CN115827934B - 基于统一社会信用代码的企业画像智能分析系统及方法 - Google Patents
基于统一社会信用代码的企业画像智能分析系统及方法 Download PDFInfo
- Publication number
- CN115827934B CN115827934B CN202310141187.6A CN202310141187A CN115827934B CN 115827934 B CN115827934 B CN 115827934B CN 202310141187 A CN202310141187 A CN 202310141187A CN 115827934 B CN115827934 B CN 115827934B
- Authority
- CN
- China
- Prior art keywords
- enterprise
- data
- intelligent analysis
- portrayed
- subjective
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000006399 behavior Effects 0.000 claims description 103
- 238000013500 data storage Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000010191 image analysis Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010223 real-time analysis Methods 0.000 claims description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004873 anchoring Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于统一社会信用代码的企业画像智能分析系统及方法，解决的是效率低、复杂、准确度不高的技术问题，通过采用分布并联设置的主观数据采集处理单元和客观数据采集处理单元，主观数据采集处理单元和客观数据采集处理单元均连接到企业画像数据存储单元，企业画像数据存储单元连接云数据存储单元和企业画像智能分析单元，企业画像智能分析单元连接企业画像输出单元的技术方案，较好的解决了该问题，可用于企业画像智能分析中。
Description
技术领域
本发明涉及企业智能化管理领域，具体涉及一种基于统一社会信用代码的企业画像智能分析系统及方法。
背景技术
企业画像又称企业角色，作为一种勾画目标企业、联系企业诉求与设计方向的有效工具，企业画像在各领域得到了广泛的应用。我们在实际操作的过程中往往会以最为浅显和贴近生活的话语将企业的属性、行为与期待的数据转化联结起来。作为实际企业的虚拟代表，企业画像所形成的企业角色并不是脱离产品和市场之外所构建出来的，形成的企业角色需要有代表性，能代表产品的主要受众和目标群体。
现有的企业画像智能分析系统及方法存在效率低、复杂、准确度不高的技术问题。本发明提供一种基于统一社会信用代码的企业画像智能分析系统及方法，用以解决上述技术问题。
发明内容
本发明所要解决的技术问题是现有技术中存在的效率低、复杂、准确度不高的技术问题。提供一种新的基于统一社会信用代码的企业画像智能分析系统及方法，该基于统一社会信用代码的企业画像智能分析系统及方法具有效率高、简单、准确度高的特点。
为解决上述技术问题，采用的技术方案如下：
一种基于统一社会信用代码的企业画像智能分析系统，所述基于统一社会信用代码的企业画像智能分析系统包括：
分布并联设置的主观数据采集处理单元和客观数据采集处理单元，主观数据采集处理单元和客观数据采集处理单元均连接到企业画像数据存储单元，企业画像数据存储单元连接云数据存储单元和企业画像智能分析单元，企业画像智能分析单元连接企业画像输出单元；
客观数据采集处理单元包括数据预处理单元，身份特征关联单元；
数据预处理子单元用于预处理处理根据作为企业身份标识特征的统一社会信用代码，采集的与企业身份标识相关的身份数据；身份数据包括企业名称、法定代表人、企业成员；客观数据采集处理单元还用于采集处理与企业身份标识特征关联的企业客观数据，企业客观数据包括注册资本、成立时间、注册地址、经营范围；
主观数据采集处理单元用于采集企业自主主观行为数据，所述企业自主主观行为数据为企业自主行为产生的主观行为数据，其中包括自我主观行为数据和非我主观行为数据；
企业画像数据存储单元，包数据分类子单元依据数据存储子单元，分类子单元用于将企业客观数据，企业自主主观行为数据中的自我主观行为数据和非我主观行为数据进行分类；数据存储子单元用于根据分类结果分开存储数据；
企业画像智能分析单元包括企业分类归集子单元、二级数据集、一级数据集、企业画像智能分析算法模型以及组合加权子单元；
企业分类归集子单元用于调用待画像企业的企业客观数据，在企业画像历史库中进行企业分类归集；
二级数据库存储的是初级企业画像智能分析结果，包括与待画像企业同类企业的历史画像智能分析结果，和企业画像智能分析算法模型的实时分析结果；
企业画像智能分析算法模型中，与待画像企业关联的企业产生的非我主观行为数据、待画像企业的企业自主主观行为数据作为收入，输出为企业画像智能分析实时结果；
组合加权子单元用于将二级数据库的初级企业画像智能分析结果进行加权计算，得出最终的企业画像智能分析结果。
本发明的工作原理：本发明将用于企业画像的数据分为客观数据和主观行为数据，将客观数据分为身份数据和其他客观数据。身份数据包括企业统一社会信用代码，在对企业统一社会信用代码进行数据采集时，就内部解析，判断该企业的登记部门、企业类型、行政区域、以及身份标识码。同时，接受企业关于其他能够锚定企业身份的数据，比如企业成员、企业名称、企业简称等。在此，将企业身份数据统一虚化为一个虚拟的身份标签。
同时，为了减少企业画像的数据传输失密和数据传输的网络开销，本发明将采用边缘计算存储、云服务计算存储的架构结合。将企业画像数据存储单元设置在企业端，利用企业本身的存储设备和数据库。在云服务器端，设置了云存储器用作企业画像的历史画像结果存储，以及当前画像的数据调用，在画像结束后，可以按照倒序将接收时间靠前的数据丢弃，减少存储压力。
本发明对于企业行为数据进行分类，分为自我主观行为数据和非我主观行为数据，在企业被定义为待画像企业时，云服务器可以调用全部数据。但在企业被定性为配合其他企业进行企业画像时，仅需要被调用涉他数据即可。
本发明在企业画像历史库中进行企业分类归集，并在企业分类归集的基础上，将同类企业的历史画像智能分析结果作为二级数据集；调用待画像企业的企业自主主观行为数据，以及与待画像企业关联的其他企业产生的非我主观行为数据组成数据集，根据企业画像智能分析模型，对待画像企业进行企业画像智能分析，得到企业画像智能分析实时结果，将企业画像智能分析实时结果加入二级数据集，根据二级数据集做加权计算，得到企业画像智能分析结果，能够提供较高精度的企业画像分析结果。
上述方案中，为优化，进一步地，对待画像企业进行企业画像智能分析，得到企业画像智能分析实时结果，将企业画像智能分析实时结果加入二级数据集，根据二级数据集做加权计算包括：
步骤a，采用m种企业画像智能分析方法，得到m个企业画像智能分析实时结果集合；
步骤b，采用n种加权计算方法得到n个组合分析结果；
步骤c，将n个组合分析结果与m个企业画像智能分析实时结果进行相似度计算，选择相似度最高的组合分析结果作为最优结果，作为企业画像智能分析结果。
优选方案更进一步地提高了企业画像结果的精度，同时为了防止组合加权计算的失真，将采用多种组合，并将组合结果与原始多种画像结果相似率、相似度最高的加权结果作为最优的企业画像结果，用以输出。
进一步地，所述与待画像企业关联的其他企业判定包括：
（1）判定待画像企业与任一其他企业的企业客观数据之间的关联性程度；
（2）判定待画像企业与任一其他企业的企业非我主观行为数据的交集性程度；
（3）综合加权计算待画像企业与任一其他企业相关度；
（4）对相关性程度值进行排序，将相关性程度值排序高于阈值的企业判定为与待画像企业关联。
在判定待画像企业的关联企业时，既要保证广度，又要防止不恰当的广度带来的额外流量消耗和分析效率减低。本发明通过从客观数据和主观数据二重严重的角度出发，既将客观关系存在交叉的企业纳入，又将业务或者是行为数据交叉超过阈值的企业纳入关联企业范畴。兼顾了分析精度和效率。
进一步地，主观数据采集处理单元采集企业自主主观行为数据包括：
（a）采用滑动窗口对企业自主主观行为数据进行采集；定义窗口样本数据点为，计算窗口样本数据点为与其他N-1个窗口样本数据点之间的欧式距离，确定与距离排序值由小到大排序小于预定义阈值的K个点作为其紧邻点；
（b）计算数据点与紧邻点之间的权重；定义函数，，计算出的最小值作为最优权值矩阵W；其中，表示第j个数据点对重构第个数据点的权值；
；，为奇异矩阵，r为正则化参数，I为一个K×K的单位矩阵；
（c）计算当前窗口样本数据的本征维度dw和历史窗口的临近本征维度之间的差值，差值小于预设的阈值则采用临近本征维度，否则将本征维度dw更新为临近本征维度后，执行步骤（d）；
（d）是的输出向量，通过求解映射函数，将矩阵M最小的个非零特征值所对应的特征向量为，为本征维数；
其中，为损失函数值，矩阵，，，I为m×m的单位矩阵。
企业自主行为数据具有时效性，本发明通过窗口模式对该种数据进行时序采集，并实时处理存储。这种方式能够大大降低数据处理的难度，提高效率。同时将多源异构数据进行降维统一化，满足企业画像的高效需要。
本发明还提供一种基于统一社会信用代码的企业画像智能分析方法，所述方法基于前述系统，方法包括：
步骤一，客观数据采集处理单元采集处理作为企业身份标识特征的统一社会信用代码，并采集与企业身份标识相关的身份数据进行处理，将身份数据与统一社会信用代码进行关联处理后存储在企业画像数据存储单元；
步骤二，主观数据采集处理单元采集企业自主主观行为数据，企业自主主观行为数据是由企业自主行为产生的主观行为数据，其中包括自我主观行为数据和非我主观行为数据；企业画像数据存储单元时，将企业客观数据，企业自主主观行为数据中的自我主观行为数据和非我主观行为数据分类存储；
步骤三，企业画像智能分析单元调用待画像企业的企业客观数据，在企业画像历史库中进行企业分类归集，并在企业分类归集的基础上，将同类企业的历史画像智能分析结果作为二级数据集，存在云数据存储单元；
步骤四，企业画像智能分析单元调用待画像企业的企业自主主观行为数据，以及与待画像企业关联的其他企业产生的非我主观行为数据组成数据集，根据企业画像智能分析模型，对待画像企业进行企业画像智能分析，得到企业画像智能分析实时结果，存在云数据存储单元；将企业画像智能分析实时结果并入二级数据集，对更新后二级数据集做加权计算，得到企业画像智能分析结果。
进一步地，步骤四包括：
步骤a，采用m种企业画像智能分析方法，得到m个企业画像智能分析实时结果集合；
步骤b，采用n种加权计算方法得到n个组合分析结果；
步骤c，将n个组合分析结果与m个企业画像智能分析实时结果进行相似度计算，选择相似度最高的组合分析结果作为最优结果，作为企业画像智能分析结果。
进一步地，与待画像企业关联的其他企业的判定包括：
（1）判定待画像企业与任一其他企业的企业客观数据之间的关联性程度；
（2）判定待画像企业与任一其他企业的企业非我主观行为数据的交集性程度；
（3）综合加权计算待画像企业与任一其他企业相关度；
（4）对相关性程度值进行排序，将相关性程度值排序高于阈值的企业判定为与待画像企业关联。
进一步地，采集企业自主主观行为数据包括：
（a）采用滑动窗口对企业自主主观行为数据进行采集；定义窗口样本数据点为，计算窗口样本数据点为与其他N-1个窗口样本数据点之间的欧式距离，确定与距离排序值由小到大排序小于预定义阈值的K个点作为其紧邻点；
（b）计算数据点与紧邻点之间的权重；定义函数，，计算出的最小值作为最优权值矩阵W；其中，表示第j个数据点对重构第个数据点的权值；
；，为奇异矩阵，r为正则化参数，I为一个K×K的单位矩阵；
（c）计算当前窗口样本数据的本征维度dw和历史窗口的临近本征维度之间的差值，差值小于预设的阈值则采用临近本征维度，否则将本征维度dw更新为临近本征维度后，执行步骤（d）；
（d）是的输出向量，通过求解映射函数，将矩阵M最小的个非零特征值所对应的特征向量为，为本征维数；
其中，为损失函数值，矩阵，，，I为m×m的单位矩阵。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1，基于统一社会信用代码的企业画像智能分析系统框架图。
图2，基于统一社会信用代码的企业画像智能分析方法示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
本实施例提供一种基于统一社会信用代码的企业画像智能分析系统，如图1，所述基于统一社会信用代码的企业画像智能分析系统包括：
分布并联设置的主观数据采集处理单元和客观数据采集处理单元，主观数据采集处理单元和客观数据采集处理单元均连接到企业画像数据存储单元，企业画像数据存储单元连接云数据存储单元和企业画像智能分析单元，企业画像智能分析单元连接企业画像输出单元；
客观数据采集处理单元包括数据预处理单元，身份特征关联单元；
数据预处理子单元用于预处理处理根据作为企业身份标识特征的统一社会信用代码，采集的与企业身份标识相关的身份数据；身份数据包括企业名称、法定代表人、企业成员；客观数据采集处理单元还用于采集处理与企业身份标识特征关联的企业客观数据，企业客观数据包括注册资本、成立时间、注册地址、经营范围；
主观数据采集处理单元用于采集企业自主主观行为数据，所述企业自主主观行为数据为企业自主行为产生的主观行为数据，其中包括自我主观行为数据和非我主观行为数据；
企业画像数据存储单元，包数据分类子单元依据数据存储子单元，分类子单元用于将企业客观数据，企业自主主观行为数据中的自我主观行为数据和非我主观行为数据进行分类；数据存储子单元用于根据分类结果分开存储数据；
企业画像智能分析单元包括企业分类归集子单元、二级数据集、一级数据集、企业画像智能分析算法模型以及组合加权子单元；
企业分类归集子单元用于调用待画像企业的企业客观数据，在企业画像历史库中进行企业分类归集；
二级数据库存储的是初级企业画像智能分析结果，包括与待画像企业同类企业的历史画像智能分析结果，和企业画像智能分析算法模型的实时分析结果；
企业画像智能分析算法模型中，与待画像企业关联的企业产生的非我主观行为数据、待画像企业的企业自主主观行为数据作为收入，输出为企业画像智能分析实时结果；
组合加权子单元用于将二级数据库的初级企业画像智能分析结果进行加权计算，得出最终的企业画像智能分析结果。企业画像输出单元以及其他未详述的模块单元，可采用现有的技术实现。
本实施例的工作原理：本实施例将用于企业画像的数据分为客观数据和主观行为数据，将客观数据分为身份数据和其他客观数据。身份数据包括企业统一社会信用代码，在对企业统一社会信用代码进行数据采集时，就内部解析，判断该企业的登记部门、企业类型、行政区域、以及身份标识码。同时，接受企业关于其他能够锚定企业身份的数据，比如企业成员、企业名称、企业简称等。在此，将企业身份数据统一虚化为一个虚拟的身份标签。
同时，为了减少企业画像的数据传输失密和数据传输的网络开销，本发明将采用边缘计算存储、云服务计算存储的架构结合。将企业画像数据存储单元设置在企业端，利用企业本身的存储设备和数据库。在云服务器端，设置了云存储器用作企业画像的历史画像结果存储，以及当前画像的数据调用，在画像结束后，可以按照倒序将接收时间靠前的数据丢弃，减少存储压力。
本实施例对于企业行为数据进行分类，分为自我主观行为数据和非我主观行为数据，在企业被定义为待画像企业时，云服务器可以调用全部数据。但在企业被定性为配合其他企业进行企业画像时，仅需要被调用涉他数据即可。
本实施例在企业画像历史库中进行企业分类归集，并在企业分类归集的基础上，将同类企业的历史画像智能分析结果作为二级数据集；调用待画像企业的企业自主主观行为数据，以及与待画像企业关联的其他企业产生的非我主观行为数据组成数据集，根据企业画像智能分析模型，对待画像企业进行企业画像智能分析，得到企业画像智能分析实时结果，将企业画像智能分析实时结果加入二级数据集，根据二级数据集做加权计算，得到企业画像智能分析结果，能够提供较高精度的企业画像分析结果。
上述方案中，为优化，进一步地，对待画像企业进行企业画像智能分析，得到企业画像智能分析实时结果，将企业画像智能分析实时结果加入二级数据集，根据二级数据集做加权计算包括：
步骤a，采用m种企业画像智能分析方法，得到m个企业画像智能分析实时结果集合；
步骤b，采用n种加权计算方法得到n个组合分析结果；
步骤c，将n个组合分析结果与m个企业画像智能分析实时结果进行相似度计算，选择相似度最高的组合分析结果作为最优结果，作为企业画像智能分析结果。
优选方案更进一步地提高了企业画像结果的精度，同时为了防止组合加权计算的失真，将采用多种组合，并将组合结果与原始多种画像结果相似率、相似度最高的加权结果作为最优的企业画像结果，用以输出。
进一步地，所述与待画像企业关联的其他企业判定包括：
（1）判定待画像企业与任一其他企业的企业客观数据之间的关联性程度；
（2）判定待画像企业与任一其他企业的企业非我主观行为数据的交集性程度；
（3）综合加权计算待画像企业与任一其他企业相关度；
（4）对相关性程度值进行排序，将相关性程度值排序高于阈值的企业判定为与待画像企业关联。
在判定待画像企业的关联企业时，既要保证广度，又要防止不恰当的广度带来的额外流量消耗和分析效率减低。本发明通过从客观数据和主观数据二重严重的角度出发，既将客观关系存在交叉的企业纳入，又将业务或者是行为数据交叉超过阈值的企业纳入关联企业范畴。兼顾了分析精度和效率。
进一步地，主观数据采集处理单元采集企业自主主观行为数据包括：
（a）采用滑动窗口对企业自主主观行为数据进行采集；定义窗口样本数据点为，计算窗口样本数据点为与其他N-1个窗口样本数据点之间的欧式距离，确定与距离排序值由小到大排序小于预定义阈值的K个点作为其紧邻点；
（b）计算数据点与紧邻点之间的权重；定义函数，，计算出的最小值作为最优权值矩阵W；其中，表示第j个数据点对重构第个数据点的权值；
；，为奇异矩阵，r为正则化参数，I为一个K×K的单位矩阵；
（c）计算当前窗口样本数据的本征维度dw和历史窗口的临近本征维度之间的差值，差值小于预设的阈值则采用临近本征维度，否则将本征维度dw更新为临近本征维度后，执行步骤（d）；
（d）是的输出向量，通过求解映射函数，将矩阵M最小的个非零特征值所对应的特征向量为，为本征维数；
其中，为损失函数值，矩阵，，，I为m×m的单位矩阵。
企业自主行为数据具有时效性，本发明通过窗口模式对该种数据进行时序采集，并实时处理存储。这种方式能够大大降低数据处理的难度，提高效率。同时将多源异构数据进行降维统一化，满足企业画像的高效需要。
本实施例还提供一种基于统一社会信用代码的企业画像智能分析方法，所述方法基于前述系统，如图2所示，方法包括：
步骤一，客观数据采集处理单元采集处理作为企业身份标识特征的统一社会信用代码，并采集与企业身份标识相关的身份数据进行处理，将身份数据与统一社会信用代码进行关联处理后存储在企业画像数据存储单元；
步骤二，主观数据采集处理单元采集企业自主主观行为数据，企业自主主观行为数据是由企业自主行为产生的主观行为数据，其中包括自我主观行为数据和非我主观行为数据；企业画像数据存储单元时，将企业客观数据，企业自主主观行为数据中的自我主观行为数据和非我主观行为数据分类存储；
步骤三，企业画像智能分析单元调用待画像企业的企业客观数据，在企业画像历史库中进行企业分类归集，并在企业分类归集的基础上，将同类企业的历史画像智能分析结果作为二级数据集，存在云数据存储单元；
步骤四，企业画像智能分析单元调用待画像企业的企业自主主观行为数据，以及与待画像企业关联的其他企业产生的非我主观行为数据组成数据集，根据企业画像智能分析模型，对待画像企业进行企业画像智能分析，得到企业画像智能分析实时结果，存在云数据存储单元；将企业画像智能分析实时结果并入二级数据集，对更新后二级数据集做加权计算，得到企业画像智能分析结果。
进一步地，步骤四包括：
步骤a，采用m种企业画像智能分析方法，得到m个企业画像智能分析实时结果集合；
步骤b，采用n种加权计算方法得到n个组合分析结果；
步骤c，将n个组合分析结果与m个企业画像智能分析实时结果进行相似度计算，选择相似度最高的组合分析结果作为最优结果，作为企业画像智能分析结果。
进一步地，与待画像企业关联的其他企业的判定包括：
（1）判定待画像企业与任一其他企业的企业客观数据之间的关联性程度；
（2）判定待画像企业与任一其他企业的企业非我主观行为数据的交集性程度；
（3）综合加权计算待画像企业与任一其他企业相关度；
（4）对相关性程度值进行排序，将相关性程度值排序高于阈值的企业判定为与待画像企业关联。
进一步地，采集企业自主主观行为数据包括：
（a）采用滑动窗口对企业自主主观行为数据进行采集；定义窗口样本数据点为，计算窗口样本数据点为与其他N-1个窗口样本数据点之间的欧式距离，确定与距离排序值由小到大排序小于预定义阈值的K个点作为其紧邻点；
（b）计算数据点与紧邻点之间的权重；定义函数，，计算出的最小值作为最优权值矩阵W；其中，表示第j个数据点对重构第个数据点的权值；
；，为奇异矩阵，r为正则化参数，I为一个K×K的单位矩阵；
（c）计算当前窗口样本数据的本征维度dw和历史窗口的临近本征维度之间的差值，差值小于预设的阈值则采用临近本征维度，否则将本征维度dw更新为临近本征维度后，执行步骤（d）；
（d）是的输出向量，通过求解映射函数，将矩阵M最小的个非零特征值所对应的特征向量为，为本征维数；
其中，为损失函数值，矩阵，，，I为m×m的单位矩阵。
本实施例为列明的部分，是可以采用现有的技术内容，迫于篇幅，本实施例不再赘述。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员能够理解本发明，但是本发明不仅限于具体实施方式的范围，对本技术领域的普通技术人员而言，只要各种变化只要在所附的权利要求限定和确定的本发明精神和范围内，一切利用本发明构思的发明创造均在保护之列。
Claims (8)
1.一种基于统一社会信用代码的企业画像智能分析系统，其特征在于：所述基于统一社会信用代码的企业画像智能分析系统包括：
分布并联设置的主观数据采集处理单元和客观数据采集处理单元，主观数据采集处理单元和客观数据采集处理单元均连接到企业画像数据存储单元，企业画像数据存储单元连接云数据存储单元和企业画像智能分析单元，企业画像智能分析单元连接企业画像输出单元；
客观数据采集处理单元包括数据预处理单元，身份特征关联单元；
数据预处理子单元用于预处理根据作为企业身份标识特征的统一社会信用代码采集的与企业身份标识相关的身份数据；身份数据包括企业名称、法定代表人、企业成员；客观数据采集处理单元还用于采集处理与企业身份标识特征关联的企业客观数据，企业客观数据包括注册资本、成立时间、注册地址、经营范围；
主观数据采集处理单元用于采集企业自主主观行为数据，所述企业自主主观行为数据为企业自主行为产生的主观行为数据，其中包括自我主观行为数据和非我主观行为数据；
企业画像数据存储单元，包数据分类子单元依据数据存储子单元，分类子单元用于将企业客观数据，企业自主主观行为数据中的自我主观行为数据和非我主观行为数据进行分类；数据存储子单元用于根据分类结果分开存储数据；
企业画像智能分析单元包括企业分类归集子单元、二级数据集、一级数据集、企业画像智能分析算法模型以及组合加权子单元；
企业分类归集子单元用于调用待画像企业的企业客观数据，在企业画像历史库中进行企业分类归集；
二级数据库存储的是初级企业画像智能分析结果，包括与待画像企业同类企业的历史画像智能分析结果，和企业画像智能分析算法模型的实时分析结果；
企业画像智能分析算法模型中，与待画像企业关联的企业产生的非我主观行为数据、待画像企业的企业自主主观行为数据作为收入，输出为企业画像智能分析实时结果；
组合加权子单元用于将二级数据库的初级企业画像智能分析结果进行加权计算，得出最终的企业画像智能分析结果。
2.根据权利要求1所述的基于统一社会信用代码的企业画像智能分析系统，其特征在于：组合加权子单元控制企业画像智能分析算法模型、二级数据库，共同执行如下步骤，完成初级企业画像智能分析结果的加权计算：
步骤a，采用m种企业画像智能分析方法，得到m个企业画像智能分析实时结果集合；
步骤b，采用n种加权计算方法得到n个组合分析结果；
步骤c，将n个组合分析结果与m个企业画像智能分析实时结果进行相似度计算，选择相似度最高的组合分析结果作为最优结果，作为企业画像智能分析结果。
3.根据权利要求2所述的基于统一社会信用代码的企业画像智能分析系统，其特征在于：所述与待画像企业关联的其他企业判定包括：
(1)判定待画像企业与任一其他企业的企业客观数据之间的关联性程度；
(2)判定待画像企业与任一其他企业的企业非我主观行为数据的交集性程度；
(3)综合加权计算待画像企业与任一其他企业相关度；
(4)对相关性程度值进行排序，将相关性程度值排序高于阈值的企业判定为与待画像企业关联。
4.根据权利要求2所述的基于统一社会信用代码的企业画像智能分析系统，其特征在于：主观数据采集处理单元采集企业自主主观行为数据包括：
(a)采用滑动窗口对企业自主主观行为数据进行采集；定义窗口样本数据点为Xi(i＝1,2,3,...,N)，计算窗口样本数据点为Xi与其他N-1个窗口样本数据点之间的欧式距离dij＝||Xi-Xj||，确定与Xi距离排序值由小到大排序小于预定义阈值的K个点作为其紧邻点；
(b)计算数据点Xi(i＝1,2,3,...,N)与紧邻点之间的权重Wij；定义函数计算出εmin(W)的最小值作为最优权值矩阵W；其中，Wij表示第j个数据点对重构第i个数据点的权值；
Qi＝qi+r·I，qi为奇异矩阵，r为正则化参数，I为一个K×K的单位矩阵；
(c)计算当前窗口样本数据的本征维度dw和历史窗口的临近本征维度之间的差值，差值小于预设的阈值则采用临近本征维度否则将本征维度dw更新为临近本征维度后，执行步骤(d)；
(d)Yi是Xi的输出向量，通过求解映射函数 将矩阵M最小的个非零特征值所对应的特征向量作为Yi，为本征维数；
其中，ε(Y)为损失函数值，矩阵M＝(1-W)T(1-W)，II为m×m的单位矩阵。
5.一种基于统一社会信用代码的企业画像智能分析方法，其特征在于：所述基于统一社会信用代码的企业画像智能分析方法基于权利要求1-4任一所述的基于统一社会信用代码的企业画像智能分析系统，方法包括：
步骤一，客观数据采集处理单元采集处理作为企业身份标识特征的统一社会信用代码，并采集与企业身份标识相关的身份数据进行处理，将身份数据与统一社会信用代码进行关联处理后存储在企业画像数据存储单元；
步骤二，主观数据采集处理单元采集企业自主主观行为数据，企业自主主观行为数据是由企业自主行为产生的主观行为数据，其中包括自我主观行为数据和非我主观行为数据；企业画像数据存储单元时，将企业客观数据，企业自主主观行为数据中的自我主观行为数据和非我主观行为数据分类存储；
步骤三，企业画像智能分析单元调用待画像企业的企业客观数据，在企业画像历史库中进行企业分类归集，并在企业分类归集的基础上，将同类企业的历史画像智能分析结果作为二级数据集，存在云数据存储单元；
步骤四，企业画像智能分析单元调用待画像企业的企业自主主观行为数据，以及与待画像企业关联的其他企业产生的非我主观行为数据组成数据集，根据企业画像智能分析模型，对待画像企业进行企业画像智能分析，得到企业画像智能分析实时结果，存在云数据存储单元；将企业画像智能分析实时结果并入二级数据集，对更新后二级数据集做加权计算，得到企业画像智能分析结果。
6.根据权利要求5所述的基于统一社会信用代码的企业画像智能分析方法，其特征在于：步骤四包括：
步骤a，采用m种企业画像智能分析方法，得到m个企业画像智能分析实时结果集合；
步骤b，采用n种加权计算方法得到n个组合分析结果；
步骤c，将n个组合分析结果与m个企业画像智能分析实时结果进行相似度计算，选择相似度最高的组合分析结果作为最优结果，作为企业画像智能分析结果。
7.根据权利要求5所述的基于统一社会信用代码的企业画像智能分析方法，其特征在于：与待画像企业关联的其他企业的判定包括：
(1)判定待画像企业与任一其他企业的企业客观数据之间的关联性程度；
(2)判定待画像企业与任一其他企业的企业非我主观行为数据的交集性程度；
(3)综合加权计算待画像企业与任一其他企业相关度；
(4)对相关性程度值进行排序，将相关性程度值排序高于阈值的企业判定为与待画像企业关联。
8.根据权利要求5所述的基于统一社会信用代码的企业画像智能分析方法，其特征在于：采集企业自主主观行为数据包括：
(a)采用滑动窗口对企业自主主观行为数据进行采集；定义窗口样本数据点为Xi(i＝1,2,3,...,N)，计算窗口样本数据点为Xi与其他N-1个窗口样本数据点之间的欧式距离dij＝||Xi-Xj||，确定与Xi距离排序值由小到大排序小于预定义阈值的K个点作为其紧邻点；
(b)计算数据点Xi(i＝1,2,3,...,N)与紧邻点之间的权重Wij；定义函数计算出εmin(W)的最小值作为最优权值矩阵W；其中，Wij表示第j个数据点对重构第i个数据点的权值；
Qi＝qi+r·I，qi为奇异矩阵，r为正则化参数，I为一个K×K的单位矩阵；
(c)计算当前窗口样本数据的本征维度dw和历史窗口的临近本征维度之间的差值，差值小于预设的阈值则采用临近本征维度否则将本征维度dw更新为临近本征维度后，执行步骤(d)；
(d)Yi是Xi的输出向量，通过求解映射函数 将矩阵M最小的个非零特征值所对应的特征向量作为Yi，为本征维数；
其中，ε(Y)为损失函数值，矩阵M＝(1-W)T(1-W)，II为m×m的单位矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310141187.6A CN115827934B (zh) | 2023-02-21 | 2023-02-21 | 基于统一社会信用代码的企业画像智能分析系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310141187.6A CN115827934B (zh) | 2023-02-21 | 2023-02-21 | 基于统一社会信用代码的企业画像智能分析系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115827934A CN115827934A (zh) | 2023-03-21 |
| CN115827934B true CN115827934B (zh) | 2023-05-09 |
Family
ID=85522009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310141187.6A Active CN115827934B (zh) | 2023-02-21 | 2023-02-21 | 基于统一社会信用代码的企业画像智能分析系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115827934B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106339806A (zh) * | 2016-08-24 | 2017-01-18 | 北京创业公社征信服务有限公司 | 一种面向企业信息的行业全息画像构建方法及系统 |
| CN108509569A (zh) * | 2018-03-26 | 2018-09-07 | 河北省科学院应用数学研究所 | 企业画像的生成方法、装置、电子设备以及存储介质 |
| CN109726905A (zh) * | 2018-12-20 | 2019-05-07 | 北交金科金融信息服务有限公司 | 一种企业价值画像评价的方法和系统 |
| CN111027854A (zh) * | 2019-12-10 | 2020-04-17 | 重庆撼地大数据有限公司 | 一种基于企业大数据的综合画像指数生成方法及相关设备 |
| CN111861262A (zh) * | 2020-07-30 | 2020-10-30 | 国网山东省电力公司寿光市供电公司 | 一种基于能源大数据的企业透视画像方法及终端 |
| CN112328849A (zh) * | 2020-11-02 | 2021-02-05 | 腾讯科技（深圳）有限公司 | 用户画像的构建方法、基于用户画像的对话方法及装置 |
| CN112465622A (zh) * | 2020-09-16 | 2021-03-09 | 西安科技大学 | 企业综合信用信息查验方法、系统、介质、计算机设备 |
| WO2021147557A1 (zh) * | 2020-08-28 | 2021-07-29 | 平安科技（深圳）有限公司 | 客户画像方法、装置、计算机可读存储介质及终端设备 |
| CN114090736A (zh) * | 2021-11-18 | 2022-02-25 | 西南科技大学 | 一种基于文本相似度的企业行业识别系统及识别方法 |
| CN114723492A (zh) * | 2022-04-15 | 2022-07-08 | 山东浪潮爱购云链信息科技有限公司 | 一种企业画像的生成方法及设备 |
| CN115456745A (zh) * | 2022-09-14 | 2022-12-09 | 江苏银承网络科技股份有限公司 | 小微企业画像构建方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7698188B2 (en) * | 2005-11-03 | 2010-04-13 | Beta-Rubicon Technologies, Llc | Electronic enterprise capital marketplace and monitoring apparatus and method |
| US8701168B2 (en) * | 2005-11-21 | 2014-04-15 | Oracle International Corporation | Method and apparatus for associating a digital certificate with an enterprise profile |
| US9245235B2 (en) * | 2012-10-12 | 2016-01-26 | Nec Laboratories America, Inc. | Integrated approach to model time series dynamics in complex physical systems |
-
2023
- 2023-02-21 CN CN202310141187.6A patent/CN115827934B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106339806A (zh) * | 2016-08-24 | 2017-01-18 | 北京创业公社征信服务有限公司 | 一种面向企业信息的行业全息画像构建方法及系统 |
| CN108509569A (zh) * | 2018-03-26 | 2018-09-07 | 河北省科学院应用数学研究所 | 企业画像的生成方法、装置、电子设备以及存储介质 |
| CN109726905A (zh) * | 2018-12-20 | 2019-05-07 | 北交金科金融信息服务有限公司 | 一种企业价值画像评价的方法和系统 |
| CN111027854A (zh) * | 2019-12-10 | 2020-04-17 | 重庆撼地大数据有限公司 | 一种基于企业大数据的综合画像指数生成方法及相关设备 |
| CN111861262A (zh) * | 2020-07-30 | 2020-10-30 | 国网山东省电力公司寿光市供电公司 | 一种基于能源大数据的企业透视画像方法及终端 |
| WO2021147557A1 (zh) * | 2020-08-28 | 2021-07-29 | 平安科技（深圳）有限公司 | 客户画像方法、装置、计算机可读存储介质及终端设备 |
| CN112465622A (zh) * | 2020-09-16 | 2021-03-09 | 西安科技大学 | 企业综合信用信息查验方法、系统、介质、计算机设备 |
| CN112328849A (zh) * | 2020-11-02 | 2021-02-05 | 腾讯科技（深圳）有限公司 | 用户画像的构建方法、基于用户画像的对话方法及装置 |
| CN114090736A (zh) * | 2021-11-18 | 2022-02-25 | 西南科技大学 | 一种基于文本相似度的企业行业识别系统及识别方法 |
| CN114723492A (zh) * | 2022-04-15 | 2022-07-08 | 山东浪潮爱购云链信息科技有限公司 | 一种企业画像的生成方法及设备 |
| CN115456745A (zh) * | 2022-09-14 | 2022-12-09 | 江苏银承网络科技股份有限公司 | 小微企业画像构建方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| Using Smart Meter Data to Improve the Accuracy of Intraday Load Forecasting Considering Customer Behavior Similarities;Franklin L. Quilumba等;《IEEE Transactions on Smart Grid》;第6卷(第2期);第911-918页 * |
| 四川省社会信用体系建设的SWOT分析与思考;杨弋;《标准科学》;第506卷(第7期);第89-96页 * |
| 基于深度学习的中小微企业综合质量画像构建研究;曹丽娜等;《数据分析与知识发现》;第6卷(第11期);第126-138页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115827934A (zh) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111881714B (zh) | 一种无监督跨域行人再识别方法 | |
| CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
| CN110322445B (zh) | 基于最大化预测和标签间相关性损失函数的语义分割方法 | |
| CN110929848B (zh) | 基于多挑战感知学习模型的训练、跟踪方法 | |
| Herdiyeni et al. | Mobile application for Indonesian medicinal plants identification using fuzzy local binary pattern and fuzzy color histogram | |
| CN112837344B (zh) | 一种基于条件对抗生成孪生网络的目标跟踪方法 | |
| CN115410088B (zh) | 一种基于虚拟分类器的高光谱图像领域自适应方法 | |
| CN111105241A (zh) | 一种应用于信用卡交易反欺诈的识别方法 | |
| CN112926429A (zh) | 机审模型训练、视频机审方法、装置、设备及存储介质 | |
| CN115880529A (zh) | 基于注意力和解耦知识蒸馏的鸟类细粒度分类方法及系统 | |
| CN110348516B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN112418261A (zh) | 一种基于先验原型注意力机制的人体图像多属性分类方法 | |
| CN112084913B (zh) | 一种端到端的人体检测与属性识别方法 | |
| CN115827934B (zh) | 基于统一社会信用代码的企业画像智能分析系统及方法 | |
| CN112200862A (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
| CN110991247B (zh) | 一种基于深度学习与nca融合的电子元器件识别方法 | |
| CN116703932A (zh) | 一种基于卷积注意力机制的CBAM-HRNet模型小麦穗粒分割与计数方法 | |
| Tsai et al. | Data mining techniques in customer churn prediction | |
| CN115861956A (zh) | 一种基于解耦头部的Yolov3道路垃圾检测方法 | |
| CN116051924A (zh) | 一种图像对抗样本的分治防御方法 | |
| CN115439884A (zh) | 一种基于双分支自注意力网络的行人属性识别方法 | |
| CN114417938A (zh) | 一种利用知识向量嵌入的电磁目标分类方法 | |
| CN114581789A (zh) | 一种高光谱图像分类方法及系统 | |
| Mullen et al. | Artificial ants to extract leaf outlines and primary venation patterns | |
| CN111382787A (zh) | 一种基于深度学习的目标检测方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Ding Chunli Inventor after: Wei Bingbing Inventor after: Li Hao Inventor after: Liao Jianxiong Inventor after: Zhou Wenan Inventor after: Tang Shan Inventor after: Yang Ge Inventor after: Yang Xianhua Inventor after: Wang Zheng Inventor after: Niu Hao Inventor after: Gao Yisong Inventor after: Long Shuquan Inventor after: Yao Han Inventor after: Wang Shu Inventor before: Ding Chunli Inventor before: Wei Bingbing Inventor before: Li Hao Inventor before: Liao Jianxiong Inventor before: Zhou Wenan Inventor before: Tang Shan Inventor before: Yang Ge Inventor before: Yang Xianhua Inventor before: Wang Zheng Inventor before: Niu Hao Inventor before: Gao Yisong Inventor before: Long Shuquan Inventor before: Yao Han Inventor before: Wang Shu |
|
| CB03 | Change of inventor or designer information |