CN112231533A - 数据处理方法、装置、设备及存储介质 - Google Patents
数据处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112231533A CN112231533A CN202011096201.8A CN202011096201A CN112231533A CN 112231533 A CN112231533 A CN 112231533A CN 202011096201 A CN202011096201 A CN 202011096201A CN 112231533 A CN112231533 A CN 112231533A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- evaluated
- item
- target
- index information
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 372
- 238000013210 evaluation model Methods 0.000 claims abstract description 75
- 238000011160 research Methods 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000013135 deep learning Methods 0.000 claims abstract description 34
- 238000011144 upstream manufacturing Methods 0.000 claims description 108
- 238000012549 training Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 36
- 238000012502 risk assessment Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 20
- 238000010219 correlation analysis Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000003058 natural language processing Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000009193 crawling Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Primary Health Care (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种数据处理方法、装置、设备及存储介质,所述方法包括:获取目标行业的待评估项目对应的评估指标信息,其中,所述待评估项目对应于至少一项评估指标信息以及一个基于深度学习的评估模型;根据所述评估模型和所述评估指标信息,确定所述待评估项目的评估结果;根据所述待评估项目的评估结果,生成所述目标行业的行业研究数据。本发明针对待评估项目,利用其所对应的评估指标信息以及基于深度学习的评估模型,能够自动得到待评估项目的评估结果,进而根据待评估项目的评估结果自动生成目标行业的行业研究数据。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种数据处理方法、装置、设备及存储介质。
背景技术
目前宏观政策制定、地方招商以及量化投资等都需要参考行业研究数据。例如,行业研究数据可以为行业景气度、地区行业排名、行业中企业供应链上游风险等。因而,需要一种数据处理工具,来对行业的相关数据进行处理,以生成行业研究数据。
发明内容
本发明的主要目的在于提供一种数据处理方法、装置、设备及存储介质,旨在能够自动生成行业研究数据,以提升行业研究数据的生成效率。
为实现上述目的,第一方面,本发明提供一种数据处理方法,包括:
获取目标行业的待评估项目对应的评估指标信息,其中,所述待评估项目对应于至少一项评估指标信息以及一个基于深度学习的评估模型;
根据所述评估模型和所述评估指标信息,确定所述待评估项目的评估结果;
根据所述待评估项目的评估结果,生成所述目标行业的行业研究数据。
第二方面,本发明提供一种数据处理***,包括:数据采集服务器和评估服务器;
所述数据采集服务器,用于获取目标行业的待评估项目对应的评估指标信息,将所述评估指标信息发送至所述评估服务器;其中,所述待评估项目对应于至少一项评估指标信息以及一个基于深度学习的评估模型;所述评估模型存储于所述评估服务器;
所述评估服务器,用于根据所述评估模型和所述评估指标信息,确定所述待评估项目的评估结果;并根据所述待评估项目的评估结果,生成所述目标行业的行业研究数据。
第三方面,本发明提供一种数据处理装置,包括:
数据采集模块,用于获取目标行业的待评估项目对应的评估指标信息,其中,所述待评估项目对应于至少一项评估指标信息以及一个基于深度学习的评估模型;
处理模块,用于根据所述评估模型和所述评估指标信息,确定所述待评估项目的评估结果;
生成模块,用于根据所述待评估项目的评估结果,生成所述目标行业的行业研究数据。
第四方面,本发明提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数据处理程序,所述数据处理程序被所述处理器执行时实现如上第一方面所述的数据处理方法的步骤。
第五方面,本发明提供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数据处理程序,所述数据处理程序被处理器执行时实现如上第一方面所述的数据处理方法的步骤。
本发明中,获取目标行业的待评估项目对应的评估指标信息,其中,待评估项目对应于至少一项评估指标信息以及一个基于深度学习的评估模型;根据评估模型和评估指标信息,确定待评估项目的评估结果;根据待评估项目的评估结果,生成目标行业的行业研究数据。针对待评估项目,利用其所对应的评估指标信息以及基于深度学习的评估模型,能够自动得到待评估项目的评估结果,进而根据待评估项目的评估结果自动生成目标行业的行业研究数据。
附图说明
图1为本发明一实施例的示例运行环境的示意图;
图2为本发明一实施例提供的数据处理方法的流程示意图;
图3为本发明一实施例提供的采集评估指标信息的示意图;
图4为本发明又一实施例提供的数据处理方法的流程示意图;
图5为本发明另一实施例提供的数据处理方法的流程示意图;
图6为本发明一实施例提供的数据处理***的架构示意图;
图7为本发明又一实施例提供的数据处理***的架构示意图;
图8为本发明一实施例提供的数据处理装置的结构示意图;
图9为本发明一实施例提供的电子设备的硬件结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明实施例提出一种数据处理工具,该数据处理工具利用深度学习技术,通过采集待评估项目的评估指标信息,利用基于深度学习的评估模型对评估指标信息进行处理,自动得到待评估项目的评估结果,并自动根据评估结果生成行业研究数据。
在描述本发明实施例提供的数据处理方法之前,先根据图1来了解下本发明实施例的示例运行环境。
如图1所示,在左侧示出了查询行业研究数据的主体,例如个人11、企业12、行业协会13等。还可以有其他的主体,在此不作限定。这些主体可以通过终端设备向***平台14请求查询目标行业的行业研究数据。来自各个主体的查询请求通过网络被提供给***平台14。另外,***平台14也可以定期将行业研究数据通过网络发送给各个主体的终端设备。
***平台14用于执行行业研究数据生成任务。***平台14可以包括数据采集模块、处理模块、生成模块、预警模块和推荐模块中的部分或全部,在此不作限定。其中,数据采集模块用于通过网络从各个数据源平台(如网络平台15、企业数据库16、诉讼案件数据库17等)采集目标行业相关的源数据,通过爬虫技术、自然语言处理技术等从源数据中提取并保存目标行业的待评估项目对应的评估指标信息。处理模块用于通过待评估项目对应的深度学***台14可以由数据处理装置或电子设备实现。
在上述示例运行环景中,个人11可以使用各种设备访问网络,例如个人计算机、服务器、平板、手机、笔记本电脑或其它任何具有联网功能的电子设备。而企业12、行业协会13、***平台14、各种数据源15-17可以利用上述电子设备,也可以利用具有更强大处理能力和更高安全性的一个服务器或服务器组来实现。而它们之间所使用的网络可以包括各种类型的有线和无线网络,例如但不局限于:互联网、局域网、WIFI(Wireless Fidelity,无线保真)、WLAN(Wireless Local Area Network,无线局域网)、蜂窝通信网络(CDMA(CodeDivision Multiple Access,码分多址)、2G/3G/4G/5G蜂窝网络)、卫星通信网络等等。
需要说明的是,上述示例运行环景仅用于示例,本发明实施例提供的数据处理方法还可以应用于其他的运行环景,不作为限定。
传统的行业专家根据专业经验对行业信息进行分析,得到行业研究数据,存在以下缺点:行业研究数据的生成效率低;由于行业专家的行业偏好、知识面受限等,导致行业研究数据具有主观性,准确性较差;行业专家局限于传统的关系数据库,如企业的日常经营数据,行业宏观数据等,利用结构化数据进行分析,数据较少导致准确性较差;行业专家分析得到的行业研究数据无法灵活复现、随时响应以及实时监控。
本发明实施例提供的数据处理工具,能够自动从数据源平台获取数据,并利用基于深度学***台不局限于关系数据库,还利用自然语言处理技术以及关系图谱技术,将关系图谱类型的数据加入到分析过程中,使得数据更为全面,进一步提高行业研究数据的准确性;能够实现灵活复现、随时响应以及实时监控。
图2为本发明一实施例提供的数据处理方法的流程示意图。本实施例以上述的电子设备为执行主体进行说明,但并不作为限定。如图2所示,该方法包括:
S201、获取目标行业的待评估项目对应的评估指标信息,其中,待评估项目对应于至少一项评估指标信息以及一个基于深度学习的评估模型。
本实施例中,目标行业为需要生成行业研究数据的行业,例如,目标行业可以为手机行业、家电行业、地产行业、保险行业等,在此不作限定。目标行业可以为由用户指定的,或者预先设置的。
目标行业可以对应于一个或多个待评估项目。待评估项目可以根据需求进行设定,在此不作限定。另外,待评估项目可以包括针对行业整体的评估项目,和/或针对行业中单个企业的评估项目,在此不作限定。例如,待评估项目可以包括但不限于下述至少一项:行业景气度、地区行业排名、地区行业优势、行业中企业的供应链上游风险评估、供应链下游风险评估、反垄断风险评估等。
评估指标信息用于对待评估项目进行评估。评估指标信息为按照评估指标所获取到的信息。评估指标信息与评估指标一一对应。评估指标可以包括针对行业整体的评估指标,和/或针对行业中单个企业的评估指标,在此不作限定。例如,评估指标可以包括但不限于下述至少一项:行业市场规模、行业市场增长率、行业技术更新速度、产品市场价格、应收账款、采购量、线上销量、线下销量、品牌市场占有率、用户对产品的评价变化趋势等。
每个待评估项目对应于一个或多个评估指标。一个待评估项目所对应的评估指标可以根据行业、待评估项目、企业的特性进行配置,或者通过数据分析得到,在此不作限定。可选地,可以由行业专家根据行业及待评估项目的特性为待评估项目配置相应的评估指标。例如,待评估项目为行业景气度,则评估指标可以包括行业市场规模、行业市场增长率、行业技术更新速度等。又如,待评估项目为行业中目标企业的供应链上游风险评估,则评估指标可以包括目标企业的各上游企业的应收账款、线上销量、线下销量等。
每个待评估项目对应于一个基于深度学习的评估模型。一个待评估项目所对应的评估模型可以为单个模型,也可以为多个模型组合而成,在此不作限定。评估模型的类型在此不作限定,例如图神经网络模型、卷积神经网络模型、逻辑回归模型等。
目标行业的待评估项目对应的评估指标信息可以由人工收集并输入到电子设备中,也可以由电子设备通过爬虫技术以及自然语言处理技术,按照目标行业、以及待评估项目对应的评估指标从一个或多个数据源平台爬取得到。
可选地,评估指标信息的类型包括结构化数据和/或关系图谱。S201可以包括:
通过爬虫模块从数据源平台爬取目标行业的源数据;
通过自然语言处理模型从源数据中提取结构化数据和/或关系图谱类型的评估指标信息。
本实施例中,爬虫模块用于通过爬虫技术从网络中的数据源平台自动爬取数据。数据源平台可以包括但不限于下述至少一项:网络平台、企业数据库、诉讼案件数据库网站。源数据可以包括但不限于下述至少一项:企业年报、产品介绍书、电商上的产品评论数据、招标书、行业新闻。结构化数据类型的评估指标信息可以包括但不限于下述至少一项:招投标数据、诉讼数据、产品市场价格、应收账款、企业经营财务数据。关系图谱类型的评估指标信息可以包括但不限于下述至少一项:供应链图谱、行业事件因果图谱、产业链图谱等。电子设备可以保存爬取得到结构化数据和/或关系图谱类型的评估指标信息。
例如,参照图3,电子设备可以通过爬虫技术,实时从网络平台、企业数据库、诉讼案件数据库网站等数据源平台爬取目标行业的源数据。对于结构化的源数据,可以在进行清洗后直接以结构化数据类型的评估指标信息保存到数据库中。对于非结构化的源数据,可以通过自然语言处理模型进行语义识别和信息提取后,转换为结构化数据类型的评估指标信息,和/或关系图谱类型的评估指标信息保存到数据库中。
本实施例中在采集评估指标信息时,可以采集结构化数据和/或关系图谱类型的评估指标信息。相对于传统的行业专家基于结构化数据进行行业分析,本实施例中加入关系图谱类型的评估指标信息,使得行业研究所依据的数据更为丰富,在自动高效地生成行业研究数据的基础上,能够进一步提高行业研究数据的准确性。
S202、根据评估模型和评估指标信息,确定待评估项目的评估结果。
本实施例中,可以将待评估项目的评估指标信息输入到待评估项目所对应的评估模型中,以得到评估模型输出的待评估项目的评估结果。以待评估项目为行业中目标企业的供应链上游风险评估为例,评估结果可以为目标企业的供应链上游风险等级或评分等。
S203、根据待评估项目的评估结果,生成目标行业的行业研究数据。
本实施例中,行业研究数据可以包括一项或多项待评估项目的评估结果,在此不作限定。行业研究数据的展示形式可以包括但不限于下述至少一种:数据表形式、文本形式、图形形式等。例如,行业研究数据可以为行业研究报表。
可选地,行业研究数据可以具有预置的展示模板。电子设备可以将待评估项目的评估结果填入展示模板中的相应位置,以得到行业研究数据。
可选地,上述方法还可以包括:
定期向目标终端设备推送目标行业的行业研究数据;和/或,
在接收到目标终端设备发送的查询请求后,向目标终端设备推送目标行业的行业研究数据。
本实施例中,电子设备可以定期执行S201至203的步骤以生成一次目标行业的行业研究数据,并将目标行业的行业研究数据发送给目标终端设备,其中目标终端设备可以包括企业、个人等主体的终端设备。例如,电子设备每隔一个月生成一次目标行业的行业研究数据,推送给目标终端设备,以便目标终端设备显示目标行业的行业研究数据,以使主体了解行业的最新情况。电子设备也可以在接收到来自目标终端设备的查询请求后,将行业研究数据发送给该目标终端设备,其中,该行业研究数据可以是电子设备预先生成的,或者在接收到查询请求后生成的。查询请求可以包括目标行业的行业标识,例如行业标识可以为行业名称、行业代码等。
本实施例中,获取目标行业的待评估项目对应的评估指标信息,其中,待评估项目对应于至少一项评估指标信息以及一个基于深度学习的评估模型;根据评估模型和评估指标信息,确定待评估项目的评估结果;根据待评估项目的评估结果,生成目标行业的行业研究数据。针对待评估项目,利用其所对应的评估指标信息以及基于深度学习的评估模型,能够自动得到待评估项目的评估结果,进而根据待评估项目的评估结果自动生成目标行业的行业研究数据。
可选地,在图2所示实施例的基础上,每项评估指标信息对应于一个权重值。该方法还可以包括:
获取目标行业的多个历史评估项目的历史评估结果,以及各历史评估项目对应的多项候选评估指标的历史信息;
根据多个历史评估项目的历史评估结果,各历史评估项目对应的多项候选评估指标的历史信息以及相关性分析算法,确定各候选评估指标与评估结果的相关度;
将相关度大于预设相关度阈值的候选评估指标,确定为待评估项目对应的评估指标,并根据各评估指标对应的相关度,确定待评估项目对应的各评估指标的权重值;评估指标信息为评估指标对应的数据。
相应的,S202可以包括:
将各评估指标信息以及相应的权重值输入评估模型,以得到评估模型输出的待评估项目的评估结果。
本实施例中,权重值表征各评估指标对待评估项目的影响程度。影响程度越大,则权重值越大。历史评估项目与待评估项目为同一类项目。历史评估项目以及候选评估指标在此不作限定。以历史评估评估项目为行业景气度为例,则候选评估指标可以包括行业市场规模、行业市场增长率、行业技术更新速度等,相应的,候选评估指标的历史信息即为历史数据中的行业市场规模的数值、行业市场增长率的数值、行业技术更新速度的数值。历史评估结果即为根据上述历史信息所评估得到的历史评估项目的评估结果。
相关性分析算法可以根据实际需求确定,在此不作限定,例如,可以为基于余弦相似度(Cosine Similarity)的相关性分析算法、基于皮尔森相关系数(PearsonCorrelation Coefficient)的相关性分析算法等。以基于皮尔森相关系数(PearsonCorrelation Coefficient)的相关性分析算法为例,确定各候选评估指标与评估结果的相关度的过程如下:针对每个候选评估指标,将各历史评估项目对应的该候选评估指标的历史信息组成一组参考向量,将各历史评估项目对应的历史评估结果构成一组比对向量,计算该参考向量与该比对向量之间的皮尔森相关系数的值,作为该参考向量与该比对向量之间的相关度,该相关度即为该候选评估指标与历史评估项目的相关度。
预设相关度阈值可以根据实际需求设定,在此不作限定,例如,可以为0.5,0.6等。将相关度大于预设相关度阈值的候选评估指标,确定为待评估项目对应的评估指标,从而筛选出与待评估项目相关性强的评估指标。根据各评估指标对应的相关度,确定待评估项目对应的各评估指标的权重值,使得评估指标与待评估项目的相关度越大,则其权重值越大,即相关度与权重值呈正相关关系。
另外,权重值也可以由行业专家配置初始值,作为冷启动权重值。在评估模型使用后,可以根据评估模型的评估结果以及行业的真实数据,利用优化算法或优化模型对权重值进行优化。优化过程中,每个权重值配置一个相应的取值范围,作为优化的约束条件之一。通过取值范围使得权重值的优化结果不会超过相应的取值范围,从而防止优化过度。
本实施例中通过相关性分析筛选出与待评估项目相关度高的评估指标对待评估项目进行评估,并且根据各评估指标相应的相关度,确定各评估指标权重,将待评估模型的各评估指标信息以及权重值作为评估模型的输入,通过相关性分析将待评估项目相关度高的评估指标以及权重值参与到对待评估项目的评估过程,可以提高评估结果的准确性,进而提高行业研究数据的准确性。
图4为本发明又一实施例提供的数据处理方法的流程示意图。在上述任一实施例的基础上,本实施例对企业的供应链上游风险评估项目进行评估的具体实现过程进行了详细说明。如图3所示,该方法包括:
S401、获取目标行业的待评估项目对应的评估指标信息,其中,待评估项目对应于至少一项评估指标信息以及一个基于深度学习的评估模型。待评估项目包括目标企业的供应链上游风险评估项目;评估模型包括风险评估模型。
本实施例中,目标行业的待评估项目可以包括但不限于目标企业的供应链上游风险评估项目。其中,目标企业为目标行业中的一个或多个企业,在此不作限定。
其中,目标企业的供应链上游风险评估项目所对应的评估模型为风险评估模型。风险评估模型用于评估目标企业的供应链上游风险。风险评估模型的类型在此不作限定,例如图神经网络模型、卷积神经网络模型、逻辑回归模型等。目标企业的供应链上游风险评估项目所对应的评估指标信息包括目标企业的各上游企业的各评估指标信息。上游企业是指,为目标企业供应生产材料的企业。
S402、将目标企业的各上游企业的各评估指标信息以及相应的权重,输入到风险评估模型,以得到风险评估模型输出的目标企业的供应链上游风险评估结果。
本实施例中,目标企业的供应链上游风险评估结果可以包括但不限于下述至少一项:目标企业的供应链上游风险等级或评分、目标企业的各上游企业的经营风险等级或评分,以及经营风险原因等。
以风险评估模型为图神经网络为例,可以将目标企业的供应链图谱作为图神经网络的输入。其中供应链图谱中每个节点属性信息可以包括但不限于各评估指标信息和相应的权重中的至少一项。
以目标企业为手机生产企业为例,其上游企业包括一个或多个芯片制造企业。芯片制造企业为手机生产企业供应手机芯片。评估指标信息可以包括芯片质量参数、销量、时长占用率、产品的评价变化趋势等。可以将该手机生产企业上游的各芯片制造企业的各评估指标信息及权重值输入风险评估模型,以得到各芯片制造企业的经营风险等级,以及该手机生产企业的供应链上游风险等级。
S403、根据目标企业的供应链上游风险评估结果,生成目标行业的行业研究数据。
本实施例中,行业研究数据中除了目标企业的供应链上游风险评估结果,还可以包括其他待评估项目的评估结果,在此不作限定。
本实施例通过目标企业的各上游企业的各评估指标信息以及相应的权重作为风险评估模型的输入,能够自动准确地实现对目标企业的供应链上游风险的评估,提高企业供应链上游风险评估的效率和准确性。
可选地,在图4所示实施例的基础上,本实施例还可以根据历史风险企业的各上游企业的评估指标历史信息对风险评估模型进行训练。该方法还可以包括:
获取历史风险企业的各上游企业的评估指标历史信息,其中,历史风险企业为目标预设历史时段内发生供应链上游风险的企业;
根据评估指标历史信息生成目标训练集;
根据目标训练集对风险评估模型进行训练。
本实施例中,目标预设历史时段可以根据需求进行设定,在此不作限定,例如,可以为截止到当前时间的历史六个月内,或者由预设起始历史时刻和预设截止历史时刻所确定的历史时段等。可以根据行业事件数据,确定目标预设历史时段内发生供应链上游风险的企业,作为历史风险企业。将每个历史风险企业的各上游企业的评估指标历史信息,以及发生供应链上游风险的风险等级作为一个样本,构建目标训练集。
本实施例通过历史风险企业的各上游企业的评估指标历史信息构建目标训练集,并对风险评估模型进行训练,能够提高风险评估模型的评估准确性。
可选地,在图4所示实施例的基础上,本实施例还可以向供应链上游风险程度超过预设上游风险阈值的企业进行预警。该方法还可以包括:
在目标企业的供应链上游风险评估结果表征目标企业的供应链上游风险程度超过预设上游风险阈值时,向目标企业对应的终端设备推送预警消息。
本实施例中,供应链上游风险程度可以由供应链上游风险等级或评分等来表示。目标企业的供应链上游风险评估结果可以包括但不限于目标企业的供应链上游风险等级或评分。在目标企业的供应链上游风险等级超过预设等级阈值,或者,目标企业的供应链上游风险评分超过预设分值阈值时,确定目标企业的供应链上游风险程度超过预设上游风险阈值。供应链上游风险程度超过预设上游风险阈值,表明目标企业存在供应链上游风险,供应链上游可能会断供,影响目标企业的生产。预警消息可以包括但不限于下述至少一项:目标企业的供应链上游风险评估结果、预设上游风险阈值、风险原因、风险发生的概率。
可选地,预警消息也可以添加到行业研究数据中,以使目标企业可以从行业研究数据中获取预警消息。
本实施例通过在目标企业的供应链上游风险程度超过预设上游风险阈值时,向目标企业对应的终端设备推送预警消息,能够使目标企业及时获知该供应链上游风险,及时采取相应措施以减少损失。
图5为本发明另一实施例提供的数据处理方法的流程示意图。本实施例中还可以根据评估结果为企业推荐潜在供应商和/或潜在客户。如图5所示,该方法包括:
S501、获取目标行业的待评估项目对应的评估指标信息,其中,待评估项目对应于至少一项评估指标信息以及一个基于深度学习的评估模型。待评估项目包括目标企业的供应链上游风险评估项目,和/或供应链下游风险评估项目。
S502、根据评估模型和评估指标信息,确定待评估项目的评估结果。
S503、根据待评估项目的评估结果,生成目标行业的行业研究数据。
S504、在目标企业的供应链上游风险评估结果表征目标企业的供应链上游风险程度超过预设上游风险阈值时,获取多个第一候选企业的至少一项第一推荐指标信息;根据基于深度学习的供应商推荐模型和第一推荐指标信息,从多个第一候选企业中,确定目标企业的潜在供应商;向目标企业对应的终端设备推送第一推荐消息,第一推荐消息中包括潜在供应商的标识;
和/或,
在目标企业的供应链下游风险评估结果表征目标企业的供应链下游风险程度超过预设下游风险阈值时,获取多个第二候选企业的至少一项第二推荐指标信息;根据基于深度学习的客户推荐模型和第二推荐指标信息,从多个第二候选企业中,确定目标企业的潜在客户;向目标企业对应的终端设备推送第二推荐消息,第二推荐消息中包括潜在客户的标识。
本实施例中,待评估项目可以包括但不限于下述至少一项:目标企业的供应链上游风险评估项目、目标企业的供应链下游风险评估项目。
在待评估项目包括目标企业的供应链上游风险评估项目时,相应的,行业研究数据中包括目标企业的供应链上游风险评估结果。在目标企业的供应链上游风险评估结果表征目标企业的供应链上游风险程度超过预设上游风险阈值时,可以通过供应商推荐模型为目标企业推荐潜在供应商,以便目标企业在需要时从潜在供应商中新增供应商,以降低供应链上游风险。其中,供应商推荐模型的类型在此不作限定,例如图神经网络模型、卷积神经网络模型、逻辑回归模型等。
具体地,可以将多个第一候选企业的各第一推荐指标信息作为供应商推荐模型的输入,或者将多个第一候选企业的各第一推荐指标信息以及相应的权重值作为供应商推荐模型的输入,以得到供应商推荐模型输出的目标企业的潜在供应商。其中,第一候选企业所生成的产品中包括但不限于目标企业所需供应的产品。以目标企业为手机生产企业为例,假设其上游的芯片供应存在风险,可以选取多个芯片企业作为第一候选企业。第一推荐指标信息可以包括芯片工艺参数、芯片的产量、芯片的使用评价等。
在确定目标企业的潜在供应商后,电子设备可以向目标企业对应的终端设备推送第一推荐消息,以便该终端设备显示该第一推荐消息。第一推荐消息中可以包括潜在供应商的标识,从而使得目标企业通过标识获知潜在供应商。其中,潜在供应商的标识可以包括但不限于下述至少一项:潜在供应商的企业名称、企业代码等。可选地,第一推荐消息中还可以包括潜在供应商的简介信息、财务数据、产品数据等。
在待评估项目包括目标企业的供应链下游风险评估项目时,相应的,行业研究数据中包括目标企业的供应链下游风险评估结果。在目标企业的供应链下游风险评估结果表征目标企业的供应链下游风险程度超过预设下游风险阈值时,可以通过客户推荐模型为目标企业推荐潜在客户,以便目标企业在需要时从潜在客户中新增客户,以降低供应链下游风险。其中,客户推荐模型的类型在此不作限定,例如图神经网络模型、卷积神经网络模型、逻辑回归模型等。
具体地,可以将多个第二候选企业的各第二推荐指标信息作为客户推荐模型的输入,或者将多个第二候选企业的各第二推荐指标信息以及相应的权重值作为客户推荐模型的输入,以得到客户推荐模型输出的目标企业的潜在客户。其中,第二候选企业所需供应的产品中包括但不限于目标企业所生产的产品。以目标企业为芯片生产企业为例,假设其下游的手机生产企业存在风险,可以选取多个手机生产企业作为第二候选企业。第二推荐指标信息可以包括采购量、手机的品牌市场占有率、线上销量、线下销量、用户对手机的评价变化趋势等。
在确定目标企业的潜在客户后,电子设备可以向目标企业对应的终端设备推送第二推荐消息,以便该终端设备显示该第二推荐消息。第二推荐消息中可以包括潜在客户的标识,从而使得目标企业通过标识获知潜在客户。其中,潜在客户的标识可以包括但不限于下述至少一项:潜在客户的企业名称、企业代码等。可选地,第二推荐消息中还可以包括潜在客户的简介信息、财务数据、产品数据等。
可选地,电子设备确定出目标企业的潜在供应商和/或潜在客户后,也可以将目标企业的潜在供应商和/或潜在客户添加到目标行业的行业研究数据中,使得目标企业或目标行业内的其他企业通过行业研究数据获知目标企业的潜在供应商和/或潜在客户。
本实施例通过在目标企业的供应链上游风险程度超过预设上游风险阈值时,利用供应商推荐模型和多个第一候选企业的各第一推荐指标信息为目标企业推荐潜在供应商,能够实现对潜在供应商的自动推荐,以便使目标企业可以从潜在供应商中选择新增的供应商,降低供应链上游风险。通过在目标企业的供应链下游风险程度超过预设下游风险阈值时,利用客户推荐模型和多个第二候选企业的各第二推荐指标信息为目标企业推荐潜在客户,能够实现对潜在客户的自动推荐,以便使目标企业可以从潜在客户中选择新增的客户,降低供应链下游风险。
可选地,在图5所示实施例的基础上,该方法还可以包括:
根据第一预设历史时段内供应商推荐模型确定的目标企业的潜在供应商数据,以及目标企业的新增供应商数据,构建第一训练集和第一测试集;根据第一训练集和第一测试集对供应商推荐模型进行优化和评估;
和/或,
根据第二预设历史时段内客户推荐模型确定的目标企业的潜在客户数据,以及目标企业的新增客户数据,构建第二训练集和第二测试集;根据第二训练集和第二测试集对客户推荐模型进行优化和评估。
本实施例中,第一预设历史时段和第二预设历史时段可以根据需求进行设定,在此不作限定,例如可以为截止到当前时间的历史一年内,或者由预设起始历史时刻和预设截止历史时刻所确定的历史时段等。
供应商推荐模型确定的目标企业的潜在供应商数据,可以包括但不限于潜在供应商的第一推荐指标信息。目标企业的新增供应商数据,可以包括但不限于新增供应商数据的第一推荐指标信息。第一训练集用于对供应商推荐模型进行训练,以优化供应商推荐模型的网络参数,提高供应商推荐模型的准确性。第一测试集用于对供应商推荐模型进行评估,以评估供应商推荐模型的准确性。
客户推荐模型确定的目标企业的客户数据,可以包括但不限于潜在客户的第一推荐指标信息。目标企业的新增供应商数据,可以包括但不限于新增客户数据的第一推荐指标信息。第二训练集用于对客户推荐模型进行训练,以优化客户推荐模型的网络参数,提高客户推荐模型的准确性。第一测试集用于对客户推荐模型进行评估,以评估客户推荐模型的准确性。
本实施例通过将第一预设历史时段内供应商推荐模型确定的目标企业的潜在供应商数据,以及目标企业的新增供应商数据,构建第一训练集和第一测试集,能够利用对目标企业历史推荐的潜在供应商和真实建立供应关系的供应商,对供应商推荐模型进行优化和评估,进而提高供应商推荐模型的准确性;通过将第二预设历史时段内客户推荐模型确定的目标企业的潜在客户数据,以及目标企业的新增客户数据,构建第二训练集和第二测试集,能够利用对目标企业历史推荐的潜在客户和真实建立供应关系的客户,对客户推荐模型进行优化和评估,进而提高客户推荐模型的准确性。
图6为本发明一实施例提供的数据处理***的架构示意图。该数据处理***包括数据采集服务器61和评估服务器62。
数据采集服务器61,用于获取目标行业的待评估项目对应的评估指标信息,将评估指标信息发送至评估服务器62;其中,待评估项目对应于至少一项评估指标信息以及一个基于深度学习的评估模型;评估模型存储于评估服务器62。
评估服务器62,用于根据评估模型和评估指标信息,确定待评估项目的评估结果;并根据待评估项目的评估结果,生成目标行业的行业研究数据。
本实施例中,数据采集服务器获取目标行业的待评估项目对应的评估指标信息,其中,待评估项目对应于至少一项评估指标信息以及一个基于深度学习的评估模型;评估服务器根据评估模型和评估指标信息,确定待评估项目的评估结果;根据待评估项目的评估结果,生成目标行业的行业研究数据。针对待评估项目,利用其所对应的评估指标信息以及基于深度学习的评估模型,能够自动得到待评估项目的评估结果,进而根据待评估项目的评估结果自动生成目标行业的行业研究数据。
图7为本发明又一实施例提供的数据处理***的架构示意图。在图6所示实施例的基础上,该数据处理***还可以包括但不限于预分析服务器63、训练服务器64、终端设备65中的一项或多项。
可选地,每项评估指标信息对应于一个权重值。
数据采集服务器61,还用于获取目标行业的多个历史评估项目的历史评估结果,以及各历史评估项目对应的多项候选评估指标的历史信息,将多个历史评估项目的历史评估结果,以及各历史评估项目对应的多项候选评估指标的历史信息发送至预分析服务器63。
预分析服务器63,用于根据多个历史评估项目的历史评估结果,各历史评估项目对应的多项候选评估指标的历史信息以及相关性分析算法,确定各候选评估指标与评估结果的相关度;将相关度大于预设相关度阈值的候选评估指标,确定为待评估项目对应的评估指标,并根据各评估指标对应的相关度,确定待评估项目对应的各评估指标的权重值;并将待评估项目对应的评估指标发送至数据采集服务器61,将各评估指标的权重值发送至评估服务器62;评估指标信息为评估指标对应的数据。
数据采集服务器61,用于根据待评估项目对应的评估指标,获取目标行业的待评估项目对应的评估指标信息。
评估服务器62,用于将各评估指标信息以及相应的权重值输入评估模型,以得到评估模型输出的待评估项目的评估结果。
可选地,待评估项目包括目标企业的供应链上游风险评估项目;评估模型包括风险评估模型;
数据采集服务器61,还用于获取历史风险企业的各上游企业的评估指标历史信息,将各上游企业的评估指标历史信息发送至训练服务器64;其中,历史风险企业为目标预设历史时段内发生供应链上游风险的企业。
训练服务器64,用于根据评估指标历史信息生成目标训练集;根据目标训练集对风险评估模型进行训练,并将训练后的风险评估模型发送至评估服务器62,以更新评估服务器62中的风险评估模型。
评估服务器62,用于将目标企业的各上游企业的各评估指标信息以及相应的权重,输入到风险评估模型,以得到风险评估模型输出的目标企业的供应链上游风险评估结果。
可选地,评估服务器62,还用于:
在目标企业的供应链上游风险评估结果表征目标企业的供应链上游风险程度超过预设上游风险阈值时,向目标企业对应的终端设备65推送预警消息。
可选地,待评估项目包括目标企业的供应链上游风险评估项目,和/或供应链下游风险评估项目;
在目标企业的供应链上游风险评估结果表征目标企业的供应链上游风险程度超过预设上游风险阈值时,数据采集服务器61,还用于获取多个第一候选企业的至少一项第一推荐指标信息,将第一推荐指标信息发送至评估服务器62;评估服务器62,还用于根据基于深度学习的供应商推荐模型和第一推荐指标信息,从多个第一候选企业中,确定目标企业的潜在供应商;并向目标企业对应的终端设备65推送第一推荐消息,第一推荐消息中包括潜在供应商的标识;
和/或,
在目标企业的供应链下游风险评估结果表征目标企业的供应链下游风险程度超过预设下游风险阈值时,数据采集服务器61,还用于获取多个第二候选企业的至少一项第二推荐指标信息;将第二推荐指标信息发送至评估服务器62;评估服务器62,还用于根据基于深度学习的客户推荐模型和第二推荐指标信息,从多个第二候选企业中,确定目标企业的潜在客户;并向目标企业对应的终端设备65推送第二推荐消息,第二推荐消息中包括潜在客户的标识。
可选地,训练服务器64,用于:
根据第一预设历史时段内供应商推荐模型确定的目标企业的潜在供应商数据,以及目标企业的新增供应商数据,构建第一训练集和第一测试集;并根据第一训练集和第一测试集对供应商推荐模型进行优化和评估;
和/或,
根据第二预设历史时段内客户推荐模型确定的目标企业的潜在客户数据,以及目标企业的新增客户数据,构建第二训练集和第二测试集;并根据第二训练集和第二测试集对客户推荐模型进行优化和评估。
可选地,评估指标信息的类型包括结构化数据和/或关系图谱数据;
数据采集服务器61,用于:
通过爬虫模块从数据源平台爬取目标行业的源数据;
通过自然语言处理模型从源数据中提取结构化数据和/或关系图谱类型的评估指标信息。
可选地,评估服务器62,还用于:
定期向目标终端设备推送目标行业的行业研究数据;和/或,
在接收到目标终端设备发送的查询请求后,向目标终端设备推送目标行业的行业研究数据。
本实施例提供的数据处理***,与上述的方法实施例的实现原理和技术效果类似,本实施例此处不再赘述。
图8为本发明一实施例提供的数据处理装置的结构示意图。如图8所示,该数据处理装置80包括:数据采集模块801、处理模块802和生成模块803。
数据采集模块801,用于获取目标行业的待评估项目对应的评估指标信息,其中,待评估项目对应于至少一项评估指标信息以及一个基于深度学习的评估模型;
处理模块802,用于根据评估模型和评估指标信息,确定待评估项目的评估结果;
生成模块803,用于根据待评估项目的评估结果,生成目标行业的行业研究数据。
本实施例获取目标行业的待评估项目对应的评估指标信息,其中,待评估项目对应于至少一项评估指标信息以及一个基于深度学习的评估模型;根据评估模型和评估指标信息,确定待评估项目的评估结果;根据待评估项目的评估结果,生成目标行业的行业研究数据。针对待评估项目,利用其所对应的评估指标信息以及基于深度学习的评估模型,能够自动得到待评估项目的评估结果,进而根据待评估项目的评估结果自动生成目标行业的行业研究数据。
可选地,每项评估指标信息对应于一个权重值;
数据采集模块801,还用于获取目标行业的多个历史评估项目的历史评估结果,以及各历史评估项目对应的多项候选评估指标的历史信息。
处理模块802,还用于根据多个历史评估项目的历史评估结果,各历史评估项目对应的多项候选评估指标的历史信息以及相关性分析算法,确定各候选评估指标与评估结果的相关度;将相关度大于预设相关度阈值的候选评估指标,确定为待评估项目对应的评估指标,并根据各评估指标对应的相关度,确定待评估项目对应的各评估指标的权重值;评估指标信息为评估指标对应的数据;
处理模块802,用于:将各评估指标信息以及相应的权重值输入评估模型,以得到评估模型输出的待评估项目的评估结果。
可选地,待评估项目包括目标企业的供应链上游风险评估项目;评估模型包括风险评估模型;
数据采集模块801,还用于获取历史风险企业的各上游企业的评估指标历史信息,其中,历史风险企业为目标预设历史时段内发生供应链上游风险的企业。
处理模块802,还用于:根据评估指标历史信息生成目标训练集;根据目标训练集对风险评估模型进行训练。
处理模块802,用于:将目标企业的各上游企业的各评估指标信息以及相应的权重,输入到风险评估模型,以得到风险评估模型输出的目标企业的供应链上游风险评估结果。
可选地,该装置还包括:
预警模块,用于在目标企业的供应链上游风险评估结果表征目标企业的供应链上游风险程度超过预设上游风险阈值时,向目标企业对应的终端设备推送预警消息。
可选地,待评估项目包括目标企业的供应链上游风险评估项目,和/或供应链下游风险评估项目;
该装置还包括:
推荐模块,用于在目标企业的供应链上游风险评估结果表征目标企业的供应链上游风险程度超过预设上游风险阈值时,获取多个第一候选企业的至少一项第一推荐指标信息;根据基于深度学习的供应商推荐模型和第一推荐指标信息,从多个第一候选企业中,确定目标企业的潜在供应商向目标企业对应的终端设备推送第一推荐消息,第一推荐消息中包括潜在供应商的标识;
和/或,
在目标企业的供应链下游风险评估结果表征目标企业的供应链下游风险程度超过预设下游风险阈值时,获取多个第二候选企业的至少一项第二推荐指标信息;根据基于深度学习的客户推荐模型和第二推荐指标信息,从多个第二候选企业中,确定目标企业的潜在客户;向目标企业对应的终端设备推送第二推荐消息,第二推荐消息中包括潜在客户的标识。
可选地,推荐模块,还用于:
根据第一预设历史时段内供应商推荐模型确定的目标企业的潜在供应商数据,以及目标企业的新增供应商数据,构建第一训练集和第一测试集;根据第一训练集和第一测试集对供应商推荐模型进行优化和评估;
和/或,
根据第二预设历史时段内客户推荐模型确定的目标企业的潜在客户数据,以及目标企业的新增客户数据,构建第二训练集和第二测试集;根据第二训练集和第二测试集对客户推荐模型进行优化和评估。
可选地,评估指标信息的类型包括结构化数据和/或关系图谱数据;
数据采集模块801,用于:
通过爬虫模块从数据源平台爬取目标行业的源数据;
通过自然语言处理模型从源数据中提取结构化数据和/或关系图谱类型的评估指标信息。
可选地,该装置还包括:
推送模块,用于定期向目标终端设备推送目标行业的行业研究数据;和/或,
在接收到目标终端设备发送的查询请求后,向目标终端设备推送目标行业的行业研究数据。
本实施例提供的数据处理装置,可用于执行上述的方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
图9为本发明一实施例提供的电子设备的硬件结构示意图。如图9所示,本实施例提供的电子设备90包括:处理器901、存储器902以及存储在存储器902上并可在处理器901上运行的数据处理程序。该电子设备90还包括通信部件903。其中,处理器901、存储器902以及通信部件903通过总线904连接。
在具体实现过程中,数据处理程序被处理器901执行时实现如上的数据处理方法的步骤。
处理器901的具体实现过程可参见上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
在上述的图8所示的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated 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。结合申请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。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,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,本发明实施例附图中的总线并不限定仅有一根总线或一种类型的总线。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有数据处理程序,所述数据处理程序被处理器执行时实现如上的数据处理方法。
上述可读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。可读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。
一种示例性的可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。当然,处理器和可读存储介质也可以作为分立组件存在于设备中。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (11)
1.一种数据处理方法,其特征在于,包括:
获取目标行业的待评估项目对应的评估指标信息,其中,所述待评估项目对应于至少一项评估指标信息以及一个基于深度学习的评估模型;
根据所述评估模型和所述评估指标信息,确定所述待评估项目的评估结果;
根据所述待评估项目的评估结果,生成所述目标行业的行业研究数据。
2.根据权利要求1所述的方法,其特征在于,每项评估指标信息对应于一个权重值;所述方法还包括:
获取所述目标行业的多个历史评估项目的历史评估结果,以及各历史评估项目对应的多项候选评估指标的历史信息;
根据所述多个历史评估项目的历史评估结果,各历史评估项目对应的多项候选评估指标的历史信息以及相关性分析算法,确定各候选评估指标与评估结果的相关度;
将相关度大于预设相关度阈值的候选评估指标,确定为所述待评估项目对应的评估指标,并根据各评估指标对应的相关度,确定所述待评估项目对应的各评估指标的权重值;所述评估指标信息为所述评估指标对应的数据;
所述根据所述评估模型和所述评估指标信息,确定所述待评估项目的评估结果,包括:
将各评估指标信息以及相应的权重值输入所述评估模型,以得到所述评估模型输出的所述待评估项目的评估结果。
3.根据权利要求2所述的方法,其特征在于,所述待评估项目包括目标企业的供应链上游风险评估项目;所述评估模型包括风险评估模型;所述方法还包括:
获取历史风险企业的各上游企业的评估指标历史信息,其中,历史风险企业为目标预设历史时段内发生供应链上游风险的企业;
根据所述评估指标历史信息生成目标训练集;
根据所述目标训练集对所述风险评估模型进行训练;
所述将各评估指标信息及其相应的权重值输入所述评估模型,以得到所述评估模型输出的所述待评估项目的评估结果,包括:
将所述目标企业的各上游企业的各评估指标信息以及相应的权重,输入到所述风险评估模型,以得到所述风险评估模型输出的所述目标企业的供应链上游风险评估结果。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
在所述目标企业的供应链上游风险评估结果表征所述目标企业的供应链上游风险程度超过预设上游风险阈值时,向所述目标企业对应的终端设备推送预警消息。
5.根据权利要求1所述的方法,其特征在于,所述待评估项目包括目标企业的供应链上游风险评估项目,和/或供应链下游风险评估项目;
所述方法还包括:
在所述目标企业的供应链上游风险评估结果表征所述目标企业的供应链上游风险程度超过预设上游风险阈值时,获取多个第一候选企业的至少一项第一推荐指标信息;根据基于深度学习的供应商推荐模型和所述第一推荐指标信息,从所述多个第一候选企业中,确定所述目标企业的潜在供应商;向所述目标企业对应的终端设备推送第一推荐消息,所述第一推荐消息中包括所述潜在供应商的标识;
和/或,
在所述目标企业的供应链下游风险评估结果表征所述目标企业的供应链下游风险程度超过预设下游风险阈值时,获取多个第二候选企业的至少一项第二推荐指标信息;根据基于深度学习的客户推荐模型和所述第二推荐指标信息,从所述多个第二候选企业中,确定所述目标企业的潜在客户;向所述目标企业对应的终端设备推送第二推荐消息,所述第二推荐消息中包括所述潜在客户的标识。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
根据第一预设历史时段内所述供应商推荐模型确定的所述目标企业的潜在供应商数据,以及所述目标企业的新增供应商数据,构建第一训练集和第一测试集;根据所述第一训练集和所述第一测试集对所述供应商推荐模型进行优化和评估;
和/或,
根据第二预设历史时段内所述客户推荐模型确定的所述目标企业的潜在客户数据,以及所述目标企业的新增客户数据,构建第二训练集和第二测试集;根据所述第二训练集和所述第二测试集对所述客户推荐模型进行优化和评估。
7.一种数据处理***,其特征在于,包括:数据采集服务器和评估服务器;
所述数据采集服务器,用于获取目标行业的待评估项目对应的评估指标信息,将所述评估指标信息发送至所述评估服务器;其中,所述待评估项目对应于至少一项评估指标信息以及一个基于深度学习的评估模型;所述评估模型存储于所述评估服务器;
所述评估服务器,用于根据所述评估模型和所述评估指标信息,确定所述待评估项目的评估结果;并根据所述待评估项目的评估结果,生成所述目标行业的行业研究数据。
8.根据权利要求7所述的***,其特征在于,每项评估指标信息对应于一个权重值;所述数据处理***还包括预分析服务器;
所述数据采集服务器,还用于获取所述目标行业的多个历史评估项目的历史评估结果,以及各历史评估项目对应的多项候选评估指标的历史信息,将所述多个历史评估项目的历史评估结果,以及各历史评估项目对应的多项候选评估指标的历史信息发送至所述预分析服务器;
所述预分析服务器,用于根据所述多个历史评估项目的历史评估结果,各历史评估项目对应的多项候选评估指标的历史信息以及相关性分析算法,确定各候选评估指标与评估结果的相关度;将相关度大于预设相关度阈值的候选评估指标,确定为所述待评估项目对应的评估指标,并根据各评估指标对应的相关度,确定所述待评估项目对应的各评估指标的权重值;并将所述待评估项目对应的评估指标发送至所述数据采集服务器,将各评估指标的权重值发送至所述评估服务器;所述评估指标信息为所述评估指标对应的数据;
所述数据采集服务器,用于根据所述待评估项目对应的评估指标,获取所述目标行业的待评估项目对应的评估指标信息;
所述评估服务器,用于将各评估指标信息以及相应的权重值输入所述评估模型,以得到所述评估模型输出的所述待评估项目的评估结果。
9.一种数据处理装置,其特征在于,包括:
数据采集模块,用于获取目标行业的待评估项目对应的评估指标信息,其中,所述待评估项目对应于至少一项评估指标信息以及一个基于深度学习的评估模型;
处理模块,用于根据所述评估模型和所述评估指标信息,确定所述待评估项目的评估结果;
生成模块,用于根据所述待评估项目的评估结果,生成所述目标行业的行业研究数据。
10.一种电子设备,其特征在于,所述电子设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数据处理程序,所述数据处理程序被所述处理器执行时实现如权利要求1-6中任一项所述的数据处理方法的步骤。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有数据处理程序,所述数据处理程序被处理器执行时实现如权利要求1-6中任一项所述的数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011096201.8A CN112231533A (zh) | 2020-10-14 | 2020-10-14 | 数据处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011096201.8A CN112231533A (zh) | 2020-10-14 | 2020-10-14 | 数据处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112231533A true CN112231533A (zh) | 2021-01-15 |
Family
ID=74112781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011096201.8A Pending CN112231533A (zh) | 2020-10-14 | 2020-10-14 | 数据处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112231533A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907096A (zh) * | 2021-03-08 | 2021-06-04 | 江苏维诗环境科技有限公司 | 一种重金属污染风险评估*** |
CN112988914A (zh) * | 2021-05-18 | 2021-06-18 | 常州纺织服装职业技术学院 | 一种基于区块链的纺织检测方法、装置和网络侧服务端 |
CN112990697A (zh) * | 2021-03-12 | 2021-06-18 | 福建万川信息科技股份有限公司 | 一种基于深度学习的招投标风险值计算***及方法 |
CN115063156A (zh) * | 2022-06-28 | 2022-09-16 | 支付宝(杭州)信息技术有限公司 | 一种风险的处理方法、装置及设备 |
CN115423578A (zh) * | 2022-09-01 | 2022-12-02 | 广东博成网络科技有限公司 | 基于微服务容器化云平台的招投标方法和*** |
CN115953032A (zh) * | 2023-03-10 | 2023-04-11 | 山东柏源技术有限公司 | 一种基于数据分析的企业项目执行风险评估*** |
CN116228028A (zh) * | 2023-03-13 | 2023-06-06 | 平湖新仕鑫新材料股份有限公司 | 一种塑料箱包的应用性能评估方法及*** |
-
2020
- 2020-10-14 CN CN202011096201.8A patent/CN112231533A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907096A (zh) * | 2021-03-08 | 2021-06-04 | 江苏维诗环境科技有限公司 | 一种重金属污染风险评估*** |
CN112990697A (zh) * | 2021-03-12 | 2021-06-18 | 福建万川信息科技股份有限公司 | 一种基于深度学习的招投标风险值计算***及方法 |
CN112988914A (zh) * | 2021-05-18 | 2021-06-18 | 常州纺织服装职业技术学院 | 一种基于区块链的纺织检测方法、装置和网络侧服务端 |
CN115063156A (zh) * | 2022-06-28 | 2022-09-16 | 支付宝(杭州)信息技术有限公司 | 一种风险的处理方法、装置及设备 |
CN115423578A (zh) * | 2022-09-01 | 2022-12-02 | 广东博成网络科技有限公司 | 基于微服务容器化云平台的招投标方法和*** |
CN115423578B (zh) * | 2022-09-01 | 2023-12-05 | 广东博成网络科技有限公司 | 基于微服务容器化云平台的招投标方法和*** |
CN115953032A (zh) * | 2023-03-10 | 2023-04-11 | 山东柏源技术有限公司 | 一种基于数据分析的企业项目执行风险评估*** |
CN116228028A (zh) * | 2023-03-13 | 2023-06-06 | 平湖新仕鑫新材料股份有限公司 | 一种塑料箱包的应用性能评估方法及*** |
CN116228028B (zh) * | 2023-03-13 | 2023-12-19 | 平湖新仕鑫新材料股份有限公司 | 一种塑料箱包的应用性能评估方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112231533A (zh) | 数据处理方法、装置、设备及存储介质 | |
JP5960887B1 (ja) | 算出装置、算出方法及び算出プログラム | |
US10108919B2 (en) | Multi-variable assessment systems and methods that evaluate and predict entrepreneurial behavior | |
CN111160992A (zh) | 一种基于用户画像体系的营销*** | |
JP5847915B1 (ja) | 評価装置、評価方法及び評価プログラム | |
JP5852218B1 (ja) | 生成装置、生成方法及び生成プログラム | |
EP2416289A1 (en) | System for measuring variables from data captured from internet applications | |
EP2960849A1 (en) | Method and system for recommending an item to a user | |
US8626604B1 (en) | Aggregating product endorsement information | |
TW201327233A (zh) | 個性化的資訊推送方法及裝置 | |
CN109684364B (zh) | 基于用户画像的问题处理方法、装置、设备和存储介质 | |
US20150142513A1 (en) | Just-in-time guaranteed advertisement supply forecasting system and method | |
CN111708682B (zh) | 数据预测方法、装置、设备及存储介质 | |
CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
CN115423578B (zh) | 基于微服务容器化云平台的招投标方法和*** | |
CN111680213A (zh) | 信息推荐方法、数据处理方法及装置 | |
JP6329284B2 (ja) | 生成装置、生成方法及び生成プログラム | |
JP6297534B2 (ja) | 生成装置、生成方法及び生成プログラム | |
CN110209944B (zh) | 一种股票分析师推荐方法、装置、计算机设备和存储介质 | |
CN117312657A (zh) | 金融应用的异常功能定位方法、装置、计算机设备和介质 | |
CN117076770A (zh) | 基于图计算的数据推荐方法、装置、存储价值及电子设备 | |
US20200160359A1 (en) | User-experience development system | |
CN111460300B (zh) | 网络内容推送方法、装置及存储介质 | |
CN114756764A (zh) | 基于企业的内容信息流推荐方法、装置、电子设备及存储介质 | |
JP6152215B2 (ja) | 算出装置、算出方法及び算出プログラム |
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 |