CN118096358B - 企业信用报告智能生成方法及装置 - Google Patents
企业信用报告智能生成方法及装置 Download PDFInfo
- Publication number
- CN118096358B CN118096358B CN202410487034.1A CN202410487034A CN118096358B CN 118096358 B CN118096358 B CN 118096358B CN 202410487034 A CN202410487034 A CN 202410487034A CN 118096358 B CN118096358 B CN 118096358B
- Authority
- CN
- China
- Prior art keywords
- enterprise
- data base
- report
- information
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 238000010606 normalization Methods 0.000 claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 230000010354 integration Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 25
- 238000004590 computer program Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 13
- 238000003860 storage Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 239000000872 buffer Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种企业信用报告智能生成方法及装置，涉及人工智能领域，方法包括：获取企业全量信息，对所述企业全量信息进行归一化预处理，根据设定K最近邻算法模型对经过所述归一化预处理后的企业全量信息并进行分类，根据所述分类的结果构建得到对应的报告数据底座；接收用户发送的数据底座组合指令，根据所述数据底座组合指令确定对应的企业信息清单，其中，所述数据底座组合指令是所述用户对页面展示的各所述报告数据底座通过拖拉拽方式进行报告组合时生成的；根据所述企业信息清单调用对应的所述报告数据底座并进行指标计算和数据整合操作，得到企业信用报告；本申请能够有效提高企业信用报告生成的效率和多场景化。
Description
技术领域
本申请涉及数据处理领域，具体涉及一种企业信用报告智能生成方法及装置。
背景技术
企业信用报告的研发是根据场景来定义报告类型如标准信用报告、深度信用报告、财务信用报告、实地信用报告等，而报告的使用场景在细分领域又会有不同，需要在各类版本的报告之上增加一些定制化内容。
企业信用报告的撰写有两种模式，一种是人工撰写，该模式效率低下，报告质量欠佳，另外一种模式是通过系统将报告拆分成不同的模块给不同的人撰写。
发明人发现，现有技术中的以上两种方式都无法及时响应市场的需求，每个报告的种类都需要投入大量的人力物力、对已有人员进行培训或已有系统进行改造，以适配市场的需要，由此导致报告产出效率低下的问题。
发明内容
针对现有技术中的问题，本申请提供一种企业信用报告智能生成方法及装置，能够有效提高企业信用报告生成的效率和多场景化。
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，本申请提供一种企业信用报告智能生成方法，包括：
获取企业全量信息，对所述企业全量信息进行归一化预处理，根据设定K最近邻算法模型对经过所述归一化预处理后的企业全量信息并进行分类，根据所述分类的结果构建得到对应的报告数据底座；
接收用户发送的数据底座组合指令，根据所述数据底座组合指令确定对应的企业信息清单，其中，所述数据底座组合指令是所述用户对页面展示的各所述报告数据底座通过拖拉拽方式进行报告组合时生成的；
根据所述企业信息清单调用对应的所述报告数据底座并进行指标计算和数据整合操作，得到企业信用报告。
进一步地，在所述根据设定K最近邻算法模型对经过所述归一化预处理后的企业全量信息并进行分类之前，包括：
对预设样本企业全量信息进行类别标记，得到经过所述类别标记后的样本企业全量信息，其中，所述类别标记包括性质类别、来源类别、重要性类别以及保密程度类别中的至少一种；
将所述经过所述类别标记后的样本企业全量信息作为模型训练集输入预设K最近邻算法模型进行模型训练，确定所述K最近邻算法模型的K值，通过对所述K值进行参数调优以迭代进行模型训练，直至所述K值达到预设最优阈值，得到K最近邻算法模型。
进一步地，所述根据设定K最近邻算法模型对经过所述归一化预处理后的企业全量信息并进行分类，包括：
根据设定K最近邻算法模型计算经过所述归一化预处理后的企业全量信息与已有样本企业全量信息质检的样本距离；
根据所述样本距离和所述K最近邻算法模型的K值通过加权投票方式确定所述企业全量信息的分类类别。
进一步地， 所述接收用户发送的数据底座组合指令，根据所述数据底座组合指令确定对应的企业信息清单，其中，所述数据底座组合指令是所述用户对页面展示的各所述报告数据底座通过拖拉拽方式进行报告组合时生成的，包括：
接收用户发送的数据底座组合指令并进行指令解析，确定所述用户选择的报告数据底座的排列组合方式；
根据所述报告数据底座的排列组合方式确定对应的企业信息清单，其中，所述企业信息清单包括工商信息、财务信息以及知识产权信息中的至少一种。
进一步地，所述根据所述企业信息清单调用对应的所述报告数据底座并进行指标计算操作，得到企业信用报告，包括：
根据所述企业信息清单调用对应的财务数据底座；
根据所述财务数据底座中的总营收数据和净利润数据计算得到包含有财务指标的企业信用报告。
进一步地，所述根据所述企业信息清单调用对应的所述报告数据底座并进行指标计算操作，得到企业信用报告，还包括：
根据所述企业信息清单调用对应的市场数据底座；
根据所述市场数据底座中的企业销售额数据和行业销售额数据计算得到包含有市场指标的企业信用报告。
进一步地，所述根据所述企业信息清单调用对应的所述报告数据底座并进行数据整合操作，得到企业信用报告，包括：
对与所述企业信息清单相应的各项报告指标进行数据标准化处理；
对经过所述数据标准化处理后的报告指标进行相关特征合并计算，得到经过数据整合操作后的企业信息报告。
第二方面，本申请提供一种企业信用报告智能生成装置，包括：
数据底座确定模块，用于获取企业全量信息，对所述企业全量信息进行归一化预处理，根据设定K最近邻算法模型对经过所述归一化预处理后的企业全量信息并进行分类，根据所述分类的结果构建得到对应的报告数据底座；
信息清单确定模块，用于接收用户发送的数据底座组合指令，根据所述数据底座组合指令确定对应的企业信息清单，其中，所述数据底座组合指令是所述用户对页面展示的各所述报告数据底座通过拖拉拽方式进行报告组合时生成的；
信用报告生成模块，用于根据所述企业信息清单调用对应的所述报告数据底座并进行指标计算和数据整合操作，得到企业信用报告。
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企业信用报告智能生成方法的步骤。
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企业信用报告智能生成方法的步骤。
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企业信用报告智能生成方法的步骤。
由上述技术方案可知，本申请提供一种企业信用报告智能生成方法及装置，通过获取企业全量信息，对所述企业全量信息进行归一化预处理，根据设定K最近邻算法模型对经过所述归一化预处理后的企业全量信息并进行分类，根据所述分类的结果构建得到对应的报告数据底座；接收用户发送的数据底座组合指令，根据所述数据底座组合指令确定对应的企业信息清单，其中，所述数据底座组合指令是所述用户对页面展示的各所述报告数据底座通过拖拉拽方式进行报告组合时生成的；根据所述企业信息清单调用对应的所述报告数据底座并进行指标计算和数据整合操作，得到企业信用报告，由此能够有效提高企业信用报告生成的效率和多场景化。
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企业信用报告智能生成方法的流程示意图之一；
图2为本申请实施例中的企业信用报告智能生成方法的流程示意图之二；
图3为本申请实施例中的企业信用报告智能生成方法的流程示意图之三；
图4为本申请实施例中的企业信用报告智能生成方法的流程示意图之四；
图5为本申请实施例中的企业信用报告智能生成方法的流程示意图之五；
图6为本申请实施例中的企业信用报告智能生成方法的流程示意图之六；
图7为本申请实施例中的企业信用报告智能生成方法的流程示意图之七；
图8为本申请实施例中的企业信用报告智能生成装置的结构图；
图9为本申请实施例中的电子设备的结构示意图。
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。
考虑到现有技术中无法及时响应市场的需求，每个报告的种类都需要投入大量的人力物力，对已有人员进行培训或已有系统进行改造，以适配市场的需要的问题，本申请提供一种企业信用报告智能生成方法及装置，通过获取企业全量信息，对所述企业全量信息进行归一化预处理，根据设定K最近邻算法模型对经过所述归一化预处理后的企业全量信息并进行分类，根据所述分类的结果构建得到对应的报告数据底座；接收用户发送的数据底座组合指令，根据所述数据底座组合指令确定对应的企业信息清单，其中，所述数据底座组合指令是所述用户对页面展示的各所述报告数据底座通过拖拉拽方式进行报告组合时生成的；根据所述企业信息清单调用对应的所述报告数据底座并进行指标计算和数据整合操作，得到企业信用报告，由此能够有效提高企业信用报告生成的效率和多场景化。
为了能够有效提高企业信用报告生成的效率和多场景化，本申请提供一种企业信用报告智能生成方法的实施例，参见图1，所述企业信用报告智能生成方法具体包含有如下内容：
步骤S101：获取企业全量信息，对所述企业全量信息进行归一化预处理，根据设定K最近邻算法模型对经过所述归一化预处理后的企业全量信息并进行分类，根据所述分类的结果构建得到对应的报告数据底座；
可选的，本实施例中可以梳理企业全量信息数据并进行分类，全量信息包括但不限于：工商信息、股东信息、诉讼信息、知识产权信息、财务信息等；通过对企业全量信息的梳理，完成企业信用报告的数据底座，既后续所有的报告都基于该数据进行自动生成。
同时，对企业全量信息进行预处理，主要包括数据清洗和归一化。数据清洗包括处理缺失值、异常值和异常格式。而归一化则确保不同特征具有相似的尺度，以提高K最近邻算法的性能。
可选的，本实施例可以设定K最近邻算法的相关参数，包括选择合适的K值、距离度量等。将经过预处理的企业全量信息输入K最近邻算法模型，进行模型训练。利用经过训练的K最近邻算法模型对未知企业进行分类。算法将每个企业分配到K个最近邻居中最频繁的类别，从而实现对企业的分类。
可选的，根据企业分类的结果，构建对应的报告数据底座。这涉及根据分类结果选择合适的报告模板或数据结构，并填充相应的数据。报告数据底座可能包括各种财务、市场、人力等方面的数据。
这一过程确保了从企业全量信息到分类和报告数据底座的构建的完整流程。通过K最近邻算法的分类，我们能够根据相似性将企业分组，从而更方便地为它们生成相应的报告。
步骤S102：接收用户发送的数据底座组合指令，根据所述数据底座组合指令确定对应的企业信息清单，其中，所述数据底座组合指令是所述用户对页面展示的各所述报告数据底座通过拖拉拽方式进行报告组合时生成的；
可选的，本实施例中，当用户通过拖拉拽方式进行报告组合时，生成的数据底座组合指令是一个描述报告组合结构的指令。
具体的，本实施例可以提供一个用户友好的界面，允许用户从可选的报告数据底座中选择并拖动到页面上，以创建自定义的报告组合结构。当用户完成报告组合后，系统根据用户的交互生成数据底座组合指令。该指令描述了报告数据底座的结构，包括每个数据底座的位置、相对关系以及可能的样式和格式信息。
可选的，本实施例可以接收和解析用户生成的数据底座组合指令。这可能涉及到将指令从前端传递到后端，并进行相应的解析算法。根据解析后的数据底座组合指令，系统确定所需的企业信息清单。这可能包括从已经分类的企业中选择特定的企业，以满足报告组合的要求。对于确定的企业信息清单，系统将相应的数据底座填充到报告组合中。这涉及到从之前构建的报告数据底座中提取相应的数据，并根据报告组合的结构进行适当的排列和填充。
这一流程确保了用户通过拖拉拽方式生成的数据底座组合指令能够被系统解析并转化为对应的企业信息清单，为后续的报告生成做好准备。
步骤S103：根据所述企业信息清单调用对应的所述报告数据底座并进行指标计算和数据整合操作，得到企业信用报告。
可选的，本实施例中可以根据企业信息清单，系统调用相应的报告数据底座。每个数据底座可能包含不同的信息，例如财务数据、市场数据、经营数据等。对于每个调用的报告数据底座，进行指标计算。这涉及到对财务数据、市场数据等进行各种指标的计算，例如利润率、市场份额、增长率等。计算的具体指标根据业务需求和报告的目的而定。
可选的，本实施例还可以将计算得到的各项指标进行数据整合。这可能包括数据格式的统一、单位的转换、数据清洗等操作，以确保最终的企业信用报告具有一致的数据格式和高质量的数据。基于计算和整合后的数据，系统生成最终的企业信用报告。报告的格式和内容可以根据用户的需求和报告组合的结构进行灵活定制。
这一过程保证了通过调用对应的报告数据底座，并在其中进行指标计算和数据整合，最终生成的企业信用报告具有准确性和可读性。整个流程的灵活性和定制性使得系统能够适应不同用户的需求和不同报告类型的生成。
从上述描述可知，本申请实施例提供的企业信用报告智能生成方法，能够通过获取企业全量信息，对所述企业全量信息进行归一化预处理，根据设定K最近邻算法模型对经过所述归一化预处理后的企业全量信息并进行分类，根据所述分类的结果构建得到对应的报告数据底座；接收用户发送的数据底座组合指令，根据所述数据底座组合指令确定对应的企业信息清单，其中，所述数据底座组合指令是所述用户对页面展示的各所述报告数据底座通过拖拉拽方式进行报告组合时生成的；根据所述企业信息清单调用对应的所述报告数据底座并进行指标计算和数据整合操作，得到企业信用报告，由此能够有效提高企业信用报告生成的效率和多场景化。
在本申请的企业信用报告智能生成方法的一实施例中，参见图2，还可以具体包含如下内容：
步骤S201：对预设样本企业全量信息进行类别标记，得到经过所述类别标记后的样本企业全量信息，其中，所述类别标记包括性质类别、来源类别、重要性类别以及保密程度类别中的至少一种；
步骤S202：将所述经过所述类别标记后的样本企业全量信息作为模型训练集输入预设K最近邻算法模型进行模型训练，确定所述K最近邻算法模型的K值，通过对所述K值进行参数调优以迭代进行模型训练，直至所述K值达到预设最优阈值，得到K最近邻算法模型。
可选的，本实施例中，在对预设样本企业全量信息进行类别标记并训练K最近邻算法模型的过程中，具体步骤如下：
首先， 对预设样本企业全量信息进行类别标记，这包括给每个样本企业标记性质类别、来源类别、重要性类别以及保密程度类别。这些类别标记是为了训练K最近邻算法模型时提供监督信息，使模型能够学习样本之间的关系。将经过类别标记后的样本企业全量信息作为模型训练集。每个样本都包含了与其相关的类别标记信息，作为模型的输入特征。
然后， 将模型训练集输入预设K最近邻算法模型进行模型训练。K最近邻算法是一种监督学习算法，通过计算样本之间的距离来确定每个样本的K个最近邻居，并基于它们的标记进行分类。在训练过程中，需要确定K最近邻算法模型的K值。通过参数调优，迭代进行模型训练，选择使得模型性能最优的K值。这可以通过交叉验证等方法来评估不同K值下模型的性能，并选择最合适的K值。
最后，迭代进行模型训练，直至所述K值达到预设最优阈值。在每一轮迭代中，对模型进行调优，优化模型的性能，以确保最终训练得到的K最近邻算法模型在样本分类上达到最佳效果。
可选的，所述类别标记包括：
1. 按照性质分类：将企业信息分为基本信息、经营状况、财务状况、法律纠纷等类别。
2. 按照来源分类：将企业信息分为内部信息和外部信息两类。内部信息主要包括企业的内部管理数据、财务报表、业务报告等；外部信息主要包括：公开数据、媒体报道、行业分析报告等。
3. 按照时间分类：将企业信息分为历史信息和当前信息两类。历史信息主要包括企业过去几年的经营情况、财务数据等；当前信息主要包括企业最近一年的经营情况、财务数据等。
4. 按照重要性分类：将企业信息分为关键信息和非关键信息两类。关键信息主要包括影响企业信用评价的重要指标，如注册资本、负债情况、经营业绩等；非关键信息主要包括一些辅助性的信息，如企业地址、联系电话等。
5. 按照保密程度分类：将企业信息分为公开信息和机密信息两类。公开信息主要包括企业对外公布的信息，如工商登记信息、年报信息等；机密信息主要包括企业的商业秘密、技术秘密等。
企业信息分类规则是企业信用报告开发中的重要环节，它可以帮助企业更好地管理和利用信息，提高企业信用评价的准确性。通过对企业全量信息的梳理，完成企业的全量数据设计既后续所有的报告类型都基于该企业信息进行处理。各模块信息通过企业名称和统一社会信用代码进行关联，统一社会信用代码作为唯一 id 进行使用。
通过以上步骤，可以得到经过训练的K最近邻算法模型，该模型能够有效地对企业进行分类，并为后续的企业信息分类提供准确的预测。
在本申请的企业信用报告智能生成方法的一实施例中，参见图3，还可以具体包含如下内容：
步骤S301：根据设定K最近邻算法模型计算经过所述归一化预处理后的企业全量信息与已有样本企业全量信息质检的样本距离；
步骤S302：根据所述样本距离和所述K最近邻算法模型的K值通过加权投票方式确定所述企业全量信息的分类类别。
可选的，本实施例中，可以对经过归一化预处理后的企业全量信息与已有样本企业全量信息进行距离计算。常用的距离计算方法包括欧氏距离、曼哈顿距离等。计算结果表示待分类企业与已有样本企业之间的相似性或差异性。根据模型训练阶段确定的最优K值，选择一定数量的最近邻样本。这些最近邻样本将在后续的投票阶段发挥作用。
可选的，本实施例可以对所选择的最近邻样本进行加权投票。每个最近邻样本根据其与待分类企业的距离远近获得不同的权重。通常，距离越近的样本权重越大。这样可以确保更相似的样本对分类结果的影响更大。根据加权投票的结果，确定待分类企业的分类类别。投票结果中得票最多的类别即为待分类企业的预测类别。这一过程可以基于多数投票原则，确保分类结果的可靠性。
通过以上步骤，可以利用K最近邻算法对待分类企业进行有效分类，预测其所属的性质类别、来源类别、重要性类别以及保密程度类别。这种方法通过考虑最近邻样本的权重，更加灵活地适应了不同样本之间的差异，提高了模型的分类准确性。
在本申请的企业信用报告智能生成方法的一实施例中，参见图4，还可以具体包含如下内容：
步骤S401：接收用户发送的数据底座组合指令并进行指令解析，确定所述用户选择的报告数据底座的排列组合方式；
步骤S402：根据所述报告数据底座的排列组合方式确定对应的企业信息清单，其中，所述企业信息清单包括工商信息、财务信息以及知识产权信息中的至少一种。
可选的，本实施例中，系统接收用户发送的数据底座组合指令，该指令是用户通过页面展示的拖拉拽方式进行报告组合时生成的。对接收到的数据底座组合指令进行解析。解析过程涉及解释用户的拖拉拽操作，确定用户选择的报告数据底座及其排列组合方式。可能需要对指令的语法和结构进行解析，以获取相应的信息。
然后，本实施例根据解析得到的用户指令，确定报告数据底座的排列组合方式。用户可能选择展示多个报告数据底座，以不同的方式组合，例如并列、堆叠等。系统需要理解用户的意图，确定如何组合这些数据底座。根据确定的报告数据底座排列组合方式，系统生成对应的企业信息清单。企业信息清单包括工商信息、财务信息、知识产权信息等，根据用户的需求，至少包含其中一种信息。这一步骤确保了用户选择的数据底座能够覆盖所需的企业信息。
可选的，所述企业信息清单包括：
1、工商信息：
创建工商信息模块，填写报告模块标题，创建模块字段，如企业名称、统一社会信用代码、注册资本等；
选择数据来源，选择 api 接入，输入 api 接口信息，输入接口成功调用示例文件，系统自动读取字段信息；
绑定已创建的模块字段，将创建的模块字段与接口字段信息绑定，完成 api 数据关联。
2、财务信息：
创建财务信息模块，填写模块信息为财务信息，创建模块字段，如现金流量、资产负债等。
选择数据来源，模板上传，上传模板，系统自动解析模板内容。
将模板内容及模块字段关联。
3、知识产权信息：
创建知识产权信息模块，填写模块信息为知识产权信息，创建模块字段，如专利信息及对应的字段信息；
选择数据来源，数据库表，输入数据库连接用户名及密码，选择专利信息表。
通过以上过程，系统能够根据用户的底座组合指令，灵活地生成符合用户需求的企业信息清单，以备用于后续的报告生成过程。这样的交互方式使用户能够自由定制所需的报告内容，提升系统的灵活性和用户体验。
在本申请的企业信用报告智能生成方法的一实施例中，参见图5，还可以具体包含如下内容：
步骤S501：根据所述企业信息清单调用对应的财务数据底座；
步骤S502：根据所述财务数据底座中的总营收数据和净利润数据计算得到包含有财务指标的企业信用报告。
可选的，本实施例可以根据生成的企业信息清单，系统确定需要调用的财务数据底座。企业信息清单中可能包含了财务信息的需求，系统据此选择相应的财务数据底座。根据确定的财务数据底座，调用相应的财务数据。这可能涉及到数据库查询或调用其他数据存储和处理的方式，以获取企业的财务相关信息。
可选的，从财务数据底座中提取所需的财务信息，特别是总营收数据和净利润数据。这些数据是财务指标计算的基础。利用从财务数据底座中提取的总营收数据和净利润数据，系统进行财务指标的计算。可能的计算包括利润率、营收增长率等，具体计算方式可以根据用户需求和业务规则确定。将计算得到的财务指标整合到企业信用报告中。报告的格式和内容可能是预定义的，也可能根据用户的定制需求而变化。生成的企业信用报告将包含有财务指标的相关信息，为用户提供了对企业财务状况的综合了解。
通过以上过程，系统能够根据用户的企业信息需求，调用相应的财务数据底座，并计算得到财务指标，最终生成包含有财务指标的企业信用报告，为用户提供详尽的企业财务信息。这样的流程保证了灵活性和定制化，使用户能够根据实际需求获取所需的财务信息。
在本申请的企业信用报告智能生成方法的一实施例中，参见图6，还可以具体包含如下内容：
步骤S601：根据所述企业信息清单调用对应的市场数据底座；
步骤S602：根据所述市场数据底座中的企业销售额数据和行业销售额数据计算得到包含有市场指标的企业信用报告。
可选的，本实施例可以根据生成的企业信息清单，确定需要调用的市场数据底座。企业信息清单中可能包含了市场信息的需求，系统据此选择相应的市场数据底座，系统根据确定的市场数据底座，调用相应的市场数据。这可能涉及到数据库查询或调用其他数据存储和处理的方式，以获取企业的市场相关信息。从市场数据底座中提取所需的市场信息，特别是行业销售额数据。这些数据是市场指标计算的基础。
可选的，本实施例利用从市场数据底座中提取的企业销售额数据和行业销售额数据，系统进行市场指标的计算。可能的计算包括市场份额、增长率等，具体计算方式可以根据用户需求和业务规则确定。将计算得到的市场指标整合到企业信用报告中。报告的格式和内容可能是预定义的，也可能根据用户的定制需求而变化。生成的企业信用报告将包含有市场指标的相关信息，为用户提供了对企业市场表现的综合了解。
通过以上过程，系统能够根据用户的企业信息需求，调用相应的市场数据底座，并计算得到市场指标，最终生成包含有市场指标的企业信用报告，为用户提供详尽的市场信息。这样的流程保证了灵活性和定制化，使用户能够根据实际需求获取所需的市场信息。
在本申请的企业信用报告智能生成方法的一实施例中，参见图7，还可以具体包含如下内容：
步骤S701：对与所述企业信息清单相应的各项报告指标进行数据标准化处理；
步骤S702：对经过所述数据标准化处理后的报告指标进行相关特征合并计算，得到经过数据整合操作后的企业信息报告。
可选的，本实施例可以对企业信息清单中的各项报告指标进行数据标准化处理。数据标准化旨在将不同指标的数据范围调整为统一的标准范围，例如是归一化到 [0, 1]区间，以便后续计算和比较。经过数据标准化处理后的报告指标可能包含多个维度的信息，这些信息可能具有相关性。在这一步骤中，系统对不同报告指标之间的相关特征进行合并计算。这可能涉及到加权求和、加权平均或其他相关的计算方式，以综合利用各个指标的信息。
经过相关特征合并计算后，系统得到了经过数据整合操作后的企业信息报告。这份报告综合了不同报告指标的信息，提供了一个更全面、更综合的企业信息视图。报告的具体内容和形式可以根据用户需求和系统设计而定。
这一流程确保了企业信息报告的综合性和一致性。数据标准化处理和相关特征合并计算使得不同指标之间的差异得到了平衡，最终生成的报告更具有参考价值。整个过程的灵活性和可定制性，使得系统能够适应不同用户的需求和不同业务场景。
为了能够有效提高企业信用报告生成的效率和多场景化，本申请提供一种用于实现所述企业信用报告智能生成方法的全部或部分内容的企业信用报告智能生成装置的实施例，参见图8，所述企业信用报告智能生成装置具体包含有如下内容：
数据底座确定模块10，用于获取企业全量信息，对所述企业全量信息进行归一化预处理，根据设定K最近邻算法模型对经过所述归一化预处理后的企业全量信息并进行分类，根据所述分类的结果构建得到对应的报告数据底座；
信息清单确定模块20，用于接收用户发送的数据底座组合指令，根据所述数据底座组合指令确定对应的企业信息清单，其中，所述数据底座组合指令是所述用户对页面展示的各所述报告数据底座通过拖拉拽方式进行报告组合时生成的；
信用报告生成模块30，用于根据所述企业信息清单调用对应的所述报告数据底座并进行指标计算和数据整合操作，得到企业信用报告。
从上述描述可知，本申请实施例提供的企业信用报告智能生成装置，能够通过获取企业全量信息，对所述企业全量信息进行归一化预处理，根据设定K最近邻算法模型对经过所述归一化预处理后的企业全量信息并进行分类，根据所述分类的结果构建得到对应的报告数据底座；接收用户发送的数据底座组合指令，根据所述数据底座组合指令确定对应的企业信息清单，其中，所述数据底座组合指令是所述用户对页面展示的各所述报告数据底座通过拖拉拽方式进行报告组合时生成的；根据所述企业信息清单调用对应的所述报告数据底座并进行指标计算和数据整合操作，得到企业信用报告，由此能够有效提高企业信用报告生成的效率和多场景化。
从硬件层面来说，为了能够有效提高企业信用报告生成的效率和多场景化，本申请提供一种用于实现所述企业信用报告智能生成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企业信用报告智能生成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企业信用报告智能生成方法的实施例，以及企业信用报告智能生成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，企业信用报告智能生成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，企业信用报告智能生成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：获取企业全量信息，对所述企业全量信息进行归一化预处理，根据设定K最近邻算法模型对经过所述归一化预处理后的企业全量信息并进行分类，根据所述分类的结果构建得到对应的报告数据底座；
步骤S102：接收用户发送的数据底座组合指令，根据所述数据底座组合指令确定对应的企业信息清单，其中，所述数据底座组合指令是所述用户对页面展示的各所述报告数据底座通过拖拉拽方式进行报告组合时生成的；
步骤S103：根据所述企业信息清单调用对应的所述报告数据底座并进行指标计算和数据整合操作，得到企业信用报告。
从上述描述可知，本申请实施例提供的电子设备，通过获取企业全量信息，对所述企业全量信息进行归一化预处理，根据设定K最近邻算法模型对经过所述归一化预处理后的企业全量信息并进行分类，根据所述分类的结果构建得到对应的报告数据底座；接收用户发送的数据底座组合指令，根据所述数据底座组合指令确定对应的企业信息清单，其中，所述数据底座组合指令是所述用户对页面展示的各所述报告数据底座通过拖拉拽方式进行报告组合时生成的；根据所述企业信息清单调用对应的所述报告数据底座并进行指标计算和数据整合操作，得到企业信用报告，由此能够有效提高企业信用报告生成的效率和多场景化。
在另一个实施方式中，企业信用报告智能生成装置可以与中央处理器9100分开配置，例如可以将企业信用报告智能生成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企业信用报告智能生成方法功能。
如图9所示，该电子设备9600还可以包括：通信模块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包括缓冲存储器9141（有时被称为缓冲器）。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部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还可以包括数据存储部9143，该数据存储部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的驱动程序存储部9144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9110即为经由天线9111发送和接收信号的发送机/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，可以设置有多个通信模块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企业信用报告智能生成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企业信用报告智能生成方法的全部步骤，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：获取企业全量信息，对所述企业全量信息进行归一化预处理，根据设定K最近邻算法模型对经过所述归一化预处理后的企业全量信息并进行分类，根据所述分类的结果构建得到对应的报告数据底座；
步骤S102：接收用户发送的数据底座组合指令，根据所述数据底座组合指令确定对应的企业信息清单，其中，所述数据底座组合指令是所述用户对页面展示的各所述报告数据底座通过拖拉拽方式进行报告组合时生成的；
步骤S103：根据所述企业信息清单调用对应的所述报告数据底座并进行指标计算和数据整合操作，得到企业信用报告。
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，通过获取企业全量信息，对所述企业全量信息进行归一化预处理，根据设定K最近邻算法模型对经过所述归一化预处理后的企业全量信息并进行分类，根据所述分类的结果构建得到对应的报告数据底座；接收用户发送的数据底座组合指令，根据所述数据底座组合指令确定对应的企业信息清单，其中，所述数据底座组合指令是所述用户对页面展示的各所述报告数据底座通过拖拉拽方式进行报告组合时生成的；根据所述企业信息清单调用对应的所述报告数据底座并进行指标计算和数据整合操作，得到企业信用报告，由此能够有效提高企业信用报告生成的效率和多场景化。
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企业信用报告智能生成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企业信用报告智能生成方法的步骤，例如，所述计算机程序/指令实现下述步骤：
步骤S101：获取企业全量信息，对所述企业全量信息进行归一化预处理，根据设定K最近邻算法模型对经过所述归一化预处理后的企业全量信息并进行分类，根据所述分类的结果构建得到对应的报告数据底座；
步骤S102：接收用户发送的数据底座组合指令，根据所述数据底座组合指令确定对应的企业信息清单，其中，所述数据底座组合指令是所述用户对页面展示的各所述报告数据底座通过拖拉拽方式进行报告组合时生成的；
步骤S103：根据所述企业信息清单调用对应的所述报告数据底座并进行指标计算和数据整合操作，得到企业信用报告。
从上述描述可知，本申请实施例提供的计算机程序产品，通过获取企业全量信息，对所述企业全量信息进行归一化预处理，根据设定K最近邻算法模型对经过所述归一化预处理后的企业全量信息并进行分类，根据所述分类的结果构建得到对应的报告数据底座；接收用户发送的数据底座组合指令，根据所述数据底座组合指令确定对应的企业信息清单，其中，所述数据底座组合指令是所述用户对页面展示的各所述报告数据底座通过拖拉拽方式进行报告组合时生成的；根据所述企业信息清单调用对应的所述报告数据底座并进行指标计算和数据整合操作，得到企业信用报告，由此能够有效提高企业信用报告生成的效率和多场景化。
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 (5)
1.一种企业信用报告智能生成方法，其特征在于，所述方法包括：
对预设样本企业全量信息进行类别标记，得到经过所述类别标记后的样本企业全量信息，其中，所述类别标记包括性质类别、来源类别、重要性类别以及保密程度类别中的至少一种，将所述经过所述类别标记后的样本企业全量信息作为模型训练集输入预设K最近邻算法模型进行模型训练，确定所述K最近邻算法模型的K值，通过对所述K值进行参数调优以迭代进行模型训练，直至所述K值达到预设最优阈值，得到K最近邻算法模型；
获取企业全量信息，对所述企业全量信息进行归一化预处理，根据设定K最近邻算法模型计算经过所述归一化预处理后的企业全量信息与已有样本企业全量信息质检的样本距离，根据所述样本距离和所述K最近邻算法模型的K值通过加权投票方式确定所述企业全量信息的分类类别，根据所述分类的结果构建得到对应的报告数据底座；
接收用户发送的数据底座组合指令，根据所述数据底座组合指令确定对应的企业信息清单，其中，所述数据底座组合指令是所述用户对页面展示的各所述报告数据底座通过拖拉拽方式进行报告组合时生成的；
对与所述企业信息清单相应的各项报告指标进行数据标准化处理，对经过所述数据标准化处理后的报告指标进行相关特征合并计算，得到经过数据整合操作后的企业信息报告。
2.根据权利要求1所述的企业信用报告智能生成方法，其特征在于，所述接收用户发送的数据底座组合指令，根据所述数据底座组合指令确定对应的企业信息清单，其中，所述数据底座组合指令是所述用户对页面展示的各所述报告数据底座通过拖拉拽方式进行报告组合时生成的，包括：
接收用户发送的数据底座组合指令并进行指令解析，确定所述用户选择的报告数据底座的排列组合方式；
根据所述报告数据底座的排列组合方式确定对应的企业信息清单，其中，所述企业信息清单包括工商信息、财务信息以及知识产权信息中的至少一种。
3.根据权利要求1所述的企业信用报告智能生成方法，其特征在于，所述根据所述企业信息清单调用对应的所述报告数据底座并进行指标计算，得到企业信用报告，包括：
根据所述企业信息清单调用对应的财务数据底座；
根据所述财务数据底座中的总营收数据和净利润数据计算得到包含有财务指标的企业信用报告。
4.根据权利要求1所述的企业信用报告智能生成方法，其特征在于，所述根据所述企业信息清单调用对应的所述报告数据底座并进行指标计算，得到企业信用报告，还包括：
根据所述企业信息清单调用对应的市场数据底座；
根据所述市场数据底座中的企业销售额数据和行业销售额数据计算得到包含有市场指标的企业信用报告。
5.一种企业信用报告智能生成装置，其特征在于，所述装置包括：
数据底座确定模块，用于对预设样本企业全量信息进行类别标记，得到经过所述类别标记后的样本企业全量信息，其中，所述类别标记包括性质类别、来源类别、重要性类别以及保密程度类别中的至少一种，将所述经过所述类别标记后的样本企业全量信息作为模型训练集输入预设K最近邻算法模型进行模型训练，确定所述K最近邻算法模型的K值，通过对所述K值进行参数调优以迭代进行模型训练，直至所述K值达到预设最优阈值，得到K最近邻算法模型，获取企业全量信息，对所述企业全量信息进行归一化预处理，根据设定K最近邻算法模型计算经过所述归一化预处理后的企业全量信息与已有样本企业全量信息质检的样本距离，根据所述样本距离和所述K最近邻算法模型的K值通过加权投票方式确定所述企业全量信息的分类类别，根据所述分类的结果构建得到对应的报告数据底座；
信息清单确定模块，用于接收用户发送的数据底座组合指令，根据所述数据底座组合指令确定对应的企业信息清单，其中，所述数据底座组合指令是所述用户对页面展示的各所述报告数据底座通过拖拉拽方式进行报告组合时生成的；
信用报告生成模块，用于对与所述企业信息清单相应的各项报告指标进行数据标准化处理；对经过所述数据标准化处理后的报告指标进行相关特征合并计算，得到经过数据整合操作后的企业信息报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410487034.1A CN118096358B (zh) | 2024-04-23 | 2024-04-23 | 企业信用报告智能生成方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410487034.1A CN118096358B (zh) | 2024-04-23 | 2024-04-23 | 企业信用报告智能生成方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118096358A CN118096358A (zh) | 2024-05-28 |
| CN118096358B true CN118096358B (zh) | 2024-08-20 |
Family
ID=91149482
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410487034.1A Active CN118096358B (zh) | 2024-04-23 | 2024-04-23 | 企业信用报告智能生成方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118096358B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101263476A (zh) * | 2005-09-09 | 2008-09-10 | 微软公司 | 浏览模式设计器 |
| CN117876096A (zh) * | 2023-12-25 | 2024-04-12 | 中国农业银行股份有限公司上海市分行 | 一种企业信贷智能评估系统及方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11645712B2 (en) * | 2021-04-16 | 2023-05-09 | Fidelity Information Services, Llc | Systems and methods for using machine learning techniques to predict institutional risks |
| CN114297393A (zh) * | 2022-01-13 | 2022-04-08 | 东北电力大学 | 融合多元文本信息和报告意图的软件缺陷报告分类方法 |
| AU2023228854A1 (en) * | 2022-03-03 | 2024-09-12 | Fidelity Information Services, Llc | Systems and methods for generating insights based on regulatory reporting and analysis |
| CN117194637B (zh) * | 2023-09-18 | 2024-04-30 | 深圳市大数据研究院 | 基于大语言模型的多层级可视化评估报告生成方法、装置 |
| CN117764724A (zh) * | 2024-01-02 | 2024-03-26 | 中证鹏元资信评估股份有限公司 | 一种智能化的信用评级报告构建方法及系统 |
-
2024
- 2024-04-23 CN CN202410487034.1A patent/CN118096358B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101263476A (zh) * | 2005-09-09 | 2008-09-10 | 微软公司 | 浏览模式设计器 |
| CN117876096A (zh) * | 2023-12-25 | 2024-04-12 | 中国农业银行股份有限公司上海市分行 | 一种企业信贷智能评估系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 汪洪桥.《Python机器学习算法及典型案例实战》.2021,第57页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118096358A (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11645321B2 (en) | Calculating relationship strength using an activity-based distributed graph | |
| CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
| US20210224832A1 (en) | Method and apparatus for predicting customer purchase intention, electronic device and medium | |
| US20220114199A1 (en) | System and method for information recommendation | |
| US20190108486A1 (en) | System and method for intelligent and automatic electronic communication support and routing | |
| KR101363609B1 (ko) | 사회적 관계정보 관리 시스템 및 관리 방법 | |
| CN105744005A (zh) | 客户定位分析方法及服务器 | |
| CN113627566B (zh) | 一种网络诈骗的预警方法、装置和计算机设备 | |
| CN112801719A (zh) | 用户行为预测方法、用户行为预测装置、存储介质及设备 | |
| CN110798567A (zh) | 短信分类显示方法及装置、存储介质、电子设备 | |
| CN117951547B (zh) | 基于人工智能的招投标数据处理方法及装置 | |
| CN111897890A (zh) | 金融业务处理方法及装置 | |
| CN111612632A (zh) | 用户投资数据处理方法及装置 | |
| Manikam et al. | Business intelligence addressing service quality for big data analytics in public sector | |
| CN112418929A (zh) | 一种数据共享方法及装置 | |
| CN115204685A (zh) | 一种工单派发方法及装置 | |
| CN112163861B (zh) | 交易风险要素特征提取方法及装置 | |
| CN113076417A (zh) | 政策文件数据处理方法及装置 | |
| CN113297179A (zh) | 监管报送数据的处理方法及装置 | |
| CN118096358B (zh) | 企业信用报告智能生成方法及装置 | |
| CN116681513A (zh) | 企业资产数据处理方法及装置 | |
| CN111882113A (zh) | 一种企业手机银行用户的预测方法和装置 | |
| CN116304352A (zh) | 消息推送方法、装置、设备及存储介质 | |
| CN116050359A (zh) | 一种保单托管录入方法、系统、终端设备及存储介质 | |
| CN113537611A (zh) | 票据贴现数据处理方法及装置 |
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 |