CN117972222A - 基于人工智能的企业信息检索方法及装置 - Google Patents

Abstract

本申请实施例提供一种基于人工智能的企业信息检索方法及装置，涉及人工智能领域，方法包括：通过预设命名实体识别模型对企业信息进行实体分析，通过深度学习神经网络模型对实体分析的结果进行关系抽取，构建得到企业关系网络；根据用户历史检索数据对预设卷积神经网络模型进行模型训练，并根据用户当前发送的企业信息检索请求和卷积神经网络模型得到对应的用户检索意图；将企业关系网络和用户检索意图进行特征融合，将经过特征融合后得到的特征输入设定的多任务学习模型，得到多任务学习模型输出的企业检索信息；装置包括：企业关系网络确定模块、用户检索意图确定模块以及企业信息检索模块；本申请能够有效提高企业信息检索的准确率和效率。

Description

基于人工智能的企业信息检索方法及装置

技术领域

本申请涉及人工智能领域，具体涉及一种基于人工智能的企业信息检索方法及装置。

背景技术

在商业和法律领域，获取关于特定企业的准确、及时的信息至关重要。企业信息的检索通常包括对公司的注册、运营、财务和法律状态等方面的详细了解。然而，现有的企业信息检索方法存在一系列挑战，限制了信息的获取和分析效率。

传统的企业信息检索主要通过商业注册机构提供的在线平台进行。这些平台提供了企业的基本注册信息，但仍存在一些问题，如信息更新滞后、检索界面复杂等。此外，商业信用报告机构提供的信息通常需要付费获取，这使得小型企业或个体工商户难以获得全面的信息。

随着互联网的发展，企业信息检索也受益于搜索引擎技术的应用。然而，通过互联网搜索引擎获取的信息可能存在不确定性和不准确性，因为搜索结果可能受到搜索算法和网站内容的影响。

目前市面上查询企业的平台，需要输入明确的企业信息如企业名称关键字、法人高管关键字或者精准的统一社会信用代码、组织机构代码等来进行查询，用户在使用的时候需要花费较多的时间进行筛选需要的信息，存在一定的使用门槛。

发明内容

针对现有技术中的问题，本申请提供一种基于人工智能的企业信息检索方法及装置，能够有效提高企业信息检索的准确率和效率。

为了解决上述问题中的至少一个，本申请提供以下技术方案：

第一方面，本申请提供一种基于人工智能的企业信息检索方法，包括：

通过预设命名实体识别模型对企业信息进行实体分析，通过深度学习神经网络模型对所述实体分析的结果进行关系抽取，构建得到企业关系网络；

根据用户历史检索数据对预设卷积神经网络模型进行模型训练，并根据用户当前发送的企业信息检索请求和经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图；

将所述企业关系网络和所述用户检索意图进行特征融合，将经过所述特征融合后得到的特征输入设定的多任务学习模型，得到所述多任务学习模型输出的企业检索信息，其中，所述企业检索信息包括风险评估、战略规划、投资决策和招聘管理中的至少一种。

进一步地，所述通过预设命名实体识别模型对企业信息进行实体分析，包括：

将企业信息样本进行分词分句和词性标注预处理操作；

将经过所述预处理操作后的企业信息样本输入预设命名实体识别模型进行模型训练，得到经过所述模型训练后的命名实体识别模型，并通过所述命名实体识别模型对企业信息进行实体分析，得到对应的企业关联实体。

进一步地，所述通过深度学习神经网络模型对所述实体分析的结果进行关系抽取，构建得到企业关系网络，包括：

对所述企业关联实体进行关系标注，得到企业关系样本数据，并根据所述企业关系样本数据对预设深度学习神经网络模型进行模型训练；

根据经过所述模型训练后的深度学习神经网络模型对所述实体分析的结果进行关系抽取，得到对应的企业实体和所述企业实体间关系，根据所述企业实体和所述企业实体间关系构建得到企业关系网络，其中，所述企业关系网络包括合作关系、竞争关系、诉讼关系、供应链关系以及人员流动关系中的至少一种。

进一步地， 所述根据用户历史检索数据对预设卷积神经网络模型进行模型训练，包括：

对用户历史检索数据中查询关键词、查询时间以及点击行为进行数据清洗并分配相应的检索意图标签，得到模型训练集；

通过所述模型训练集对预设卷积神经网络模型进行模型训练，并通过反向传播算法进行模型参数调优，得到经过所述模型训练后的卷积神经网络模型。

进一步地，所述根据用户当前发送的企业信息检索请求和经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图，包括：

将用户当前发送的企业信息检索请求中的检索文本转换为向量表示；

将所述向量表示输入经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图。

进一步地，所述将所述企业关系网络和所述用户检索意图进行特征融合，将经过所述特征融合后得到的特征输入设定的多任务学习模型，得到所述多任务学习模型输出的企业检索信息，包括：

将所述企业关系网络和所述用户检索意图中的特征向量按维度进行特征融合；

将与风险评估、战略规划、投资决策和招聘管理对应的检索任务分别设定为设定多任务学习模型的输出节点，将所述特征融合的结果输入所述多任务学习模型，得到输出的企业检索信息。

进一步地，所述将与风险评估、战略规划、投资决策和招聘管理对应的检索任务分别设定为设定多任务学习模型的输出节点，将所述特征融合的结果输入所述多任务学习模型，得到输出的企业检索信息，包括：

将与风险评估、战略规划、投资决策和招聘管理对应的检索任务分别设定为设定多任务学习模型输出层的输出节点；

在所述多任务学习模型中设置任务共享层以进行不同所述检索任务之间的信息共享，并为各所述检索任务设置单独的任务层以学习与相应检索任务相关的特征，将所述特征融合的结果输入所述多任务学习模型，得到输出的企业检索信息。

第二方面，本申请提供一种基于人工智能的企业信息检索装置，包括：

企业关系网络确定模块，用于通过预设命名实体识别模型对企业信息进行实体分析，通过深度学习神经网络模型对所述实体分析的结果进行关系抽取，构建得到企业关系网络；

用户检索意图确定模块，用于根据用户历史检索数据对预设卷积神经网络模型进行模型训练，并根据用户当前发送的企业信息检索请求和经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图；

企业信息检索模块，用于将所述企业关系网络和所述用户检索意图进行特征融合，将经过所述特征融合后得到的特征输入设定的多任务学习模型，得到所述多任务学习模型输出的企业检索信息，其中，所述企业检索信息包括风险评估、战略规划、投资决策和招聘管理中的至少一种。

第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于人工智能的企业信息检索方法的步骤。

第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于人工智能的企业信息检索方法的步骤。

第五方面，本申请提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述的基于人工智能的企业信息检索方法的步骤。

由上述技术方案可知，本申请提供一种基于人工智能的企业信息检索方法及装置，通过预设命名实体识别模型对企业信息进行实体分析，通过深度学习神经网络模型对所述实体分析的结果进行关系抽取，构建得到企业关系网络；根据用户历史检索数据对预设卷积神经网络模型进行模型训练，并根据用户当前发送的企业信息检索请求和经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图；将所述企业关系网络和所述用户检索意图进行特征融合，将经过所述特征融合后得到的特征输入设定的多任务学习模型，得到所述多任务学习模型输出的企业检索信息，由此能够有效提高企业信息检索的准确率和效率。

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为本申请实施例中的基于人工智能的企业信息检索方法的流程示意图之一；

图2为本申请实施例中的基于人工智能的企业信息检索方法的流程示意图之二；

图3为本申请实施例中的基于人工智能的企业信息检索方法的流程示意图之三；

图4为本申请实施例中的基于人工智能的企业信息检索方法的流程示意图之四；

图5为本申请实施例中的基于人工智能的企业信息检索方法的流程示意图之五；

图6为本申请实施例中的基于人工智能的企业信息检索方法的流程示意图之六；

图7为本申请实施例中的基于人工智能的企业信息检索方法的流程示意图之七；

图8为本申请实施例中的基于人工智能的企业信息检索装置的结构图；

图9为本申请实施例中的电子设备的结构示意图。

附图标记说明：

企业关系网络确定模块10

用户检索意图确定模块20

企业信息检索模块30

电子设备9600

中央处理器9100

通信模块（发送机/接收机）9110

天线9111

输入单元9120

音频处理器9130

扬声器9131

麦克风9132

存储器9140

缓冲器9141

应用/功能9142

数据9143

驱动程序9144

显示器9160

电源9170

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、完整的描述，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。

本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

考虑到现有技术中查询企业的平台需要输入明确的企业信息如企业名称关键字、法人高管关键字或者精准的统一社会信用代码、组织机构代码等来进行查询，用户在使用的时候需要花费较多的时间进行筛选需要的信息，存在一定的使用门槛的问题，本申请提供一种基于人工智能的企业信息检索方法及装置，通过预设命名实体识别模型对企业信息进行实体分析，通过深度学习神经网络模型对所述实体分析的结果进行关系抽取，构建得到企业关系网络；根据用户历史检索数据对预设卷积神经网络模型进行模型训练，并根据用户当前发送的企业信息检索请求和经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图；将所述企业关系网络和所述用户检索意图进行特征融合，将经过所述特征融合后得到的特征输入设定的多任务学习模型，得到所述多任务学习模型输出的企业检索信息，由此能够有效提高企业信息检索的准确率和效率。

为了能够有效提高企业信息检索的准确率和效率，本申请提供一种基于人工智能的企业信息检索方法的实施例，参见图1，所述基于人工智能的企业信息检索方法具体包含有如下内容：

步骤S101：通过预设命名实体识别模型对企业信息进行实体分析，通过深度学习神经网络模型对所述实体分析的结果进行关系抽取，构建得到企业关系网络；

可选的，在本实施例中，我们使用了一种预设的命名实体识别（NER）模型对企业信息进行实体分析，并结合深度学习神经网络模型对实体分析结果进行关系抽取，从而构建企业关系网络。

具体的，本实施例可以收集包含企业信息的文本数据，例如包括公司报告、新闻文章、财务报表等。确保数据集具有多样性和广泛性，以提高模型的泛化能力。

可选的，本实施可以采用命名实体识别模型，如BERT（Bidirectional EncoderRepresentations from Transformers）等，对企业信息文本进行实体分析。该模型能够自动识别文本中的实体，例如公司名称、人物名等，并标注其类别。

构建深度学习神经网络模型，用于从实体分析的结果中抽取企业之间的关系。模型的输入包括命名实体识别的结果以及其他上下文信息。本实施例采用卷积神经网络（CNN）或循环神经网络（RNN）等结构，以获取实体之间的语义关系。

可选的，本实施例中，在深度学习模型中，通过训练，模型学习企业之间的关系。关系包括股权关系、业务往来、竞争关系等。训练模型时，使用已标注的企业关系数据，以监督学习的方式调整模型参数。根据深度学习模型的输出，构建企业关系网络。网络中的节点表示企业实体，边表示不同类型的关系。这样的网络结构能够更好地反映企业之间复杂的关系和连接。

通过以上步骤，本实施例成功地利用预设的命名实体识别模型和深度学习神经网络模型，对企业信息进行实体分析和关系抽取，构建了具有丰富关联信息的企业关系网络。这为后续的用户检索和多任务学习提供了有力的基础。

步骤S102：根据用户历史检索数据对预设卷积神经网络模型进行模型训练，并根据用户当前发送的企业信息检索请求和经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图；

可选的，本实施例中，可以利用用户历史检索数据对预设的卷积神经网络（CNN）模型进行模型训练，以及根据用户当前发送的企业信息检索请求，经过模型训练后得到对应的用户检索意图。

具体的，首先，本实施例可以收集包含用户历史检索数据的文本信息，这可以是用户在企业信息检索平台上输入的查询、点击的搜索结果等。确保数据集具有多样性，涵盖不同用户的检索行为。

然后，本实施例可以设计一个卷积神经网络模型，用于学习用户的检索意图。模型的输入包括用户历史检索数据，如查询文本、点击记录等。通过多层卷积和池化层，模型能够捕捉输入数据中的关键特征。利用用户历史检索数据对卷积神经网络模型进行训练。通过监督学习，模型学习从输入数据中映射到对应的用户检索意图。使用适当的损失函数和优化算法进行模型训练。

当用户发送企业信息检索请求时，将该请求作为输入传递给经过训练的卷积神经网络模型。模型输出的结果即为用户的检索意图，这可能涵盖了用户关心的特定信息，例如风险评估、战略规划、投资决策或招聘管理。

将得到的用户检索意图应用于企业信息检索系统，以根据用户需求呈现相关的企业信息检索结果。这使得系统能够更好地理解用户的意图，提供个性化的检索服务。

通过以上步骤，本实施例成功地利用卷积神经网络模型对用户历史检索数据进行学习和预测，从而实现了根据用户当前发送的企业信息检索请求得到对应的用户检索意图。这有助于提高企业信息检索系统的用户体验和个性化服务水平。

步骤S103：将所述企业关系网络和所述用户检索意图进行特征融合，将经过所述特征融合后得到的特征输入设定的多任务学习模型，得到所述多任务学习模型输出的企业检索信息，其中，所述企业检索信息包括风险评估、战略规划、投资决策和招聘管理中的至少一种。

可选的，本实施例中可以将企业关系网络和用户检索意图进行特征融合，然后通过设定的多任务学习模型来确定对应的企业检索信息，其中包括风险评估、战略规划、投资决策和招聘管理中的至少一种。

具体的，首先，本实施例将企业关系网络和用户检索意图的特征进行融合。对于企业关系网络，可能包含各种企业实体、关系和属性的特征表示；而用户检索意图则是由卷积神经网络模型输出的特征。这两者的特征可以通过拼接、加权求和等方式进行融合。

然后，本实施例可以设计一个多任务学习模型，该模型的输出节点对应于不同的企业检索信息任务，例如风险评估、战略规划、投资决策和招聘管理。每个输出节点负责学习和输出相应任务的结果。

利用经过特征融合后的数据作为训练集，对多任务学习模型进行训练。通过监督学习，模型能够学习如何从融合后的特征中预测不同任务的结果。使用适当的损失函数和优化算法进行模型训练。

当用户发送企业信息检索请求时，将经过特征融合的用户检索意图作为输入传递给经过训练的多任务学习模型。模型的输出即为对应的企业检索信息，包括风险评估、战略规划、投资决策和招聘管理中的至少一种。

将得到的企业检索信息应用于企业信息检索系统，以根据用户的需求呈现相关的企业信息检索结果。这使得系统能够更好地理解用户的意图，提供多样化的检索服务。

通过以上步骤，本实施例成功地实现了将企业关系网络和用户检索意图进行特征融合，并通过多任务学习模型输出相应的企业检索信息，其中涵盖了风险评估、战略规划、投资决策和招聘管理中的至少一种任务。这有助于提高企业信息检索系统的个性化服务水平，满足用户多样化的需求。

从上述描述可知，本申请实施例提供的基于人工智能的企业信息检索方法，能够通过预设命名实体识别模型对企业信息进行实体分析，通过深度学习神经网络模型对所述实体分析的结果进行关系抽取，构建得到企业关系网络；根据用户历史检索数据对预设卷积神经网络模型进行模型训练，并根据用户当前发送的企业信息检索请求和经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图；将所述企业关系网络和所述用户检索意图进行特征融合，将经过所述特征融合后得到的特征输入设定的多任务学习模型，得到所述多任务学习模型输出的企业检索信息，由此能够有效提高企业信息检索的准确率和效率。

在本申请的基于人工智能的企业信息检索方法的一实施例中，参见图2，还可以具体包含如下内容：

步骤S201：将企业信息样本进行分词分句和词性标注预处理操作；

步骤S202：将经过所述预处理操作后的企业信息样本输入预设命名实体识别模型进行模型训练，得到经过所述模型训练后的命名实体识别模型，并通过所述命名实体识别模型对企业信息进行实体分析，得到对应的企业关联实体。

可选的，本实施例中可以将对企业信息样本进行分词分句和词性标注的预处理操作，然后使用预设命名实体识别模型进行模型训练，得到经过训练后的命名实体识别模型，最终通过该模型对企业信息进行实体分析，得到相关的企业实体。

针对企业信息样本，本实施例可以首先进行分词、分句和词性标注的预处理操作。这有助于将文本划分为有意义的单元，并为命名实体识别模型提供更准确的输入。

利用经过预处理的企业信息样本，进行命名实体识别模型的训练。该模型可以采用现有的命名实体识别算法，如BiLSTM-CRF、BERT等。通过监督学习，模型学习企业信息中的实体，并能够在未见过的数据上进行准确的实体标识。

将经过训练后的命名实体识别模型应用于新的企业信息样本中，通过模型识别出文本中的命名实体，包括企业名称、地点、人名等。这些实体在企业关系网络的构建中具有关键作用。

利用识别到的企业关联实体，构建企业关系网络。在网络中，企业名称、地点、人物等实体之间的关系可以通过模型学习得到。这有助于更好地理解企业信息的关联性。

通过以上步骤，本实施例成功地对企业信息样本进行了预处理操作，训练了命名实体识别模型，并在实际应用中对企业信息进行了实体分析，为后续的企业关系网络构建提供了关键的实体信息。这有助于深入挖掘企业信息中的关联性，为用户提供更全面的企业关系信息。

在本申请的基于人工智能的企业信息检索方法的一实施例中，参见图3，还可以具体包含如下内容：

步骤S301：对所述企业关联实体进行关系标注，得到企业关系样本数据，并根据所述企业关系样本数据对预设深度学习神经网络模型进行模型训练；

步骤S302：根据经过所述模型训练后的深度学习神经网络模型对所述实体分析的结果进行关系抽取，得到对应的企业实体和所述企业实体间关系，根据所述企业实体和所述企业实体间关系构建得到企业关系网络，其中，所述企业关系网络包括合作关系、竞争关系、诉讼关系、供应链关系以及人员流动关系中的至少一种。

可选的，本实施例中可以对已经识别的企业关联实体进行关系标注，标注的关系包括合作关系、竞争关系、诉讼关系、供应链关系以及人员流动关系等。根据标注的数据准备企业关系样本数据。利用准备好的企业关系样本数据，对预设的深度学习神经网络模型进行模型训练。模型的选择可以考虑使用图卷积网络（GCN）、GraphSAGE等网络结构，以更好地捕捉企业关系网络中实体间的复杂关联。

可选的，本实施例可以使用经过训练的深度学习神经网络模型，对实体分析的结果进行关系抽取。该过程将识别企业实体以及它们之间的关系。根据抽取得到的关系构建企业关系网络，其中至少包括合作关系、竞争关系、诉讼关系、供应链关系以及人员流动关系。

通过以上步骤，本实施例成功地进行了企业关系样本数据的关系标注和准备，训练了深度学习神经网络模型，并利用该模型实现了对企业实体和关系的抽取，从而构建了具有多种关系类型的企业关系网络。这有助于深入理解企业之间的相互关系，为用户提供更全面的企业关系信息。

在本申请的基于人工智能的企业信息检索方法的一实施例中，参见图4，还可以具体包含如下内容：

步骤S401：对用户历史检索数据中查询关键词、查询时间以及点击行为进行数据清洗并分配相应的检索意图标签，得到模型训练集；

步骤S402：通过所述模型训练集对预设卷积神经网络模型进行模型训练，并通过反向传播算法进行模型参数调优，得到经过所述模型训练后的卷积神经网络模型。

可选的，本实施例中可以对用户历史检索数据中的查询关键词、查询时间以及点击行为进行数据清洗，去除噪声和异常值。随后，根据用户的点击行为和查询关键词等信息，为每个查询分配相应的检索意图标签，形成模型训练集。利用清洗和标注后的模型训练集，对预设的卷积神经网络模型进行训练。卷积神经网络通常包括卷积层、池化层和全连接层等结构，用于捕捉输入数据中的特征和关联信息。

可选的，本实施例还可以利用反向传播算法进行模型参数的调优。该算法通过计算损失函数的梯度，更新模型的权重和偏置，以使模型在训练集上达到更好的性能。通过反复迭代这一过程，使模型不断优化，提高其对用户检索意图的识别准确性。

通过以上步骤，本实施例成功地对用户历史检索数据进行了清洗和标注，创建了模型训练集，并通过训练集对卷积神经网络模型进行了训练和参数调优。得到的经过训练后的模型能够更准确地识别用户的检索意图，从而为用户提供更精准的企业信息检索结果。

在本申请的基于人工智能的企业信息检索方法的一实施例中，参见图5，还可以具体包含如下内容：

步骤S501：将用户当前发送的企业信息检索请求中的检索文本转换为向量表示；

步骤S502：将所述向量表示输入经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图。

可选的，本实施例中，用户当前发送的企业信息检索请求中的检索文本首先需要进行向量化表示。这一过程通常使用词嵌入（Word Embedding）等技术，将每个单词映射为高维空间中的向量。这样，整个文本就可以表示为一组向量的集合，形成了对检索文本的向量化表示。向量化表示的检索文本被输入到经过模型训练后的卷积神经网络模型中。在这个步骤中，卷积神经网络模型会对输入的向量表示进行处理，通过卷积层、池化层等操作，提取文本中的关键特征。

可选的，卷积神经网络模型的输出层通常与不同的检索意图相对应。通过模型的前向传播，本实施例可以得到对应于用户输入文本的检索意图的概率分布。最终，选择概率最高的检索意图作为模型对用户请求的响应。

通过以上步骤，本实施例成功地将用户当前发送的企业信息检索请求中的检索文本进行了向量化表示，并通过训练后的卷积神经网络模型获取了对应的用户检索意图。这使得我们能够更好地理解用户的需求并提供相应的企业信息检索结果。

在本申请的基于人工智能的企业信息检索方法的一实施例中，参见图6，还可以具体包含如下内容：

步骤S601：将所述企业关系网络和所述用户检索意图中的特征向量按维度进行特征融合；

步骤S602：将与风险评估、战略规划、投资决策和招聘管理对应的检索任务分别设定为设定多任务学习模型的输出节点，将所述特征融合的结果输入所述多任务学习模型，得到输出的企业检索信息。

可选的，本实施例可以从企业关系网络和用户检索意图中分别获得的特征向量按维度进行融合。这一步骤旨在将两者的特征信息整合为一个共同的向量表示，以便后续多任务学习模型能够更好地理解和处理这些特征。

可选的，针对与风险评估、战略规划、投资决策和招聘管理对应的检索任务，设定多任务学习模型的输出节点。多任务学习模型在这里的作用是同时学习和优化多个任务，使其能够更好地适应各种不同的检索目标。将经过特征融合的结果输入多任务学习模型。该模型接受整合后的特征向量，并在模型内部进行前向传播操作。每个输出节点对应一个检索任务，例如风险评估、战略规划、投资决策和招聘管理。

可以理解的是，多任务学习模型的输出结果即为企业检索信息。每个任务的输出节点都提供了相应检索任务的预测结果。通过这一步骤，我们能够同时获得关于企业的风险评估、战略规划、投资决策和招聘管理等方面的信息。

通过以上过程，本实施例成功将企业关系网络和用户检索意图中的特征向量进行了维度上的特征融合，并通过多任务学习模型输出了与风险评估、战略规划、投资决策和招聘管理对应的企业检索信息。这有助于更全面、多角度地满足用户的检索需求。

在本申请的基于人工智能的企业信息检索方法的一实施例中，参见图7，还可以具体包含如下内容：

步骤S701：将与风险评估、战略规划、投资决策和招聘管理对应的检索任务分别设定为设定多任务学习模型输出层的输出节点；

步骤S702：在所述多任务学习模型中设置任务共享层以进行不同所述检索任务之间的信息共享，并为各所述检索任务设置单独的任务层以学习与相应检索任务相关的特征，将所述特征融合的结果输入所述多任务学习模型，得到输出的企业检索信息。

可选的，本实施例中，针对与风险评估、战略规划、投资决策和招聘管理对应的检索任务，分别设定多任务学习模型输出层的输出节点。每个输出节点对应一个检索任务的预测结果，使模型能够同时输出多个任务的信息。在多任务学习模型中设置任务共享层，用于进行不同检索任务之间的信息共享。任务共享层有助于模型学习到不同任务之间的相关性，使得模型能够更好地利用各个任务之间的相似性和共同特征。

同时，本实施例还可以为每个检索任务设置独立的任务层，用于学习与相应检索任务相关的特征。每个任务层都负责处理特定任务的信息，从而使模型更有针对性地学习任务特定的特征表示。将特征融合的结果输入多任务学习模型。在这一步骤中，模型接受整合后的特征向量，并通过任务共享层和各个独立任务层进行前向传播操作。

可以理解的是，多任务学习模型的输出结果即为企业检索信息。每个任务的输出节点都提供了相应检索任务的预测结果。通过这一步骤，我们能够同时获得关于企业的风险评估、战略规划、投资决策和招聘管理等方面的信息。

通过引入任务共享层和独立的任务层，本实施例使得模型能够更好地处理不同检索任务之间的信息关系，提高了模型的整体性能和泛化能力，进一步增强了对企业信息检索的多任务学习模型的有效性。

为了能够有效提高企业信息检索的准确率和效率，本申请提供一种用于实现所述基于人工智能的企业信息检索方法的全部或部分内容的基于人工智能的企业信息检索装置的实施例，参见图8，所述基于人工智能的企业信息检索装置具体包含有如下内容：

企业关系网络确定模块10，用于通过预设命名实体识别模型对企业信息进行实体分析，通过深度学习神经网络模型对所述实体分析的结果进行关系抽取，构建得到企业关系网络；

用户检索意图确定模块20，用于根据用户历史检索数据对预设卷积神经网络模型进行模型训练，并根据用户当前发送的企业信息检索请求和经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图；

企业信息检索模块30，用于将所述企业关系网络和所述用户检索意图进行特征融合，将经过所述特征融合后得到的特征输入设定的多任务学习模型，得到所述多任务学习模型输出的企业检索信息，其中，所述企业检索信息包括风险评估、战略规划、投资决策和招聘管理中的至少一种。

从上述描述可知，本申请实施例提供的基于人工智能的企业信息检索装置，能够通过预设命名实体识别模型对企业信息进行实体分析，通过深度学习神经网络模型对所述实体分析的结果进行关系抽取，构建得到企业关系网络；根据用户历史检索数据对预设卷积神经网络模型进行模型训练，并根据用户当前发送的企业信息检索请求和经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图；将所述企业关系网络和所述用户检索意图进行特征融合，将经过所述特征融合后得到的特征输入设定的多任务学习模型，得到所述多任务学习模型输出的企业检索信息，由此能够有效提高企业信息检索的准确率和效率。

从硬件层面来说，为了能够有效提高企业信息检索的准确率和效率，本申请提供一种用于实现所述基于人工智能的企业信息检索方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：

处理器(processor) 、存储器(memory) 、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现基于人工智能的企业信息检索装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输；该逻辑控制器可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该逻辑控制器可以参照实施例中的基于人工智能的企业信息检索方法的实施例，以及基于人工智能的企业信息检索装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。

可以理解的是，所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。

在实际应用中，基于人工智能的企业信息检索方法的部分可以在如上述内容所述的电子设备侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。

上述的客户端设备可以具有通信模块（即通信单元），可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。

图9为本申请实施例的电子设备9600的系统构成的示意框图。如图9所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图9是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

一实施例中，基于人工智能的企业信息检索方法功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：

步骤S101：通过预设命名实体识别模型对企业信息进行实体分析，通过深度学习神经网络模型对所述实体分析的结果进行关系抽取，构建得到企业关系网络；

步骤S102：根据用户历史检索数据对预设卷积神经网络模型进行模型训练，并根据用户当前发送的企业信息检索请求和经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图；

步骤S103：将所述企业关系网络和所述用户检索意图进行特征融合，将经过所述特征融合后得到的特征输入设定的多任务学习模型，得到所述多任务学习模型输出的企业检索信息，其中，所述企业检索信息包括风险评估、战略规划、投资决策和招聘管理中的至少一种。

从上述描述可知，本申请实施例提供的电子设备，通过预设命名实体识别模型对企业信息进行实体分析，通过深度学习神经网络模型对所述实体分析的结果进行关系抽取，构建得到企业关系网络；根据用户历史检索数据对预设卷积神经网络模型进行模型训练，并根据用户当前发送的企业信息检索请求和经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图；将所述企业关系网络和所述用户检索意图进行特征融合，将经过所述特征融合后得到的特征输入设定的多任务学习模型，得到所述多任务学习模型输出的企业检索信息，由此能够有效提高企业信息检索的准确率和效率。

在另一个实施方式中，基于人工智能的企业信息检索装置可以与中央处理器9100分开配置，例如可以将基于人工智能的企业信息检索装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现基于人工智能的企业信息检索方法功能。

如图9所示，该电子设备9600还可以包括：通信模块（发送机/接收机）9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图9中所示的所有部件；此外，电子设备9600还可以包括图9中没有示出的部件，可以参考现有技术。

如图9所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。

其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。

输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

该存储器9140可以是固态存储器，例如，只读存储器（ROM）、随机存取存储器（RAM）、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲器9141（有时被称为缓冲器）。存储器9140可以包括应用/功能9142（即应用/功能存储部），该应用/功能9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。

存储器9140还可以包括数据9143（即数据存储部），该数据9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序9144（即驱动程序存储部）可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能（如消息传送应用、通讯录应用等）的各种驱动程序。

通信模块即为经由天线9111发送和接收信号的通信模块（发送机/接收机）9110。通信模块（发送机/接收机）9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个的通信模块（发送机/接收机）9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块（发送机/接收机）9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。

本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的基于人工智能的企业信息检索方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的基于人工智能的企业信息检索方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

步骤S101：通过预设命名实体识别模型对企业信息进行实体分析，通过深度学习神经网络模型对所述实体分析的结果进行关系抽取，构建得到企业关系网络；

步骤S102：根据用户历史检索数据对预设卷积神经网络模型进行模型训练，并根据用户当前发送的企业信息检索请求和经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图；

步骤S103：将所述企业关系网络和所述用户检索意图进行特征融合，将经过所述特征融合后得到的特征输入设定的多任务学习模型，得到所述多任务学习模型输出的企业检索信息，其中，所述企业检索信息包括风险评估、战略规划、投资决策和招聘管理中的至少一种。

从上述描述可知，本申请实施例提供的计算机可读存储介质，通过预设命名实体识别模型对企业信息进行实体分析，通过深度学习神经网络模型对所述实体分析的结果进行关系抽取，构建得到企业关系网络；根据用户历史检索数据对预设卷积神经网络模型进行模型训练，并根据用户当前发送的企业信息检索请求和经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图；将所述企业关系网络和所述用户检索意图进行特征融合，将经过所述特征融合后得到的特征输入设定的多任务学习模型，得到所述多任务学习模型输出的企业检索信息，由此能够有效提高企业信息检索的准确率和效率。

本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的基于人工智能的企业信息检索方法中全部步骤的一种计算机程序产品，该计算机程序/指令被处理器执行时实现所述的基于人工智能的企业信息检索方法的步骤，例如，所述计算机程序/指令实现下述步骤：

步骤S101：通过预设命名实体识别模型对企业信息进行实体分析，通过深度学习神经网络模型对所述实体分析的结果进行关系抽取，构建得到企业关系网络；

步骤S102：根据用户历史检索数据对预设卷积神经网络模型进行模型训练，并根据用户当前发送的企业信息检索请求和经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图；

步骤S103：将所述企业关系网络和所述用户检索意图进行特征融合，将经过所述特征融合后得到的特征输入设定的多任务学习模型，得到所述多任务学习模型输出的企业检索信息，其中，所述企业检索信息包括风险评估、战略规划、投资决策和招聘管理中的至少一种。

从上述描述可知，本申请实施例提供的计算机程序产品，通过预设命名实体识别模型对企业信息进行实体分析，通过深度学习神经网络模型对所述实体分析的结果进行关系抽取，构建得到企业关系网络；根据用户历史检索数据对预设卷积神经网络模型进行模型训练，并根据用户当前发送的企业信息检索请求和经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图；将所述企业关系网络和所述用户检索意图进行特征融合，将经过所述特征融合后得到的特征输入设定的多任务学习模型，得到所述多任务学习模型输出的企业检索信息，由此能够有效提高企业信息检索的准确率和效率。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（装置）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于人工智能的企业信息检索方法，其特征在于，所述方法包括：

通过预设命名实体识别模型对企业信息进行实体分析，通过深度学习神经网络模型对所述实体分析的结果进行关系抽取，构建得到企业关系网络；

根据用户历史检索数据对预设卷积神经网络模型进行模型训练，并根据用户当前发送的企业信息检索请求和经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图；

将所述企业关系网络和所述用户检索意图进行特征融合，将经过所述特征融合后得到的特征输入设定的多任务学习模型，得到所述多任务学习模型输出的企业检索信息，其中，所述企业检索信息包括风险评估、战略规划、投资决策和招聘管理中的至少一种。

2.根据权利要求1所述的基于人工智能的企业信息检索方法，其特征在于，所述通过预设命名实体识别模型对企业信息进行实体分析，包括：

将企业信息样本进行分词分句和词性标注预处理操作；

将经过所述预处理操作后的企业信息样本输入预设命名实体识别模型进行模型训练，得到经过所述模型训练后的命名实体识别模型，并通过所述命名实体识别模型对企业信息进行实体分析，得到对应的企业关联实体。

3.根据权利要求2所述的基于人工智能的企业信息检索方法，其特征在于，所述通过深度学习神经网络模型对所述实体分析的结果进行关系抽取，构建得到企业关系网络，包括：

对所述企业关联实体进行关系标注，得到企业关系样本数据，并根据所述企业关系样本数据对预设深度学习神经网络模型进行模型训练；

根据经过所述模型训练后的深度学习神经网络模型对所述实体分析的结果进行关系抽取，得到对应的企业实体和所述企业实体间关系，根据所述企业实体和所述企业实体间关系构建得到企业关系网络，其中，所述企业关系网络包括合作关系、竞争关系、诉讼关系、供应链关系以及人员流动关系中的至少一种。

4.根据权利要求1所述的基于人工智能的企业信息检索方法，其特征在于，所述根据用户历史检索数据对预设卷积神经网络模型进行模型训练，包括：

对用户历史检索数据中查询关键词、查询时间以及点击行为进行数据清洗并分配相应的检索意图标签，得到模型训练集；

通过所述模型训练集对预设卷积神经网络模型进行模型训练，并通过反向传播算法进行模型参数调优，得到经过所述模型训练后的卷积神经网络模型。

5.根据权利要求1所述的基于人工智能的企业信息检索方法，其特征在于，所述根据用户当前发送的企业信息检索请求和经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图，包括：

将用户当前发送的企业信息检索请求中的检索文本转换为向量表示；

将所述向量表示输入经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图。

6.根据权利要求1所述的基于人工智能的企业信息检索方法，其特征在于，所述将所述企业关系网络和所述用户检索意图进行特征融合，将经过所述特征融合后得到的特征输入设定的多任务学习模型，得到所述多任务学习模型输出的企业检索信息，包括：

将所述企业关系网络和所述用户检索意图中的特征向量按维度进行特征融合；

将与风险评估、战略规划、投资决策和招聘管理对应的检索任务分别设定为设定多任务学习模型的输出节点，将所述特征融合的结果输入所述多任务学习模型，得到输出的企业检索信息。

7.根据权利要求6所述的基于人工智能的企业信息检索方法，其特征在于，所述将与风险评估、战略规划、投资决策和招聘管理对应的检索任务分别设定为设定多任务学习模型的输出节点，将所述特征融合的结果输入所述多任务学习模型，得到输出的企业检索信息，包括：

将与风险评估、战略规划、投资决策和招聘管理对应的检索任务分别设定为设定多任务学习模型输出层的输出节点；

在所述多任务学习模型中设置任务共享层以进行不同所述检索任务之间的信息共享，并为各所述检索任务设置单独的任务层以学习与相应检索任务相关的特征，将所述特征融合的结果输入所述多任务学习模型，得到输出的企业检索信息。

8.一种基于人工智能的企业信息检索装置，其特征在于，所述装置包括：

企业关系网络确定模块，用于通过预设命名实体识别模型对企业信息进行实体分析，通过深度学习神经网络模型对所述实体分析的结果进行关系抽取，构建得到企业关系网络；

用户检索意图确定模块，用于根据用户历史检索数据对预设卷积神经网络模型进行模型训练，并根据用户当前发送的企业信息检索请求和经过所述模型训练后的卷积神经网络模型得到对应的用户检索意图；

企业信息检索模块，用于将所述企业关系网络和所述用户检索意图进行特征融合，将经过所述特征融合后得到的特征输入设定的多任务学习模型，得到所述多任务学习模型输出的企业检索信息，其中，所述企业检索信息包括风险评估、战略规划、投资决策和招聘管理中的至少一种。