CN115689066B - 基于图数据算法的目标供应商风险预测方法及装置 - Google Patents
基于图数据算法的目标供应商风险预测方法及装置 Download PDFInfo
- Publication number
- CN115689066B CN115689066B CN202211714167.5A CN202211714167A CN115689066B CN 115689066 B CN115689066 B CN 115689066B CN 202211714167 A CN202211714167 A CN 202211714167A CN 115689066 B CN115689066 B CN 115689066B
- Authority
- CN
- China
- Prior art keywords
- risk
- provider
- target
- node
- value
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及计算机技术领域,尤其涉及基于图数据算法的目标供应商风险预测方法及装置,根据风险数据对目标供应商进行风险预测;基于目标供应商经营风险数据建立图数据模型;计算每个节点的风险值,根据风险值进行风险节点的标记和处理,并根据风险节点进行风险数据挖掘,以得到目标图数据模型;根据目标图数据模型获取目标供应商经营风险指数r1;根据目标供应商经营风险指数r1、目标供应商人事风险级别、自然灾害风险级别和政策风险级别得到目标供应商风险指数R;根据目标供应商风险指数R进行报警分析及处理,解决了风险预测中目标供应商之间相关性被隐藏的技术问题,实现了精准预测目标供应商风险的技术效果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及基于图数据算法的目标供应商风险预测方法及装置。
背景技术
现有技术中目标供应商信息复杂,厂商、上下游企业之间的关联性隐蔽且繁乱,大型目标供应商由会计进行风险计算的方式,通常会导致目标供应商本身风险被隐藏,从而对目标供应商自身造成安全隐患,使企业存在不可预见的风险。
中国专利公开号CN112256887A提供了基于知识图谱的智能供应链管理方法,适合电网企业内部目标供应商的全景管理和监控方式,从目标供应商管理的实际需求出发,集合了文本分析、知识图谱和图数据库的方法,同时融合了电网内部采购相关数据,与目标供应商外部数据结合,分析挖掘实现的风险指标计算和分析方法,同时通过知识图谱的方式实现关联挖掘分析,进而实现电网企业内部目标供应商的有效管理、风险评价和风险控制。
由此可见,上述技术方案通过知识图谱将电网内部采购相关数据和目标供应商外部数据结合来实现目标供应商的风险预测,但是其使用传统的知识图谱,对风险企业的挖掘精准度不高,从而无法准确预测目标供应商潜在风险。
发明内容
为此,本发明提供基于图数据算法的目标供应商风险预测方法,可以解决现有技术中目标供应商风险预测精准度较差的技术问题。
为实现上述目的,本发明提供一种基于图数据算法的目标供应商风险预测方法,包括:
获取各类风险数据,并根据所述风险数据对目标供应商进行风险预测,所述风险数据包括目标供应商经营风险数据、目标供应商人事风险级别、自然灾害风险级别和政策风险级别;
基于所述目标供应商经营风险数据建立图数据模型,所述目标供应商经营风险数据包括目标供应商数据、上游供应商数据和下游供应商数据;
计算每个节点的风险值,根据所述风险值进行风险节点和非风险节点的标记和处理,并根据所述风险节点进行风险数据挖掘;
获取挖掘出的新节点的风险值,重复风险判断及挖掘的操作直到达到第一预设标准,以得到目标图数据模型;
根据所述目标图数据模型获取目标供应商经营风险指数r1;
根据所述目标供应商经营风险指数r1、所述目标供应商人事风险级别、所述自然灾害风险级别和所述政策风险级别得到所述目标供应商风险指数R;
根据所述目标供应商风险指数R进行报警分析及处理。
进一步的,基于所述目标供应商经营风险数据建立图数据模型包括:
将所述目标供应商、上游供应商和下游供应商存储为节点,所述节点属性包括风险和非风险;
将所述目标供应商、所述上游供应商和所述下游供应商间的关系存储为边,所述边的长度L和所述边连接的两个所述节点的风险值之和成反比。
进一步的,计算每个节点的风险值包括:
当节点为所述目标供应商时,判断财务数据是否存在异常,若存在异常,所述目标供应商风险值Rf=1,若不存在异常,所述目标供应商风险值Rf=0.5;
当节点为所述上游供应商时,所述上游供应商风险值Ru=0.4×D+0.4×Q+0.2×S,其中,D为交货准时性,Q为货品合格率,S为服务满意度;
当节点为所述下游供应商时,所述下游供应商风险值Rd=0.5×P+0.5×(1-B),其中,P为付款准时率,B为违约率。
进一步的,根据所述风险值进行风险节点和非风险节点的标记和处理包括:
当所述目标供应商风险值Rf=1,判定所述目标供应商的风险属性为风险,并将所述目标供应商标记为所述风险节点,所述目标供应商风险值Rf=0.5,判定所述目标供应商风险属性为非风险节点,且不对所述目标供应商进行标记;
当所述上游供应商风险值Ru<0.9,判定所述上游供应商的风险属性为风险,并将所述上游供应商标记为风险节点,当所述上游供应商风险值0.9≤Ru,判定所述上游供应商的风险属性为非风险,对所述上游供应商进行剪枝处理;
当所述下游供应商风险值Rd<0.8,判定所述下游供应商的风险属性为风险,并将所述下游供应商标记为风险节点,当所述下游供应商风险值0.8≤Rd,判定所述下游供应商的风险属性为非风险,对所述下游供应商进行剪枝处理。
进一步的,根据所述风险节点进行风险数据挖掘包括:
获取风险节点相邻全部边的长度集合L(l1、l2...li),其中,li代表所述风险节点的第i条边的长度,将li和第一预设长度L1、第二预设长度L2进行对比;
若li<L1,则优先对所述风险节点进行风险数据挖掘,以获取新节点;
若l1≤li<L2,则对所述风险节点进行风险数据挖掘,以获取新节点;
若li≥L2,则不对所述风险节点进行风险数据挖掘。
进一步的,获取挖掘出的所述新节点的风险值,包括:
计算所述新节点的风险值;
对与所述新节点相邻的所述风险节点的风险值进行判断;
当与所述新节点相邻的所述风险节点存在所述目标供应商时,判断所述目标供应商风险值Rf;
当Rf=1时,根据第一修正系数α1对所述新节点的风险值进行修正;
当与所述新节点相邻的所述风险节点存在所述上游供应商时,判断所述上游供应商风险值Ru;
当Ru≥0.95时,根据第二修正系数α2对所述新节点的风险值进行修正;
当与所述新节点相邻的所述风险节点存在所述下游供应商时,判断所述下游供应商风险值Rd;
当Rd≥0.9时,根据第三修正系数α3对所述新节点的风险值进行修正。
进一步的,重复风险判断及挖掘的操作直到达到第一预设标准包括:
根据所述新节点的风险值进行新风险节点和新非风险节点的标记和处理,并根据所述新风险节点进行风险数据挖掘,直到达到第一预设标准,以得到目标图数据模型;
所述第一预设标准为将任一所述风险节点的挖掘步数S和第一预设挖掘步数S1进行对比;
当S1≤S时,终止所述风险节点的数据挖掘,以得到目标图数据模型;或者
当任一所述风险节点无法继续挖掘出新风险节点时,终止所述风险节点的数据挖掘,以得到目标图数据模型。
进一步的,根据所述目标图数据模型获取目标供应商经营风险指数r1包括:
获取所述目标供应商的风险指标,所述风险指标包括度中心性数值l、紧密性中心性数值c、中介中心性数值i和特征向量中心性数值e;
将所述目标供应商的风险指标和预设风险指标进行对比,所述预设风险指标包括预设中心性数值l1、预设紧密性中心性数值c1、预设中介中心性数值i1和预设特征向量中心性数值e1;
获取符合第二预设标准的风险指标个数,以得到所述目标供应商经营风险指数r1,所述风险指标个数和所述目标供应商经营风险指数r1相对应,所述第二预设标准包括l1≤l、c1≤c、i1≤i、e1≤e。
进一步的,根据所述目标供应商经营风险指数r1、所述目标供应商人事风险级别、所述自然灾害风险级别和所述政策风险级别得到所述目标供应商风险指数R包括:
根据所述目标供应商人事风险级别、所述自然灾害风险级别和所述政策风险
级别获取目标供应商人事风险指数r2、自然灾害风险指数r3和政策风险指数r4,其中,风险级别分为四个等级,每个所述等级和风险指数相对应;
所述目标供应商风险指数R=α×r1+β×r2+γ×r3+ε×r4,其中,α>ε>γ>β,α为目标供应商经营风险权重,β为目标供应商人事风险权重,γ为自然灾害风险权重,ε为政策风险权重。
第二方面,本发明提供的一种基于图数据算法的目标供应商风险预测装置,包括:
目标供应商风险预测模块,用于获取各类风险数据,并根据所述风险数据对目标供应商进行风险预测,所述风险数据包括目标供应商经营风险数据、目标供应商人事风险级别、自然灾害风险级别和政策风险级别;
图数据模型建立模块,用于基于所述目标供应商经营风险数据建立图数据模型,所述目标供应商经营风险数据包括目标供应商数据、上游供应商数据和下游供应商数据;
风险属性确定模块,用于计算每个节点的风险值,根据所述风险值进行风险节点和非风险节点的标记和处理,并根据所述风险节点进行风险数据挖掘;
风险数据挖掘模块,用于获取挖掘出的新节点的风险值,重复风险判断及挖掘的操作直到达到第一预设标准,以得到目标图数据模型;
经营风险指数获取模块,用于根据所述目标图数据模型获取目标供应商经营风险指数r1;
目标供应商风险指数获取模块,用于根据所述目标供应商经营风险指数r1、所述目标供应商人事风险级别、所述自然灾害风险级别和所述政策风险级别得到所述目标供应商风险指数R;
报警模块,用于根据所述目标供应商风险指数R进行报警分析及处理。
与现有技术相比,本发明的有益效果在于,通过获取各类风险数据,并根据目标供应商经营风险数据、目标供应商人事风险级别、自然灾害风险级别和政策风险级别对目标供应商进行风险预测,充分考虑了多种能对目标供应商风险产生影响的因素,实现了全面对目标供应商的风险预测,基于目标供应商数据、上游供应商数据和下游供应商数据建立图数据模型,解决目标供应商之间相关性被隐藏的技术问题,计算每个所述节点的风险值,根据所述风险值进行风险节点和非风险节点的标记和处理,并根据所述风险节点进行风险数据挖掘,实时对节点进行风险判断,仅对风险节点进行数据挖掘,实现了快速进行风险挖掘的技术效果,获取挖掘出的新节点的风险值,重复风险判断及挖掘的操作直到达到第一预设标准,设置迭代挖掘条件,降低了风险挖掘成本,根据所述目标图数据模型获取目标供应商经营风险指数r1;根据所述目标目标供应商经营风险指数r1、所述目标供应商人事风险级别、所述自然灾害风险级别和所述政策风险级别得到所述目标供应商风险指数R;根据所述目标供应商风险指数R进行报警分析及处理,根据不同风险等级使用不同报警方式,实现了个性化风险报警。
本发明将所述目标供应商、上游供应商和下游供应商存储为节点,所述节点属性包括风险和非风险;实时获取了每个节点的风险属性,有利于模型进行有效的风险挖掘,将所述目标供应商、所述上游供应商和所述下游供应商间的关系存储为边;其中,所述边的长度L和所述边连接的两个所述节点的风险值之和成反比,能增加高风险节点的紧密性中心性,有利于图数据风险图谱直观展示。
本发明当所述节点为所述目标供应商时,判断财务数据是否存在异常;若存在异常,所述目标供应商风险值Rf=1;若不存在异常,所述目标供应商风险值Rf=0.5;当所述节点为所述上游供应商时,所述上游供应商风险值Ru=0.4×D+0.4×Q+0.2×S,其中,D为交货准时性,Q为货品合格率,S为服务满意度;当所述节点为所述下游供应商时,所述下游供应商风险值Rd=0.5×P+0.5×(1-B),其中,P为付款准时率,B为违约率,针对每个节点不同身份设置风险值计算方式,当所述节点为所述目标供应商时,根据财务数据判断节点是否存在异常,当所述节点为上游供应商时,根据交货准时性、货品合格率和服务满意度判断节点是否存在异常,当所述节点为下游节点时,根据付款准时率和违约率判断节点是否存在异常,实现了更加细致、有针对性的对图数据模型节点的风险属性判断,实现了准确进行目标供应商风险预测的技术效果。
本发明当所述目标供应商风险值Rf=1,判定所述目标供应商的风险属性为风险,并将所述目标供应商标记为所述风险节点;所述目标供应商风险值Rf=0.5,判定所述目标供应商风险属性为非风险节点,且不对所述目标供应商进行标记;当所述上游供应商风险值Ru<0.9,判定所述上游供应商的风险属性为风险,并将所述上游供应商标记为风险节点;当所述上游供应商风险值0.9≤Ru,判定所述上游供应商的风险属性为非风险,对所述上游供应商进行剪枝处理;当所述下游供应商风险值Rd<0.8,判定所述下游供应商的风险属性为风险,并将所述下游供应商标记为风险节点;当所述下游供应商风险值0.8≤Rd,判定所述下游供应商的风险属性为非风险,对所述下游供应商进行剪枝处理,根据上下游供应商的不同特性针对性设置风险阈值,实现了准确进行目标供应商风险预测的技术效果。
本发明获取风险节点相邻全部边的长度集合L(l1、l2...li),其中,li代表所述风险节点的第i条边的长度,将li和第一预设长度L1、第二预设长度L2进行对比;当li<L1时,优先对所述风险节点进行风险数据挖掘,以获取新节点;当l1≤li<L2时,对所述风险节点进行风险数据挖掘,以获取新节点;当li≥L2时,仅对所述风险节点进行风险数据挖掘,且优先对步长更短、风险更高的节点进行挖掘,实现了快速有效进行风险数据挖掘的技术效果。
本发明计算所述新节点的风险值;对与所述新节点相邻的所述风险节点的风险值进行判断;当与所述新节点相邻的所述风险节点存在所述目标供应商时,判断所述目标供应商风险值Rf;当Rf=1时,根据第一修正系数α1对所述新节点的风险值进行修正;当与所述新节点相邻的所述风险节点存在所述上游供应商时,判断所述上游供应商风险值Ru;当Ru≥0.95时,根据第二修正系数α2对所述新节点的风险值进行修正;当与所述新节点相邻的所述风险节点存在所述下游供应商时,判断所述下游供应商风险值Rd;当Rd≥0.9时,根据第三修正系数α3对所述新节点的风险值进行修正,充分考虑了风险节点会对附近节点造成影响的情况,实现了准确进行目标供应商风险预测的技术效果。
本发明根据所述新节点的风险值进行新风险节点和新非风险节点的标记和处理,并根据所述新风险节点进行风险数据挖掘,直到达到第一预设标准,以得到目标图数据模型;所述第一预设标准包括:将任一所述风险节点的挖掘步数S和第一预设挖掘步数S1进行对比当S1≤S时,终止所述风险节点的数据挖掘,以得到目标图数据模型;或者当任一所述风险节点无法继续挖掘出新风险节点时,终止所述风险节点的数据挖掘,以得到目标图数据模型。根据节点挖掘步长设置迭代挖掘截止条件,实现了准确进行目标供应商风险预测的技术效果。
本发明获取所述目标供应商的风险指标;其中,所述风险指标包括:度中心性数值l、紧密性中心性数值c、中介中心性数值i和特征向量中心性数值e;将所述目标供应商的风险指标和预设风险指标进行对比;其中,所述预设风险指标包括:预设中心性数值l1、预设紧密性中心性数值c1、预设中介中心性数值i1和预设特征向量中心性数值e1;获取符合第二预设标准的风险指标个数,以得到所述目标供应商经营风险指数r1,所述风险指标个数和所述目标供应商经营风险指数r1相对应;其中,所述第二预设标准包括:l1≤l、c1≤c、i1≤i、e1≤e,充分借助了图数据模型的优势,实现了准确进行目标供应商风险预测的技术效果。
本发明根据所述目标供应商经营风险指数r1、所述目标供应商人事风险级别、所述自然灾害风险级别和所述政策风险级别得到所述目标供应商风险指数R包括:根据所述目标供应商人事风险级别、所述自然灾害风险级别和所述政策风险级别获取目标供应商人事风险指数r2、自然灾害风险指数r3和政策风险指数r4;其中,风险级别分为四个等级,每个所述等级和风险指数相对应;所述目标供应商风险指数R=α×r1+β×r2+γ×r3+ε×r4,其中,α>ε>γ>β,α为目标供应商经营风险权重,β为目标供应商人事风险权重,γ为自然灾害风险权重,ε为政策风险权重,考虑了多种能对目标供应商风险产生影响的因素,实现了全面对目标供应商的风险预测,达到了准确进行目标供应商风险预测的技术效果。
附图说明
图1为本发明实施例提供的基于图数据算法的目标供应商风险预测方法的流程图;
图2为本发明实施例提供的基于图数据算法的目标供应商风险预测装置的结构示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1所示,其为本发明实施例提供的基于图数据算法的目标供应商风险预测方法的流程图,基于图数据算法的目标供应商风险预测方法,包括:
S101:获取各类风险数据,并根据所述风险数据对目标供应商进行风险预测,所述风险数据包括目标供应商经营风险数据、目标供应商人事风险级别、自然灾害风险级别和政策风险级别;
S102:基于所述目标供应商经营风险数据建立图数据模型,所述目标供应商经营风险数据包括目标供应商数据、上游供应商数据和下游供应商数据;
S103:计算每个节点的风险值,根据所述风险值进行风险节点和非风险节点的标记和处理,并根据所述风险节点进行风险数据挖掘;
S104:获取挖掘出的新节点的风险值,重复风险判断及挖掘的操作直到达到第一预设标准,以得到目标图数据模型;
S105:根据所述目标图数据模型获取目标供应商经营风险指数r1;
S106:根据所述目标供应商经营风险指数r1、所述目标供应商人事风险级别、所述自然灾害风险级别和所述政策风险级别得到所述目标供应商风险指数R;
S107:根据所述目标供应商风险指数R进行报警分析及处理。
可选的,目标供应商可以为待进行风险预测的供应商。
本发明通过获取各类风险数据,并根据目标供应商经营风险数据、目标供应商人事风险级别、自然灾害风险级别和政策风险级别对目标供应商进行风险预测,充分考虑了多种能对目标供应商风险产生影响的因素,实现了全面对目标供应商的风险预测,基于目标供应商数据、上游供应商数据和下游供应商数据建立图数据模型,解决目标供应商之间相关性被隐藏的技术问题,计算每个所述节点的风险值,根据所述风险值进行风险节点和非风险节点的标记和处理,并根据所述风险节点进行风险数据挖掘,实时对节点进行风险判断,仅对风险节点进行数据挖掘,实现了快速进行风险挖掘的技术效果,获取挖掘出的新节点的风险值,重复风险判断及挖掘的操作直到达到第一预设标准,设置迭代挖掘条件,降低了风险挖掘成本,根据所述目标图数据模型获取目标供应商经营风险指数r1;根据所述目标供应商经营风险指数r1、所述目标供应商人事风险级别、所述自然灾害风险级别和所述政策风险级别得到所述目标供应商风险指数R;根据所述目标供应商风险指数R进行报警分析及处理,根据不同风险等级使用不同报警方式,实现了个性化风险报警。
具体而言,获取各类风险数据之后,还包括:
当检测到所述风险数据存在缺失时,对所述风险数据的缺失部分进行补充;
当检测到所述风险数据存在错误时,对所述风险数据的错误部分进行删除和/或删除。
具体而言,基于所述目标供应商经营风险数据建立图数据模型包括:
将所述目标供应商、上游供应商和下游供应商存储为节点,所述节点属性包括风险和非风险;
将所述目标供应商、所述上游供应商和所述下游供应商间的关系存储为边;其中,所述边的长度L和所述边连接的两个所述节点的风险值之和成反比。
本发明将所述目标供应商、上游供应商和下游供应商存储为节点,所述节点属性包括风险和非风险;实时获取了每个节点的风险属性,有利于模型进行有效的风险挖掘,将所述目标供应商、所述上游供应商和所述下游供应商间的关系存储为边;其中,所述边的长度L和所述边连接的两个所述节点的风险值之和成反比,能增加高风险节点的紧密性中心性,有利于图数据风险图谱直观展示。
具体而言,计算每个所述节点的风险值包括:
当所述节点为所述目标供应商时,判断财务数据是否存在异常;若存在异常,所述目标供应商风险值Rf=1;若不存在异常,所述目标供应商风险值Rf=0.5;
当所述节点为所述上游供应商时,所述上游供应商风险值Ru=0.4×D+0.4×Q+0.2×S,其中,D为交货准时性,Q为货品合格率,S为服务满意度;
当所述节点为所述下游供应商时,所述下游供应商风险值Rd=0.5×P+0.5×(1-B),其中,P为付款准时率,B为违约率。
本发明当所述节点为所述目标供应商时,判断财务数据是否存在异常;若存在异常,所述目标供应商风险值Rf=1;若不存在异常,所述目标供应商风险值Rf=0.5;当所述节点为所述上游供应商时,所述上游供应商风险值Ru=0.4×D+0.4×Q+0.2×S,其中,D为交货准时性,Q为货品合格率,S为服务满意度;当所述节点为所述下游供应商时,所述下游供应商风险值Rd=0.5×P+0.5×(1-B),其中,P为付款准时率,B为违约率,针对每个节点不同身份设置风险值计算方式,当所述节点为所述目标供应商时,根据财务数据判断节点是否存在异常,当所述节点为上游供应商时,根据交货准时性、货品合格率和服务满意度判断节点是否存在异常,当所述节点为下游节点时,根据付款准时率和违约率判断节点是否存在异常,实现了更加细致、有针对性的对图数据模型节点的风险属性判断,实现了准确进行目标供应商风险预测的技术效果。
具体而言,根据所述风险值进行风险节点和非风险节点的标记和处理包括:
当所述目标供应商风险值Rf=1,判定所述目标供应商的风险属性为风险,并将所述目标供应商标记为所述风险节点;所述目标供应商风险值Rf=0.5,判定所述目标供应商风险属性为非风险节点,且不对所述目标供应商进行标记;
当所述上游供应商风险值Ru<0.9,判定所述上游供应商的风险属性为风险,并将所述上游供应商标记为风险节点;当所述上游供应商风险值0.9≤Ru,判定所述上游供应商的风险属性为非风险,对所述上游供应商进行剪枝处理;
当所述下游供应商风险值Rd<0.8,判定所述下游供应商的风险属性为风险,并将所述下游供应商标记为风险节点;当所述下游供应商风险值0.8≤Rd,判定所述下游供应商的风险属性为非风险,对所述下游供应商进行剪枝处理。
本发明当所述目标供应商风险值Rf=1,判定所述目标供应商的风险属性为风险,并将所述目标供应商标记为所述风险节点;所述目标供应商风险值Rf=0.5,判定所述目标供应商风险属性为非风险节点,且不对所述目标供应商进行标记;当所述上游供应商风险值Ru<0.9,判定所述上游供应商的风险属性为风险,并将所述上游供应商标记为风险节点;当所述上游供应商风险值0.9≤Ru,判定所述上游供应商的风险属性为非风险,对所述上游供应商进行剪枝处理;当所述下游供应商风险值Rd<0.8,判定所述下游供应商的风险属性为风险,并将所述下游供应商标记为风险节点;当所述下游供应商风险值0.8≤Rd,判定所述下游供应商的风险属性为非风险,对所述下游供应商进行剪枝处理,根据上下游供应商的不同特性针对性设置风险阈值,实现了准确进行目标供应商风险预测的技术效果。
具体而言,根据所述风险节点进行风险数据挖掘包括:
获取风险节点相邻全部边的长度集合L(l1、l2...li),其中,li代表所述风险节点的第i条边的长度,将li和第一预设长度L1、第二预设长度L2进行对比;
当li<L1时,优先对所述风险节点进行风险数据挖掘,以获取新节点;
当l1≤li<L2时,对所述风险节点进行风险数据挖掘,以获取新节点;
当li≥L2时,不对所述风险节点进行风险数据挖掘。
可选的,新节点可以包括除当前图数据模型之外其它的上游供应商或下游供应商;
具体的,可以根据节点间的供应链关系进行风险数据挖掘。
本发明获取风险节点相邻全部边的长度集合L(l1、l2...li),其中,li代表所述风险节点的第i条边的长度,将li和第一预设长度L1、第二预设长度L2进行对比;当li<L1时,优先对所述风险节点进行风险数据挖掘,以获取新节点;当l1≤li<L2时,对所述风险节点进行风险数据挖掘,以获取新节点;当li≥L2时,仅对所述风险节点进行风险数据挖掘,且优先对步长更短、风险更高的节点进行挖掘,实现了快速有效进行风险数据挖掘的技术效果。
具体而言,获取挖掘出的所述新节点的风险值,包括:
计算所述新节点的风险值;
对与所述新节点相邻的所述风险节点的风险值进行判断;
当与所述新节点相邻的所述风险节点存在所述目标供应商时,判断所述目标供应商风险值Rf;
当Rf=1时,根据第一修正系数α1对所述新节点的风险值进行修正;
当与所述新节点相邻的所述风险节点存在所述上游供应商时,判断所述上游供应商风险值Ru;
当Ru≥0.95时,根据第二修正系数α2对所述新节点的风险值进行修正;
当与所述新节点相邻的所述风险节点存在所述下游供应商时,判断所述下游供应商风险值Rd;
当Rd≥0.9时,根据第三修正系数α3对所述新节点的风险值进行修正。
本发明计算所述新节点的风险值;对与所述新节点相邻的所述风险节点的风险值进行判断;当与所述新节点相邻的所述风险节点存在所述目标供应商时,判断所述目标供应商风险值Rf;当Rf=1时,根据第一修正系数α1对所述新节点的风险值进行修正;当与所述新节点相邻的所述风险节点存在所述上游供应商时,判断所述上游供应商风险值Ru;当Ru≥0.95时,根据第二修正系数α2对所述新节点的风险值进行修正;当与所述新节点相邻的所述风险节点存在所述下游供应商时,判断所述下游供应商风险值Rd;当Rd≥0.9时,根据第三修正系数α3对所述新节点的风险值进行修正,充分考虑了风险节点会对附近节点造成影响的情况,实现了准确进行目标供应商风险预测的技术效果。
具体而言,重复风险判断及挖掘的操作直到达到第一预设标准包括:
根据所述新节点的风险值进行新风险节点和新非风险节点的标记和处理,并根据所述新风险节点进行风险数据挖掘,直到达到第一预设标准,以得到目标图数据模型;
所述第一预设标准包括:将任一所述风险节点的挖掘步数S和第一预设挖掘步数S1进行对比;
当S1≤S时,终止所述风险节点的数据挖掘,以得到目标图数据模型;或者
当任一所述风险节点无法继续挖掘出新风险节点时,终止所述风险节点的数据挖掘,以得到目标图数据模型。
本发明根据所述新节点的风险值进行新风险节点和新非风险节点的标记和处理,并根据所述新风险节点进行风险数据挖掘,直到达到第一预设标准,以得到目标图数据模型;所述第一预设标准包括:将任一所述风险节点的挖掘步数S和第一预设挖掘步数S1进行对比;当S1≤S时,终止所述风险节点的数据挖掘,或者当任一所述风险节点无法继续挖掘出新风险节点时,终止所述风险节点的数据挖掘。根据节点挖掘步长设置迭代挖掘截止条件,实现了准确进行目标供应商风险预测的技术效果。
具体而言,根据所述目标图数据模型获取目标供应商经营风险指数r1包括:
获取所述目标供应商的风险指标;其中,所述风险指标包括:度中心性数值l、紧密性中心性数值c、中介中心性数值i和特征向量中心性数值e;
将所述目标供应商的风险指标和预设风险指标进行对比;其中,所述预设风险指标包括:预设中心性数值l1、预设紧密性中心性数值c1、预设中介中心性数值i1和预设特征向量中心性数值e1;
获取符合第二预设标准的风险指标个数,以得到所述目标供应商经营风险指数r1,所述风险指标个数和所述目标供应商经营风险指数r1相对应;其中,所述第二预设标准包括:l1≤l、c1≤c、i1≤i、e1≤e。
本发明获取所述目标供应商的风险指标;其中,所述风险指标包括:度中心性数值l、紧密性中心性数值c、中介中心性数值i和特征向量中心性数值e;将所述目标供应商的风险指标和预设风险指标进行对比;其中,所述预设风险指标包括:预设中心性数值l1、预设紧密性中心性数值c1、预设中介中心性数值i1和预设特征向量中心性数值e1;获取符合第二预设标准的风险指标个数,以得到所述目标供应商经营风险指数r1,所述风险指标个数和所述目标供应商经营风险指数r1相对应;其中,所述第二预设标准包括:l1≤l、c1≤c、i1≤i、e1≤e,充分借助了图数据模型的优势,实现了准确进行目标供应商风险预测的技术效果。
具体而言,根据所述目标供应商经营风险指数r1、所述目标供应商人事风险级别、所述自然灾害风险级别和所述政策风险级别得到所述目标供应商风险指数R包括:
根据所述目标供应商人事风险级别、所述自然灾害风险级别和所述政策风险级别获取目标供应商人事风险指数r2、自然灾害风险指数r3和政策风险指数r4;其中,风险级别分为四个等级,每个所述等级和风险指数相对应;
所述目标供应商风险指数R=α×r1+β×r2+γ×r3+ε×r4,其中,α>ε>γ>β,α为目标供应商经营风险权重,β为目标供应商人事风险权重,γ为自然灾害风险权重,ε为政策风险权重。
本发明根据所述目标供应商经营风险指数r1、所述目标供应商人事风险级别、所述自然灾害风险级别和所述政策风险级别得到所述目标供应商风险指数R包括:根据所述目标供应商人事风险级别、所述自然灾害风险级别和所述政策风险级别获取目标供应商人事风险指数r2、自然灾害风险指数r3和政策风险指数r4;其中,风险级别分为四个等级,每个所述等级和风险指数相对应;所述目标供应商风险指数R=α×r1+β×r2+γ×r3+ε×r4,其中,α>ε>γ>β,α为目标供应商经营风险权重,β为目标供应商人事风险权重,γ为自然灾害风险权重,ε为政策风险权重,考虑了多种能对目标供应商风险产生影响的因素,实现了全面对目标供应商的风险预测,达到了准确进行目标供应商风险预测的技术效果。
具体而言,根据所述目标供应商风险指数R进行报警分析及处理包括:
将所述目标供应商风险指数R和第一预设目标供应商风险指数R1、第二预设目标供应商风险指数R2进行对比;
当R<R1时,所述目标供应商风险等级为三级;
当R1≤R<R2时,所述目标供应商风险等级为二级,展示所述目标图数据模型的图片;
当R2≤R时,所述目标供应商风险等级为二级,展示所述目标图数据模型的图片且进行报警操作;其中,所述报警操作包括蜂鸣器报警和/或闪光灯报警。
请参阅图2所示,其为本发明实施例提供的基于图数据算法的目标供应商风险预测装置的结构示意图,基于图数据算法的目标供应商风险预测装置包括:目标供应商风险预测模块201、图数据模型建立模块202、风险属性确定模块203、风险数据挖掘模块204、经营风险指数获取模块205、目标供应商风险指数获取模块206和报警模块207;
所述目标供应商风险预测模块201,用于获取各类风险数据,并根据所述风险数据对目标供应商进行风险预测,所述风险数据包括目标供应商经营风险数据、目标供应商人事风险级别、自然灾害风险级别和政策风险级别;
所述图数据模型建立模块202,用于基于所述目标供应商经营风险数据建立图数据模型,所述目标供应商经营风险数据包括目标供应商数据、上游供应商数据和下游供应商数据;
所述风险属性确定模块203,用于计算每个节点的风险值,根据所述风险值进行风险节点和非风险节点的标记和处理,并根据所述风险节点进行风险数据挖掘;
所述风险数据挖掘模块204,用于获取挖掘出的新节点的风险值,重复风险判断及挖掘的操作直到达到第一预设标准,以得到目标图数据模型;
所述经营风险指数获取模块205,用于根据所述目标图数据模型获取目标供应商经营风险指数r1;
所述目标供应商风险指数获取模块206,用于根据所述目标供应商经营风险指数r1、所述目标供应商人事风险级别、所述自然灾害风险级别和所述政策风险级别得到所述目标供应商风险指数R;
所述报警模块207,用于根据所述目标供应商风险指数R进行报警分析及处理。
进一步的,所述图数据模型建立模块202包括实体存储单元和关系存储单元;
所述实体存储单元,用于将所述目标供应商、上游供应商和下游供应商存储为节点,所述节点属性包括风险和非风险;
所述关系存储单元,用于将所述目标供应商、所述上游供应商和所述下游供应商间的关系存储为边;其中,所述边的长度L和所述边连接的两个所述节点的风险值之和成反比。
进一步的,所述风险属性确定模块203包括风险值计算单元、风险值标记单元和风险节点挖掘单元;
所述风险值计算单元,用于当所述节点为所述目标供应商时,判断财务数据是否存在异常;若存在异常,所述目标供应商风险值Rf=1;若不存在异常,所述目标供应商风险值Rf=0.5;
当所述节点为所述上游供应商时,所述上游供应商风险值Ru=0.4×D+0.4×Q+0.2×S,其中,D为交货准时性,Q为货品合格率,S为服务满意度;
当所述节点为所述下游供应商时,所述下游供应商风险值Rd=0.5×P+0.5×(1-B),其中,P为付款准时率,B为违约率。
所述风险值标记单元,用于当所述目标供应商风险值Rf=1,判定所述目标供应商的风险属性为风险,并将所述目标供应商标记为所述风险节点;所述目标供应商风险值Rf=0.5,判定所述目标供应商风险属性为非风险节点,且不对所述目标供应商进行标记;
当所述上游供应商风险值Ru<0.9,判定所述上游供应商的风险属性为风险,并将所述上游供应商标记为风险节点;当所述上游供应商风险值0.9≤Ru,判定所述上游供应商的风险属性为非风险,对所述上游供应商进行剪枝处理;
当所述下游供应商风险值Rd<0.8,判定所述下游供应商的风险属性为风险,并将所述下游供应商标记为风险节点;当所述下游供应商风险值0.8≤Rd,判定所述下游供应商的风险属性为非风险,对所述下游供应商进行剪枝处理。
所述风险节点挖掘单元,用于获取风险节点相邻全部边的长度集合L(l1、l2...li),其中,li代表所述风险节点的第i条边的长度,将li和第一预设长度L1、第二预设长度L2进行对比;
当li<L1时,优先对所述风险节点进行风险数据挖掘,以获取新节点;
当l1≤li<L2时,对所述风险节点进行风险数据挖掘,以获取新节点;
当li≤L2时,不对所述风险节点进行风险数据挖掘。
进一步的,所述风险数据挖掘模块204包括风险值获取单元,迭代操作单元;
所述风险值获取单元,用于计算所述新节点的风险值;
对与所述新节点相邻的所述风险节点的风险值进行判断;
当与所述新节点相邻的所述风险节点存在所述目标供应商时,判断所述目标供应商风险值Rf;
当Rf=1时,根据第一修正系数α1对所述新节点的风险值进行修正;
当与所述新节点相邻的所述风险节点存在所述上游供应商时,判断所述上游供应商风险值Ru;
当Ru≥0.95时,根据第二修正系数α2对所述新节点的风险值进行修正;
当与所述新节点相邻的所述风险节点存在所述下游供应商时,判断所述下游供应商风险值Rd;
当Rd≥0.9时,根据第三修正系数α3对所述新节点的风险值进行修正。
所述迭代操作单元,用于根据所述新节点的风险值进行新风险节点和新非风险节点的标记和处理,并根据所述新风险节点进行风险数据挖掘,直到达到第一预设标准,以得到目标图数据模型;
所述第一预设标准包括:将任一所述风险节点的挖掘步数S和第一预设挖掘步数S1进行对比;
当S1≤S时,终止所述风险节点的数据挖掘,以得到目标图数据模型;或者
当任一所述风险节点无法继续挖掘出新风险节点时,终止所述风险节点的数据挖掘,以得到目标图数据模型。
进一步的,所述经营风险指数获取模块205包括风险指标获取单元、风险指标对比单元、风险指数计算单元;
所述风险指标获取单元,用于获取所述目标供应商的风险指标;其中,所述风险指标包括:度中心性数值l、紧密性中心性数值c、中介中心性数值i和特征向量中心性数值e;
所述风险指标对比单元,用于将所述目标供应商的风险指标和预设风险指标进行对比;其中,所述预设风险指标包括:预设中心性数值l1、预设紧密性中心性数值c1、预设中介中心性数值i1和预设特征向量中心性数值e1;
所述风险指数计算单元,用于获取符合第二预设标准的风险指标个数,以得到所述目标供应商经营风险指数r1,所述风险指标个数和所述目标供应商经营风险指数r1相对应;其中,所述第二预设标准包括:l1≤l、c1≤c、i1≤i、e1≤e。
进一步的,所述目标供应商风险指数获取模块206包括目标供应商风险指数获取单元;
所述目标供应商风险指数获取单元,用于根据所述目标供应商人事风险级别、所述自然灾害风险级别和所述政策风险级别获取目标供应商人事风险指数r2、自然灾害风险指数r3和政策风险指数r4;其中,风险级别分为四个等级,每个所述等级和风险指数相对应;
所述目标供应商风险指数R=α×r1+β×r2+γ×r3+ε×r4,其中,α>ε>γ>β,α为目标供应商经营风险权重,β为目标供应商人事风险权重,γ为自然灾害风险权重,ε为政策风险权重。
值得注意的是,上述基于图数据算法的目标供应商风险预测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于图数据算法的目标供应商风险预测方法,其特征在于,包括:
获取各类风险数据,并根据所述风险数据对目标供应商进行风险预测,所述风险数据包括目标供应商经营风险数据、目标供应商人事风险级别、自然灾害风险级别和政策风险级别;
基于所述目标供应商经营风险数据建立图数据模型,所述目标供应商经营风险数据包括目标供应商数据、上游供应商数据和下游供应商数据;
计算每个节点的风险值,根据所述风险值进行风险节点和非风险节点的标记和处理,并根据所述风险节点进行风险数据挖掘;
获取挖掘出的新节点的风险值,重复风险判断及挖掘的操作直到达到第一预设标准,以得到目标图数据模型;
根据所述目标图数据模型获取目标供应商经营风险指数r1;
根据所述目标供应商经营风险指数r1、所述目标供应商人事风险级别、所述自然灾害风险级别和所述政策风险级别得到所述目标供应商风险指数R;
根据所述目标供应商风险指数R进行报警分析及处理;
基于所述目标供应商经营风险数据建立图数据模型包括:
将所述目标供应商、上游供应商和下游供应商存储为节点,所述节点属性包括风险和非风险;
将所述目标供应商、所述上游供应商和所述下游供应商间的关系存储为边,所述边的长度L和所述边连接的两个所述节点的风险值之和成反比;
计算每个节点的风险值包括:
当节点为所述目标供应商时,判断财务数据是否存在异常,若存在异常,所述目标供应商风险值Rf=1,若不存在异常,所述目标供应商风险值Rf=0.5;
当节点为所述上游供应商时,所述上游供应商风险值Ru=0.4×D+0.4×Q+0.2×S,其中,D为交货准时性,Q为货品合格率,S为服务满意度;
当节点为所述下游供应商时,所述下游供应商风险值Rd=0.5×P+0.5×(1-B),其中,P为付款准时率,B为违约率;
根据所述风险值进行风险节点和非风险节点的标记和处理包括:
当所述目标供应商风险值Rf=1,判定所述目标供应商的风险属性为风险,并将所述目标供应商标记为所述风险节点,所述目标供应商风险值Rf=0.5,判定所述目标供应商风险属性为非风险节点,且不对所述目标供应商进行标记;
当所述上游供应商风险值Ru<0.9,判定所述上游供应商的风险属性为风险,并将所述上游供应商标记为风险节点,当所述上游供应商风险值0.9≤Ru,判定所述上游供应商的风险属性为非风险,对所述上游供应商进行剪枝处理;
当所述下游供应商风险值Rd<0.8,判定所述下游供应商的风险属性为风险,并将所述下游供应商标记为风险节点,当所述下游供应商风险值0.8≤Rd,判定所述下游供应商的风险属性为非风险,对所述下游供应商进行剪枝处理;
根据所述风险节点进行风险数据挖掘包括:
获取风险节点相邻全部边的长度集合L(l1、l2...li),其中,li代表所述风险节点的第i条边的长度,将li和第一预设长度L1、第二预设长度L2进行对比;
若li<L1,则优先对所述风险节点进行风险数据挖掘,以获取新节点;
若l1≤li<L2,则对所述风险节点进行风险数据挖掘,以获取新节点;
若li≥L2,则不对所述风险节点进行风险数据挖掘;
获取挖掘出的所述新节点的风险值,包括:
计算所述新节点的风险值;
对与所述新节点相邻的所述风险节点的风险值进行判断;
当与所述新节点相邻的所述风险节点存在所述目标供应商时,判断所述目标供应商风险值Rf;
当Rf=1时,根据第一修正系数α1对所述新节点的风险值进行修正;
当与所述新节点相邻的所述风险节点存在所述上游供应商时,判断所述上游供应商风险值Ru;
当Ru≥0.95时,根据第二修正系数α2对所述新节点的风险值进行修正;
当与所述新节点相邻的所述风险节点存在所述下游供应商时,判断所述下游供应商风险值Rd;
当Rd≥0.9时,根据第三修正系数α3对所述新节点的风险值进行修正;
重复风险判断及挖掘的操作直到达到第一预设标准包括:
根据所述新节点的风险值进行新风险节点和新非风险节点的标记和处理,并根据所述新风险节点进行风险数据挖掘,直到达到第一预设标准,以得到目标图数据模型;
所述第一预设标准为将任一所述风险节点的挖掘步数S和第一预设挖掘步数S1进行对比;
当S1≤S时,终止所述风险节点的数据挖掘,以得到目标图数据模型;或者
当任一所述风险节点无法继续挖掘出新风险节点时,终止所述风险节点的数据挖掘,以得到目标图数据模型;
根据所述目标图数据模型获取目标供应商经营风险指数r1包括:
获取所述目标供应商的风险指标,所述风险指标包括度中心性数值l、紧密性中心性数值c、中介中心性数值i和特征向量中心性数值e;
将所述目标供应商的风险指标和预设风险指标进行对比,所述预设风险指标包括预设中心性数值l1、预设紧密性中心性数值c1、预设中介中心性数值i1和预设特征向量中心性数值e1;
获取符合第二预设标准的风险指标个数,以得到所述目标供应商经营风险指数r1,所述风险指标个数和所述目标供应商经营风险指数r1相对应,所述第二预设标准包括l1≤l、c1≤c、i1≤i、e1≤e。
2.根据权利要求1所述的基于图数据算法的目标供应商风险预测方法,其特征在于,根据所述目标供应商经营风险指数r1、所述目标供应商人事风险级别、所述自然灾害风险级别和所述政策风险级别得到所述目标供应商风险指数R包括:
根据所述目标供应商人事风险级别、所述自然灾害风险级别和所述政策风险级别获取目标供应商人事风险指数r2、自然灾害风险指数r3和政策风险指数r4,其中,风险级别分为四个等级,每个所述等级和风险指数相对应;
所述目标供应商风险指数R=α×r1+β×r2+γ×r3+ε×r4,其中,α>ε>γ>β,α为目标供应商经营风险权重,β为目标供应商人事风险权重,γ为自然灾害风险权重,ε为政策风险权重。
3.一种基于图数据算法的目标供应商风险预测装置,应用权利要求1或2所述的基于图数据算法的目标供应商风险预测方法,其特征在于,包括:
目标供应商风险预测模块,用于获取各类风险数据,并根据所述风险数据对目标供应商进行风险预测,所述风险数据包括目标供应商经营风险数据、目标供应商人事风险级别、自然灾害风险级别和政策风险级别;
图数据模型建立模块,用于基于所述目标供应商经营风险数据建立图数据模型,所述目标供应商经营风险数据包括目标供应商数据、上游供应商数据和下游供应商数据;
风险属性确定模块,用于计算每个节点的风险值,根据所述风险值进行风险节点和非风险节点的标记和处理,并根据所述风险节点进行风险数据挖掘;
风险数据挖掘模块,用于获取挖掘出的新节点的风险值,重复风险判断及挖掘的操作直到达到第一预设标准,以得到目标图数据模型;
经营风险指数获取模块,用于根据所述目标图数据模型获取目标供应商经营风险指数r1;
目标供应商风险指数获取模块,用于根据所述目标供应商经营风险指数r1、所述目标供应商人事风险级别、所述自然灾害风险级别和所述政策风险级别得到所述目标供应商风险指数R;
报警模块,用于根据所述目标供应商风险指数R进行报警分析及处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211714167.5A CN115689066B (zh) | 2022-12-30 | 2022-12-30 | 基于图数据算法的目标供应商风险预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211714167.5A CN115689066B (zh) | 2022-12-30 | 2022-12-30 | 基于图数据算法的目标供应商风险预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115689066A CN115689066A (zh) | 2023-02-03 |
CN115689066B true CN115689066B (zh) | 2023-04-28 |
Family
ID=85056881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211714167.5A Active CN115689066B (zh) | 2022-12-30 | 2022-12-30 | 基于图数据算法的目标供应商风险预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115689066B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273861B (zh) * | 2023-10-12 | 2024-06-11 | 深圳小美网络科技有限公司 | 一种销售订单管理方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021189729A1 (zh) * | 2020-03-27 | 2021-09-30 | 深圳壹账通智能科技有限公司 | 复杂关系网络的信息分析方法、装置、设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10803414B2 (en) * | 2016-05-25 | 2020-10-13 | Dassault Systemes Americas Corp. | Risk identification in supply chain |
CN108809946B (zh) * | 2018-05-18 | 2021-02-09 | 哈尔滨工业大学深圳研究生院 | 基于节点影响力的车载网恶意软件传播抑制 |
CN110135890A (zh) * | 2019-04-15 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 基于知识关系挖掘的产品数据推送方法及相关设备 |
CN113515672A (zh) * | 2020-12-31 | 2021-10-19 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、计算机可读介质及电子设备 |
CN114202223A (zh) * | 2021-12-16 | 2022-03-18 | 深圳前海微众银行股份有限公司 | 企业信用风险评分方法、装置、设备及存储介质 |
-
2022
- 2022-12-30 CN CN202211714167.5A patent/CN115689066B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021189729A1 (zh) * | 2020-03-27 | 2021-09-30 | 深圳壹账通智能科技有限公司 | 复杂关系网络的信息分析方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115689066A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20130041705A1 (en) | Distribution network maintenance planning | |
US20110270853A1 (en) | Dynamic Storage and Retrieval of Process Graphs | |
CN111210326A (zh) | 一种用于构建用户画像的方法及系统 | |
CN115689066B (zh) | 基于图数据算法的目标供应商风险预测方法及装置 | |
US20210350337A1 (en) | Systems and methods for managing populations of utility poles | |
US20100042571A1 (en) | Methods, Systems, and Computer-Readable Media for Facility Integrity Testing | |
CN116223975A (zh) | 电缆故障点定位方法、装置、计算机设备和存储介质 | |
US20150178751A1 (en) | Fuel price data generation | |
CN104850797B (zh) | 设备安全管理方法及装置 | |
Hassan et al. | Vulnerability of road transportation networks under natural hazards: A bibliometric analysis and review | |
CN110889755A (zh) | 用于无形资产全生命周期的数据存储监测系统及方法 | |
CN110225541A (zh) | 基站站点物理信息管理方法、系统、计算机及可存储介质 | |
Stürmer et al. | Increasing the resilience of the Texas power grid against extreme storms by hardening critical lines | |
CN116305498B (zh) | 隧道数字孪生建模指标判断网络模型构建方法、分析方法 | |
Wisetjindawat et al. | Analysing impacts of natural disasters on logistics activities: flood risks and petroleum fuels in Queensland, Australia | |
Kang et al. | Computer‐Aided Analysis of Flow in Water Pipe Networks after a Seismic Event | |
CN115951170A (zh) | 输电线路故障监测方法、装置、计算机设备和存储介质 | |
US11574283B2 (en) | Updating asset ownership systems and methods | |
CN113011664B (zh) | 物流时效监控方法、装置、电子设备及存储介质 | |
Castiñeira et al. | A new approach for fast evaluations of large portfolios of oil and gas fields | |
US8195170B2 (en) | Project planning database for prospective wireless networking sites | |
CN110457367B (zh) | 发现数据异动的方法和系统 | |
Rui et al. | Inaccuracy in pipeline compressor station construction cost estimation | |
Jafari et al. | Resilience-Based Optimal Seismic Retrofit and Recovery Strategies of Bridge Networks under Mainshock–Aftershock Sequences | |
WO2020150648A1 (en) | Systems and methods for providing an interactive visualization of an enterprise it environment |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |