CN115841279A - 供应链数据评估方法、装置、设备及存储介质 - Google Patents

供应链数据评估方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115841279A
CN115841279A CN202310138075.5A CN202310138075A CN115841279A CN 115841279 A CN115841279 A CN 115841279A CN 202310138075 A CN202310138075 A CN 202310138075A CN 115841279 A CN115841279 A CN 115841279A
Authority
CN
China
Prior art keywords
variable
service
data
supply chain
variables
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
Application number
CN202310138075.5A
Other languages
English (en)
Inventor
姚关伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tabixing Information Technology Shenzhen Co ltd
Original Assignee
Tabixing Information Technology Shenzhen Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tabixing Information Technology Shenzhen Co ltd filed Critical Tabixing Information Technology Shenzhen Co ltd
Priority to CN202310138075.5A priority Critical patent/CN115841279A/zh
Publication of CN115841279A publication Critical patent/CN115841279A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Complex Calculations (AREA)

Abstract

本发明涉及人工智能技术,揭露了一种供应链数据评估方法,包括:对业务数据进行数据清洗处理及异常修复处理,得到原始业务变量,对原始业务变量进行特征分箱处理及特征编码处理,得到编码业务变量,计算编码业务变量的信息值并进行特征筛选,得到筛选业务变量,基于业务数据构建初始评估模型,并对初始评估模型进行逻辑回归处理,得到供应链数据评估模型,基于供应链数据评估模型计算筛选业务变量的评估值。此外,本发明还涉及区块链技术,所述业务数据可从区块链的节点中获取。本发明还提出一种供应链数据评估装置、电子设备以及可读存储介质。本发明可以解决供应链数据评估效率较低的问题。

Description

供应链数据评估方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域,尤其涉及一种供应链数据评估方法、装置、电子设备及可读存储介质。
背景技术
随着互联网时代的到来,数据量激增,数据的评估也变得尤为重要。例如,金融领域,通过用户属性和行为数据,利用数据模型,对用户的信用及履约能力进行评分信用卡评分模型是最常见的金融风控方法之一,然而目前信用评分卡模型常常应用于消费金融领域,但在供应链等企业金融领域,由于对于企业数据的积累较少,在企业信用评估中,目前主要的风控手段仍然依赖于线下客户经理,通过对企业资产、经营场所、经营上下游进行“侦探式”的评估,主观判断较强,导致供应链数据评估效率及准确率都较低。
发明内容
本发明提供一种供应链数据评估方法、装置、电子设备及可读存储介质,其主要目的在于解决供应链数据评估效率较低的问题。
为实现上述目的,本发明提供的一种供应链数据评估方法,包括:
获取供应链中的业务数据,对所述业务数据进行数据清洗处理及异常修复处理,得到原始业务变量;
对所述原始业务变量进行特征分箱处理及特征编码处理,得到编码业务变量;
计算所述编码业务变量的信息值,并基于所述信息值对所述编码业务变量进行特征筛选,得到筛选业务变量;
基于所述业务数据构建初始评估模型,并对所述初始评估模型进行逻辑回归处理,得到供应链数据评估模型;
基于预设的评估体系及所述供应链数据评估模型计算所述筛选业务变量的评估值。
可选地,所述获取供应链中的业务数据,对所述业务数据进行数据清洗处理及异常修复处理,得到原始业务变量,包括:
获取所述供应链中所有上下游企业的业务数据,对所述业务数据中的业务变量进行缺失值检测及统计,得到统计数量大于等于预设阈值的第一业务变量,以及统计数量小于所述预设阈值的第二业务变量;
删除所述第一业务变量,并对所述第二业务变量进行异常修复处理,得到所述原始业务变量。
可选地,所述对所述原始业务变量进行特征分箱处理及特征编码处理,得到编码业务变量,包括:
对所述原始业务变量进行卡方分箱,得到变量分箱;
对所述变量分箱中的变量进行连续值编码,得到所述编码业务变量。
可选地,所述对所述原始业务变量进行卡方分箱,得到变量分箱,包括:
对所述原始业务变量进行升序排列,并利用等频分箱进行粗分箱,得到多个分箱区间;
计算各相邻的分箱区间的卡方值,并对所述卡方值小于预设卡方阈值的分箱区间进行合并,得到标准区间;
对所述标准区间中的变量进行升序排列,并返回所述利用等频分箱进行粗分箱的步骤,直至得到的标准区间的数量小于等于预设的区间数量阈值,汇总标准区间及标准区间内的数据得到所述变量分箱。
可选地,所述对所述变量分箱中的变量进行连续值编码,得到所述编码业务变量,包括:
对所述变量分箱中的变量进行目标标记,并统计每个分箱中所述目标标记的标记比例;
基于所述标记比例计算每个变量分箱中的WOE编码值作为所述编码业务变量:
Figure SMS_1
其中,WOEi为第i个变量分箱的编码值,Pi1为第i个变量分箱中第一标记的标记比例,Pi2为第i个变量分箱中第二标记的标记比例。
可选地,所述计算所述编码业务变量的信息值,并基于所述信息值对所述编码业务变量进行特征筛选,得到筛选业务变量,包括:
利用预设的信息值公式计算每一变量分箱中所述编码业务变量的信息值,累加所有变量分箱中的信息值,得到信息总值;
对所有编码业务变量的信息总值进行排列,并选取预设个数的编码业务变量作为所述筛选业务变量。
可选地,所述基于所述业务数据构建初始评估模型,并对所述初始评估模型进行逻辑回归处理,得到供应链数据评估模型,包括:
构建包括固定参数的初始评估模型;
利用所述业务数据计算所述初始评估模型中的固定参数的值;
对所述初始评估模型进行逻辑回归处理,计算出所述初始评估模型中的截距及模型变量,得到标准评估模型,并对所述标准评估模型进行变量展开处理,得到所述供应链数据评估模型。
为了解决上述问题,本发明还提供一种供应链数据评估装置,所述装置包括:
数据清洗及编码模块,用于获取供应链中的业务数据,对所述业务数据进行数据清洗处理及异常修复处理,得到原始业务变量,对所述原始业务变量进行特征分箱处理及特征编码处理,得到编码业务变量;
变量筛选模块,用于计算所述编码业务变量的信息值,并基于所述信息值对所述编码业务变量进行特征筛选,得到筛选业务变量;
数据评估模块,用于基于所述业务数据构建初始评估模型,并对所述初始评估模型进行逻辑回归处理,得到供应链数据评估模型,基于预设的评估体系及所述供应链数据评估模型计算所述筛选业务变量的评估值。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的供应链数据评估方法。
为了解决上述问题,本发明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中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的供应链数据评估方法。
本发明通过对供应链中的业务数据进行数据清洗处理及异常修复处理,可以对数据进行初筛得到原始业务变量,并计算编码业务变量的信息值来对编码业务变量进行二次筛选,得到筛选业务变量,减少了数据量及错误数据,提高了数据评估的效率及准确率;同时基于业务数据进行逻辑回归处理,得到供应链数据评估模型,并通过预设的评估体系及供应链数据评估模型计算筛选业务变量的评估值,大大提高了供应链数据评估的效率。因此本发明提出的供应链数据评估方法、装置、电子设备及计算机可读存储介质,可以解决供应链数据评估效率较低的问题。
附图说明
图1为本发明一实施例提供的供应链数据评估方法的流程示意图;
图2为图1中其中一个步骤的详细实施流程示意图;
图3为图1中另一个步骤的详细实施流程示意图;
图4为图1中另一个步骤的详细实施流程示意图;
图5为图1中另一个步骤的详细实施流程示意图;
图6为本发明一实施例提供的供应链数据评估装置的功能模块图;
图7为本发明一实施例提供的实现所述供应链数据评估方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种供应链数据评估方法。所述供应链数据评估方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之,所述供应链数据评估方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的供应链数据评估方法的流程示意图。在本实施例中,所述供应链数据评估方法包括以下步骤S1-S5:
S1、获取供应链中的业务数据,对所述业务数据进行数据清洗处理及异常修复处理,得到原始业务变量。
本发明实施例中,所述供应链是指将产品或服务提供给最终用户活动的上游与下游企业所形成的网链结构,所述业务数据包括供应链上下游企业的基本数据和业务交易历史数据等。
其中,所述数据清洗处理包括缺失值检测及统计,并将缺损值较多的企业变量进行筛选,将其排除在初筛变量。所述异常修复处理是指对异常变量进行修复,例如,对数据格式做转换和修复,填充默认值等。
详细地,参照图2所示,所述获取供应链中的业务数据,对所述业务数据进行数据清洗处理及异常修复处理,得到原始业务变量,包括以下步骤S10-S11:
S10、获取所述供应链中所有上下游企业的业务数据,对所述业务数据中的业务变量进行缺失值检测及统计,得到统计数量大于等于预设阈值的第一业务变量,以及统计数量小于所述预设阈值的第二业务变量;
S11、删除所述第一业务变量,并对所述第二业务变量进行异常修复处理,得到所述原始业务变量。
本发明实施例中,例如,可以通过Python中的isnull()函数来判断返回的变量中是否存在缺失值,并使用sum() 函数来检测缺失值的数量。同时,对于缺失值数量过多的变量,会影响数据评估的准确性,因此直接对统计数量大于等于预设阈值的变量进行删除,可以初步筛选变量,提高了数据处理的准确性。
详细地,所述对所述第二业务变量进行异常修复处理,得到所述原始业务变量,包括:
对所述第二业务变量进行格式转换;
对格式转换后的变量中的缺失值进行填充,得到所述原始业务变量。
本发明实施例中,可以将存在缺失值的变量转化为列表格式,并对缺失值进行填充(包括填充默认值、用缺失值前/后的值填充)等。例如,在金融领域,所述原始业务变量包括“注册资本”、“法人学历”、“主营品类”、“历史履约金额”及“合作伙伴数量”等。
S2、对所述原始业务变量进行特征分箱处理及特征编码处理,得到编码业务变量。
本发明实施例中,为了进一步筛选变量,需要对初筛后的原始业务变量进行分箱,分箱的作用是将连续变量进行分段离散化,同时将多状态的离散变量进行合并,减少状态数,从而提高数据处理效率。
具体地,参照图3所示,所述对所述原始业务变量进行特征分箱处理及特征编码处理,得到编码业务变量,包括以下步骤S20-S21:
S20、对所述原始业务变量进行卡方分箱,得到变量分箱;
S21、对所述变量分箱中的变量进行连续值编码,得到所述编码业务变量。
本发明一可选实施例中,可以使用Chimerge算法对原始业务变量进行分箱,其基本思想是如果两个相邻的区间具有类似的类分布,则这两个区间合并;否则,它们应保持分开。
详细地,所述对所述原始业务变量进行卡方分箱,得到变量分箱,包括:
对所述原始业务变量进行升序排列,并利用等频分箱进行粗分箱,得到多个分箱区间;
计算各相邻的分箱区间的卡方值,并对所述卡方值小于预设卡方阈值的分箱区间进行合并,得到标准区间;
对所述标准区间中的变量进行升序排列,并返回所述利用等频分箱进行粗分箱的步骤,直至得到的标准区间的数量小于等于预设的区间数量阈值,汇总标准区间及标准区间内的数据得到所述变量分箱。
本发明一可选实施例中,通过下述公式计算卡方值X2
Figure SMS_2
其中,Aij为第i区间第j类变量的数量,
Figure SMS_3
,N为相邻区间的变量数,Ni为第i区间的变量数,Cj是第j类变量在相邻区间的数量。
本发明一可选实施例中,例如,对于“注册资本”这一变量,经过分箱后可以得到区间范围为≤1000万、1000万<注册资本≤5000万、5000万<注册资本≤ 10,000万、10,000万<注册资本≤ 20,000万、20,000万<注册资本等多个变量分箱。
进一步地,所述对所述变量分箱中的变量进行连续值编码,得到所述编码业务变量,包括:
对所述变量分箱中的变量进行目标标记,并统计每个分箱中所述目标标记的标记比例;
基于所述标记比例计算每个变量分箱中的WOE编码值作为所述编码业务变量:
Figure SMS_4
其中,WOEi为第i个变量分箱的编码值,Pi1为第i个变量分箱中第一标记的标记比例,Pi2为第i个变量分箱中第二标记的标记比例。
本发明一可选实施例中,所述目标标记可以根据分箱区间内变量进行标记,例如,金融领域中,按照“年龄”这一变量进行分箱,并统计每一分箱区间内的第一标记及第二标记,其中,第一标记可以为“好用户”,第二标记为“坏用户”。同时由于分箱得到一系列离散变量,通过转化为WOE(Weight of Evidence)连续值,可以进行函数运算,进而提高数据处理的效率及准确率。
S3、计算所述编码业务变量的信息值,并基于所述信息值对所述编码业务变量进行特征筛选,得到筛选业务变量。
本发明实施例中,业务数据中包含有很多企业属性数据,由于其数据的完整度和体现,可能无法对预测结果有积极的影响,因此需要删除来减少变量数量,同时也能够减轻后期验证、部署、监控的工作负荷,并保证变量的可解释性。
详细地,参照图4所示,所述计算所述编码业务变量的信息值,并基于所述信息值对所述编码业务变量进行特征筛选,得到筛选业务变量,包括以下步骤S30-S31:
S30、利用预设的信息值公式计算每一变量分箱中所述编码业务变量的信息值,累加所有变量分箱中的信息值,得到信息总值;
S31、对所有编码业务变量的信息总值进行排列,并选取预设个数的编码业务变量作为所述筛选业务变量。
本发明实施例中,利用下述公式计算每一分箱中所述编码业务变量的信息值:
Figure SMS_5
其中,所述IVi为第i个变量分箱的信息值,Bi为第i个变量分箱中第一标记的数量,BT为所有变量分箱中第一标记的数量,Gi为第i个变量分箱中第二标记的数量,GT为所有变量分箱中第二标记的数量。
本发明一可选实施例中,IV(Infromation Value,信息价值)值,用来表示特征变量对目标预测的贡献程度,即特征变量的预测能力,一般来说,IV值越高,该特征的预测能力越强,信息贡献程度越高。
本发明中实施例中,变量对应的IV值为所有分箱的IV值求和,并对信息总值进行倒排序,取前12个IV值最高的变量作为所述筛选业务变量。通过IV值进行特征变量筛选,可以筛选出更加重要的关键变量,提高数据评估的准确率。
S4、基于所述业务数据构建初始评估模型,并对所述初始评估模型进行逻辑回归处理,得到供应链数据评估模型。
本发明实施例中,所述供应链数据评估模型本质上是一个评估公式,其中公式参数是决定数据评估准确与否的重要因素,为了保证供应链数据评估模型的准确性,通过逻辑回归处理来计算公式参数。
进一步地,参照图5所示,所述基于所述业务数据进行逻辑回归处理,得到供应链数据评估模型,包括以下步骤S40-S42:
S40、构建包括固定参数的初始评估模型;
S41、利用所述业务数据计算所述初始评估模型中的固定参数的值;
S42、对所述初始评估模型进行逻辑回归处理,计算出所述初始评估模型中的截距及模型变量,得到标准评估模型,并对所述标准评估模型进行变量展开处理,得到所述供应链数据评估模型。
本发明一可选实施例中,所述初始评估模型可以为
Figure SMS_6
,其中,A、B为固定参数。并基于业务数据中企业的历史评估信息及行业经验,得到两组数据(5%,50),(10%,100),其中5%、10%为/>
Figure SMS_7
的值,50、100为对应的得分,得到的固定参数A为6.78,B为14.43。
同时,经过变换得
Figure SMS_8
,其中,β0为截距,β1、β2…βn为模型变量,x1、x2…xn为筛选业务变量,通过运用sklearn库,计算逻辑回归模型的截距和各个模型变量。
本发明一可选实施例中,将变量x展开,可以得到供应链数据评估模型:Score=6.78-14.43*β0+14.43*β111ω1112ω12+…δ1nω1n)+ 14.43*β221ω2122ω22+…δ2nω2n)+…+ 14.43*βnn1ωn1n2ωn2+…δnnωnn)
其中,δij表示第i个筛选业务变量的第j个分箱计算开关,每次评分第i个筛选业务变量只会有一个分箱生效,生效为1,不生效为0,ωij表示第i个筛选业务变量的第j个分箱的WOE值。
S5、基于预设的评估体系及所述供应链数据评估模型计算所述筛选业务变量的评估值。
详细地,所述预设的评估体系是指不同筛选业务变量的具体得分,例如,对于业务变量“注册资本”,分箱范围为≤1000万、1000万<注册资本≤5000万、5000万<注册资本≤10,000万、10,000万<注册资本≤ 20,000万、20,000万<注册资本,对应的得分分别为-5、4、12、8及14。
本发明实施例中,通过将筛选业务变量输入至所述供应链数据评估模型,并结合所述预设的评估体系,可以直接得到供应链上下游中企业的信用评估结果,大大提高了供应链中企业数据的评估效率。
本发明通过对供应链中的业务数据进行数据清洗处理及异常修复处理,可以对数据进行初筛得到原始业务变量,并计算编码业务变量的信息值来对编码业务变量进行二次筛选,得到筛选业务变量,减少了数据量及错误数据,提高了数据评估的效率及准确率;同时基于业务数据进行逻辑回归处理,得到供应链数据评估模型,并通过预设的评估体系及供应链数据评估模型计算筛选业务变量的评估值,大大提高了供应链数据评估的效率。因此本发明提出的供应链数据评估方法,可以解决供应链数据评估效率较低的问题。
如图6所示,是本发明一实施例提供的供应链数据评估装置的功能模块图。
本发明所述供应链数据评估装置100可以安装于电子设备中。根据实现的功能,所述供应链数据评估装置100可以包括数据清洗及编码模块101、变量筛选模块102及数据评估模块103。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据清洗及编码模块101,用于获取供应链中的业务数据,对所述业务数据进行数据清洗处理及异常修复处理,得到原始业务变量,对所述原始业务变量进行特征分箱处理及特征编码处理,得到编码业务变量;
所述变量筛选模块102,用于计算所述编码业务变量的信息值,并基于所述信息值对所述编码业务变量进行特征筛选,得到筛选业务变量;
所述数据评估模块103,用于基于所述业务数据构建初始评估模型,并对所述初始评估模型进行逻辑回归处理,得到供应链数据评估模型,基于预设的评估体系及所述供应链数据评估模型计算所述筛选业务变量的评估值。
详细地,所述供应链数据评估装置100各模块的具体实施方式如下:
步骤一、获取供应链中的业务数据,对所述业务数据进行数据清洗处理及异常修复处理,得到原始业务变量。
本发明实施例中,所述供应链是指将产品或服务提供给最终用户活动的上游与下游企业所形成的网链结构,所述业务数据包括供应链上下游企业的基本数据和业务交易历史数据等。
其中,所述数据清洗处理包括缺失值检测及统计,并将缺损值较多的企业变量进行筛选,将其排除在初筛变量。所述异常修复处理是指对异常变量进行修复,例如,对数据格式做转换和修复,填充默认值等。
详细地,所述获取供应链中的业务数据,对所述业务数据进行数据清洗处理及异常修复处理,得到原始业务变量,包括:
获取所述供应链中所有上下游企业的业务数据,对所述业务数据中的业务变量进行缺失值检测及统计,得到统计数量大于等于预设阈值的第一业务变量,以及统计数量小于所述预设阈值的第二业务变量;
删除所述第一业务变量,并对所述第二业务变量进行异常修复处理,得到所述原始业务变量。
本发明实施例中,例如,可以通过Python中的isnull()函数来判断返回的变量中是否存在缺失值,并使用sum() 函数来检测缺失值的数量。同时,对于缺失值数量过多的变量,会影响数据评估的准确性,因此直接对统计数量大于等于预设阈值的变量进行删除,可以初步筛选变量,提高了数据处理的准确性。
详细地,所述对所述第二业务变量进行异常修复处理,得到所述原始业务变量,包括:
对所述第二业务变量进行格式转换;
对格式转换后的变量中的缺失值进行填充,得到所述原始业务变量。
本发明实施例中,可以将存在缺失值的变量转化为列表格式,并对缺失值进行填充(包括填充默认值、用缺失值前/后的值填充)等。例如,在金融领域,所述原始业务变量包括“注册资本”、“法人学历”、“主营品类”、“历史履约金额”及“合作伙伴数量”等。
步骤二、对所述原始业务变量进行特征分箱处理及特征编码处理,得到编码业务变量。
本发明实施例中,为了进一步筛选变量,需要对初筛后的原始业务变量进行分箱,分箱的作用是将连续变量进行分段离散化,同时将多状态的离散变量进行合并,减少状态数,从而提高数据处理效率。
具体地,所述对所述原始业务变量进行特征分箱处理及特征编码处理,得到编码业务变量,包括:
对所述原始业务变量进行卡方分箱,得到变量分箱;
对所述变量分箱中的变量进行连续值编码,得到所述编码业务变量。
本发明一可选实施例中,可以使用Chimerge算法对原始业务变量进行分箱,其基本思想是如果两个相邻的区间具有类似的类分布,则这两个区间合并;否则,它们应保持分开。
详细地,所述对所述原始业务变量进行卡方分箱,得到变量分箱集合,包括:
对所述原始业务变量进行升序排列,并利用等频分箱进行粗分箱,得到多个分箱区间;
计算各相邻的分箱区间的卡方值,并对所述卡方值小于预设卡方阈值的分箱区间进行合并,得到标准区间;
对所述标准区间中的变量进行升序排列,并返回所述利用等频分箱进行粗分箱的步骤,直至得到的标准区间的数量小于等于预设的区间数量阈值,汇总标准区间及标准区间内的数据得到所述变量分箱。
本发明一可选实施例中,通过下述公式计算卡方值X2
Figure SMS_9
其中,Aij为第i区间第j类变量的数量,
Figure SMS_10
,N为相邻区间的变量数,Ni为第i区间的变量数,Cj是第j类变量在相邻区间的数量。
本发明一可选实施例中,例如,对于“注册资本”这一变量,经过分箱后可以得到区间范围为≤1000万、1000万<注册资本≤5000万、5000万<注册资本≤ 10,000万、10,000万<注册资本≤ 20,000万、20,000万<注册资本等多个变量分箱。
进一步地,所述对所述变量分箱中的变量进行连续值编码,得到所述编码业务变量,包括:
对所述变量分箱中的变量进行目标标记,并统计每个分箱中所述目标标记的标记比例;
基于所述标记比例计算每个变量分箱中的WOE编码值作为所述编码业务变量:
Figure SMS_11
其中,WOEi为第i个变量分箱的编码值,Pi1为第i个变量分箱中第一标记的标记比例,Pi2为第i个变量分箱中第二标记的标记比例。
本发明一可选实施例中,所述目标标记可以根据分箱区间内变量进行标记,例如,金融领域中,按照“年龄”这一变量进行分箱,并统计每一分箱区间内的第一标记及第二标记,其中,第一标记可以为“好用户”,第二标记为“坏用户”。同时由于分箱得到一系列离散变量,通过转化为WOE(Weight of Evidence)连续值,可以进行函数运算,进而提高数据处理的效率及准确率。
步骤三、计算所述编码业务变量的信息值,并基于所述信息值对所述编码业务变量进行特征筛选,得到筛选业务变量。
本发明实施例中,业务数据中包含有很多企业属性数据,由于其数据的完整度和体现,可能无法对预测结果有积极的影响,因此需要删除来减少变量数量,同时也能够减轻后期验证、部署、监控的工作负荷,并保证变量的可解释性。
详细地,所述计算所述编码业务变量的信息值,并基于所述信息值对所述编码业务变量进行特征筛选,得到筛选业务变量,包括以下步骤S30-S31:
利用预设的信息值公式计算每一变量分箱中所述编码业务变量的信息值,累加所有变量分箱中的信息值,得到信息总值;
对所有编码业务变量的信息总值进行排列,并选取预设个数的编码业务变量作为所述筛选业务变量。
本发明实施例中,利用下述公式计算每一分箱中所述编码业务变量的信息值:
Figure SMS_12
其中,所述IVi为第i个变量分箱的信息值,Bi为第i个变量分箱中第一标记的数量,BT为所有变量分箱中第一标记的数量,Gi为第i个变量分箱中第二标记的数量,GT为所有变量分箱中第二标记的数量。
本发明一可选实施例中,IV(Infromation Value,信息价值)值,用来表示特征变量对目标预测的贡献程度,即特征变量的预测能力,一般来说,IV值越高,该特征的预测能力越强,信息贡献程度越高。
本发明中实施例中,变量对应的IV值为所有分箱的IV值求和,并对信息总值进行倒排序,取前12个IV值最高的变量作为所述筛选业务变量。通过IV值进行特征变量筛选,可以筛选出更加重要的关键变量,提高数据评估的准确率。
步骤四、基于所述业务数据构建初始评估模型,并对所述初始评估模型进行逻辑回归处理,得到供应链数据评估模型。
本发明实施例中,所述供应链数据评估模型本质上是一个评估公式,其中公式参数是决定数据评估准确与否的重要因素,为了保证供应链数据评估模型的准确性,通过逻辑回归处理来计算公式参数。
进一步地,所述基于所述业务数据进行逻辑回归处理,得到供应链数据评估模型,包括:
构建包括固定参数的初始评估模型;
利用所述业务数据计算所述初始评估模型中的固定参数的值;
对所述初始评估模型进行逻辑回归处理,计算出所述初始评估模型中的截距及模型变量,得到标准评估模型,并对所述标准评估模型进行变量展开处理,得到所述供应链数据评估模型。
本发明一可选实施例中,所述初始评估模型可以为
Figure SMS_13
,其中,A、B为固定参数。并基于业务数据中企业的历史评估信息及行业经验,得到两组数据(5%,50),(10%,100),其中5%、10%为/>
Figure SMS_14
的值,50、100为对应的得分,得到的固定参数A为6.78,B为14.43。
同时,经过变换得
Figure SMS_15
,其中,β0为截距,β1、β2…βn为模型变量,x1、x2…xn为筛选业务变量,通过运用sklearn库,计算逻辑回归模型的截距和各个模型变量。
本发明一可选实施例中,将变量x展开,可以得到供应链数据评估模型:Score=6.78-14.43*β0+14.43*β111ω1112ω12+…δ1nω1n)+ 14.43*β221ω2122ω22+…δ2nω2n)+…+ 14.43*βnn1ωn1n2ωn2+…δnnωnn)
其中,δij表示第i个筛选业务变量的第j个分箱计算开关,每次评分第i个筛选业务变量只会有一个分箱生效,生效为1,不生效为0,ωij表示第i个筛选业务变量的第j个分箱的WOE值。
步骤五、基于预设的评估体系及所述供应链数据评估模型计算所述筛选业务变量的评估值。
详细地,所述预设的评估体系是指不同筛选业务变量的具体得分,例如,对于业务变量“注册资本”,分箱范围为≤1000万、1000万<注册资本≤5000万、5000万<注册资本≤10,000万、10,000万<注册资本≤ 20,000万、20,000万<注册资本,对应的得分分别为-5、4、12、8及14。
本发明实施例中,通过将筛选业务变量输入至所述供应链数据评估模型,并结合所述预设的评估体系,可以直接得到供应链上下游中企业的信用评估结果,大大提高了供应链中企业数据的评估效率。
本发明通过对供应链中的业务数据进行数据清洗处理及异常修复处理,可以对数据进行初筛得到原始业务变量,并计算编码业务变量的信息值来对编码业务变量进行二次筛选,得到筛选业务变量,减少了数据量及错误数据,提高了数据评估的效率及准确率;同时基于业务数据进行逻辑回归处理,得到供应链数据评估模型,并通过预设的评估体系及供应链数据评估模型计算筛选业务变量的评估值,大大提高了供应链数据评估的效率。因此本发明提出的供应链数据评估装置,可以解决供应链数据评估效率较低的问题。
如图7所示,是本发明一实施例提供的实现所述供应链数据评估方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如供应链数据评估程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如供应链数据评估程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如供应链数据评估程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图7仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图7示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,该电子设备还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的供应链数据评估程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取供应链中的业务数据,对所述业务数据进行数据清洗处理及异常修复处理,得到原始业务变量;
对所述原始业务变量进行特征分箱处理及特征编码处理,得到编码业务变量;
计算所述编码业务变量的信息值,并基于所述信息值对所述编码业务变量进行特征筛选,得到筛选业务变量;
基于所述业务数据构建初始评估模型,并对所述初始评估模型进行逻辑回归处理,得到供应链数据评估模型;
基于预设的评估体系及所述供应链数据评估模型计算所述筛选业务变量的评估值。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取供应链中的业务数据,对所述业务数据进行数据清洗处理及异常修复处理,得到原始业务变量;
对所述原始业务变量进行特征分箱处理及特征编码处理,得到编码业务变量;
计算所述编码业务变量的信息值,并基于所述信息值对所述编码业务变量进行特征筛选,得到筛选业务变量;
基于所述业务数据构建初始评估模型,并对所述初始评估模型进行逻辑回归处理,得到供应链数据评估模型;
基于预设的评估体系及所述供应链数据评估模型计算所述筛选业务变量的评估值。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种供应链数据评估方法,其特征在于,所述方法包括:
获取供应链中的业务数据,对所述业务数据进行数据清洗处理及异常修复处理,得到原始业务变量;
对所述原始业务变量进行特征分箱处理及特征编码处理,得到编码业务变量;
计算所述编码业务变量的信息值,并基于所述信息值对所述编码业务变量进行特征筛选,得到筛选业务变量;
基于所述业务数据构建初始评估模型,并对所述初始评估模型进行逻辑回归处理,得到供应链数据评估模型;
基于预设的评估体系及所述供应链数据评估模型计算所述筛选业务变量的评估值。
2.如权利要求1所述的供应链数据评估方法,其特征在于,所述获取供应链中的业务数据,对所述业务数据进行数据清洗处理及异常修复处理,得到原始业务变量,包括:
获取所述供应链中所有上下游企业的业务数据,对所述业务数据中的业务变量进行缺失值检测及统计,得到统计数量大于等于预设阈值的第一业务变量,以及统计数量小于所述预设阈值的第二业务变量;
删除所述第一业务变量,并对所述第二业务变量进行异常修复处理,得到所述原始业务变量。
3.如权利要求1中所述的供应链数据评估方法,其特征在于,所述对所述原始业务变量进行特征分箱处理及特征编码处理,得到编码业务变量,包括:
对所述原始业务变量进行卡方分箱,得到变量分箱;
对所述变量分箱中的变量进行连续值编码,得到所述编码业务变量。
4.如权利要求3所述的供应链数据评估方法,其特征在于,所述对所述原始业务变量进行卡方分箱,得到变量分箱,包括:
对所述原始业务变量进行升序排列,并利用等频分箱进行粗分箱,得到多个分箱区间;
计算各相邻的分箱区间的卡方值,并对所述卡方值小于预设卡方阈值的分箱区间进行合并,得到标准区间;
对所述标准区间中的变量进行升序排列,并返回所述利用等频分箱进行粗分箱的步骤,直至得到的标准区间的数量小于等于预设的区间数量阈值,汇总标准区间及标准区间内的数据得到所述变量分箱。
5.如权利要求3所述的供应链数据评估方法,其特征在于,所述对所述变量分箱中的变量进行连续值编码,得到所述编码业务变量,包括:
对所述变量分箱中的变量进行目标标记,并统计每个变量分箱中所述目标标记的标记比例;
基于所述标记比例计算每个变量分箱中的WOE编码值作为所述编码业务变量:
Figure QLYQS_1
其中,WOEi为第i个变量分箱的编码值,Pi1为第i个变量分箱中第一标记的标记比例,Pi2为第i个变量分箱中第二标记的标记比例。
6.如权利要求1所述的供应链数据评估方法,其特征在于,所述计算所述编码业务变量的信息值,并基于所述信息值对所述编码业务变量进行特征筛选,得到筛选业务变量,包括:
利用预设的信息值公式计算每一变量分箱中所述编码业务变量的信息值,累加所有变量分箱中的信息值,得到信息总值;
对所有编码业务变量的信息总值进行排列,并选取预设个数的编码业务变量作为所述筛选业务变量。
7.如权利要求1所述的供应链数据评估方法,其特征在于,所述基于所述业务数据构建初始评估模型,并对所述初始评估模型进行逻辑回归处理,得到供应链数据评估模型,包括:
构建包括固定参数的初始评估模型;
利用所述业务数据计算所述初始评估模型中的固定参数的值;
对所述初始评估模型进行逻辑回归处理,计算出所述初始评估模型中的截距及模型变量,得到标准评估模型,并对所述标准评估模型进行变量展开处理,得到所述供应链数据评估模型。
8.一种供应链数据评估装置,其特征在于,所述装置包括:
数据清洗及编码模块,用于获取供应链中的业务数据,对所述业务数据进行数据清洗处理及异常修复处理,得到原始业务变量,对所述原始业务变量进行特征分箱处理及特征编码处理,得到编码业务变量;
变量筛选模块,用于计算所述编码业务变量的信息值,并基于所述信息值对所述编码业务变量进行特征筛选,得到筛选业务变量;
数据评估模块,用于基于所述业务数据构建初始评估模型,并对所述初始评估模型进行逻辑回归处理,得到供应链数据评估模型,基于预设的评估体系及所述供应链数据评估模型计算所述筛选业务变量的评估值。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的供应链数据评估方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的供应链数据评估方法。
CN202310138075.5A 2023-02-20 2023-02-20 供应链数据评估方法、装置、设备及存储介质 Pending CN115841279A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310138075.5A CN115841279A (zh) 2023-02-20 2023-02-20 供应链数据评估方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310138075.5A CN115841279A (zh) 2023-02-20 2023-02-20 供应链数据评估方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115841279A true CN115841279A (zh) 2023-03-24

Family

ID=85579920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310138075.5A Pending CN115841279A (zh) 2023-02-20 2023-02-20 供应链数据评估方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115841279A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325639A (zh) * 2018-12-06 2019-02-12 南京安讯科技有限责任公司 一种用于信用预测评估的信用评分卡自动化分箱方法
CN109345368A (zh) * 2018-08-22 2019-02-15 中国平安人寿保险股份有限公司 基于大数据的信用评估方法、装置、电子设备及存储介质
CN110659817A (zh) * 2019-09-16 2020-01-07 上海云从企业发展有限公司 一种数据处理方法、装置、机器可读介质及设备
CN112308702A (zh) * 2020-10-30 2021-02-02 北京云从科技有限公司 一种信贷风险评估方法、装置、介质及设备
CN113516417A (zh) * 2021-08-18 2021-10-19 平安银行股份有限公司 基于智能建模的业务评估方法、装置、电子设备及介质
CN114022269A (zh) * 2021-10-28 2022-02-08 江苏未至科技股份有限公司 一种公共信用领域企业信用风险评估方法
CN114519519A (zh) * 2022-02-16 2022-05-20 天元大数据信用管理有限公司 基于gbdt算法与逻辑回归模型的企业违约风险评估方法设备及介质
CN115081641A (zh) * 2022-07-13 2022-09-20 平安科技(深圳)有限公司 模型训练方法、评估结果的预测方法、设备及存储介质
CN115587887A (zh) * 2022-10-14 2023-01-10 北京商银微芯科技有限公司 基于供应链金融业务的团队欺诈识别方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345368A (zh) * 2018-08-22 2019-02-15 中国平安人寿保险股份有限公司 基于大数据的信用评估方法、装置、电子设备及存储介质
CN109325639A (zh) * 2018-12-06 2019-02-12 南京安讯科技有限责任公司 一种用于信用预测评估的信用评分卡自动化分箱方法
CN110659817A (zh) * 2019-09-16 2020-01-07 上海云从企业发展有限公司 一种数据处理方法、装置、机器可读介质及设备
CN112308702A (zh) * 2020-10-30 2021-02-02 北京云从科技有限公司 一种信贷风险评估方法、装置、介质及设备
CN113516417A (zh) * 2021-08-18 2021-10-19 平安银行股份有限公司 基于智能建模的业务评估方法、装置、电子设备及介质
CN114022269A (zh) * 2021-10-28 2022-02-08 江苏未至科技股份有限公司 一种公共信用领域企业信用风险评估方法
CN114519519A (zh) * 2022-02-16 2022-05-20 天元大数据信用管理有限公司 基于gbdt算法与逻辑回归模型的企业违约风险评估方法设备及介质
CN115081641A (zh) * 2022-07-13 2022-09-20 平安科技(深圳)有限公司 模型训练方法、评估结果的预测方法、设备及存储介质
CN115587887A (zh) * 2022-10-14 2023-01-10 北京商银微芯科技有限公司 基于供应链金融业务的团队欺诈识别方法及装置

Similar Documents

Publication Publication Date Title
CN114663198A (zh) 基于用户画像的产品推荐方法、装置、设备及存储介质
CN113516417A (zh) 基于智能建模的业务评估方法、装置、电子设备及介质
CN114997263B (zh) 基于机器学习的结训率分析方法、装置、设备及存储介质
CN114519524A (zh) 基于知识图谱的企业风险预警方法、装置及存储介质
CN114781832A (zh) 课程推荐方法、装置、电子设备及存储介质
CN111652278A (zh) 用户行为检测方法、装置、电子设备及介质
CN115081538A (zh) 基于机器学习的客户关系识别方法、装置、设备及介质
CN114491047A (zh) 多标签文本分类方法、装置、电子设备及存储介质
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN117193975A (zh) 任务调度方法、装置、设备及存储介质
CN113268665A (zh) 基于随机森林的信息推荐方法、装置、设备及存储介质
CN112579621A (zh) 数据展示方法、装置、电子设备及计算机存储介质
CN111652282A (zh) 基于大数据的用户偏好分析方法、装置及电子设备
CN113706172A (zh) 基于客户行为的投诉解决方法、装置、设备及存储介质
CN113658002A (zh) 基于决策树的交易结果生成方法、装置、电子设备及介质
CN113505273A (zh) 基于重复数据筛选的数据排序方法、装置、设备及介质
CN111460293B (zh) 信息推送方法、装置及计算机可读存储介质
CN112347739A (zh) 适用规则分析方法、装置、电子设备及存储介质
CN114708073B (zh) 一种围标串标智能检测方法、装置、电子设备及存储介质
CN113705201B (zh) 基于文本的事件概率预测评估算法、电子设备及存储介质
CN113435746B (zh) 用户工作量的评分方法、装置、电子设备及存储介质
CN115759746A (zh) 可配置化的用户预警方法、装置、电子设备及存储介质
CN112561500B (zh) 基于用户数据的薪酬数据生成方法、装置、设备及介质
CN115221274A (zh) 文本情感分类方法、装置、电子设备及存储介质
CN115082736A (zh) 垃圾识别分类方法、装置、电子设备及存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230324