CN115640335A - 基于企业画像的企业分析方法、系统及云平台 - Google Patents

Abstract

本发明实施例提供的基于企业画像的企业分析方法、系统及云平台，通过接收拟分析企业事件集，获取多个企业事件集样本子集和样本指示信息，加载到拟调试的企业分析网络对多个企业事件集样本子集进行多个维度的知识挖掘，得到动态画像知识和静态画像知识，构建第一拟整理画像知识样本，赋予第一分析偏心参数和第二分析偏心参数后，对多个企业事件集样本子集的第一拟整理画像知识样本进行融合得到第二拟整理画像知识样本，依据损失值对企业分析网络的网络系数进行调节得到调试好的企业分析网络。第二分析偏心参数增加了边缘画像贡献值的拟分析企业事件子集对应的分析侧重程度，不仅对一般企业事件集，还对有缺陷的企业事件集进行精确可靠的企业分析。

Description

基于企业画像的企业分析方法、系统及云平台

技术领域

本申请涉及大数据分析、人工智能领域，具体而言，涉及一种基于企业画像的企业分析方法、系统及云平台。

背景技术

企业画像面向智慧城市、园区招商、金融监管、企业评估等场景，提供区域宏观经济分析，引导地方产业发展，针对地方重点企业和扶持企业进行评估和监控，监测企业发展态势，同时为政府园区精准推荐招商靶向企业，为地方政府或园区提供精准、专业、实时的招商推荐服务。通过在合法途径合理手段采集企业的静态信息和动态信息，进行适应性地分析，可以得到企业的企业画像，帮助决策者进行分析，然而，因为一些不可控因素，如数据获取权限、企业披露信息缺失等，在对企业进行画像描绘时，缺失的关键信息可能会对画像结果产生较大的影响，如何改善因关键信息缺失不足导致企业画像描绘差异是需要考虑的问题。

发明内容

本发明的目的在于提供一种基于企业画像的企业分析方法、系统及云平台，以改善上述的问题。

第一方面，本申请实施例提供了一种基于企业画像的企业分析方法，应用于企业分析云平台，所述企业分析云平台与至少一个数据爬取端通信连接，所述方法包括：接收至少一个所述数据爬取端上传的拟分析企业事件集，拟分析企业事件集对应拟分析企业，所述拟分析企业事件集包括多个分析层面的拟分析企业事件子集；获取所述拟分析企业对应的多个拟分析企业事件子集；对每个所述拟分析企业事件子集进行多个维度的知识挖掘，得到每个所述拟分析企业事件子集在动态分析要素上的动态画像知识和在静态分析要素上的静态画像知识，构建相应的第一拟整理画像知识；对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第一分析偏心参数，所述第一分析偏心参数被配置成指示所述拟分析企业事件子集对应的分析侧重程度；依据所述每个所述拟分析企业事件子集对应的画像贡献值，对每个所述拟分析企业事件子集对应的所述第一拟整理画像知识赋予对应的第二分析偏心参数，所述第二分析偏心参数被配置为增加边缘画像贡献值的拟分析企业事件子集对应的分析侧重程度；依据第一分析偏心参数和第二分析偏心参数，对每个所述拟分析企业事件子集对应的第一拟整理画像知识进行融合，得到第二拟整理画像知识；依据所述第二拟整理画像知识整理出所述拟分析企业对应的企业画像。

作为一种可行的实施方式，所述第一分析偏心参数包括均衡分析偏心参数，所述对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第一分析偏心参数，包括：确定每一所述第一拟整理画像知识对应的画像贡献值value1；对每一所述画像贡献值value1进行标准化操作，得到各个所述拟分析企业事件子集对应的均衡分析偏心参数；或者，所述第一分析偏心参数包括单一分析偏心参数，所述对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第一分析偏心参数，包括：确定每一所述第一拟整理画像知识对应的画像贡献值value2；依据所述画像贡献值value2将每个所述拟分析企业事件子集划分成企业事件子集subset1和企业事件子集subset2，所述企业事件子集subset1对应的画像贡献值value2大于所述企业事件子集subset2对应的画像贡献值value2；将企业事件子集subset1对应的分析侧重程度确定为预定参数default1，将企业事件子集subset2对应的分析侧重程度确定为预定参数default2，所述预定参数default1大于所述预定参数default2；对各个所述拟分析企业事件子集对应的分析侧重程度进行标准化操作，得到每个所述拟分析企业事件子集对应的单一分析偏心参数。

作为一种可行的实施方式，所述依据所述每个所述拟分析企业事件子集对应的画像贡献值，对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第二分析偏心参数，包括：确定每一所述第一拟整理画像知识对应的画像贡献值value3；依据画像贡献值value3将各个所述拟分析企业事件子集划分成企业事件子集subset3和企业事件子集subset4，所述企业事件子集subset3对应的画像贡献值value3大于所述企业事件子集subset4对应的画像贡献值value3，所述企业事件子集subset3对应的画像贡献值value3为核心画像贡献值，所述企业事件子集subset4对应的画像贡献值value3为边缘画像贡献值；将企业事件子集subset3对应的分析侧重程度确定为预定参数default2，将企业事件子集subset4对应的画像贡献值value3进行标准化操作，得到企业事件子集subset4对应的分析侧重程度；依据每个所述拟分析企业事件子集对应的分析侧重程度得到所述每个所述拟分析企业事件子集对应的第二分析偏心参数。

作为一种可行的实施方式，所述依据第一分析偏心参数和第二分析偏心参数，对每个所述拟分析企业事件子集对应的第一拟整理画像知识进行融合，得到第二拟整理画像知识，包括：将相同的所述第一拟整理画像知识对应的第一分析偏心参数和第二分析偏心参数进行融合，得到各个第一拟整理画像知识对应的目标分析偏心参数；将相同的拟分析企业事件子集对应的第一拟整理画像知识和目标分析偏心参数按照预设的计算方式进行计算，得到每个所述拟分析企业事件子集对应的候选拟整理画像知识；依据各个候选拟整理画像知识得到所述第二拟整理画像知识。

作为一种可行的实施方式，所述企业画像包括发展评估指标，所述依据所述第二拟整理画像知识确定所述拟分析企业对应的企业画像，包括：依据所述第二拟整理画像知识中的静态画像知识对所述拟分析企业事件集进行描绘项目提取，得到所述拟分析企业事件集中的多个目标描绘项目；依据所述第二拟整理画像知识中的动态画像知识对所述多个目标描绘项目进行整体变化分析，得到所述各个目标描绘项目对应的整体变化趋势；依据所述各个目标描绘项目对应的整体变化趋势确定所述多个目标描绘项目之间的关联结果；依据所述多个目标描绘项目之间的关联结果和目标描绘项目的项目信息得到所述拟分析企业对应的发展评估指标；或者，所述企业画像包括硬实力评估指标，所述依据所述第二拟整理画像知识确定所述拟分析企业对应的企业画像，包括：依据所述第二拟整理画像知识中的静态画像知识对所述拟分析企业事件集进行描绘项目提取，得到所述拟分析企业事件集中的多个目标描绘项目；依据所述第二拟整理画像知识中的动态画像知识对目标描绘项目进行选定评估信息提取，确定所述多个目标描绘项目的选定评估信息对应的变化情况；依据所述变化情况确定对应的目标描绘项目的竞争力结果；依据各个目标描绘项目的竞争力结果和目标描绘项目的项目信息得到所述拟分析企业对应的硬实力评估指标；所述企业画像为多个评估指标构成的簇。

作为一种可行的实施方式，所述方法通过事先调试完成的企业分析网络执行，所述方法包括：将每个所述拟分析企业事件子集加载到完成调试的企业分析网络；通过所述企业分析网络的线性变换模块，对每个所述拟分析企业事件子集进行多个维度的知识挖掘，得到每个所述拟分析企业事件子集在动态分析要素上的动态画像知识和在静态分析要素上的静态画像知识，构建相应的第一拟整理画像知识；通过所述企业分析网络的第一信息关注模块，对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第一分析偏心参数，所述第一信息关注模块包括均衡信息关注模块和/或单一信息关注模块；通过所述企业分析网络的第二信息关注模块，依据所述每个所述拟分析企业事件子集对应的画像贡献值，对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第二分析偏心参数；依据第一分析偏心参数和第二分析偏心参数，对每个所述拟分析企业事件子集对应的第一拟整理画像知识进行融合，得到第二拟整理画像知识；基于所述企业分析网络的知识归类模块，依据所述第二拟整理画像知识确定所述拟分析企业对应的企业画像。

作为一种可行的实施方式，信息关注模块为所述第一信息关注模块或所述第二信息关注模块，所述信息关注模块的信息处理过程包括；对各个所述第一拟整理画像知识进行第一次整合映射操作，得到每个所述拟分析企业事件子集对应的原始画像贡献值；对每一所述原始画像贡献值进行非线性转换，得到每个所述拟分析企业事件子集对应的过渡画像贡献值；对各个过渡画像贡献值进行再次整合映射操作，得到所述每个所述拟分析企业事件子集对应的最终画像贡献值；依据所述每个所述拟分析企业事件子集对应的最终画像贡献值，对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的分析偏心参数。

作为一种可行的实施方式，所述企业分析网络通过以下步骤调试得到：获取企业事件集样本对应的多个企业事件集样本子集和企业事件集样本对应的样本指示信息，将所述多个企业事件集样本子集加载到拟调试的企业分析网络；对所述多个企业事件集样本子集进行多个维度的知识挖掘，得到所述多个企业事件集样本子集在动态分析要素上的动态画像知识和在静态分析要素上的静态画像知识，构建相应的第一拟整理画像知识样本；对所述多个企业事件集样本子集对应的第一拟整理画像知识样本赋予对应的第一分析偏心参数，所述第一分析偏心参数被配置成指示企业事件集样本子集对应的分析侧重程度；依据所述所述多个企业事件集样本子集对应的画像贡献值，对所述多个企业事件集样本子集对应的第一拟整理画像知识样本赋予对应的第二分析偏心参数，所述第二分析偏心参数被配置为增加边缘画像贡献值的企业事件集样本子集对应的分析侧重程度；依据第一分析偏心参数和第二分析偏心参数，对所述多个企业事件集样本子集对应的第一拟整理画像知识样本进行融合，得到第二拟整理画像知识样本；依据所述第二拟整理画像知识样本确定所述企业事件集样本对应的推理指示信息，依据所述样本指示信息和所述推理指示信息之间的损失值对所述企业分析网络的网络系数进行调节，直到符合预设要求，得到调试好的企业分析网络。

第二方面，本申请实施例提供了一种企业分析系统，包括企业分析云平台和与所述企业分析云平台通信连接的至少一个数据爬取端，所述企业分析云平台包括处理器和存储器，所述存储器存储有计算机程序，当所述处理器执行所述计算机程序时，执行以上所述的方法。

第三方面，本申请实施例提供了一种企业分析云平台，包括处理器和存储器，所述存储器存储有计算机程序，当所述处理器执行所述计算机程序时，执行以上所述的方法。

本申请实施例中提供的基于企业画像的企业分析方法、装系统及云平台，通过接收至少一个数据爬取端上传的拟分析企业事件集，获取企业事件集样本对应的多个企业事件集样本子集和企业事件集样本对应的样本指示信息，将多个企业事件集样本子集加载到拟调试的企业分析网络，对多个企业事件集样本子集进行多个维度的知识挖掘，得到多个企业事件集样本子集在动态分析要素上的动态画像知识和在静态分析要素上的静态画像知识，构建相应的第一拟整理画像知识样本，对多个企业事件集样本子集对应的第一拟整理画像知识样本赋予对应的第一分析偏心参数，第一分析偏心参数被配置成指示企业事件集样本子集对应的分析侧重程度，依据多个企业事件集样本子集对应的画像贡献值，对多个企业事件集样本子集对应的第一拟整理画像知识样本赋予对应的第二分析偏心参数，第二分析偏心参数被配置为增加边缘画像贡献值的企业事件集样本子集对应的分析侧重程度，依据第一分析偏心参数和第二分析偏心参数，对多个企业事件集样本子集对应的第一拟整理画像知识样本进行融合，得到第二拟整理画像知识样本，依据第二拟整理画像知识样本确定企业事件集样本对应的推理指示信息，依据样本指示信息和推理指示信息之间的损失值对企业分析网络的网络系数进行调节，直到符合预设要求，得到调试好的企业分析网络。基于此，第二分析偏心参数增加了边缘画像贡献值的拟分析企业事件子集对应的分析侧重程度，换言之，增加了边缘企业事件子集对应的分析侧重程度，边缘企业事件子集的画像知识在某些时候能够推理核心企业事件子集的画像知识，那么将第二分析偏心参数在网络调试过程中进行运用，获得不仅可以对一般企业事件集进行精确识别，同时还可以对核心企业事件子集有缺陷的企业事件集进行精确可靠的企业分析网络。

在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。

图1是本申请实施例提供的一种基于企业画像的企业分析方法的流程图。

图2是本申请实施例提供的企业分析装置的功能模块架构示意图。

图3是本申请实施例提供的一种企业分析云平台的组成示意图。

具体实施方式

下面结合本申请实施例中的附图对本申请实施例进行描述。本申请实施例的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释，而非旨在限定本申请。

本申请实施例中基于企业画像的企业分析方法的执行主体为企业分析云平台，包括但不限于单个网络服务器、多个网络服务器组成的服务器组或于云计算的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中，企业分析云平台可单独运行来实现本申请，也可接入网络并通过与网络中的其他企业分析云平台的交互操作来实现本申请。其中，企业分析云平台所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。企业分析云平台与至少一个数据爬取端通信连接，数据爬取端可以是计算机设备，企业分析云平台与至少一个数据爬取端构成企业分析系统。

本申请实施例提供了一种基于企业画像的企业分析方法，该方法应用于企业分析云平台，如图1所示，该方法包括：

100：接收至少一个数据爬取端上传的拟分析企业事件集。

其中，拟分析企业事件集对应拟分析企业，拟分析企业事件集包括多个分析层面的拟分析企业事件子集。也即使说，拟分析企业事件集是同一拟分析企业对应的多个拟分析企业事件子集的集合，拟分析企业事件子集中的事件，可以根据爬取到的信息进行归类，例如其包括的企业信息可以是企业工商信息、高管、股东、实际控制人、税务评级等基本信息，还可以包括企业产品发布、财务信息、员工数量、招聘信息、知识产权信息、行政及司法处罚信息等经营信息，另外，还可以包含产业数据，如产业头部企业、产业地域分布、产业政策、产业上下游等。需要说明的是，可以根据实际分析需要进行企业信息的配置，此处不做限定，此外，上述数据爬取端爬取的信息，均是在合法和/或公开渠道获取的信息，不对企业造成负面影响。

作为一种实施方式，在获得拟分析企业事件集后，其中可能包含较多的噪声数据，例如冗余的或缺失的数据，此时，可以对这些数据进行清洗，数据清洗的过程一般包括清除噪声数据，填补缺失数据等。本申请实施例还包括对数据进行清洗的过程，具体可以包括如下步骤101~103：

101：获取拟分析企业事件集中第a+1个企业事件的第一解析向量及第a-1个企业事件的第二解析向量中的一个或两个，其中，拟分析企业事件集包括Q个企业事件，Q≥2。

102：基于第a个企业事件、第a+1个企业事件的第一解析向量和第a-1个企业事件的第二解析向量中的一个或两个，确定第a个企业事件的数据清洗向量，第a个企业事件的数据清洗向量为第a个企业事件的第二解析向量或第a个企业事件的第一解析向量。

103：基于第a个企业事件的数据清洗向量对第a个企业事件进行清洗，得到与第a个企业事件对应的目标企业事件，目标企业事件的数据完备性高于第a个企业事件的数据完备性。

通过上述数据清洗的过程，对每一个企业事件进行清洗时，无需进行高频的向量抽取和信息填补过程，缓解了计算消耗，同时，基于企业事件的采集连续性特点，任一企业事件的数据清洗向量都基于上一企业事件及下一企业事件传递过来的数据清洗向量来确定，如此，基于关联的企业事件中的数据清洗向量，不依赖对整体企业事件进行数据向量抽取，可以极大减少向量抽取和处理的计算消耗。

作为一种实施方式，1<a<Q，基于第a个企业事件、第a+1个企业事件的第一解析向量和第a-1个企业事件的第二解析向量中的一个或两个，得到第a个企业事件的数据清洗向量，包括：基于第a个企业事件、第a+1个企业事件及第a+1个企业事件的第一解析向量，确定第a个企业事件的第一解析向量，基于第a个企业事件、第a-1个企业事件、第a-1个企业事件的第二解析向量及第a个企业事件的第一解析向量，确定第a个企业事件的第二解析向量，将第a个企业事件的第二解析向量作为第a个企业事件的数据清洗向量。

其中，基于第a个企业事件、第a+1个企业事件及第a+1个企业事件的第一解析向量，确定第a个企业事件的第一解析向量，包括：基于第a个企业事件及第a+1个企业事件，得到第一事件更改特征，基于第一事件更改特征对第a+1个企业事件的第一解析向量进行调节，得到调节后的第一解析向量，基于调节后的第一解析向量及第a个企业事件，得到第a个企业事件的第一解析向量。

作为一种实施方式，基于第a个企业事件、第a-1个企业事件、第a-1个企业事件的第二解析向量和第a个企业事件的第一解析向量，确定第a个企业事件的第二解析向量，包括：基于第a个企业事件及第a-1个企业事件，得到第二事件更改特征，基于第二事件更改特征对第a-1个企业事件的第二解析向量进行调节，得到调节后的第二解析向量，基于第a个企业事件的第一解析向量、调节后的第二解析向量、及第a个企业事件，得到第a个企业事件的第二解析向量。

作为一种实施方式，1<a<Q，基于第a个企业事件、第a+1个企业事件的第一解析向量和第a-1个企业事件的第二解析向量中的一个或两个，得到第a个企业事件的数据清洗向量，包括：基于第a个企业事件、第a-1个企业事件及第a-1个企业事件的第二解析向量，确定第a个企业事件的第二解析向量，基于第a个企业事件、第a+1个企业事件、第a+1个企业事件的第一解析向量及第a个企业事件的第二解析向量，确定第a个企业事件的第一解析向量，将第a个企业事件的第一解析向量作为第a个企业事件的数据清洗向量。

作为一种实施方式，基于第a个企业事件、第a-1个企业事件、及第a-1个企业事件的第二解析向量，确定第a个企业事件的第二解析向量，包括：基于第a个企业事件及第a-1个企业事件，得到第二事件更改特征，基于第二事件更改特征对第a-1个企业事件的第二解析向量进行调节，得到调节后的第二解析向量，基于调节后的第二解析向量及第a个企业事件，得到第a个企业事件的第二解析向量。

作为一种实施方式，基于第a个企业事件、第a+1个企业事件、第a+1个企业事件的第一解析向量、及第a个企业事件的第二解析向量，确定第a个企业事件的第一解析向量，包括：基于第a个企业事件及第a+1个企业事件，得到第一事件更改特征，基于第一事件更改特征对第a+1个企业事件的第一解析向量进行调节，得到调节后的第一解析向量，基于第a个企业事件的第二解析向量、调节后的第一解析向量及第a个企业事件，得到第a个企业事件的第一解析向量。

200：获取拟分析企业对应的多个拟分析企业事件子集。

300：对每个拟分析企业事件子集进行多个维度的知识挖掘，得到每个所述拟分析企业事件子集在动态分析要素上的动态画像知识和在静态分析要素上的静态画像知识，构建相应的第一拟整理画像知识。

多个维度的知识挖掘表示对企业事件集的基础的静态分析要素和动态分析要素上进行知识的挖掘（对特征进行抽取的过程），静态分析要素表征企业事件集中包含的静态企业信息，例如工商信息、财务信息、知识产权信息等可以直接获取到的信息，动态分析要素表征企业事件集中包含的动态企业信息，例如财务变化、人员增减、招聘动态等随时间变化而不能直接获取的信息。第一拟整理画像知识包括动态画像知识和静态画像知识。

其中，企业分析云平台可以逐一对拟分析企业事件子集进行多个维度的知识挖掘，得到拟分析企业事件子集在动态分析要素上上的动态画像知识和在静态分析要素上的静态画像知识，动态画像知识和静态画像知识构建拟分析企业对应的第一拟整理画像知识。企业分析云平台可以逐一对每个拟分析企业事件子集进行多个维度的知识挖掘，得到每个拟分析企业事件子集分别对应的第一拟整理画像知识（画像特征信息的集合）。

400：对每个拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第一分析偏心参数，第一分析偏心参数被配置成指示拟分析企业事件子集对应的分析侧重程度。

分析偏心参数采用注意力机制，其可以体现拟分析企业事件子集的贡献值，即对企业画像的重要程度，即拟分析企业事件子集对企业画像的影响值，依据分析偏心参数可以在多个第一拟整理画像知识中专注于对企业画像更核心的画像知识，减少对其余画像知识的考虑或者直接清除。分析偏心参数包括量化后的分析侧重程度，企业事件子集的分析侧重程度越高，企业事件子集越需要被关注，在获取企业画像时主要关注分析侧重程度高的企业事件子集。第一分析偏心参数可指示企业事件子集的一般影响程度。第一分析偏心参数被配置成指示拟分析企业事件子集对应的分析侧重程度，分析侧重程度代表拟分析企业事件子集被重视的程度，换言之，拟分析企业事件子集对企业画像的影响值。分析侧重程度是可以数值化的信息，通常企业事件子集中的画像知识越多，企业事件子集越需要被关注，对应的第一分析偏心参数中的分析侧重程度也就越高，企业分析云平台依据第一分析偏心参数可以对一般的企业事件集进行描绘，以获得精确的企业画像。

具体而言，企业分析云平台可以对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第一分析偏心参数，依据每个拟分析企业事件子集对应的画像贡献值，对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第一分析偏心参数。画像贡献值大的拟分析企业事件子集对应的第一分析偏心参数中的分析侧重程度大于画像贡献值小的拟分析企业事件子集对应的第一分析偏心参数中的分析侧重程度。

作为一种实施方式，第一分析偏心参数包括均衡分析偏心参数和单一分析偏心参数中的一个或两个。均衡分析偏心参数是依据软性注意力（Soft Attention）为拟分析企业事件子集对应的第一拟整理画像知识赋予分析偏心参数，均衡分析偏心参数可以对每一个拟分析企业事件子集的贡献程度做到雨露均沾，拟分析企业事件子集的画像贡献值越大，对应的均衡分析偏心参数中的分析侧重程度越大。单一分析偏心参数是依据强注意力（Hard Attention）为拟分析企业事件子集对应的第一拟整理画像知识赋予分析偏心参数，单一分析偏心参数可以具备指向性地体现每一拟分析企业事件子集的贡献程度，依据画像贡献值可以把拟分析企业事件子集划分成画像贡献值较大的企业事件子集subset1和画像贡献值较小的企业事件子集subset2，为企业事件子集subset1一同赋予较大的分析侧重程度，为企业事件子集subset2一同赋予较小的分析侧重程度。

500：依据每个拟分析企业事件子集对应的画像贡献值，对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第二分析偏心参数，第二分析偏心参数被配置为增加边缘画像贡献值的拟分析企业事件子集对应的分析侧重程度。

画像贡献值是对拟分析企业事件子集对于企业画像的贡献能力量化之后获取的数值，画像贡献值对应的数值区间大于分析侧重程度对应的数值区间。依据拟分析企业事件子集对应的第一拟整理画像知识确定拟分析企业事件子集对应的画像贡献值，第二分析偏心参数可以体现拟分析企业事件子集的潜藏的贡献能力。在第一分析偏心参数中，核心画像贡献值的拟分析企业事件子集对应的分析侧重程度大于边缘画像贡献值的拟分析企业事件子集对应的分析侧重程度，和第一分析偏心参数不同的是，在第二分析偏心参数中，边缘画像贡献值的拟分析企业事件子集对应的分析侧重程度可以大于核心画像贡献值的拟分析企业事件子集对应的分析侧重程度，也能小于等于核心画像贡献值的拟分析企业事件子集对应的分析侧重程度。第二分析偏心参数是被配置为增加边缘画像贡献值的拟分析企业事件子集对应的分析侧重程度的，当拟分析企业事件子集的画像贡献值为核心画像贡献值，则代表该拟分析企业事件子集对于企业画像产生较大的贡献，如果拟分析企业事件子集的画像贡献值为边缘画像贡献值，则代表该拟分析企业事件子集对于企业画像产生的贡献一般。作为一种实施方式，可以依据设定的参考贡献值来划分核心画像贡献值和边缘画像贡献值，将不小于设定的参考贡献值的画像贡献值确定为核心画像贡献值，将小于设定的参考贡献值的画像贡献值确定为边缘画像贡献值。此外，还可以对画像贡献值按序排布，将较大的多个画像贡献值确定为核心画像贡献值，将剩余画像贡献值确定为边缘画像贡献值。

例如，依据每个拟分析企业事件子集对应的画像贡献值对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第二分析偏心参数。第二分析偏心参数被配置为增加边缘画像贡献值的拟分析企业事件子集对应的分析侧重程度。依据画像贡献值可以将拟分析企业事件子集划分成画像贡献值较大的企业事件子集subset3和画像贡献值较小的企业事件子集subset4。作为一种实施方式，为企业事件子集subset3一并赋予较小的分析侧重程度，在企业事件子集subset4中，再次依据画像贡献值对每个所述拟分析企业事件子集赋予分析侧重程度，此时，企业事件子集的画像贡献值越大，对应的第二分析偏心参数中的分析侧重程度越大。作为一种实施方式，在维持企业事件子集subset3的画像贡献值不变的情况下，提升企业事件子集subset4的画像贡献值，之后对企业事件子集subset3的画像贡献值和调整后的企业事件子集subset4的画像贡献值进行标准化操作（例如进行归一化，将画像贡献值限定在[0,1]之间）得到每个第一拟整理画像知识对应的第二分析偏心参数。在提升企业事件子集subset4的画像贡献值的同时，将全部企业事件子集subset4的画像贡献值增加相同的预定参数，或者为不同的企业事件子集subset4增加不同的预定参数，例如画像贡献值越大的企业事件子集subset4对应的预定参数越大，如此一来，依据第二分析偏心参数可以增加边缘画像贡献值的拟分析企业事件子集对应的分析侧重程度，若企业事件集中的重要信息缺失或不足，则可以基于边缘信息获取到精确的企业画像。

例如，拟分析企业集对应的拟分析企业事件子集包括核心人员在职情况的企业信息构成的企业事件子集1、关于销售额的企业信息构成的企业事件子集2和招聘信息的企业信息构成的企业事件子集3。依据每一企业事件子集对应的第一拟整理画像知识可以得到每一企业事件子集对应的画像贡献值，如果需要描绘的企业画像是关于盈利能力的，那么因为企业事件子集2和盈利的贴近程度更高，那么企业事件子集2的画像贡献值大于企业事件子集1和企业事件子集3。对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第一分析偏心参数，在第一分析偏心参数中，企业事件子集2的分析侧重程度大于企业事件子集1和企业事件子集3的分析侧重程度。然而，如果企业事件子集2中的企业信息不完整，例如企业未及时披露当年的财务报表，此时若专注于企业事件子集2，忽视企业事件子集1和企业事件子集3，则不能获得精准的企业画像。因而，再次对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第二分析偏心参数，依据第二分析偏心参数增加企业事件子集1和企业事件子集3的分析侧重程度。如此，在进行企业画像描绘时，不仅会重点参考企业事件子集2，还同时将企业事件子集1和企业事件子集3纳入考量，结合企业事件子集1和企业事件子集3，可以得到精准的企业画像，借助关联企业信息对核心信息不足的企业事件集进行准确描绘。

600：依据第一分析偏心参数和第二分析偏心参数，对每个所述拟分析企业事件子集对应的第一拟整理画像知识进行融合，得到第二拟整理画像知识。

本申请实施例中，第二拟整理画像知识是用以确定企业画像的最后的画像知识。在获得每个拟分析企业事件子集对应的第一分析偏心参数和第二分析偏心参数后，依据第一分析偏心参数和第二分析偏心参数，对每个所述拟分析企业事件子集对应的第一拟整理画像知识进行融合，得到第二拟整理画像知识。在依据画像知识确定企业画像前，依据第一分析偏心参数和第二分析偏心参数，对每个拟分析企业事件子集对应的第一拟整理画像知识进行融合的操作，能够增加核心画像知识的占比，减少边缘画像知识的占比，以便依据第二拟整理画像知识快速且精准地获取企业画像。

700：依据第二拟整理画像知识确定拟分析企业对应的企业画像。

依据第二拟整理画像知识可以确定拟分析企业对应的企业画像。例如将第二拟整理画像知识加载到人工神经网络，以对第二拟整理画像知识进行识别归类，得到对应的评估指标，例如标签，多个评估指标形成的簇共同构成企业画像。

作为一种实施方式，依据第二拟整理画像知识可以确定拟分析企业在多个待选评估指标上的指向支持度（可能性、概率），确定指向支持度大于预设阈值的待选评估指标，确定为拟分析企业对应的评估指标，获得拟分析企业对应的企业画像。

作为一种实施方式，可以通过AI模型，如机器学习模型来执行上述的画像描绘过程，将拟分析企业对应的多个拟分析企业事件子集加载到完成调试的企业分析网络，在企业分析网络中进行多个维度的知识挖掘、第一分析偏心参数的赋予、第二分析偏心参数的赋予、画像知识融合，以及画像描绘，以获取企业画像。

基于获取拟分析企业对应的多个拟分析企业事件子集，对每个拟分析企业事件子集进行多个维度的知识挖掘，得到每个所述拟分析企业事件子集在动态分析要素上的动态画像知识和在静态分析要素上的静态画像知识，构建相应的第一拟整理画像知识，对每个拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第一分析偏心参数，依据每个拟分析企业事件子集对应的画像贡献值，对每个拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第二分析偏心参数，第二分析偏心参数被配置为增加边缘画像贡献值的拟分析企业事件子集对应的分析侧重程度，依据第一分析偏心参数和第二分析偏心参数，对每个所述拟分析企业事件子集对应的第一拟整理画像知识进行融合，得到第二拟整理画像知识，依据第二拟整理画像知识确定拟分析企业对应的企业画像。那么，第二分析偏心参数可以增加边缘画像贡献值的拟分析企业事件子集对应的分析侧重程度，换言之，增加了边缘企业事件子集对应的分析侧重程度，边缘企业事件子集的画像知识在某些时候能够推理核心企业事件子集的画像知识，那么将第二分析偏心参数在网络调试过程中进行运用，获得不仅可以对一般企业事件集进行精确识别，同时还可以对核心企业事件子集有缺陷的企业事件集进行精确可靠的企业分析网络。

作为一种实施方式，对每个拟分析企业事件子集进行多个维度的知识挖掘，得到每个拟分析企业事件子集在动态分析要素上的动态画像知识和在静态分析要素上的静态画像知识，构建相应的第一拟整理画像知识，包括：

采用由多个卷积单元和池化单元构成的线性变换模块（卷积模块），挖掘随时间变化企业事件子集中的动态趋势向量（各个动态变化的指标对应的数值的改变趋势），得到动态画像知识，以及挖掘企业事件子集间的数值或文本向量，得到静态画像知识，构建相应的第一拟整理画像知识。线性变换模块可以为对拟分析企业事件子集进行多个维度的知识挖掘的神经网络。线性变换模块的卷积单元用于对数据进行卷积以提取画像知识，池化单元用于对数据降维，以简化复杂信息。作为一种实施方式，线性变换模块还可以包含全连接单元，对特征再次提取归类。该实施方式中，基于线性变换模块对拟分析企业事件子集进行多个维度的知识挖掘，获取包括动态画像知识和静态画像知识的第一拟整理画像知识，以便依据第一拟整理画像知识获得更精准的企业画像。

作为一种实施方式，第一分析偏心参数包括均衡分析偏心参数，对每个拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第一分析偏心参数，包括：

确定每一第一拟整理画像知识对应的画像贡献值value1，对每一画像贡献值value1进行标准化操作，得到每个所述拟分析企业事件子集对应的均衡分析偏心参数。均衡分析偏心参数是拟分析企业事件子集对应的第一拟整理画像知识进行注意力赋予得到的分析偏心参数，均衡分析偏心参数可以均衡体现每一个企业事件集子集的重要成都，其画像贡献值越大，对应的均衡分析偏心参数中的分析侧重程度越大。

例如，依据各个第一拟整理画像知识确定每一第一拟整理画像知识对应的画像贡献值value1，对每一所述画像贡献值value1进行标准化操作，得到各个第一拟整理画像知识对应的分析侧重程度，依据各个第一拟整理画像知识对应的分析侧重程度得到每个所述拟分析企业事件子集对应的均衡分析偏心参数。对每个所述拟分析企业事件子集的第一拟整理画像知识进行解析，将每个第一拟整理画像知识进行量化得到多维向量，多维向量的维数与拟分析企业事件子集的个数相关，各个向量的原始值指征对应的拟分析企业事件子集对最终企业画像的画像贡献值value1。对全部的原始值进行标准化操作，得到最终值，最终值可以作为拟分析企业事件子集对应的均衡分析偏心参数中的分析侧重程度。最终获得指示每个拟分析企业事件子集对应的均衡分析偏心参数的多维向量，其中，原始值越大，最终值越大，换言之画像贡献值value1越大，对应的均衡分析偏心参数中的分析侧重程度越大。

该实施方式中，通过确定每一第一拟整理画像知识对应的画像贡献值value1，对每一所述画像贡献值value1进行标准化操作，得到每个所述拟分析企业事件子集对应的均衡分析偏心参数。可以基于每个拟分析企业事件子集的画像贡献值为每个拟分析企业事件子集赋予均衡分析偏心参数，在画像描绘时依据均衡分析偏心参数可以专注于核心企业事件子集的画像知识，增加企业画像的精确度。

作为一种实施方式，第一分析偏心参数包括单一分析偏心参数，对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第一分析偏心参数，包括：

确定每一第一拟整理画像知识对应的画像贡献值value2；依据画像贡献值value2将每个拟分析企业事件子集划分成企业事件子集subset1和企业事件子集subset2，企业事件子集subset1对应的画像贡献值value2大于企业事件子集subset2对应的画像贡献值value2；将企业事件子集subset1对应的分析侧重程度确定为预定参数default1，将企业事件子集subset2对应的分析侧重程度确定为预定参数default2，预定参数default1大于预定参数default2；对每个拟分析企业事件子集对应的分析侧重程度进行标准化操作，得到每个拟分析企业事件子集对应的单一分析偏心参数。其中，单一分析偏心参数是为拟分析企业事件子集对应的第一拟整理画像知识进行注意力赋予得到的分析偏心参数，单一分析偏心参数可以具备指向性地体现每一拟分析企业事件子集的贡献程度。

依据各个第一拟整理画像知识确定每一所述第一拟整理画像知识对应的画像贡献值value2，依据画像贡献值value2将每个拟分析企业事件子集划分成企业事件子集subset1和企业事件子集subset2，其中，企业事件子集subset1对应的画像贡献值value2大于企业事件子集subset2对应的画像贡献值value2。接着，将企业事件子集subset1对应的分析侧重程度确定为预定参数default1，将企业事件子集subset2对应的分析侧重程度确定为预定参数default2，其中，预定参数default1大于预定参数default2。这样，依据预定参数default1和预定参数default2可以明显区分出画像贡献值高的拟分析企业事件子集和画像贡献值低的拟分析企业事件子集。再对每个所述拟分析企业事件子集对应的分析侧重程度进行标准化操作，得到每个所述拟分析企业事件子集对应的单一分析偏心参数。

例如，对每个拟分析企业事件子集的第一拟整理画像知识进行解析，将每一第一拟整理画像知识进行量化得到多维向量，各个向量的原始值指征对应的拟分析企业事件子集对最终企业画像的画像贡献值value2。从每个拟分析企业事件子集中确定向量最大的拟分析企业事件子集作为企业事件子集subset1，将其余拟分析企业事件子集确定为企业事件子集subset2，将企业事件子集subset1对应的向量变更成1，将企业事件子集subset2对应的向量变更成0以得到指示每个拟分析企业事件子集对应的单一分析偏心参数的多维向量。

作为一种实施方式，依据每个拟分析企业事件子集对应的画像贡献值，对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第二分析偏心参数，包括：

确定每一第一拟整理画像知识对应的画像贡献值value3；依据画像贡献值value3将每个拟分析企业事件子集划分成企业事件子集subset3和企业事件子集subset4，企业事件子集subset3对应的画像贡献值value3大于企业事件子集subset4对应的画像贡献值value3，企业事件子集subset3对应的画像贡献值value3为核心画像贡献值，企业事件子集subset4对应的画像贡献值value3为边缘画像贡献值，将企业事件子集subset3对应的分析侧重程度确定为预定参数default2，将企业事件子集subset4对应的画像贡献值value3进行标准化操作，得到企业事件子集subset4对应的分析侧重程度，依据每个拟分析企业事件子集对应的分析侧重程度得到每个拟分析企业事件子集对应的第二分析偏心参数。

依据各个第一拟整理画像知识确定每一第一拟整理画像知识对应的画像贡献值value3，依据画像贡献值value3将每个拟分析企业事件子集划分成企业事件子集subset3和企业事件子集subset4，其中，企业事件子集subset3对应的画像贡献值value3大于企业事件子集subset4对应的画像贡献值value3，企业事件子集subset3对应的画像贡献值value3为核心画像贡献值，企业事件子集subset4对应的画像贡献值value3为边缘画像贡献值。接着，将企业事件子集subset3对应的分析侧重程度确定为预定参数default2，将企业事件子集subset4对应的画像贡献值value3进行标准化操作，得到企业事件子集subset4对应的分析侧重程度。相较于对全部的画像贡献值value3进行标准化操作得到的第一标准化操作结果，在仅对企业事件子集subset4对应的画像贡献值value3进行标准化操作得到的第二标准化操作结果中，每一企业事件子集subset4对应的分析侧重程度得到额提升。依据每个拟分析企业事件子集对应的分析侧重程度得到每个拟分析企业事件子集对应的第二分析偏心参数。

例如，对每个所述拟分析企业事件子集的第一拟整理画像知识进行解析，将每一第一拟整理画像知识进行量化得到多维向量，每一向量的值指征对应的拟分析企业事件子集对最终企业画像的画像贡献值value3。依据画像贡献值value3对每个所述拟分析企业事件子集按序排布，将值排序靠前的N个拟分析企业事件子集对应的向量变更0，再对其余拟分析企业事件子集的向量进行标准化操作，使得拟分析企业事件子集对应的向量的和值等于1。

相同的第一拟整理画像知识对应的画像贡献值value1、画像贡献值value2、画像贡献值value3可以一致或不一致。如果不一致，相同的第一拟整理画像知识对应的画像贡献值value1、画像贡献值value2、画像贡献值value3会接近。通过AI网络对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第一分析偏心参数和第二分析偏心参数。基于第一信息关注模块对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第一分析偏心参数，第一信息关注模块包括均衡信息关注模块和/或单一信息关注模块。基于第二信息关注模块依据每个拟分析企业事件子集对应的画像贡献值，对每个拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第二分析偏心参数。信息关注模块为第一信息关注模块或第二信息关注模块，将每个所述拟分析企业事件子集对应的第一拟整理画像知识加载到信息关注模块后，信息关注模块对各个第一拟整理画像知识进行第一次整合映射操作，得到每个所述拟分析企业事件子集对应的原始画像贡献值，对每一所述原始画像贡献值进行非线性转换，得到每个所述拟分析企业事件子集对应的过渡画像贡献值，对各个过渡画像贡献值进行再次整合映射操作，得到每个拟分析企业事件子集对应的最终画像贡献值，依据每个所述拟分析企业事件子集对应的最终画像贡献值，对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的分析偏心参数。

该实施方式中，可以基于每个拟分析企业事件子集的画像贡献值增加边缘画像贡献值的拟分析企业事件子集对应的分析侧重程度，得到第二分析偏心参数。在企业画像描绘时依据第二分析偏心参数可以增加对边缘企业事件子集的考量，当核心企业事件子集不够完善或有缺失，结合边缘企业事件子集同样能得到准确的企业画像。作为一种实施方式，依据第一分析偏心参数和第二分析偏心参数，对每个所述拟分析企业事件子集对应的第一拟整理画像知识进行融合，得到第二拟整理画像知识，包括：将相同的第一拟整理画像知识对应的第一分析偏心参数和第二分析偏心参数进行融合，获取 每一第一拟整理画像知识对应的目标分析偏心参数；将相同的拟分析企业事件子集对应的第一拟整理画像知识和目标分析偏心参数按照预设的计算方式进行计算，得到每个所述拟分析企业事件子集对应的候选拟整理画像知识；依据各个候选拟整理画像知识得到第二拟整理画像知识。

在融合第一拟整理画像知识的过程中，可以先将相同的第一拟整理画像知识对应的第一分析偏心参数和第二分析偏心参数进行融合，得到各个第一拟整理画像知识对应的目标分析偏心参数。比如把一个第一拟整理画像知识对应的第一分析偏心参数和第二分析偏心参数的平均结果作为第一拟整理画像知识对应的目标分析偏心参数，抑或在一个第一拟整理画像知识对应的第一分析偏心参数和第二分析偏心参数中确定最大的分析偏心系数，确定为该第一拟整理画像知识对应的目标分析偏心参数，又抑或将一个第一拟整理画像知识对应的第一分析偏心参数和第二分析偏心参数的和值确定为该第一拟整理画像知识对应的目标分析偏心参数。然后将相同的拟分析企业事件子集对应的第一拟整理画像知识和目标分析偏心参数按照预设的计算方式进行计算，得到每个所述拟分析企业事件子集对应的候选拟整理画像知识。再依据各个候选拟整理画像知识得到第二拟整理画像知识，比如将每一候选拟整理画像知识进行组合，获得第二拟整理画像知识。

比如，设定三个企业事件子集，其各自对应的第一拟整理画像知识为X1、X2、X3，向量维数均为512。三个企业事件子集对应的均衡分析偏心参数分别为0.3；0.4；0.5，三个企业事件子集对应的单一分析偏心参数分别为1；0；1，三个企业事件子集对应的第二分析偏心参数分别为0.6；0.8；0。将相同的企业事件子集对应的均衡分析偏心参数、单一分析偏心参数和第二分析偏心参数进行和值计算，获得三个企业事件子集对应的目标分析偏心参数，企业事件子集对应的目标分析偏心参数分别为1.9；1.2；1.5。将企业事件子集对应的目标分析偏心参数构建的数表和企业事件子集对应的第一拟整理画像知识构建的数表作积，获得第二拟整理画像知识。

作为一种实施方式，企业画像包括发展评估指标，依据第二拟整理画像知识确定拟分析企业对应的企业画像，包括：依据第二拟整理画像知识中的静态画像知识对拟分析企业事件集进行描绘项目（评估企业画像所依赖的指标信息，例如销售额、员工人数、知识产权数量等）提取，得到拟分析企业事件集中的多个目标描绘项目，依据第二拟整理画像知识中的动态画像知识对多个目标描绘项目进行整体变化分析（变化的趋势，例如销售额的增长率、人员增长率、知识产权数量增长率），得到各个目标描绘项目对应的整体变化趋势，依据各个目标描绘项目对应的整体变化趋势确定多个目标描绘项目之间的关联结果（例如，销售额下降、员工人数下降、知识产权数量停止增长，3个目标描绘项目构成的曲线具备交点），依据多个目标描绘项目之间的关联结果和目标描绘项目的项目信息得到拟分析企业对应的发展评估指标。进一步依据第二拟整理画像知识中的动态画像知识对多个目标描绘项目进行整体变化分析，得到各个目标描绘项目对应的整体变化趋势，动态画像知识是依据不同时间段的企业事件子集之间的数值变化获取到的，在获取到拟分析企业中的目标描绘项目后，依据第二拟整理画像知识中的动态画像知识对目标描绘项目进行锁定，获得在整个企业事件集中整体变化趋势，不同的目标描绘项目对应不同的整体变化趋势。然后，依据每一目标描绘项目对应的整体变化趋势确定多个目标描绘项目之间的关联结果，比如对整体变化趋势进行解析，如果不同目标描绘项目间的整体变化趋势有交点，则具备关联关系，例如销售额下降（趋势曲线向下）、员工人数下降（趋势曲线向下）、知识产权数量停止增长（趋势曲线平直），3个目标描绘项目构成的曲线具备交点（至少知识产权与其余二者中的一个相交），那么多个目标描绘项目之间存在关联，此例反映出该企业在经营上具备负面画像。

之后，依据多个目标描绘项目之间的关联结果和目标描绘项目的项目信息得到拟分析企业对应的发展评估指标。

作为一种实施方式，企业画像包括硬实力评估指标，依据第二拟整理画像知识确定拟分析企业对应的企业画像，包括：依据第二拟整理画像知识中的静态画像知识对拟分析企业事件集进行描绘项目提取，得到拟分析企业事件集中的多个目标描绘项目，依据第二拟整理画像知识中的动态画像知识对目标描绘项目进行选定评估信息提取，确定多个目标描绘项目的选定评估信息对应的变化情况，依据变化情况确定对应的目标描绘项目的竞争力结果，依据各个目标描绘项目的竞争力结果和目标描绘项目的项目信息得到拟分析企业对应的硬实力评估指标。

依据第二拟整理画像知识可以分析拟分析企业中的目标信息，得到拟分析企业对应的硬实力评估指标。依据第二拟整理画像知识中的静态画像知识对拟分析企业事件集进行描绘项目提取，得到拟分析企业事件集中的多个目标描绘项目。事先学习多个目标描绘项目静态画像知识，在获取拟分析企业对应的第二拟整理画像知识后，将第二拟整理画像知识中的静态画像知识和学习的已知目标描绘项目静态画像知识进行对比，依据对比结果确定拟分析企业中具有什么目标描绘项目，如员工流动、销售额、核心人员、招聘岗位。依据第二拟整理画像知识中的动态画像知识对目标描绘项目上的选定评估信息（增长率、稳定性等信息）进行识别，得到选定评估信息对应的变化情况。依据变化情况确定对应的目标描绘项目的竞争力结果，例如销售额的增长率高，竞争力结果高，人员稳定性强，竞争力结果高，结合到对应的目标描绘项目的项目信息，可以得到拟分析企业对应的硬实力评估指标。

作为一种实施方式，对第二拟整理画像知识进行归类采用企业分析网络进行。

上述实施方方式，通过对第二拟整理画像知识中的静态画像知识和动态画像知识进行分析，得到拟分析企业对应的硬实力评估指标。

作为一种实施方式，上述方法还包括：

X1：将每个拟分析企业事件子集加载至完成调试的企业分析网络。

X2：通过企业分析网络的线性变换模块，对每个拟分析企业事件子集进行多个维度的知识挖掘，得到每个拟分析企业事件子集在动态分析要素上的动态画像知识和在静态分析要素上的静态画像知识，构建相应的第一拟整理画像知识。

X3：通过企业分析网络的第一信息关注模块，对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第一分析偏心参数；第一信息关注模块包括均衡信息关注模块和单一信息关注模块中的至少一种。

X4：通过企业分析网络的第二信息关注模块，依据每个所述拟分析企业事件子集对应的画像贡献值，对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第二分析偏心参数。

X5：依据第一分析偏心参数和第二分析偏心参数，对每个所述拟分析企业事件子集对应的第一拟整理画像知识进行融合，得到第二拟整理画像知识。

X6：通过企业分析网络的知识归类模块，依据第二拟整理画像知识确定拟分析企业对应的企业画像。

其中，线性变换模块用于对企业事件子集进行多个维度的知识挖掘，第一信息关注模块用于对第一拟整理画像知识进行第一分析偏心参数赋予，第一信息关注模块包括均衡信息关注模块和/或单一信息关注模块，均衡信息关注模块用于对第一拟整理画像知识进行均衡分析偏心参数赋予，单一信息关注模块用于对第一拟整理画像知识进行单一分析偏心参数赋予，第二信息关注模块用于对第一拟整理画像知识进行第二分析偏心参数赋予，知识归类模块用于进行画像知识归类。

对企业事件集进行归类的企业分析网络包括线性变换模块、第一信息关注模块、第二信息关注模块和知识归类模块，获取到拟分析企业对应的多个拟分析企业事件子集后，可以将每个所述拟分析企业事件子集加载到完成调试的企业分析网络，通过企业分析网络的线性变换模块，对每个拟分析企业事件子集进行多个维度的知识挖掘，得到每个所述拟分析企业事件子集对应的第一拟整理画像知识。将各个第一拟整理画像知识加载到第一信息关注模块，对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第一分析偏心参数，将各个第一拟整理画像知识加载到第二信息关注模块，依据每个拟分析企业事件子集对应的画像贡献值，对每个拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第二分析偏心参数，依据第一分析偏心参数和第二分析偏心参数，对每个拟分析企业事件子集对应的第一拟整理画像知识进行融合，得到第二拟整理画像知识，最后将第二拟整理画像知识加载到知识归类模块，对第二拟整理画像知识进行归类，得到拟分析企业对应的企业画像。

该实施方式中，通过企业分析网络对拟分析企业进行企业事件集归类，得到对应的企业画像，可以提升企业事件集归类的速度。

作为一种实施方式，信息关注模块为第一信息关注模块或第二信息关注模块，信息关注模块的信息处理过程包括；对各个第一拟整理画像知识进行第一次整合映射操作，得到每个所述拟分析企业事件子集对应的原始画像贡献值，对每一所述原始画像贡献值进行非线性转换，得到每个所述拟分析企业事件子集对应的过渡画像贡献值，对各个过渡画像贡献值进行再次整合映射操作，得到每个所述拟分析企业事件子集对应的最终画像贡献值；依据每个所述拟分析企业事件子集对应的最终画像贡献值，对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的分析偏心参数。

第一信息关注模块和第二信息关注模块的架构是近似的，其信息处理的过程事业近似的，信息关注模块为第一信息关注模块或第二信息关注模块，信息关注模块获取到各个第一拟整理画像知识，先对拟分析企业事件子集对应的第一拟整理画像知识进行第一次整合映射操作（例如全连接映射），得到每个拟分析企业事件子集对应的原始画像贡献值，接着对每一所述原始画像贡献值进行非线性转换，得到每个拟分析企业事件子集对应的过渡画像贡献值，再对每个过渡画像贡献值进行再次整合映射操作，得到每个拟分析企业事件子集对应的最终画像贡献值，之后依据每个拟分析企业事件子集对应的最终画像贡献值，对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的分析偏心参数。基于两次整合映射防止过拟合、欠拟合的产生，将数据进行压缩减少计算消耗。非线性转换方式可以参考通用的非线性函数 。

均衡信息关注模块可以包括级联的全连接单元-非线性激活单元-全连接单元-多分类激活单元，依据均衡信息关注模块中的第一个全连接单元对每一第一拟整理画像知识进行第一次整合映射操作，得到每个所述拟分析企业事件子集对应的原始画像贡献值，通过均衡信息关注模块中的非线性激活单元对每一原始画像贡献值进行非线性转换，得到每个所述拟分析企业事件子集对应的过渡画像贡献值，通过均衡信息关注模块中的第二个全连接单元对各个过渡画像贡献值进行再次整合映射操作，得到每个拟分析企业事件子集对应的画像贡献值value1，通过均衡信息关注模块中的多分类激活单元依据每个拟分析企业事件子集对应的画像贡献值value1，对每个拟分析企业事件子集对应的第一拟整理画像知识赋予对应的均衡分析偏心参数。

单一信息关注模块包括级联的全连接单元-非线性激活单元-全连接单元-第一划分单元和多分类激活单元。基于单一信息关注模块中的第一个全连接单元对各个第一拟整理画像知识进行第一次整合映射操作，获得每个所述拟分析企业事件子集对应的原始画像贡献值，依据单一信息关注模块中的非线性激活单元对每一所述原始画像贡献值进行非线性转换，获得每个拟分析企业事件子集对应的过渡画像贡献值，采用单一信息关注模块中的第二个全连接单元对各个过渡画像贡献值进行再次整合映射操作，得到每个所述拟分析企业事件子集对应的画像贡献值value2，基于单一信息关注模块中的第一划分单元依据每个所述拟分析企业事件子集对应的画像贡献值value2，将每个拟分析企业事件子集划分成企业事件子集subset1和企业事件子集subset2，将企业事件子集subset1对应的分析侧重程度确定为预定参数default1，将企业事件子集subset2对应的分析侧重程度确定为预定参数default2，基于单一信息关注模块中的多分类激活单元对每个拟分析企业事件子集对应的第一拟整理画像知识赋予对应的单一分析偏心参数。如果在第一划分单元内，则将画像贡献值value2最大的企业事件子集对应的分析侧重程度确定为1，将剩余画像贡献值的企业事件子集对应的分析侧重程度确定为0，单一信息关注模块则不再将信息加载到多分类激活单元中，将分析侧重程度作为单一分析偏心参数。

第二信息关注模块包括级联的全连接单元-非线性激活单元-全连接单元-第二划分单元-多分类激活单元。采用第二信息关注模块中的第一个全连接单元对每一第一拟整理画像知识进行第一次整合映射操作，得到每个拟分析企业事件子集对应的原始画像贡献值，基于第二信息关注模块中的非线性激活单元对每一原始画像贡献值进行非线性转换，得到每个拟分析企业事件子集对应的过渡画像贡献值，依据第二信息关注模块中的第二个全连接单元对各个过渡画像贡献值进行再次整合映射操作，得到每个拟分析企业事件子集对应的画像贡献值value3，通过第二信息关注模块中的第二划分单元依据每个所述拟分析企业事件子集对应的画像贡献值value3，将每个拟分析企业事件子集划分成企业事件子集subset3和企业事件子集subset4，将企业事件子集subset3对应的分析侧重程度确定为预定参数default2，依据第二信息关注模块中的多分类激活单元对企业事件子集subset4对应的画像贡献值value3进行标准化操作，获得企业事件子集subset4对应的分析侧重程度，依据每个所述拟分析企业事件子集对应的分析侧重程度得到第二分析偏心参数。

作为一种实施方式，本申请还提供一种基于企业画像的企业分析方法，包括：

Y1：获取企业事件集样本对应的多个企业事件集样本子集和企业事件集样本对应的样本指示信息，将所述多个企业事件集样本子集加载到拟调试的企业分析网络。

Y2：对多个企业事件集样本子集进行多个维度的知识挖掘，得到多个企业事件集样本子集在动态分析要素上的动态画像知识和在静态分析要素上的静态画像知识，构建相应的第一拟整理画像知识样本。

Y3：对多个企业事件集样本子集对应的第一拟整理画像知识样本赋予对应的第一分析偏心参数，第一分析偏心参数被配置成指示企业事件集样本子集对应的分析侧重程度。

Y4：依据多个企业事件集样本子集对应的画像贡献值，对多个企业事件集样本子集对应的第一拟整理画像知识样本赋予对应的第二分析偏心参数，第二分析偏心参数被配置为增加边缘画像贡献值的企业事件集样本子集对应的分析侧重程度。

Y5：依据第一分析偏心参数和第二分析偏心参数，对多个企业事件集样本子集对应的第一拟整理画像知识样本进行融合，得到第二拟整理画像知识样本。

Y6：依据第二拟整理画像知识样本确定企业事件集样本对应的推理指示信息，依据样本指示信息和推理指示信息之间的损失值对企业分析网络的网络系数进行调节直到符合预设要求，获得调试好的企业分析网络。

预设要求可以是调试达到预设次数或者网络的推理精度达到预设精度。

作为一种实施方式，对多个企业事件集样本子集进行多个维度的知识挖掘，得到多个企业事件集样本子集在动态分析要素上的动态画像知识和在静态分析要素上的静态画像知识，构建相应的第一拟整理画像知识样本，包括：通过企业分析网络中的线性变换模块，分别对多个企业事件集样本子集进行多个维度的知识挖掘，得到所述多个企业事件集样本子集分别对应的第一拟整理画像知识样本，线性变换模块的系数是依据企业事件集样本对应的多个企业事件集样本子集和企业事件集样本对应的样本指示信息进行调试获得的。

企业分析网络包括线性变换模块、第一信息关注模块、第二信息关注模块和知识归类模块。依据样本指示信息和推理指示信息之间的损失值调节企业分析网络中全部网络系数直到符合预设要求，得到调试好的企业分析网络。另外，为了缓解调试压力，可以先调试线性变换模块的系数，得到线性变换模块优质的系数，维持线性变换模块的系数，再调试后续系数，得到调试好的企业分析网络。

作为一种实施方式，线性变换模块的预调试过程包括：将多个企业事件集样本子集加载到拟调试的原始企业事件集归类网络，原始企业事件集归类网络包括拟调试的线性变换模块，分别对多个企业事件集样本子集进行多个维度的知识挖掘，得到多个企业事件集样本子集分别对应的过渡画像知识样本，依据各个过渡画像知识样本得到企业事件集样本对应的原始推理评估指标，依据原始推理评估指标和样本指示信息之间的评估指标损失值对原始企业事件集归类网络的网络系数进行调节，直到符合预设要求，得到调试好的原始企业事件集归类网络；调试好的原始企业事件集归类网络包括调试好的线性变换模块。依据线性变换模块构建原始企业事件集归类网络，对原始企业事件集归类网络进行调试得到线性变换模块的系数，原始企业事件集归类网络可以是基于线性变换模块和归类单元构建得到的网络，将多个企业事件集样本子集加载到拟调试的原始企业事件集归类网络，通过线性变换模块分别对所述多个企业事件集样本子集进行多个维度的知识挖掘，得到多个企业事件集样本子集分别对应的过渡画像知识样本，通过归类单元依据各个过渡画像知识样本得到企业事件集样本对应的原始推理评估指标，依据原始推理评估指标和样本指示信息之间的评估指标损失值对原始企业事件集归类网络的网络系数进行调节，直到符合预设要求，得到调试好的原始企业事件集归类网络。当原始企业事件集归类网络调试结束，获得较好系数的线性变换模块，在线性变换模块上继续构建拟调试的企业分析网络，将企业事件集样本对应的多个企业事件集样本子集加载到企业分析网络，得到企业事件集样本对应的推理指示信息，依据样本指示信息和推理指示信息之间的损失值对企业分析网络中线性变换模块外的其余网络系数进行调节，直到符合预设要求得到调试好的企业分析网络。

综上，本申请实施例中提供的基于企业画像的企业分析方法，通过接收至少一个数据爬取端上传的拟分析企业事件集，获取企业事件集样本对应的多个企业事件集样本子集和企业事件集样本对应的样本指示信息，将多个企业事件集样本子集加载到拟调试的企业分析网络，对多个企业事件集样本子集进行多个维度的知识挖掘，得到多个企业事件集样本子集在动态分析要素上的动态画像知识和在静态分析要素上的静态画像知识，构建相应的第一拟整理画像知识样本，对多个企业事件集样本子集对应的第一拟整理画像知识样本赋予对应的第一分析偏心参数，第一分析偏心参数被配置成指示企业事件集样本子集对应的分析侧重程度，依据多个企业事件集样本子集对应的画像贡献值，对多个企业事件集样本子集对应的第一拟整理画像知识样本赋予对应的第二分析偏心参数，第二分析偏心参数被配置为增加边缘画像贡献值的企业事件集样本子集对应的分析侧重程度，依据第一分析偏心参数和第二分析偏心参数，对多个企业事件集样本子集对应的第一拟整理画像知识样本进行融合，得到第二拟整理画像知识样本，依据第二拟整理画像知识样本确定企业事件集样本对应的推理指示信息，依据样本指示信息和推理指示信息之间的损失值对企业分析网络的网络系数进行调节，直到符合预设要求，得到调试好的企业分析网络。基于此，第二分析偏心参数增加了边缘画像贡献值的拟分析企业事件子集对应的分析侧重程度，换言之，增加了边缘企业事件子集对应的分析侧重程度，边缘企业事件子集的画像知识在某些时候能够推理核心企业事件子集的画像知识，那么将第二分析偏心参数在网络调试过程中进行运用，获得不仅可以对一般企业事件集进行精确识别，同时还可以对核心企业事件子集有缺陷的企业事件集进行精确可靠的企业分析网络。

基于与图1中所示方法相同的原理，本申请实施例中还提供了一种企业分析装置10，如图2所示，该装置10包括：

接收模块11，用于接收至少一个所述数据爬取端上传的拟分析企业事件集，拟分析企业事件集对应拟分析企业，所述拟分析企业事件集包括多个分析层面的拟分析企业事件子集。

获取模块12，用于获取所述拟分析企业对应的多个拟分析企业事件子集。

知识挖掘模块13，用于对每个所述拟分析企业事件子集进行多个维度的知识挖掘，得到每个所述拟分析企业事件子集在动态分析要素上的动态画像知识和在静态分析要素上的静态画像知识，构建相应的第一拟整理画像知识。

第一分配模块14，用于对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第一分析偏心参数，所述第一分析偏心参数被配置成指示所述拟分析企业事件子集对应的分析侧重程度。

第二分配模块15，用于依据所述每个所述拟分析企业事件子集对应的画像贡献值，对每个所述拟分析企业事件子集对应的所述第一拟整理画像知识赋予对应的第二分析偏心参数，所述第二分析偏心参数被配置为增加边缘画像贡献值的拟分析企业事件子集对应的分析侧重程度。

融合模块16，用于依据第一分析偏心参数和第二分析偏心参数，对每个所述拟分析企业事件子集对应的第一拟整理画像知识进行融合，得到第二拟整理画像知识。

画像生成模块17，用于依据所述第二拟整理画像知识整理出所述拟分析企业对应的企业画像。

上述实施例从虚拟模块的角度介绍了企业分析装置10，下述从实体模块的角度介绍一种企业分析云平台，具体如下所示：

本申请实施例提供了一种企业分析云平台，如图3所示，企业分析云平台100包括：处理器101和存储器103。其中，处理器101和存储器103相连，如通过总线102相连。可选地，企业分析云平台100还可以包括收发器104。需要说明的是，实际应用中收发器104不限于一个，该企业分析云平台100的结构并不构成对本申请实施例的限定。

处理器101可以是CPU，通用处理器，GPU，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器101也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线102可包括一通路，在上述组件之间传送信息。总线102可以是PCI总线或EISA总线等。总线102可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器103可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器103用于存储执行本申请方案的应用程序代码，并由处理器101来控制执行。处理器101用于执行存储器103中存储的应用程序代码，以实现前述任一方法实施例所示的内容。

本申请实施例提供了一种企业分析云平台，本申请实施例中的企业分析云平台包括：一个或多个处理器；存储器；一个或多个计算机程序，其中一个或多个计算机程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序被处理器执行时，实现上述的方法。本申请所提供的技术方案，通过接收至少一个数据爬取端上传的拟分析企业事件集，获取企业事件集样本对应的多个企业事件集样本子集和企业事件集样本对应的样本指示信息，将多个企业事件集样本子集加载到拟调试的企业分析网络，对多个企业事件集样本子集进行多个维度的知识挖掘，得到多个企业事件集样本子集在动态分析要素上的动态画像知识和在静态分析要素上的静态画像知识，构建相应的第一拟整理画像知识样本，对多个企业事件集样本子集对应的第一拟整理画像知识样本赋予对应的第一分析偏心参数，第一分析偏心参数被配置成指示企业事件集样本子集对应的分析侧重程度，依据多个企业事件集样本子集对应的画像贡献值，对多个企业事件集样本子集对应的第一拟整理画像知识样本赋予对应的第二分析偏心参数，第二分析偏心参数被配置为增加边缘画像贡献值的企业事件集样本子集对应的分析侧重程度，依据第一分析偏心参数和第二分析偏心参数，对多个企业事件集样本子集对应的第一拟整理画像知识样本进行融合，得到第二拟整理画像知识样本，依据第二拟整理画像知识样本确定企业事件集样本对应的推理指示信息，依据样本指示信息和推理指示信息之间的损失值对企业分析网络的网络系数进行调节，直到符合预设要求，得到调试好的企业分析网络。基于此，第二分析偏心参数增加了边缘画像贡献值的拟分析企业事件子集对应的分析侧重程度，换言之，增加了边缘企业事件子集对应的分析侧重程度，边缘企业事件子集的画像知识在某些时候能够推理核心企业事件子集的画像知识，那么将第二分析偏心参数在网络调试过程中进行运用，获得不仅可以对一般企业事件集进行精确识别，同时还可以对核心企业事件子集有缺陷的企业事件集进行精确可靠的企业分析网络。

本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当计算机程序在处理器上运行时，使得处理器可以执行前述方法实施例中相应的内容。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种基于企业画像的企业分析方法，其特征在于，应用于所述企业分析云平台，所述企业分析云平台与至少一个数据爬取端通信连接，所述方法包括：

接收至少一个所述数据爬取端上传的拟分析企业事件集，拟分析企业事件集对应拟分析企业，所述拟分析企业事件集包括多个分析层面的拟分析企业事件子集；

获取所述拟分析企业对应的多个拟分析企业事件子集；

对每个所述拟分析企业事件子集进行多个维度的知识挖掘，得到每个所述拟分析企业事件子集在动态分析要素上的动态画像知识和在静态分析要素上的静态画像知识，构建相应的第一拟整理画像知识；

对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第一分析偏心参数，所述第一分析偏心参数被配置成指示所述拟分析企业事件子集对应的分析侧重程度；

依据所述每个所述拟分析企业事件子集对应的画像贡献值，对每个所述拟分析企业事件子集对应的所述第一拟整理画像知识赋予对应的第二分析偏心参数，所述第二分析偏心参数被配置为增加边缘画像贡献值的拟分析企业事件子集对应的分析侧重程度；

依据第一分析偏心参数和第二分析偏心参数，对每个所述拟分析企业事件子集对应的第一拟整理画像知识进行融合，得到第二拟整理画像知识；

依据所述第二拟整理画像知识整理出所述拟分析企业对应的企业画像。

2.根据权利要求1所述的方法，其特征在于，所述第一分析偏心参数包括均衡分析偏心参数，所述对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第一分析偏心参数，包括：

确定每一所述第一拟整理画像知识对应的画像贡献值value1；

对每一所述画像贡献值value1进行标准化操作，得到各个所述拟分析企业事件子集对应的均衡分析偏心参数；

或者，所述第一分析偏心参数包括单一分析偏心参数，所述对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第一分析偏心参数，包括：

确定每一所述第一拟整理画像知识对应的画像贡献值value2；

依据所述画像贡献值value2将每个所述拟分析企业事件子集划分成企业事件子集subset1和企业事件子集subset2，所述企业事件子集subset1对应的画像贡献值value2大于所述企业事件子集subset2对应的画像贡献值value2；

将企业事件子集subset1对应的分析侧重程度确定为预定参数default1，将企业事件子集subset2对应的分析侧重程度确定为预定参数default2，所述预定参数default1大于所述预定参数default2；

对各个所述拟分析企业事件子集对应的分析侧重程度进行标准化操作，得到每个所述拟分析企业事件子集对应的单一分析偏心参数。

3.根据权利要求2所述的方法，其特征在于，所述依据所述每个所述拟分析企业事件子集对应的画像贡献值，对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第二分析偏心参数，包括：

确定每一所述第一拟整理画像知识对应的画像贡献值value3；

依据画像贡献值value3将各个所述拟分析企业事件子集划分成企业事件子集subset3和企业事件子集subset4，所述企业事件子集subset3对应的画像贡献值value3大于所述企业事件子集subset4对应的画像贡献值value3，所述企业事件子集subset3对应的画像贡献值value3为核心画像贡献值，所述企业事件子集subset4对应的画像贡献值value3为边缘画像贡献值；

将企业事件子集subset3对应的分析侧重程度确定为预定参数default2，将企业事件子集subset4对应的画像贡献值value3进行标准化操作，得到企业事件子集subset4对应的分析侧重程度；

依据每个所述拟分析企业事件子集对应的分析侧重程度得到所述每个所述拟分析企业事件子集对应的第二分析偏心参数。

4.根据权利要求3所述的方法，其特征在于，所述依据第一分析偏心参数和第二分析偏心参数，对每个所述拟分析企业事件子集对应的第一拟整理画像知识进行融合，得到第二拟整理画像知识，包括：

将相同的所述第一拟整理画像知识对应的第一分析偏心参数和第二分析偏心参数进行融合，得到各个第一拟整理画像知识对应的目标分析偏心参数；

将相同的拟分析企业事件子集对应的第一拟整理画像知识和目标分析偏心参数按照预设的计算方式进行计算，得到每个所述拟分析企业事件子集对应的候选拟整理画像知识；

依据各个候选拟整理画像知识得到所述第二拟整理画像知识。

5.根据权利要求1所述的方法，其特征在于，所述企业画像包括发展评估指标，所述依据所述第二拟整理画像知识确定所述拟分析企业对应的企业画像，包括：

依据所述第二拟整理画像知识中的静态画像知识对所述拟分析企业事件集进行描绘项目提取，得到所述拟分析企业事件集中的多个目标描绘项目；

依据所述第二拟整理画像知识中的动态画像知识对所述多个目标描绘项目进行整体变化分析，得到所述各个目标描绘项目对应的整体变化趋势；

依据所述各个目标描绘项目对应的整体变化趋势确定所述多个目标描绘项目之间的关联结果；

依据所述多个目标描绘项目之间的关联结果和目标描绘项目的项目信息得到所述拟分析企业对应的发展评估指标；

或者，所述企业画像包括硬实力评估指标，所述依据所述第二拟整理画像知识确定所述拟分析企业对应的企业画像，包括：

依据所述第二拟整理画像知识中的静态画像知识对所述拟分析企业事件集进行描绘项目提取，得到所述拟分析企业事件集中的多个目标描绘项目；

依据所述第二拟整理画像知识中的动态画像知识对目标描绘项目进行选定评估信息提取，确定所述多个目标描绘项目的选定评估信息对应的变化情况；

依据所述变化情况确定对应的目标描绘项目的竞争力结果；

依据各个目标描绘项目的竞争力结果和目标描绘项目的项目信息得到所述拟分析企业对应的硬实力评估指标；

所述企业画像为多个评估指标构成的簇。

6.根据权利要求1所述的方法，其特征在于，所述方法通过事先调试完成的企业分析网络执行，所述方法包括：

将每个所述拟分析企业事件子集加载到完成调试的企业分析网络；

通过所述企业分析网络的线性变换模块，对每个所述拟分析企业事件子集进行多个维度的知识挖掘，得到每个所述拟分析企业事件子集在动态分析要素上的动态画像知识和在静态分析要素上的静态画像知识，构建相应的第一拟整理画像知识；

通过所述企业分析网络的第一信息关注模块，对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第一分析偏心参数，所述第一信息关注模块包括均衡信息关注模块和/或单一信息关注模块；

通过所述企业分析网络的第二信息关注模块，依据所述每个所述拟分析企业事件子集对应的画像贡献值，对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的第二分析偏心参数；

依据第一分析偏心参数和第二分析偏心参数，对每个所述拟分析企业事件子集对应的第一拟整理画像知识进行融合，得到第二拟整理画像知识；

基于所述企业分析网络的知识归类模块，依据所述第二拟整理画像知识确定所述拟分析企业对应的企业画像。

7.根据权利要求6所述的方法，其特征在于，信息关注模块为所述第一信息关注模块或所述第二信息关注模块，所述信息关注模块的信息处理过程包括；

对各个所述第一拟整理画像知识进行第一次整合映射操作，得到每个所述拟分析企业事件子集对应的原始画像贡献值；

对每一所述原始画像贡献值进行非线性转换，得到每个所述拟分析企业事件子集对应的过渡画像贡献值；

对各个过渡画像贡献值进行再次整合映射操作，得到所述每个所述拟分析企业事件子集对应的最终画像贡献值；

依据所述每个所述拟分析企业事件子集对应的最终画像贡献值，对每个所述拟分析企业事件子集对应的第一拟整理画像知识赋予对应的分析偏心参数。

8.根据权利要求6所述的方法，其特征在于，所述企业分析网络通过以下步骤调试得到：

获取企业事件集样本对应的多个企业事件集样本子集和企业事件集样本对应的样本指示信息，将所述多个企业事件集样本子集加载到拟调试的企业分析网络；

对所述多个企业事件集样本子集进行多个维度的知识挖掘，得到所述多个企业事件集样本子集在动态分析要素上的动态画像知识和在静态分析要素上的静态画像知识，构建相应的第一拟整理画像知识样本；

对所述多个企业事件集样本子集对应的第一拟整理画像知识样本赋予对应的第一分析偏心参数，所述第一分析偏心参数被配置成指示企业事件集样本子集对应的分析侧重程度；

依据所述所述多个企业事件集样本子集对应的画像贡献值，对所述多个企业事件集样本子集对应的第一拟整理画像知识样本赋予对应的第二分析偏心参数，所述第二分析偏心参数被配置为增加边缘画像贡献值的企业事件集样本子集对应的分析侧重程度；

依据第一分析偏心参数和第二分析偏心参数，对所述多个企业事件集样本子集对应的第一拟整理画像知识样本进行融合，得到第二拟整理画像知识样本；

依据所述第二拟整理画像知识样本确定所述企业事件集样本对应的推理指示信息，依据所述样本指示信息和所述推理指示信息之间的损失值对所述企业分析网络的网络系数进行调节，直到符合预设要求，得到调试好的企业分析网络。

9.一种企业分析系统，其特征在于，包括企业分析云平台和与所述企业分析云平台通信连接的至少一个数据爬取端，所述企业分析云平台包括处理器和存储器，所述存储器存储有计算机程序，当所述处理器执行所述计算机程序时，执行如权利要求1~8任一项所述的方法。

10.一种企业分析云平台，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序，当所述处理器执行所述计算机程序时，执行如权利要求1~8任一项所述的方法。

Images