CN111754116A - 一种基于标签画像技术的信用评估方法及装置 - Google Patents
一种基于标签画像技术的信用评估方法及装置 Download PDFInfo
- Publication number
- CN111754116A CN111754116A CN202010590439.XA CN202010590439A CN111754116A CN 111754116 A CN111754116 A CN 111754116A CN 202010590439 A CN202010590439 A CN 202010590439A CN 111754116 A CN111754116 A CN 111754116A
- Authority
- CN
- China
- Prior art keywords
- label
- fact
- model
- meaning
- enterprise
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000005516 engineering process Methods 0.000 title claims abstract description 45
- 239000002131 composite material Substances 0.000 claims abstract description 94
- 238000011156 evaluation Methods 0.000 claims abstract description 66
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 230000006399 behavior Effects 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 5
- 238000012797 qualification Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000011144 upstream manufacturing Methods 0.000 description 10
- 238000010248 power generation Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- 230000008520 organization Effects 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004064 recycling Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于标签画像技术的信用评估方法及装置，该方法包括：确定待评估企业的预先建立的信用标签体系中的每个事实标签的含义，根据所述待评估企业的预先建立的事实标签与模型标签之间的第一对应关系、所述待评估企业的预先建立的模型标签与复合标签之间的第二对应关系以及所述事实标签的含义，生成所述待评估企业的每个模型标签的含义和每个复合标签的含义，根据所述事实标签的含义、所述模型标签的含义以及所述复合标签的含义，确定所述待评估企业的信用画像。该信用评估方法实现过程中信用标签体系完善、计算规则清晰、不依赖主观，从而，提高了信用评估的准确性，形成了统一信用服务能力。
Description
技术领域
本发明实施例涉及信用评估技术领域，尤其涉及一种基于标签画像技术的信用评估方法及装置。
背景技术
电力行业上下游利益相关企业包括发电企业、售电公司、电力用户以及供应商等。为了获知电力行业上下游利益相关企业的综合实力与信用水平，需要对电力行业上下游利益相关企业进行信用评估。
目前，主要通过被评估企业的经营数据等对其进行信用评估。
但是，上述评估方式评估规则不清晰、主观性较强，导致目前的信用评估方法准确性较低。
发明内容
本发明提供一种基于标签画像技术的信用评估方法及装置，以解决目前的信用评估方式规则不清晰、主观性较强而导致的信用评估准确性低的技术问题。
第一方面，本发明实施例提供一种基于标签画像技术的信用评估方法，包括：
确定待评估企业的预先建立的信用标签体系中的每个事实标签的含义；
根据所述待评估企业的预先建立的事实标签与模型标签之间的第一对应关系、所述待评估企业的预先建立的模型标签与复合标签之间的第二对应关系以及所述事实标签的含义，生成所述待评估企业的每个模型标签的含义和每个复合标签的含义；
根据所述事实标签的含义、所述模型标签的含义以及所述复合标签的含义，确定所述待评估企业的信用画像。
第二方面，本发明实施例还提供了一种基于标签画像技术的信用评估装置，所述装置包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面提供的基于标签画像技术的信用评估方法。
第三方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面提供的基于标签画像技术的信用评估方法。
本实施例提供一种基于标签画像技术的信用评估方法及装置，该方法包括：确定待评估企业的预先建立的信用标签体系中的每个事实标签的含义，根据所述待评估企业的预先建立的事实标签与模型标签之间的第一对应关系、所述待评估企业的预先建立的模型标签与复合标签之间的第二对应关系以及所述事实标签的含义，生成所述待评估企业的每个模型标签的含义和每个复合标签的含义，根据所述事实标签的含义、所述模型标签的含义以及所述复合标签的含义，确定所述待评估企业的信用画像。通过待评估企业的信用标签体系，确定该待评估企业的信用画像，实现待评估企业的信用评估，实现过程中信用标签体系完善、计算规则清晰、不依赖主观，从而，提高了信用评估的准确性，形成了统一信用服务能力。
附图说明
图1为本发明一个实施例提供的基于标签画像技术的信用评估方法的流程示意图；
图2为本发明一个实施例提供的基于标签画像技术的信用评估方法中确定第一模型标签的含义的流程示意图；
图3为本发明一个实施例提供的基于标签画像技术的信用评估方法中确定第二模型标签的含义的流程示意图；
图4为基于本发明一个实施例提供的基于标签画像技术的信用评估方法确定出的待评估企业信用画像的示意图；
图5为本发明一个实施例提供的基于标签画像技术的信用评估装置的结构示意图；
图6为本发明另一个实施例提供的基于标签画像技术的信用评估装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明一个实施例提供的基于标签画像技术的信用评估方法的流程示意图。本实施例适用于对电力行业上下游利益相关企业进行信用评估的场景中。本实施例可以由基于标签画像技术的信用评估装置来执行，该基于标签画像技术的信用评估装置可以由软件和/或硬件的方式实现，该基于标签画像技术的信用评估装置可以集成于计算机设备中。如图1所示，本实施例提供的基于标签画像技术的信用评估方法包括如下步骤：
步骤101：确定待评估企业的预先建立的信用标签体系中的每个事实标签的含义。
具体地，本实施例提供的基于标签画像技术的信用评估方法可以汇聚电力行业的数据资源，应用大数据挖掘技术、标签画像技术，构建基于电力行业的全业务领域数据的企业信用标签库与企业多维信用画像，提供一种基于标签画像技术的信用评估方法。通过企业信用画像精准刻画出电力行业上下游利益相关企业的综合实力与信用水平，同时在国网总部层面形成统一的电力信用接入、汇聚、共享出入口，面向公司各部门、基层各单位、各级政府、社会各界提供更便捷的电力信用能力支持。
本实施例中的待评估企业可以为电力行业上下游利益相关企业，例如，发电企业、售电公司、电力用户以及供应商等各市场主体。本实施例中，将多个发电企业称为同一种类型的企业，多个售电公司称为同一种类型的企业，多个电力用户称为同一种类型的企业，多个供应商称为同一种类型的企业。
可选地，在步骤101之前，还包括：建立待评估企业的信用标签体系。其中，信用标签体系包括：一级维度、二级维度、事实标签、模型标签以及复合标签。一级维度对应至少一个二级维度，二级维度对应至少一个事实标签，模型标签对应至少两个事实标签，复合标签对应至少两个模型标签。事实标签还可以被称为三级指标。
一种实现方式中，一级维度包括以下至少一项：企业特质、履约能力、履约表现、风险行为以及发展趋势。二级维度是在一级维度的基础上进一步细化而来。
二级维度包括以下至少一项：基础信息、企业资质、内部评价、业务能力、经营水平、技术水平、资金保障、履约响应、服务质量、产品质量、履约评价、事实风险、潜在风险、市场环境以及企业潜力。更具体地，企业特质对应的二级维度包括以下至少一项：基础信息、企业资质、内部评价；履约能力对应的二级维度包括以下至少一项：业务能力、经营水平、技术水平、资金保障；履约表现对应的二级维度包括以下至少一项：履约响应、服务质量、产品质量、履约评价；风险行为对应的二级维度包括以下至少一项：事实风险、潜在风险；发展趋势对应的二级维度包括以下至少一项：市场环境、企业潜力。
三级指标从一级维度、二级维度进行全面分析、设计，形成包括企业性质、股东类型、年生产总值、近两年中标数量、代理用户数量、累计中标金额、供货及时率、设备故障率、合计历史呆坏账金额、历史窃电频次、用电事故记录、安全隐患信息、行业用电量整体趋势、企业签订合同金额趋势等264方面内容。每种类型的企业的三级指标包括264个三级指标中的至少一种。
本实施例中，可以根据国家电网公司在用电营销、电力交易、物资采购、安全生产等业务领域数据资源积累，结合电力行业内外部信用建设需求，设计并构建覆盖电力行业上下游利益相关企业的信用标签体系。
以下详细介绍各市场主体的信用标签体系中一级维度、二级维度以及三级指标的示例。
表1发电企业信用标签体系中一级维度、二级维度以及三级指标的示例表
表2售电公司信用标签体系中一级维度、二级维度以及三级指标的示例表
表3电力用户信用标签体系中一级维度、二级维度以及三级指标的示例表
表4供应商信用标签体系中一级维度、二级维度以及三级指标的示例表
步骤101在具体执行时，在事实标签中的第一事实标签有明确的业务规则或者源数据含义时，根据业务规则或者源数据含义，确定第一事实标签的含义。
为了描述方便，将有明确的业务规则或者源数据含义的事实标签称为第一事实标签。以第一事实标签“组织机构类型”为例进行说明，组织机构类型与组织机构代码之间的关系是明确的、客观的，所以事实标签“组织机构类型”有明确的业务规则或者源数据含义，根据该业务规则或者源数据含义，确定第一事实标签的含义。例如，在事实标签为910时，确定该组织机构类型为民办非企业单位。
在事实标签中的第二事实标签不具有明确的业务规则或者源数据含义时，对与待评估企业属于同一类型的多个企业的第二事实标签进行离散化处理，根据待评估企业的第二事实标签在离散化后的多个区间中，所处的区间，确定第二事实标签的含义。
为了描述方便，将不具有明确的业务规则或者源数据含义的事实标签称为第二事实标签。以第二事实标签“总装机容量”为例进行说明。待评估企业的总装机容量为一个具体的数值，根据该具体的数值并不能刻画出该待评估企业的总装机容量在所有同类型企业的总装机容量中的能力。因此，为了确定出该具体的数值的含义，将与待评估企业属于同一类型的多个企业的第二事实标签进行离散化处理，即将多个发电企业的总装机容量进行离散化处理，例如，通过作图，或者，统计量检验—确定离散或集中分布趋势，将总装机容量进行离散化处理，例如，将总装机容量划分为多个区间，例如，4个区间，根据待评估企业的总装机容量在离散化后的多个区间中所处的区间，确定待评估企业的总装机容量的含义。假设待评估企业的总装机容量处于第三个区间，则可以确定该待评估企业的总装机容量较高。
步骤102：根据待评估企业的预先建立的事实标签与模型标签之间的第一对应关系、待评估企业的预先建立的模型标签与复合标签之间的第二对应关系以及事实标签的含义，生成待评估企业的每个模型标签的含义和每个复合标签的含义。
具体地，在构建信用标签体系时，根据各类市场主体在用户基础信息、用电缴费欠费、物资采购、合同签订、招投标、安全生产等方面的基础或行为数据分布、业务规则及源数据含义，构建形成264个事实标签。根据事实标签和特征处理后基础或行为数据，通过综合权重、聚类分析等算法构建模型得到多个模型标签；根据业务分析维度侧重点，通过对模型标签聚类或融合得到多个复合标签。示例性地，本实施例中针对所有市场主体得到的模型标签个数为34个，针对所有市场主体得到的复合标签个数为15个。
因此，本实施例中的待评估企业的信用标签体系在体系构成上，由事实标签、模型标签、复合标签3种类型标签组成。体系设计上，结合国家电网公司多年信用建设成果积累，参照国务院、国家能源局、中电联等机构在涉电力领域信用认定标准基础上，逐项梳理涉及安全、生产、营销、调度、物资、交易等电力行业全业务领域信用评价规则，并结合内外部信用评价相关要求，经过外部信用领域专家与电力内部业务专家指导而成。所构建的指标体系具备专业性、权威性、客观性等特征。
待评估企业的事实标签与模型标签之间具有第一对应关系，待评估企业的模型标签与复合标签之间具有第二对应关系。举例来说，复合标签-发电信用水平，可以对应4个模型标签：综合发电能力、交易表现、合同履约表现以及发展趋势。基于步骤101确定出的事实标签的含义，可以根据第一对应关系以及事实标签的含义，确定出模型标签的含义，根据第二对应关系以及模型标签的含义，确定出复合标签的含义。
从算法原理上来说，模型标签和复合标签是通过客观数据信息的融合和提炼得到，常规上采用无监督算法(如聚类、降维等)确定其含义。考虑到模型标签、复合标签构建的运维成本、时间成本及构建方法合理性，基于以下原则确定模型标签和复合标签的含义。
当根据第一对应关系，确定模型标签中的第一模型标签对应的事实标签的个数大于预设标签数量时，结合自组织映射网络(Self-Origanizing Maps，SOM)算法以及K均值K-means算法，确定第一模型标签的含义；
当根据第一对应关系，确定模型标签中的第二模型标签对应的事实标签的个数小于或者等于预设标签数量时，结合层次分析法、熵权法以及最小相对信息熵，确定第二模型标签的含义；
当根据第二对应关系，确定复合标签中的第一复合标签对应的模型标签的个数大于预设标签数量时，结合SOM算法以及K-means算法，确定第一复合标签的含义；
当根据第二对应关系，确定复合标签中的第二复合标签对应的模型标签的个数小于或者等于预设标签数量时，结合层次分析法、熵权法以及最小相对信息熵，确定第二复合标签的含义。
示例性地，预设标签数量可以为5个。为了描述方便，本实施例中将对应的事实标签的个数大于预设标签数量的模型标签称为第一模型标签，将对应的事实标签的个数小于或者等于预设标签数量的模型标签称为第二模型标签，将对应的模型标签的个数大于预设标签数量的复合标签称为第一复合标签，将对应的模型标签的个数小于或者等于预设标签数量的复合标签称为第二复合标签。
也即，对涉及下层标签种类数量5个及以下的模型标签或复合标签采用综合权重划分方式，对涉及下层标签种类数量5个以上的模型标签或复合标签采用两段式聚类，具备一定的实用性与先进性。
图2为本发明一个实施例提供的基于标签画像技术的信用评估方法中确定第一模型标签的含义的流程示意图。如图2所示，确定第一模型标签的含义的过程包括如下步骤：
步骤201：通过SOM算法，对与待评估企业属于同一类型的多个企业的第一模型标签对应的事实标签的分值组成的数据集进行粗聚类，得到初步划分的群数目。
步骤202：确定与待评估企业属于同一类型的多个企业的第一模型标签对应的事实标签的分值组成的数据集的平均值。
其中，事实标签的分值根据事实标签的含义确定。
可以对第一模型标签构建涉及的事实标签，根据其离散化后值进行打分处理，满分为100分，最低分为0分，分值划分区间根据实际需求进行确定。
举例来说，假设待评估企业为发电企业，则可以确定多家发电企业的第一模型标签对应的事实标签的分值组成的数据集的平均值。
步骤203：将群数目赋给K-means算法的初始值，挑选数据集中与数据集的平均值接近的数据点作为中心点，使用K-means算法对数据集进行聚类，得到最终确定出的与待评估企业属于同一类型的多个企业的第一模型标签划分的类个数以及各个类。
步骤204：根据类个数以及待评估企业的第一模型标签所属的类，确定第一模型标签的含义。
例如，假设与待评估企业属于同一类型的多个企业的第一模型标签，例如合同履约表现，划分的类个数为4个，该待评估企业的合同履约表现属于第三个类，则可以确定该评估企业的合同履约表现的含义为合同履约能力较高。
步骤201-步骤204为通过两段式聚类方式确定标签的含义的过程。通过SOM+K-means两段式聚类分析，一方面，解决了SOM网络训练时间长和K-means算法迭代次数多的问题，优化了算法的运行效率；另一方面，SOM网络消除了噪点和孤立点对于K-means算法的影响，且解决了K-means算法初始值选取困难的问题，而K-means算法将SOM的划分结果变得更加精确。因此，该方式可以提供确定出的标签的含义的准确性，进而，提高了信用评估的准确性。
在确定第一复合标签的含义时，其实现过程和技术原理与步骤201-步骤204类似。具体过程如下：通过SOM算法，对与待评估企业属于同一类型的多个企业的第一复合标签对应的模型标签的分值组成的数据集进行粗聚类，得到初步划分的群数目，其中，模型标签的分值根据模型标签的含义确定；确定与待评估企业属于同一类型的多个企业的第一复合标签对应的模型标签的分值组成的数据集的平均值；将群数目赋给K-means算法的初始值，挑选数据集中与数据集的平均值接近的数据点作为中心点，使用K-means算法对数据集进行聚类，得到最终确定出的与待评估企业属于同一类型的多个企业的第一复合标签划分的类个数以及各个类；根据类个数以及待评估企业的第一复合标签所属的类，确定第一复合标签的含义。
图3为本发明一个实施例提供的基于标签画像技术的信用评估方法中确定第二模型标签的含义的流程示意图。如图3所示，确定第二模型标签的含义的过程包括如下步骤：
步骤301：根据层次分析法确定第二模型标签对应的每个事实标签的主观权重。
步骤302：根据熵权法确定第二模型标签对应的每个事实标签的客观权重。
步骤303：通过公式
确定第二模型标签对应的每个事实标签的综合权重。
其中，wi表示第二模型标签对应的第i个事实标签的综合权重，xi为第二模型标签对应的第i个事实标签的主观权重，ui为第二模型标签对应的第i个事实标签的客观权重，n为预设的优化因子，m为第二模型标签对应的事实标签的总数量。n的范围为0～1，一般取值0.5。
步骤303中的公式即为通过最小相对信息熵确定综合权重的具体实现方式。通过最小相对信息熵确定综合权重，既考虑了信用指标业务属性又兼顾了指标值数据分布特征，从而，提高了确定出的标签含义的准确性，进而，提高了信用评估的准确性。
步骤304：根据第二模型标签对应的所有事实标签的综合值之和，确定第二模型标签的含义。
其中，每个事实标签的综合值为事实标签的综合权重以及根据事实标签的含义确定的分值的乘积。
根据事实标签的含义确定分值的过程与步骤202中类似，此处不再赘述。
在步骤304中，根据第二模型标签对应的所有事实标签的综合值之和，根据所有市场主体的第二模型标签的得分排名情况，使用分位法对总分值进行划分，确定划分的种类数量。之后，基于该待评估企业的第二模型标签的所处的位置，确定该待评估企业的第二模型标签的含义。
在确定第二复合标签的含义时，其实现过程和技术原理与步骤301-步骤304类似。具体过程如下：根据层次分析法确定第二复合标签对应的每个模型标签的主观权重；根据熵权法确定第二复合标签对应的每个模型标签的客观权重；通过公式
确定第二复合标签对应的每个模型标签的综合权重；其中，w'j表示第二复合标签对应的第j个模型标签的综合权重，x'j为第二复合标签对应的第j个模型标签的主观权重，u'j为第二复合标签对应的第j个模型标签的客观权重，n为预设的优化因子，m'为第二复合标签对应的模型标签的总数量；根据第二复合标签对应的所有模型标签的综合值之和，确定第二复合标签的含义，其中，每个模型标签的综合值为模型标签的综合权重以及根据模型标签的含义确定的分值的乘积。
确定出模型标签的含义之后，在确定复合标签的含义时，对复合标签构建涉及的模型标签，根据其已划分的种类进行打分处理，满分为100分，最低分为0分，分值划分区间根据实际需求进行确定。
步骤101及步骤102的实现过程，可以在指标数量、计算规则、算法模型等方面动态优化，根据实际业务需求与应用效果不断完善。
步骤103：根据事实标签的含义、模型标签的含义以及复合标签的含义，确定待评估企业的信用画像。
具体地，待评估企业的信用画像包括：信用全景画像和信用场景画像。
其中，信用全景画像是围绕市场主体所有业务活动，使用全部标签对其特征进行综合全面描述。
信用场景画像是针对特定的业务场景，选定与业务场景相关性较强的部分标签对其特征进行描述，侧重展现业务场景所关注内容，如选定违约用电量等级、欠费等级、缴费方式等标签用于预测电力用户欠费风险水平的电费回收风险防控场景。
信用场景画像包括：结合供应商评价、电费回收风险防控、企业内部信用体系建设、交易市场主体信用评价、金融风控客户信用评估等行业内外部特定业务场景下的信用评估需求，明确电力行业上下游利益相关企业的市场主体特征，确定标签画像的规则、算法与内容。
当待评估企业的信用画像为信用场景画像时，步骤103具体实现过程为：
从待评估企业对应的事实标签、模型标签以及复合标签中，选取与预设业务场景相关的目标事实标签、目标模型标签以及目标复合标签；根据目标事实标签的含义、目标模型标签的含义以及目标复合标签的含义，生成待评估企业的预先业务场景对应的信用场景画像。
基于企业信用标签库，结合已明确的业务画像概念与类型，通过标签筛选、特征计算、画像生成、画像可视等技术与方法，快速构建相应的企业信用画像，客观反映企业信用水平与综合实力，开展针对发电、售电、用电、供应商等电力行业上下游利益相关企业的信用评估，支撑电力交易主体信用评价、电费回收风险防控、供应商评价、金融风控客户信用评估等业务场景应用。如在进行电费回收风险防控、供应商评价、金融风控客户信用评估等场景的应用时，可直接参考相关市场主体的企业信用画像详情与画像报告，查看其综合“信用水平”，支撑业务场景信用评估需求。
图4为基于本发明一个实施例提供的基于标签画像技术的信用评估方法确定出的待评估企业信用画像的示意图。如图4所示，其示出了某个发电厂的信用画像的示意图。
本实施例中涉及的企业信用标签库为企业的信用标签体系中的事实标签、模型标签和复合标签。
本发明首次全面地针对电力行业上下游利益相关企业构建了信用标签体系，生成信用场景画像，提供了一定实用性理论基础，有助于保证标签画像技术顶层设计的完整性和科学性，支撑电力交易主体信用评价、电费回收风险防控、供应商评价、金融风控客户信用评估等业务应用场景的快速构建和应用。
更重要的是，针对事实标签，本发明提出根据标签指标值数据分布、业务规则及源数据含义进行界定的计算规则。针对模型标签和复合标签构建，提出综合权重划分和两段式聚类两种算法实现方式。本发明标签计算规则方法的提出，有助于保证画像技术实际应用的合理性和低成本。
本实施例提供的基于标签画像技术的信用评估方法，包括：确定待评估企业的预先建立的信用标签体系中的每个事实标签的含义，根据待评估企业的预先建立的事实标签与模型标签之间的第一对应关系、待评估企业的预先建立的模型标签与复合标签之间的第二对应关系以及事实标签的含义，生成待评估企业的每个模型标签的含义和每个复合标签的含义，根据事实标签的含义、模型标签的含义以及复合标签的含义，确定待评估企业的信用画像。通过待评估企业的信用标签体系，确定该待评估企业的信用画像，实现待评估企业的信用评估，实现过程中信用标签体系完善、计算规则清晰、不依赖主观，从而，提高了信用评估的准确性，形成了统一信用服务能力。
图5为本发明一个实施例提供的基于标签画像技术的信用评估装置的结构示意图。如图5所示，本实施例提供的基于标签画像技术的信用评估装置包括：第一确定模块51、第二确定模块52以及第三确定模块53。
第一确定模块51，用于确定待评估企业的预先建立的信用标签体系中的每个事实标签的含义。
可选地，第一确定模块51具体用于：在事实标签中的第一事实标签有明确的业务规则或者源数据含义时，根据业务规则或者源数据含义，确定第一事实标签的含义；在事实标签中的第二事实标签不具有明确的业务规则或者源数据含义时，对与待评估企业属于同一类型的多个企业的第二事实标签进行离散化处理，根据待评估企业的第二事实标签在离散化后的多个区间中，所处的区间，确定第二事实标签的含义。
第二确定模块52，用于根据待评估企业的预先建立的事实标签与模型标签之间的第一对应关系、待评估企业的预先建立的模型标签与复合标签之间的第二对应关系以及事实标签的含义，生成待评估企业的每个模型标签的含义和每个复合标签的含义。
可选地，第二确定模块52具体用于：
当根据第一对应关系，确定模型标签中的第一模型标签对应的事实标签的个数大于预设标签数量时，结合SOM算法以及K均值K-means算法，确定第一模型标签的含义；
当根据第一对应关系，确定模型标签中的第二模型标签对应的事实标签的个数小于或者等于预设标签数量时，结合层次分析法、熵权法以及最小相对信息熵，确定第二模型标签的含义；
当根据第二对应关系，确定复合标签中的第一复合标签对应的模型标签的个数大于预设标签数量时，结合SOM算法以及K-means算法，确定第一复合标签的含义；
当根据第二对应关系，确定复合标签中的第二复合标签对应的模型标签的个数小于或者等于预设标签数量时，结合层次分析法、熵权法以及最小相对信息熵，确定第二复合标签的含义。
在结合SOM算法以及K均值K-means算法，确定第一模型标签的含义的方面，第二确定模块52具体用于：
通过SOM算法，对与待评估企业属于同一类型的多个企业的第一模型标签对应的事实标签的分值组成的数据集进行粗聚类，得到初步划分的群数目；其中，事实标签的分值根据事实标签的含义确定；
确定与待评估企业属于同一类型的多个企业的第一模型标签对应的事实标签的分值组成的数据集的平均值；
将群数目赋给K-means算法的初始值，挑选数据集中与数据集的平均值接近的数据点作为中心点，使用K-means算法数据集进行聚类，得到最终确定出的与待评估企业属于同一类型的多个企业的第一模型标签划分的类个数以及各个类；
根据类个数以及待评估企业的第一模型标签所属的类，确定第一模型标签的含义。
在结合层次分析法、熵权法以及最小相对信息熵，确定第二模型标签的含义的方面，第二确定模块52具体用于：
根据层次分析法确定第二模型标签对应的每个事实标签的主观权重；
根据熵权法确定第二模型标签对应的每个事实标签的客观权重；
通过公式
确定第二模型标签对应的每个事实标签的综合权重；其中，wi表示第二模型标签对应的第i个事实标签的综合权重，xi为第二模型标签对应的第i个事实标签的主观权重，ui为第二模型标签对应的第i个事实标签的客观权重，n为预设的优化因子，m为第二模型标签对应的事实标签的总数量；
根据第二模型标签对应的所有事实标签的综合值之和，确定第二模型标签的含义；其中，每个事实标签的综合值为事实标签的综合权重以及根据事实标签的含义确定的分值的乘积。
第三确定模块53，用于根据事实标签的含义、模型标签的含义以及复合标签的含义，确定待评估企业的信用画像。
可选地，该装置还包括：建立模块，用于建立待评估企业的信用标签体系。其中，信用标签体系包括：一级维度、二级维度、事实标签、模型标签以及复合标签，一级维度对应至少一个二级维度，二级维度对应至少一个事实标签，模型标签对应至少两个事实标签，复合标签对应至少两个模型标签。
一种实现方式中，一级维度包括以下至少一项：企业特质、履约能力、履约表现、风险行为以及发展趋势。
二级维度包括以下至少一项：基础信息、企业资质、内部评价、业务能力、经营水平、技术水平、资金保障、履约响应、服务质量、产品质量、履约评价、事实风险、潜在风险、市场环境以及企业潜力。更具体地，企业特质对应的二级维度包括以下至少一项：基础信息、企业资质、内部评价；履约能力对应的二级维度包括以下至少一项：业务能力、经营水平、技术水平、资金保障；履约表现对应的二级维度包括以下至少一项：履约响应、服务质量、产品质量、履约评价；风险行为对应的二级维度包括以下至少一项：事实风险、潜在风险；发展趋势对应的二级维度包括以下至少一项：市场环境、企业潜力。
可选地，待评估企业的信用画像包括：信用全景画像和信用场景画像。
当待评估企业的信用画像为信用场景画像时，第三确定模块53具体用于：从待评估企业对应的事实标签、模型标签以及复合标签中，选取与预设业务场景相关的目标事实标签、目标模型标签以及目标复合标签；根据目标事实标签的含义、目标模型标签的含义以及目标复合标签的含义，生成待评估企业的预先业务场景对应的信用场景画像。
本发明实施例所提供的基于标签画像技术的信用评估装置可执行本发明任意实施例所提供的基于标签画像技术的信用评估方法，具备执行方法相应的功能模块和有益效果。
图6为本发明另一个实施例提供的基于标签画像技术的信用评估装置的结构示意图。如图6所示，该装置包括处理器60和存储器61。该装置中处理器60的数量可以是一个或多个，图6中以一个处理器60为例；该装置的处理器60和存储器61可以通过总线或其他方式连接，图6中以通过总线连接为例。
存储器61作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的基于标签画像技术的信用评估方法对应的程序指令以及模块(例如，基于标签画像技术的信用评估装置中的第一确定模块51、第二确定模块52以及第三确定模块53)。处理器60通过运行存储在存储器61中的软件程序、指令以及模块，从而执行装置的各种功能应用以及基于标签画像技术的信用评估，即实现上述的基于标签画像技术的信用评估方法。
存储器61可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据装置的使用所创建的数据等。此外，存储器61可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器61可进一步包括相对于处理器60远程设置的存储器，这些远程存储器可以通过网络连接至装置。上述网络的实施例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种基于标签画像技术的信用评估方法，该方法包括：
确定待评估企业的预先建立的信用标签体系中的每个事实标签的含义；
根据所述待评估企业的预先建立的事实标签与模型标签之间的第一对应关系、所述待评估企业的预先建立的模型标签与复合标签之间的第二对应关系以及所述事实标签的含义，生成所述待评估企业的每个模型标签的含义和每个复合标签的含义；
根据所述事实标签的含义、所述模型标签的含义以及所述复合标签的含义，确定所述待评估企业的信用画像。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的基于标签画像技术的信用评估方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台装置(可以是个人计算机，或者网络设备等)执行本发明各个实施例所述的基于标签画像技术的信用评估方法。
值得注意的是，上述基于标签画像技术的信用评估装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于标签画像技术的信用评估方法，其特征在于，包括：
确定待评估企业的预先建立的信用标签体系中的每个事实标签的含义；
根据所述待评估企业的预先建立的事实标签与模型标签之间的第一对应关系、所述待评估企业的预先建立的模型标签与复合标签之间的第二对应关系以及所述事实标签的含义，生成所述待评估企业的每个模型标签的含义和每个复合标签的含义；
根据所述事实标签的含义、所述模型标签的含义以及所述复合标签的含义，确定所述待评估企业的信用画像。
2.根据权利要求1所述的方法，其特征在于，在确定待评估企业的预先建立的信用标签体系中的每个事实标签的含义之前，所述方法还包括：
建立所述待评估企业的信用标签体系；其中，所述信用标签体系包括：一级维度、二级维度、事实标签、模型标签以及复合标签，所述一级维度对应至少一个所述二级维度，所述二级维度对应至少一个所述事实标签，所述模型标签对应至少两个所述事实标签，所述复合标签对应至少两个模型标签。
3.根据权利要求2所述的方法，其特征在于，所述一级维度包括以下至少一项：企业特质、履约能力、履约表现、风险行为以及发展趋势；
其中，企业特质对应的二级维度包括以下至少一项：基础信息、企业资质、内部评价；
履约能力对应的二级维度包括以下至少一项：业务能力、经营水平、技术水平、资金保障；
履约表现对应的二级维度包括以下至少一项：履约响应、服务质量、产品质量、履约评价；
风险行为对应的二级维度包括以下至少一项：事实风险、潜在风险；
发展趋势对应的二级维度包括以下至少一项：市场环境、企业潜力。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述确定待评估企业的预先建立的信用标签体系中的每个事实标签的含义，包括：
在所述事实标签中的第一事实标签有明确的业务规则或者源数据含义时，根据所述业务规则或者源数据含义，确定所述第一事实标签的含义；
在所述事实标签中的第二事实标签不具有明确的业务规则或者源数据含义时，对与所述待评估企业属于同一类型的多个企业的第二事实标签进行离散化处理，根据所述待评估企业的第二事实标签在离散化后的多个区间中，所处的区间，确定所述第二事实标签的含义。
5.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述待评估企业的预先建立的事实标签与模型标签之间的第一对应关系、所述待评估企业的预先建立的模型标签与复合标签之间的第二对应关系以及所述事实标签的含义，生成所述待评估企业的每个模型标签的含义和每个复合标签的含义，包括：
当根据所述第一对应关系，确定模型标签中的第一模型标签对应的事实标签的个数大于预设标签数量时，结合自组织映射网络SOM算法以及K均值K-means算法，确定所述第一模型标签的含义；
当根据所述第一对应关系，确定模型标签中的第二模型标签对应的事实标签的个数小于或者等于所述预设标签数量时，结合层次分析法、熵权法以及最小相对信息熵，确定所述第二模型标签的含义；
当根据所述第二对应关系，确定复合标签中的第一复合标签对应的模型标签的个数大于所述预设标签数量时，结合SOM算法以及K-means算法，确定所述第一复合标签的含义；
当根据所述第二对应关系，确定复合标签中的第二复合标签对应的模型标签的个数小于或者等于所述预设标签数量时，结合层次分析法、熵权法以及最小相对信息熵，确定所述第二复合标签的含义。
6.根据权利要求5所述的方法，其特征在于，所述结合自组织映射网络SOM算法以及K均值K-means算法，确定所述第一模型标签的含义，包括：
通过SOM算法，对与所述待评估企业属于同一类型的多个企业的第一模型标签对应的事实标签的分值组成的数据集进行粗聚类，得到初步划分的群数目；其中，所述事实标签的分值根据所述事实标签的含义确定；
确定与所述待评估企业属于同一类型的多个企业的第一模型标签对应的事实标签的分值组成的数据集的平均值；
将所述群数目赋给K-means算法的初始值，挑选所述数据集中与所述数据集的平均值接近的数据点作为中心点，使用K-means算法对所述数据集进行聚类，得到最终确定出的与所述待评估企业属于同一类型的多个企业的第一模型标签划分的类个数以及各个类；
根据所述类个数以及所述待评估企业的第一模型标签所属的类，确定所述第一模型标签的含义。
7.根据权利要求5所述的方法，其特征在于，所述结合层次分析法、熵权法以及最小相对信息熵，确定所述第二模型标签的含义，包括：
根据层次分析法确定第二模型标签对应的每个事实标签的主观权重；
根据熵权法确定第二模型标签对应的每个事实标签的客观权重；
通过公式
确定第二模型标签对应的每个事实标签的综合权重；其中，wi表示所述第二模型标签对应的第i个事实标签的综合权重，xi为所述第二模型标签对应的第i个事实标签的主观权重，ui为所述第二模型标签对应的第i个事实标签的客观权重，n为预设的优化因子，m为所述第二模型标签对应的事实标签的总数量；
根据第二模型标签对应的所有事实标签的综合值之和，确定所述第二模型标签的含义；其中，每个事实标签的综合值为事实标签的综合权重以及根据所述事实标签的含义确定的分值的乘积。
8.根据权利要求1-3任一项所述的方法，其特征在于，所述待评估企业的信用画像包括：信用全景画像和信用场景画像。
9.根据权利要求8所述的方法，其特征在于，当所述待评估企业的信用画像为信用场景画像时，所述根据所述事实标签的含义、所述模型标签的含义以及所述复合标签的含义，确定所述待评估企业的信用画像，包括：
从所述待评估企业对应的事实标签、模型标签以及复合标签中，选取与预设业务场景相关的目标事实标签、目标模型标签以及目标复合标签；
根据所述目标事实标签的含义、所述目标模型标签的含义以及所述目标复合标签的含义，生成所述待评估企业的所述预先业务场景对应的信用场景画像。
10.一种基于标签画像技术的信用评估装置，其特征在于，所述装置包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的基于标签画像技术的信用评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010590439.XA CN111754116B (zh) | 2020-06-24 | 2020-06-24 | 一种基于标签画像技术的信用评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010590439.XA CN111754116B (zh) | 2020-06-24 | 2020-06-24 | 一种基于标签画像技术的信用评估方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111754116A true CN111754116A (zh) | 2020-10-09 |
| CN111754116B CN111754116B (zh) | 2023-10-17 |
Family
ID=72677175
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010590439.XA Active CN111754116B (zh) | 2020-06-24 | 2020-06-24 | 一种基于标签画像技术的信用评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111754116B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113052434A (zh) * | 2021-02-26 | 2021-06-29 | 一智科技(成都)有限公司 | 施工对象画像标签方法及*** |
| CN113190731A (zh) * | 2021-05-31 | 2021-07-30 | 国家电网有限公司大数据中心 | 一种标签构建方法、装置、设备和存储介质 |
| CN113327048A (zh) * | 2021-06-16 | 2021-08-31 | 力合科创集团有限公司 | 基于大数据及多维特征的企业画像计算方法、介质及程序 |
| CN113487448A (zh) * | 2021-05-31 | 2021-10-08 | 国网上海市电力公司 | 一种基于电力大数据的电力信用标签化方法及*** |
| CN113538133A (zh) * | 2021-07-26 | 2021-10-22 | 天元大数据信用管理有限公司 | 一种基于受限玻尔兹曼机的信用评估方法、设备及介质 |
| CN113837859A (zh) * | 2021-08-25 | 2021-12-24 | 天元大数据信用管理有限公司 | 一种小微企业画像构建方法 |
| CN114090854A (zh) * | 2022-01-24 | 2022-02-25 | 佰聆数据股份有限公司 | 基于信息熵的标签权重智能更新方法、***及计算机设备 |
| CN114547482A (zh) * | 2022-03-03 | 2022-05-27 | 智慧足迹数据科技有限公司 | 业务特征生成方法、装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108288229A (zh) * | 2018-03-02 | 2018-07-17 | 北京邮电大学 | 一种用户画像构建方法 |
| CN108898154A (zh) * | 2018-09-29 | 2018-11-27 | 华北电力大学 | 一种电力负荷som-fcm分层聚类方法 |
| CN109063945A (zh) * | 2018-06-08 | 2018-12-21 | 广州亦云信息技术股份有限公司 | 一种基于价值评估体系的售电公司360度客户画像构建方法 |
| CN110413787A (zh) * | 2019-07-26 | 2019-11-05 | 腾讯科技（深圳）有限公司 | 文本聚类方法、装置、终端和存储介质 |
| CN110826886A (zh) * | 2019-10-29 | 2020-02-21 | 南京华盾电力信息安全测评有限公司 | 一种基于聚类算法和主成分分析的电力客户画像构建方法 |
| KR102084389B1 (ko) * | 2019-06-18 | 2020-03-04 | 한국과학기술정보연구원 | 기업평가방법 및 시스템 |
| WO2020053846A2 (en) * | 2019-11-22 | 2020-03-19 | Symbiosis International (Deemed University) | A system and method for analysis of smart meter data |
| CN111080117A (zh) * | 2019-12-12 | 2020-04-28 | 国家电网有限公司大数据中心 | 设备风险标签的构建方法、装置、电子设备及存储介质 |
-
2020
- 2020-06-24 CN CN202010590439.XA patent/CN111754116B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108288229A (zh) * | 2018-03-02 | 2018-07-17 | 北京邮电大学 | 一种用户画像构建方法 |
| CN109063945A (zh) * | 2018-06-08 | 2018-12-21 | 广州亦云信息技术股份有限公司 | 一种基于价值评估体系的售电公司360度客户画像构建方法 |
| CN108898154A (zh) * | 2018-09-29 | 2018-11-27 | 华北电力大学 | 一种电力负荷som-fcm分层聚类方法 |
| KR102084389B1 (ko) * | 2019-06-18 | 2020-03-04 | 한국과학기술정보연구원 | 기업평가방법 및 시스템 |
| CN110413787A (zh) * | 2019-07-26 | 2019-11-05 | 腾讯科技（深圳）有限公司 | 文本聚类方法、装置、终端和存储介质 |
| CN110826886A (zh) * | 2019-10-29 | 2020-02-21 | 南京华盾电力信息安全测评有限公司 | 一种基于聚类算法和主成分分析的电力客户画像构建方法 |
| WO2020053846A2 (en) * | 2019-11-22 | 2020-03-19 | Symbiosis International (Deemed University) | A system and method for analysis of smart meter data |
| CN111080117A (zh) * | 2019-12-12 | 2020-04-28 | 国家电网有限公司大数据中心 | 设备风险标签的构建方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 裘华东等: "基于标签库***的电力企业客户画像构建与信用评估及电费风险防控应用", 《电信科学》, vol. 33, no. 1, pages 206 - 213 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113052434A (zh) * | 2021-02-26 | 2021-06-29 | 一智科技(成都)有限公司 | 施工对象画像标签方法及*** |
| CN113190731A (zh) * | 2021-05-31 | 2021-07-30 | 国家电网有限公司大数据中心 | 一种标签构建方法、装置、设备和存储介质 |
| CN113487448A (zh) * | 2021-05-31 | 2021-10-08 | 国网上海市电力公司 | 一种基于电力大数据的电力信用标签化方法及*** |
| CN113327048A (zh) * | 2021-06-16 | 2021-08-31 | 力合科创集团有限公司 | 基于大数据及多维特征的企业画像计算方法、介质及程序 |
| CN113538133A (zh) * | 2021-07-26 | 2021-10-22 | 天元大数据信用管理有限公司 | 一种基于受限玻尔兹曼机的信用评估方法、设备及介质 |
| CN113837859A (zh) * | 2021-08-25 | 2021-12-24 | 天元大数据信用管理有限公司 | 一种小微企业画像构建方法 |
| CN113837859B (zh) * | 2021-08-25 | 2024-05-14 | 天元大数据信用管理有限公司 | 一种小微企业画像构建方法 |
| CN114090854A (zh) * | 2022-01-24 | 2022-02-25 | 佰聆数据股份有限公司 | 基于信息熵的标签权重智能更新方法、***及计算机设备 |
| CN114090854B (zh) * | 2022-01-24 | 2022-04-19 | 佰聆数据股份有限公司 | 基于信息熵的标签权重智能更新方法、***及计算机设备 |
| CN114547482A (zh) * | 2022-03-03 | 2022-05-27 | 智慧足迹数据科技有限公司 | 业务特征生成方法、装置、电子设备及存储介质 |
| CN114547482B (zh) * | 2022-03-03 | 2023-01-20 | 智慧足迹数据科技有限公司 | 业务特征生成方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111754116B (zh) | 2023-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111754116A (zh) | 一种基于标签画像技术的信用评估方法及装置 | |
| Xiong et al. | An approach for resilient‐green supplier selection based on WASPAS, BWM, and TOPSIS under intuitionistic fuzzy sets | |
| Tarei et al. | A hybrid approach for quantifying supply chain risk and prioritizing the risk drivers: A case of Indian petroleum supply chain | |
| Kimiagari et al. | An interactive risk visualisation tool for large-scale and complex engineering and construction projects under uncertainty and interdependence | |
| Kamali Saraji et al. | A novel Pythagorean fuzzy-SWARA-TOPSIS framework for evaluating the EU progress towards sustainable energy development | |
| CN104321794A (zh) | 一种使用多维评级来确定一实体的未来商业可行性的***和方法 | |
| Louizi et al. | Evaluation of corporate governance systems by credit rating agencies | |
| Makui et al. | Project risk identification and analysis based on group decision making methodology in a fuzzy environment | |
| KR100713546B1 (ko) | 기술평가방법 | |
| Yao et al. | Enterprise credit risk prediction using supply chain information: A decision tree ensemble model based on the differential sampling rate, Synthetic Minority Oversampling Technique and AdaBoost | |
| Park | Expansion of servitization in the energy sector and its implications | |
| Brintrup et al. | Digital supply chain surveillance: concepts, challenges, and frameworks | |
| Liang et al. | Credit rating of sustainable agricultural supply chain finance by integrating heterogeneous evaluation information and misclassification risk | |
| Zhu et al. | TOPSIS method for quality credit evaluation: A case of air-conditioning market in China | |
| Jakšić et al. | Fuzzy approach in ranking of banks according to financial performances | |
| Xu et al. | Tail dependence network of new energy vehicle industry in mainland China | |
| Elena | News sentiment in bankruptcy prediction models: Evidence from Russian retail companies | |
| WO2022271431A1 (en) | System and method that rank businesses in environmental, social and governance (esg) | |
| Smith | Integrating AI to Increase the Effectiveness of ESG Projects | |
| Muralidharan et al. | Edsac–an efficient dempster shafer algorithm for classification to estimate the service, security and privacy risks with the service providers | |
| Guang et al. | [Retracted] Bayesian Network‐Based Marketing Risk Warning Method for Integrated Energy Companies | |
| Ding et al. | LSTM Deep Neural Network Based Power Data Credit Tagging Technology. | |
| Li et al. | LSTM Deep Neural Network Based Power Data Credit Tagging Technology | |
| Chen et al. | A two-phase fuzzy decision-making method based on multigranular linguistic assessment | |
| Ghasemi et al. | Identifying critical supply chain risks through social network analysis: ICT company in Iran |
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 |