CN117474362A - 企业转型升级的方案信息处理方法、装置及设备 - Google Patents
企业转型升级的方案信息处理方法、装置及设备 Download PDFInfo
- Publication number
- CN117474362A CN117474362A CN202311489621.6A CN202311489621A CN117474362A CN 117474362 A CN117474362 A CN 117474362A CN 202311489621 A CN202311489621 A CN 202311489621A CN 117474362 A CN117474362 A CN 117474362A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- information
- matching
- solution
- classification
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 81
- 230000010365 information processing Effects 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000011835 investigation Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 57
- 238000012360 testing method Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种企业转型升级的方案信息处理方法、装置及设备,该方法包括:建立任一目标企业的调研主题库;抽取调研主题库中预选子主题库,并生成调查问卷;将调查问卷发送至用户端;接收用户端发送的企业调研数据;获取所有待选解决方案信息,并生成对应的多个分类标签;将企业调研数据输入预构建的多标签分类深度神经网络模型中,以得到目标企业的多个需求标签;将基本信息与多个分类标签进行匹配,得到候选解决方案集,并将候选解决方案集与多个需求标签进行匹配,得到推荐解决方案集;根据推荐解决方案集生成企业转型升级的目标解决方案信息,并输出目标解决方案信息,使得目标企业降低用人成本,以及缩短了企业转型升级的周期。
Description
技术领域
本申请涉及数据处理领域,尤其涉及一种企业转型升级的方案信息处理方法、装置及设备。
背景技术
工业互联网业务复杂,各领域的生产实践、行业特性差异化较大,一些工业企业对自身转型升级的方向和路径不太明确。其中,对工业企业进行全面、深度的调研和需求挖掘是企业转型升级的先决条件。
现有技术中,传统的企业转型升级方法为根据现有企业大致的不足,来聘请具有相关经验的企业管理专家,并通过企业管理专家线下对逐个相关企业进行访谈、调研和需求挖掘,从而确定企业转型升级方案。
然而,现有技术中,传统的企业转型升级方法使得企业产生较高的用人成本,以及企业转型升级的周期过长。
发明内容
本申请提供一种企业转型升级的方案信息处理方法、装置及设备,根据企业调研数据的多个需求标签与所有待选解决方案信息的多个分类标签进行匹配,得到目标解决方案信息,使得目标企业降低用人成本,以及缩短了企业转型升级的周期。
第一方面,本申请提供一种企业转型升级的方案信息处理方法,应用于计算机设备,包括:
获取任一目标企业的业务信息和基本信息,并根据所述业务信息建立调研主题库,其中所述调研主题库包含多个子主题库;
抽取所述调研主题库中预选子主题库,并根据所述预选子主题库按照预设排列方式生成调查问卷,其中所述预选子主题库包括一个或多个子主题库;
将所述调查问卷发送至用户端;
接收用户端发送的企业调研数据,其中所述企业调研数据是响应于用户端的根据调查问卷填写操作生成的;
获取所述目标企业的企业转型升级的所有待选解决方案信息,并将所述所有待选解决方案信息根据机器学习方法生成对应的多个分类标签;
将所述企业调研数据输入预构建的多标签分类深度神经网络模型中,以得到所述目标企业的多个需求标签;
将所述基本信息与所述多个分类标签进行匹配,得到候选解决方案集,并将所述候选解决方案集与所述多个需求标签进行匹配,得到推荐解决方案集;
根据所述推荐解决方案集生成所述目标企业的企业转型升级的目标解决方案信息;
输出所述目标企业的企业转型升级的所述目标解决方案信息。
在一种可能的设计中,所述多标签分类深度神经网络模型的构建过程,包括:获取预选子主题库中任一主题的样本集,并根据所述样本集确定所述主题的特征向量;构建包含全部需求标签需求标签集;将所述全部需求标签向量化,得到多个需求标签向量,并根据所述多个需求标签向量对所述样本集中的特征向量进行标注,生成多标签分类数据集;根据深度学习方法构建多标签分类深度神经网络,其中所述多标签分类深度神经网络的模型架构包含输入层、卷积层、池化层、展平层、全连接层以及输出层;根据所述多标签分类数据集对所述多标签分类深度神经网络进行训练,得到所述多标签分类深度神经网络模型。
在一种可能的设计中,所述获取预选子主题库中任一主题的样本集,并根据所述样本集确定所述主题的特征向量,包括:获取所述预选子主题库中任一主题的多个关键试题,根据企业调研数据获取所述多个关键试题的填写数据,并将所述填写数据对应的文本确定为所述样本集;将所述样本集通过清洗、分词和关键词提取,生成所述多个关键试题的词向量,其中根据预设提取方法进行所述关键词提取;将所述多个关键试题的词向量按照预设合并方式进行合并,生成所述主题的特征向量。
在一种可能的设计中,所述将所述基本信息和与所述多个分类标签进行匹配,得到候选解决方案集,并将所述候选解决方案集与所述多个需求标签进行匹配,得到推荐解决方案集,包括:将所述基本信息划分为多个分类信息,并将所述多个分类信息与多个分类标签进行匹配,得到候选解决方案集,其中每个分类标签对应至少一个或多个解决方案;将所述多个需求标签中每个需求标签与所述候选解决方案集中每个解决方案的关键词进行匹配,得到多个匹配度;将所述多个匹配度中大于预设阈值的所有匹配度对应的解决方案作为推荐解决方案集;相应地,所述根据所述推荐解决方案集生成所述目标企业的企业转型升级的目标解决方案信息,包括:将所述基本信息和所述推荐解决方案集通过预设解决方案模板生成所述目标企业的企业转型升级的目标解决方案信息。
在一种可能的设计中,所述将所述基本信息划分为多个分类信息,并将所述多个分类信息与多个分类标签进行匹配,得到候选解决方案集,包括:将所述基本信息划分为多个分类信息,并将所述多个分类信息按照预设顺序生成目标序列;将所述多个分类信息根据所述目标序列和预设匹配规则,与所述多个分类标签对应的所有待选解决方案信息进行匹配,得到所述候选解决方案集。
在一种可能的设计中,所述将所述多个需求标签中每个需求标签与所述候选解决方案集中每个解决方案的关键词进行匹配,得到多个匹配度,包括:获取任一需求标签和任一解决方案的关键词,并将所述需求标签和所述关键词生成两个向量;根据所述两个向量,计算所述需求标签与所述关键词的匹配度;计算每个需求标签和每个解决方案的匹配度,得到多个匹配度。
第二方面,本申请提供一种企业转型升级的方案信息处理装置,应用于计算机设备,包括:
获取模块,用于获取任一目标企业的业务信息和基本信息,并根据所述业务信息建立调研主题库,其中所述调研主题库包含多个子主题库;
第一生成模块,用于抽取所述调研主题库中预选子主题库,并根据所述预选子主题库按照预设排列方式生成调查问卷,其中所述预选子主题库包括一个或多个子主题库;
发送模块,用于将所述调查问卷发送至用户端;
接收模块,用于接收用户端发送的企业调研数据,其中所述企业调研数据是响应于用户端的根据调查问卷填写操作生成的;
第二生成模块,用于获取所述目标企业的企业转型升级的所有待选解决方案信息,并将所述所有待选解决方案信息根据机器学习方法生成对应的多个分类标签;
第一构建模块,用于将所述企业调研数据输入预构建的多标签分类深度神经网络模型中,以得到所述目标企业的多个需求标签;
匹配模块,用于将所述基本信息与所述多个分类标签进行匹配,得到候选解决方案集,并将所述候选解决方案集与所述多个需求标签进行匹配,得到推荐解决方案集;
第三生成模块,用于根据所述推荐解决方案集生成所述目标企业的企业转型升级的目标解决方案信息;
输出模块,用于输出所述目标企业的企业转型升级的所述目标解决方案信息。
在一种可能的设计中,所述匹配模块,具体用于:将所述基本信息划分为多个分类信息,并将所述多个分类信息与多个分类标签进行匹配,得到候选解决方案集,其中每个分类标签对应至少一个或多个解决方案;将所述多个需求标签中每个需求标签与所述候选解决方案集中每个解决方案的关键词进行匹配,得到多个匹配度;将所述多个匹配度中大于预设阈值的所有匹配度对应的解决方案确定为推荐解决方案集;相应地,所述第三生成模块,具体用于:将所述基本信息和所述推荐解决方案集通过预设解决方案模板生成所述目标企业的企业转型升级的目标解决方案信息。
第三方面,本申请提供一种计算机设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的企业转型升级的方案信息处理方法。
第四方面,本申请提供一种计算机存储介质,所述计算机存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的设计所述的企业转型升级的方案信息处理方法。
本申请提供的企业转型升级的方案信息处理方法、装置及设备,通过获取任一目标企业的业务信息和基本信息,并根据业务信息建立调研子主题库;抽取调研主题库中预选子主题库,并生成调查问卷,将调查问卷发送至用户端;接收用户端发送的企业调研数据,并根据企业调研数据得到多个需求标签;获取目标企业的企业转型升级的所有待选解决方案信息,并生成对应的多个分类标签;将基本信息和与多个分类标签进行匹配,得到候选解决方案集,并将候选解决方案集与多个需求标签进行匹配,得到推荐解决方案集;根据推荐解决方案集生成目标解决方案信息,并输出目标解决方案信息,使得目标企业降低用人成本,以及缩短了企业转型升级的周期。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的企业转型升级的方案信息处理方法的应用场景示意图;
图2为本申请实施例提供的企业转型升级的方案信息处理方法流程示意图一;
图3为本申请实施例提供的企业转型升级的方案信息处理方法流程示意图二;
图4为本申请实施例提供的企业转型升级的方案信息处理装置的结构示意图;
图5为本申请实施例提供的计算机设备的硬件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
企业转型升级是企业为了提高竞争力而采取的一系列改革,包括产品升级、业务渠道变更、经营方向的转变等操作。同时,企业转型升级也是提升价值创造力、企业知名度以及企业快速发展的重要手段。但在目前的情况来看,工业互联网业务复杂,各领域的生产实践、行业特性差异化较大,一些工业企业对自身转型升级的方向和路径不太明确。其中,对工业企业进行全面、深度的调研和需求挖掘是企业转型升级的先决条件。现有技术中,传统的企业转型升级方法为根据现有企业大致的不足,来聘请具有相关经验的企业管理专家,并通过企业管理专家线下对逐个相关企业进行访谈、调研和需求挖掘,再将得到的相关企业信息通过人工进行整合,从而确定企业转型升级方案。然而,现有技术中,传统的企业转型升级方法使得企业产生较高的用人成本,以及企业转型升级的周期过长。
为了解决上述技术问题,本申请实施例提出以下技术构思:发明人考虑到企业转型升级的复杂性,通过调查问卷的方式,得到目标企业的企业调研数据,并根据企业调研数据得到目标企业的多个需求标签,利用多个需求标签与待选解决方案进行匹配,得到目标解决方案信息,使得目标企业降低用人成本,以及缩短了企业转型升级的周期。
图1是本申请实施例提供的企业转型升级的方案信息处理方法的应用场景示意图。
如图1所示,该场景中包括:用户端101和计算机设备102。
其中,用户端101,可以是显示屏,也可以是个人电脑等终端。
计算机设备102,可以是一台独立的设备,也可以是多台设备组成的集群。
用户端101接收计算机设备102发送的企业调查问卷,并通过用户进行填写。用户端101将填写完成的企业调查问卷通过无线网络传输至计算机设备102。计算机设备102根据填写完成的企业调查问卷生成企业调研数据,并根据企业调研数据完成目标解决方案信息的筛选,并输出目标解决方案信息。下面采用详细的实施例进行详细说明。
图2为本申请实施例提供的企业转型升级的方案信息处理方法流程示意图一,本实施例的执行主体可以为图1所示实施例中的计算机设备,本实施例此处不做特别限制。如图2所示,该方法包括:
S201:获取任一目标企业的业务信息和基本信息,并根据业务信息建立调研主题库,其中调研主题库包含多个子主题库。
具体地,获取任一目标企业的业务信息和基本信息,如产品设计、设备管理、能耗管理、所属行业或细分行业、上一年度的营收规模以及本年度信息化投入预算;根据业务信息建立调研主题库,其中调研主题库包含产品设计子主题库、设备管理子主题库、能耗管理子主题库、所属行业或细分行业子主题库、上一年度的营收规模子主题库以及本年度信息化投入预算子主题库等子主题库。
其中,业务信息为产品设计、设备管理、能耗管理以及其他业务信息。
其中,基本信息可以划分多个分类信息为所属行业或细分行业、上一年度的营收规模、本年度信息化投入预算以及其他基本信息。
在本实施例中,在多个子主题库的每个子主题库中添加若干调研试题。
其中,调研试题包括选择题、文本题以及其他题型。
S202:抽取调研主题库中预选子主题库,并根据预选子主题库按照预设排列方式生成调查问卷,其中预选子主题库包括一个或多个子主题库。
具体地,抽取调研主题库中一个或多个子主题库,并根据一个或多个子主题库的试题按照预设排列方式生成调查问卷。
其中,预设排列方式为积木式排列方式或其他排列方式。
S203:将调查问卷发送至用户端。
S204:接收用户端发送的企业调研数据,其中企业调研数据是响应于用户端的根据调查问卷填写操作生成的。
其中,企业调研数据包含调研主题、调研试题以及每个试题的填写结果。
S205:获取目标企业的企业转型升级的所有待选解决方案信息,并将所有待选解决方案信息根据机器学习方法生成对应的多个分类标签。
在本实施例中,所有待选解决方案信息是根据其他平台对接或文件导入方式生成的。
在本实施例中,多个分类标签为所有待选解决方案的关联行业、细分行业、应用场景、业务类型、方案关键词以及其他分类信息。
S206:将企业调研数据输入预构建的多标签分类深度神经网络模型中,以得到目标企业的多个需求标签。
具体地,步骤S206中多标签分类深度神经网络模型的构建过程具体为:
S2061:获取预选子主题库中任一主题的样本集,并根据样本集确定主题的特征向量。
具体地,步骤S2061具体为:
S20611:获取预选子主题库中任一主题的多个关键试题,根据企业调研数据获取多个关键试题的填写数据,并将填写数据对应的文本确定为样本集。
在本实施例中,可以获取预选子主题库中任一主题的多个关键试题,也可以获取预选子主题库中多个主题的多个关键试题,需要根据实际情况确定。
其中,预选子主题库为至少一个或多个子主题库,并且每个子主题库对应一个主题。
S20612:将样本集通过清洗、分词和关键词提取,生成多个关键试题的词向量,其中根据预设提取方法进行关键词提取。
其中,预设提取方法可以采用基于LDA主题模型的关键词提取算法,也可以采用其他提取方法。
此外,若填写数据不仅是文本时,则样本集的处理还包括:
如为系统集成主题,则选取系统集成的方式和系统集成的范围等信息填写结果关键词,并生成词向量。
如为选择题,且某个选项被选中时,则该选项对应的词向量数值为1,否则为0。
S20613:将多个关键试题的词向量按照预设合并方式进行合并,生成主题的特征向量。
其中,预设合并方式为向量拼接方式。
S2062:构建包含全部需求标签需求标签集。
在本实施例中,需求标签为目标企业的网络需求、平台需求、应用需求以及其他需求。
其中,需求标签中每种需求还可以细分为多个类别,如网络需求可以划分为工业PON和5G等,平台需求可以划分为边缘云平台和工业大数据平台等,应用需求可以划分为预测性维护、AI视觉检测以及定位管理等。
S2063:将全部需求标签向量化,得到多个需求标签向量,并根据多个需求标签向量对样本集中的特征向量进行标注,生成多标签分类数据集。
此外,还可以将多标签分类数据集按照预设比例划分为训练集、验证集和测试集;
其中,预设比例可以是8:1:1的比例,也可以是其他比例。
S2064:根据深度学习方法构建多标签分类深度神经网络,其中多标签分类深度神经网络的模型架构包含输入层、卷积层、池化层、展平层、全连接层以及输出层。
具体地,根据深度学习中的卷积神经网络为基础结构,构建多标签分类深度神经网络。
在本实施例中,输入层的长度可以根据主题数量和各主题特征向量的长度来确定,假设有20个子主题库,每个主题特征向量长度为20,则根据主题库数量和每个主题特征向量长度的乘积,输入层长度为400。
在本实施例中,卷积层可以设置多层,用于学习不同类型需求的特征,例如卷积层设置3层,激活函数设置为ReLU。
其中,ReLU为线性整流函数。
在本实施例中,池化层被设置在每一卷积层,以降低该卷积层输出的尺寸,以使下一卷积层学习到更大尺度的特征。
在本实施例中,展平层被设置于最后一个池化层之后,用于将二维的特征图转换成一维的特征向量。
在本实施例中,全连接层共设置2层,用于将展平层的数据特征映射到最终的输出层。
在本实施例中,输出层的长度根据需求标签的个数来设定,其中的每一神经元对应着一个需求标签;将输出层的激活函数设置为Sigmoid函数,以使输出层输出的需求标签组中可以存在多个需求标签的数值为1。
其中,Sigmoid函数为S型生长曲线。
此外,模型训练的损失函数设定为带权重的二分类交叉熵(Binary crossentropy,BCE),用于减轻数据集中各数据异常类别不均衡的问题,具体表达式为:
式中,N表示训练集内的样本数据量,C表示需求标签的类别数,表示第i个训练样本的第j个标签的/>实际值,表示第i个训练样本的第j个标签的预测值,Wj表示每一类需求标签的权重。
S2065:根据多标签分类数据集对多标签分类深度神经网络进行训练,得到多标签分类深度神经网络模型。
此外,在步骤S2063中训练集、验证集和测试集的基础上,基于设置的训练参数,通过训练集训练多标签分类深度神经网络模型;定义基于需求标签的性能度量,通过验证集评价多标签分类深度神经网络模型每一次训练后的分类性能;通过测试集对多标签分类深度神经网络模型的多标签分类性能及泛化性能进行评估。
其中,训练参数为学习率、迭代次数以及其他参数。
S207:将基本信息与多个分类标签进行匹配,得到候选解决方案集,并将候选解决方案集与多个需求标签进行匹配,得到推荐解决方案集。
在本实施例中,关于基本信息的论述已经在步骤S201中进行了详细说明,这里不再赘述。
S208:根据推荐解决方案集生成目标企业的企业转型升级的目标解决方案信息。
其中,目标解决方案信息为多个目标解决方案构成的集合信息。
S209:输出目标企业的企业转型升级的目标解决方案信息。
综上可知,本实施例提供的企业转型升级的方案信息处理方法,通过获取任一目标企业的业务信息和基本信息,并根据业务信息建立调研子主题库;抽取调研主题库中预选子主题库,并生成调查问卷,将调查问卷发送至用户端;接收用户端发送的企业调研数据,并根据企业调研数据得到多个需求标签;获取目标企业的企业转型升级的所有待选解决方案信息,并生成对应的多个分类标签;将基本信息和与多个分类标签进行匹配,得到候选解决方案集,并将候选解决方案集与多个需求标签进行匹配,得到推荐解决方案集;根据推荐解决方案集生成目标解决方案信息,并输出目标解决方案信息,使得目标企业降低用人成本,以及缩短了企业转型升级的周期。
图3为本申请实施例提供的企业转型升级的方案信息处理方法流程示意图二。在本申请实施例中,在图2提供的实施例的基础上,针对S207中根据将基本信息和与多个分类标签进行匹配,得到候选解决方案集,并将候选解决方案集与多个需求标签进行匹配,得到推荐解决方案集进行了详细说明。
如图3所示,该方法包括:
S301:将基本信息划分为多个分类信息,并将多个分类信息与多个分类标签进行匹配,得到候选解决方案集,其中每个分类标签对应至少一个或多个解决方案。
具体地,步骤S301具体为:
S3011:将基本信息划分为多个分类信息,并将多个分类信息按照预设顺序生成目标序列。
在本实施例中,多个分类信息为步骤S201中的所属行业或细分行业、上一年度的营收规模以及本年度信息化投入预算。
在本实施例中,目标序列为所属行业或细分行业、上一年度的营收规模以及本年度信息化投入预算。
S3012:将多个分类信息根据目标序列和预设匹配规则,与多个分类标签对应的所有待选解决方案信息进行匹配,得到候选解决方案集。
在本实施例中,预设匹配规则用于通过行业匹配、企业规模匹配及方案报价匹配,获取选解决方案集;预设匹配规则的具体形式可以是数据库,也可以是表格等。
具体地,步骤S3012具体为步骤a~e:
步骤a:获取所有待选解决方案信息中任一解决方案,作为目标方案。
步骤b:首先,匹配行业,若多个分类信息中的企业所属行业或细分行业在目标方案关联行业范围内,则将目标方案加入候选解决方案集。
步骤c:其次,匹配企业规模,若目标方案在候选解决方案集中,但目标方案适合的企业规模大于该企业的上一年度营收规模,则去除目标方案。
步骤d:最后,匹配方案报价,若在匹配企业规模中没有剔除目标方案,但目标方案报价大于企业的本年度信息化投入预算,则去除目标方案。
步骤e:遍历所有待选解决方案信息,得到候选解决方案集。
S302:将多个需求标签中每个需求标签与候选解决方案集中每个解决方案的关键词进行匹配,得到多个匹配度。
具体地,步骤S302具体为:
S3021:获取任一需求标签和任一解决方案的关键词,并将需求标签和关键词生成两个向量。
在本实施例中,任一解决方案的关键词可以根据任一解决方案的应用场景、业务分类和方案关键词提取的。
其中,两个向量为需求标签向量和关键词向量,并且两个向量包含多个特征向量。
S3022:根据两个向量,计算需求标签与关键词的匹配度。
在本实施例中,可以将两个向量导入至余弦相似度计算公式需求标签与关键词的匹配度。
其中,余弦相似度计算公式为:
式中,Similarity(A,B)为需求标签向量A和关键词向量B的余弦相似度,即为需求标签与关键词的匹配度;Ai为需求标签的特征向量;Bi为关键词的特征向量;n为多个预设特征的数量。
其中,匹配度的范围为[-1,1],-1为A和B完全不相似,1为A和B完全相似。
S3023:计算每个需求标签和每个解决方案的匹配度,得到多个匹配度。
具体地,计算计算每个需求标签和每个解决方案的余弦相似度,得到多个余弦相似度。
S303:将多个匹配度中大于预设阈值的所有匹配度对应的解决方案确定为推荐解决方案集。
在本实施例中,预设阈值可以是0.7、0.8、0.9中任一数值,也可以是其他数值。
相应地,根据推荐解决方案集生成目标企业的企业转型升级的目标解决方案信息,包括:
S304:将基本信息和推荐解决方案集通过预设解决方案模板生成目标企业的企业转型升级的目标解决方案信息。
在本实施例中,关于目标解决方案信息的论述已经在步骤S208中进行了详细说明,这里不再赘述。
其中,预设方案模板可以是表格、文档或其他形式。
综上可知,本实施例提供的企业转型升级的方案信息处理方法,通过将多个分类信息与多个分类标签进行匹配,得到候选解决方案集;将多个需求标签中每一个需求标签与候选解决方案集中每个解决方案的关键词进行匹配,得到多个匹配度,并将多个匹配度中大于预设阈值的所有匹配度对应的解决方案确定为推荐解决方案集;将基本信息和所述推荐解决方案集通过预设解决方案模板生成目标企业的企业转型升级的目标解决方案信息,使得目标解决方案信息与目标企业所需的转型升级方案相似度更高,更加贴合目标企业的转型升级的需求。
图4为本申请实施例提供的企业转型升级的方案信息处理装置的结构示意图。如图4所示,该企业转型升级的方案信息处理装置包括:获取模块401、第一生成模块402、发送模块403、接收模块404、第二生成模块405、第一构建模块406、匹配模块407、第三生成模块408以及输出模块409。
获取模块401,用于获取任一目标企业的业务信息和基本信息,并根据所述业务信息建立调研主题库,其中所述调研主题库包含多个子主题库;
第一生成模块402,用于抽取所述调研主题库中预选子主题库,并根据所述预选子主题库按照预设排列方式生成调查问卷,其中所述预选子主题库包括一个或多个子主题库;
发送模块403,用于将所述调查问卷发送至用户端;
接收模块404,用于接收用户端发送的企业调研数据,其中所述企业调研数据是响应于用户端的根据调查问卷填写操作生成的;
第二生成模块405,用于获取所述目标企业的企业转型升级的所有待选解决方案信息,并将所述所有待选解决方案信息根据机器学习方法生成对应的多个分类标签;
第一构建模块406,用于将所述企业调研数据输入预构建的多标签分类深度神经网络模型中,以得到所述目标企业的多个需求标签;
匹配模块407,用于将所述基本信息与所述多个分类标签进行匹配,得到候选解决方案集,并将所述候选解决方案集与所述多个需求标签进行匹配,得到推荐解决方案集;
第三生成模块408,用于根据所述推荐解决方案集生成所述目标企业的企业转型升级的目标解决方案信息;
输出模块409,用于输出所述目标企业的企业转型升级的所述目标解决方案信息。
在一种可能的实现方式中,所述装置还包括:
确定模块410,用于获取预选子主题库中任一主题的样本集,并根据所述样本集确定所述主题的特征向量;
第二构建模块411,用于构建包含全部需求标签需求标签集;
标注模块412,用于将所述全部需求标签向量化,得到多个需求标签向量,并根据所述多个需求标签向量对所述样本集中的特征向量进行标注,生成多标签分类数据集;
第三构建模块413,用于根据深度学习方法构建多标签分类深度神经网络,其中所述多标签分类深度神经网络的模型架构包含输入层、卷积层、池化层、展平层、全连接层以及输出层;
训练模块414,用于根据所述多标签分类数据集对所述多标签分类深度神经网络进行训练,得到所述多标签分类深度神经网络模型。
在一种可能的实现方式中,所述确定模块410,具体包括:
获取单元4101,用于获取所述预选子主题库中任一主题的多个关键试题,根据企业调研数据获取所述多个关键试题的填写数据,并将所述填写数据对应的文本确定为所述样本集;
第一生成单元4102,用于将所述样本集通过清洗、分词和关键词提取,生成所述多个关键试题的词向量,其中根据预设提取方法进行所述关键词提取;
第二生成单元4103,用于将所述多个关键试题的词向量按照预设合并方式进行合并,生成所述主题的特征向量。
在一种可能的实现方式中,所述匹配模块407,具体包括:
第一匹配单元4071,用于将所述基本信息划分为多个分类信息,并将所述多个分类信息与多个分类标签进行匹配,得到候选解决方案集,其中每个分类标签对应至少一个或多个解决方案;
第二匹配单元4072,用于将所述多个需求标签中每个需求标签与所述候选解决方案集中每个解决方案的关键词进行匹配,得到多个匹配度;
确定单元4073,用于将所述多个匹配度中大于预设阈值的所有匹配度对应的解决方案确定为推荐解决方案集;相应地,所述第三生成模块408,具体用于:将所述基本信息和所述推荐解决方案集通过预设解决方案模板生成所述目标企业的企业转型升级的目标解决方案信息。
在一种可能的实现方式中,所述第一匹配单元4071,具体包括:
划分单元40711,用于将所述基本信息划分为多个分类信息,并将所述多个分类信息按照预设顺序生成目标序列;
匹配单元40712,用于将所述多个分类信息根据所述目标序列和预设匹配规则,与所述多个分类标签对应的所有待选解决方案信息进行匹配,得到所述候选解决方案集。
在一种可能的实现方式中,所述第二匹配单元4072,具体包括:
生成单元40721,用于获取任一需求标签和任一解决方案的关键词,并将所述需求标签和所述关键词生成两个向量;
第一计算单元40722,用于根据所述两个向量,计算所述需求标签与所述关键词的匹配度;
第二计算单元40723,用于计算每个需求标签和每个解决方案的匹配度,得到多个匹配度。
本实施例提供的装置,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图5为本申请实施例提供的计算机设备的硬件结构示意图。如图5所示,本实施例的计算机设备包括:处理器501以及存储器502;存储器存储计算机执行指令;至少一个处理器执行存储器存储的计算机执行指令,使得至少一个处理器执行如上的企业转型升级的方案信息处理方法。
可选地,存储器502既可以是独立的,也可以跟处理器501集成在一起。
当存储器502独立设置时,该计算机设备还包括总线503,用于连接所述存储器502和处理器501。
本申请实施例还提供一种计算机存储介质,所述计算机存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上所述的企业转型升级的方案信息处理方法。
本申请实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时,实现如上所述的企业转型升级的方案信息处理方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,简称ISA)总线、外部设备互连(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种企业转型升级的方案信息处理方法,其特征在于,应用于计算机设备,包括:
获取任一目标企业的业务信息和基本信息,并根据所述业务信息建立调研主题库,其中所述调研主题库包含多个子主题库;
抽取所述调研主题库中预选子主题库,并根据所述预选子主题库按照预设排列方式生成调查问卷,其中所述预选子主题库包括一个或多个子主题库;
将所述调查问卷发送至用户端;
接收用户端发送的企业调研数据,其中所述企业调研数据是响应于用户端的根据调查问卷填写操作生成的;
获取所述目标企业的企业转型升级的所有待选解决方案信息,并将所述所有待选解决方案信息根据机器学习方法生成对应的多个分类标签;
将所述企业调研数据输入预构建的多标签分类深度神经网络模型中,以得到所述目标企业的多个需求标签;
将所述基本信息与所述多个分类标签进行匹配,得到候选解决方案集,并将所述候选解决方案集与所述多个需求标签进行匹配,得到推荐解决方案集;
根据所述推荐解决方案集生成所述目标企业的企业转型升级的目标解决方案信息;
输出所述目标企业的企业转型升级的所述目标解决方案信息。
2.根据权利要求1所述的方法,其特征在于,所述多标签分类深度神经网络模型的构建过程,包括:
获取预选子主题库中任一主题的样本集,并根据所述样本集确定所述主题的特征向量;
构建包含全部需求标签需求标签集;
将所述全部需求标签向量化,得到多个需求标签向量,并根据所述多个需求标签向量对所述样本集中的特征向量进行标注,生成多标签分类数据集;
根据深度学习方法构建多标签分类深度神经网络,其中所述多标签分类深度神经网络的模型架构包含输入层、卷积层、池化层、展平层、全连接层以及输出层;
根据所述多标签分类数据集对所述多标签分类深度神经网络进行训练,得到所述多标签分类深度神经网络模型。
3.根据权利要求2所述的方法,其特征在于,所述获取预选子主题库中任一主题的样本集,并根据所述样本集确定所述主题的特征向量,包括:
获取所述预选子主题库中任一主题的多个关键试题,根据企业调研数据获取所述多个关键试题的填写数据,并将所述填写数据对应的文本确定为所述样本集;
将所述样本集通过清洗、分词和关键词提取,生成所述多个关键试题的词向量,其中根据预设提取方法进行所述关键词提取;
将所述多个关键试题的词向量按照预设合并方式进行合并,生成所述主题的特征向量。
4.根据权利要求1所述的方法,其特征在于,所述将所述基本信息和与所述多个分类标签进行匹配,得到候选解决方案集,并将所述候选解决方案集与所述多个需求标签进行匹配,得到推荐解决方案集,包括:
将所述基本信息划分为多个分类信息,并将所述多个分类信息与多个分类标签进行匹配,得到候选解决方案集,其中每个分类标签对应至少一个或多个解决方案;
将所述多个需求标签中每个需求标签与所述候选解决方案集中每个解决方案的关键词进行匹配,得到多个匹配度;
将所述多个匹配度中大于预设阈值的所有匹配度对应的解决方案确定为推荐解决方案集;
相应地,所述根据所述推荐解决方案集生成所述目标企业的企业转型升级的目标解决方案信息,包括:
将所述基本信息和所述推荐解决方案集通过预设解决方案模板生成所述目标企业的企业转型升级的目标解决方案信息。
5.根据权利要求4所述的方法,其特征在于,所述将所述基本信息划分为多个分类信息,并将所述多个分类信息与多个分类标签进行匹配,得到候选解决方案集,包括:
将所述基本信息划分为多个分类信息,并将所述多个分类信息按照预设顺序生成目标序列;
将所述多个分类信息根据所述目标序列和预设匹配规则,与所述多个分类标签对应的所有待选解决方案信息进行匹配,得到所述候选解决方案集。
6.根据权利要求4或5任一项所述的方法,其特征在于,所述将所述多个需求标签中每个需求标签与所述候选解决方案集中每个解决方案的关键词进行匹配,得到多个匹配度,包括:
获取任一需求标签和任一解决方案的关键词,并将所述需求标签和所述关键词生成两个向量;
根据所述两个向量,计算所述需求标签与所述关键词的匹配度;
计算每个需求标签和每个解决方案的匹配度,得到多个匹配度。
7.一种企业转型升级的方案信息处理装置,其特征在于,应用于计算机设备,包括:
获取模块,用于获取任一目标企业的业务信息和基本信息,并根据所述业务信息建立调研主题库,其中所述调研主题库包含多个子主题库;
第一生成模块,用于抽取所述调研主题库中预选子主题库,并根据所述预选子主题库按照预设排列方式生成调查问卷,其中所述预选子主题库包括一个或多个子主题库;
发送模块,用于将所述调查问卷发送至用户端;
接收模块,用于接收用户端发送的企业调研数据,其中所述企业调研数据是响应于用户端的根据调查问卷填写操作生成的;
第二生成模块,用于获取所述目标企业的企业转型升级的所有待选解决方案信息,并将所述所有待选解决方案信息根据机器学习方法生成对应的多个分类标签;
第一构建模块,用于将所述企业调研数据输入预构建的多标签分类深度神经网络模型中,以得到所述目标企业的多个需求标签;
匹配模块,用于将所述基本信息与所述多个分类标签进行匹配,得到候选解决方案集,并将所述候选解决方案集与所述多个需求标签进行匹配,得到推荐解决方案集;
第三生成模块,用于根据所述推荐解决方案集生成所述目标企业的企业转型升级的目标解决方案信息;
输出模块,用于输出所述目标企业的企业转型升级的所述目标解决方案信息。
8.根据权利要求7所述的装置,其特征在于,所述匹配模块,具体用于:
将所述基本信息划分为多个分类信息,并将所述多个分类信息与多个分类标签进行匹配,得到候选解决方案集,其中每个分类标签对应至少一个或多个解决方案;将所述多个需求标签中每个需求标签与所述候选解决方案集中每个解决方案的关键词进行匹配,得到多个匹配度;将所述多个匹配度中大于预设阈值的所有匹配度对应的解决方案确定为推荐解决方案集;相应地,所述第三生成模块,具体用于:将所述基本信息和所述推荐解决方案集通过预设解决方案模板生成所述目标企业的企业转型升级的目标解决方案信息。
9.一种计算机设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至6任一项所述的企业转型升级的方案信息处理方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至6任一项所述的企业转型升级的方案信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311489621.6A CN117474362A (zh) | 2023-11-09 | 2023-11-09 | 企业转型升级的方案信息处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311489621.6A CN117474362A (zh) | 2023-11-09 | 2023-11-09 | 企业转型升级的方案信息处理方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117474362A true CN117474362A (zh) | 2024-01-30 |
Family
ID=89637681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311489621.6A Pending CN117474362A (zh) | 2023-11-09 | 2023-11-09 | 企业转型升级的方案信息处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117474362A (zh) |
-
2023
- 2023-11-09 CN CN202311489621.6A patent/CN117474362A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113822494B (zh) | 风险预测方法、装置、设备及存储介质 | |
US11586880B2 (en) | System and method for multi-horizon time series forecasting with dynamic temporal context learning | |
Swathi et al. | An optimal deep learning-based LSTM for stock price prediction using twitter sentiment analysis | |
CN112085565B (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
CN109086265B (zh) | 一种语义训练方法、短文本中多语义词消歧方法 | |
CN112052684A (zh) | 电力计量的命名实体识别方法、装置、设备和存储介质 | |
CN113051914A (zh) | 一种基于多特征动态画像的企业隐藏标签抽取方法及装置 | |
CN109690581A (zh) | 用户指导系统及方法 | |
CN112395487A (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
CN114707041B (zh) | 消息推荐方法、装置、计算机可读介质及电子设备 | |
CN112131261A (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
CN113723077B (zh) | 基于双向表征模型的句向量生成方法、装置及计算机设备 | |
CN110069558A (zh) | 基于深度学习的数据分析方法及终端设备 | |
CN114372532A (zh) | 标签标注质量的确定方法、装置、设备、介质及产品 | |
CN113837307A (zh) | 数据相似度计算方法、装置、可读介质及电子设备 | |
CN116756281A (zh) | 知识问答方法、装置、设备和介质 | |
CN116402166A (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
CN115168590A (zh) | 文本特征提取方法、模型训练方法、装置、设备及介质 | |
WO2021135330A1 (zh) | 图像样本选择方法及相关设备 | |
CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN117474362A (zh) | 企业转型升级的方案信息处理方法、装置及设备 | |
CN114328894A (zh) | 文档处理方法、装置、电子设备及介质 | |
CN114692715A (zh) | 一种样本标注方法及装置 | |
CN112101015A (zh) | 一种识别多标签对象的方法及装置 | |
CN116089586B (zh) | 基于文本的问题生成方法及问题生成模型的训练方法 |
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 |