CN117094566A - 一种视图导向的企业管理分析策略方法 - Google Patents

一种视图导向的企业管理分析策略方法 Download PDF

Info

Publication number
CN117094566A
CN117094566A CN202311358146.9A CN202311358146A CN117094566A CN 117094566 A CN117094566 A CN 117094566A CN 202311358146 A CN202311358146 A CN 202311358146A CN 117094566 A CN117094566 A CN 117094566A
Authority
CN
China
Prior art keywords
risk
enterprise
value
hidden layer
layer
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.)
Granted
Application number
CN202311358146.9A
Other languages
English (en)
Other versions
CN117094566B (zh
Inventor
郑朝晖
梁磊
高永华
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.)
China Energy Conservation Big Data Co ltd
Original Assignee
China Energy Conservation Big Data 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 China Energy Conservation Big Data Co ltd filed Critical China Energy Conservation Big Data Co ltd
Priority to CN202311358146.9A priority Critical patent/CN117094566B/zh
Publication of CN117094566A publication Critical patent/CN117094566A/zh
Application granted granted Critical
Publication of CN117094566B publication Critical patent/CN117094566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据分析领域，更具体地，涉及一种视图导向的企业管理分析策略方法。一种视图导向的企业管理分析策略方法，包括：以企业事项为根基数据，量化企业经营过程中的资源、权责、风险、过程环节、成果数据，根据企业事项进度，依次获取预设时间内全部指标对应的数据值；将每个指标在预设时间内对应的数据值组成对应的事项特征向量，在事项特征向量中每一项数据值按照时序进行排列；再将所有事项特征向量送入企业风险预测模型，输出企业风险预测值；根据企业风险预测值预测是否发生企业风险实现对企业管理的分析，并且提醒企业根据企业风险预测值对企业管理进行调整。

Description

一种视图导向的企业管理分析策略方法
技术领域
本发明涉及数据分析领域，更具体地，涉及一种视图导向的企业管理分析策略方法。
背景技术
在目前的大数据环境下，企业管理过程中会产生大量结构化数据和非结构化数据，这些数据涵盖了企业管理的各个方面。针对企业管理分析的一个重要方面是根据企业管理过程中产生的数据来进行企业风险管理，但是由于企业管理过程中产生的数据具备数量多等特点，导致数据分析受到阻碍，即对企业风险管理造成影响，因此，本申请提供了一种视图导向的企业管理分析策略方法来满足使用需求。
发明内容
本发明提供一种视图导向的企业管理分析策略方法，通过采用知识图谱的方式从企业管理的过程中挖掘风险数据值，并将不同风险指标对应的风险数据值送入企业风险预测模型对企业风险进行预测，实现对企业管理的分析，并且提醒企业根据企业风险预测值对企业管理进行调整。
一种视图导向的企业管理分析策略方法，包括：
依次获取预设时间内风险指标对应的风险数据值；
将每一个风险指标在预设时间内对应的风险数据值组成对应的风险特征向量，在风险特征向量中每一项风险数据值按照时序进行排列；
再将所有风险特征向量送入企业风险预测模型，输出企业风险预测值；
判断企业风险预测值是否大于企业风险阈值，若是企业风险预测值大于企业风险阈值，则进行预警，否则无操作，等待下一次风险检测。
作为优选的一个方面，通过企业风险知识图谱获取风险指标，具体包括如下步骤：
基于企业风险知识构建企业风险知识图谱，获取企业风险知识图谱中所有的待选风险指标，此待选风险指标为企业风险知识图谱中的实体，在通过模糊综合评价法计算每个待选风险指标对应的综合评价值，将所有综合评价值大于评价阈值的待选风险指标作为风险指标。
作为优选的一个方面，企业风险预测模型基于BP神经网络建立，包括一个输入层、三个隐含层和一个输入层，三个隐含层分别记为第一隐含层、第二隐含层和第三隐含层，其中输入层的神经节点个数与风险指标的总个数一致，用于输入风险特征向量；输入层的神经节点个数为1，用于输出企业风险预测值；隐含层神经节点个数由输入层和输出层的神经节点个数确定。
作为优选的一个方面，通过企业风险预测模型输出企业风险预测值，具体包括如下步骤：
获取风险特征向量Xi，i=1，2，3······I，其中I为风险特征向量的总个数，且风险特征向量Xi的存储形式为{xi1，xi2…xij…xiJ}，j=1，2，3······J，xij为风险特征向量Xi中第j项的数据值；
将所有的风险特征向量Xi输入企业风险预测模型中输入层对应的神经节点中，并依次经过三个隐含层和一个输入层，最终输出企业风险预测值，且输入层与第一隐含层之间的权重值向量为，f=1，2，3······F，F为第一隐含层中神经节点的总个数，/>为输入层中第i个神经节点与第一隐含层中第f个神经节点之间的权重值向量，权重值向量的存储形式为{/>…/>…/>}，其中/>为权重值向量/>中第j项的权重值；第一隐含层与第二隐含层之间的权重值记为/>，第二隐含层与第三隐含层之间的权重值记为，第三隐含层与输出层之间的权重值记为/>，第一隐含层中第f个神经节点对应的偏差值为/>，第二隐含层中第f个神经节点对应的偏差值为/>，第三隐含层中第f个神经节点对应的偏差值为/>，输出层对应的偏差值为/>。
作为优选的一个方面，针对企业风险预测模型的训练具体包括如下步骤：获取预设时间内风险指标对应的风险特征向量，并且标注好企业风险值；将所有标注好企业风险值的风险指标对应的风险特征向量组成训练样本；获取若干个训练样本组成训练样本集，将训练样本组成训练样本集中的训练样本依次送入初始化参数的企业风险预测模型中进行训练，以企业风险值作为目标条件，计算损失函数值，若是损失函数值位于预设范围内，则完成训练，否则，继续迭代训练。
作为优选的一个方面，在训练企业风险预测模型的过程中，还包括对神经节点的调整，具体包括如下步骤：依次计算输入层与第一隐含层之间的权重贡献值，，其中/>为长度为J且全部项为1的向量，“/>”为内积计算操作；依次判断“/>”是否成立，若是“/>”成立，将输入层中第i个神经节点与第一隐含层中第f个神经节点之间的连接删除，否则无操作；若是输入层中第i个神经节点上的所有连接都被删除，则删除此神经节点和对应的风险指标。
作为优选的一个方面，还包括通过遗传算法对企业风险预测模型参数初始化进行调整。
本发明具有以下优点：
1、本发明通过采用知识图谱的方式从企业管理的过程中挖掘风险数据值，并将不同风险指标对应的风险数据值送入企业风险预测模型对企业风险进行预测，实现对企业管理的分析，并且提醒企业根据企业风险预测值对企业管理进行调整。
2、本发明通过权重值向量来对风险特征向量进行处理，进而能够对企业管理中产生各种风险数据值进行时间趋势上的分析，提升企业风险检测的准确率。
3、本发明通过在训练企业风险预测模型的过程中监测输入层与第一隐含层之间的权重贡献值，并将影响较小的风险指标和神经节点进行删除，不但减少了企业风险预测模型的计算量，还能够提升企业风险预测模型检测的准确率。
附图说明
图1为本发明实施例采用的视图导向的企业管理分析策略方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，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。
实施例1
一种视图导向的企业管理分析策略方法，如图1所示，包括：以企业事项为根基数据，量化企业经营过程中的资源、权责、风险、过程环节、成果数据，根据企业事项进度，依次获取预设时间内全部指标对应的数据值；将每个指标在预设时间内对应的数据值组成对应的事项特征向量，在事项特征向量中每一项数据值按照时序进行排列；再将所有事项特征向量送入企业风险预测模型，输出企业风险预测值，具体内容如下：
依次获取预设时间内风险指标对应的风险数据值，预设时间由用户进行设定，在本申请中为1个月，风险指标通过企业风险知识图谱进行获取，风险指标可以为绩效数据、行政处罚金额等，需要说明的，例如合作企业风险值等风险指标，可以参考专家建议，对合作企业风险值进行设置，例如划分为一级风险，则对应的合作企业风险值为1；
将每一个风险指标在预设时间内对应的风险数据值组成对应的风险特征向量，在风险特征向量中每一项风险数据值按照时序进行排列，即风险特征向量兼顾了风险数据值的时序特征，再将所有风险特征向量送入企业风险预测模型，输出企业风险预测值；
判断企业风险预测值是否大于企业风险阈值，企业风险阈值由用户参考专家建议进行设定，若是企业风险预测值大于企业风险阈值，则进行预警，并且将企业风险阈值显示于管理视图上，预警方式可以采用发送短信等方式进行，否则无操作，等待下一次风险检测。
本申请通过采用知识图谱的方式从企业管理的过程中挖掘风险数据值，并将不同风险指标对应的风险数据值送入企业风险预测模型对企业风险进行预测，实现对企业管理的分析，并且提醒企业根据企业风险预测值对企业管理进行调整。
通过企业风险知识图谱获取风险指标具体包括如下步骤：
基于企业风险知识构建企业风险知识图谱，企业风险知识图谱为视图化，企业风险知识包括企业内部基本业务数据，研发数据等，也包括行业研究报告等，在构建企业风险知识图谱的过程中，具体包括知识提取、知识融合等步骤，在进行知识提取的过程中，可以采用规则匹配等有监督的方式，也可以采用基于深度学习的无监督的方式，在此不进行限定，本申请中采用基于LSTM模型的实体提取方法；
获取企业风险知识图谱中所有的待选风险指标，此待选风险指标为企业风险知识图谱中的实体，在通过模糊综合评价法计算每个待选风险指标对应的综合评价值，将所有综合评价值大于评价阈值的待选风险指标作为风险指标，在通过模糊综合评价法计算每个待选风险指标对应的综合评价值时，待选风险指标的评价集可以为{无影响，一般影响，中等影响，重大影响}，并根据待选风险指标和对应的评价集建立模糊综合评价矩阵，由专家对模糊综合评价矩阵进行打分，得到单因素评价矩阵；再基于层次分析法对待选风险指标对应的因素权向量进行确定，基于单因素评价矩阵和因素权向量计算得到模糊向量，模糊向量中每一项的值便是待选风险指标对应的综合评价值。
企业风险预测模型基于BP神经网络建立，包括一个输入层、三个隐含层和一个输入层，三个隐含层分别记为第一隐含层、第二隐含层和第三隐含层，其中输入层的神经节点个数与风险指标的总个数一致，用于输入风险特征向量；输入层的神经节点个数为1，用于输出企业风险预测值；隐含层神经节点个数由输入层和输出层的神经节点个数确定，例如将输入层的神经节点记为n，则隐含层的神经节点个数为（n+1）+α，其中α为2-10之间的随机整数。
通过企业风险预测模型输出企业风险预测值具体包括如下步骤：
获取风险特征向量Xi，i=1，2，3······I，其中I为风险特征向量的总个数，且风险特征向量Xi的存储形式为{xi1，xi2…xij…xiJ}，j=1，2，3······J，xij为风险特征向量Xi中第j项的数据值；
将所有的风险特征向量Xi输入企业风险预测模型中输入层对应的神经节点中，并依次经过三个隐含层和一个输入层，最终输出企业风险预测值，且输入层与第一隐含层之间的权重值向量为，f=1，2，3······F，F为第一隐含层中神经节点的总个数，/>为输入层中第i个神经节点与第一隐含层中第f个神经节点之间的权重值向量，权重值向量的存储形式为{/>…/>…/>}，其中/>为权重值向量/>中第j项的权重值；第一隐含层与第二隐含层之间的权重值记为/>，第二隐含层与第三隐含层之间的权重值记为/>，第三隐含层与输出层之间的权重值记为/>，第一隐含层中第f个神经节点对应的偏差值为/>，第二隐含层中第f个神经节点对应的偏差值为/>，第三隐含层中第f个神经节点对应的偏差值为/>，输出层对应的偏差值为/>；本申请中由于输入至企业风险预测模型的为风险特征向量，所以要通过权重值向量来对风险特征向量进行处理，进而能够对企业管理中产生各种风险数据值进行时间趋势上的分析，提升企业风险检测的准确率。
针对企业风险预测模型的训练具体包括如下步骤：获取预设时间内风险指标对应的风险特征向量，并且标注好企业风险值，此企业风险值由用户参考专家建议和实际情况标准，0为无风险，1为重大风险；将所有标注好企业风险值的风险指标对应的风险特征向量组成训练样本；获取若干个训练样本组成训练样本集，将训练样本组成训练样本集中的训练样本依次送入初始化参数的企业风险预测模型中进行训练，以企业风险值作为目标条件，计算损失函数值，若是损失函数值位于预设范围内，则完成训练，否则，继续迭代训练。
在训练企业风险预测模型的过程中，还包括对神经节点的调整，具体包括如下步骤：依次计算输入层与第一隐含层之间的权重贡献值，，其中/>为长度为J且全部项为1的向量，“/>”为内积计算操作；依次判断“/>”是否成立，若是“/>”成立，说明对应的权重值向量不具备较高的参考性，将输入层中第i个神经节点与第一隐含层中第f个神经节点之间的连接删除，否则无操作；若是输入层中第i个神经节点上的所有连接都被删除，则删除此神经节点和对应的风险指标；由于从企业风险知识图谱中获取风险指标是根据模糊综合评价法获取的，具备主观性，可能还存在对风险综合值计算影响较小的风险指标，本申请通过在训练企业风险预测模型的过程中监测输入层与第一隐含层之间的权重贡献值，并将影响较小的风险指标和神经节点进行删除，不但减少了企业风险预测模型的计算量，还能够提升企业风险预测模型检测的准确率。
由于企业风险预测模型是基于BP神经网络建立的，所以企业风险预测模型在训练过程中参数的初始化也会对企业风险预测模型检测的准确率产生较大影响，因此本申请还包括通过遗传算法对企业风险预测模型参数初始化进行调整，具体内容为将企业风险预测模型的参数随机初始化形成种群，将种群内部初始化的参数作为企业风险预测模型的参数，并且进行训练，将最终的准确率作为适应度，以适应度为目标，不断对种群进行迭代模拟，期间执行交叉重组和变异操作，直至达到终止条件，已输出的适应度最高的参数作为企业风险预测模型的初始参数；还可以通过对企业风险预测模型进行迁移学习。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。

Claims (7)

1.一种视图导向的企业管理分析策略方法，其特征在于，包括：
依次获取预设时间内风险指标对应的风险数据值；
将每一个风险指标在预设时间内对应的风险数据值组成对应的风险特征向量，在风险特征向量中每一项风险数据值按照时序进行排列；
再将所有风险特征向量送入企业风险预测模型，输出企业风险预测值；
判断企业风险预测值是否大于企业风险阈值，若是企业风险预测值大于企业风险阈值，则进行预警，否则无操作，等待下一次风险检测。
2.根据权利要求1所述的一种视图导向的企业管理分析策略方法，其特征在于，通过企业风险知识图谱获取风险指标，具体包括如下步骤：
基于企业风险知识构建企业风险知识图谱，获取企业风险知识图谱中所有的待选风险指标，此待选风险指标为企业风险知识图谱中的实体，在通过模糊综合评价法计算每个待选风险指标对应的综合评价值，将所有综合评价值大于评价阈值的待选风险指标作为风险指标。
3.根据权利要求2所述的一种视图导向的企业管理分析策略方法，其特征在于，企业风险预测模型基于BP神经网络建立，包括一个输入层、三个隐含层和一个输入层，三个隐含层分别记为第一隐含层、第二隐含层和第三隐含层，其中输入层的神经节点个数与风险指标的总个数一致，用于输入风险特征向量；输入层的神经节点个数为1，用于输出企业风险预测值；隐含层神经节点个数由输入层和输出层的神经节点个数确定。
4.根据权利要求3所述的一种视图导向的企业管理分析策略方法，其特征在于，通过企业风险预测模型输出企业风险预测值，具体包括如下步骤：
获取风险特征向量Xi，i=1，2，3······I，其中I为风险特征向量的总个数，且风险特征向量Xi的存储形式为{xi1，xi2…xij…xiJ}，j=1，2，3······J，xij为风险特征向量Xi中第j项的数据值；
将所有的风险特征向量Xi输入企业风险预测模型中输入层对应的神经节点中，并依次经过三个隐含层和一个输入层，最终输出企业风险预测值，且输入层与第一隐含层之间的权重值向量为，f=1，2，3······F，F为第一隐含层中神经节点的总个数，/>为输入层中第i个神经节点与第一隐含层中第f个神经节点之间的权重值向量，权重值向量/>的存储形式为{/>…/>…/>}，其中/>为权重值向量/>中第j项的权重值；第一隐含层与第二隐含层之间的权重值记为/>，第二隐含层与第三隐含层之间的权重值记为/>，第三隐含层与输出层之间的权重值记为/>，第一隐含层中第f个神经节点对应的偏差值为/>，第二隐含层中第f个神经节点对应的偏差值为/>，第三隐含层中第f个神经节点对应的偏差值为，输出层对应的偏差值为/>。
5.根据权利要求4所述的一种视图导向的企业管理分析策略方法，其特征在于，针对企业风险预测模型的训练具体包括如下步骤：获取预设时间内风险指标对应的风险特征向量，并且标注好企业风险值；将所有标注好企业风险值的风险指标对应的风险特征向量组成训练样本；获取若干个训练样本组成训练样本集，将训练样本组成训练样本集中的训练样本依次送入初始化参数的企业风险预测模型中进行训练，以企业风险值作为目标条件，计算损失函数值，若是损失函数值位于预设范围内，则完成训练，否则，继续迭代训练。
6.根据权利要求5所述的一种视图导向的企业管理分析策略方法，其特征在于，在训练企业风险预测模型的过程中，还包括对神经节点的调整，具体包括如下步骤：依次计算输入层与第一隐含层之间的权重贡献值，/>，其中/>为长度为J且全部项为1的向量，“/>”为内积计算操作；依次判断“/>”是否成立，若是“”成立，将输入层中第i个神经节点与第一隐含层中第f个神经节点之间的连接删除，否则无操作；若是输入层中第i个神经节点上的所有连接都被删除，则删除此神经节点和对应的风险指标。
7.根据权利要求6所述的一种视图导向的企业管理分析策略方法，其特征在于，还包括通过遗传算法对企业风险预测模型参数初始化进行调整。
CN202311358146.9A 2023-10-19 2023-10-19 一种视图导向的企业管理分析策略方法 Active CN117094566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311358146.9A CN117094566B (zh) 2023-10-19 2023-10-19 一种视图导向的企业管理分析策略方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311358146.9A CN117094566B (zh) 2023-10-19 2023-10-19 一种视图导向的企业管理分析策略方法

Publications (2)

Publication Number Publication Date
CN117094566A true CN117094566A (zh) 2023-11-21
CN117094566B CN117094566B (zh) 2024-01-02

Family

ID=88783261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311358146.9A Active CN117094566B (zh) 2023-10-19 2023-10-19 一种视图导向的企业管理分析策略方法

Country Status (1)

Country Link
CN (1) CN117094566B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135689A (zh) * 2019-04-12 2019-08-16 深圳壹账通智能科技有限公司 企业经营风险预警方法、装置及计算机可读存储介质
CN110889556A (zh) * 2019-11-28 2020-03-17 福建亿榕信息技术有限公司 一种企业经营风险预测方法和系统
CN111222681A (zh) * 2019-11-05 2020-06-02 量子数聚（北京）科技有限公司 用于企业破产风险预测的数据处理方法以及装置、设备、存储介质
CN114022058A (zh) * 2022-01-06 2022-02-08 成都晓多科技有限公司 基于时序知识图谱的中小企业失信风险预测方法
CN114638696A (zh) * 2022-04-08 2022-06-17 深圳微言科技有限责任公司 信贷风险预测模型的训练方法及系统
CN115392769A (zh) * 2022-09-15 2022-11-25 湖南大众传媒职业技术学院 一种评价模型训练方法、绩效评价方法及装置
US20230031994A1 (en) * 2021-08-02 2023-02-02 Allstate Insurance Company Asset risk profiling for enterprise resources
CN115994683A (zh) * 2022-05-20 2023-04-21 浙江中易慧能科技有限公司 一种基于知识图谱与迁移学习的企业安全风险预测方法
CN116384551A (zh) * 2023-03-10 2023-07-04 青岛理工大学 一种基于知识图谱的上市企业违法风险预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135689A (zh) * 2019-04-12 2019-08-16 深圳壹账通智能科技有限公司 企业经营风险预警方法、装置及计算机可读存储介质
CN111222681A (zh) * 2019-11-05 2020-06-02 量子数聚（北京）科技有限公司 用于企业破产风险预测的数据处理方法以及装置、设备、存储介质
CN110889556A (zh) * 2019-11-28 2020-03-17 福建亿榕信息技术有限公司 一种企业经营风险预测方法和系统
US20230031994A1 (en) * 2021-08-02 2023-02-02 Allstate Insurance Company Asset risk profiling for enterprise resources
CN114022058A (zh) * 2022-01-06 2022-02-08 成都晓多科技有限公司 基于时序知识图谱的中小企业失信风险预测方法
CN114638696A (zh) * 2022-04-08 2022-06-17 深圳微言科技有限责任公司 信贷风险预测模型的训练方法及系统
CN115994683A (zh) * 2022-05-20 2023-04-21 浙江中易慧能科技有限公司 一种基于知识图谱与迁移学习的企业安全风险预测方法
CN115392769A (zh) * 2022-09-15 2022-11-25 湖南大众传媒职业技术学院 一种评价模型训练方法、绩效评价方法及装置
CN116384551A (zh) * 2023-03-10 2023-07-04 青岛理工大学 一种基于知识图谱的上市企业违法风险预测方法

Also Published As

Publication number Publication date
CN117094566B (zh) 2024-01-02

Similar Documents

Publication Publication Date Title
Malhotra¹ et al. Software maintainability prediction using machine learning algorithms
Bhattacharyya Direct marketing performance modeling using genetic algorithms
CN113379494B (zh) 基于异质社交关系的商品推荐方法、装置和电子设备
CN112053223A (zh) 一种基于ga-svm算法的互联网金融欺诈行为检测方法
CN110751289B (zh) 一种基于Bagging_BP算法的在线学习行为分析方法
CN112232833A (zh) 流失会员客群数据预测方法、模型训练方法及装置
CN106022517A (zh) 一种基于核极限学习机的风险预测的方法和装置
CN113344615A (zh) 一种基于gbdt和dl融合模型的营销活动预测方法
CN115115389A (zh) 一种基于价值细分和集成预测的快递客户流失预测方法
Das et al. Multi-objective feature selection (MOFS) algorithms for prediction of liquefaction susceptibility of soil based on in situ test methods
CN112819523A (zh) 结合内/外积特征交互和贝叶斯神经网络的营销预测方法
Liu et al. Attention based Echo state Network: A novel approach for fault prognosis
Moroz et al. Hybrid sorting-out algorithm COMBI-GA with evolutionary growth of model complexity
CN113837481B (zh) 一种基于区块链的金融大数据管理系统
CN114880482A (zh) 一种基于图嵌入的关系图谱关键人员分析方法及系统
Satoh Discrete Gompertz equation and model selection between Gompertz and logistic models
CN117973535A (zh) 一种多双曲空间的知识感知推荐方法
Garcia de Alford et al. Reducing age bias in machine learning: An algorithmic approach
Sam et al. Customer churn prediction using machine learning models
CN117094566B (zh) 一种视图导向的企业管理分析策略方法
Al Qazlan et al. State of the art of fuzzy methods for gene regulatory networks inference
Aydi et al. Estimating weibull parameters using least squares and multilayer perceptron vs. Bayes estimation
CN113392958B (zh) 一种模糊神经网络fnn的参数优化及应用方法与系统
Fish et al. A task-driven approach to time scale detection in dynamic networks
Talebi et al. Data-driven based fracture prediction of notched components

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