与预设预警指标对应的信用数据。
在操作S804，对信用数据进行分析，判断信用数据是否满足第三预设条件。在信用数据不满足第三预设条件的情况下，执行操作S805；在信用数据满足第三预设条件的情况下，执行操作S806。
在操作S805，不发送预警信息。
在操作S806，向预警系统发送预警信息。
在操作S807，预警系统获取预警信息，供用户系统查询。
在操作S808，用户系统查询预警系统中的预警信息。
根据本公开的实施例，根据筛选条件，筛选出需要监管的企业，形成监管名录创建监管名录。
根据本公开的实施例，筛选条件例如可以包括主体来源方式(法人库、外部名单)、区域、行业、经营范围、许可内容、注册资本、经营年限、信用标签、信用评价等级等方式进行任意条件组合筛选。
需要说明的是，本公开实施例中的流程图所示的操作除非明确说明不同操作之间存在执行的先后顺序，或者不同操作在技术实现上存在执行的先后顺序，否则，多个操作之间的执行顺序可以不分先后，多个操作也可以同时执行。
基于上述数据处理方法，本公开还提供了一种数据处理装置。以下将结合图9对该装置进行详细描述。
图9示意性示出了根据本公开实施例的数据处理装置的结构框图。
如图9所示，该实施例的数据处理装置900包括第一获取模块910、第一分析模块920、存储模块930和第一创建模块940。
第一获取模块910用于从信用数据库中获取在预设时间段内生成的历史公共信用数据。在一实施例中，第一获取模块910可以用于执行前文描述的操作S210，在此不再赘述。
第一分析模块920用于对上述历史公共信用数据进行分析，以确定目标信用数据。在一实施例中，第一分析模块920可以用于执行前文描述的操作S220，在此不再赘述。
存储模块930用于将上述目标信用数据按照预设格式存储至公共信用评价指标库中，其中，上述公共信用评价指标库包括至少一个公共信用评价指标。在一实施例中，存储模块930可以用于执行前文描述的操作S230，在此不再赘述。
第一创建模块940用于根据上述公共信用评价指标和与上述公共信用评价指标对应的权重信息，创建公共信用评价模型，其中，上述公共信用评价模型用于评价目标主体的公共信用等级。在一实施例中，第一创建模块940可以用于执行前文描述的操作S240，在此不再赘述。
根据本公开的实施例，上述数据处理装置还包括第三获取模块和添加模块。
第三获取模块，用于获取预先设定的初始化评价指标。
添加模块，用于将上述初始化评价指标添加至上述公共信用评价指标库中。
根据本公开的实施例，第一创建模块还用于根据上述公共信用评价指标、与上述公共信用评价指标对应的权重信息、上述初始化评价指标和与上述初始化评价指标对应的权重信息，创建公共信用评价模型。
根据本公开的实施例，上述数据处理装置还包括第四获取模块、测试模块、第二分析模块和优化模块。
第四获取模块，用于获取与上述目标主体对应的测试数据，其中，上述测试数据为目标主体生成的历史公共信用数据中满足第一预设条件的历史公共信用数据。
测试模块，用于将上述测试数据输入上述公共信用评价模型中，输出公共信用评价结果。
第二分析模块，用于对上述公共信用评价结果进行分析，得出公共信用分析结果。
优化模块，用于在上述公共信用分析结果不满足第二预设条件的情况下，优化上述公共信用评价模型。
根据本公开的实施例，上述数据处理装置还包括第二创建模块和第三创建模块。
第二创建模块，用于根据业务场景需求，创建业务评价指标库，其中，上述业务评价指标库包括至少一个业务评价指标。
第三创建模块，用于根据上述业务评价指标和上述业务评价指标对应的权重信息，创建业务评价模型，其中，上述业务评价模型用于评价目标主体在上述业务场景下的业务信用等级。
根据本公开的实施例，第一获取模块910、第一分析模块920、存储模块930和第一创建模块940中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一获取模块910、第一分析模块920、存储模块930和第一创建模块940中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块910、第一分析模块920、存储模块930和第一创建模块940中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
需要说明的是，本公开的实施例中信息监控装置部分与本公开的实施例中信息监控方法部分是相对应的，信息监控装置部分的描述具体参考信息监控方法部分，在此不再赘述。
根据本公开的实施例，提供一种信用评价、预警、监测等各类建模基础平台。
图10示意性示出了根据本公开实施例的建模基础平台的架构图。
如图10所示，该技术基础架构图包括模型开发环境和建模治理环境。模型开发环境可以汇聚各种来源和各种形式的数据资源，无缝集成多种人工智能和大数据引擎，提供数据建模基础开发环境、基础算子、集成算子和数据建模流程骨架四大类数百个数据建模支撑功能。
在模型开发基础环境方面，本公开通过拖曳式可视化模型开发环境，基于资源管理器、组件库、工作流编辑器、工作流大纲视图、控制台、菜单项等界面元素，支持建模工作流的编辑和概览、建模算子的浏览和调用、建模工作流节点的配置和执行、模型和数据的浏览查询等功能，为用户提供“所见即所得”的数据建模体验。
在基础模型算法方面，本公开提供了包括IO(输入/输出)算子、数据库算子、数据处理算子、数据分析挖掘算子、图表报告算子、控制流算子、自定义算子、宏算子共8大类数百个基础模型算法。具体包括：
1)IO算子支持本地文件系统、HDFS文件系统、S3文件系统等多种数据来源的xls、csv、arff、pmml、txt、doc、ppt、html、xml、json、parquet等多种文件格式的文件读写访问操作。
2)数据库算子支持oracle、db2、mysql、derby、sqlite等多种关系数据库、mongoDB等noSQL数据库、Hive等大数据平台数据库的连接、读写、查询等操作。
3)数据处理算子支持行过滤、行变换、行排序、行混洗、列过滤、列变换、列分割、列拼接、列替换、列分箱、表拼接、表分割等数据处理操作。
4)数据分析挖掘算子支持结构化数据、时间序列数据、社会网络数据、文本数据、图像数据的各种统计分析、数据挖掘、机器学习、深度学习等算法模型操作。
5)图表报表算子支持直方图、箱线图、散点图、折线图、柱状图、饼状图、气泡图、热力图、旭日图、提升图、Roe图(接收者操作特征曲线图)等数十种图表数据展示以及报告制作生成操作。
6)控制流算子支持流程变量、循环、分支、异常处理、自动化、定时器、用户交互等控制操作。
7)自定义算子支持用户使用Java语言、JavaScript语言、Python语言、R语言等编程语言开发定制操作。
8)宏算子支持各类算子的组合和复用。
在集成模型算法方面，本公开实施例提供业务领域支撑算子、自然语言处理算子、数据探索算子、特征工程算子、自动化机器学习算子、模型解释算子共6大类数十个集成模型算法。
1)业务领域支撑算子，支持出生日期衍生、身份证数据衍生、手机号数据衍生、客户基本信息数据衍生、资产切片数据衍生、活期流水数据衍生、信用行为流水数据衍生、人行征信数据衍生等特征生成操作；在政务业务领域支持工商数据衍生、行政资质数据衍生、行政处罚数据衍生、外贸数据衍生、税务数据衍生、司法数据衍生等特征生成操作；在社会信用体系建设业务领域提供信息时间标注、信用制度标注等特征生成操作。
2)自然语言处理算子支持中文分词、词性标注、命名实体识别、语义联想、关键词抽取、自动文摘、自动分类等自然语言处理集成模型算法。
3)数据探索算子支持结构化数据探索、社会网络数据探索、文本数据探索等数据探索集成模型算法。
4)特征工程算子支持二元类别属性衍生、多元类别属性衍生、数值属性衍生、非平衡数据欠采样、非平衡数据过采样、静态数据衍生、切片数据衍生、流水数据衍生、特征相关分析、特征筛选等特征工程集成模型算法。
5)自动化机器学习算子支持评分卡模型自动机器学习、非时序二元分类模型自动化机器学习、时序二元分类模型自动化机器学习、多元分类模型自动化机器学习、回归模型自动化机器学习、时间序列模型自动化机器学习等自动化机器学习集成算法模型。
6)模型解释算子支持决策树替代、部分依赖、敏感性分析、局部可解释等模型解释集成算法模型。
在业务应用模板方面，本公开实施例提供了风险控制、精准营销、运营管理等方面的多个数据建模模板。例如信用行为评级授信数据建模模板、存款流失分析预测数据建模模板、流动性预测预警数据建模模板等。这些业务应用模板提供了特定场景下人工智能和大数据建模的流程骨架、要素组成、共性要素，用户可以按需定制特性要素，优质高效完成数据建模工作。
建模治理环境可以汇集多种业务建模工作流，对数据、模型和资源进行组装、训练和优化，实现自动化的模型生产，最终完成模型的高效部署和自动化服务。模型治理同时提供生产过程的运行管理和状态监控，能够对模型构建过程进行回溯和跟踪；并支持手工、定时任务和事件驱动等多种方式的模型构建，满足多种建模流程的自动化需求。
在建模治理方面，本公开提供了流程自动化的模型生产、部署和监控，实现高效率的模型优化、高可用的模型服务和自适应的模型迭代。模型生产以内部流水线方式进行高维数据特征、广域参数空间和深层模型调优，提供数据加工处理、模型训练评估和模型监控预警等全周期流程管理，支持手工启停流程运行、定时任务流程运行和事件驱动流程运行等多种方式的流程运行管理。模型服务基于K8s(编排容器的工具)集群计算、存储等多种资源池化和云原生支持的服务动态扩展和高可用性，提供响应式模型服务、批处理模型服务和事件驱动模型服务等多种形式的模型服务和服务管理；支持多计算平台、多机器学习框架和多语言特征的外部模型的封装引接和集中化部署。模型治理通过内嵌的运行管理和状态监控框架，一方面可对模型组装和优化流程进行记录和回溯，另一方面可对已上线运行的模型进行性能监控和稳定性评估，实现“模型生产模型服务异常监控模型再生产”闭环的自动化模型迭代。
基于上述数据处理方法，本公开还提供了另一种数据处理装置。以下将结合图11对该装置进行详细描述。
图11示意性示出了根据本公开另一实施例的数据处理装置的结构框图。
如图11所示，该实施例的数据处理装置1100包括第二获取模块1110和公共信用评价模块1120。
第二获取模块1110用于获取目标主体产生的待评价数据。在一实施例中，第二获取模块1110可以用于执行前文描述的操作S510，在此不再赘述。
公共信用评价模块1120用于将上述待评价数据输入公共信用评价模型中，输出与上述目标主体对应的公共信用评价结果，其中，上述公共信用评价模型是根据公共信用评价指标和与上述公共信用评价指标对应的权重信息创建的；上述公共信用评价指标为从信用数据库中获取的在预设时间段内生成的历史公共信用数据；对上述历史公共信用数据进行分析，以确定目标信用数据；并将上述目标信用数据按照预设格式存储至公共信用评价指标库中的公共信用评价指标。在一实施例中，公共信用评价模块1120可以用于执行前文描述的操作S520，在此不再赘述。
根据本公开的实施例，公共信用评价模块包括输入单元、确定单元和输出单元。
输入单元，用于将上述待评价数据输入上述公共信用评价模型中，输出与上述目标主体对应的公共信用评价分值。
确定单元，用于根据上述公共信用评价分值和预设公共信用等级确定与上述目标主体对应的公共信用等级。
输出单元，用于根据上述公共信用评价分值、上述公共信用等级和预设评价报告模板，输出与上述目标主体对应的评价报告。
根据本公开的实施例，上述数据处理装置还包括第一确定模块和第二确定模块。
第一确定模块，用于根据上述公共信用等级和预设的信用风险分类等级，确定上述目标主体的风险等级。
第二确定模块，用于根据上述风险等级确定与上述风险等级对应的监管策略。
根据本公开的实施例，上述数据处理装置还包括业务评价模块和第三确定模块。
业务评价模块，用于将上述待评价数据输入业务评价模型中，输出业务信用评价结果，其中，上述业务评价模型是根据业务场景需求，创建包括至少一个业务评价指标的业务评价指标库；根据上述业务评价指标和上述业务评价指标对应的权重信息，创建的业务评价模型。
第三确定模块，用于根据上述公共信用评价结果和上述业务信用评价结果确定与上述目标主体对应的综合信用评价结果。
根据本公开的实施例，上述数据处理装置还包括第五获取模块和发送模块。
第五获取模块，用于根据预设预警指标，按照预设时间段循环获取与上述预设预警指标对应的信用数据。
发送模块，用于在上述信用数据满足第三预设条件的情况下，发送预警信息。
根据本公开的实施例，第二获取模块1110和公共信用评价模块1120中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第二获取模块1110和公共信用评价模块1120中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第二获取模块1110和公共信用评价模块1120中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
需要说明的是，本公开的实施例中信息监控装置部分与本公开的实施例中信息监控方法部分是相对应的，信息监控装置部分的描述具体参考信息监控方法部分，在此不再赘述。
图12示意性示出了根据本公开实施例的适于实现数据处理方法的电子设备的方框图。
如图12所示，根据本公开实施例的电子设备1200包括处理器1201，其可以根据存储在只读存储器(ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(RAM)1203中的程序而执行各种适当的动作和处理。处理器1201例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器1201还可以包括用于缓存用途的板载存储器。处理器1201可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1203中，存储有电子设备1200操作所需的各种程序和数据。处理器1201、ROM 1202以及RAM 1203通过总线1204彼此相连。处理器1201通过执行ROM 1202和/或RAM1203中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，上述程序也可以存储在除ROM 1202和RAM 1203以外的一个或多个存储器中。处理器1201也可以通过执行存储在上述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，电子设备1200还可以包括输入/输出(I/O)接口1205，输入/输出(I/O)接口1205也连接至总线1204。电子设备1200还可以包括连接至I/O接口1205的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1206；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1207；包括硬盘等的存储部分1208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1210上，以便于从其上读出的计算机程序根据需要被安装入存储部分1208。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 1202和/或RAM 1203和/或ROM 1202和RAM 1203以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的数据处理方法。
在该计算机程序被处理器1201执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1209被下载和安装，和/或从可拆卸介质1211被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
在这样的实施例中，该计算机程序可以通过通信部分1209从网络上被下载和安装，和/或从可拆卸介质1211被安装。在该计算机程序被处理器1201执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。
Claims (14)
1.一种数据处理方法，包括：
从信用数据库中获取在预设时间段内生成的历史公共信用数据；
对所述历史公共信用数据进行分析，以确定目标信用数据；
将所述目标信用数据按照预设格式存储至公共信用评价指标库中，其中，所述公共信用评价指标库包括至少一个公共信用评价指标；以及
根据所述公共信用评价指标和与所述公共信用评价指标对应的权重信息，创建公共信用评价模型，其中，所述公共信用评价模型用于评价目标主体的公共信用等级。
2.根据权利要求1所述的方法，还包括：
获取预先设定的初始化评价指标；
将所述初始化评价指标添加至所述公共信用评价指标库中；
其中，根据所述公共信用评价指标和与所述公共信用评价指标对应的权重信息，创建公共信用评价模型包括：
根据所述公共信用评价指标、与所述公共信用评价指标对应的权重信息、所述初始化评价指标和与所述初始化评价指标对应的权重信息，创建公共信用评价模型。
3.根据权利要求1所述的方法，还包括：
获取与所述目标主体对应的测试数据，其中，所述测试数据为目标主体生成的历史公共信用数据中满足第一预设条件的历史公共信用数据；
将所述测试数据输入所述公共信用评价模型中，输出公共信用评价结果；
对所述公共信用评价结果进行分析，得出公共信用分析结果；
在所述公共信用分析结果不满足第二预设条件的情况下，优化所述公共信用评价模型。
4.根据权利要求1所述的方法，还包括：
根据业务场景需求，创建业务评价指标库，其中，所述业务评价指标库包括至少一个业务评价指标；
根据所述业务评价指标和所述业务评价指标对应的权重信息，创建业务评价模型，其中，所述业务评价模型用于评价目标主体在所述业务场景下的业务信用等级。
5.一种数据处理方法，包括：
获取目标主体产生的待评价数据；
将所述待评价数据输入公共信用评价模型中，输出与所述目标主体对应的公共信用评价结果，其中，所述公共信用评价模型是根据公共信用评价指标和与所述公共信用评价指标对应的权重信息创建的；所述公共信用评价指标为从信用数据库中获取的在预设时间段内生成的历史公共信用数据；对所述历史公共信用数据进行分析，以确定目标信用数据；并将所述目标信用数据按照预设格式存储至公共信用评价指标库中的公共信用评价指标。
6.根据权利要求5所述的方法，其中，所述将所述待评价数据输入公共信用评价模型中，输出与所述目标主体对应的评价结果包括：
将所述待评价数据输入所述公共信用评价模型中，输出与所述目标主体对应的公共信用评价分值；
根据所述公共信用评价分值和预设公共信用等级确定与所述目标主体对应的公共信用等级；
根据所述公共信用评价分值、所述公共信用等级和预设评价报告模板，输出与所述目标主体对应的评价报告。
7.根据权利要求6所述的方法，还包括：
根据所述公共信用等级和预设的信用风险分类等级，确定所述目标主体的风险等级；
根据所述风险等级确定与所述风险等级对应的监管策略。
8.根据权利要求5所述的方法，还包括：
将所述待评价数据输入业务评价模型中，输出业务信用评价结果，其中，所述业务评价模型是根据业务场景需求，创建包括至少一个业务评价指标的业务评价指标库；根据所述业务评价指标和所述业务评价指标对应的权重信息，创建的业务评价模型；
根据所述公共信用评价结果和所述业务信用评价结果确定与所述目标主体对应的综合信用评价结果。
9.根据权利要求5所述的方法，还包括：
根据预设预警指标，按照预设时间段循环获取与所述预设预警指标对应的信用数据；
在所述信用数据满足第三预设条件的情况下，发送预警信息。
10.一种数据处理装置，包括：
第一获取模块，用于从信用数据库中获取在预设时间段内生成的历史公共信用数据；
第一分析模块，用于对所述历史公共信用数据进行分析，以确定目标信用数据；
存储模块，用于将所述目标信用数据按照预设格式存储至公共信用评价指标库中，其中，所述公共信用评价指标库包括至少一个公共信用评价指标；以及
第一创建模块，用于根据所述公共信用评价指标和与所述公共信用评价指标对应的权重信息，创建公共信用评价模型，其中，所述公共信用评价模型用于评价目标主体的公共信用等级。
11.一种数据处理装置，包括：
第二获取模块，用于获取目标主体产生的待评价数据；
公共信用评价模块，用于将所述待评价数据输入公共信用评价模型中，输出与所述目标主体对应的公共信用评价结果，其中，所述公共信用评价模型是根据公共信用评价指标和与所述公共信用评价指标对应的权重信息创建的；所述公共信用评价指标为从信用数据库中获取的在预设时间段内生成的历史公共信用数据；对所述历史公共信用数据进行分析，以确定目标信用数据；并将所述目标信用数据按照预设格式存储至公共信用评价指标库中的公共信用评价指标。
12.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～9中任一项所述的方法。
13.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～9中任一项所述的方法。
14.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111487387.4A CN114140004A (zh) | 2021-12-07 | 2021-12-07 | 数据处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111487387.4A CN114140004A (zh) | 2021-12-07 | 2021-12-07 | 数据处理方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114140004A true CN114140004A (zh) | 2022-03-04 |
Family
ID=80384948
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111487387.4A Pending CN114140004A (zh) | 2021-12-07 | 2021-12-07 | 数据处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114140004A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115392660A (zh) * | 2022-08-10 | 2022-11-25 | 华世信合智能科技(浙江)有限公司 | 一种数据处理方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107506941A (zh) * | 2017-09-09 | 2017-12-22 | 杭州数立方征信有限公司 | 一种基于大数据技术的建筑施工企业信用评价方法和系统 |
| CN109784707A (zh) * | 2019-01-04 | 2019-05-21 | 深圳壹账通智能科技有限公司 | 企业信用评估方法、装置、计算机设备和存储介质 |
| CN111210140A (zh) * | 2020-01-03 | 2020-05-29 | 西安邮电大学 | 税务信用评价方法、设备及可读存储介质 |
| CN112580960A (zh) * | 2020-12-14 | 2021-03-30 | 南京莱斯信息技术股份有限公司 | 一种企业法人公共信用综合评价计算方法 |
| CN113743783A (zh) * | 2021-09-03 | 2021-12-03 | 泰康保险集团股份有限公司 | 一种医疗机构的信用评价方法及装置 |
-
2021
- 2021-12-07 CN CN202111487387.4A patent/CN114140004A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107506941A (zh) * | 2017-09-09 | 2017-12-22 | 杭州数立方征信有限公司 | 一种基于大数据技术的建筑施工企业信用评价方法和系统 |
| CN109784707A (zh) * | 2019-01-04 | 2019-05-21 | 深圳壹账通智能科技有限公司 | 企业信用评估方法、装置、计算机设备和存储介质 |
| CN111210140A (zh) * | 2020-01-03 | 2020-05-29 | 西安邮电大学 | 税务信用评价方法、设备及可读存储介质 |
| CN112580960A (zh) * | 2020-12-14 | 2021-03-30 | 南京莱斯信息技术股份有限公司 | 一种企业法人公共信用综合评价计算方法 |
| CN113743783A (zh) * | 2021-09-03 | 2021-12-03 | 泰康保险集团股份有限公司 | 一种医疗机构的信用评价方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115392660A (zh) * | 2022-08-10 | 2022-11-25 | 华世信合智能科技(浙江)有限公司 | 一种数据处理方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Battle et al. | Characterizing exploratory visual analysis: A literature review and evaluation of analytic provenance in tableau | |
| Wang et al. | Industrial big data analytics: challenges, methodologies, and applications | |
| US10977293B2 (en) | Technology incident management platform | |
| Bilal et al. | Big Data in the construction industry: A review of present status, opportunities, and future trends | |
| US20190340518A1 (en) | Systems and methods for enriching modeling tools and infrastructure with semantics | |
| US20180165604A1 (en) | Systems and methods for automating data science machine learning analytical workflows | |
| Owolabi et al. | Predicting completion risk in PPP projects using big data analytics | |
| Bangert | Optimization for industrial problems | |
| AU2019278989B2 (en) | System and method for analyzing and modeling content | |
| US20170109636A1 (en) | Crowd-Based Model for Identifying Executions of a Business Process | |
| Southerton | Datafication | |
| US20190258983A1 (en) | Objective evidence-based worker skill profiling and training activation | |
| CN112116184A (zh) | 使用历史检验数据的工厂风险估计 | |
| CN113868498A (zh) | 数据存储方法、电子装置、装置及可读存储介质 | |
| Babu et al. | Framework for Predictive Analytics as a Service using ensemble model | |
| CN114140004A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| Márquez | Digital maintenance manage ́ ment | |
| Hogan | Data center | |
| US20140149186A1 (en) | Method and system of using artifacts to identify elements of a component business model | |
| Grambau et al. | Reference Architecture framework for enhanced social media data analytics for Predictive Maintenance models | |
| CN114358024A (zh) | 日志分析方法、装置、设备、介质和程序产品 | |
| Kumar | Software Engineering for Big Data Systems | |
| Liu | Apache spark machine learning blueprints | |
| Jha | A big data architecture for integration of legacy systems and data | |
| Mahalle et al. | Data-Centric AI |
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 |