CN115423529A - 经营状态分析方法及装置 - Google Patents
经营状态分析方法及装置 Download PDFInfo
- Publication number
- CN115423529A CN115423529A CN202211176714.9A CN202211176714A CN115423529A CN 115423529 A CN115423529 A CN 115423529A CN 202211176714 A CN202211176714 A CN 202211176714A CN 115423529 A CN115423529 A CN 115423529A
- Authority
- CN
- China
- Prior art keywords
- operation state
- historical
- model
- characteristic data
- data
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种经营状态分析方法及装置,涉及人工智能技术领域,所述方法包括:获取经营状态特征数据并进行第一预处理,得到第一经营状态特征向量;基于所述第一经营状态特征向量和经营状态预测模型,得到经营状态预测结果;对所述经营状态预测结果和所述经营状态特征数据进行第二预处理并输入分析文本生成模型,得到经营状态分析结果;通过训练过的预测模型根据经营特征数据对未来的经营情况进行预测,从而实现高效准确的对未来经营目标进行规划,并且将未来经营目标规划信息与当前经营状态信息输入预先训练好的文本生成模型用于生成报告,提高了工作分析报告的制作效率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种经营状态分析方法及装置。
背景技术
在银行网点的经营中需要在各个阶段对工作作出归纳性总结,例如对每个月、每个季度和每年网点的工作进行归纳总结,总结内容包括网点的现阶段成果和未来规划目标,并且以报告的形式作出。
现有技术中对上述内容进行归纳总结主要是通过人工对网点经营数据进行分析并制作报告文件,报告文件内容的准确性主要依赖于分析人员的业务经验,因此上述工作内容并不是所有业务人员都可以胜任的,经验不足的业务人员作出的报告准确率低,并且制作报告文件也占用了业务人员较多的工作时长,导致整体总结工作的效率较低。
发明内容
本发明实施例提供一种经营状态分析方法,所述方法包括:
获取经营状态特征数据;
对所述经营状态特征数据进行第一预处理,得到所述经营状态特征数据对应的第一经营状态特征向量;
基于所述经营状态特征向量和经营状态预测模型,得到经营状态预测结果;其中,所述经营状态预测模型是基于历史经营状态特征数据和历史经营状态特征数据对应的标签训练得到的;
对所述经营状态预测结果和所述经营状态特征数据进行第二预处理,得到所述经营状态预测结果对应的经营状态预测结果特征向量和所述经营状态特征数据对应的第二经营状态特征向量;
基于所述第二经营状态特征向量、所述经营状态预测结果特征向量和分析文本生成模型,得到经营状态分析结果;其中,所述分析文本生成模型是基于历史经营状态数据集和对应的分析文本样本训练得到的
进一步的,基于历史经营状态特征数据和历史经营状态特征数据对应的标签训练得到经营状态预测模型包括以下步骤:
获取所述历史经营状态特征数据和所述历史经营状态特征数据对应的标签;
对所述历史经营状态特征数据进行预处理,得到所述历史经营状态特征数据对应的历史经营状态特征向量;
基于所述历史经营状态特征向量和所述历史经营状态特征数据对应的标签对第一原始模型进行训练,得到所述经营状态预测模型。
进一步的,基于历史经营状态数据集和对应的分析文本样本训练得到所述分析文本生成模型包括以下步骤:
获取所述历史经营状态数据集和对应的分析文本样本;
基于所述历史经营状态数据集和对应的分析文本样本对第二原始模型进行训练,得到所述分析文本生成模型。
进一步的,于所述历史经营状态数据集和对应的分析文本样本对第二原始模型进行训练,得到所述分析文本生成模型。包括以下步骤:
基于所述历史经营状态数据集和对应的分析文本样本分别对循环神经网络和编码解码器两种所述第二原始模型进行训练,得到第一初始模型和第二初始模型;
使用加权算法将所述第一初始模型和所述第二初始模型进行模型融合,得到所述分析文本生成模型。
本发明实施例还提供一种经营状态分析装置,所述装置包括:
第一获取模块,用于获取经营状态特征数据;
第一预处理模块,用于对所述经营状态特征数据进行第一预处理,得到所述经营状态特征数据对应的第一经营状态特征向量;
预测模块,用于基于所述第一经营状态特征向量和经营状态预测模型,得到经营状态预测结果;其中,所述经营状态预测模型是基于历史经营状态特征数据和历史经营状态特征数据对应的标签训练得到的;
第二预处理模块,用于对所述经营状态预测结果和所述经营状态特征数据进行第二预处理,得到所述经营状态预测结果对应的经营状态预测结果特征向量和所述经营状态特征数据对应的第二经营状态特征向量;
文本生成模块,用于基于所述第二经营状态特征向量、所述经营状态预测结果特征向量和分析文本生成模型,得到经营状态分析结果;其中,所述分析文本生成模型是基于历史经营状态数据集和对应的分析文本样本训练得到的。
进一步的,还包括:
第一样本获取模块,用于获取所述历史经营状态特征数据和所述历史经营状态特征数据对应的标签;
第三预处理模块,用于对所述历史经营状态特征数据进行预处理,得到所述历史经营状态特征数据对应的历史经营状态特征向量;
第一训练模块,用于基于所述历史经营状态特征向量和所述历史经营状态特征数据对应的标签对第一原始模型进行训练,得到所述经营状态预测模型。
进一步的,还包括:
第二样本获取模块,用获取所述历史经营状态数据集和对应的分析文本样本;
第二训练模块,用于基于所述历史经营状态数据集和对应的分析文本样本对第二原始模型进行训练,得到所述分析文本生成模型。
进一步的,所述第二训练模块包括:
训练单元,用于基于所述历史经营状态数据集和对应的分析文本样本分别对循环神经网络和编码解码器两种所述第二原始模型进行训练,得到第一初始模型和第二初始模型;
融合单元,用于使用加权算法将所述第一初始模型和所述第二初始模型进行模型融合,得到所述分析文本生成模型。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述经营状态分析方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述经营状态分析方法。
本发明实施例还提供一种计算机程序产品,所述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上述经营状态分析方法。
本发明实施例中提供的经营状态分析方法及装置,通过训练过的预测模型根据经营特征数据对未来的经营情况进行预测,从而实现高效准确的对未来经营目标进行规划,并且将未来经营目标规划信息与当前经营状态信息输入预先训练好的文本生成模型用于生成分析结果,提高了工作分析的效率。
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,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。在附图中:
图1为本发明实施例提供的经营状态分析方法的流程示意图;
图2为本发明实施例提供的经营状态分析方法的流程示意图;
图3为本发明实施例提供的经营状态分析方法的流程示意图;
图4为本发明实施例提供的经营状态分析方法的流程示意图;
图5为本发明实施例提供的经营状态分析装置的结构示意图;
图6为本发明实施例提供的经营状态分析装置的结构示意图;
图7为本发明实施例提供的经营状态分析装置的结构示意图;
图8为本发明实施例提供的经营状态分析装置的结构示意图;
图9为本发明一实施例提供的计算机设备的实体结构示意图。
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明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
图1为本发明实施例提供的经营状态分析方法的流程示意图,如图1所示,本发明实施例提供的经营状态分析方法,包括:
S101:获取经营状态特征数据;
该步骤中,从网点数据库中获取待分析时间段的经营状态特征数据。
具体的,网点数据库中存储有银行网点的经营状态特征数据,所述经营状态特征数据是体现银行经营状态的指标,通过对网点业务进行统计得到,具体包括:阶段计划收入、阶段总收入。阶段总收入完成比例、单项业务收入计划、单项业务阶段收入和单项业务阶段完成比例。
其中,所述单项业务包括储蓄业务、信用卡业务和信贷业务等。
所述待分析时间段根据实际需要进行选取,可以以一季度、半年和一年为基准进行选取,本发明实施例对此不作具体限定。
S102:对所述经营状态特征数据进行第一预处理,得到所述经营状态特征数据对应的第一经营状态特征向量;
该步骤,对S101中获取的经营状态特征数据进行预处理,将其向量化为待分析时间段的经营状态特征向量。
具体的,使用结构化查询语言对所经营状态特征数据进行向量化,得到所述经营状态特征数据对应的第一经营状态特征向量。
S103:基于所述第一经营状态特征向量和经营状态预测模型,得到经营状态预测结果;其中,所述经营状态预测模型是基于历史经营状态特征数据和历史经营状态特征数据对应的标签训练得到的;
该步骤中,将S102中得到的第一经营状态特征向量输入预先训练的经营状态预测模型,得到所述待分析时间段的经营状态预测结果。
具体的,将由经营状态特征数据预处理后得到的第一经营状态特征向量作为所述经营状态预测模型的输入数据,对相应的待分析时间段未来一段时间内的经营状态进行预测。
所述待分析时间段的经营状态预测结果为未来一段时间内的经营状态特征数据,包括:未来阶段计划收入、未来阶段总收入、未来阶段总收入完成比例、未来单项业务收入计划、未来单项业务阶段收入和未来单项业务阶段完成比例。
其中,所述未来单项业务包括储蓄业务、信用卡业务和信贷业务等。
其中,对未来经营状态进行预测的时间段根据实际需要进行选取,可以以一季度、半年和一年为基准进行选取,从而对待分析时间段后一个季度、半年和一年的经营状态进行预测。
所述经营状态预测模型是基于历史经营状态特征数据和历史经营状态特征数据对应的标签训练得到的。
所述历史经营状态特征数据为网点系统内储存的一特定历史时间段内的经营状态特征数据,包括:历史阶段计划收入、历史阶段总收入、历史阶段总收入完成比例、历史单项业务收入计划、历史单项业务阶段收入和历史单项业务阶段完成比例。
其中,所述历史单项业务包括储蓄业务、信用卡业务和信贷业务等。
根据选取的待分析时间段对历史时间段进行选取,例如,当选取的待分析时间段为一季度时,所述历史经营状态特征数据也以季度为单位进行选取。
所述历史经营状态特征数据对应的标签为所述历史经营状态特征数据对应的历史时间段后的预设时间段的经营特征状态数据,所述预设时间根据对未来经营状态进行预测的时间段进行选取,例如,当所述对未来经营状态进行预测的时间段选取为一季度时,所述历史经营状态特征数据对应的标签为所述历史经营状态特征数据对应的历史时间段后一个季度的经营特征状态数据。
将所述历史经营状态特征数据处理后得到的历史经营状态特征向量作为原始模型的输入,进行监督学习,得到所述经营状态预测模型。
S104:对所述经营状态预测结果和所述经营状态特征数据进行第二预处理,得到所述经营状态预测结果对应的经营状态预测结果特征向量和所述经营状态特征数据对应的第二经营状态特征向量;
该步骤中,对所述经营状态预测结果和所述经营状态特征数据进行预处理,得到可以输入所述经营状态预测模型的格式的所述第二经营状态特征向量和所述经营状态预测结果特征向量。
具体的,将所述经营状态预测结果和所述经营状态特征数据分别向量化为维度特征,并且使用TextRank做文本分割,得到所述第二经营状态特征向量和所述经营状态预测结果特征向量。作为分析文本生成模型的输入。
S105:基于所述第二经营状态特征向量、所述经营状态预测结果特征向量和分析文本生成模型,得到经营状态分析结果;其中,所述分析文本生成模型是基于历史经营状态数据集和对应的分析文本样本训练得到的。
该步骤中,将S104中得到的所述第二经营状态特征向量、所述经营状态预测结果特征向量输入预先训练的分析文本生成模型,得到经营状态分析结果。
具体的,将第二经营状态特征向量和经营状态预测结果特征向量作为分析文本生成模型的输入数据,使用所述分析文本生成模型得到经营状态分析结果。
其中,所述经营状态分析结果为根据所述经营特征数据和相应的所述经营状态预测结果生成的经营状态分析报告,通过分析文本生成模型生成所述经营状态分析报告,减少业务人员制作报告文件所花费的时间,提升了总结工作的效率。
所述分析文本生成模型是基于历史经营状态数据集和对应的分析文本样本训练得到的。
所述历史经营状态数据集包括历史经营状态特征数据和所述历史经营状态特征数据对应的标签,所述历史经营状态特征数据对应的标签为所述历史经营状态特征数据对应的历史时间段后的预设时间段的经营特征状态数据。
所述历史经营状态特征数据为网点系统内储存的一特定历史时间段内的经营状态特征数据,包括:历史阶段计划收入、历史阶段总收入、历史阶段总收入完成比例、历史单项业务收入计划、历史单项业务阶段收入和历史单项业务阶段完成比例。
其中,所述历史单项业务包括储蓄业务、信用卡业务和信贷业务等。
根据选取的待分析时间段对历史时间段进行选取,例如,当选取的待分析时间段为一季度时,所述历史经营状态特征数据也以季度为单位进行选取。
所述历史经营状态特征数据对应的标签为所述历史经营状态特征数据对应的历史时间段后的预设时间段的经营特征状态数据,所述预设时间根据对未来经营状态进行预测的时间段进行选取,例如,当所述对未来经营状态进行预测的时间段选取为一季度时,所述历史经营状态特征数据对应的标签为所述历史经营状态特征数据对应的历史时间段后一个季度的经营特征状态数据。
所述历史经营状态数据集对应的分析文本样本是选取的所述历史经营状态数据集对应的分析报告文本。所述分析报告文本为人工撰写的具有特定格式的报告或者报表,由于现有技术中主要是依靠业务人员本身对经营数据进行整理进而生成分析报告,因此用于对文本生成模型进行训练的历史经营状态数据集对应的标签为所述历史时间段的分析报告文本。
将所述第二经营状态特征向量和所述经营状态预测结果特征向量作为原始模型的输入,进行监督学习得到所述分析文本生成模型。
本发明实施例中提供的经营状态分析方法及装置,通过训练过的预测模型根据经营特征数据对未来的经营情况进行预测,从而实现高效准确的对未来经营目标进行规划,并且将未来经营目标规划信息与当前经营状态信息输入预先训练好的文本生成模型用于生成报告,提高了工作分析报告的制作效率。
图2为本发明实施例提供的经营状态分析方法的流程示意图,如图2所示,在上述各个实施例的基础上,进一步的,基于历史经营状态特征数据和历史经营状态特征数据对应的标签训练得到经营状态预测模型包括以下步骤:
S201:获取所述历史经营状态特征数据和所述历史经营状态特征数据对应的标签;
该步骤中,从网点数据库中获取所述历史经营状态特征数据和所述历史经营状态特征数据对应的标签;
所述历史经营状态特征数据为网点系统内储存的一特定历史时间段内的经营状态特征数据,包括:历史阶段计划收入、历史阶段总收入、历史阶段总收入完成比例、历史单项业务收入计划、历史单项业务阶段收入和历史单项业务阶段完成比例。
其中,所述历史单项业务包括储蓄业务、信用卡业务和信贷业务等。
根据选取的待分析时间段对历史时间段进行选取,例如,当选取的待分析时间段为一季度时,所述历史经营状态特征数据也以季度为单位进行选取。
所述历史经营状态特征数据对应的标签为所述历史经营状态特征数据对应的历史时间段后的预设时间段的经营特征状态数据,所述预设时间根据对未来经营状态进行预测的时间段进行选取,例如,当所述对未来经营状态进行预测的时间段选取为一季度时,所述历史经营状态特征数据对应的标签为所述历史经营状态特征数据对应的历史时间段后一个季度的经营特征状态数据。
S202:对所述历史经营状态特征数据进行预处理,得到所述历史经营状态特征数据对应的历史经营状态特征向量;
该步骤中,对S201中获取的所述历史经营状态特征数据进行预处理,将其向量化为历史经营状态特征向量。
具体的,使用结构化查询语言对所述历史经营状态特征数据进行向量化,得到述历史经营状态特征数据对应的历史经营状态特征向量。
S203:基于所述历史经营状态特征向量和所述历史经营状态特征数据对应的标签对第一原始模型进行训练,得到所述经营状态预测模型。
该步骤中,将历史经营状态特征向量输入第一原始模型进行监督学习,得到所述经营状态预测模型。
具体的,将由历史经营状态特征数据预处理后得到的历史经营状态特征向量作为所述第一原始模型的输入数据,对所述第一原始模型进行训练,将所述历史经营状态特征数据对应的标签作为期望输出值,直至所述第一原始模型输出数据的准确度达到预设标准,得到所述经营状态预测模型。
图3为本发明实施例提供的经营状态分析方法的流程示意图,如图3所示,在上述各个实施例的基础上,进一步的,基于历史经营状态数据集和对应的分析文本样本训练得到所述分析文本生成模型包括以下步骤:
S301:获取所述历史经营状态数据集和对应的分析文本样本;
该步骤中,从网点数据库中获取所述历史经营状态数据集和对应的分析文本样本。
具体的,所述历史经营状态数据集包括历史经营状态特征数据和所述历史经营状态特征数据对应的标签,所述历史经营状态特征数据对应的标签为所述历史经营状态特征数据对应的历史时间段后的预设时间段的经营特征状态数据。
所述历史经营状态特征数据为网点系统内储存的一特定历史时间段内的经营状态特征数据,包括:历史阶段计划收入、历史阶段总收入、历史阶段总收入完成比例、历史单项业务收入计划、历史单项业务阶段收入和历史单项业务阶段完成比例。
其中,所述历史单项业务包括储蓄业务、信用卡业务和信贷业务等。
根据选取的待分析时间段对历史时间段进行选取,例如,当选取的待分析时间段为一季度时,所述历史经营状态特征数据也以季度为单位进行选取。
所述历史经营状态特征数据对应的标签为所述历史经营状态特征数据对应的历史时间段后的预设时间段的经营特征状态数据,所述预设时间根据对未来经营状态进行预测的时间段进行选取,例如,当所述对未来经营状态进行预测的时间段选取为一季度时,所述历史经营状态特征数据对应的标签为所述历史经营状态特征数据对应的历史时间段后一个季度的经营特征状态数据。
所述历史经营状态数据集对应的分析文本样本是选取的所述历史经营状态数据集对应的分析报告文本。所述分析报告文本为人工撰写的具有特定格式的报告或者报表,由于现有技术中主要是依靠业务人员本身对经营数据进行整理进而生成分析报告,因此用于对文本生成模型进行训练的历史经营状态数据集对应的标签为所述历史时间段的分析报告文本。
S302:基于所述历史经营状态数据集和对应的分析文本样本对第二原始模型进行训练,得到所述分析文本生成模型。
该步骤中,将历史经营状态数据集进行预处理后输入第二原始模型进行监督学习,得到所述分析文本生成模型。
首先对所述经营状态预测结果和所述经营状态特征数据进行预处理,得到可以输入所述经营状态预测模型的格式的所述第二经营状态特征向量和所述经营状态预测结果特征向量。
具体的,将所述经营状态预测结果和所述经营状态特征数据分别向量化为维度特征,并且使用TextRank做文本分割,得到所述第二经营状态特征向量和所述经营状态预测结果特征向量。作为分析文本生成模型的输入。
将由历史经营状态数据集预处理后得到的所述第二经营状态特征向量和所述经营状态预测结果特征向量作为所述第二原始模型的输入数据,对所述第二原始模型进行训练,将所述分析文本样本作为期望输出值,直至所述第二原始模型输出的经营状态分析结果文本的准确度达到预设标准,得到所述分析文本生成模型。
图4为本发明实施例提供的经营状态分析方法的流程示意图,如图4所示,在上述各个实施例的基础上,进一步的,S302:基于所述历史经营状态数据集和对应的分析文本样本对第二原始模型进行训练,得到所述分析文本生成模型。包括:
S3021:基于所述历史经营状态数据集和对应的分析文本样本分别对循环神经网络和编码解码器两种所述第二原始模型进行训练,得到第一初始模型和第二初始模型;
该步骤中,基于所述历史经营状态数据集和对应的分析文本样本对多个原始模型进行训练,以用于模型融合。
具体的,选取循环神经网络和编码解码器两种模型作为所述第二原始模型,分别使用所述历史经营状态数据集和对应的分析文本样本对所述两种第二原始模型进行训练,相应的得到第一初始模型和第二初始模型。
S3022:使用加权算法将所述第一初始模型和所述第二初始模型进行模型融合,得到所述分析文本生成模型。
该步骤中,将训练后的第一初始模型和第二初始模型进行融合,得到所述分析文本生成模型。
具体的,将经过训练后的第一初始模型和第二初始模型进行模型融合,得到所述分析文本生成模型。
由于不同的算法有各自的优缺点,通过模型融合,可以最大程度上的避免选用的原始模型的缺点对最终文本生成结果的影响。
将上述各个初始模型进行融合可以提高模型输出结果的准确率和模型的稳健性,对于越来越多的新数据以及存在的刻意的数据污染,仍然能够保证较好预测效果。
模型融合可以采用加权算法,加权算法中各个模型的权重系数根据实际需要进行设置,并可以根据融合后的模型输出结果的准确度进行调整,从而保证融合后的模型具有较好的准确度和稳健性。
图5为本发明实施例提供的经营状态分析装置的结构示意图,如图5所示,本发明实施例提供的经营状态分析装置包括:第一获取模块501,用于获取经营状态特征数据;第一预处理模块502,用于对所述经营状态特征数据进行预处理,得到所述经营状态特征数据对应的经营状态特征向量;预测模块503,用于基于所述经营状态特征向量和经营状态预测模型,得到经营状态预测结果;其中,所述经营状态预测模型是基于历史经营状态特征数据和历史经营状态特征数据对应的标签训练得到的;第二预处理模块504,用于对所述经营状态预测结果进行预处理,得到所述经营状态预测结果对应的经营状态预测结果特征向量;文本生成模块505,用于基于所述经营状态特征向量、所述经营状态预测结果特征向量和分析文本生成模型,得到经营状态分析结果;其中,所述分析文本生成模型是基于历史经营状态数据集和对应的分析文本样本训练得到的。其中:
第一获取模块501,用于从网点数据库中获取待分析时间段的经营状态特征数据。
第一预处理模块502,用于对第一获取模块501获取的经营状态特征数据进行预处理,将其向量化为待分析时间段的经营状态特征向量。
预测模块503,用于将第一预处理模块502得到的第一经营状态特征向量输入预先训练的经营状态预测模型,得到所述待分析时间段的经营状态预测结果。
第二预处理模块504,用于对所述经营状态预测结果和所述经营状态特征数据进行预处理,得到可以输入所述经营状态预测模型的格式的所述第二经营状态特征向量和所述经营状态预测结果特征向量。
文本生成模块505,用于将第二预处理模块504得到的所述第二经营状态特征向量、所述经营状态预测结果特征向量输入预先训练的分析文本生成模型,得到经营状态分析结果。
图6为本发明实施例提供的经营状态分析装置的结构示意图,如图6所示,在上述各个实施例的基础上,进一步的,还包括:第一样本获取模块506,用于获取所述历史经营状态特征数据和所述历史经营状态特征数据对应的标签;第三预处理模块507,用于对所述历史经营状态特征数据进行预处理,得到所述历史经营状态特征数据对应的历史经营状态特征向量;第一训练模块508,用于基于所述历史经营状态特征向量和所述历史经营状态特征数据对应的标签对第一原始模型进行训练,得到所述经营状态预测模型。其中:
第一样本获取模块506,用于从网点数据库中获取所述历史经营状态特征数据和所述历史经营状态特征数据对应的标签。
第三预处理模块507,用于对第一样本获取模块506获取的所述历史经营状态特征数据进行预处理,将其向量化为历史经营状态特征向量。
第一训练模块508,用于将历史经营状态特征向量输入第一原始模型进行监督学习,得到所述经营状态预测模型。
图7为本发明实施例提供的经营状态分析装置的结构示意图,如图7所示,在上述各个实施例的基础上,进一步的,还包括:第二样本获取模块509,用于获取所述历史经营状态数据集和对应的分析文本样本;第二训练模块510,用于基于所述历史经营状态数据集和对应的分析文本样本对第二原始模型进行训练,得到所述分析文本生成模型。其中:
第二样本获取模块509,用于从网点数据库中获取所述历史经营状态数据集和对应的分析文本样本。
第二训练模块510,用于将历史经营状态数据集进行预处理后输入第二原始模型进行监督学习,得到所述分析文本生成模型。
图8为本发明实施例提供的经营状态分析装置的结构示意图,如图8所示,在上述各个实施例的基础上,进一步的,第二训练模块510包括:训练单元5101,用于基于所述历史经营状态数据集和对应的分析文本样本分别对循环神经网络和编码解码器两种所述第二原始模型进行训练,得到第一初始模型和第二初始模型;融合单元5102,用于使用加权算法将所述第一初始模型和所述第二初始模型进行模型融合,得到所述分析文本生成模型。其中:
训练单元5101,用于基于所述历史经营状态数据集和对应的分析文本样本对多个原始模型进行训练,以用于模型融合。
融合单元5102,用于将训练后的第一初始模型和第二初始模型进行融合,得到所述分析文本生成模型。
本发明实施例提供的经营状态分析装置,由于该装置解决问题的原理与本发明实施例提供的经营状态分析方法相似,因此该装置的实施可以参见上述各个实施例所述的经营状态分析方法实施,重复之处不再赘述。
图9为本发明一实施例提供的计算机设备的实体结构示意图,如图9所示,该电子设备可以包括:处理器(processor)901、通信接口(Communications Interface)902、存储器(memory)903和通信总线904,其中,处理器901,通信接口902,存储器903通过通信总线904完成相互间的通信。处理器901可以调用存储器903中的逻辑指令,以执行上述经营状态分析方法。
此外,上述的存储器903中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述经营状态分析方法。
本发明实施例还提供一种计算机程序产品,所述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上述经营状态分析方法。
本发明实施例中提供的经营状态分析方法及装置,通过训练过的预测模型根据经营特征数据对未来的经营情况进行预测,从而实现高效准确的对未来经营目标进行规划,并且将未来经营目标规划信息与当前经营状态信息输入预先训练好的文本生成模型用于生成报告,提高了工作分析报告的制作效率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生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装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置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。
这些计算机程序指令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。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种经营状态分析方法,其特征在于,包括:
获取经营状态特征数据;
对所述经营状态特征数据进行第一预处理,得到所述经营状态特征数据对应的第一经营状态特征向量;
基于所述第一经营状态特征向量和经营状态预测模型,得到经营状态预测结果;其中,所述经营状态预测模型是基于历史经营状态特征数据和历史经营状态特征数据对应的标签训练得到的;
对所述经营状态预测结果和所述经营状态特征数据进行第二预处理,得到所述经营状态预测结果对应的经营状态预测结果特征向量和所述经营状态特征数据对应的第二经营状态特征向量;
基于所述第二经营状态特征向量、所述经营状态预测结果特征向量和分析文本生成模型,得到经营状态分析结果;其中,所述分析文本生成模型是基于历史经营状态数据集和对应的分析文本样本训练得到的。
2.如权利要求1所述的方法,其特征在于,基于历史经营状态特征数据和历史经营状态特征数据对应的标签训练得到经营状态预测模型包括以下步骤:
获取所述历史经营状态特征数据和所述历史经营状态特征数据对应的标签;
对所述历史经营状态特征数据进行预处理,得到所述历史经营状态特征数据对应的历史经营状态特征向量;
基于所述历史经营状态特征向量和所述历史经营状态特征数据对应的标签对第一原始模型进行训练,得到所述经营状态预测模型。
3.如权利要求2所述的方法,其特征在于,基于历史经营状态数据集和对应的分析文本样本训练得到所述分析文本生成模型包括以下步骤:
获取所述历史经营状态数据集和对应的分析文本样本;
基于所述历史经营状态数据集和对应的分析文本样本对第二原始模型进行训练,得到所述分析文本生成模型。
4.如权利要求3所述的方法,其特征在于,基于所述历史经营状态数据集和对应的分析文本样本对第二原始模型进行训练,得到所述分析文本生成模型,包括以下步骤:
基于所述历史经营状态数据集和对应的分析文本样本分别对循环神经网络和编码解码器两种所述第二原始模型进行训练,得到第一初始模型和第二初始模型;
使用加权算法将所述第一初始模型和所述第二初始模型进行模型融合,得到所述分析文本生成模型。
5.一种经营状态分析装置,其特征在于,包括:
第一获取模块,用于获取经营状态特征数据;
第一预处理模块,用于对所述经营状态特征数据进行预处理,得到所述经营状态特征数据对应的经营状态特征向量;
预测模块,用于基于所述经营状态特征向量和经营状态预测模型,得到经营状态预测结果;其中,所述经营状态预测模型是基于历史经营状态特征数据和历史经营状态特征数据对应的标签训练得到的;
第二预处理模块,用于对所述经营状态预测结果进行预处理,得到所述经营状态预测结果对应的经营状态预测结果特征向量;
文本生成模块,用于基于所述经营状态特征向量、所述经营状态预测结果特征向量和分析文本生成模型,得到经营状态分析结果;其中,所述分析文本生成模型是基于历史经营状态数据集和对应的分析文本样本训练得到的。
6.如权利要求5所述的装置,其特征在于,还包括:
第一样本获取模块,用于获取所述历史经营状态特征数据和所述历史经营状态特征数据对应的标签;
第三预处理模块,用于对所述历史经营状态特征数据进行预处理,得到所述历史经营状态特征数据对应的历史经营状态特征向量;
第一训练模块,用于基于所述历史经营状态特征向量和所述历史经营状态特征数据对应的标签对第一原始模型进行训练,得到所述经营状态预测模型。
7.如权利要求6所述的装置,其特征在于,还包括:
第二样本获取模块,用于获取所述历史经营状态数据集和对应的分析文本样本;
第二训练模块,用于基于所述历史经营状态数据集和对应的分析文本样本对第二原始模型进行训练,得到所述分析文本生成模型。
8.如权利要求7所述的装置,其特征在于,所述第二训练模块包括:
训练单元,用于基于所述历史经营状态数据集和对应的分析文本样本分别对循环神经网络和编码解码器两种所述第二原始模型进行训练,得到第一初始模型和第二初始模型;
融合单元,用于使用加权算法将所述第一初始模型和所述第二初始模型进行模型融合,得到所述分析文本生成模型。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4任一所述方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至4任一所述方法。
11.一种计算机程序产品,其特征在于,所述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权利要求1至4任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211176714.9A CN115423529A (zh) | 2022-09-26 | 2022-09-26 | 经营状态分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211176714.9A CN115423529A (zh) | 2022-09-26 | 2022-09-26 | 经营状态分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115423529A true CN115423529A (zh) | 2022-12-02 |
Family
ID=84206326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211176714.9A Pending CN115423529A (zh) | 2022-09-26 | 2022-09-26 | 经营状态分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423529A (zh) |
-
2022
- 2022-09-26 CN CN202211176714.9A patent/CN115423529A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111859960B (zh) | 基于知识蒸馏的语义匹配方法、装置、计算机设备和介质 | |
CN114168716B (zh) | 基于深度学习的工程造价自动抽取和分析方法及装置 | |
CN110738564A (zh) | 贷后风险评估方法及装置、存储介质 | |
CN112434535B (zh) | 基于多模型的要素抽取方法、装置、设备及存储介质 | |
CN111324738B (zh) | 一种确定文本标签的方法和系统 | |
CN108205524B (zh) | 文本数据处理方法和装置 | |
CN113449753B (zh) | 业务风险预测方法、装置和系统 | |
CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
CN113220885B (zh) | 一种文本处理方法和系统 | |
CN113868422A (zh) | 一种多标签稽查工单问题溯源识别方法及装置 | |
CN114036921A (zh) | 一种政策信息匹配方法和装置 | |
CN117273968A (zh) | 一种跨业务线产品的会计凭证生成方法及其相关设备 | |
CN114548325B (zh) | 基于对偶对比学习的零样本关系抽取方法和系统 | |
CN111126064A (zh) | 金额识别方法、装置、计算机设备和可读存储介质 | |
CN115423529A (zh) | 经营状态分析方法及装置 | |
KR20230169538A (ko) | 금융 마이데이터 기반 기계학습을 위한 말뭉치를 이용한 거래 적요 데이터 분석 장치 및 방법과 이를 위한 컴퓨터 프로그램 | |
CN112380321A (zh) | 基于票据知识图谱的主次数据库分配方法及相关设备 | |
CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN116502173A (zh) | 一种状态识别方法、装置、存储介质及设备 | |
CN114443803A (zh) | 一种文本信息挖掘方法、装置、电子设备和存储介质 | |
CN113901817A (zh) | 文档分类方法、装置、计算机设备和存储介质 | |
CN113220947A (zh) | 对事件特征进行编码的方法和装置 | |
CN114169310B (zh) | 一种阅读理解答案生成方法及装置 | |
CN117314163B (zh) | 基于大数据的社保数据处理方法及系统 | |
CN112396513B (zh) | 一种数据处理的方法及装置 |
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 |