CN116109195B - 一种基于图卷积神经网络的绩效评估方法及系统 - Google Patents

一种基于图卷积神经网络的绩效评估方法及系统 Download PDF

Info

Publication number
CN116109195B
CN116109195B CN202310154103.2A CN202310154103A CN116109195B CN 116109195 B CN116109195 B CN 116109195B CN 202310154103 A CN202310154103 A CN 202310154103A CN 116109195 B CN116109195 B CN 116109195B
Authority
CN
China
Prior art keywords
performance
feature
graph
neural network
hidden
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
Application number
CN202310154103.2A
Other languages
English (en)
Other versions
CN116109195A (zh
Inventor
胡为民
熊自康
杨琳珺
傅红宇
龙琪
于庆丰
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.)
Shenzhen Dib Enterprise Risk Management Technology Co ltd
Original Assignee
Shenzhen Dib Enterprise Risk Management Technology 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 Shenzhen Dib Enterprise Risk Management Technology Co ltd filed Critical Shenzhen Dib Enterprise Risk Management Technology Co ltd
Priority to CN202310154103.2A priority Critical patent/CN116109195B/zh
Publication of CN116109195A publication Critical patent/CN116109195A/zh
Application granted granted Critical
Publication of CN116109195B publication Critical patent/CN116109195B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于图卷积神经网络的绩效评估方法及系统，该方法包括：获取目标企业的经营特征集合，并对经营特征集合进行标准化和拼接处理后，输入特征编码模型，获得目标企业的经营特征编码集合；将经营特征编码集合中所有元素输入预先训练得到的Transformer网络，获得目标企业的多个隐藏特征向量以及每个隐藏特征向量与多个绩效指标之间的相关性分值；根据相关性分值对隐藏特征向量与绩效指标进行匹配，并根据匹配结果构建经营与绩效关系图；将经营与绩效关系图输入预先训练得到的图卷积神经网络，得到绩效指标评估结果。本发明实现了高效率、高准确度和智能化的绩效评估，有利于降低企业经营风险，提高企业的经营效率。

Description

一种基于图卷积神经网络的绩效评估方法及系统
技术领域
本发明涉及机器学习技术领域，尤其涉及一种基于图卷积神经网络的绩效评估方法及系统。
背景技术
绩效评估是企业对各季度内项目达标情况和企业经营情况进行检验的重要管理手段。对企业进行绩效评估是为了帮助企业更好地调整短期经营目标，减少在经营过程中人力资源和资金的浪费，从而更好地提高企业的经营效率。
传统的绩效评估方法采用人工处理的方式，在收集数据、评估数据和审核数据过程中工作量较大，整体处理流程复杂，从而导致绩效评估效率较低，且受限于审核人员的主观判断，容易造成对企业当前经营情况的片面评估。
针对传统的绩效评估方法存在的上述问题，中国专利文献CN110675017A提出了基于人工智能的绩效评估方法，通过K深度神经网络模型获取与网络模型具有映射关系的K个评价指标的分数，并对K个评价指标的分数按照预设权重相加，得到绩效分数，但是，该方法针对不同的评价指标需要构建对应的深度神经网络模型，增加了数据计算量，不利于快速进行绩效评估。
发明内容
基于此，本发明要解决的技术问题在于克服现有技术中的绩效评估方法，由于数据计算量较大导致的绩效评估效率较低的问题，从而提供一种基于图卷积神经网络的绩效评估方法及系统。
为解决上述问题，本发明实施例提供了一种基于图卷积神经网络的绩效评估方法，包括：
获取目标企业的经营特征集合，并对所述经营特征集合进行标准化处理；
对标准化的经营特征集合中所有元素进行拼接处理后，输入预设的特征编码模型，获得所述目标企业的经营特征编码集合；
将所述经营特征编码集合中所有元素输入预先训练得到的Transformer网络，获得目标企业的多个隐藏特征向量以及每个隐藏特征向量与多个绩效指标之间的相关性分值；
根据所述相关性分值对所述隐藏特征向量与所述绩效指标进行匹配，并根据匹配结果构建经营与绩效关系图；
将所述经营与绩效关系图输入预先训练得到的图卷积神经网络，得到绩效指标评估结果。
可选地，所述获取目标企业的经营特征集合之前，所述方法还包括：
获取原始数据集；所述原始数据集包含多个样本企业的经营特征数据以及经营特征数据对应的绩效指标真实分数标签；
通过对所述原始数据集中的经营特征数据标准化、拼接及编码后，得到训练数据集；所述训练数据集包含与多个所述经营特征数据对应的多个经营特征编码；
构建Transformer网络和图卷积神经网络；所述Transformer网络包含四个多头注意力层、一个可学习线性映射层和一个激活函数层；所述图卷积神经网络包含两个图卷积层和一个激活函数层；
将所述训练数据集中的经营特征编码输入所述Transformer网络，通过所述多头注意力层获取所述经营特征编码的隐藏特征向量，并通过所述可学习线性映射层计算所述隐藏特征向量与多个绩效指标之间的相关性分值后，通过所述激活函数层进行输出；
根据所述隐藏特征向量与多个绩效指标之间的相关性分值、排序学习损失函数，采用随机梯度下降算法训练优化所述Transformer网络的参数，以得到训练好的Transformer网络；
根据各所述样本企业的隐藏特征向量和所述隐藏特征向量与多个绩效指标之间的相关性分值，构建各所述样本企业的经营与绩效关系图；
将各所述样本企业的经营与绩效关系图输入所述图卷积神经网络，通过所述图卷积层获取所述经营与绩效关系图的特征矩阵，并通过所述激活函数层输出多个绩效指标的分数；
根据多个所述绩效指标的分数、所述绩效指标真实分数标签和均方差损失函数，采用随机梯度下降算法训练优化所述图卷积神经网络的参数，以得到训练好的图卷积神经网络。
可选地，所述相关性分值的计算公式为：
Figure SMS_1
，
其中，
Figure SMS_4
为隐藏特征向量/>
Figure SMS_7
与绩效指标/>
Figure SMS_10
之间的相关性分值，/>
Figure SMS_3
为隐藏特征向量/>
Figure SMS_6
与第/>
Figure SMS_9
个绩效指标/>
Figure SMS_11
之间的相关性分值，/>
Figure SMS_2
为绩效指标的种类数量，
Figure SMS_5
为sigmoid激活函数，/>
Figure SMS_8
为可学习线性映射层算子。
可选地，所述排序学习损失函数为：
Figure SMS_12
，
其中，
Figure SMS_13
为排序学习损失函数，/>
Figure SMS_14
为Transformer网络的参数，/>
Figure SMS_15
、/>
Figure SMS_16
为所述Transformer网络预测的任意两个相关性分值，分别对应隐藏特征向量与排序位置靠前绩效指标和排序位置靠后绩效指标的相关性分值。
可选地，所述均方差损失函数为：
Figure SMS_17
，
其中，
Figure SMS_19
为均方差损失函数，/>
Figure SMS_21
为图卷积神经网络的参数，/>
Figure SMS_23
为样本企业的数量，/>
Figure SMS_20
为绩效指标的种类数量；/>
Figure SMS_22
为预测的第/>
Figure SMS_24
个绩效指标的分数，/>
Figure SMS_25
为第/>
Figure SMS_18
个绩效指标真实分数标签。
可选地，所述获取目标企业的经营特征集合，并对所述经营特征集合进行标准化处理，包括：
获取目标企业在各业务范围内的投入人员占比、投入收益率、投入增幅比例和市场占有率；
根据所述投入人员占比、投入收益率、投入增幅比例和市场占有率，构建所述目标企业的经营特征集合；
将所述经营特征集合中每个元素的值映射至预设标准范围内，得到标准后的经营特征集合。
可选地，所述对标准化的经营特征集合中所有元素进行拼接处理后，输入预设的特征编码模型，获得所述目标企业的经营特征编码集合，包括：
对标准化的经营特征集合中所有元素进行拼接处理，得到所述目标企业的特征拼接数据；
获取特征编码模型；所述特征编码模型包含一个可学习线性映射层；
将所述特征拼接数据输入所述特征编码模型，通过所述可学习线性映射层生成每一个元素的经营特征编码，并生成经营特征编码集合。
可选地，所述根据所述相关性分值对所述隐藏特征向量与所述绩效指标进行匹配，并根据匹配结果构建经营与绩效关系图，包括：
将所述隐藏特征向量与多个绩效指标之间的相关性分值与预设阈值进行比较，过滤出所述隐藏特征向量中相关性分值大于预设阈值的绩效指标；
将所述隐藏特征向量、过滤的绩效指标，确定为待构建的经营与绩效关系图的第一节点和第二节点；
将所述隐藏特征向量与绩效指标之间的相关性分值，确定为所述第一节点与所述第二节点之间的边属性；
根据所述第一节点、所述第二节点和所述第一节点与所述第二节点之间的边属性，构建经营与绩效关系图。
此外，本发明实施例还提供一种基于图卷积神经网络的绩效评估系统，包括：
经营特征获取模块，用于获取目标企业的经营特征集合，并对所述经营特征集合进行标准化处理；
特征编码模块，用于对标准化的经营特征集合中所有元素进行拼接处理后，输入预设的特征编码模型，获得所述目标企业的经营特征编码集合；
相关系预测模块，用于将所述经营特征编码集合中所有元素输入预先训练得到的Transformer网络，获得目标企业的多个隐藏特征向量以及每个隐藏特征向量与多个绩效指标之间的相关性分值；
经营数据匹配模块，用于根据所述相关性分值对所述隐藏特征向量与所述绩效指标进行匹配，并根据匹配结果构建经营与绩效关系图；
绩效评估模块，用于将所述经营与绩效关系图输入预先训练得到的图卷积神经网络，得到绩效指标评估结果。
可选地，所述基于图卷积神经网络的绩效评估系统还包括：
原始数据获取模块，用于获取原始数据集；所述原始数据集包含多个样本企业的经营特征数据以及经营特征数据对应的绩效指标真实分数标签；
数据处理模块，用于通过对所述原始数据集中的经营特征数据标准化、拼接及编码后，得到训练数据集；所述训练数据集包含与多个所述经营特征数据对应的多个经营特征编码；
网络构建模块，用于构建Transformer网络和图卷积神经网络；所述Transformer网络包含四个多头注意力层、一个可学习线性映射层和一个激活函数层；所述图卷积神经网络包含两个图卷积层和一个激活函数层；
第一训练模块，用于将所述训练数据集中的经营特征编码输入所述Transformer网络，通过所述多头注意力层获取所述经营特征编码的隐藏特征向量，并通过所述可学习线性映射层计算所述隐藏特征向量与多个绩效指标之间的相关性分值后，通过所述激活函数层进行输出；以及用于根据所述隐藏特征向量与多个绩效指标之间的相关性分值、排序学习损失函数，采用随机梯度下降算法训练优化所述Transformer网络的参数，以得到训练好的Transformer网络；
关系图构建模块，用于根据各所述样本企业的隐藏特征向量和所述隐藏特征向量与多个绩效指标之间的相关性分值，构建各所述样本企业的经营与绩效关系图；
第二训练模块，用于将各所述样本企业的经营与绩效关系图输入所述图卷积神经网络，通过所述图卷积层获取所述经营与绩效关系图的特征矩阵，并通过所述激活函数层输出多个绩效指标的分数；以及根据多个所述绩效指标的分数、所述绩效指标真实分数标签和均方差损失函数，采用随机梯度下降算法训练优化所述图卷积神经网络的参数，以得到训练好的图卷积神经网络。
本发明的实施例提供的基于图卷积神经网络的绩效评估方法及系统可以具有以下有益效果：
1）根据多维度的经营特征数据对目标企业进行多维度绩效评估，可以实现全面的绩效评估；
2）根据Transformer网络预测的隐藏特征向量与多个绩效指标之间的相关性，构建经营与绩效关系图，可以筛除相关性较低的绩效指标与隐藏特征向量的关系，避免冗余的关系信息引入绩效评估，从而有利于提高绩效评估的准确度；
3）通过图卷积神经网络获取经营与绩效关系图的特征信息，并根据经营与绩效关系图的特征信息获得目标企业的绩效指标评估结果，实现了高效率、高准确度和智能化的绩效评估，有利于降低企业经营风险，提高企业的经营效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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示出了本发明一实施例所提供的一种基于图卷积神经网络的绩效评估方法的流程图；
图2示出了本发明一实施例所提供的一种基于图卷积神经网络的绩效评估系统的结构示意图；
图3示出了本发明另一实施例所提供的一种基于图卷积神经网络的绩效评估系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的系统和方法的例子。
如图1所示，本发明一实施例所提供的一种基于图卷积神经网络的绩效评估方法的流程图，所述基于图卷积神经网络的绩效评估方法包括以下步骤：
S10，获取目标企业的经营特征集合，并对所述经营特征集合进行标准化处理。
在步骤S10中，目标企业是指需要进行绩效评估的企业。经营特征集合包含目标企业的多个经营特征数据，经营特征数据包含但不限于目标企业在各业务范围内的投入人员占比、投入收益率、投入增幅比例和市场占有率等。
也即，获取目标企业的经营特征集合，对于经营特征集合所有的经营特征数据，经过标准化处理后，得到标准化的经营特征集合，该标准化的经营特征集合可以表示为
Figure SMS_26
，/>
Figure SMS_27
为经营特征数据的类别数量。
S20，对标准化的经营特征集合中所有元素进行拼接处理后，输入预设的特征编码模型，获得目标企业的经营特征编码集合。
也即，将经营特征集合中所有的经营特征数据进行拼接后，输入预设的特征编码模型进行特征数据编码，以得到包含多个经营特征编码的经营特征编码集合，该经营特征编码集合可以表示为
Figure SMS_28
。可理解的，经营特征编码集合中的经营特征编码/>
Figure SMS_29
与经营特征集合中的经营特征数/>
Figure SMS_30
存在一一对应关系。
S30，将所述经营特征编码集合中所有元素输入预先训练得到的Transformer网络，获得目标企业的多个隐藏特征向量以及每个隐藏特征向量与多个绩效指标之间的相关性分值。
在步骤S30中，Transformer网络包含四个多头注意力层，每个多头注意力层包含6个注意力头，Transformer网络还包含一个可学习线性映射层和一个激活函数层。多头注意力层用于提取输入参数（即经营特征编码）的隐藏特征，可学习线性映射层用于计算隐藏特征向量与多个绩效指标之间的相关性，激活函数层用于输出隐藏特征向量与多个绩效指标之间的相关性分值。
也即，以经营特征编码集合
Figure SMS_31
中的所有经营特征编码为输入参数，输入预先训练好的Transformer网络，通过多头注意力层获取目标企业的多个隐藏特征向量/>
Figure SMS_32
，并通过多头注意力层和激活函数层获取每个隐藏特征向量/>
Figure SMS_33
与多个绩效指标/>
Figure SMS_34
之间的相关性分值。作为优选，隐藏特征向量的计算公式为：
Figure SMS_35
，
其中，
Figure SMS_36
为隐藏特征向量，/>
Figure SMS_37
为Transformer网络。
S40，根据所述相关性分值对所述隐藏特征向量与所述绩效指标进行匹配，并根据匹配结果构建经营与绩效关系图。
在步骤S40中，匹配结果是指相关性分值大于预设阈值的隐藏特征向量与绩效指标之间的关系，可选地，预设阈值
Figure SMS_38
设置为0.9。经营与绩效关系图是指以经营特征数据对应的隐藏特征向量和绩效指标为节点，以隐藏特征向量与绩效指标之间的关系为边的知识图谱。
也即，对于每一个隐藏特征向量，根据相关性分值对隐藏特征向量与绩效指标进行匹配，以获得相关性分值大于预设阈值的隐藏特征向量与绩效指标之间的关系，并构建经营与绩效关系图。
S50，将所述经营与绩效关系图输入预先训练得到的图卷积神经网络，得到绩效指标评估结果。
在步骤S50中，图卷积神经网络包含两个图卷积层和一个激活函数层；图卷积层用于提取输入图像数据（即经营与绩效关系图）的特征，激活函数层用于输出多个绩效指标的分数。
也即，以经营与绩效关系图为输入图像数据，输入预先训练好的图卷积神经网络，通过图卷积层获取经营与绩效关系图的特征信息后，通过激活函数层输出多个绩效指标的分数，从而得到目标企业在当前经营特征数据下的绩效指标评估结果。
综上所述，本实施例提供的基于图卷积神经网络的绩效评估方法，具有以下效果：
1）根据多维度的经营特征数据对目标企业进行多维度绩效评估，可以实现全面的绩效评估；
2）根据Transformer网络预测的隐藏特征向量与多个绩效指标之间的相关性，构建经营与绩效关系图，可以筛除相关性较低的绩效指标与隐藏特征向量的关系，避免冗余的关系信息引入绩效评估，从而有利于提高绩效评估的准确度；
3）通过图卷积神经网络获取经营与绩效关系图的特征信息，并根据经营与绩效关系图的特征信息获得目标企业的绩效指标评估结果，实现了高效率、高准确度和智能化的绩效评估，有利于降低企业经营风险，提高企业的经营效率。
在一可选实施例中，所述步骤S10具体包括以下步骤：
S101，获取目标企业在各业务范围内的投入人员占比、投入收益率、投入增幅比例和市场占有率。
S102，根据所述投入人员占比、投入收益率、投入增幅比例和市场占有率，构建所述目标企业的经营特征集合。
S103，将所述经营特征集合中每个元素的值映射至预设标准范围内，得到标准化的经营特征集合
Figure SMS_39
。
可选地，预设标准范围为
Figure SMS_40
。
可理解的，本实施例以目标企业的投入人员占比、投入收益率、投入增幅比例和市场占有率为经营特征数据，构建经营特征集合，并将经营特征数据中所有的经营特征数据映射至
Figure SMS_41
的范围内，从而实现经营特征集合的标准化。
在一可选实施例中，所述步骤S20具体包括以下步骤：
S201，对标准化的经营特征集合中所有元素进行拼接处理，得到所述目标企业的特征拼接数据；所述特征拼接数据可以表示为：
Figure SMS_42
，
其中，
Figure SMS_43
为拼接函数。
S202，获取特征编码模型；所述特征编码模型包含一个可学习线性映射层。
S203，将所述特征拼接数据输入所述特征编码模型，通过所述可学习线性映射层生成每一个元素的经营特征编码，并生成经营特征编码集合；所述经营特征编码集合为：
Figure SMS_44
，
其中，
Figure SMS_45
为经营特征编码集合，/>
Figure SMS_46
为经营特征集合中第/>
Figure SMS_47
个元素对应的经营特征编码，/>
Figure SMS_48
为经营特征集合中元素的个数（即经营特征数据的类别数量），/>
Figure SMS_49
为均值算子，/>
Figure SMS_50
为标准差算子，/>
Figure SMS_51
为可学习线性映射层算子。
在本实施例中，本实施例以经营特征集合
Figure SMS_52
对应的特征拼接数据/>
Figure SMS_53
为特征编码模型的输入数据，通过特征编码模型的可学习线性映射层生成各经营特征数据/>
Figure SMS_54
的经营特征编码/>
Figure SMS_55
，可以提高特征数据编码的效率。
在一可选实施例中，所述步骤S40包括以下步骤：
S401，将所述隐藏特征向量与多个绩效指标之间的相关性分值与预设阈值进行比较，过滤出所述隐藏特征向量中相关性分值大于预设阈值的绩效指标。
S402，将所述隐藏特征向量、过滤的绩效指标，确定为待构建的经营与绩效关系图的第一节点和第二节点。
S403，将所述隐藏特征向量与所述绩效指标之间的相关性分值，确定为所述第一节点与所述第二节点之间的边属性。
S404，根据所述第一节点、所述第二节点和所述第一节点与所述第二节点之间的边属性，构建经营与绩效关系图。
本实施例中，对于每个隐藏特征向量，根据Transformer网络预测的相关性分值，过滤出隐藏特征向量中相关性分值大于预设阈值的绩效指标后，将隐藏特征向量、过滤的绩效指标作为第一节点和第二节点，以及将隐藏特征向量与过滤的绩效指标之间的相关性分值作为关系边的属性，来构建经营与绩效关系图。可理解的，本实施例利用隐藏特征向量与过滤的绩效指标之间的关系，来构建经营与绩效关系图，能够可视化经营特征数据与绩效指标之间的关系，并且可以避免将冗余的关系信息引入后续的绩效评估。
在一可选实施例中，所述基于图卷积神经网络的绩效评估方法还包括以下步骤：
S601，获取原始数据集；所述原始数据集包含多个样本企业的经营特征数据以及经营特征数据对应的绩效指标真实分数标签。
在步骤S601中，样本企业的经营特征数据，可以是与目标企业经营范围相同的企业的经营特征数据。绩效指标真实分数标签是指采用人工手段得到的经营特征数据下各绩效指标的真实分数。
需要说明是，在其他实施例中，也可以获取目标企业历年真实经营特征数据，并通过目标企业真实的经营特征数据模拟生成目标企业虚拟的经营特征数据，组合真实和虚拟的经营特征数据，得到原始数据集。
S602，通过对所述原始数据集中的经营特征数据标准化、拼接及编码后，得到训练数据集；所述训练数据集包含与多个所述经营特征数据对应的多个经营特征编码。
在步骤S602中，先对原始数据集中所有的经营特征数据映射至
Figure SMS_56
的范围内，以实现特征数据的标准化处理，再将标准化的原始数据集中所有的经营特征数据进行拼接后，输入特征编码模型，得到训练数据集。该训练数据集包含多个样本企业的经营特征编码，且训练数据集中的经营特征编码与原始数据集中的经营特征数据一一对应。
S603，构建Transformer网络和图卷积神经网络；所述Transformer网络包含四个多头注意力层、一个可学习线性映射层和一个激活函数层；所述图卷积神经网络包含两个图卷积层和一个激活函数层。
进一步地，所述构建Transformer网络包括：将产量、利润、销售额、折损率、投资回报率和及时性确定为绩效指标，并将各种类型的绩效指标引入所述Transformer网络。
进一步地，两个图卷积层的神经元个数分别为32和64。
S604，将所述训练数据集中的经营特征编码输入所述Transformer网络，通过所述多头注意力层获取所述经营特征编码的隐藏特征向量，并通过所述可学习线性映射层计算所述隐藏特征向量与多个绩效指标之间的相关性分值后，通过所述激活函数层进行输出。
在步骤S604中，所述相关性分值的计算公式为：
Figure SMS_57
，
其中，
Figure SMS_60
为隐藏特征向量/>
Figure SMS_65
与绩效指标/>
Figure SMS_68
之间的相关性分值，/>
Figure SMS_61
为隐藏特征向量/>
Figure SMS_62
与第/>
Figure SMS_66
个绩效指标/>
Figure SMS_69
之间的相关性分值，/>
Figure SMS_58
为绩效指标的种类数量，
Figure SMS_64
为sigmoid激活函数，/>
Figure SMS_67
为可学习线性映射层算子。可理解的，相关性分值/>
Figure SMS_70
可以表示隐藏特征向量/>
Figure SMS_59
所对应的经营特征数据与各绩效指标/>
Figure SMS_63
的相关性，相关性分值越大说明使用该经营特征数据能够更准确的评估对应的绩效指标。
S605，根据所述隐藏特征向量与多个绩效指标之间的相关性分值、排序学习损失函数，采用随机梯度下降算法训练优化所述Transformer网络的参数，以得到训练好的Transformer网络。
在步骤S605中，根据相关性分值进行相关性降序排序，并计算排序学习损失值。其中，所述排序学习损失函数为：
Figure SMS_71
，
其中，
Figure SMS_72
为排序学习损失函数，/>
Figure SMS_73
为Transformer网络的参数，/>
Figure SMS_74
、/>
Figure SMS_75
为Transformer网络预测的任意两个相关性分值，分别对应隐藏特征向量与排序位置靠前绩效指标和排序位置靠后绩效指标的相关性分值。可理解的，采用随机梯度下降算法最小化排序学习损失值，优化ransformer网络的参数，提高排序靠前绩效指标的相关性分值，降低排序靠后绩效指标的相关性分值，从而可以优化ransformer网络预测相关性的准确度。
S606，根据各所述样本企业的隐藏特征向量和隐藏特征向量与多个绩效指标之间的相关性分值，构建各所述样本企业的经营与绩效关系图。
在步骤S606中，对于每个样本企业，根据Transformer网络预测的相关性分值，过滤出每一个隐藏特征向量中多个相关性分值大于预设分值的绩效指标，构建经营与绩效关系图
Figure SMS_76
，该经营与绩效关系图/>
Figure SMS_77
可以表示为/>
Figure SMS_78
，其中/>
Figure SMS_79
为包含所有隐藏特征向量的第一节点集合，/>
Figure SMS_80
为包含所有绩效指标的第二节点集合，/>
Figure SMS_81
包含隐藏特征向量与绩效指标的关系的边集合。
S607，将各所述样本企业的经营与绩效关系图输入图卷积神经网络，通过所述图卷积层获取所述经营与绩效关系图的特征矩阵，并通过所述激活函数层输出多个绩效指标的分数。
在步骤S607中，所述绩效指标的分数的计算公式为：
Figure SMS_82
，
其中，
Figure SMS_83
为绩效指标分数集合，/>
Figure SMS_84
为第/>
Figure SMS_85
种绩效指标的分数，且绩效指标的分数取值范围为/>
Figure SMS_86
，/>
Figure SMS_87
为绩效指标分数集合的元素个数（即绩效指标的种类数量），/>
Figure SMS_88
为经营与绩效关系图，/>
Figure SMS_89
为图卷积神经网络。
S608，根据多个所述绩效指标的分数、所述绩效指标真实分数标签和均方差损失函数，采用随机梯度下降算法训练所述优化图卷积神经网络的参数，以得到训练好的图卷积神经网络。
在步骤S608中，将各绩效指标的分数以及对应的绩效指标真实分数标签输入到均方差损失函数，计算均方差损失值，采用随机梯度下降算法最小化均方差损失值，优化图卷积神经网络的参数，提高图卷积神经网络预测绩效指标分数的准确度。作为优选，所述均方差损失函数为：
Figure SMS_90
，
其中，
Figure SMS_92
为均方差损失函数，/>
Figure SMS_94
为图卷积神经网络的参数，/>
Figure SMS_96
为样本企业的数量，/>
Figure SMS_93
为绩效指标的种类数量；/>
Figure SMS_95
为预测的第/>
Figure SMS_97
个绩效指标的分数，/>
Figure SMS_98
为第/>
Figure SMS_91
个绩效指标真实分数标签。
需要说明的是，本实施例中步骤S601至步骤S608在步骤S10之前优先执行。
此外，如图3所示，本发明实施例还提供一种基于图卷积神经网络的绩效评估系统，包括：
经营特征获取模块110，用于获取目标企业的经营特征集合，并对所述经营特征集合进行标准化处理；
特征编码模块120，用于对标准化的经营特征集合中所有元素进行拼接处理后，输入预设的特征编码模型，获得所述目标企业的经营特征编码集合；
相关系预测模块130，用于将所述经营特征编码集合中所有元素输入预先训练得到的Transformer网络，获得目标企业的多个隐藏特征向量以及每个隐藏特征向量与多个绩效指标之间的相关性分值；
经营数据匹配模块140，用于根据所述相关性分值对所述隐藏特征向量与所述绩效指标进行匹配，并根据匹配结果构建经营与绩效关系图；
绩效评估模块150，用于将所述经营与绩效关系图输入预先训练得到的图卷积神经网络，得到绩效指标评估结果。
在一可选实施例中，如图3所示，该系统还包括：
原始数据获取模块161，用于获取原始数据集；所述原始数据集包含多个样本企业的经营特征数据以及经营特征数据对应的绩效指标真实分数标签；
数据处理模块162，用于通过对所述原始数据集中的经营特征数据标准化、拼接及编码后，得到训练数据集；所述训练数据集包含与多个所述经营特征数据对应的多个经营特征编码；
网络构建模块163，用于构建Transformer网络和图卷积神经网络；所述Transformer网络包含四个多头注意力层、一个可学习线性映射层和一个激活函数层；所述图卷积神经网络包含两个图卷积层和一个激活函数层；
第一训练模块164，用于将所述训练数据集中的经营特征编码输入所述Transformer网络，通过所述多头注意力层获取所述经营特征编码的隐藏特征向量，并通过所述可学习线性映射层计算所述隐藏特征向量与多个绩效指标之间的相关性分值后，通过所述激活函数层进行输出；以及用于根据所述隐藏特征向量与多个绩效指标之间的相关性分值、排序学习损失函数，采用随机梯度下降算法训练优化所述Transformer网络的参数，以得到训练好的Transformer网络；
关系图构建模块165，用于根据各所述样本企业的隐藏特征向量和所述隐藏特征向量与多个绩效指标之间的相关性分值，构建各所述样本企业的经营与绩效关系图；
第二训练模块166，用于将各所述样本企业的经营与绩效关系图输入所述图卷积神经网络，通过所述图卷积层获取所述经营与绩效关系图的特征矩阵，并通过所述激活函数层输出多个绩效指标的分数；以及根据多个所述绩效指标的分数、所述绩效指标真实分数标签和均方差损失函数，采用随机梯度下降算法训练优化所述图卷积神经网络的参数，以得到训练好的图卷积神经网络。
在一可选实施例中，所述经营特征获取模块100包括：
特征数据获取子模块，用于获取目标企业在各业务范围内的投入人员占比、投入收益率、投入增幅比例和市场占有率；
特征集合构建子模块，用于根据所述投入人员占比、投入收益率、投入增幅比例和市场占有率，构建所述目标企业的经营特征集合；
标准化子模块，将所述经营特征集合中每个元素的值映射至预设标准范围内，得到标准后的经营特征集合。
在一可选实施例中，所述特征编码模块120包括：
特征拼接子模块，用于对标准化的经营特征集合中所有元素进行拼接处理，得到所述目标企业的特征拼接数据；
特征编码子模块，用于获取特征编码模型，所述特征编码模型包含一个可学习线性映射层；以及用于将所述特征拼接数据输入所述特征编码模型，通过可学习线性映射层生成每一个元素的经营特征编码，并生成经营特征编码集合。
在一可选实施例中，所述经营数据匹配模块140包括：
关系过滤子模块，用于将所述隐藏特征向量与多个绩效指标之间的相关性分值与预设阈值进行比较，过滤出所述隐藏特征向量中相关性分值大于预设阈值的绩效指标；
节点确定子模块，用于将所述隐藏特征向量、过滤的绩效指标，确定为待构建的经营与绩效关系图的第一节点和第二节点；
边属性确定子模块，用于将所述隐藏特征向量与绩效指标之间的相关性分值，确定为所述第一节点与所述第二节点之间的边属性；
关系图搭建子模块，用于根据所述第一节点、所述第二节点和所述第一节点与所述第二节点之间的边属性，构建经营与绩效关系图。
综上所述，本实施例提供的基于图卷积神经网络的绩效评估系统，具有以下效果：
1）根据多维度的经营特征数据对目标企业进行多维度绩效评估，可以实现全面的绩效评估；
2）根据Transformer网络预测的隐藏特征向量与多个绩效指标之间的相关性，构建经营与绩效关系图，可以筛除相关性较低的绩效指标与隐藏特征向量的关系，避免冗余的关系信息引入绩效评估，从而有利于提高绩效评估的准确度；
3）通过图卷积神经网络获取经营与绩效关系图的特征信息，并根据经营与绩效关系图的特征信息获得目标企业的绩效指标评估结果，实现了高效率、高准确度和智能化的绩效评估，有利于降低企业经营风险，提高企业的经营效率。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (8)

1.一种基于图卷积神经网络的绩效评估方法，其特征在于，包括：
获取目标企业的经营特征集合，并对所述经营特征集合进行标准化处理；
对标准化的经营特征集合中所有元素进行拼接处理后，输入预设的特征编码模型，获得所述目标企业的经营特征编码集合；
将所述经营特征编码集合中所有元素输入预先训练得到的Transformer网络，获得目标企业的多个隐藏特征向量以及每个隐藏特征向量与多个绩效指标之间的相关性分值；
根据所述相关性分值对所述隐藏特征向量与所述绩效指标进行匹配，并根据匹配结果构建经营与绩效关系图；
将所述经营与绩效关系图输入预先训练得到的图卷积神经网络，得到绩效指标评估结果；
所述获取目标企业的经营特征集合之前，所述方法还包括：
获取原始数据集；所述原始数据集包含多个样本企业的经营特征数据以及所述经营特征数据对应的绩效指标真实分数标签；
通过对所述原始数据集中的经营特征数据标准化、拼接及编码后，得到训练数据集；所述训练数据集包含与多个所述经营特征数据对应的多个经营特征编码；
构建Transformer网络和图卷积神经网络；所述Transformer网络包含四个多头注意力层、一个可学习线性映射层和一个激活函数层；所述图卷积神经网络包含两个图卷积层和一个激活函数层；
将所述训练数据集中的经营特征编码输入所述Transformer网络，通过所述多头注意力层获取所述经营特征编码的隐藏特征向量，并通过所述可学习线性映射层计算所述隐藏特征向量与多个绩效指标之间的相关性分值后，通过所述激活函数层进行输出；
根据所述隐藏特征向量与多个绩效指标之间的相关性分值、排序学习损失函数，采用随机梯度下降算法训练优化所述Transformer网络的参数，以得到训练好的Transformer网络；
根据各所述样本企业的隐藏特征向量和所述隐藏特征向量与多个绩效指标之间的相关性分值，构建各所述样本企业的经营与绩效关系图；
将各所述样本企业的经营与绩效关系图输入所述图卷积神经网络，通过所述图卷积层获取所述经营与绩效关系图的特征矩阵，并通过所述激活函数层输出多个绩效指标的分数；
根据多个所述绩效指标的分数、所述绩效指标真实分数标签和均方差损失函数，采用随机梯度下降算法训练优化所述图卷积神经网络的参数，以得到训练好的图卷积神经网络；
所述根据所述相关性分值对所述隐藏特征向量与所述绩效指标进行匹配，并根据匹配结果构建经营与绩效关系图，包括：
将所述隐藏特征向量与多个绩效指标之间的相关性分值与预设阈值进行比较，过滤出所述隐藏特征向量中相关性分值大于预设阈值的绩效指标；
将所述隐藏特征向量、过滤的绩效指标，确定为待构建的经营与绩效关系图的第一节点和第二节点；
将所述隐藏特征向量与绩效指标之间的相关性分值，确定为所述第一节点与所述第二节点之间的边属性；
根据所述第一节点、所述第二节点和所述第一节点与所述第二节点之间的边属性，构建经营与绩效关系图。
2.根据权利要求1所述的基于图卷积神经网络的绩效评估方法，其特征在于，所述相关性分值的计算公式为：
Figure QLYQS_1
，
其中，
Figure QLYQS_4
为隐藏特征向量/>
Figure QLYQS_6
与绩效指标/>
Figure QLYQS_9
之间的相关性分值，/>
Figure QLYQS_3
为隐藏特征向量
Figure QLYQS_7
与第/>
Figure QLYQS_10
个绩效指标/>
Figure QLYQS_11
之间的相关性分值，/>
Figure QLYQS_2
为绩效指标的种类数量，/>
Figure QLYQS_5
为sigmoid激活函数，/>
Figure QLYQS_8
为可学习线性映射层算子。
3.根据权利要求1所述的基于图卷积神经网络的绩效评估方法，其特征在于，所述排序学习损失函数为：
Figure QLYQS_12
，
其中，
Figure QLYQS_13
为排序学习损失函数，/>
Figure QLYQS_14
为Transformer网络的参数，/>
Figure QLYQS_15
、/>
Figure QLYQS_16
为所述Transformer网络预测的任意两个相关性分值，分别对应隐藏特征向量与排序位置靠前绩效指标和排序位置靠后绩效指标的相关性分值。
4.根据权利要求1所述的基于图卷积神经网络的绩效评估方法，其特征在于，所述均方差损失函数为：
Figure QLYQS_17
，
其中，
Figure QLYQS_19
为均方差损失函数，/>
Figure QLYQS_22
为图卷积神经网络的参数，/>
Figure QLYQS_24
为样本企业的数量，
Figure QLYQS_20
为绩效指标的种类数量；/>
Figure QLYQS_21
为预测的第/>
Figure QLYQS_23
个绩效指标的分数，/>
Figure QLYQS_25
为第/>
Figure QLYQS_18
个绩效指标真实分数标签。
5.根据权利要求1所述的基于图卷积神经网络的绩效评估方法，其特征在于，所述获取目标企业的经营特征集合，并对所述经营特征集合进行标准化处理，包括：
获取目标企业在各业务范围内的投入人员占比、投入收益率、投入增幅比例和市场占有率；
根据所述投入人员占比、投入收益率、投入增幅比例和市场占有率，构建所述目标企业的经营特征集合；
将所述经营特征集合中每个元素的值映射至预设标准范围内，得到标准化的经营特征集合。
6.根据权利要求1所述的基于图卷积神经网络的绩效评估方法，其特征在于，所述对标准化的经营特征集合中所有元素进行拼接处理后，输入预设的特征编码模型，获得所述目标企业的经营特征编码集合，包括：
对标准化的经营特征集合中所有元素进行拼接处理，得到所述目标企业的特征拼接数据；
获取特征编码模型；所述特征编码模型包含一个可学习线性映射层；
将所述特征拼接数据输入所述特征编码模型，通过所述可学习线性映射层生成每一个元素的经营特征编码，并生成经营特征编码集合。
7.一种如权利要求1所述的基于图卷积神经网络的绩效评估方法的系统，其特征在于，包括：
经营特征获取模块，用于获取目标企业的经营特征集合，并对所述经营特征集合进行标准化处理；
特征编码模块，用于对标准化的经营特征集合中所有元素进行拼接处理后，输入预设的特征编码模型，获得所述目标企业的经营特征编码集合；
相关系预测模块，用于将所述经营特征编码集合中所有元素输入预先训练得到的Transformer网络，获得目标企业的多个隐藏特征向量以及每个隐藏特征向量与多个绩效指标之间的相关性分值；
经营数据匹配模块，用于根据所述相关性分值对所述隐藏特征向量与所述绩效指标进行匹配，并根据匹配结果构建经营与绩效关系图；
绩效评估模块，用于将所述经营与绩效关系图输入预先训练得到的图卷积神经网络，得到绩效指标评估结果。
8.根据权利要求7所述的基于图卷积神经网络的绩效评估方法的系统，其特征在于，系统还包括：
原始数据获取模块，用于获取原始数据集；所述原始数据集包含多个样本企业的经营特征数据以及经营特征数据对应的绩效指标真实分数标签；
数据处理模块，用于通过对所述原始数据集中的经营特征数据标准化、拼接及编码后，得到训练数据集；所述训练数据集包含与多个所述经营特征数据对应的多个经营特征编码；
网络构建模块，用于构建Transformer网络和图卷积神经网络；所述Transformer网络包含四个多头注意力层、一个可学习线性映射层和一个激活函数层；所述图卷积神经网络包含两个图卷积层和一个激活函数层；
第一训练模块，用于将所述训练数据集中的经营特征编码输入所述Transformer网络，通过所述多头注意力层获取所述经营特征编码的隐藏特征向量，并通过所述可学习线性映射层计算所述隐藏特征向量与多个绩效指标之间的相关性分值后，通过所述激活函数层进行输出；以及用于根据所述隐藏特征向量与多个绩效指标之间的相关性分值、排序学习损失函数，采用随机梯度下降算法训练优化所述Transformer网络的参数，以得到训练好的Transformer网络；
关系图构建模块，用于根据各所述样本企业的隐藏特征向量和所述隐藏特征向量与多个绩效指标之间的相关性分值，构建各所述样本企业的经营与绩效关系图；
第二训练模块，用于将各所述样本企业的经营与绩效关系图输入所述图卷积神经网络，通过所述图卷积层获取所述经营与绩效关系图的特征矩阵，并通过所述激活函数层输出多个绩效指标的分数；以及根据多个所述绩效指标的分数、所述绩效指标真实分数标签和均方差损失函数，采用随机梯度下降算法训练优化所述图卷积神经网络的参数，以得到训练好的图卷积神经网络。
CN202310154103.2A 2023-02-23 2023-02-23 一种基于图卷积神经网络的绩效评估方法及系统 Active CN116109195B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310154103.2A CN116109195B (zh) 2023-02-23 2023-02-23 一种基于图卷积神经网络的绩效评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310154103.2A CN116109195B (zh) 2023-02-23 2023-02-23 一种基于图卷积神经网络的绩效评估方法及系统

Publications (2)

Publication Number Publication Date
CN116109195A CN116109195A (zh) 2023-05-12
CN116109195B true CN116109195B (zh) 2023-06-27

Family

ID=86265402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310154103.2A Active CN116109195B (zh) 2023-02-23 2023-02-23 一种基于图卷积神经网络的绩效评估方法及系统

Country Status (1)

Country Link
CN (1) CN116109195B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402630B (zh) * 2023-06-09 2023-09-22 深圳市迪博企业风险管理技术有限公司 一种基于表征学习的财务风险预测方法及系统
CN117273516A (zh) * 2023-09-15 2023-12-22 国网湖北省电力有限公司黄石供电公司 一种基于注意力机制神经网络的绩效评估方法
CN117933831B (zh) * 2024-03-25 2024-06-11 山东山科数字经济研究院有限公司 基于机器学习可训练的项目绩效评估方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988786A (zh) * 2021-10-22 2022-01-28 安徽农业大学 一种基于双层异构图神经网络的企业协同制造决策方法
CN115392595A (zh) * 2022-10-31 2022-11-25 北京科技大学 基于图卷积神经网络和Transformer的时空短期风速预测方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10909446B2 (en) * 2019-05-09 2021-02-02 ClimateAI, Inc. Systems and methods for selecting global climate simulation models for training neural network climate forecasting models
CN110968701A (zh) * 2019-11-05 2020-04-07 量子数聚（北京）科技有限公司 用于图神经网络的关系图谱建立方法以及装置、设备
CN114970926A (zh) * 2021-02-26 2022-08-30 中国科学院微电子研究所 一种模型训练方法、企业经营风险预测方法和装置
US20220124543A1 (en) * 2021-06-30 2022-04-21 Oner Orhan Graph neural network and reinforcement learning techniques for connection management
CN113705772A (zh) * 2021-07-21 2021-11-26 浪潮(北京)电子信息产业有限公司 一种模型训练方法、装置、设备及可读存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988786A (zh) * 2021-10-22 2022-01-28 安徽农业大学 一种基于双层异构图神经网络的企业协同制造决策方法
CN115392595A (zh) * 2022-10-31 2022-11-25 北京科技大学 基于图卷积神经网络和Transformer的时空短期风速预测方法及系统

Also Published As

Publication number Publication date
CN116109195A (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
CN116109195B (zh) 一种基于图卷积神经网络的绩效评估方法及系统
CN106021364B (zh) 图片搜索相关性预测模型的建立、图片搜索方法和装置
US7930242B2 (en) Methods and systems for multi-credit reporting agency data modeling
CN113298230B (zh) 一种基于生成对抗网络的不平衡数据集的预测方法
CN108960269B (zh) 数据集的特征获取方法、装置及计算设备
CN106127242A (zh) 基于集成学习的年极端降水预测系统及其预测方法
CN116644184B (zh) 基于数据聚类的人力资源信息管理系统
CN109934469A (zh) 基于异源交叉回归分析的停电敏感度预警方法及装置
CN113177643A (zh) 一种基于大数据的自动建模系统
CN115018357A (zh) 一种面向生产绩效提升的农户画像构建方法及系统
CN104599062A (zh) 一种基于分类的农业科技成果价值评估方法及系统
CN111105041B (zh) 一种用于智慧数据碰撞的机器学习方法及装置
CN114298659A (zh) 评价对象指标的数据处理方法、装置、计算机设备
CN113191771A (zh) 采购商账期风险预测方法
CN113034264A (zh) 客户流失预警模型的建立方法、装置、终端设备及介质
CN116932487B (zh) 一种基于数据段落划分的量化式数据分析方法及系统
CN117291603B (zh) 一种大数据比对应收账款确权的风险评估系统
CN116933187B (zh) 一种财务报销单据数字化处理方法及系统
CN113064962B (zh) 一种环境类投诉举报事件相似度分析方法
CN116342300B (zh) 一种保险理赔人员特征分析方法、装置和设备
US20230196485A1 (en) After-repair value ("arv") estimator for real estate properties
Damayanti et al. Analysis of Realization of Total Connected Power By Industrial Customer Using K-Means Clustering Method
CN114611976A (zh) 一种电力用户行为画像方法、系统及装置
CN117670525A (zh) 基于大数据分析的企业信用评估系统
CN117764713A (zh) 授信额度的确定方法及装置、存储介质、电子设备

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
CB03 Change of inventor or designer information

Inventor after: Hu Weimin

Inventor after: Xiong Zikang

Inventor after: Yang Linjun

Inventor after: Fu Hongyu

Inventor after: Long Qi

Inventor after: Yu Qingfeng

Inventor before: Hu Weimin

Inventor before: Xiong Zikang

Inventor before: Yang Linjun

Inventor before: Fu Hongyu

Inventor before: Long Qi

Inventor before: Yu Qingfeng