CN115293537A - 基于大数据和人工智能的企业政策匹配度评估方法及系统 - Google Patents
基于大数据和人工智能的企业政策匹配度评估方法及系统 Download PDFInfo
- Publication number
- CN115293537A CN115293537A CN202210873330.6A CN202210873330A CN115293537A CN 115293537 A CN115293537 A CN 115293537A CN 202210873330 A CN202210873330 A CN 202210873330A CN 115293537 A CN115293537 A CN 115293537A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- policy
- data
- enterprises
- label
- 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
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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- 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
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的基于大数据和人工智能的企业政策匹配度评估方法及系统,涉及大数据分析领域;其方法包括:收集企业各维度的企业数据;对企业数据进行预处理,包括数据清洗和归一化处理;根据多维企业数据标签系统对预处理后的企业数据标签化,获得标签化的企业标签数据;收集政府部门最新的政策数据;对政策数据进行预处理,包括政策数据清洗和规范政策内容;根据政策匹配维度对预处理后的政策数据标签化,生成政策标签数据;基于企业标签数据和政策标签数据建立标签匹配权重模型,计算企业与政策的匹配度;根据匹配度由高到低排序,输出匹配度最高的N条政策。本发明为企业政提供策申报建议,清晰化企业政策申报前景,达成政策发布的预期效果。
Description
技术领域
本发明涉及大数据分析技术领域,具体涉及一种基于大数据和人工智能的企业政策匹配度评估方法及系统。
背景技术
目前由于政策发布者发布政策内容比较标准化,普通企业用户很难理解政策具体细化规则,以及自己企业目前状态是不是符合政策细化规则。同时面对政府发布的大量各种政策,一般企业用户无法知道企业能申报哪些政策以及不同区级单位发布的政策是否可以同时申报。对于新出来的政策不清楚自己企业申报成功的概率有多高,导致企业错失许多可以申报政策,从而导致政策发布方发布政策预期效果降低,企业不能享受政策福利。
当前常规的政策推荐算法,主要基于企业用户浏览政策行为数据,推荐类似政策,没有综合考虑企业自身状态与政策的匹配度。即,现有技术中缺乏一种政策匹配推荐技术,能够根据企业工商信息、经营数据、往年企业申报政策数据等方面为企业与政策进行匹配,为企业找出能适用或申报的多个政策,为企业提供申报建议,让企业享受政策福利的同时,满足政策发布方发布政策预期效果。
发明内容
本发明目的在于提供一种基于大数据和人工智能的企业政策匹配度评估方法及系统,通过对收集的企业信息和政策信息标签化再进行标签匹配的方式实现企业信息与政策信息的关联,在不同维度将企业与所有政策匹配后进行加权排序,获得匹配度排序,根据排序为企业提供申报建议,让企业享受政策福利的同时,达成政策发布方发布政策的预期效果。
为达成上述目的,本发明提出如下技术方案:一种基于大数据和人工智能的企业政策匹配度评估方法,包括:
收集企业各维度的企业数据,包括企业工商信息、企业员工信息、企业资质信息、企业知识产权和成果项目转化信息、企业获得过的政策补贴及融资贷款信息、企业每年的资产及研发费用信息;
对企业数据进行预处理,包括数据清洗和归一化处理;
根据多维企业数据标签系统对预处理后的企业数据标签化,分别对每项企业数据进行标签分类,将各标签类别下的企业数据放入矩阵对象中,针对任一企业计算获得标签化的企业标签数据;
收集政府部门最新的政策数据;
对政策数据进行预处理,包括政策数据清洗和规范政策内容;
根据政策匹配维度对预处理后的政策数据标签化,针对每项政策生成一套政策标签数据;
基于企业标签数据和政策标签数据建立标签匹配权重模型,通过深度学习算法及决策树算法匹配企业与政策的相同维度,并基于每个维度的权重,计算企业与政策的匹配度;
根据企业与政策的匹配度由高到低排序,输出匹配度最高的N条政策。
进一步的,所述对预处理后的企业数据标签化的标签项包括企业状态、注册地、参保人数、企业性质、所属行业、经营范围、企业资质、企业运营状态、研发投入和专利拥有度;
其中,企业数据包括企业基本工商信息、近5年每一年获得的贷款金额、融资数据、技术合同信息、项目申报信息、企业员工研究人员数量、学历占比、I类知识产权的数量、II类知识产权的数量、取得的资质认证和知识产权信息;
所述对企业数据预处理的过程为:对任一企业数据的内容,将中文含义的内容转换为数字表示或字典数据,并补全企业属于省市区信息和企业注册日期。
进一步的,所述对预处理后的政策数据标签化的标签项包括:
支持方式:保险补贴、贷款贴息、费用减免、降低成本、评选认定、其他、税收减免、政府投资、政策引导、政府引导基金、最高奖励、资金扶持、政策支持和资质荣誉;
适用企业类型:工业型企业、农业型企业、服务型企业、研究机构、科技企业、专精特新企业、对外贸易企业、批发企业、零售企业、物流运输企业、仓储企业;
适用人群:大学生创业、科技人员、高校毕业生、引进人才、退役军人、军烈属和残疾人;
企业规模:大型企业、中型企业和小微企业;
成立年限:1~3年、3~5年、5~10年和大于10年;
适用企业性质:个人独资企业、个体工商户、国有企业、合资企业、民营企业、外资企业、股份制企业;
政策主题:补助、场地、成果转化、创新、创业、金融、税收和中小企业;
行业:农、林、牧、渔业,采矿业,制造业,电力、热力、燃气及水生产和供应业,建筑业,批发和零售业,交通运输、仓储和邮政业,住宿和餐饮业,信息传输、软件和信息技术服务业,金融业,房地产业,租赁和商务服务业,科学研究和技术服务业,水利、环境和公共设施管理业,居民服务、修理和其他服务业,教育,卫生和社会工作,文化、体育和娱乐业,公共管理、社会保障和社会组织,国际组织;
产业类目:航空航天、电子信息、海洋产业、会展经济、科技服务业、绿色食品、其他传统产业、生活服务业、生物与新医药、文旅产业、新材料、现代金融、现代物流业、新经济、新能源及节能、医疗健康、资源与环境和装备制造;
所述对政策数据的预处理过程为:对于已经过申请时间的政策,放入历史政策库中;规范化政策的发布部门、政策等级,采用基于机器学习的语义分析算法从政策内容中提取申请时间并按时间格式规范;提取政策内容中明确说明的政策主题、支持方式、适用行业、适用人群、适用企业性质和适用企业规模;对任一政策形成标准政策申报模板。
进一步的,所述计算企业与政策匹配度的具体过程为:
基于深度学习算法与决策树算法,匹配企业满足政策标签数据的若干标签项;
确定企业满足的任一政策标签项的标签数量;
分别计算企业满足的任一政策标签项的权限得分;
根据预设的政策标签项的权重,对企业所有满足政策标签项的权限得分计算加权总分,获得匹配度。
进一步的,定义政策数据标签化的任一标签项分值权限为100,标签项下任一标签的分值为100/标签项下标签个数,则:
企业满足政策标签项的权限得分=企业满足的政策标签项的标签数量×标签项下任一标签的分值;
匹配度=(企业满足适用企业类型的权限得分)*权重因子X1+(企业满足适用人群的权限得分)*权重因子X2+(企业满足企业规模的权限得分)*权重因子X3+(企业满足适用企业性质的权限得分)*权重因子X4+(企业满足政策主题的权限得分)*权重因子X5+(企业满足成立年限的权限得分)*权重因子X6+Sum(企业满足行业的权限得分)*权重因子X7+Sum(企业满足产业类目的权限得分)*权重因子X8)*1000%1000。
本发明另一技术方案在于公开一种基于大数据和人工智能的企业政策匹配度评估系统,包括:
第一收集模块,用于收集企业各维度的企业数据,包括企业工商信息、企业员工信息、企业资质信息、企业知识产权和成果项目转化信息、企业获得过的政策补贴及融资贷款信息、企业每年的资产及研发费用信息;
第一预处理模块,用于对企业数据进行预处理,包括数据清洗和归一化处理;
企业数据标签化模块,用于根据多维企业数据标签系统对预处理后的企业数据标签化,分别对每项企业数据进行标签分类,将各标签类别下的企业数据放入矩阵对象中,针对任一企业计算获得标签化的企业标签数据;
第二收集模块,用于收集政府部门最新的政策数据;
第二预处理模块,用于对政策数据进行预处理,包括政策数据清洗和规范政策内容;
政策数据标签化模块,用于根据政策匹配维度对预处理后的政策数据标签化,针对每项政策生成一套政策标签数据;
标签匹配权重计算模块,用于基于企业标签数据和政策标签数据建立标签匹配权重模型,通过深度学习算法及决策树算法匹配企业与政策的相同维度,并基于每个维度的权重,计算企业与政策的匹配度;
输出模块,用于根据企业与政策的匹配度由高到低排序,输出匹配度最高的N条政策。
进一步的,所述第一预处理模块预处理的过程为:对任一企业数据的内容,将中文含义的内容转换为数字表示或字典数据,并补全企业属于省市区信息和企业注册日期;其中,企业数据包括企业基本工商信息、近5年每一年获得的贷款金额、融资数据、技术合同信息、项目申报信息、企业员工研究人员数量、学历占比、I类知识产权的数量、II类知识产权的数量、取得的资质认证和知识产权信息;
所述企业数据标签化模块对预处理后的企业数据标签化的标签项包括企业状态、注册地、参保人数、企业性质、所属行业、经营范围、企业资质、企业运营状态、研发投入和专利拥有度。
进一步的,所述第二预处理模块预处理的过程为:对于已经过申请时间的政策,放入历史政策库中;规范化政策的发布部门、政策等级,采用基于机器学习的语义分析算法从政策内容中提取申请时间并按时间格式规范;提取政策内容中明确说明的政策主题、支持方式、适用行业、适用人群、适用企业性质和适用企业规模;对任一政策形成标准政策申报模板;
所述政策数据标签化模块对预处理后的政策数据标签化的标签项包括支持方式、适用企业类型、适用人群、企业规模、成立年限、政策主题、行业和产业类目;
其中,所述支持方式包括保险补贴、贷款贴息、费用减免、降低成本、评选认定、其他、税收减免、政府投资、政策引导、政府引导基金、最高奖励、资金扶持、政策支持和资质荣誉;所述适用企业类型包括工业型企业、农业型企业、服务型企业、研究机构、科技企业、专精特新企业、对外贸易企业、批发企业、零售企业、物流运输企业和仓储企业;所述适用人群包括大学生创业、科技人员、高校毕业生、引进人才、退役军人、军烈属和残疾人;所述企业规模包括大型企业、中型企业和小微企业;所述成立年限包括1~3年、3~5年、5~10年和大于10年;所述适用企业性质包括个人独资企业、个体工商户、国有企业、合资企业、民营企业、外资企业和股份制企业;所述政策主题包括补助、场地、成果转化、创新、创业、金融、税收和中小企业;所述行业包括农、林、牧、渔业,采矿业,制造业,电力、热力、燃气及水生产和供应业,建筑业,批发和零售业,交通运输、仓储和邮政业,住宿和餐饮业,信息传输、软件和信息技术服务业,金融业,房地产业,租赁和商务服务业,科学研究和技术服务业,水利、环境和公共设施管理业,居民服务、修理和其他服务业,教育,卫生和社会工作,文化、体育和娱乐业,公共管理、社会保障和社会组织,国际组织;所述产业类目包括航空航天、电子信息、海洋产业、会展经济、科技服务业、绿色食品、其他传统产业、生活服务业、生物与新医药、文旅产业、新材料、现代金融、现代物流业、新经济、新能源及节能、医疗健康、资源与环境和装备制造。
进一步的,所述标签匹配权重计算模块计算企业与政策匹配度的执行单元包括:
匹配单元,用于基于深度学习算法与决策树算法,匹配企业满足政策标签数据的若干标签项;
确定单元,用于确定企业满足的任一政策标签项的标签数量;
第一计算单元,用于分别计算企业满足的任一政策标签项的权限得分;
第二计算单元,用于根据预设的政策标签项的权重,对企业所有满足政策标签项的权限得分计算加权总分,获得匹配度。
进一步的,定义政策数据标签化的任一标签项分值权限为100,标签项下任一标签的分值为100/标签项下标签个数,则:
第一计算单元计算获得企业满足的政策标签项的权限得分的计算公式为:
企业满足政策标签项的权限得分=企业满足的政策标签项的标签数量×标签项下任一标签的分值;
第二计算单元计算匹配度的计算公式为:
匹配度=(企业满足适用企业类型的权限得分)*权重因子X1+(企业满足适用人群的权限得分)*权重因子X2+(企业满足企业规模的权限得分)*权重因子X3+(企业满足适用企业性质的权限得分)*权重因子X4+(企业满足政策主题的权限得分)*权重因子X5+(企业满足成立年限的权限得分)*权重因子X6+Sum(企业满足行业的权限得分)*权重因子X7+Sum(企业满足产业类目的权限得分)*权重因子X8)*1000%1000。
由以上技术方案可知,本发明的技术方案获得了如下有益效果:
本发明公开的基于大数据和人工智能的企业政策匹配度评估方法及系统,其方法包括:收集企业各维度的企业数据;对企业数据进行预处理,包括数据清洗和归一化处理;根据多维企业数据标签系统对预处理后的企业数据标签化,针对任一企业计算获得标签化的企业标签数据;收集政府部门最新的政策数据;对政策数据进行预处理,包括政策数据清洗和规范政策内容;根据政策匹配维度对预处理后的政策数据标签化,针对每项政策生成一套政策标签数据;基于企业标签数据和政策标签数据建立标签匹配权重模型,计算企业与政策的匹配度;根据匹配度由高到低排序,输出匹配度最高的N条政策。本发明为企业政提供策申报建议,清晰化企业政策申报前景,达成政策发布的预期效果。
本发明对企业数据的标签化,为基于工商信息、历年经营数据以及往年企业申报政策数据,通过数据关联整合,为企业打上标签;政策数据的标签化为对发布的政策进行不同维度的条件拆分后打上对应标签;进而在对企业进行政策申报建议的提出时,基于企业的所属地、企业性质、经营状态、企业规模、经营方向,公司员工资质等不同维度将企业标签与政策标签进行匹配,再根据每个维度权限系数进行加权排序,获得匹配度并排序。本发明适用于企业时,能够为企业提供可申报政策信息一览表、实现多政策申报,同时预知政策申报前景,享受政策福利;本发明适用于政策发布方时,能够提高发布方的政策预期效果。本发明可以帮助企业快速找到符合自己的政策,根据政策引导能自主或在第三方服务机构帮助下完成政策项目申报,同时申报成功率远远高于普通申报。进行使企业享受政策红利,同时也让政策发布者最大限度发挥政策作用。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1为本发明基于大数据和人工智能的企业政策匹配度评估方法的流程图一;
图2为本发明基于大数据和人工智能的企业政策匹配度评估方法的流程图二。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,除非上下文清楚地指明其它情况,否则单数形式的“一个”“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的特征、整体、步骤、操作、元素和/或组件,并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
基于当前政策发布者发布的政策内容通常比较标准化,普通企业用户很难理解政策具体细化规则,以及企业目前状态是不是符合政策细化规则;对于多个政策,企业不能明确知悉是否能够申报或同时申报,导致企业未能申报最合适的政策,进而导致企业错失许多可以申报的政策,企业不能享受政策福利的同时,也让政策发布方发布政策的预期效果降低。因此,本发明旨在于针对上述问题,提出一种基于大数据和人工智能的企业政策匹配度评估方法及系统,通过对企业信息和政策信息标签化,再进行标签匹配的方式确定企业和政策的适配度,为企业提出申报建议,能申报、同时申报或预知申报前景,让企业能享受政策福利的同时,达成政策发布方发布政策的预期效果。
下面结合附图所示的具体实施例,对本发明公开的基于大数据和人工智能的企业政策匹配度评估方法及系统作进一步具体介绍。
结合图1所示,本发明公开的基于大数据和人工智能的企业政策匹配度评估方法通过对分别收集的企业信息和政策信息预处理后标签化,对标签化后的企业信息和政策信息进行标签匹配获得企业和多个政策的匹配度,进而根据匹配度的排序指导企业进行政策申报。
具体的,实施例公开的基于大数据和人工智能的企业政策匹配度评估方法包括如下步骤:
步骤S102,收集企业各维度的企业数据,包括企业工商信息、企业员工信息、企业资质信息、企业知识产权和成果项目转化信息、企业获得过的政策补贴及融资贷款信息、企业每年的资产及研发费用信息;
步骤S104,对企业数据进行预处理,包括数据清洗和归一化处理;
步骤S106,根据多维企业数据标签系统对预处理后的企业数据标签化,分别对每项企业数据进行标签分类,将各标签类别下的企业数据放入矩阵对象中,针对任一企业计算获得标签化的企业标签数据;
步骤S108,收集政府部门最新的政策数据;
步骤S110,对政策数据进行预处理,包括政策数据清洗和规范政策内容;
步骤S112,根据政策匹配维度对预处理后的政策数据标签化,针对每项政策生成一套政策标签数据;
步骤S114,基于企业标签数据和政策标签数据建立标签匹配权重模型,通过深度学习算法及决策树算法匹配企业与政策的相同维度,并基于每个维度的权重,计算企业与政策的匹配度;
步骤S116,根据企业与政策的匹配度由高到低排序,输出匹配度最高的N条政策。
如图1所示,其中步骤S102至步骤S106的过程为企业数据收集、预处理和标签化的过程,步骤S108至步骤S112的过程为政策数据收集、预处理和标签化的过程,两个过程可以不分先后顺序的同步进行,也可以任一过程再前,甚至于两个过程可分为数据收集阶段、预处理阶段和标签化阶段交错进行,步骤执行的结果为分别获得企业标签数据和政策标签数据。
具体的,步骤S102中收集的企业数据中企业员工信息包括企业员工研究人员数量和学历占比,企业获得过的政策补贴及融资贷款信息包括近5年每一年获得的贷款金额、融资数据,企业知识产权和成果项目转化信息包括技术合同信息、I类知识产权的数量、II类知识产权的数量和项目申报信息。步骤S104对上述企业信息的预处理即为对任一企业数据的内容,将中文含义的内容转换为数字表示或字典数据,并补全企业属于省市区信息和企业注册日期;例如,是否是高企、技术先进企业、科技型中小企业中的否/是转为0/1。步骤S106对企业数据按照维度进行标签化中采用的多维企业数据标签系统划分的标签项包括企业状态、注册地、参保人数、企业性质、所属行业、经营范围、企业资质、企业运营状态、研发投入和专利拥有度。
作为一可选的实施例,步骤S106中基于多维企业数据标签系统的标签规则对企业数据标签化的过程为依据企业发展情况动态生成的动态标签、与企业基本信息匹配的静态标签分别进行分类,静态标签如工商信息,动态标签如各年度获得的知识产权数量、研发投入等。对于将各标签类别下的企业数据放入矩阵对象中,针对任一企业计算获得标签化的企业标签数据的过程执行如下,将获取的企业知识产权数量、资产、研发费用等数据,放入数据矩阵,计算出该数据所对应的动态标签,例如:资产总额1亿元,研发投入3000万元,可得到动态标签研发投入下的计算值高研发投入。
步骤S108中政策数据的收集通常采用从权威发布渠道收录,例如政府政务公开网站,网站每天准点实时发布政策数据。政策数据清洗和规范政策内容的过程包括对于已经过申请时间的政策,放入历史政策库中;规范化政策的发布部门、政策等级,采用基于机器学习的语义分析算法从政策内容中提取申请时间并按时间格式规范;提取政策内容中明确说明的政策主题、支持方式、适用行业、适用人群、适用企业性质和适用企业规模;对任一政策形成标准政策申报模板。
结合图2所示,步骤S112提出的根据政策匹配维度对预处理后的政策数据标签化即为利用政策标签体系对政策内容进行拆分并添加标签,政策数据标签化的标签项包括:支持方式、适用企业类型、适用人群、企业规模、成立年限、适用企业性质、政策主题、行业和产业类目;其中,支持方式包括保险补贴、贷款贴息、费用减免、降低成本、评选认定、其他、税收减免、政府投资、政策引导、政府引导基金、最高奖励、资金扶持、政策支持和资质荣誉;适用企业类型包括工业型企业、农业型企业、服务型企业、研究机构、科技企业、专精特新企业、对外贸易企业、批发企业、零售企业、物流运输企业和仓储企业;适用人群包括大学生创业、科技人员、高校毕业生、引进人才、退役军人、军烈属和残疾人;企业规模包括大型企业、中型企业和小微企业;成立年限包括1~3年、3~5年、5~10年和大于10年;适用企业性质包括个人独资企业、个体工商户、国有企业、合资企业、民营企业、外资企业和股份制企业;政策主题包括补助、场地、成果转化、创新、创业、金融、税收和中小企业;行业包括农、林、牧、渔业,采矿业,制造业,电力、热力、燃气及水生产和供应业,建筑业,批发和零售业,交通运输、仓储和邮政业,住宿和餐饮业,信息传输、软件和信息技术服务业,金融业,房地产业,租赁和商务服务业,科学研究和技术服务业,水利、环境和公共设施管理业,居民服务、修理和其他服务业,教育,卫生和社会工作,文化、体育和娱乐业,公共管理、社会保障和社会组织,国际组织;产业类目包括航空航天、电子信息、海洋产业、会展经济、科技服务业、绿色食品、其他传统产业、生活服务业、生物与新医药、文旅产业、新材料、现代金融、现代物流业、新经济、新能源及节能、医疗健康、资源与环境和装备制造。
结合图2所示,步骤S114中根据标签匹配权重模型计算企业与政策匹配度的具体过程包括:基于深度学习算法与决策树算法,匹配企业满足政策标签数据的若干标签项;确定企业满足的任一政策标签项的标签数量;分别计算企业满足的任一政策标签项的权限得分;根据预设的政策标签项的权重,对企业所有满足政策标签项的权限得分计算加权总分,获得匹配度。
处理时,将企业标签数据和政策标签数据作为深度学习算法的输入进行比较,当两者比较计算的偏差值在预设范围内,判定两者匹配。政策数据标签化的标签项包括多个,同一标签项下包含多个标签,因此通过深度学习算法与决策树算法,首先能匹配出企业满足的政策数据标签化的若干标签项,再对企业满足的任一标签项确定匹配的多个标签;根据每个标签的权重不同,计算出最后的匹配度。决策树算法用在深度学习算法中以处理叠层数据时,能够高效获得最终输出。
本发明中定义政策数据标签化的任一标签项分值权限为100,标签项下任一标签的分值为100/标签项下标签个数,则:
当企业满足任一标签项时,其权限得分计算公式为:
企业满足政策标签项的权限得分=企业满足的政策标签项的标签数量×标签项下任一标签的分值;
对某一政策,企业与该政策的匹配度计算公式为:
匹配度=(企业满足适用企业类型的权限得分)*权重因子X1+(企业满足适用人群的权限得分)*权重因子X2+(企业满足企业规模的权限得分)*权重因子X3+(企业满足适用企业性质的权限得分)*权重因子X4+(企业满足政策主题的权限得分)*权重因子X5+(企业满足成立年限的权限得分)*权重因子X6+Sum(企业满足行业的权限得分)*权重因子X7+Sum(企业满足产业类目的权限得分)*权重因子X8)*1000%1000。
具体实施例中,适用企业类型的权重为0.1、适用人群的权重为0.1+企业规模的权重为0.025、企业性质的权重为0.075、政策主题的权重为0.2、成立年限的权重为0.1、行业的权重为0.2、产业类目的权重为0.2。
本发明公开的基于大数据和人工智能的企业政策匹配度评估方法可以帮助企业快速找到符合自身企业的多个政策,根据政策引导能自主或在第三方服务机构帮助下完成政策项目申报,同时申报成功率远远高于普通申报;进而使企业享受政策红利,同时也让政策发布者最大限度发挥政策作用。
本发明另一实施例,提供一种电子装置,该电子设备包括存储器和处理器,存储器中存储有计算机程序,处理器被设置为运行计算机程序以执行以上实施例公开的基于大数据和人工智能的企业政策匹配度评估方法。
上述程序可以运行在处理器中,或者也可以存储在存储器中(或称为计算机可读介质),计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤,对应与不同的步骤可以通过不同的模块来实现。在本实施例中,就提供这样一种电子设备,该设备可以称为一种基于大数据和人工智能的企业政策匹配度评估系统,所述系统包括:第一收集模块,用于收集企业各维度的企业数据,包括企业工商信息、企业员工信息、企业资质信息、企业知识产权和成果项目转化信息、企业获得过的政策补贴及融资贷款信息、企业每年的资产及研发费用信息;第一预处理模块,用于对企业数据进行预处理,包括数据清洗和归一化处理;企业数据标签化模块,用于根据多维企业数据标签系统对预处理后的企业数据标签化,分别对每项企业数据进行标签分类,将各标签类别下的企业数据放入矩阵对象中,针对任一企业计算获得标签化的企业标签数据;第二收集模块,用于收集政府部门最新的政策数据;第二预处理模块,用于对政策数据进行预处理,包括政策数据清洗和规范政策内容;政策数据标签化模块,用于根据政策匹配维度对预处理后的政策数据标签化,针对每项政策生成一套政策标签数据;标签匹配权重计算模块,用于基于企业标签数据和政策标签数据建立标签匹配权重模型,通过深度学习算法及决策树算法匹配企业与政策的相同维度,并基于每个维度的权重,计算企业与政策的匹配度;输出模块,用于根据企业与政策的匹配度由高到低排序,输出匹配度最高的N条政策,例如匹配度由高至低的50条政策。
本系统用于实现上述实施例中的方法步骤,已经进行说明的,在此不再赘述。
例如,第一预处理模块预处理的过程为:对任一企业数据的内容,将中文含义的内容转换为数字表示或字典数据,并补全企业属于省市区信息和企业注册日期;其中,企业数据包括企业基本工商信息、近5年每一年获得的贷款金额、融资数据、技术合同信息、项目申报信息、企业员工研究人员数量、学历占比、I类知识产权的数量、II类知识产权的数量、取得的资质认证和知识产权信息;企业数据标签化模块对预处理后的企业数据标签化的标签项包括企业状态、注册地、参保人数、企业性质、所属行业、经营范围、企业资质、企业运营状态、研发投入和专利拥有度。
又例如,第二预处理模块预处理的过程为:对于已经过申请时间的政策,放入历史政策库中;规范化政策的发布部门、政策等级,采用基于机器学习的语义分析算法从政策内容中提取申请时间并按时间格式规范;提取政策内容中明确说明的政策主题、支持方式、适用行业、适用人群、适用企业性质和适用企业规模;对任一政策形成标准政策申报模板;
所述政策数据标签化模块对预处理后的政策数据标签化的标签项包括支持方式、适用企业类型、适用人群、企业规模、成立年限、适用企业性质、政策主题、行业和产业类目;
其中,所述支持方式包括保险补贴、贷款贴息、费用减免、降低成本、评选认定、其他、税收减免、政府投资、政策引导、政府引导基金、最高奖励、资金扶持、政策支持和资质荣誉;所述适用企业类型包括个人独资企业、个体工商户、国有企业、合资企业、科技企业、民营企业、外资企业和专精特新企业;所述适用人群包括大学生创业、科技人员、高校毕业生、引进人才、退役军人、军烈属和残疾人;所述企业规模包括大型企业、中型企业和小微企业;所述成立年限包括1~3年、3~5年、5~10年和大于10年;所述适用企业性质包括个人独资企业、个体工商户、国有企业、合资企业、民营企业、外资企业和股份制企业;所述政策主题包括补助、场地、成果转化、创新、创业、金融、税收和中小企业;所述行业包括农、林、牧、渔业,采矿业,制造业,电力、热力、燃气及水生产和供应业,建筑业,批发和零售业,交通运输、仓储和邮政业,住宿和餐饮业,信息传输、软件和信息技术服务业,金融业,房地产业,租赁和商务服务业,科学研究和技术服务业,水利、环境和公共设施管理业,居民服务、修理和其他服务业,教育,卫生和社会工作,文化、体育和娱乐业,公共管理、社会保障和社会组织,国际组织;所述产业类目包括航空航天、电子信息、海洋产业、会展经济、科技服务业、绿色食品、其他传统产业、生活服务业、生物与新医药、文旅产业、新材料、现代金融、现代物流业、新经济、新能源及节能、医疗健康、资源与环境和装备制造。
又例如,标签匹配权重计算模块计算企业与政策匹配度的执行单元包括:匹配单元,用于基于深度学习算法与决策树算法,匹配企业满足政策标签数据的若干标签项;确定单元,用于确定企业满足的任一政策标签项的标签数量;第一计算单元,用于分别计算企业满足的任一政策标签项的权限得分;第二计算单元,用于根据预设的政策标签项的权重,对企业所有满足政策标签项的权限得分计算加权总分,获得匹配度。
其中,定义政策数据标签化的任一标签项分值权限为100,标签项下任一标签的分值为100/标签项下标签个数,则:第一计算单元计算获得企业满足的政策标签项的权限得分的计算公式为:
企业满足政策标签项的权限得分=企业满足的政策标签项的标签数量×标签项下任一标签的分值;
第二计算单元计算匹配度的计算公式为:
匹配度=(企业满足适用企业类型的权限得分)*权重因子X1+(企业满足适用人群的权限得分)*权重因子X2+(企业满足企业规模的权限得分)*权重因子X3+(企业满足适用企业性质的权限得分)*权重因子X4+(企业满足政策主题的权限得分)*权重因子X5+(企业满足成立年限的权限得分)*权重因子X6+Sum(企业满足行业的权限得分)*权重因子X7+Sum(企业满足产业类目的权限得分)*权重因子X8)*1000%1000。
本发明的方法或系统适用于企业时,能够为企业提供可申报政策信息一览表、实现多政策申报,同时预知政策申报前景,享受政策福利;本发明的方法或系统适用于政策发布方时,能够极大的提高发布方的政策预期效果,发挥政策作用。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (10)
1.一种基于大数据和人工智能的企业政策匹配度评估方法,其特征在于,包括:
收集企业各维度的企业数据,包括企业工商信息、企业员工信息、企业资质信息、企业知识产权和成果项目转化信息、企业获得过的政策补贴及融资贷款信息、企业每年的资产及研发费用信息;
对企业数据进行预处理,包括数据清洗和归一化处理;
根据多维企业数据标签系统对预处理后的企业数据标签化,分别对每项企业数据进行标签分类,将各标签类别下的企业数据放入矩阵对象中,针对任一企业计算获得标签化的企业标签数据;
收集政府部门最新的政策数据;
对政策数据进行预处理,包括政策数据清洗和规范政策内容;
根据政策匹配维度对预处理后的政策数据标签化,针对每项政策生成一套政策标签数据;
基于企业标签数据和政策标签数据建立标签匹配权重模型,通过深度学习算法及决策树算法匹配企业与政策的相同维度,并基于每个维度的权重,计算企业与政策的匹配度;
根据企业与政策的匹配度由高到低排序,输出匹配度最高的N条政策。
2.根据权利要求1所述的基于大数据和人工智能的企业政策匹配度评估方法,其特征在于,所述对预处理后的企业数据标签化的标签项包括企业状态、注册地、参保人数、企业性质、所属行业、经营范围、企业资质、企业运营状态、研发投入和专利拥有度;
其中,企业数据包括企业基本工商信息、近5年每一年获得的贷款金额、融资数据、技术合同信息、项目申报信息、企业员工研究人员数量、学历占比、I类知识产权的数量、II类知识产权的数量、取得的资质认证和知识产权信息;
所述对企业数据预处理的过程为:对任一企业数据的内容,将中文含义的内容转换为数字表示或字典数据,并补全企业属于省市区信息和企业注册日期。
3.根据权利要求1所述的基于大数据和人工智能的企业政策匹配度评估方法,其特征在于,所述对预处理后的政策数据标签化的标签项包括:
支持方式:保险补贴、贷款贴息、费用减免、降低成本、评选认定、其他、税收减免、政府投资、政策引导、政府引导基金、最高奖励、资金扶持、政策支持和资质荣誉;
适用企业类型:工业型企业、农业型企业、服务型企业、研究机构、科技企业、专精特新企业、对外贸易企业、批发企业、零售企业、物流运输企业、仓储企业;
适用人群:大学生创业、科技人员、高校毕业生、引进人才、退役军人、军烈属和残疾人;
企业规模:大型企业、中型企业和小微企业;
成立年限:1~3年、3~5年、5~10年和大于10年;
适用企业性质:个人独资企业、个体工商户、国有企业、合资企业、民营企业、外资企业、股份制企业;
政策主题:补助、场地、成果转化、创新、创业、金融、税收和中小企业;
行业:农、林、牧、渔业,采矿业,制造业,电力、热力、燃气及水生产和供应业,建筑业,批发和零售业,交通运输、仓储和邮政业,住宿和餐饮业,信息传输、软件和信息技术服务业,金融业,房地产业,租赁和商务服务业,科学研究和技术服务业,水利、环境和公共设施管理业,居民服务、修理和其他服务业,教育,卫生和社会工作,文化、体育和娱乐业,公共管理、社会保障和社会组织,国际组织;
产业类目:航空航天、电子信息、海洋产业、会展经济、科技服务业、绿色食品、其他传统产业、生活服务业、生物与新医药、文旅产业、新材料、现代金融、现代物流业、新经济、新能源及节能、医疗健康、资源与环境和装备制造;
所述对政策数据的预处理过程为:对于已经过申请时间的政策,放入历史政策库中;规范化政策的发布部门、政策等级,采用基于机器学习的语义分析算法从政策内容中提取申请时间并按时间格式规范;提取政策内容中明确说明的政策主题、支持方式、适用行业、适用人群、适用企业性质和适用企业规模;对任一政策形成标准政策申报模板。
4.根据权利要求3所述的基于大数据和人工智能的企业政策匹配度评估方法,其特征在于,所述计算企业与政策匹配度的具体过程为:
基于深度学习算法与决策树算法,匹配企业满足政策标签数据的若干标签项;
确定企业满足的任一政策标签项的标签数量;
分别计算企业满足的任一政策标签项的权限得分;
根据预设的政策标签项的权重,对企业所有满足政策标签项的权限得分计算加权总分,获得匹配度。
5.根据权利要求4所述的基于大数据和人工智能的企业政策匹配度评估方法,其特征在于,定义政策数据标签化的任一标签项分值权限为100,标签项下任一标签的分值为100/标签项下标签个数,则:
企业满足政策标签项的权限得分=企业满足的政策标签项的标签数量×标签项下任一标签的分值;
匹配度=(企业满足适用企业类型的权限得分)*权重因子X1+(企业满足适用人群的权限得分)*权重因子X2+(企业满足企业规模的权限得分)*权重因子X3+(企业满足适用企业性质的权限得分)*权重因子X4+(企业满足政策主题的权限得分)*权重因子X5+(企业满足成立年限的权限得分)*权重因子X6+Sum(企业满足行业的权限得分)*权重因子X7+Sum(企业满足产业类目的权限得分)*权重因子X8)*1000%1000。
6.一种基于大数据和人工智能的企业政策匹配度评估系统,其特征在于,包括:
第一收集模块,用于收集企业各维度的企业数据,包括企业工商信息、企业员工信息、企业资质信息、企业知识产权和成果项目转化信息、企业获得过的政策补贴及融资贷款信息、企业每年的资产及研发费用信息;
第一预处理模块,用于对企业数据进行预处理,包括数据清洗和归一化处理;
企业数据标签化模块,用于根据多维企业数据标签系统对预处理后的企业数据标签化,分别对每项企业数据进行标签分类,将各标签类别下的企业数据放入矩阵对象中,针对任一企业计算获得标签化的企业标签数据;
第二收集模块,用于收集政府部门最新的政策数据;
第二预处理模块,用于对政策数据进行预处理,包括政策数据清洗和规范政策内容;
政策数据标签化模块,用于根据政策匹配维度对预处理后的政策数据标签化,针对每项政策生成一套政策标签数据;
标签匹配权重计算模块,用于基于企业标签数据和政策标签数据建立标签匹配权重模型,通过深度学习算法及决策树算法匹配企业与政策的相同维度,并基于每个维度的权重,计算企业与政策的匹配度;
输出模块,用于根据企业与政策的匹配度由高到低排序,输出匹配度最高的N条政策。
7.根据权利要求6所述的基于大数据和人工智能的企业政策匹配度评估系统,其特征在于,所述第一预处理模块预处理的过程为:对任一企业数据的内容,将中文含义的内容转换为数字表示或字典数据,并补全企业属于省市区信息和企业注册日期;其中,企业数据包括企业基本工商信息、近5年每一年获得的贷款金额、融资数据、技术合同信息、项目申报信息、企业员工研究人员数量、学历占比、I类知识产权的数量、II类知识产权的数量、取得的资质认证和知识产权信息;
所述企业数据标签化模块对预处理后的企业数据标签化的标签项包括企业状态、注册地、参保人数、企业性质、所属行业、经营范围、企业资质、企业运营状态、研发投入和专利拥有度。
8.根据权利要求6所述的基于大数据和人工智能的企业政策匹配度评估系统,其特征在于,所述第二预处理模块预处理的过程为:对于已经过申请时间的政策,放入历史政策库中;规范化政策的发布部门、政策等级,采用基于机器学习的语义分析算法从政策内容中提取申请时间并按时间格式规范;提取政策内容中明确说明的政策主题、支持方式、适用行业、适用人群、适用企业性质和适用企业规模;对任一政策形成标准政策申报模板;
所述政策数据标签化模块对预处理后的政策数据标签化的标签项包括支持方式、适用企业类型、适用人群、企业规模、成立年限、适用企业性质、政策主题、行业和产业类目;
其中,所述支持方式包括保险补贴、贷款贴息、费用减免、降低成本、评选认定、其他、税收减免、政府投资、政策引导、政府引导基金、最高奖励、资金扶持、政策支持和资质荣誉;所述适用企业类型包括工业型企业、农业型企业、服务型企业、研究机构、科技企业、专精特新企业、对外贸易企业、批发企业、零售企业、物流运输企业和仓储企业;所述适用人群包括大学生创业、科技人员、高校毕业生、引进人才、退役军人、军烈属和残疾人;所述企业规模包括大型企业、中型企业和小微企业;所述成立年限包括1~3年、3~5年、5~10年和大于10年;所述适用企业性质包括个人独资企业、个体工商户、国有企业、合资企业、民营企业、外资企业和股份制企业;所述政策主题包括补助、场地、成果转化、创新、创业、金融、税收和中小企业;所述行业包括农、林、牧、渔业,采矿业,制造业,电力、热力、燃气及水生产和供应业,建筑业,批发和零售业,交通运输、仓储和邮政业,住宿和餐饮业,信息传输、软件和信息技术服务业,金融业,房地产业,租赁和商务服务业,科学研究和技术服务业,水利、环境和公共设施管理业,居民服务、修理和其他服务业,教育,卫生和社会工作,文化、体育和娱乐业,公共管理、社会保障和社会组织,国际组织;所述产业类目包括航空航天、电子信息、海洋产业、会展经济、科技服务业、绿色食品、其他传统产业、生活服务业、生物与新医药、文旅产业、新材料、现代金融、现代物流业、新经济、新能源及节能、医疗健康、资源与环境和装备制造。
9.根据权利要求8所述的基于大数据和人工智能的企业政策匹配度评估系统,其特征在于,所述标签匹配权重计算模块计算企业与政策匹配度的执行单元包括:
匹配单元,用于基于深度学习算法与决策树算法,匹配企业满足政策标签数据的若干标签项;
确定单元,用于确定企业满足的任一政策标签项的标签数量;
第一计算单元,用于分别计算企业满足的任一政策标签项的权限得分;
第二计算单元,用于根据预设的政策标签项的权重,对企业所有满足政策标签项的权限得分计算加权总分,获得匹配度。
10.根据权利要求9所述的基于大数据和人工智能的企业政策匹配度评估系统,其特征在于,定义政策数据标签化的任一标签项分值权限为100,标签项下任一标签的分值为100/标签项下标签个数,则:
第一计算单元计算获得企业满足的政策标签项的权限得分的计算公式为:
企业满足政策标签项的权限得分=企业满足的政策标签项的标签数量×标签项下任一标签的分值;
第二计算单元计算匹配度的计算公式为:
匹配度=(企业满足适用企业类型的权限得分)*权重因子X1+(企业满足适用人群的权限得分)*权重因子X2+(企业满足企业规模的权限得分)*权重因子X3+(企业满足适用企业性质的权限得分)*权重因子X4+(企业满足政策主题的权限得分)*权重因子X5+(企业满足成立年限的权限得分)*权重因子X6+Sum(企业满足行业的权限得分)*权重因子X7+Sum(企业满足产业类目的权限得分)*权重因子X8)*1000%1000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210873330.6A CN115293537A (zh) | 2022-07-22 | 2022-07-22 | 基于大数据和人工智能的企业政策匹配度评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210873330.6A CN115293537A (zh) | 2022-07-22 | 2022-07-22 | 基于大数据和人工智能的企业政策匹配度评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115293537A true CN115293537A (zh) | 2022-11-04 |
Family
ID=83825075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210873330.6A Pending CN115293537A (zh) | 2022-07-22 | 2022-07-22 | 基于大数据和人工智能的企业政策匹配度评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115293537A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128528A (zh) * | 2023-01-09 | 2023-05-16 | 东方微银科技股份有限公司 | 一种基于客户多元数据的企业授信分析方法及系统 |
CN116188233A (zh) * | 2023-04-23 | 2023-05-30 | 四川邕合科技有限公司 | 基于大数据分析的政策信息推送方法、系统、终端及介质 |
CN116720792A (zh) * | 2023-08-10 | 2023-09-08 | 北京正开科技有限公司 | 一种基于数据处理的孵化器公共管理服务系统 |
CN116775900A (zh) * | 2023-06-13 | 2023-09-19 | 南京智绘星图信息科技有限公司 | 一种基于规则知识图谱驱动的政务辅助管理方法及系统 |
-
2022
- 2022-07-22 CN CN202210873330.6A patent/CN115293537A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128528A (zh) * | 2023-01-09 | 2023-05-16 | 东方微银科技股份有限公司 | 一种基于客户多元数据的企业授信分析方法及系统 |
CN116188233A (zh) * | 2023-04-23 | 2023-05-30 | 四川邕合科技有限公司 | 基于大数据分析的政策信息推送方法、系统、终端及介质 |
CN116775900A (zh) * | 2023-06-13 | 2023-09-19 | 南京智绘星图信息科技有限公司 | 一种基于规则知识图谱驱动的政务辅助管理方法及系统 |
CN116775900B (zh) * | 2023-06-13 | 2024-02-02 | 南京智绘星图信息科技有限公司 | 一种基于规则知识图谱驱动的政务辅助管理方法及系统 |
CN116720792A (zh) * | 2023-08-10 | 2023-09-08 | 北京正开科技有限公司 | 一种基于数据处理的孵化器公共管理服务系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Angilella et al. | The financing of innovative SMEs: A multicriteria credit rating model | |
Misakov et al. | Certification of a regional economic complex as a highly effective tool for analysis and diagnostics of its development | |
Tsui et al. | Knowledge-based extraction of intellectual capital-related information from unstructured data | |
CN115293537A (zh) | 基于大数据和人工智能的企业政策匹配度评估方法及系统 | |
Katayose et al. | Sentiment extraction in music | |
Gajdosikova et al. | COVID-19 pandemic and its impact on challenges in the construction sector: A case study of Slovak enterprises | |
Yang et al. | A hybrid multi-criteria decision-making model for evaluating companies’ green credit rating | |
Wu et al. | Pandemic risk management in operations and finance | |
Guo et al. | Exploring critical variables that affect the policy risk level of industrial heritage projects in China | |
Bolton | Internal vs. external corporate social responsibility at US banks | |
Xia et al. | Predicting chain’s manufacturing SME credit risk in supply chain finance based on machine learning methods | |
Fedchenko et al. | The mechanism of budget management as an element of risk control in regulatory authorities | |
Šarlija et al. | Measuring enterprise growth: pitfalls and implications | |
Putri et al. | Artificial Intelligence in the Entrepreneurship: Patent Landscape Analysis | |
Kazemi et al. | Segmenting critical success factor for generating corporate entrepreneurship based on fuzzy DEMATEL and fuzzy AHP in Iranian institutes | |
Wang et al. | Measuring risks of confirming warehouse financing from the third party logistics perspective | |
Rahmawati et al. | Financial inclusion disclosure in Islamic microfinance: the case of Baitul Mal Wa Tamwil | |
Wu | The path of agricultural policy finance in smart service for rural revitalization under big data technology | |
Hunt | Artificial Intelligence’s Role in Finance and How Financial Companies are Leveraging the Technology to Their Advantage | |
Bakurova et al. | 2.1 Modeling of Decision making Ontology | |
Tyschenko et al. | Neural Networks for Financial Stability of Economic System | |
Bočková et al. | Fuzzy model of relationship among economic performance, competitiveness and business ethics of small and medium-sized enterprises | |
Chen et al. | Displacement or Augmentation? The Effects of AI on Workforce Dynamics and Firm Value | |
Juliyanti et al. | Accounting for heritage assets: why and how?(Literature study on cultural heritage in Indonesia) | |
Dhabe et al. | Stock Market Trend Prediction Along with Twitter Sentiment Analysis |
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 |