CN115934963B - 用于企业金融获客的商业汇票大数据分析方法及应用图谱 - Google Patents
用于企业金融获客的商业汇票大数据分析方法及应用图谱 Download PDFInfo
- Publication number
- CN115934963B CN115934963B CN202211672801.3A CN202211672801A CN115934963B CN 115934963 B CN115934963 B CN 115934963B CN 202211672801 A CN202211672801 A CN 202211672801A CN 115934963 B CN115934963 B CN 115934963B
- Authority
- CN
- China
- Prior art keywords
- data
- supply chain
- enterprise
- business
- enterprises
- 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
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)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种用于企业金融获客的商业汇票大数据分析方法及应用图谱,其属于供应链金融产业大数据分析技术领域。它主要包括S1供应链元数据采集,包括从图像文件识别文字和从网页文件中识别文字;S2数据结构化,将S1中识别的文字按照供应链中不同的参与主体分类整理,形成完整的结构体;S3数据分析,对不同主体之间的关系进行聚类,分析处理S2中结构化的数据;S4数据建模,应用S3的数据分析结果进行数据渲染可视化,将所有的商业汇票流程上涉及到的企业形成节点数据并引入交互图形,通过关系图展示。本发明通过OCR光学字符识别算法交叉验证,将票据、发票等识别精度提升到99.9%。本发明主要用于供应链金融产业大数据分析。
Description
技术领域
本发明涉及供应链金融产业大数据分析技术领域,尤其涉及一种用于企业金融获客的商业汇票大数据分析方法及应用图谱。
背景技术
目前已存在的应用在金融行业的产业图谱产品,主要是根据企业信息,项目信息以及投资信息等基础元数据,分析各细分领域的政策解读,竞争对手情况,以及该细分领域的投资情况和专利布局等,为金融机构进行业务获客或者决策提供依据。金融机构开展供应链金融业务不仅仅是对贷款企业自身情况进行审查,还需要判断贷款企业的自身贸易情况,并且判断其是否存在于核心企业供应链。通常情况下金融机构会对核心企业进行授信,在没有直接信息佐证贷款企业为核心企业的供应链的链属企业时,需要向核心企业进行确权,证明贷款企业存在于核心企业供应链才会提供业务。但由于目前行业内产业图谱产品数据要素中缺少展示客户的业务关系、业务信息,以至于金融机构对企业开展供应链金融,或者基于供应链关系的普惠金融业务开展时,无法有效精准地获得判断依据。
中国专利文献CN114254126A公开了“一种基于大数据的供应链知识图谱分析方法”,利用企业数据相关信息构建企业本体信息图、从不同的数据获取企业信息数据并构建企业之间关系的三元组,通过图数据库储存企业本体信息图模型数据和企业关系,从而构建供应链知识图谱分析平台。该平台只能利用已经产生的知识图谱获取企业之间的联系和上下游关系,但无法计算企业之间贸易链条的最短路径、不能通过查询企业显示完整的供应链,数据孤岛问题严重,交互功能差。
发明内容
针对现有技术存在的不足,本发明的目的之一是提供一种用于企业金融获客的商业汇票大数据分析方法,其技术方案如下:
一种用于企业金融获客的商业汇票大数据分析方法,包括如下步骤:S1供应链元数据采集,包括从图像文件识别文字和从网页文件中识别文字;S2数据结构化,将S1中识别的文字按照供应链中不同的参与主体分类整理,形成完整的结构体,该结构体包括:企业信息、产业信息、供应链信息、票据信息、区域信息;S3数据分析,对不同主体之间的关系进行聚类,分析处理S2中结构化的数据;所述对不同主体之间的关系进行聚类,包括:计算企业之间最短贸易路径,不同产业内企业分布情况,供应链中参与企业数,供应链规模与总长度;S4数据建模,应用S3的数据分析结果进行数据渲染可视化,将所有的商业汇票流程上涉及到的企业形成节点数据并引入交互图形,通过关系图展示。
进一步地,S1中所述从图像文件识别文字,包括从承兑汇票、电子发票、营业执照、合同扫描件文件中采用OCR光学字符识别算法识别文字;所述从网页文件中识别文字,包括从企业网银、工商信息、票交所公开、电子税局网页中采用HTML超文本标记语言解析算法识别文字。通过采用上述技术方案,运用跨行业数据融合、多层次数据关联等数据采集解析技术,通过OCR光学字符识别算法交叉验证,将票据、发票等进行高精度识别。通过HTML超文本标记语言采集工具从网页快速准确抓取数据。
进一步地,S3中所述计算企业之间最短贸易路径,是对采集的海量供应链贸易数据进行计算,提取实体和关系,用图来描述企业之间的联系;图中每个企业是一个节点Node,任何两个企业之间的贸易关系是一条边Edge,根据贸易的方向特性,生成有权图,通过使用Dijkstra算法来计算企业之间贸易链条的最短路径。
企业之间最短贸易路径算法设计思路:每个企业为一个节点,记为:X、Y、Z等,如果企业XY之间存在直接贸易关系,则XY之间距离为1,如果XY、YZ分别存在直接贸易关系,但XZ不存在贸易关系,则XZ之间距离为2,以此类推,任意两个企业之间存在距离,由此问题简化为:计算一个节点到其他节点的最短路径,是运用广度优先搜索思想以起始点为中心向外层层扩展,直到扩展到终点为止。
详细计算过程:每个企业为一个节点,记为:A、B、C、D等,企业之间最短贸易路径算法步骤如下:指定一个节点,例如我们要计算‘A’到其他节点的最短路径;/>引入两个集合(S、U),S集合包含已求出的最短路径的点以及相应的最短长度,U集合包含未求出最短路径的点以及A到该点的路径,A->C由于没有直接相连初始时为∞;/>初始化两个集合,S集合初始时只有当前要计算的节点,A->A=0,U集合初始时为A->B=4,A->C=∞,A->D=2,A->E=∞;从U集合中找出路径最短的点,加入S集合,例如A->D=2;/>更新U集合路径,if(‘D到B,C,E的距离’+‘AD距离’<‘A到B,C,E的距离’)则更新U;/>循环执行/>、/>两步骤,直至遍历结束,得到A到其他节点的最短路径。通过采用上述技术方案,使用Dijkstra算法来计算企业之间贸易链条的最短路径,能够保证最短路径数据计算实时性和准确性。
进一步地,S4中所述数据渲染为后端渲染,利用后台分布式服务强大的计算能力,将每个节点的坐标直接计算出来返回给前端绘制。当节点数达到1万以上,图的绘制和渲染已经十分困难。通过采用上述技术方案,利用大数据实时计算引擎,将传统的前端渲染方案改为后端渲染,极大地提高量图谱的使用体验。
进一步地,S4中所述节点数据包括企业信息、供应链数据数组。
进一步地,所述供应链数据数组包括商业汇票编号、金额、开票人、开票时间、上一手背书人、背书时间、链条长度、链条位置。
针对现有技术存在的不足,本发明的目的之二是提供一种用于企业金融获客的商业汇票大数据应用图谱,其技术方案如下:
一种用于企业金融获客的商业汇票大数据应用图谱,包括:M1数据采集模块,用于采集并识别文字信息;M2数据结构化模块,用于将采集的数据分类整理形成完整的结构体;M3数据分析模块,用于分析处理结构化的数据;M4数据建模模块,用于将数据分析结果进行渲染可视化形成产业大数据图谱;M5数据查询模块,用于实现供应链图谱查询功能。通过采用上述技术方案,基于商业汇票信息进行供应链数据采集并结构化,通过数据分析建模形成节点数据,引入交互图形并通过关系图展示,能够精准展示贷款企业自身贸易情况、是否存在于核心企业供应链、上下游业务关系。
进一步地,M5中所述数据查询模块包括整体导航、各级浏览、关系查找三种查询方式。通过采用上述技术方案,整体导航模块可以查询出该企业作为开票方开立票据并逐级背书形成的完整供应链图谱;各级浏览模块可以根据查询结果逐级展示开票方开立票据每一级背书形成的完整供应链;关系查找模块可以查询开票企业和背书链任一级企业,查询出有无商业汇票逐级背书关系。
本发明的有益效果是:
1、供应链元数据采集过程,运用跨行业数据融合、多层次数据关联等数据采集解析技术,通过OCR光学字符识别算法交叉验证,将票据、发票等识别精度提升到99.9%。通过HTML超文本标记语言采集工具从网页抓取数据,将客户通过手工操作需要5分钟才能完成的数据上传动作时间缩短到秒级。
2、数据分析过程,通过对采集的海量供应链贸易数据进行计算,提取实体和关系,用有权图来描述企业之间的联系,使用Dijkstra算法来计算企业之间贸易链条的最短路径,能够保证最短路径数据计算实时性和准确性;利用后台分布式服务强大的计算能力,将每个节点的坐标直接计算出来返回给前端绘制,利用大数据实时计算引擎,将传统的前端渲染方案改为后端渲染,极大地提高量图谱的使用体验。
3、通过产业图谱,能够直观地了解一个企业的贸易上下游关系,追溯其在产业链中关系和在产业链中其所在到层级;金融机构可以通过产业图谱,判定其潜在贷款业务客户企业所对应的产业核心企业,确定其为第几级供应商,判定其供应链地位及供应链关系,进行供应链金融、基于供应链关系的普惠金融等业务的精准获客。
4、通过产业图谱,能够获取到核心企业其供应链所有通过商业汇票发生业务关系的链属企业名称及分布;金融机构可以通过产业图谱,快速获取一个产业核心企业所对应的供应链企业群体,作为判定其潜在供应链金融、基于供应链关系的普惠金融等业务客户企业群体批量获客。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例1中的用于企业金融获客的商业汇票大数据分析方法的流程示意图。
图2是本发明实施例2中的用于企业金融获客的商业汇票大数据应用图谱的流程示意图。
图3是本发明实施例1中的企业之间最短贸易路径示意图。
具体实施方式
以下将参照附图详细描述本发明的示例性实施例。应注意,以下的描述在本质上仅是解释性和示例性的,决不意在限制本发明及其应用或使用,除非另外特别说明,否则,在实施例阐述的组件和步骤的相对位置、数字表达式以及数值并不限制本发明的范围。另外,本领域技术人员已知的技术、方法和设备可能不被详细讨论,但在合适的情况下意在成为说明书的一部分。
实施例1为本发明公开的用于企业金融获客的商业汇票大数据分析方法。
图1是本发明实施例1中的用于企业金融获客的商业汇票大数据分析方法流程示意图,如图1所示,包括如下步骤:
S1供应链元数据采集,包括从图像文件识别文字和从网页文件中识别文字;S2数据结构化,将S1中识别的文字按照供应链中不同的参与主体分类整理,形成完整的结构体,该结构体包括:企业信息、产业信息、供应链信息、票据信息、区域信息;所述对不同主体之间的关系进行聚类,包括:计算企业之间最短贸易路径,不同产业内企业分布情况,供应链中参与企业数,供应链规模与总长度;S3数据分析,对不同主体之间的关系进行聚类,分析处理S2中结构化的数据;S4数据建模,应用S3的数据分析结果进行数据渲染可视化,将所有的商业汇票流程上涉及到的企业形成节点数据并引入交互图形,通过关系图展示。
步骤S1中从图像文件识别文字,包括从承兑汇票、电子发票、营业执照、合同扫描件文件中采用OCR光学字符识别算法识别文字;从网页文件中识别文字,包括从企业网银、工商信息、票交所公开、电子税局网页中采用HTML超文本标记语言解析算法识别文字。通过采用上述技术方案,运用跨行业数据融合、多层次数据关联等数据采集解析技术,通过OCR光学字符识别算法交叉验证,将票据、发票等识别精度提升到99.9%。通过HTML超文本标记语言采集工具从网页抓取数据,将客户通过手工操作需要5分钟才能完成的数据上传动作时间缩短到秒级。
步骤S3中所述计算企业之间最短贸易路径,是对采集的海量供应链贸易数据进行计算,提取实体和关系,用图来描述企业之间的联系;图中每个企业是一个节点Node,任何两个企业之间的贸易关系是一条边Edge,根据贸易的方向特性,生成有权图,通过使用Dijkstra算法来计算企业之间贸易链条的最短路径。
企业之间最短贸易路径算法设计思路:每个企业为一个节点,记为:X、Y、Z等,如果企业XY之间存在直接贸易关系,则XY之间距离为1,如果XY、YZ分别存在直接贸易关系,但XZ不存在贸易关系,则XZ之间距离为2,以此类推,任意两个企业之间存在距离,由此问题简化为:计算一个节点到其他节点的最短路径,是运用广度优先搜索思想以起始点为中心向外层层扩展,直到扩展到终点为止。图3为企业之间最短贸易路径示意图,每个企业为一个节点,记为:A、B、C、D等,企业之间最短贸易路径算法步骤如下:指定一个节点,例如我们要计算‘A’到其他节点的最短路径;/>引入两个集合(S、U),S集合包含已求出的最短路径的点以及相应的最短长度,U集合包含未求出最短路径的点以及A到该点的路径,A->C由于没有直接相连初始时为∞;/>初始化两个集合,S集合初始时只有当前要计算的节点,A->A=0,U集合初始时为A->B=4,A->C=∞,A->D=2,A->E=∞;/>从U集合中找出路径最短的点,加入S集合,例如A->D=2;/>更新U集合路径,if(‘D到B,C,E的距离’+‘AD距离’<‘A到B,C,E的距离’)则更新U;/>循环执行/>、/>两步骤,直至遍历结束,得到A到其他节点的最短路径。
通过采用上述技术方案,其优点是:首先,能够减少操作人员的操作步骤,提高工作效率;其次,自动计算任何两个企业之间的供应关系、供应链规模长度等信息,为后面的数据分析做好准备。第三,使用Dijkstra算法来计算企业之间贸易链条的最短路径,能够保证最短路径数据计算实时性和准确性。
步骤S4中所述数据渲染为后端渲染,利用后台分布式服务强大的计算能力,将每个节点的坐标直接计算出来返回给前端绘制。当节点数达到1万以上,图的绘制和渲染已经十分困难。通过采用上述技术方案,利用大数据实时计算引擎,将传统的前端渲染方案改为后端渲染,极大地提高量图谱的使用体验。所述节点数据包括企业信息、供应链数据数组,所述供应链数据数组包括商业汇票编号、金额、开票人、开票时间、上一手背书人、背书时间、链条长度、链条位置。
实施例2为本发明公开的用于企业金融获客的商业汇票大数据应用图谱。
图2是本发明用于企业金融获客的商业汇票大数据应用图谱的流程示意图,如图2所示,包括如下步骤:
一种用于企业金融获客的商业汇票大数据应用图谱,包括:M1数据采集模块,用于采集并识别文字信息;M2数据结构化模块,用于将采集的数据分类整理形成完整的结构体;M3数据分析模块,用于分析处理结构化的数据;M4数据建模模块,用于将数据分析结果进行渲染可视化形成产业大数据图谱;M5数据查询模块,用于实现供应链图谱查询功能。M5中所述数据查询模块包括整体导航、各级浏览、关系查找三种查询方式。整体导航模块可以查询出该企业作为开票方开立票据并逐级背书形成的完整供应链图谱;各级浏览模块可以根据查询结果逐级展示开票方开立票据每一级背书形成的完整供应链;关系查找模块可以查询开票企业和背书链任一级企业,查询出有无商业汇票逐级背书关系。
通过采用上述技术方案,基于商业汇票信息进行供应链数据采集并结构化,通过数据分析建模形成节点数据,引入交互图形并通过关系图展示,能够精准展示贷款企业自身贸易情况、是否存在于核心企业供应链、上下游业务关系。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种用于企业金融获客的商业汇票大数据分析方法,其特征在于,包括:
S1供应链元数据采集,包括从图像文件识别文字和从网页文件中识别文字;
S2数据结构化,将S1中识别的文字按照供应链中不同的参与主体分类整理,形成完整的结构体,该结构体包括:企业信息、产业信息、供应链信息、票据信息、区域信息;
S3数据分析,对不同主体之间的关系进行聚类,分析处理S2中结构化的数据;所述对不同主体之间的关系进行聚类,包括:计算企业之间最短贸易路径,不同产业内企业分布情况,供应链中参与企业数,供应链规模与总长度;
所述计算企业之间最短贸易路径,是对采集的海量供应链贸易数据进行计算,提取实体和关系,用图来描述企业之间的联系;图中每个企业是一个节点Node,任何两个企业之间的贸易关系是一条边Edge,根据贸易的方向特性,生成有向有权图,通过使用Dijkstra算法来计算企业之间贸易链条的最短路径;
通过对所述不同主体之间的关系进行聚类,金融机构能够确定潜在贷款业务客户企业的贸易上下游关系、追溯其在产业链中关系和在产业链中其所在到层级,判定潜在贷款业务客户企业所对应的产业核心企业、确定其为第几级供应商、判定其供应链地位及供应链关系,进行供应链金融、基于供应链关系的普惠金融业务的精准获客;
通过所对所述不同主体之间的关系进行聚类,金融机构能够获取核心企业供应链所有通过商业汇票发生业务关系的链属企业名称及分布,获取产业核心企业所对应的供应链企业群体,判定其潜在供应链金融、基于供应链关系的普惠金融业务的客户企业群体并批量获客;
S4数据建模,应用S3的数据分析结果进行数据渲染可视化,将所有的商业汇票流程上涉及到的企业形成节点数据并引入交互图形,通过关系图展示;可以查询该企业作为开票方开立票据并逐级背书形成的完整供应链图谱,可以根据查询结果逐级展示开票方开立票据每一级背书形成的完整供应链,可以查询开票企业和背书链任一级企业、查询出有无商业汇票逐级背书关系。
2.根据权利要求1所述的用于企业金融获客的商业汇票大数据分析方法,其特征在于:S1中所述从图像文件识别文字,包括从承兑汇票、电子发票、营业执照、合同扫描件文件中采用OCR光学字符识别算法识别文字;S1中所述从网页文件中识别文字,包括从企业网银、工商信息、票交所公开、电子税局网页中采用HTML超文本标记语言解析算法识别文字。
3.根据权利要求1所述的用于企业金融获客的商业汇票大数据分析方法,其特征在于:S4中所述数据渲染为后端渲染,利用后台分布式服务强大的计算能力,将每个节点的坐标直接计算出来返回给前端绘制。
4.根据权利要求1所述的用于企业金融获客的商业汇票大数据分析方法,其特征在于:S4中所述节点数据包括企业信息、供应链数据数组。
5.根据权利要求4所述的用于企业金融获客的商业汇票大数据分析方法,其特征在于:所述供应链数据数组包括商业汇票编号、金额、开票人、开票时间、上一手背书人、背书时间、链条长度、链条位置。
6.一种用于企业金融获客的商业汇票大数据应用图谱,采用如权利要求1~5任一所述的用于企业金融获客的商业汇票大数据分析方法,其特征在于,包括:
M1数据采集模块,用于采集并识别文字信息;
M2数据结构化模块,用于将采集的数据分类整理形成完整的结构体;
M3数据分析模块,用于分析处理结构化的数据;
M4数据建模模块,用于将数据分析结果进行渲染可视化形成产业大数据图谱;
M5数据查询模块,用于实现供应链图谱查询功能。
7.根据权利要求6所述的用于企业金融获客的商业汇票大数据应用图谱,其特征在于:M5中所述数据查询模块包括整体导航、各级浏览、关系查找三种查询方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211672801.3A CN115934963B (zh) | 2022-12-26 | 2022-12-26 | 用于企业金融获客的商业汇票大数据分析方法及应用图谱 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211672801.3A CN115934963B (zh) | 2022-12-26 | 2022-12-26 | 用于企业金融获客的商业汇票大数据分析方法及应用图谱 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115934963A CN115934963A (zh) | 2023-04-07 |
CN115934963B true CN115934963B (zh) | 2023-07-18 |
Family
ID=86698931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211672801.3A Active CN115934963B (zh) | 2022-12-26 | 2022-12-26 | 用于企业金融获客的商业汇票大数据分析方法及应用图谱 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115934963B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541537B (zh) * | 2023-06-06 | 2023-11-03 | 简单汇信息科技(广州)有限公司 | 一种基于知识图谱的企业贸易信息可视化展示方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326377A (zh) * | 2021-06-02 | 2021-08-31 | 上海生腾数据科技有限公司 | 一种基于企业关联关系的人名消歧方法及系统 |
CN113934893A (zh) * | 2020-07-13 | 2022-01-14 | 第四范式(北京)技术有限公司 | 图谱的展示方法、装置、计算机装置和可读存储介质 |
CN114817557A (zh) * | 2022-03-24 | 2022-07-29 | 北京邮电大学 | 基于企业征信大数据知识图谱的企业风险检测方法和装置 |
CN114996371A (zh) * | 2022-08-03 | 2022-09-02 | 广东中盈盛达数字科技有限公司 | 基于图论算法的关联企业反欺诈模型构建方法及系统 |
CN115293575A (zh) * | 2022-08-05 | 2022-11-04 | 成都数之联科技股份有限公司 | 产业发展评估方法、装置和电子设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9049249B2 (en) * | 2012-11-26 | 2015-06-02 | Linkedin Corporation | Techniques for inferring an organizational hierarchy from a social graph |
US9553793B2 (en) * | 2012-12-31 | 2017-01-24 | Teradata Us, Inc. | Single source shortest path resolution |
CN113850675A (zh) * | 2020-06-28 | 2021-12-28 | 航天信息股份有限公司 | 用于企业交易关系数据的信息处理方法和装置 |
CN114254126A (zh) * | 2021-12-21 | 2022-03-29 | 钛镕智能科技(苏州)有限公司 | 一种基于大数据的供应链知识图谱分析方法 |
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 |
-
2022
- 2022-12-26 CN CN202211672801.3A patent/CN115934963B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113934893A (zh) * | 2020-07-13 | 2022-01-14 | 第四范式(北京)技术有限公司 | 图谱的展示方法、装置、计算机装置和可读存储介质 |
CN113326377A (zh) * | 2021-06-02 | 2021-08-31 | 上海生腾数据科技有限公司 | 一种基于企业关联关系的人名消歧方法及系统 |
CN114817557A (zh) * | 2022-03-24 | 2022-07-29 | 北京邮电大学 | 基于企业征信大数据知识图谱的企业风险检测方法和装置 |
CN114996371A (zh) * | 2022-08-03 | 2022-09-02 | 广东中盈盛达数字科技有限公司 | 基于图论算法的关联企业反欺诈模型构建方法及系统 |
CN115293575A (zh) * | 2022-08-05 | 2022-11-04 | 成都数之联科技股份有限公司 | 产业发展评估方法、装置和电子设备 |
Non-Patent Citations (2)
Title |
---|
Opitimization of logistics route based on Dijkstra;Xin Zhang等;《2015 6th IEEE International conference on software engineering and service science》;1-8 * |
基于复杂网络的供应网络复杂性研究;谭燕军;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;J152-1447 * |
Also Published As
Publication number | Publication date |
---|---|
CN115934963A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sugimoto et al. | Measuring research: What everyone needs to know | |
He et al. | A database linking Chinese patents to China’s census firms | |
CN112561598A (zh) | 基于客户画像的客户流失预测及挽回方法和系统 | |
CN111651552B (zh) | 结构化信息确定方法、装置和电子设备 | |
CN115934963B (zh) | 用于企业金融获客的商业汇票大数据分析方法及应用图谱 | |
Chai et al. | Crowdchart: Crowdsourced data extraction from visualization charts | |
CN117112782A (zh) | 一种招标公告信息提取方法 | |
Zhang et al. | Research on technology prospect risk of high-tech projects based on patent analysis | |
Cheng et al. | Analysis of the application of big data in banking sector | |
CN117217634B (zh) | 一种基于复杂网络的企业合作社区发现方法 | |
Stefanov et al. | Issues in the Disclosure of Financial Information by Multinational Enterprises. | |
Maulida | Clustering research on Islamic fintech studies | |
Chen et al. | Data analysis and knowledge discovery in web recruitment—based on big data related jobs | |
CN112668335A (zh) | 一种利用命名实体识别提取营业执照结构化信息的方法 | |
TW201843639A (zh) | 金融商情分析平台 | |
Li et al. | Traffic peak period detection using traffic index cloud maps | |
CN110070264A (zh) | 合同评价方法、平台、设备及可读存储介质 | |
Singh et al. | Study of a memory type shrinkage estimator of population mean in quality control process | |
Oyama et al. | Crowdsourcing chart digitizer: task design and quality control for making legacy open data machine-readable | |
Jonker et al. | Industry-driven visual analytics for understanding financial timeseries models | |
Zhang et al. | Construction of portrait system of listed companies based on big data | |
Wu et al. | Policy evolution and effect evaluation of Zhejiang manufacturing industry based on text data | |
Zhao et al. | Research on Credit Evaluation System of E-business Enterprises from The Perspective of Organizational Resilience Theory | |
Ranscombe et al. | Investigating shape comparison tools for benchmarking differences in product appearance during product styling | |
Liao et al. | The Impact of Social Media Sentiment on Stock Market Based on User Classification |
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 |