CN115907786A - 一种基于知识图谱的供应商画像构建方法 - Google Patents
一种基于知识图谱的供应商画像构建方法 Download PDFInfo
- Publication number
- CN115907786A CN115907786A CN202211509011.3A CN202211509011A CN115907786A CN 115907786 A CN115907786 A CN 115907786A CN 202211509011 A CN202211509011 A CN 202211509011A CN 115907786 A CN115907786 A CN 115907786A
- Authority
- CN
- China
- Prior art keywords
- supplier
- data
- portrait
- knowledge graph
- knowledge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于知识图谱的供应商画像构建方法,所述构建方法包括以下步骤:采集供应商画像属性,对数据来源进行梳理;通过供应商画像、知识图谱实体和知识图谱关系构建模型;供应商画像围绕供应商信用数据和企业间关系信息对多源数据的融合和过滤。本发明通过对供应商画像属性及数据来源梳理、供应商画像知识抽取技术、知识图谱实体关联技术和知识图谱关系建模技术,画像属性及数据来源梳理围绕供应商的信用、能力、业绩三个维度,开展供应画像数据梳理工作,进行供应商征信风控、履约及质量风险的预判,最终进行优质供应商的选择。
Description
技术领域
本发明涉及电网用电管理技术领域,具体涉及一种基于知识图谱的供应商画像构建方法。
背景技术
近几年,随着电力改革的不断推进,输配电价改革、售电侧放开、交易体制改革等相关细节逐步披露,电力市场格局面临重大变革,保证电力服务质量,对进行供应商征信风控、履约及质量风险的预判,最终进行优质供应商的选择,是有效提升企业竞争力的重要手段。
申请号202110742593.9公开了一种基于知识图谱的电网供应商画像成像方法,包括步骤:构建画像标签体系,并设置画像标签体系中每个标签的分析规则;构建图谱的本体结构及本体结构间的关系;获取目标供应商数据,并将目标供应商数据填充至图数据库中,构建知识图谱;结合知识图谱中的数据及每个标签的分析规则计算得每个标签的维度得分;根据每个标签的维度得分构建得供应商标签画像。
上述技术存在以下不足:该成像方法无法将供应商信用、能力、业绩等指标进行关联,且知识图谱构建过程中未对供应商的各项指标进行评估,导致画像无法有效预判供应商征信风控、履约及质量风险。
发明内容
本发明的目的是提供一种基于知识图谱的供应商画像构建方法,以解决背景技术中不足。
为了实现上述目的,本发明提供如下技术方案:一种基于知识图谱的供应商画像构建方法,所述构建方法包括以下步骤:
S1:采集供应商画像属性,对数据来源进行梳理;
S2:通过供应商画像、知识图谱实体和知识图谱关系构建模型;
S3:供应商画像围绕供应商信用数据和企业间关系信息对多源数据的融合和过滤。
在一个优选的实施方式中,所述画像属性及数据来源梳理围绕供应商的信用、能力、业绩三个维度,开展供应画像数据梳理工作,认定供应商画像知识图谱的本体为企业、产品、人员,覆盖的数据信息属性包括资质业绩、服务、信用、产品、财务、人员。
在一个优选的实施方式中,所述供应商画像通过供应商画像知识抽取技术构建,所述知识图谱实体通过知识图谱实体关联技术构建,所述知识图谱关系通过知识图谱关系技术构建。
在一个优选的实施方式中,所述知识图谱实体关联包括以下步骤:
S2.1:数据云储,生成的数据库作为关联库;
S2.2:从生成的数据库中读取数据,并对数据进行筛选;
S2.3:生成形象化图谱,填充点与边元素;
S2.4:运用算法将图谱可视化,进行编排;
S2.5:交互操作,用户对生成的点和线元素进行操作。
在一个优选的实施方式中,所述知识图谱关系建模技术为知识图谱分析过程和对数据的知识图谱建,是对供应商的资质能力、履约能力、技术能力、设备质量、历史业绩、信用情况的评估,进行供应商征信风控、履约及质量风险的预判。
在一个优选的实施方式中,步骤S3中,对多源数据的融合包括以下步骤:
S3.1:根据DCHP分簇协议,对多源数据进行分簇,选出第一簇头和第二簇头;
S3.2:第一簇头将自身信息发送至汇聚点,汇聚点依据发来的信息构造BP神经网络;
S3.3:将BP算法的思想应用到多源数据的每一个簇当中,利用簇内成员点和第一簇头进行融合运算;
S3.4:每个簇对收集的数据信息进行简单处理,然后将结果发送到第一簇头点,根据隐含层和输出层的神经元函数进一步融合处理;
S3.5:第一簇头将融合后特征值发送给相邻第二簇头,再由第二簇头点发送到汇聚点,选出的第二簇头用于转发融合好的数据特征值。
在上述技术方案中,本发明提供的技术效果和优点:
本发明通过对供应商画像属性及数据来源梳理、供应商画像知识抽取技术、知识图谱实体关联技术和知识图谱关系建模技术,画像属性及数据来源梳理围绕供应商的信用、能力、业绩三个维度,开展供应画像数据梳理工作,认定供应商画像知识图谱的本体应为企业、产品、人员,覆盖的数据信息属性细分为资质业绩、服务、信用、产品、财务、人员六种类型,画像知识抽取技术是围绕供应商信用数据和企业间关系信息对多源数据的融合和过滤,知识图谱实体关联技术将供应商信用、能力、业绩等指标关联,知识图谱关系建模技术为知识图谱分析过程和对数据的知识图谱建,是对供应商的资质能力、履约能力、技术能力、设备质量、历史业绩、信用情况方面的评估,进行供应商征信风控、履约及质量风险的预判,最终进行优质供应商的选择。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明构建方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。
实施例1
请参阅图1所示,本实施例所述一种基于知识图谱的供应商画像构建方法,所述构建方法包括以下步骤:
采集供应商画像属性,并对数据来源进行梳理,其中,所述画像属性及数据来源梳理围绕供应商的信用、能力、业绩三个维度,开展供应画像数据梳理工作,认定供应商画像知识图谱的本体应为企业、产品、人员,覆盖的数据信息属性细分为资质业绩、服务、信用、产品、财务、人员六种类型;
通过供应商画像、知识图谱实体和知识图谱关系构建模型,供应商画像通过供应商画像知识抽取技术构建,知识图谱实体通过知识图谱实体关联技术构建,知识图谱关系通过知识图谱关系技术构建;
通过对供应商画像属性及数据来源梳理、供应商画像知识抽取技术、知识图谱实体关联技术和知识图谱关系建模技术,画像属性及数据来源梳理围绕供应商的信用、能力、业绩三个维度,开展供应画像数据梳理工作,认定供应商画像知识图谱的本体应为企业、产品、人员,覆盖的数据信息属性细分为资质业绩、服务、信用、产品、财务、人员六种类型,画像知识抽取技术是围绕供应商信用数据和企业间关系信息对多源数据的融合和过滤,知识图谱实体关联技术将供应商信用、能力、业绩等指标关联,知识图谱关系建模技术为知识图谱分析过程和对数据的知识图谱建,是对供应商的资质能力、履约能力、技术能力、设备质量、历史业绩、信用情况方面的评估,进行供应商征信风控、履约及质量风险的预判,最终进行优质供应商的选择。
供应商画像围绕供应商信用数据和企业间关系信息对多源数据的融合和过滤,具体的,所述画像知识抽取技术是围绕供应商信用数据和企业间关系信息对多源数据的融合和过滤。
所述知识图谱实体关联技术包括以下步骤:
1)数据云储,生成的数据库可以作为关联库;
2)从生成的数据库中读取数据,并对数据进行一定的筛选;
3)生成形象化图谱,填充点与边元素;
4)运用算法将图谱可视化,进行一定的编排,使其便于呈现,为后续分析提供便利;
5)交互操作,用户可以对生成的点和线元素进行实际操作。
实施例2
所述知识图谱关系建模技术为知识图谱分析过程和对数据的知识图谱建,是对供应商的资质能力、履约能力、技术能力、设备质量、历史业绩、信用情况方面的评估,进行供应商征信风控、履约及质量风险的预判,最终进行优质供应商的选择。
所述供应商画像及数据来源梳理围绕供应商的信用、能力、业绩三个维度;
开展供应画像数据梳理工作,认定供应商画像知识图谱的本体应为企业、产品、人员,覆盖的数据信息属性细分为资质业绩、服务、信用、产品、财务、人员六种类型。
所述画像知识抽取技术是围绕供应商信用数据和企业间关系信息对多源数据的融合和过滤,主要为企查查、国家企业信用信息公示系统、信用中国、国网发布供应商不良行为表单、应急管理部、住建部、能源局等外部信息来源和内部履约情况记录。
所述知识图谱实体关联技术,关键步骤:
1)数据云储,生成的数据库可以作为关联库;
2)从生成的数据库中读取数据,并对数据进行一定的筛选;
3)生成形象化图谱,填充点与边元素;
4)运用算法将图谱可视化,进行一定的编排,使其便于呈现,为后续分析提供便利;
5)交互操作,用户可以对生成的点和线元素进行实际操作。
所述知识图谱关系建模技术为知识图谱分析过程和对数据的知识图谱建,是对供应商的资质能力、履约能力、技术能力、设备质量、历史业绩、信用情况方面的评估,进行供应商征信风控、履约及质量风险的预判,最终进行优质供应商的选择。
该基于知识图谱的供应商画像构建方法,通过包括供应商画像属性及数据来源梳理、供应商画像知识抽取技术、知识图谱实体关联技术和知识图谱关系建模技术,画像属性及数据来源梳理围绕供应商的信用、能力、业绩三个维度,开展供应画像数据梳理工作,认定供应商画像知识图谱的本体应为企业、产品、人员,覆盖的数据信息属性细分为资质业绩、服务、信用、产品、财务、人员六种类型。画像知识抽取技术是围绕供应商信用数据和企业间关系信息对多源数据的融合和过滤。知识图谱实体关联技术将供应商信用、能力、业绩等指标关联。知识图谱关系建模技术为知识图谱分析过程和对数据的知识图谱建,是对供应商的资质能力、履约能力、技术能力、设备质量、历史业绩、信用情况方面的评估,进行供应商征信风控、履约及质量风险的预判,最终进行优质供应商的选择。
实施例3
所述画像知识抽取技术是围绕供应商信用数据和企业间关系信息对多源数据的融合和过滤。
数据融合:通过融合采集的多源数据,使最后得到的数据信息代表相关的含义,对监测对象特征的细致反映。
本实施例中,融合采集的多源数据基于BP神经网络算法进行数据融合,将DCHP分簇协议与BP神经网络相结合,得到一种基于BP神经网络的数据融合算法DCBP,具体步骤如下:
(1)根据DCHP分簇协议,对多源数据进行分簇,选出第一簇头和第二簇头;
(2)第一簇头将自身信息发送至汇聚点,汇聚点依据发来的信息构造BP神经网络;
(3)将BP算法的思想应用到多源数据的每一个簇当中,利用簇内成员点和第一簇头进行融合运算;
(4)每个簇对收集的数据信息进行简单处理,然后将结果发送到第一簇头点,根据隐含层和输出层的神经元函数进一步融合处理;
(5)第一簇头将融合后特征值发送给相邻第二簇头,再由第二簇头点发送到汇聚点,选出的第二簇头只用于转发融合好的数据特征值。
在多源数据中,假设一个簇中有n个成员点,那么输入层神经元的数目就为n,而输出层中神经元数目的确认则是通过实际情况进行调整的,与信息采集的类型、成员点数目没有直接关系。
假设输出层神经元个数为I,一般采用两种方法来确定输出层点数:当需输出信息较多时为log2I,或是当输出信息较少时为I,对于隐含层神经元的个数m的设定,是与一些因素相关的,比如训练样本的数目、样本噪声大小问题等。
通常作为计算最佳隐含层神经元点数的方法为试凑法,首先从隐含层中选择少数的隐点进行网络训练,之后开始慢慢增加隐点数目,在训练时都要选用同一个样本集,当网络误差为最小时确定隐点数目,目前运用试凑法,计算公式为:α设为1到10中间的数,公式得到的数目作为试凑法的初始值。
数据融合时需要通过BP神经网络训练过程得到相关参数值,但由于多源数据中的能量资源有限,所以整个网络通过DCHP协议完成分簇后,网络可以进入稳定的数据传输过程之前,需要利用汇聚点完成神经网络设计好之前的训练来获得各种参数值,比如神经元间的权值,这种方法可以节省点能量消耗,延长网络生命周期。
特别注意,通过DCHP协议将网络分簇后,选出的第一簇头将簇内点的信息发送到汇聚点,这个将选择哪些簇内信息发送到汇聚点的过程是根据实际应用的不同而决定的,然后汇聚点根据网络信息再进行神经网络训练,得到相关参数。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系,但也可能表示的是一种“和/或”的关系,具体可参考前后文进行理解。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、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,所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元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。
所述功能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取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-onlymemory,ROM)、随机存取存储器(randomaccessmemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种基于知识图谱的供应商画像构建方法,其特征在于:所述构建方法包括以下步骤:
S1:采集供应商画像属性,对数据来源进行梳理;
S2:通过供应商画像、知识图谱实体和知识图谱关系构建模型;
S3:供应商画像围绕供应商信用数据和企业间关系信息对多源数据的融合和过滤。
2.根据权利要求1所述的一种基于知识图谱的供应商画像构建方法,其特征在于:所述画像属性及数据来源梳理围绕供应商的信用、能力、业绩三个维度,开展供应画像数据梳理工作,认定供应商画像知识图谱的本体为企业、产品、人员,覆盖的数据信息属性包括资质业绩、服务、信用、产品、财务、人员。
3.根据权利要求2所述的一种基于知识图谱的供应商画像构建方法,其特征在于:所述供应商画像通过供应商画像知识抽取技术构建,所述知识图谱实体通过知识图谱实体关联技术构建,所述知识图谱关系通过知识图谱关系技术构建。
4.根据权利要求1所述的一种基于知识图谱的供应商画像构建方法,其特征在于:所述知识图谱实体关联包括以下步骤:
S2.1:数据云储,生成的数据库作为关联库;
S2.2:从生成的数据库中读取数据,并对数据进行筛选;
S2.3:生成形象化图谱,填充点与边元素;
S2.4:运用算法将图谱可视化,进行编排;
S2.5:交互操作,用户对生成的点和线元素进行操作。
5.根据权利要求3所述的一种基于知识图谱的供应商画像构建方法,其特征在于:所述知识图谱关系建模技术为知识图谱分析过程和对数据的知识图谱建,是对供应商的资质能力、履约能力、技术能力、设备质量、历史业绩、信用情况的评估,进行供应商征信风控、履约及质量风险的预判。
6.根据权利要求1所述的一种基于知识图谱的供应商画像构建方法,其特征在于:步骤S3中,对多源数据的融合包括以下步骤:
S3.1:根据DCHP分簇协议,对多源数据进行分簇,选出第一簇头和第二簇头;
S3.2:第一簇头将自身信息发送至汇聚点,汇聚点依据发来的信息构造BP神经网络;
S3.3:将BP算法的思想应用到多源数据的每一个簇当中,利用簇内成员点和第一簇头进行融合运算;
S3.4:每个簇对收集的数据信息进行简单处理,然后将结果发送到第一簇头点,根据隐含层和输出层的神经元函数进一步融合处理;
S3.5:第一簇头将融合后特征值发送给相邻第二簇头,再由第二簇头点发送到汇聚点,选出的第二簇头用于转发融合好的数据特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211509011.3A CN115907786A (zh) | 2022-11-29 | 2022-11-29 | 一种基于知识图谱的供应商画像构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211509011.3A CN115907786A (zh) | 2022-11-29 | 2022-11-29 | 一种基于知识图谱的供应商画像构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115907786A true CN115907786A (zh) | 2023-04-04 |
Family
ID=86478405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211509011.3A Pending CN115907786A (zh) | 2022-11-29 | 2022-11-29 | 一种基于知识图谱的供应商画像构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907786A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876103A (zh) * | 2024-03-12 | 2024-04-12 | 杭银消费金融股份有限公司 | 一种人行征信用户画像搭建方法及系统 |
-
2022
- 2022-11-29 CN CN202211509011.3A patent/CN115907786A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876103A (zh) * | 2024-03-12 | 2024-04-12 | 杭银消费金融股份有限公司 | 一种人行征信用户画像搭建方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230135157A1 (en) | System and method for predictive platforms in identity management artificial intelligence systems using analysis of network identity graphs | |
US10318908B2 (en) | Prioritizing client accounts | |
US11507489B2 (en) | Interactive model performance monitoring | |
Niu et al. | iConViz: Interactive visual exploration of the default contagion risk of networked-guarantee loans | |
Chen et al. | Same stats, different graphs: Exploring the space of graphs in terms of graph properties | |
CN115907786A (zh) | 一种基于知识图谱的供应商画像构建方法 | |
CN113450142B (zh) | 一种电力客户用电行为聚类分析方法及装置 | |
Zhou et al. | Visual analysis of money laundering in cryptocurrency exchange | |
CN110852809A (zh) | 一种数据处理方法、装置、设备及介质 | |
Yuan et al. | An evaluation index system for intellectual capital evaluation based on machine learning | |
CN117786223A (zh) | 基于大数据的审计数据分析方法及系统 | |
Alebrahim et al. | Optimizing functional and quality requirements according to stakeholders’ goals | |
WO2024007565A1 (en) | Network analysis using optical quantum computing | |
Massaro et al. | A case study of innovation in the implementation of a DSS system for intelligent insurance hub services | |
US10860651B2 (en) | Method, apparatus, and computer-readable medium for generation of missing data | |
US11341187B2 (en) | Method, apparatus, and computer-readable medium for missing data identification | |
WO2022064894A1 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
Mahalle et al. | Data Acquisition and Preparation | |
Huang | Rural E-Commerce Investment and Financing Model Based on Blockchain and Data Mining | |
Brito et al. | An agent-based model for detection in economic networks | |
Kolbel et al. | Performance management by causal mapping: An application field of knowledge management | |
Schirmer et al. | Visual support to filtering cases for process discovery | |
US20240152869A1 (en) | Software assessment tool for migrating computing applications using machine learning | |
Kong et al. | Performance Verification of Bayesian Network–Based Security Risk Management and Control System for Power Trading Institutions | |
Amekedzi | Using Business Intelligence Tools to Make Data-Driven Decisions |
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 |