CN113642867A - 评估风险的方法及*** - Google Patents
评估风险的方法及*** Download PDFInfo
- Publication number
- CN113642867A CN113642867A CN202110872254.2A CN202110872254A CN113642867A CN 113642867 A CN113642867 A CN 113642867A CN 202110872254 A CN202110872254 A CN 202110872254A CN 113642867 A CN113642867 A CN 113642867A
- Authority
- CN
- China
- Prior art keywords
- public opinion
- preset
- target
- enterprise
- target object
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013145 classification model Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims description 29
- 230000008451 emotion Effects 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 4
- 238000011158 quantitative evaluation Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 238000012502 risk assessment Methods 0.000 description 7
- 239000008267 milk Substances 0.000 description 5
- 235000013336 milk Nutrition 0.000 description 5
- 210000004080 milk Anatomy 0.000 description 5
- 241000209094 Oryza Species 0.000 description 4
- 235000007164 Oryza sativa Nutrition 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 235000009566 rice Nutrition 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 235000013365 dairy product Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
- 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
- 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
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了评估风险的方法及***,方法包括根据目标对象对应的关键词库,从预设舆情文本库中获取目标对象对应的生成时间处于预设时间范围内的目标舆情文本;利用经训练的分类模型,预测每一所述目标舆情文本对应的事件类别;根据预测得到的所述目标舆情文本对应的事件类别及所述目标舆情文本包括的预设负面热词,生成所述目标舆情文本对应的舆情风险评分;根据所述舆情风险评分及预设的第一风险预警阈值,确定是否发出所述目标对象对应的第一风险预警,提升了对文本关联的舆情的采集效率且实现了对舆情风险的定量评估、保障了舆情风险的识别准确性。
Description
技术领域
本发明涉及风险管理领域,特别涉及一种评估风险的方法和***。
背景技术
随着互联网技术的发展,网络中每天都会产生海量的舆情文本信息,其中包括了众多与企业风险状况相关的有价值信息。如何将这些信息汇集起来,并加以分析、产生与企业风险相关的指标数据已经成为非常值得研究的应用方向。
现有技术中,用于企业风险监控的舆情***有一部分针对全量企业进行全网采集,占用了大量资源,不但成本高昂,而且舆情信息利用率不高;还有一部分采用基于企业关注列表进行全名采集,这容易导致企业预警***的舆情信息过于集中,实际使用效果并不理想。同时,现有技术中还存在舆情文本与企业实体关联不准的问题,要么关联方法过于严格,导致舆情采集量不足覆盖面不够,要么关联方法过于模糊,导致采集的舆情关联不准,产生大量舆情噪声。
因此,亟需一种可提升舆情采集效率并可实现对风险进行定量评估的评估风险的方法,以解决现有技术的上述技术问题。
发明内容
为了解决现有技术的不足,本发明的主要目的在于提供一种风险识别的方法及***,以解决现有技术的上述技术问题。
为了达到上述目的,第一方面本发明提供了一种评估风险的方法,所述方法包括:
根据目标对象对应的关键词库,从预设舆情文本库中获取目标对象对应的生成时间处于预设时间范围内的目标舆情文本;
利用经训练的分类模型,预测每一所述目标舆情文本对应的事件类别;
根据预测得到的所述目标舆情文本对应的事件类别及所述目标舆情文本包括的预设负面热词,生成所述目标舆情文本对应的舆情风险评分;
根据所述舆情风险评分及预设的第一风险预警阈值,确定是否发出所述目标对象对应的第一风险预警。
在一些实施例中,所述方法还包括:
根据所述目标对象对应的所有所述舆情风险评分,生成所述目标对象对应的第一风险总评分并确定所述第一风险总评分对应的评分时间;
根据评分时间处于预设历史时间周期内的所述第一风险总评分及根据所述评分时间确定的时间衰减项,生成所述目标对象对应的第二风险总评分;
根据所述第二风险总评分及预设的第二风险预警阈值,确定是否发出所述目标对象对应的第二风险预警。
在一些实施例中,所述目标对象包括企业,所述根据目标对象对应的关键词库,从预设舆情文本库中获取目标对象对应的生成时间处于预设时间范围内的目标舆情文本之前,所述方法还包括:
从预设的企业关联图谱中查询所述目标对象对应的关联企业并获取所述关联企业及所述目标对象分别对应的企业信息;
对所述关联企业及所述目标对象分别对应的企业信息进行处理,生成所述目标对象及所述关联企业对应的关键词;
根据所述目标对象及所述关联企业对应的关键词,确定所述目标对象对应的关键词库。
在一些实施例中,所述从预设的企业关联图谱中查询所述目标对象对应的关联企业并获取所述关联企业及所述目标对象分别对应的企业信息之前,所述方法还包括:
根据企业工商数据库,生成每一企业对应的节点,所述节点包括节点属性及关联属性,所述节点属性包括所述企业对应的所述企业信息,所述关联属性用于查询所述企业对应的关联企业;
根据每一所述节点对应的关联属性,建立所述企业关联图谱。
在一些实施例中,所述企业信息包括企业全称,所述关键词包括企业简称,所述对所述关联企业及所述目标对象分别对应的企业信息进行处理,生成所述目标对象及所述关联企业对应的关键词,包括:
利用预设的正则表达式,识别所述企业全称中包含的简称字段;
根据预设的过滤规则对所述简称字段进行过滤,生成对应的企业简称。
在一些实施例中,所述根据目标对象对应的关键词库,从预设舆情文本库中获取目标对象对应的生成时间处于预设时间范围内的目标舆情文本,包括:
从预设舆情文本库中获取包含所述关键词库中的一个或多个关键词的舆情文本;
利用预设的情感分析模型,预测每一所述舆情文本对应的情感类别;
确定所述舆情文本中情感类别为负向的所述舆情文本为所述目标舆情文本。
在一些实施例中,所述根据预测得到的所述目标舆情文本对应的事件类别及所述目标舆情文本包括的预设负面热词,生成所述目标舆情文本对应的舆情风险评分,包括:
根据所述预设的影响因子与事件类别的对应关系,确定所述目标舆情文本对应的影响因子;
根据所述目标舆情文本中包括的预设负面热词的数量,确定所述目标舆情文本对应的热词风险值;
根据所述目标舆情文本对应的影响因子及所述热词风险值,确定所述目标舆情文本对应的舆情风险评分。
在一些实施例中,所述方法还包括训练所述分类模型,所述分类模型的训练过程包括:
根据预设的训练语料集,对所述分类模型进行训练;
根据预设的测试语料集,验证所述分类模型是否满足预设条件;
在所述分类模型满足预设的训练条件时,生成所述经训练的分类模型。
第二方面,本申请提供了一种评估风险***,所述***包括:
获取模块,用于根据目标对象对应的关键词库,从预设舆情文本库中获取目标对象对应的生成时间处于预设时间范围内的目标舆情文本;
预测模块,用于利用经训练的分类模型,预测每一所述目标舆情文本对应的事件类别;
生成模块,用于根据预测得到的所述目标舆情文本对应的事件类别及所述目标舆情文本包括的预设负面热词,生成所述目标舆情文本对应的舆情风险评分;
判断模块,用于根据所述舆情风险评分及预设的第一风险预警阈值,确定是否发出所述目标对象对应的第一风险预警。
第三方面,本申请提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
以及与所述一个或多个处理器关联的存储器,所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如下操作:
根据目标对象对应的关键词库,从预设舆情文本库中获取目标对象对应的生成时间处于预设时间范围内的目标舆情文本;
利用经训练的分类模型,预测每一所述目标舆情文本对应的事件类别;
根据预测得到的所述目标舆情文本对应的事件类别及所述目标舆情文本包括的预设负面热词,生成所述目标舆情文本对应的舆情风险评分;
根据所述舆情风险评分及预设的第一风险预警阈值,确定是否发出所述目标对象对应的第一风险预警。
本申请实现的有益效果为:
本申请提供了一种评估风险的方法,包括根据目标对象对应的关键词库,从预设舆情文本库中获取目标对象对应的生成时间处于预设时间范围内的目标舆情文本;利用经训练的分类模型,预测每一所述目标舆情文本对应的事件类别;根据预测得到的所述目标舆情文本对应的事件类别及所述目标舆情文本包括的预设负面热词,生成所述目标舆情文本对应的舆情风险评分;根据所述舆情风险评分及预设的第一风险预警阈值,确定是否发出所述目标对象对应的第一风险预警,通过预设的每一目标对象对应的关键词库可从舆情文本库中抓取需要评估风险的目标对象对应的舆情文本,且通过对舆情文本进行事件类别和负面热词识别实现了基于目标对象对应的舆情文本对目标对象进行风险评估,提升了对文本关联的舆情的采集效率且实现了对舆情风险的定量评估、保障了舆情风险的识别准确性;
进一步地,本申请还提出了可从预设的企业关联图谱中查询所述目标对象对应的关联企业并获取所述关联企业及所述目标对象分别对应的企业信息;对所述关联企业及所述目标对象分别对应的企业信息进行处理,生成所述目标对象及所述关联企业对应的关键词;根据所述目标对象及所述关联企业对应的关键词,确定所述目标对象对应的关键词库,提高了获取的舆情文本与目标对象的关联性,且保障了对目标对象的舆情文本的采集覆盖率。
本申请所有产品并不需要具备上述所有效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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,其中:
图1是本申请实施例提供的舆情***监控流程图;
图2是本申请实施例提供的方法流程图;
图3是本申请实施例提供的***结构图;
图4是本申请实施例提供的电子设备结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
如背景技术所述,现有技术中一部分监控***对海量舆情文本进行全量采集及分析、占用了大量计算资源;另一部分基于企业关注列表进行全名采集,导致采集效果不理想。
为解决上述技术问题,本申请提供了一种应用于企业等目标监控对象的风险评估的方法及***,通过预设的每一目标对象对应的关键词库可从舆情文本库中抓取需要评估风险的目标对象对应的舆情文本,且通过对舆情文本进行事件类别和负面热词识别实现了基于目标对象对应的舆情文本对目标对象进行风险评估,提升了对文本关联的舆情的采集效率且实现了对舆情风险的定量评估、保障了舆情风险的识别准确性。
实施例一
为实现本申请公开的评估风险的方法,本申请实施例提供了一种舆情风险监控***,包括舆情采集模块、舆情关联模块、舆情分析模块及舆情预警模块。具体的,如图1所示,应用本实施例公开的舆情风险监控***进行舆情采集及监控预警的过程包括:
S100、根据预设的企业关联图谱,确定待监控关注集;
企业关联图谱由舆情采集模块预先根据企业工商数据库建立。企业工商数据库中存储有企业的企业信息及关联信息。其中,关联信息包括企业的投资关系,包括该企业的上游投资企业及下游被投资企业。企业信息包括企业全称、企业统一信息代码、企业简称、企业商号、项目或产品、企业法人、核心高管、商标、电话号码、网站域名、企业邮箱等企业相关联的信息。企业工商数据库可向外提供输出接口,调用者可通过输出接口向企业工商数据库发送包含企业全称和/或企业统一信用代码的查询语句并接收该输出接口返回的关联信息及企业信息。
根据企业工商数据库,可以建立包含所有企业的企业关联图谱。企业关联图谱中包括多个节点,每个节点对应着一个企业。每一节点包括对应的节点属性及关联属性,其中节点属性包括该企业的企业信息;关联属性包括该企业的对外投资关系。根据每一节点的关联属性,可以将节点进行关联,生成对应的所有企业的企业关联图谱。
舆情风险监控***在接收到对新的目标企业的舆情风险监控需求时,可从企业关联图谱中获取目标企业及根据关联属性确定的目标企业的关联企业的节点属性,并建立该目标企业对应的关注集。以目标企业为企业A为例,企业A的关联企业包括企业A1及企业A2,则目标企业对应的关注集为:
{A:(属性1,属性2,……);A1:(属性1,属性2,……);企业A2:(属性1,属性2,……)}
根据关联属性可以确定目标企业直接投资的直接关联企业及目标企业通过直接关联间接投资的间接关联企业,可以根据业务需求指定目标企业对应的关联企业为直接关联企业、间接关联企业或直接关联企业及间接关联企业,本申请对此不加限定。
根据新的目标企业对应的关注集及舆情采集模块中原有的目标企业对应的关注集,可以确定待监控关注集。
S200、利用舆情关联模块,根据待监控关注集及舆情文本库,获取每一目标企业对应的目标舆情文本;
其中,舆情文本库中存储有从互联网等渠道采集的海量舆情文本。
上述获取目标舆情文本的过程具体可以包括:
S210、根据待监控关注集,确定每一目标企业对应的关键词库;
根据待监控关注集目标企业及目标企业的关联企业的节点属性,可以获取目标对应的所有企业信息。通过对企业信息进行进一步分析处理,可以生成每一目标企业对应的关键词库。
具体的,关键词库中包含的关键词可以包括目标企业对应的原始的企业信息、经分析处理后生成的企业简称、企业域名等信息。
具体的,在原始的企业信息中不包含企业简称时,企业简称的生成过程包括:
S211、根据预设的正则表达式,识别企业全称中包含的简称字段;
其中,正则表达式可预先根据企业全名的命名规则总结得到。例如,常见的企业方式为地名+商号+企业性质,则可以通过正则表达式,剔除企业全名中包含的地名和企业性质等与简称无关的字段,保留的字段即为企业全称中包含的简称字段。
S212、根据预设的关键词过滤词典,过滤简称字段中包含的预设待过滤关键词并生成对应的企业简称;
关键词过滤词典用存储有预设的待过滤关键词,用于识别企业全称中常见的如新能源等无用的待过滤关键词。在过滤简称字段中包含的待过滤关键词后,企业全称中保留的字段即为对应的目标企业的企业简称。
在原始的企业信息中不包含企业的网站域名时,网站域名的生成过程包括:
S221、根据企业信息中包含的企业网站网址,识别对应的网站域名。
根据目标企业及目标企业的关联企业对应的关键词,可以生成目标企业对应的关键词库。
以目标企业为X迪食品有限公司为例,其关联企业包括Y鲜乳业有限公司及Z绿色大米开发有限公司,根据三个企业从企业关联图谱中获取的三个企业分别对应的企业信息,X迪食品有限公司对应的关键词库即如表1所示。
表1
可以根据目标企业及目标企业对应的关键词库,生成相应的键值对作为索引。根据所有目标企业对应的索引,可以生成相应的索引集,以便在后续查找时可根据目标企业从键值对中迅速查询得到相应的关键词库,其中键值对的键可以存储目标企业的企业全称、企业统一信息代码等用于识别目标企业的信息,值中可以存储相应的关键词库。
S220、从预设舆情文本库中,根据关键词库查询并获取生成时间处于预设时间范围内的目标企业对应的目标舆情文本。
监控***可按照预设的时间周期定时从互联网等渠道抓取相应的舆情文本并存储至预设舆情文本库中。在评估时,可以从索引集中查询并获取目标企业对应的关键词库,识别包含关键词库中的一个或多个关键词的舆情文本,并确定该舆情文本为目标企业对应的舆情文本。
为了便于查询且降低文本存储占用的存储空间,可以在将舆情文本存储至数据库中前进行预处理,生成结构化的舆情文本。
可以通过预设的识别规则,识别舆情文本中的标题和正文中包含的实体名称,并将实体名称与索引库中目标企业的关键词库中的关键词进行匹配,若存在对应的关键词则可以确定该舆情文本该目标企业对应的舆情文本。
表2示出了一种示例性的结构化的舆情文本。通过预设的识别规则,可以提取出其中包含的实体名称:Y迪乳业、深交所、绿色生态大米。通过在索引库中匹配结果,可以得到该舆情文本对应的目标企业为:Y鲜乳业有限公司及Z绿色大米开发有限公司,即该舆情文本为Y鲜乳业有限公司及Z绿色大米开发有限公司对应的舆情文本。
表2
S300、舆情分析模块利用经训练的情感分析模型,预测每一目标企业对应的舆情文本对应的情感类别并确定情感类别为负向的舆情文本为该目标企业对应的目标舆情文本;
可将舆情文本包含的正文及标题输入至情感分析模型中,情感分析模型可以预测得到其对应的情感类别。具体的,上述情感类别可以至少包括正向、中性和负向三种类别。
可以根据舆情文本及人工标注的情感类别对情感分析模型进行训练,在模型的预测准确率超过预设阈值时可以确定该模型为经训练的情感分析模型,并用于对目标舆情文本进行情感类别的预测。上述文本可以是原有的舆情文本或互联网上采集的公开语料等任意文本信息。
上述情感分析模型可以是经训练的fasttext(浅层网络)模型、CBOW(ContinuousBag Of Words Model,连续词汇),Skip-gram(Continuous Skip-gram Model)模型、双向长短记忆网络(BiLSTM)、ALBERT(A Lite BERT)模型等任意经训练后具有情感类别预测能力的模型,在此不做限定。
可以定期采集新的训练语料并进行人工标注,然后对情感分析模型进行再次更新训练,以保证模型预测的准确性。
S310、舆情分析模块利用经训练的分类模型,根据情感类别为负向的目标舆情文本,预测对应的事件类别。
具体的,上述事件类别包括但不限于:破产停业、抵押质押、亏损、违约暴雷、非法集资、侵权抄袭、合同纠纷、违规违法、产品状况、***等任意预设的负面事件。
在预测对应的事件类别前,上述分类模型的训练过程包括:
S311、获取训练语料集及训练语料集;
训练语料集及训练语料集中包括人工标注了对应的事件类别的舆情文本。
S312、利用训练语料集对分类模型进行训练;
S313、利用训练语料集,验证分类模型的预测准确率是否满足预设条件;
可以预设对应的准确率阈值。在分类模型的预测准确率超过该准确率阈值时,可以确定分类模型的预测准确率满足预设条件并确定该分类模型为经训练的分类模型。
其中,上述分类模型可以是任意经训练后具有文本分类能力的模型,本申请对此不加限定。
S320、舆情分析模块根据预设的负面热词库,识别目标舆情文本包含的预设负面热词;
负面热词库中存储有预设的负面热词,可以根据负面热词库识别目标舆情文本是否包含预设负面热词。
S400、舆情预警模块根据预测得到的目标舆情文本对应的事件类别、预设的事件类别对应的影响因子及预设舆情文本包括的预设负面热词,生成舆情文本在预设时间范围内对应的舆情风险评分;
具体的,舆情风险评分的生成过程包括:
S410、根据预设的影响因子与事件类别的对应关系、预测得到的目标舆情文本对应的事件类别,确定目标舆情文本对应的影响因子;
监控***中可预设每一事件类别对应的影响因子,以便需要时获取。
S411、根据目标舆情文本中包括的预设负面热词的数量,确定所述目标舆情文本对应的热词风险值;
具体的,可以预设数量与热词风险值的对应关系,以便在识别到包括的预设负面热词的数量时确定对应的热词风险值。
S412、根据对应的影响因子及热词风险值,生成目标舆情文本对应的舆情风险评分;
S413、根据舆情风险评分生成第一风险总评分,并根据第一风险总评分及第一预设风险预警阈值判断是否发出第一风险预警;
在生成了舆情风险评分后,舆情预警模块还可根据所有生成时间处于该预设时间范围内的目标舆情文本的舆情风险评分,生成对应该目标企业的第一风险总评分并确定相应的评分时间。在第一风险总评分超过第一风险预警阈值时,可以发出第一风险预警。
第一风险总评分R0可以表示为:第一风险总评分=影响因子(1+热词风险值),即:
其中,Xi表示影响因子、Yi表示热词风险值、N0表示目标企业对应的情感类别为负向且生成时间处于该预设时间范围内的目标舆情文本的总数量。
具体的,以目标企业为Y鲜乳业有限公司、当前评估的目标舆情文本的对应的生成时间是评估开始前24小时、第一风险预警阈值H0=5为例,采集到的情感类别为负向的目标舆情文本包括三篇、对应的事件类别的预设影响因子为3、2、4且都不包含预设负面热词,则该目标企业对应的第一风险总评分R0为:
由于第一风险总评分R0大于第一风险预警阈值H0,监控***将会发出第一风险预警。
舆情预警模块可存储第一风险总评分及对应的评分时间。根据第一风险总评分及对应的评分时间,舆情预警模块还可生成对应的第二风险总评分并进行是否发出第二风险预警的判断,上述过程包括:
S420、根据评分时间处于预设历史时间周期内的第一风险总评分及根据评分时间确定的时间衰减项,生成所述目标对象对应的第二风险总评分;
具体的,以预设时间周期为本次评估开始前一周为例,第二风险总评分可以表示为:其中s表示评分日期相较于当前时间的差值,Rs表示相应的第一风险总评分,e-0.5s表示相应的时间衰减项,且该时间衰减项为以自然底数e为底、-0.5s为指数的指数函数。
S430、根据第二风险总评分及第二风险预警阈值,确定是否发出第二风险预警。
表3
日期 | R<sub>s</sub> | e<sup>-0.5s</sup> |
过去1天 | 5 | 0.61 |
过去2天 | 2 | 0.36 |
过去3天 | 1 | 0.22 |
过去4天 | 2 | 0.14 |
过去5天 | 3 | 0.08 |
过去6天 | 4 | 0.05 |
过去7天 | 1 | -- |
则该目标企业对应的第二风险总评分为:
由于第二风险总评分大于第二风险预警阈值,因此确定发出第二风险预警。
基于本申请实施例公开的评估风险的方法,监控***可实现对重点关注的目标企业进行舆情监控、避免对舆情文本进行全量分析造成资源浪费,且为舆情风险提供了一种定量的计算方法,为风险识别提供了理论基础。
实施例二
对应上述实施例,本申请提供了一种评估风险的方法,如图2所示,所述方法包括:
2100、根据目标对象对应的关键词库,从预设舆情文本库中获取目标对象对应的生成时间处于预设时间范围内的目标舆情文本;
优选的,所述目标对象包括企业,在根据目标对象对应的关键词库,从预设舆情文本库中获取目标对象对应的生成时间处于预设时间范围内的目标舆情文本之前,所述方法还包括:
2110、从预设的企业关联图谱中查询所述目标对象对应的关联企业并获取所述关联企业及所述目标对象分别对应的企业信息;
2111、对所述关联企业及所述目标对象分别对应的企业信息进行处理,生成所述目标对象及所述关联企业对应的关键词;
2112、根据所述目标对象及所述关联企业对应的关键词,确定所述目标对象对应的关键词库。
优选的,从预设的企业关联图谱中查询所述目标对象对应的关联企业并获取所述关联企业及所述目标对象分别对应的企业信息之前,所述方法还包括:
2120、根据企业工商数据库,生成每一企业对应的节点,所述节点包括节点属性及关联属性,所述节点属性包括所述企业对应的所述企业信息,所述关联属性用于查询所述企业对应的关联企业;
2121、根据每一所述节点对应的关联属性,建立所述企业关联图谱。
优选的,所述生成目标对象及所述关联企业对应的关键词,所述方法包括:
2130、利用预设的正则表达式,识别所述企业全称中包含的简称字段;
2131、根据预设的过滤规则对所述简称字段进行过滤,生成对应的企业简称。
优选的,所述根据目标对象对应的关键词库,从预设舆情文本库中获取目标对象对应的生成时间处于预设时间范围内的目标舆情文本,包括:
2140、从预设舆情文本库中获取包含所述关键词库中的一个或多个关键词的舆情文本;
2141、利用预设的情感分析模型,预测每一所述舆情文本对应的情感类别;
2142、确定所述舆情文本中情感类别为负向的所述舆情文本为所述目标舆情文本。
2200、利用经训练的分类模型,预测每一所述目标舆情文本对应的事件类别;
优选的,所述分类模型的训练过程包括:
2210、根据预设的训练语料集,对所述分类模型进行训练;
2211、根据预设的测试语料集,验证所述分类模型是否满足预设条件;
2212、在所述分类模型满足预设的训练条件时,生成所述经训练的分类模型。
2300、根据预测得到的所述目标舆情文本对应的事件类别及所述目标舆情文本包括的预设负面热词,生成所述目标舆情文本对应的舆情风险评分;
优选的,所述根据预测得到的所述目标舆情文本对应的事件类别及所述目标舆情文本包括的预设负面热词,生成所述目标舆情文本对应的舆情风险评分,包括:
2310、根据预设的影响因子与事件类别的对应关系,确定所述目标舆情文本对应的影响因子;
2311、根据所述目标舆情文本中包括的预设负面热词的数量,确定所述目标舆情文本对应的热词风险值;
2312、根据所述目标舆情文本对应的影响因子及所述热词风险值,确定所述目标舆情文本对应的舆情风险评分。
2400、根据所述舆情风险评分及预设的第一风险预警阈值,确定是否发出所述目标对象对应的第一风险预警。
优选的,所述方法还包括:
2410、根据所述目标对象对应的所有所述舆情风险评分,生成所述目标对象对应的第一风险总评分并确定所述第一风险总评分对应的评分时间;
2411、根据评分时间处于预设历史时间周期内的所述第一风险总评分及根据所述评分时间确定的时间衰减项,生成所述目标对象对应的第二风险总评分;
2412、根据所述第二风险总评分及预设的第二风险预警阈值,确定是否发出所述目标对象对应的第二风险预警。
实施例三
对应实施例一及实施例二,本申请提供了一种评估风险***,如图3所示,所述***包括:
获取模块310,用于根据目标对象对应的关键词库,从预设舆情文本库中获取目标对象对应的生成时间处于预设时间范围内的目标舆情文本;
预测模块320,用于利用经训练的分类模型,预测每一所述目标舆情文本对应的事件类别;
生成模块330,用于根据预测得到的所述目标舆情文本对应的事件类别及所述目标舆情文本包括的预设负面热词,生成所述目标舆情文本对应的舆情风险评分;
判断模块340,用于根据所述舆情风险评分及预设的第一风险预警阈值,确定是否发出所述目标对象对应的第一风险预警。
优选的,所述生成模块330还可用于根据所述目标对象对应的所有所述舆情风险评分,生成所述目标对象对应的第一风险总评分并确定所述第一风险总评分对应的评分时间;根据评分时间处于预设历史时间周期内的所述第一风险总评分及根据所述评分时间确定的时间衰减项,生成所述目标对象对应的第二风险总评分;所述判断模块340还可用于根据所述第二风险总评分及预设的第二风险预警阈值,确定是否发出所述目标对象对应的第二风险预警。
优选的,所述目标对象包括企业,所述获取模块310还可用于从预设的企业关联图谱中查询所述目标对象对应的关联企业并获取所述关联企业及所述目标对象分别对应的企业信息;所述生成模块330还可用于对所述关联企业及所述目标对象分别对应的企业信息进行处理,生成所述目标对象及所述关联企业对应的关键词;根据所述目标对象及所述关联企业对应的关键词,确定所述目标对象对应的关键词库。
优选的,所述生成模块330还可用于根据企业工商数据库,生成每一企业对应的节点,所述节点包括节点属性及关联属性,所述节点属性包括所述企业对应的所述企业信息,所述关联属性用于查询所述企业对应的关联企业;根据每一所述节点对应的关联属性,建立所述企业关联图谱。
优选的,所述企业信息包括企业全称,所述关键词包括企业简称,所述生成模块330还可用于利用预设的正则表达式,识别所述企业全称中包含的简称字段;根据预设的过滤规则对所述简称字段进行过滤,生成对应的企业简称。
优选的,所述获取模块310还可用于从预设舆情文本库中获取包含所述关键词库中的一个或多个关键词的舆情文本;所述预测模块320还可用于利用预设的情感分析模型,预测每一所述舆情文本对应的情感类别;确定所述舆情文本中情感类别为负向的所述舆情文本为所述目标舆情文本。
优选的,所述生成模块330还可用于根据预设的影响因子与事件类别的对应关系,确定所述目标舆情文本对应的影响因子;根据所述目标舆情文本中包括的预设负面热词的数量,确定所述目标舆情文本对应的热词风险值;根据所述目标舆情文本对应的影响因子及所述热词风险值,确定所述目标舆情文本对应的舆情风险评分。
优选的,所述装置还包括训练模块,所述训练模块用于根据预设的训练语料集,对所述分类模型进行训练;根据预设的测试语料集,验证所述分类模型是否满足预设条件;在所述分类模型满足预设的训练条件时,生成所述经训练的分类模型。
实施例四
对应上述所有实施例,本申请实施例提供一种电子设备,包括:
一个或多个处理器;以及与所述一个或多个处理器关联的存储器,所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如下操作:
根据目标对象对应的关键词库,从预设舆情文本库中获取目标对象对应的生成时间处于预设时间范围内的目标舆情文本;
利用经训练的分类模型,预测每一所述目标舆情文本对应的事件类别;
根据预测得到的所述目标舆情文本对应的事件类别及所述目标舆情文本包括的预设负面热词,生成所述目标舆情文本对应的舆情风险评分;
根据所述舆情风险评分及预设的第一风险预警阈值,确定是否发出所述目标对象对应的第一风险预警。
其中,图4示例性的展示出了电子设备的架构,具体可以包括处理器1510,视频显示适配器1511,磁盘驱动器1512,输入/输出接口1513,网络接口1514,以及存储器1520。上述处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514,与存储器1520之间可以通过总线1530进行通信连接。
其中,处理器1510可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请所提供的技术方案。
存储器1520可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1520可以存储用于控制电子设备1500运行的操作***1521,用于控制电子设备1500的低级别操作的基本输入输出***(BIOS)1522。另外,还可以存储网页浏览器1523,数据存储管理***1524,以及图标字体处理***1525等等。上述图标字体处理***1525就可以是本申请实施例中具体实现前述各步骤操作的应用程序。总之,在通过软件或者固件来实现本申请所提供的技术方案时,相关的程序代码保存在存储器1520中,并由处理器1510来调用执行。
输入/输出接口1513用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
网络接口1514用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1530包括一通路,在设备的各个组件(例如处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514,与存储器1520)之间传输信息。
另外,该电子设备1500还可以从虚拟资源对象领取条件信息数据库中获得具体领取条件的信息,以用于进行条件判断,等等。
需要说明的是,尽管上述设备仅示出了处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514,存储器1520,总线1530等,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本申请方案所必需的组件,而不必包含图中所示的全部组件。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请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存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,云服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***或***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的***及***实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种评估风险的方法,其特征在于,所述方法包括:
根据目标对象对应的关键词库,从预设舆情文本库中获取目标对象对应的生成时间处于预设时间范围内的目标舆情文本;
利用经训练的分类模型,预测每一所述目标舆情文本对应的事件类别;
根据预测得到的所述目标舆情文本对应的事件类别及所述目标舆情文本包括的预设负面热词,生成所述目标舆情文本对应的舆情风险评分;
根据所述舆情风险评分及预设的第一风险预警阈值,确定是否发出所述目标对象对应的第一风险预警。
2.根据权利要求1所述的评估风险的方法,其特征在于,所述方法还包括:
根据所述目标对象对应的所有所述舆情风险评分,生成所述目标对象对应的第一风险总评分并确定所述第一风险总评分对应的评分时间;
根据评分时间处于预设历史时间周期内的所述第一风险总评分及根据所述评分时间确定的时间衰减项,生成所述目标对象对应的第二风险总评分;
根据所述第二风险总评分及预设的第二风险预警阈值,确定是否发出所述目标对象对应的第二风险预警。
3.根据权利要求1所述的评估风险的方法,其特征在于,所述目标对象包括企业,所述根据目标对象对应的关键词库,从预设舆情文本库中获取目标对象对应的生成时间处于预设时间范围内的目标舆情文本之前,所述方法还包括:
从预设的企业关联图谱中查询所述目标对象对应的关联企业并获取所述关联企业及所述目标对象分别对应的企业信息;
对所述关联企业及所述目标对象分别对应的企业信息进行处理,生成所述目标对象及所述关联企业对应的关键词;
根据所述目标对象及所述关联企业对应的关键词,确定所述目标对象对应的关键词库。
4.根据权利要求3所述的评估风险的方法,其特征在于,所述从预设的企业关联图谱中查询所述目标对象对应的关联企业并获取所述关联企业及所述目标对象分别对应的企业信息之前,所述方法还包括:
根据企业工商数据库,生成每一企业对应的节点,所述节点包括节点属性及关联属性,所述节点属性包括所述企业对应的所述企业信息,所述关联属性用于查询所述企业对应的关联企业;
根据每一所述节点对应的关联属性,建立所述企业关联图谱。
5.根据权利要求3或4所述的评估风险的方法,其特征在于,所述企业信息包括企业全称,所述关键词包括企业简称,所述对所述关联企业及所述目标对象分别对应的企业信息进行处理,生成所述目标对象及所述关联企业对应的关键词,包括:
利用预设的正则表达式,识别所述企业全称中包含的简称字段;
根据预设的过滤规则对所述简称字段进行过滤,生成对应的企业简称。
6.根据权利要求1-4任一所述的评估风险的方法,其特征在于,所述根据目标对象对应的关键词库,从预设舆情文本库中获取目标对象对应的生成时间处于预设时间范围内的目标舆情文本,包括:
从预设舆情文本库中获取包含所述关键词库中的一个或多个关键词的舆情文本;
利用预设的情感分析模型,预测每一所述舆情文本对应的情感类别;
确定所述舆情文本中情感类别为负向的所述舆情文本为所述目标舆情文本。
7.根据权利要求1-4任一所述的评估风险的方法,其特征在于,所述根据预测得到的所述目标舆情文本对应的事件类别及所述目标舆情文本包括的预设负面热词,生成所述目标舆情文本对应的舆情风险评分,包括:
根据预设的影响因子与事件类别的对应关系,确定所述目标舆情文本对应的影响因子;
根据所述目标舆情文本中包括的预设负面热词的数量,确定所述目标舆情文本对应的热词风险值;
根据所述目标舆情文本对应的影响因子及所述热词风险值,确定所述目标舆情文本对应的舆情风险评分。
8.根据权利要求1-4任一所述的评估风险的方法,其特征在于,所述方法还包括训练所述分类模型,所述分类模型的训练过程包括:
根据预设的训练语料集,对所述分类模型进行训练;
根据预设的测试语料集,验证所述分类模型是否满足预设条件;
在所述分类模型满足预设的训练条件时,生成所述经训练的分类模型。
9.一种评估风险***,其特征在于,所述***包括:
获取模块,用于根据目标对象对应的关键词库,从预设舆情文本库中获取目标对象对应的生成时间处于预设时间范围内的目标舆情文本;
预测模块,用于利用经训练的分类模型,预测每一所述目标舆情文本对应的事件类别;
生成模块,用于根据预测得到的所述目标舆情文本对应的事件类别及所述目标舆情文本包括的预设负面热词,生成所述目标舆情文本对应的舆情风险评分;
判断模块,用于根据所述舆情风险评分及预设的第一风险预警阈值,确定是否发出所述目标对象对应的第一风险预警。
10.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
以及与所述一个或多个处理器关联的存储器,所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如下操作:
根据目标对象对应的关键词库,从预设舆情文本库中获取目标对象对应的生成时间处于预设时间范围内的目标舆情文本;
利用经训练的分类模型,预测每一所述目标舆情文本对应的事件类别;
根据预测得到的所述目标舆情文本对应的事件类别及所述目标舆情文本包括的预设负面热词,生成所述目标舆情文本对应的舆情风险评分;
根据所述舆情风险评分及预设的第一风险预警阈值,确定是否发出所述目标对象对应的第一风险预警。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110872254.2A CN113642867A (zh) | 2021-07-30 | 2021-07-30 | 评估风险的方法及*** |
CA3169417A CA3169417A1 (en) | 2021-07-30 | 2022-07-27 | Method of and system for appraising risk |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110872254.2A CN113642867A (zh) | 2021-07-30 | 2021-07-30 | 评估风险的方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113642867A true CN113642867A (zh) | 2021-11-12 |
Family
ID=78419066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110872254.2A Withdrawn CN113642867A (zh) | 2021-07-30 | 2021-07-30 | 评估风险的方法及*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113642867A (zh) |
CA (1) | CA3169417A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357966A (zh) * | 2022-01-05 | 2022-04-15 | 中国工商银行股份有限公司 | 一种目标对象评分方法及*** |
CN114580916A (zh) * | 2022-03-07 | 2022-06-03 | 上海安硕企业征信服务有限公司 | 一种企业风险评估方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951548A (zh) * | 2015-06-24 | 2015-09-30 | 烟台中科网络技术研究所 | 一种负面舆情指数的计算方法及*** |
CN106991085A (zh) * | 2017-04-01 | 2017-07-28 | 中国工商银行股份有限公司 | 一种实体的简称生成方法及装置 |
CN109583620A (zh) * | 2018-10-11 | 2019-04-05 | 平安科技(深圳)有限公司 | 企业潜在风险预警方法、装置、计算机设备和存储介质 |
CN110134849A (zh) * | 2019-05-20 | 2019-08-16 | 瑞森网安(福建)信息科技有限公司 | 一种网络舆情监控方法及*** |
CN111695033A (zh) * | 2020-04-29 | 2020-09-22 | 平安科技(深圳)有限公司 | 企业舆情分析方法、装置、电子设备及介质 |
CN111783460A (zh) * | 2020-06-15 | 2020-10-16 | 苏宁金融科技(南京)有限公司 | 一种企业简称提取方法、装置、计算机设备及存储介质 |
CN111899090A (zh) * | 2020-07-14 | 2020-11-06 | 苏宁金融科技(南京)有限公司 | 企业关联风险预警方法及*** |
CN112070315A (zh) * | 2020-09-16 | 2020-12-11 | 哈尔滨工业大学 | 一种基于中心性测量的恐怖袭击网络分析与事件预测方法 |
CN112165445A (zh) * | 2020-08-13 | 2021-01-01 | 杭州数梦工场科技有限公司 | 用于检测网络攻击的方法、装置、存储介质及计算机设备 |
CN113095927A (zh) * | 2021-02-23 | 2021-07-09 | 广发证券股份有限公司 | 一种反洗钱可疑交易识别方法及设备 |
-
2021
- 2021-07-30 CN CN202110872254.2A patent/CN113642867A/zh not_active Withdrawn
-
2022
- 2022-07-27 CA CA3169417A patent/CA3169417A1/en active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951548A (zh) * | 2015-06-24 | 2015-09-30 | 烟台中科网络技术研究所 | 一种负面舆情指数的计算方法及*** |
CN106991085A (zh) * | 2017-04-01 | 2017-07-28 | 中国工商银行股份有限公司 | 一种实体的简称生成方法及装置 |
CN109583620A (zh) * | 2018-10-11 | 2019-04-05 | 平安科技(深圳)有限公司 | 企业潜在风险预警方法、装置、计算机设备和存储介质 |
CN110134849A (zh) * | 2019-05-20 | 2019-08-16 | 瑞森网安(福建)信息科技有限公司 | 一种网络舆情监控方法及*** |
CN111695033A (zh) * | 2020-04-29 | 2020-09-22 | 平安科技(深圳)有限公司 | 企业舆情分析方法、装置、电子设备及介质 |
CN111783460A (zh) * | 2020-06-15 | 2020-10-16 | 苏宁金融科技(南京)有限公司 | 一种企业简称提取方法、装置、计算机设备及存储介质 |
CN111899090A (zh) * | 2020-07-14 | 2020-11-06 | 苏宁金融科技(南京)有限公司 | 企业关联风险预警方法及*** |
CN112165445A (zh) * | 2020-08-13 | 2021-01-01 | 杭州数梦工场科技有限公司 | 用于检测网络攻击的方法、装置、存储介质及计算机设备 |
CN112070315A (zh) * | 2020-09-16 | 2020-12-11 | 哈尔滨工业大学 | 一种基于中心性测量的恐怖袭击网络分析与事件预测方法 |
CN113095927A (zh) * | 2021-02-23 | 2021-07-09 | 广发证券股份有限公司 | 一种反洗钱可疑交易识别方法及设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357966A (zh) * | 2022-01-05 | 2022-04-15 | 中国工商银行股份有限公司 | 一种目标对象评分方法及*** |
CN114580916A (zh) * | 2022-03-07 | 2022-06-03 | 上海安硕企业征信服务有限公司 | 一种企业风险评估方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CA3169417A1 (en) | 2023-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110704572B (zh) | 疑似非法集资风险的预警方法、装置、设备和存储介质 | |
US9990356B2 (en) | Device and method for analyzing reputation for objects by data mining | |
Zhang et al. | Mining millions of reviews: a technique to rank products based on importance of reviews | |
CN103154991A (zh) | 信用风险采集 | |
JP2009151760A (ja) | オブジェクト間競合指標計算方法およびシステム | |
CN113642867A (zh) | 评估风险的方法及*** | |
CN113989019A (zh) | 识别风险的方法、装置、设备及存储介质 | |
CN115002200A (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN112419029A (zh) | 类金融机构风险监控方法、风险模拟***及存储介质 | |
CN115391669A (zh) | 一种智能推荐方法、装置、电子设备 | |
CN114528416B (zh) | 一种基于大数据的企业舆情环境监测方法和*** | |
KR20190048781A (ko) | 온라인 의견 정보 수집 및 분석 시스템 | |
CN115204881A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN112631889A (zh) | 针对应用***的画像方法、装置、设备及可读存储介质 | |
CN112069314A (zh) | 一种基于科技文献数据的特定领域态势分析*** | |
Mohemad et al. | Performance analysis in text clustering using k-means and k-medoids algorithms for Malay crime documents | |
KR20210001649A (ko) | 기업 부실 예측 프로그램 | |
KR20210001625A (ko) | 뉴스 기사의 감성 정보 레이블링에 기초한 기업 부실 정보 서비스 제공 방법 및 그 장치 | |
CN115048487A (zh) | 基于人工智能的舆情分析方法、装置、计算机设备及介质 | |
CN113849618A (zh) | 基于知识图谱的策略确定方法、装置、电子设备及介质 | |
CN110737749B (zh) | 创业计划评价方法、装置、计算机设备及存储介质 | |
CN113505117A (zh) | 基于数据指标的数据质量评估方法、装置、设备及介质 | |
CN113344674A (zh) | 基于用户购买力的产品推荐方法、装置、设备及存储介质 | |
KR20210001645A (ko) | 기업 부실 예측 방법 | |
KR20210001707A (ko) | 뉴스 기사의 감성 정보 레이블링에 기초한 기업 부실 정보 서비스 제공 장치 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211112 |
|
WW01 | Invention patent application withdrawn after publication |