CN116702976A - 基于建模动态企业关系的企业资源预测方法以及装置 - Google Patents
基于建模动态企业关系的企业资源预测方法以及装置 Download PDFInfo
- Publication number
- CN116702976A CN116702976A CN202310671513.4A CN202310671513A CN116702976A CN 116702976 A CN116702976 A CN 116702976A CN 202310671513 A CN202310671513 A CN 202310671513A CN 116702976 A CN116702976 A CN 116702976A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- resource
- prediction
- information
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 91
- 239000011159 matrix material Substances 0.000 claims abstract description 296
- 238000009826 distribution Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 17
- 238000012549 training Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 239000000203 mixture Substances 0.000 description 9
- 238000012512 characterization method Methods 0.000 description 7
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 6
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供基于建模动态企业关系的企业资源预测方法以及装置,其中所述基于建模动态企业关系的企业资源预测方法包括:接收针对目标企业的资源预测请求,其中,资源预测请求携带目标企业的企业信息和历史资源信息;将历史资源信息输入资源预测模型中的关系预测单元,获得企业关联矩阵,其中,企业关联矩阵为关系预测单元基于至少一个参考企业的参考资源信息确定,企业关联矩阵表征目标企业和至少一个参考企业之间的关联关系;将企业关联矩阵和企业信息输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果。在企业资源预测过程中通过企业关联矩阵考虑市场中企业的动态相关性,提高了企业资源预测的准确性。
Description
技术领域
本说明书实施例涉及计算机技术领域,特别涉及一种基于建模动态企业关系的企业资源预测方法。
背景技术
随着计算机技术的发展,资源预测在许多场景,如电商场景、金融场景等,都有着广泛的应用。以金融场景为例,企业商业投资中,收入情况是投资者在投资企业时的重要参考依据之一。对于企业自身而言,准确预测企业在未来时期的收入情况有助于企业管理者做出正确决策和规避风险。
目前,通常获取企业的历史数据,根据企业的历史数据确定企业收入增长率,进一步根据企业收入增长率预测企业收入。然而实际应用中,企业的收入还受其他外部因素的影响,上述根据收入增长率预测企业收入的方案准确性较差,因此,亟需一种准确性高的资源预测方案。
发明内容
有鉴于此,本说明书实施例提供了一种基于建模动态企业关系的企业资源预测方法。本说明书一个或者多个实施例同时涉及一种基于建模动态企业关系的企业资源预测装置,一种计算设备,一种计算机可读存储介质以及一种计算机程序,以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面,提供了一种基于建模动态企业关系的企业资源预测方法,包括:
接收针对目标企业的资源预测请求,其中,资源预测请求携带目标企业的企业信息和历史资源信息;
将历史资源信息输入资源预测模型中的关系预测单元,获得企业关联矩阵,其中,企业关联矩阵为关系预测单元基于至少一个参考企业的参考资源信息确定,企业关联矩阵表征目标企业和至少一个参考企业之间的关联关系;
将企业关联矩阵和企业信息输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果。
根据本说明书实施例的第二方面,提供了一种基于建模动态企业关系的企业资源预测装置,包括:
接收模块,被配置为接收针对目标企业的资源预测请求,其中,资源预测请求携带目标企业的企业信息和历史资源信息;
第一输入模块,被配置为将历史资源信息输入资源预测模型中的关系预测单元,获得企业关联矩阵,其中,企业关联矩阵为关系预测单元基于至少一个参考企业的参考资源信息确定,企业关联矩阵表征目标企业和至少一个参考企业之间的关联关系;
第二输入模块,被配置为将企业关联矩阵和企业信息输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果。
根据本说明书实施例的第三方面,提供了一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现上述基于建模动态企业关系的企业资源预测方法的步骤。
根据本说明书实施例的第四方面,提供了一种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现上述基于建模动态企业关系的企业资源预测方法的步骤。
根据本说明书实施例的第五方面,提供了一种计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行上述基于建模动态企业关系的企业资源预测方法的步骤。
本说明书一个实施例提供的基于建模动态企业关系的企业资源预测方法,接收针对目标企业的资源预测请求,其中,资源预测请求携带目标企业的企业信息和历史资源信息;将历史资源信息输入资源预测模型中的关系预测单元,获得企业关联矩阵,其中,企业关联矩阵为关系预测单元基于至少一个参考企业的参考资源信息确定,企业关联矩阵表征目标企业和至少一个参考企业之间的关联关系;将企业关联矩阵和企业信息输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果。通过利用资源预测模型预测企业关联矩阵,进一步在资源预测模型中利用企业关联矩阵确定资源预测结果,实现了在企业资源预测过程中考虑市场中企业的动态相关性,提高了企业资源预测的准确性。
附图说明
图1是本说明书一个实施例提供的一种基于建模动态企业关系的企业资源预测系统的架构图;
图2是本说明书一个实施例提供的另一种基于建模动态企业关系的企业资源预测系统的架构图;
图3是本说明书一个实施例提供的一种基于建模动态企业关系的企业资源预测方法的流程图;
图4是本说明书一个实施例提供的一种基于建模动态企业关系的企业资源预测方法的处理过程流程图;
图5是本说明书一个实施例提供的另一种基于建模动态企业关系的企业资源预测方法的处理过程流程图;
图6是本说明书一个实施例提供的另一种基于建模动态企业关系的企业资源预测方法的流程图;
图7是本说明书一个实施例提供的一种基于建模动态企业关系的企业资源预测界面的界面示意图;
图8是本说明书一个实施例提供的一种基于建模动态企业关系的企业资源预测装置的结构示意图;
图9是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本说明书内涵的情况下做类似推广,因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
此外,需要说明的是,本说明书一个或多个实施例所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
首先,对本说明书一个或多个实施例涉及的名词术语进行解释。
深度哈希:深度哈希(Deep Hashing)将哈希方法与深度学习技术相结合,获得原始数据的特征表示以及语义信息,进而得到数据的二进制哈希码。深度哈希被广泛应用于图像检索、文本检索以及视频检索等领域,并取得了瞩目成果。
长短期记忆网络:长短期记忆网络(LSTM,Long Short-Term Memory)是一种时间循环神经网络(RNN,Recurrent Neural Network),其核心概念在于单元状态以及“门”结构(输入门,输出门以及遗忘门)。长短期记忆网络中的单元状态能够将序列处理过程中的相关信息一直传递下去,从而克服了传统时间循环神经网络短时记忆的影响。“门”结构用于在训练过程中学习该保存或遗忘哪些信息。
归一化流:归一化流(Normalizing Flow)利用一系列可优化的可逆映射,可将简单的原始分布转换为任意复杂分布,广泛用于强化学习、变分推断、生成模型等。
图卷积神经网络:图卷积神经网络(GCN,Graph Convolution Neural Networks)将卷积操作从传统数据(图像或网格)推广到图数据。图卷积神经网络的关键是学习一个函数f,通过聚合其自身的特征Xi和邻居的特征Xj来生成节点Vi的表示,其中j∈N(Vi)。
嵌入:在深度学习中,嵌入(Embedding)是指从原始数据提取出来的多维度特征表示,即通过神经网络映射之后得到的特征向量。嵌入可以从多维度对事物进行特征刻画。
线性层:线性层(Linear Layer)又称为全连接层,其每个神经元与上一层所有神经元相连,实现对前一层的线性组合,线性变换。
商业投资中,企业的收入情况逐渐成为投资者在投资企业时的重要参考依据之一。对于企业自身而言,准确预测企业在未来时期的收入情况有助于企业管理者做出正确决策和规避风险。传统的企业未来收入分析方法通常十分依赖分析师的经验和专业水平,导致未来收入分析成本高的同时时效性也较差。近年来,利用基于深度学习的神经网络来预测企业收入逐渐成为研究主流。深度学习强大的表征能力可以融合海量企业数据中有用的信息,给出准确的企业收入预测结果,从而有效地辅助分析师进行决策以及为决策者提供有效的参考信息。
目前,通常利用企业历史收入信息训练深度学习模型,进一步利用深度学习模型进行企业未来收入预测。然而,实际应用中,企业的收入还受其他外部因素的影响,上述直接利用企业历史收入信息训练模型的方案存在一定的局限性,导致企业收入预测准确性较差。
为了解决上述问题,本说明书实施例提供了一种基于建模动态企业关系的企业资源预测方案,接收针对目标企业的资源预测请求,其中,资源预测请求携带目标企业的企业信息和历史资源信息;将历史资源信息输入资源预测模型中的关系预测单元,获得企业关联矩阵,其中,企业关联矩阵为关系预测单元基于至少一个参考企业的参考资源信息确定,企业关联矩阵表征目标企业和至少一个参考企业之间的关联关系;将企业关联矩阵和企业信息输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果。通过利用资源预测模型预测企业关联矩阵,进一步在资源预测模型中利用企业关联矩阵确定资源预测结果,实现了在企业资源预测过程中考虑市场中企业的相关性,提高了企业资源预测的准确性。
在本说明书中,提供了一种基于建模动态企业关系的企业资源预测方法,本说明书同时涉及一种基于建模动态企业关系的企业资源预测装置,一种计算设备,以及一种计算机可读存储介质,在下面的实施例中逐一进行详细说明。
参见图1,图1示出了本说明书一个实施例提供的一种基于建模动态企业关系的企业资源预测系统的架构图,基于建模动态企业关系的企业资源预测系统可以包括客户端100和服务端200;
客户端100,用于向服务端200发送针对目标企业的资源预测请求,其中,资源预测请求携带目标企业的企业信息和历史资源信息;
服务端200,用于接收针对目标企业的资源预测请求;将历史资源信息输入资源预测模型中的关系预测单元,获得企业关联矩阵,其中,企业关联矩阵为关系预测单元基于至少一个参考企业的参考资源信息确定,企业关联矩阵表征目标企业和至少一个参考企业之间的关联关系;将企业关联矩阵和企业信息输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果;向客户端100发送资源预测结果;
客户端100,还用于接收服务端200发送的资源预测结果。
应用本说明书实施例的方案,通过利用资源预测模型预测企业关联矩阵,进一步在资源预测模型中利用企业关联矩阵确定资源预测结果,实现了在企业资源预测过程中考虑市场中企业的动态相关性,提高了企业资源预测的准确性。
参见图2,图2示出了本说明书一个实施例提供的另一种基于建模动态企业关系的企业资源预测系统的架构图,基于建模动态企业关系的企业资源预测系统可以包括多个客户端100以及服务端200。多个客户端100之间通过服务端200可以建立通信连接,在企业资源预测场景中,服务端200即用来在多个客户端100之间提供企业资源预测服务,多个客户端100可以分别作为发送端或接收端,通过服务端200实现通信。
用户通过客户端100可与服务端200进行交互以接收其它客户端100发送的数据,或将数据发送至其它客户端100等。在企业资源预测场景中,可以是用户通过客户端100向服务端200发布数据流,服务端200根据该数据流生成资源预测结果,并将资源预测结果推送至其他建立通信的客户端中。
其中,客户端100与服务端200之间通过网络建立连接。网络为客户端100与服务端200之间提供了通信链路的介质。网络可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。客户端100所传输的数据可能需要经过编码、转码、压缩等处理之后才发布至服务端200。
客户端100可以为浏览器、APP(Application,应用程序)、或网页应用如H5(HyperText Markup Language5,超文本标记语言第5版)应用、或轻应用(也被称为小程序,一种轻量级应用程序)或云应用等,客户端100可以基于服务端200提供的相应服务的软件开发工具包(SDK,Software Development Kit),如基于实时通信(RTC,Real TimeCommunication)SDK开发获得等。客户端100可以部署在电子设备中,需要依赖设备运行或者设备中的某些APP而运行等。电子设备例如可以具有显示屏并支持信息浏览等,如可以是个人移动终端如手机、平板电脑、个人计算机等。在电子设备中通常还可以配置各种其它类应用,例如人机对话类应用、模型训练类应用、文本处理类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
服务端200可以包括提供各种服务的服务器,例如为多个客户端提供通信服务的服务器,又如为客户端上使用的模型提供支持的用于后台训练的服务器,又如对客户端发送的数据进行处理的服务器等。需要说明的是,服务端200可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器也可以是云服务、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(CDN,Content DeliveryNetwork)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,或者是带人工智能技术的智能云计算服务器或智能云主机。
值得说明的是,本说明书实施例中提供的基于建模动态企业关系的企业资源预测方法一般由服务端执行,但是,在本说明书的其它实施例中,客户端也可以与服务端具有相似的功能,从而执行本说明书实施例所提供的基于建模动态企业关系的企业资源预测方法。在其它实施例中,本说明书实施例所提供的基于建模动态企业关系的企业资源预测方法还可以是由客户端与服务端共同执行。
参见图3,图3示出了本说明书一个实施例提供的一种基于建模动态企业关系的企业资源预测方法的流程图,具体包括以下步骤:
步骤302:接收针对目标企业的资源预测请求,其中,资源预测请求携带目标企业的企业信息和历史资源信息。
本说明书一个或多个实施例中,可以接收针对目标企业的资源预测请求,并根据资源预测请求中携带的目标企业的企业信息和历史资源信息进行企业资源预测。
具体地,目标企业为资源预测的对象。目标企业可以是不同行业中的企业,如金融业、医疗业、制造业等等。资源预测请求可以是不同资源对应的预测请求,资源包括但不限于财力资源、人力资源。企业信息是指目标企业自身的属性信息,如目标企业的企业财务指标、企业人力指标。企业财务指标但不限于国内生产总值、固定资产投资完成额等市场数据、应收账款周转率以及应收账款周转天数。历史资源信息是指历史时间段内目标企业的资源信息,包括但不限于股票价格时间序列、人员数量时间序列,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。
示例性地,假设资源为财务收入,接收针对目标企业的收入预测请求携带的信息包括目标企业的企业财务指标和企业股票价格时间序列。
实际应用中,资源预测请求携带的企业信息和历史资源信息的获取方式有多种,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。本说明书一种可能的实现方式中,可以接收用户输入的企业信息和历史资源信息。本说明书另一种可能的实现方式中,可以是从其他数据获取设备或者数据库中读取企业信息和历史资源信息。
步骤304:将历史资源信息输入资源预测模型中的关系预测单元,获得企业关联矩阵,其中,企业关联矩阵为关系预测单元基于至少一个参考企业的参考资源信息确定,企业关联矩阵表征目标企业和至少一个参考企业之间的关联关系。
本说明书一个或多个实施例中,接收针对目标企业的资源预测请求之后,进一步地,可以将历史资源信息输入资源预测模型中的关系预测单元,获得企业关联矩阵。
具体地,资源预测模型为机器学习模型,机器学习模型可以理解为经过训练的程序,可以在新数据中发现模式并进行预测。这些模型表示为数学函数,它以输入数据的形式接收请求,对输入数据进行预测,然后提供输出作为响应。参考企业为市场中除目标企业之外的企业。参考企业的参考资源信息是指历史时间段内参考企业的资源信息,包括但不限于股票价格时间序列、人员数量时间序列,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。企业关联矩阵表征目标企业和至少一个参考企业之间的动态企业关系,也即动态相关性,企业关联矩阵也可以称为动态的企业相关性矩阵,企业关联矩阵为0-1二值化表征,其维度为企业数*企业数。
需要说明的是,将历史资源信息输入资源预测模型中的关系预测单元,获得企业关联矩阵的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。
本说明书一种可能的实现方式中,可以获取至少一个参考企业的参考资源信息,将至少一个参考企业的参考资源信息和目标企业的历史资源信息输入资源预测模型中的关系预测单元,获得企业关联矩阵。
本说明书另一种可能的实现方式中,关系预测单元中包括至少一个参考企业的参考资源信息,可以直接将历史资源信息输入资源预测模型中的关系预测单元,在关系预测单元中,根据目标企业的历史资源信息和至少一个参考企业的参考资源信息,获得企业关联矩阵。
本说明书一种可选的实施例中,关系预测单元包括嵌入处理网络和归一化流网络;上述将历史资源信息输入资源预测模型中的关系预测单元,获得企业关联矩阵,可以包括以下步骤:
获取至少一个参考企业的参考资源信息;
将历史资源信息和参考资源信息输入嵌入处理网络,获得初始关联嵌入矩阵;
将初始关联嵌入矩阵输入归一化流网络,获得企业关联矩阵。
具体地,初始关联嵌入矩阵是指基础分布下的嵌入矩阵,也可以称为初始实值嵌入表征。为了使得企业关联矩阵可以作为企业关系的邻接矩阵,共同预测企业资源,本说明书实施例中,基于邻接矩阵具有离散性的特点,可以在关系预测单元中设置归一化流网络,归一化流网络用于将连续的初始关联嵌入矩阵转换为企业关联矩阵。
需要说明的是,嵌入处理网络包括长短期记忆网络和两个线性层,长短期记忆网络用于生成历史资源信息和参考资源信息的资源信息嵌入表征。两个线性层可以是两个多层感知机,分别用来生成基础分布的均值和方差,上述将历史资源信息和参考资源信息输入嵌入处理网络,获得初始关联嵌入矩阵,可以包括以下步骤:
将历史资源信息和参考资源信息输入长短期记忆网络,获得资源信息嵌入表征;
将资源信息嵌入表征输入两个线性层,获得初始关联嵌入矩阵。
示例性地,为了估计目标企业时期t的企业收入,可以将时期t前τ天内的目标企业的股票价格时间序列和至少一个参考企业的股票价格时间序列输入关系预测单元中的嵌入处理网络,获得基于股票价格序列的资源信息嵌入表征Et。进一步地,将资源信息嵌入表征Et输入两个线性层生成基础正态分布,在基础正态分布上进行采样得到维度为企业数*企业数的基础高斯分布下的初始关联嵌入矩阵Z0 k,初始关联嵌入矩阵Z0 k中的元素分别对应两两企业之间的关联关系在基础高斯分布下的初始实值嵌入表征。
实际应用中,归一化流网络包括多层仿射耦合层;上述将初始关联嵌入矩阵输入归一化流网络,获得企业关联矩阵,可以包括以下步骤:
将初始关联嵌入矩阵输入多层仿射耦合层,获得关联嵌入矩阵;
根据预设取值规则对关联嵌入矩阵进行转换,获得企业关联矩阵。
具体地,关联嵌入矩阵近似于企业关联矩阵,关联嵌入矩阵是指复杂混合高斯分布下的关联嵌入矩阵,也可以称为近似实值嵌入表征。
在归一化流网络中,记fk为第k层仿射耦合层对应的可逆非线性转换,将基础高斯分布下的初始关联嵌入矩阵Z0 k转换为复杂混合高斯分布下的关联嵌入矩阵Zt k的转换过程如以下公式(1)和公式(2)所示:
其中,表示多层可逆非线性转换的叠加。
将初始关联嵌入矩阵输入多层仿射耦合层,获得复杂混合高斯分布下的关联嵌入矩阵之后,进一步地,可以通过预设取值规则将复杂混合高斯分布下的关联嵌入矩阵Zt k转换成二值化的企业关联矩阵Bt。具体地,预设取值规则如以下公式(3)所示:
其中,zi,j和bi,j分别为Zt k和Bt中任意元素,i和j分别表示企业i和企业j。
示例性地,将历史资源信息和参考资源信息输入嵌入处理网络,获得初始关联嵌入矩阵Z0 k之后,可以将初始关联嵌入矩阵Z0 k输入归一化流网络,在归一化流网络中的k层仿射耦合层中对初始关联嵌入矩阵Z0 k进行多层可逆转换得到复杂混合高斯分布下的关联嵌入矩阵Zt k,最后根据预设0-1取值规则对关联嵌入矩阵Zt k进行转换,获得企业关联矩阵Bt。
实际应用中,获取至少一个参考企业的参考资源信息的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。本说明书一种可能的实现方式中,可以接收用户输入的至少一个参考企业的参考资源信息。本说明书另一种可能的实现方式中,可以是从其他数据获取设备或者数据库中读取至少一个参考企业的参考资源信息。
应用本说明书实施例的方案,获取至少一个参考企业的参考资源信息;将历史资源信息和参考资源信息输入嵌入处理网络,获得初始关联嵌入矩阵;将初始关联嵌入矩阵输入归一化流网络,获得企业关联矩阵,保证了企业关联矩阵可以作为企业关系的邻接矩阵,共同与企业特征进行企业资源预测,保证了企业关联矩阵的准确性。
步骤306:将企业关联矩阵和企业信息输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果。
本说明书一个或多个实施例中,接收针对目标企业的资源预测请求,将历史资源信息输入资源预测模型中的关系预测单元,获得企业关联矩阵之后,进一步地,可以将企业关联矩阵和企业信息输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果。
应用本说明书实施例的方案,通过利用资源预测模型预测企业关联矩阵,进一步在资源预测模型中利用企业关联矩阵确定资源预测结果,实现了在企业资源预测过程中考虑市场中企业的相关性,提高了企业资源预测的准确性。
实际应用中,将企业关联矩阵和企业信息输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。
本说明书一种可能的实现方式中,可以直接将企业关联矩阵和企业信息输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果。
本说明书另一的实现方式中,由于企业关联矩阵中每个企业均与自身是具有关联关系的,因此,可以对企业关联矩阵进行矫正更新,并将更新后的企业关联矩阵和企业信息输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果,也即,上述将企业关联矩阵和企业信息输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果之前,还可以包括以下步骤:
调整企业关联矩阵中的对角线元素,获得调整企业关联矩阵;
根据预设缩放矩阵对调整企业关联矩阵进行缩放,获得更新后的企业关联矩阵。
具体地,更新后的企业关联矩阵为拉普拉斯矩阵,用于表征企业之间的图关系。预设缩放矩阵为一个缩放处理后的度矩阵。
实际应用中,调整企业关联矩阵中的对角线元素时,可以直接将对角线元素赋值为1,获得调整企业关联矩阵,进一步对调整企业关联矩阵左右两边乘以预设缩放矩阵,获得更新后的企业关联矩阵,如以下公式(4)所示:
其中,L为更新后的企业关联矩阵,Bt为调整企业关联矩阵,为预设缩放矩阵。
应用本说明书实施例的方案,调整企业关联矩阵中的对角线元素,获得调整企业关联矩阵;根据预设缩放矩阵对调整企业关联矩阵进行缩放,获得更新后的企业关联矩阵。使得更新后的企业关联矩阵不仅能准确表示企业之间的图关系,且在模型训练时更容易收敛。
进一步地,将企业关联矩阵和企业信息输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。
本说明书一种可能的实现方式中,可以直接将企业关联矩阵和企业信息输入资源预测模型中的资源预测单元,在资源预测单元中生成企业信息对应的企业特征,进一步根据企业特征和企业关联矩阵生成资源预测请求对应的资源预测结果。
本说明书另一种可能的实现方式中,可以先对企业信息进行特征提取,获得企业信息对应的企业特征,进一步将企业关联矩阵和企业特征输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果,也即,上述将企业关联矩阵和企业信息输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果之前,还可以包括以下步骤:
对企业信息进行特征提取,获得目标企业的企业特征;
上述将企业关联矩阵和企业信息输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果,可以包括以下步骤:
将企业关联矩阵和企业特征输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果。
需要说明的是,对企业信息进行特征提取,获得目标企业的企业特征的方式有多种,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。本说明书一种可能的实现方式中,可以利用独热编码(One-Hot)对企业信息进行编码,获得企业特征。本说明书另一种可能的实现方式中,可以利用编码器对企业信息进行编码,获得企业特征。
示例性地,假设企业信息为企业财务指标,对企业财务指标进行特征提取,可以得到企业的特征信息,根据特征信息可以构建企业对应的特征向量,也即获得维度为N*C的目标企业的企业特征。其中,N表示市场中的企业个数,C表示企业信息中指标参数的个数。
应用本说明书实施例的方案,对企业信息进行特征提取,获得目标企业的企业特征;将企业关联矩阵和企业特征输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果,减少了资源预测模型的处理压力,提高了资源预测模型的预测效率。
本说明书一种可选的实施例中,资源预测单元包括图卷积层、线性层和激活函数层;上述将企业关联矩阵和企业特征输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果,可以包括以下步骤:
将企业关联矩阵和企业特征输入图卷积层,获得企业属性特征;
将企业属性特征输入线性层和激活函数层,获得资源预测请求对应的资源预测结果。
具体地,企业属性特征用于表征企业自身的特征以及不同企业之间的关联关系。图卷积层可以是图卷积神经网络。
实际应用中,可以通过以下公式(5)确定资源预测请求对应的资源预测结果:
P=ReLU(W1·ReLU(L·X·W0)+Bias) (5)
其中,P为资源预测结果,ReLU为激活函数,L为更新后的企业关联矩阵,X为企业特征,W0为图卷积层中的网络参数,W1为线性层中的网络参数,Bias为线性层的偏移量。
应用本说明书实施例的方案,将企业关联矩阵和企业特征输入图卷积层,获得企业属性特征,将企业属性特征输入线性层和激活函数层,获得资源预测请求对应的资源预测结果。通过根据企业关联矩阵和企业特征形成企业关系网络,进一利用图卷积层对企业关系网络进行处理,提高了资源预测结果的准确性。
本说明书一种可选的实施例中,上述资源预测模型可以通过以下方式训练:
获取样本集,其中,样本集包括多个样本企业的样本企业信息、样本历史资源信息和样本资源标签;
将第一样本企业的第一样本历史资源信息输入初始资源预测模型中的关系预测单元,获得第一预测企业关联矩阵,其中,第一样本企业为多个样本企业中的任一个;
将第一预测企业关联矩阵和第一样本企业的第一样本企业信息输入资源预测单元,获得第一样本企业对应的第一预测资源信息;
根据第一预测企业关联矩阵、第一预测资源信息和第一样本企业的第一样本资源标签,计算损失值;
根据损失值调整初始资源预测模型的模型参数,并返回执行将第一样本企业的第一样本历史资源信息输入初始资源预测模型中的关系预测单元,获得第一预测企业关联矩阵的步骤,直至达到预设停止条件,获得资源预测模型。
具体地,样本资源标签为样本企业的真实资源值。获取样本集的方式有多种,可以是人工输入大量样本企业的样本企业信息、样本历史资源信息和样本资源标签组成样本集,也可以是从其他数据获取设备或者数据库中读取大量样本企业的样本企业信息、样本历史资源信息和样本资源标签组成样本集,获取样本集的方式具体根据实际情况进行选择,本说明书实施例对此不作任何限定。
需要说明的是,上述“将第一样本企业的第一样本历史资源信息输入初始资源预测模型中的关系预测单元,获得第一预测企业关联矩阵”的实现方式与上述“将历史资源信息输入资源预测模型中的关系预测单元,获得企业关联矩阵”的实现方式相同,上述“将第一预测企业关联矩阵和第一样本企业的第一样本企业信息输入资源预测单元,获得第一样本企业对应的第一预测资源信息”的实现方式与上述“将企业关联矩阵和企业信息输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果”的实现方式相同,本说明书便不再进行赘述。
进一步地,根据第一预测企业关联矩阵、第一预测资源信息和第一样本企业的第一样本资源标签对初始生成模型进行训练时,可以根据第一预测企业关联矩阵、第一预测资源信息和第一样本企业的第一样本资源标签,计算损失值,根据损失值,调整初始资源预测模型的模型参数,并返回执行将第一样本企业的第一样本历史资源信息输入初始资源预测模型中的关系预测单元,获得第一预测企业关联矩阵的步骤,直至达到预设停止条件,获得资源预测模型。
本说明书一种可能的实现方式中,预设停止条件包括损失值小于或等于预设阈值,其中,预设阈值具体根据实际情况进行选择,本说明书实施例对此不作任何限定。将第一样本企业的第一样本历史资源信息输入初始资源预测模型中的关系预测单元,获得第一预测企业关联矩阵,将第一预测企业关联矩阵和第一样本企业的第一样本企业信息输入资源预测单元,获得第一样本企业对应的第一预测资源信息,在得到第一预测企业关联矩阵和第一预测资源信息后,根据第一预测企业关联矩阵、第一预测资源信息和第一样本企业的第一样本资源标签,计算损失值,将损失值与预设阈值进行比较。
具体地,若损失值大于预设阈值,则说明初始资源预测模型的预测结果和第一样本资源标签的差异较大,初始资源预测模型对于企业资源的预测能力较差,此时可以调整初始资源预测模型的模型参数,并返回执行将第一样本企业的第一样本历史资源信息输入初始资源预测模型中的关系预测单元,获得第一预测企业关联矩阵的步骤,继续对初始资源预测模型进行训练,直至损失值小于或等于预设阈值,说明初始资源预测模型的预测结果和第一样本资源标签的差异较小,达到预设停止条件,获得完成训练的资源预测模型。
本说明书另一种可能的实现方式中,除了比较损失值和预设阈值的大小关系之外,还可以结合迭代次数,确定当前的初始资源预测模型是否训练完成。
具体地,若损失值大于预设阈值,则调整初始资源预测模型的参数,并返回执行将第一样本企业的第一样本历史资源信息输入初始资源预测模型中的关系预测单元,获得第一预测企业关联矩阵的步骤,继续对初始资源预测模型进行训练,在达到预设迭代次数的情况下,停止迭代,得到完成训练的资源预测模型,其中,预设迭代次数具体根据实际情况进行选择,本说明书实施例对此不作任何限定。
应用本说明书实施例的方案,获取样本集,其中,样本集包括多个样本企业的样本企业信息、样本历史资源信息和样本资源标签;将第一样本企业的第一样本历史资源信息输入初始资源预测模型中的关系预测单元,获得第一预测企业关联矩阵,其中,第一样本企业为多个样本企业中的任一个;将第一预测企业关联矩阵和第一样本企业的第一样本企业信息输入资源预测单元,获得第一样本企业对应的第一预测资源信息;根据第一预测企业关联矩阵、第一预测资源信息和第一样本企业的第一样本资源标签,计算损失值;根据损失值调整初始资源预测模型的模型参数,并返回执行将第一样本企业的第一样本历史资源信息输入初始资源预测模型中的关系预测单元,获得第一预测企业关联矩阵的步骤,直至达到预设停止条件,获得资源预测模型。通过不断对初始资源预测模型的模型参数进行调整,使得最终得到的资源预测模型更加精准。
本说明书一种可能的实现方式中,上述根据第一预测企业关联矩阵、第一预测资源信息和第一样本企业的第一样本资源标签,计算损失值,可以包括以下步骤:
根据第一预测企业关联矩阵对应的后验分布和目标先验分布,计算关联损失值;
根据第一预测资源信息和第一样本资源标签,计算预测损失值;
根据关联损失值和预测损失值,计算损失值。
具体地,后验分布是指第一预测企业关联矩阵对应的第一预测关联嵌入矩阵的后验分布,目标先验分布是指第一预测企业关联矩阵对应的第一预测关联嵌入矩阵的目标先验分布。
需要说明的是,在归一化流网络中,为了使得第一预测关联嵌入矩阵Zt k能够更好地近似表示第一预测企业关联矩阵Bt,因此希望第一预测关联嵌入矩阵Zt k的目标先验分布p(Zt k)为由两个单变量高斯分布混合而成的近似伯努利分布,如以下公式(6)所示,从而利用近似伯努利分布作为目标先验分布将第一预测关联嵌入矩阵Zt k中的值约束在0和1两个位置附近:
其中,为Zt k的目标先验分布,N表示高斯分布,ηI为对应正态分布的协方差矩阵,η为调节系数,η的值越小越能将Zt k中的值约束在0和1两个位置附近。
进一步地,以预测时期t内的企业资源为例,将第一样本企业的第一样本历史资源信息输入嵌入处理网络中的长短期记忆网络,获得第一预测资源信息嵌入表征Et,将第一预测资源信息嵌入表征Et输入嵌入处理网络中的两个线性层,生成基础正态分布q(Zt 0),然后经过归一化流网络中的k层仿射耦合层对基础正态分布q(Zt 0)进行k次转换得到复杂混合高斯分布q(Zt k),复杂混合高斯分布q(Zt k)为第一预测关联嵌入矩阵Zt k的后验分布。复杂混合高斯分布下的第一预测关联嵌入矩阵Zt k的log似然公式如下公式(7)所示:
其中,为复杂高斯分布下的第一预测关联嵌入矩阵Zt k的log似然值,为基础高斯分布下的第一预测关联嵌入矩阵Zt 0的log似然值,φ为神经网络参数,det为行列式取值符号。
进一步地,根据第一预测企业关联矩阵对应的后验分布和目标先验分布,计算关联损失值时,可以通过计算目标先验分布p(Zt k)和后验分布q(Zt k)的KL散度(Kullback-Leibler)来衡量两者的相近程度,KL散度越小表示两个分布越接近,具体通过以下公式(8)计算关联损失值:
其中,LKL为关联损失值,为Zt k中的任意元素,表示企业i和企业j之间的相关性在复杂混合高斯分布下的实值嵌入表征。
将第一样本企业的第一样本历史资源信息输入初始资源预测模型中的关系预测单元,获得第一预测企业关联矩阵之后,可以将第一样本企业信息和第一预测企业关联矩阵输入图卷积层,获得第一预测企业属性特征;将第一预测企业属性特征输入线性层和激活函数层,获得第一预测资源信息。实际应用中,可以基于以下公式(9)根据第一预测资源信息和第一样本资源标签,计算预测损失值:
LGCN=f(X,L)=MSE(ReLU(W1·ReLU(L·X·W0)+Bias),Value) (9)
其中,LGCN为预测损失值,X为市场中样本企业的企业特征,ReLU为激活函数,L为更新后的第一预测企业关联矩阵,W0为图卷积层中的网络参数,W1为线性层中的网络参数,Bias为线性层的偏移量,MSE为均方误差,Value为第一样本资源标签。
进一步地,根据关联损失值和预测损失值,计算损失值时,可以直接将关联损失值和预测损失值相加,获得损失值。还可以分别为关联损失值和预测损失值设置对应的权重,并基于权重对关联损失值和预测损失值进行加权,获得损失值。
应用本说明书实施例的方案,根据第一预测企业关联矩阵对应的后验分布和目标先验分布,计算关联损失值;根据第一预测资源信息和第一样本资源标签,计算预测损失值;根据关联损失值和预测损失值,计算损失值,提高了损失值的准确性。
值得说明的是,由于市场中不断出现新的企业,这使得市场中企业数量越来越多,企业关系越来越复杂,需要建模动态企业关系的企业关联矩阵维度也越来越高,且新企业的财务数据具有少样本、贫信息的特点,这种少样本、高维度的场景给企业资源评估带来了更大的挑战。同时,同一市场中相邻两个时期的企业关系具有相近和延续性的特点,因此当前时期的企业关系可以从历史前一个时期的企业关系中反映出来。
因此,本说明书实施例在资源预测模型中设计了结构保持单元,在考虑企业关系是动态的基础上,对企业关联矩阵做出对称结构性约束和相邻时期小幅变化约束,有效利用市场中新增企业的少样本数据建模动态企业关系其与市场中其他企业的关系,充分利用历史时期的企业关系对当前时期企业关系进行约束,提高了资源预测的精度和鲁棒性。
本说明书一种可选的实施例中,损失值还包括对称损失值;上述根据关联损失值和预测损失值,计算损失值之前,还可以包括以下步骤:
对第一预测企业关联矩阵进行转置,获得第一转置企业关联矩阵;
根据第一预测企业关联矩阵和第一转置企业关联矩阵,计算对称损失值;
根据关联损失值和预测损失值,计算损失值,包括:
根据关联损失值、预测损失值和对称损失值,计算损失值。
实际应用中,由于第一预测企业关联矩阵对应的第一预测关联嵌入矩阵是其近似实值嵌入表征,对第一预测关联嵌入矩阵进行转置,获得第一转置关联嵌入矩阵,从而可以通过以下公式(10)计算对称损失值:
其中,Lsymmetry为对称损失值,为平方后的L2范式,Bt为第一预测企业关联矩阵,(Bt)T为第一转置企业关联矩阵,/>为第一预测关联嵌入矩阵,/>为第一转置关联嵌入矩阵。
进一步地,根据关联损失值、预测损失值和对称损失值,计算损失值时,可以直接将关联损失值、预测损失值和对称损失值相加,获得损失值。还可以分别为关联损失值、预测损失值和对称损失值设置对应的权重,并基于权重对关联损失值、预测损失值和对称损失值进行加权,获得损失值。
应用本说明书实施例的方案,对第一预测企业关联矩阵进行转置,获得第一转置企业关联矩阵;根据第一预测企业关联矩阵和第一转置企业关联矩阵,计算对称损失值;根据关联损失值、预测损失值和对称损失值,计算损失值,对企业关联矩阵进行对称结构性约束,使得损失值更加准确,进一步提高了资源预测模型的精确性。
本说明书另一种可选的实施例中,损失值还包括距离损失值;上述根据关联损失值和预测损失值,计算损失值之前,还可以包括以下步骤:
获取第一样本企业的第一相邻企业关联矩阵,其中,第一相邻企业关联矩阵基于第一相邻历史资源信息确定,第一相邻历史资源信息的信息时间与第一样本历史资源信息的信息时间相邻;
根据第一预测企业关联矩阵和第一相邻企业关联矩阵,计算距离损失值;
根据关联损失值和预测损失值,计算损失值,包括:
根据关联损失值、预测损失值和距离损失值,计算损失值。
需要说明的,第一样本企业的第一相邻企业关联矩阵的生成方式与“第一预测企业关联矩阵”的生成方式相同,本说明书实施例便不再进行赘述。
实际应用中,根据相邻时期企业关系具有相似且连续性的特点,因此可以使用汉明空间中的汉明距离衡量预测时期前一个时期的第一相邻企业关联矩阵和预测时期的第一预测企业关联矩阵的相似程度。考虑到第一预测企业关联矩阵对应的第一预测关联嵌入矩阵是其近似实值嵌入表征,因此可以使用预测时期前一个时期的第一相邻关联嵌入矩阵和预测时期的第一预测关联嵌入矩阵的在欧氏空间的距离来代替汉明距离,通过以下公式(11)计算距离损失值:
其中,Lhamming为距离损失值,Hammi ng为汉明距离计算函数,Bt为第一预测企业关联矩阵,Bt-1为第一相邻企业关联矩阵;为平方后的L2范式,Zt k为第一预测关联嵌入矩阵,Zt-1 k为第一相邻关联嵌入矩阵。
进一步地,根据关联损失值、预测损失值和距离损失值,计算损失值时,可以直接将关联损失值、预测损失值和距离损失值相加,获得损失值。还可以分别为关联损失值、预测损失值和距离损失值设置对应的权重,并基于权重对关联损失值、预测损失值和距离损失值进行加权,获得损失值。
应用本说明书实施例的方案,根据第一预测企业关联矩阵和第一相邻企业关联矩阵,计算距离损失值;根据关联损失值、预测损失值和距离损失值,计算损失值。对企业关联矩阵进行相邻时期小幅变化约束,使得损失值更加准确,进一步提高了资源预测模型的精确性。
本说明书一种可能的实现方式中,可以通过以下公式(12)计算损失值:
L=LKL+Lsymmetry+Lhamming+LGCN (12)
下述结合附图4和附图5,以本说明书提供的基于建模动态企业关系的企业资源预测方法在企业收入场景的应用为例,对所述基于建模动态企业关系的企业资源预测方法进行进一步说明。
参见图4,图4示出了本说明书一个实施例提供的一种基于建模动态企业关系的企业资源预测方法的处理过程流程图,具体包括以下步骤:
步骤402:接收针对目标企业的收入预测请求,其中,收入预测请求携带目标企业的企业信息和历史收入信息。
步骤404:获取至少一个参考企业的参考收入信息。
步骤406:将历史收入信息和至少一个参考企业的参考收入信息输入嵌入处理网络,获得初始关联嵌入矩阵。
步骤408:将初始关联嵌入矩阵输入归一化流网络,获得企业关联矩阵。
步骤410:对企业信息进行特征提取,获得目标企业的企业特征。
步骤412:将企业关联矩阵和企业特征输入图卷积层,获得企业属性特征。
步骤414:将企业属性特征输入线性层和激活函数层,获得收入预测请求对应的收入预测结果。
需要说明的是,步骤402至步骤414的实现方式与上述步骤302至步骤306的实现方式相同,本说明书实施例便不再进行赘述。
应用本说明书实施例的方案,通过预测企业关联矩阵,进一步利用企业关联矩阵确定收入预测结果,实现了在企业收入预测过程中考虑市场中企业的相关性,提高了企业收入预测的准确性。
参见图5,图5示出了本说明书一个实施例提供的另一种基于建模动态企业关系的企业资源预测方法的处理过程流程图,具体包括:
获取企业财务数据并处理:获取目标企业的企业财务数据并进行特征提取,获得目标企业的企业特征;
获取历史企业股票价格时间序列并处理:获取目标企业的历史企业股票价格时间序列,并将历史企业股票价格时间序列输入资源预测模型的嵌入处理网络,对动态企业关系进行建模,获得关联嵌入矩阵;
资源预测模型训练:根据各样本企业的预测企业关联矩阵、预测资源信息和样本资源标签训练初始资源预测模型,获得训练完成的资源预测模型,其中,预测企业关联矩阵基于样本企业的样本历史资源信息得到,预测资源信息基于预测企业关联矩阵和样本企业的企业信息训练得到;
生成企业关联矩阵:将关联嵌入矩阵输入资源预测模型的归一化流网络,获得企业关联矩阵。
预测企业收入:将企业关联矩阵和企业特征输入资源预测模型的资源预测单元,获得企业收入预测结果。
应用本说明书实施例的方案,提出了利用股票价格时间序列建立动态企业关系的深度哈希网络来预测企业关联矩阵,然后结合企业关联矩阵和企业特征构建企业关系网络,并将其输入图卷积神经网络,进行企业节点间的特征消息传递。最后,对目标企业节点,将目标企业节点上的特征输入线性层和激活函数层,实现对该企业的收入预测,提高了收入预测的效率以及准确性。
参见图6,图6示出了本说明书一个实施例提供的另一种基于建模动态企业关系的企业资源预测方法的流程图。
获取目标企业的企业财务指标和历史企业股票价格时间序列。将历史企业股票价格时间序列输入资源预测模型中的关系预测单元,获得企业关联矩阵。对企业财务指标进行特征提取,获得企业财务特征。结合企业关联矩阵和企业财务特征构建企业关系网络,将企业关系网络输入图卷积层,获得企业属性特征;将企业属性特征输入线性层和激活函数层,获得企业收入预测结果。
需要说明的是,关系预测单元为深度哈希网络,关系预测单元包括嵌入处理网络和归一化流网络。将企业股票价格时间序列输入嵌入处理网络,获得初始关联嵌入矩阵,将初始关联嵌入矩阵输入归一化流网络,获得企业关联矩阵。关系预测单元还包括结构保持单元,结构保持单元用于在资源预测模型训练过程中对企业关系做出对称结构性约束和相邻时期小幅变化约束。
应用本说明书实施例的方案,在预测企业收入时考虑了市场中企业的相关性,同时考虑到企业信息的少样本、高维度的特性,对企业关系做出对称结构性约束和相邻时期小幅变化约束,实现了基于深度哈希和图卷积神经网络准确进行企业收入预测。
参见图7,图7示出了本说明书一个实施例提供的一种基于建模动态企业关系的企业资源预测界面的界面示意图。基于建模动态企业关系的企业资源预测界面分为资源预测请求输入界面和资源预测结果展示界面。资源预测请求输入界面中包括资源预测请求输入框、“确定”控件以及“取消”控件。资源预测结果展示界面中包括资源预测结果展示框。
用户通过客户端显示的资源预测请求输入框输入资源预测请求,其中,资源预测请求携带目标企业的企业信息和历史资源信息;用户点选“确定”控件,服务端接收客户端发送的资源预测请求,通过上述基于建模动态企业关系的企业资源预测方法获得资源预测请求对应的资源预测结果,并将资源预测结果发送至客户端。客户端在资源预测结果展示框中显示资源预测请求对应的资源预测结果。
实际应用中,用户对控件进行操作的方式包括点击、双击、触控、鼠标悬停、滑动、长按、语音控制或摇一摇等任一方式,具体根据实际情况进行选择,本说明书实施例对此不作任何限定。
与上述方法实施例相对应,本说明书还提供了基于建模动态企业关系的企业资源预测装置实施例,图8示出了本说明书一个实施例提供的一种基于建模动态企业关系的企业资源预测装置的结构示意图。如图8所示,该装置包括:
接收模块802,被配置为接收针对目标企业的资源预测请求,其中,资源预测请求携带目标企业的企业信息和历史资源信息;
第一输入模块804,被配置为将历史资源信息输入资源预测模型中的关系预测单元,获得企业关联矩阵,其中,企业关联矩阵为关系预测单元基于至少一个参考企业的参考资源信息确定,企业关联矩阵表征目标企业和至少一个参考企业之间的关联关系;
第二输入模块806,被配置为将企业关联矩阵和企业信息输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果。
可选地,关系预测单元包括嵌入处理网络和归一化流网络;第一输入模块804,进一步被配置为获取至少一个参考企业的参考资源信息;将历史资源信息和参考资源信息输入嵌入处理网络,获得初始关联嵌入矩阵;将初始关联嵌入矩阵输入归一化流网络,获得企业关联矩阵。
可选地,该装置还包括:调整模块,被配置为调整企业关联矩阵中的对角线元素,获得调整企业关联矩阵;根据预设缩放矩阵对调整企业关联矩阵进行缩放,获得更新后的企业关联矩阵。
可选地,该装置还包括:提取模块,被配置为对企业信息进行特征提取,获得目标企业的企业特征;第二输入模块806,进一步被配置为将企业关联矩阵和企业特征输入资源预测模型中的资源预测单元,获得资源预测请求对应的资源预测结果。
可选地,资源预测单元包括图卷积层、线性层和激活函数层;第二输入模块806,进一步被配置为将企业关联矩阵和企业特征输入图卷积层,获得企业属性特征;将企业属性特征输入线性层和激活函数层,获得资源预测请求对应的资源预测结果。
可选地,该装置还包括:资源预测模型训练模块,被配置为获取样本集,其中,样本集包括多个样本企业的样本企业信息、样本历史资源信息和样本资源标签;将第一样本企业的第一样本历史资源信息输入初始资源预测模型中的关系预测单元,获得第一预测企业关联矩阵,其中,第一样本企业为多个样本企业中的任一个;将第一预测企业关联矩阵和第一样本企业的第一样本企业信息输入资源预测单元,获得第一样本企业对应的第一预测资源信息;根据第一预测企业关联矩阵、第一预测资源信息和第一样本企业的第一样本资源标签,计算损失值;根据损失值调整初始资源预测模型的模型参数,并返回执行将第一样本企业的第一样本历史资源信息输入初始资源预测模型中的关系预测单元,获得第一预测企业关联矩阵的步骤,直至达到预设停止条件,获得资源预测模型。
可选地,资源预测模型训练模块,进一步被配置为根据第一预测企业关联矩阵对应的后验分布和目标先验分布,计算关联损失值;根据第一预测资源信息和第一样本资源标签,计算预测损失值;根据关联损失值和预测损失值,计算损失值。
可选地,损失值还包括对称损失值;资源预测模型训练模块,进一步被配置为对第一预测企业关联矩阵进行转置,获得第一转置企业关联矩阵;根据第一预测企业关联矩阵和第一转置企业关联矩阵,计算对称损失值;根据关联损失值、预测损失值和对称损失值,计算损失值。
可选地,损失值还包括距离损失值;资源预测模型训练模块,进一步被配置为获取第一样本企业的第一相邻企业关联矩阵,其中,第一相邻企业关联矩阵基于第一相邻历史资源信息确定,第一相邻历史资源信息的信息时间与第一样本历史资源信息的信息时间相邻;根据第一预测企业关联矩阵和第一相邻企业关联矩阵,计算距离损失值;根据关联损失值、预测损失值和距离损失值,计算损失值。
应用本说明书实施例的方案,通过利用资源预测模型预测企业关联矩阵,进一步在资源预测模型中利用企业关联矩阵确定资源预测结果,实现了在企业资源预测过程中考虑市场中企业的相关性,提高了企业资源预测的准确性。
上述为本实施例的一种基于建模动态企业关系的企业资源预测装置的示意性方案。需要说明的是,该基于建模动态企业关系的企业资源预测装置的技术方案与上述的基于建模动态企业关系的企业资源预测方法的技术方案属于同一构思,基于建模动态企业关系的企业资源预测装置的技术方案未详细描述的细节内容,均可以参见上述基于建模动态企业关系的企业资源预测方法的技术方案的描述。
图9示出了本说明书一个实施例提供的一种计算设备的结构框图。该计算设备900的部件包括但不限于存储器910和处理器920。处理器920与存储器910通过总线930相连接,数据库950用于保存数据。
计算设备900还包括接入设备940,接入设备940使得计算设备900能够经由一个或多个网络960通信。这些网络的示例包括公用交换电话网(PSTN,Public SwitchedTelephone Network)、局域网(LAN,Local Area Network)、广域网(WAN,Wide AreaNetwork)、个域网(PAN,Personal Area Network)或诸如因特网的通信网络的组合。接入设备940可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC,NetworkInterface Card))中的一个或多个,诸如IEEE802.11无线局域网(WLAN,Wireless LocalArea Networks)无线接口、全球微波互联接入(Wi-MAX,World Interoperability forMicrowave Access)接口、以太网接口、通用串行总线(USB,UniversalSerialBus)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC,Near Field Communication)接口,等等。
在本说明书的一个实施例中,计算设备900的上述部件以及图9中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图9所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备900可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或个人计算机(PC,Personal Computer)的静止计算设备。计算设备900还可以是移动式或静止式的服务器。
其中,处理器920用于执行如下计算机可执行指令,该计算机可执行指令被处理器执行时实现上述基于建模动态企业关系的企业资源预测方法的步骤。
上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的基于建模动态企业关系的企业资源预测方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述基于建模动态企业关系的企业资源预测方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现上述基于建模动态企业关系的企业资源预测方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的基于建模动态企业关系的企业资源预测方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述基于建模动态企业关系的企业资源预测方法的技术方案的描述。
本说明书一实施例还提供一种计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行上述基于建模动态企业关系的企业资源预测方法的步骤。
上述为本实施例的一种计算机程序的示意性方案。需要说明的是,该计算机程序的技术方案与上述的基于建模动态企业关系的企业资源预测方法的技术方案属于同一构思,计算机程序的技术方案未详细描述的细节内容,均可以参见上述基于建模动态企业关系的企业资源预测方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。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)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书实施例并不受所描述的动作顺序的限制,因为依据本说明书实施例,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书实施例的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书实施例的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (12)
1.一种基于建模动态企业关系的企业资源预测方法,其特征在于,包括:
接收针对目标企业的资源预测请求,其中,所述资源预测请求携带所述目标企业的企业信息和历史资源信息;
将所述历史资源信息输入资源预测模型中的关系预测单元,获得企业关联矩阵,其中,所述企业关联矩阵为所述关系预测单元基于至少一个参考企业的参考资源信息确定,所述企业关联矩阵表征所述目标企业和所述至少一个参考企业之间的关联关系;
将所述企业关联矩阵和所述企业信息输入资源预测模型中的资源预测单元,获得所述资源预测请求对应的资源预测结果。
2.根据权利要求1所述的方法,其特征在于,所述关系预测单元包括嵌入处理网络和归一化流网络;
所述将所述历史资源信息输入资源预测模型中的关系预测单元,获得企业关联矩阵,包括:
获取至少一个参考企业的参考资源信息;
将所述历史资源信息和所述参考资源信息输入所述嵌入处理网络,获得初始关联嵌入矩阵;
将所述初始关联嵌入矩阵输入所述归一化流网络,获得所述企业关联矩阵。
3.根据权利要求1所述的方法,其特征在于,所述将所述企业关联矩阵和所述企业信息输入资源预测模型中的资源预测单元,获得所述资源预测请求对应的资源预测结果之前,还包括:
调整所述企业关联矩阵中的对角线元素,获得调整企业关联矩阵;
根据预设缩放矩阵对所述调整企业关联矩阵进行缩放,获得更新后的企业关联矩阵。
4.根据权利要求1所述的方法,其特征在于,所述将所述企业关联矩阵和所述企业信息输入资源预测模型中的资源预测单元,获得所述资源预测请求对应的资源预测结果之前,还包括:
对所述企业信息进行特征提取,获得所述目标企业的企业特征;
所述将所述企业关联矩阵和所述企业信息输入资源预测模型中的资源预测单元,获得所述资源预测请求对应的资源预测结果,包括:
将所述企业关联矩阵和所述企业特征输入资源预测模型中的资源预测单元,获得所述资源预测请求对应的资源预测结果。
5.根据权利要求4所述的方法,其特征在于,所述资源预测单元包括图卷积层、线性层和激活函数层;
所述将所述企业关联矩阵和所述企业特征输入资源预测模型中的资源预测单元,获得所述资源预测请求对应的资源预测结果,包括:
将所述企业关联矩阵和所述企业特征输入所述图卷积层,获得企业属性特征;
将所述企业属性特征输入所述线性层和所述激活函数层,获得所述资源预测请求对应的资源预测结果。
6.根据权利要求1所述的方法,其特征在于,所述资源预测模型通过以下方式训练:
获取样本集,其中,所述样本集包括多个样本企业的样本企业信息、样本历史资源信息和样本资源标签;
将第一样本企业的第一样本历史资源信息输入初始资源预测模型中的关系预测单元,获得第一预测企业关联矩阵,其中,所述第一样本企业为所述多个样本企业中的任一个;
将所述第一预测企业关联矩阵和所述第一样本企业的第一样本企业信息输入所述资源预测单元,获得所述第一样本企业对应的第一预测资源信息;
根据所述第一预测企业关联矩阵、所述第一预测资源信息和所述第一样本企业的第一样本资源标签,计算损失值;
根据所述损失值调整所述初始资源预测模型的模型参数,并返回执行所述将第一样本企业的第一样本历史资源信息输入初始资源预测模型中的关系预测单元,获得第一预测企业关联矩阵的步骤,直至达到预设停止条件,获得资源预测模型。
7.根据权利要求6所述的方法,其特征在于,所述根据所述第一预测企业关联矩阵、所述第一预测资源信息和所述第一样本企业的第一样本资源标签,计算损失值,包括:
根据所述第一预测企业关联矩阵对应的后验分布和目标先验分布,计算关联损失值;
根据所述第一预测资源信息和所述第一样本资源标签,计算预测损失值;
根据所述关联损失值和所述预测损失值,计算损失值。
8.根据权利要求7所述的方法,其特征在于,所述损失值还包括对称损失值;
所述根据所述关联损失值和所述预测损失值,计算损失值之前,还包括:
对所述第一预测企业关联矩阵进行转置,获得第一转置企业关联矩阵;
根据所述第一预测企业关联矩阵和所述第一转置企业关联矩阵,计算对称损失值;
所述根据所述关联损失值和所述预测损失值,计算损失值,包括:
根据所述关联损失值、所述预测损失值和所述对称损失值,计算损失值。
9.根据权利要求7所述的方法,其特征在于,所述损失值还包括距离损失值;
所述根据所述关联损失值和所述预测损失值,计算损失值之前,还包括:
获取所述第一样本企业的第一相邻企业关联矩阵,其中,所述第一相邻企业关联矩阵基于第一相邻历史资源信息确定,所述第一相邻历史资源信息的信息时间与所述第一样本历史资源信息的信息时间相邻;
根据所述第一预测企业关联矩阵和所述第一相邻企业关联矩阵,计算距离损失值;
所述根据所述关联损失值和所述预测损失值,计算损失值,包括:
根据所述关联损失值、所述预测损失值和所述距离损失值,计算损失值。
10.一种基于建模动态企业关系的企业资源预测装置,其特征在于,包括:
接收模块,被配置为接收针对目标企业的资源预测请求,其中,所述资源预测请求携带所述目标企业的企业信息和历史资源信息;
第一输入模块,被配置为将所述历史资源信息输入资源预测模型中的关系预测单元,获得企业关联矩阵,其中,所述企业关联矩阵为所述关系预测单元基于至少一个参考企业的参考资源信息确定,所述企业关联矩阵表征所述目标企业和所述至少一个参考企业之间的关联关系;
第二输入模块,被配置为将所述企业关联矩阵和所述企业信息输入资源预测模型中的资源预测单元,获得所述资源预测请求对应的资源预测结果。
11.一种计算设备,其特征在于,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至9任意一项所述方法的步骤。
12.一种计算机可读存储介质,其特征在于,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310671513.4A CN116702976A (zh) | 2023-06-07 | 2023-06-07 | 基于建模动态企业关系的企业资源预测方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310671513.4A CN116702976A (zh) | 2023-06-07 | 2023-06-07 | 基于建模动态企业关系的企业资源预测方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116702976A true CN116702976A (zh) | 2023-09-05 |
Family
ID=87840519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310671513.4A Pending CN116702976A (zh) | 2023-06-07 | 2023-06-07 | 基于建模动态企业关系的企业资源预测方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116702976A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495571A (zh) * | 2023-12-28 | 2024-02-02 | 北京芯盾时代科技有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
-
2023
- 2023-06-07 CN CN202310671513.4A patent/CN116702976A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495571A (zh) * | 2023-12-28 | 2024-02-02 | 北京芯盾时代科技有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
CN117495571B (zh) * | 2023-12-28 | 2024-04-05 | 北京芯盾时代科技有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390408B (zh) | 交易对象预测方法和装置 | |
CN108776844B (zh) | 基于上下文感知张量分解的社交网络用户行为预测方法 | |
CN112215604B (zh) | 交易双方关系信息识别方法及装置 | |
US20230049817A1 (en) | Performance-adaptive sampling strategy towards fast and accurate graph neural networks | |
CN115062732A (zh) | 基于大数据用户标签信息的资源共享合作推荐方法及系统 | |
CN116702976A (zh) | 基于建模动态企业关系的企业资源预测方法以及装置 | |
CN115994226A (zh) | 基于联邦学习的聚类模型训练系统及方法 | |
CN116228368A (zh) | 一种基于深度多行为网络的广告点击率预测方法 | |
CN116303558A (zh) | 查询语句生成方法、数据查询方法及生成模型训练方法 | |
Lei et al. | Comparison of multiple machine learning models based on enterprise revenue forecasting | |
Li et al. | A Hybrid SARIMA‐LSTM Model for Air Temperature Forecasting | |
CN116739787B (zh) | 基于人工智能的交易推荐方法及系统 | |
Su | Nonlinear ARIMA models with feedback SVR in financial market forecasting | |
CN115631008B (zh) | 商品推荐方法、装置、设备及介质 | |
Bisarya et al. | Stock price prediction using corporation network and LSTM | |
Pagariya et al. | Cryptocurrency analysis and forecasting | |
Hu et al. | DLIFT: A deep‐learning‐based intelligent fund transaction system for financial Internet of Things | |
Xiao | Research on the Application of Generative Adversarial Networks in the Generation of Stock Market Forecast Trend Images | |
Gao et al. | Attention based hybrid parametric and neural network models for non‐stationary time series prediction | |
Zhang | Housing price prediction using machine learning algorithm | |
US11983152B1 (en) | Systems and methods for processing environmental, social and governance data | |
Nithiya et al. | Bitcoin Price Prediction Using Machine Learning | |
CN113011646B (zh) | 一种数据处理方法、设备以及可读存储介质 | |
CN116933055B (zh) | 一种基于大数据的短视频用户点击预测方法 | |
Li et al. | Corporate investment prediction using a weighted temporal graph neural network |
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 |