CN114139931A - 企业数据评估方法、装置、计算机设备及存储介质 - Google Patents

企业数据评估方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN114139931A
CN114139931A CN202111432548.XA CN202111432548A CN114139931A CN 114139931 A CN114139931 A CN 114139931A CN 202111432548 A CN202111432548 A CN 202111432548A CN 114139931 A CN114139931 A CN 114139931A
Authority
CN
China
Prior art keywords
enterprise
data
model
evaluation
sub
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
Application number
CN202111432548.XA
Other languages
English (en)
Inventor
田鸥
郭丹丹
尹传金
张一鹏
朱婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Bank Co Ltd
Original Assignee
Ping An Bank Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Bank Co Ltd filed Critical Ping An Bank Co Ltd
Priority to CN202111432548.XA priority Critical patent/CN114139931A/zh
Publication of CN114139931A publication Critical patent/CN114139931A/zh
Pending legal-status Critical Current

Links

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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Technology Law (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及人工智能领域，揭露了一种企业数据评估方法、装置、计算机设备及存储介质，所述方法包括获取多个维度的企业训练数据以及多个预设评估模型；针对每一维度的企业训练数据，都利用多个预设评估模型进行训练，得到多个第一子模型；判断第一子模型的指标是否符合预设指标要求，抽取各维度下符合预设指标要求的第一子模型，作为第二子模型；将各维度下的第二子模型进行组合，得到多个第一主模型；根据多个第一主模型的指标，计算多个第一主模型的提升度，抽取提升度最大的第一主模型，作为第二主模型；将企业数据输入第二主模型进行评估，得到评估结果；本申请还涉及区块链技术，所以评估结果存储于区块链中。本申请提高了评估结果的准确率。

Description

企业数据评估方法、装置、计算机设备及存储介质
技术领域
本申请涉及人工智能领域，尤其涉及一种企业数据评估方法、装置、计算机设备及存储介质。
背景技术
在实际的金融企业中，为对其客户进行一定的评估结果，其不同的应用场景下的风控模型较为单一，主要还是基于供应链数据的围绕客户核心企业或核心平台的金融业务，其数据刻画客户主体信息的方式不够全面，且在数据差异度较大的情况下，较难做好客户企业的评估；在现有技术中，主要是以典型求平均、bagging、boosting、emseble等集成算法，会存在企业数据的不同纬度下的子数据，由于利用的子模型不同，导致输出结果值差异明显，进而总体结果准确率较低的情况，因此解决现有对企业数据进行评估时，输出结果值准确率较低的问题成为了亟待解决的问题。
发明内容
本申请提供了一种企业数据评估方法、装置、计算机设备及存储介质，以解决现有技术中，集成算法对客户数据进行处理时准确率较低的问题。
为解决上述问题，本申请提供了一种企业数据评估方法，包括：
获取多个维度的企业训练数据以及多个预设评估模型；
针对每一维度的企业训练数据，都利用多个所述预设评估模型进行训练，得到多个对应的第一子模型；
判断所述第一子模型的指标是否符合预设指标要求，抽取各维度下符合预设指标要求的第一子模型，作为第二子模型；
将各所述维度下的第二子模型进行组合，得到多个第一主模型，所述第一主模型下的所述第二子模型分别属于不同维度；
计算所述第一主模型的指标，根据多个所述第一主模型的指标，计算多个所述第一主模型的提升度，抽取提升度最大的第一主模型，作为第二主模型；
接收待评估企业的企业数据，将所述待评估企业的企业数据输入所述第二主模型进行评估，得到所述待评估企业对应的评估结果。
进一步的，所述判断所述第一子模型的指标是否符合预设指标要求包括：
计算所述第一子模型的性能指标以及稳定性指标；
分别将第一子模型的性能指标以及稳定性指标与所述预设指标要求中的要素对应比较判断。
进一步的，所述计算所述第一主模型的指标包括：
根据所述第一主模型下的第二子模型所占权重，对所述第二子模型中的性能指标以及稳定性指标进行加权求和，得到所述第一主模型的指标，所述权重根据所述第二子模型的指标中的AUC值与所述第一主模型下的所有第二子模型对应AUC值的和之比得到。
进一步的，所述接收待评估企业的企业数据，将所述待评估企业的企业数据输入所述第二主模型进行评估，得到所述待评估企业对应的评估结果包括：
接收所述待评估企业的企业数据，对待评估企业的企业数据的内容进行分类，得到多个类别的数据；
将不同类别的数据分别输入到第二主模型下对应的第二子模型中，对应得到多个子评估结果；
根据所述第二主模型下的第二子模型所占权重，对多个所述子评估结果进行加权求和，得到对应的第一评估结果。
进一步的，在所述将不同类别的数据分别输入到第二主模型下对应的第二子模型中之前，还包括：
统计各类别的数据对应的数据量，与预设数值进行比较，得到数据量大于或等于的预设数值对应的类别的数据；
所述将不同类别的数据分别输入到第二主模型下对应的第二子模型中包括：
将多个所述数据量大于或等于预设数值对应的类别的数据分别输入到第二主模型下对应的第二子模型。
进一步的，所述接收待评估企业的企业数据，将所述待评估企业的企业数据输入所述第二主模型进行评估，得到所述待评估企业对应的评估结果包括：
接收所述待评估企业的企业数据，对待评估企业的企业数据的内容进行分类，得到多个类别的数据；
将不同类别的数据分别输入到第二主模型下对应的第二子模型中，对应得到多个子评估结果；
对所述第二主模型下的多个第二子模型，分别得到的子评估结果进行排序，得到排序值；
对所述排序值进行归一化，得到归一化数值；
根据所述第二主模型下的第二子模型所占权重，对多个所述归一化数值进行加权求和，得到对应的第二评估结果。
进一步的，在所述将不同类别的数据分别输入到第二主模型下对应的第二子模型中，对应得到多个子评估结果之后，还包括：
根据所述第二主模型下的第二子模型所占权重，对多个所述子评估结果进行加权求和，得到对应的第一评估结果；
在所述对多个所述归一化数值进行加权求和，得到对应的第二评估结果之后，还包括：
根据所述第二评估结果，对待评估企业进行排序，得到排序列表；
通过将排序列表与所述第一评估结果相结合，实现对排序列表的标定。
为了解决上述问题，本申请还提供一种企业数据评估装置，所述装置包括：
获取模块，用于获取多个维度的企业训练数据以及多个预设评估模型；
训练模块，用于针对每一维度的企业训练数据，都利用多个所述预设评估模型进行训练，得到多个对应的第一子模型；
第一抽选模块，用于判断所述第一子模型的指标是否符合预设指标要求，抽取各维度下符合预设指标要求的第一子模型，作为第二子模型；
组合模块，用于将各所述维度下的第二子模型进行组合，得到多个第一主模型，所述第一主模型下的所述第二子模型分别属于不同维度；
第二抽选模块，用于计算所述第一主模型的指标，根据多个所述第一主模型的指标，计算多个所述第一主模型的提升度，抽取提升度最大的第一主模型，作为第二主模型；
处理模块，用于接收待评估企业的企业数据，将所述待评估企业的企业数据输入所述第二主模型进行评估，得到所述待评估企业对应的评估结果。
为了解决上述问题，本申请还提供一种计算机设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的企业数据评估方法。
为了解决上述问题，本申请还提供一种非易失性的计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的企业数据评估方法。
根据本申请实施例提供的一种企业数据评估方法、装置、计算机设备及存储介质，与现有技术相比至少具有以下有益效果：
通过获取多个维度的企业训练数据以及多个预设评估模型，针对每一维度的企业训练数据，都利用多个预设的模型来进行训练，所以每个维度下都能得到多个对应的第一子模型，通过根据第一子模型的指标是否满足预设指标要求，来对第一子模型进行初筛，从而得到符合要求第二子模型，从每个维度下抽取一个第二子模型进行组合，得到多个第一主模型，第一主模型的各指标为其下的多个第二子模型的加权和，根据所述第一主模型的指标，来计算第一主模型的提升度，抽取提升度最大的第一主模型，作为第二主模型；从而完成对模型训练与筛选，使得后续利用第二主模型对数据进行处理时，稳定性更好以及效率更高；通过接收待评估企业的企业数据，将所述待评估企业的企业数据输入所述第二主模型进行评估，得到所述待评估企业对应的评估结果，实现了提高根据待评估企业的企业数据对待评估企业进行评估结果的准确率。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图做一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的企业数据评估方法的流程示意图；
图2为图1中的步骤S6的一种具体实施方式的流程图；
图3为图1中的步骤S6的再一种具体实施方式的流程图；
图4为本申请一实施例提供的企业数据评估装置的模块示意图；
图5为本申请一实施例的计算机设备的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是是相同的实施例，也不是与其它实施例相互排斥的独立的或备选的实施例。本领域技术人员显式地或隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请提供一种企业数据评估方法。参照图1所示，图1为本申请一实施例提供的企业数据评估方法的流程示意图。
在本实施例中，企业数据评估方法包括：
S1、获取多个维度的企业训练数据以及多个预设评估模型；
在本申请中，所述多个维度的企业训练数据即为多种不同类型的数据，例如本申请实施例中，以企业对应的基本信息、财务状况、税务缴存、行外结算、行外信贷、行内存储、行内结算以及行内信贷，7个类型的数据，即7个维度的企业训练数据，并且每个维度的企业训练数据都有其对应的标签，即逾期概率或评分。
所述预设评估模型为预先准备使用的基础模型，在本申请实施例中包括逻辑回归、随机森林、bayes、svm以及ann五种预设算法。
S2、针对每一维度的企业训练数据，都利用多个所述预设评估模型进行训练，得到多个对应的第一子模型；
具体的，通过利用上述每一维度的企业训练数据，结合逻辑回归、随机森林、bayes、svm以及ann五个预设评估模型进行训练，得到每一维度对应的5个第一子模型，所以上述7个维度的企业训练数据，将总共得到35个第一子模型。
在所述针对每一维度的企业训练数据，都利用多个所述预设评估模型进行训练，得到多个对应的第一子模型之前，可以理解的，对每个维度的企业训练数据进行预处理，例如缺失值填充、异常值替换、特征提取等处理。
S3、判断所述第一子模型的指标是否符合预设指标要求，抽取各维度下符合预设指标要求的第一子模型，作为第二子模型；
具体的，根据判断第一子模型的各项指标，例如性能指标和稳定性指标是否符合预设指标的要求，若满足要求则抽取各维度下符合预设指标要求的第一子模型，来作为第二子模型，对不满足要求的第一子模型进行排除。
进一步的，所述判断所述第一子模型的指标是否符合预设指标要求包括：
计算所述第一子模型的性能指标以及稳定性指标；
分别将第一子模型的性能指标以及稳定性指标与所述预设指标要求中的要素对应比较判断。
具体的，所述性能指标包括KS(KS值越大，表示模型能够将正、负客户区分开的程度越大。)、AUC(Area Under Curve,预测精度)以及AR(准确性比率)；稳定性指标为PSI(Population Stability Index，群体稳定性指标)；
1)KS值的计算公式为KS＝sup|Fg(x)-Fb(x)|；
首先利用待验证的模型对某时期全体样本进行评级，并将该时期样本全集分为正常客户和违约客户两个样本子集；然后，按风险等级从低到高计算出两个样本子集的累计概率分布，即正常客户累计概率分布Fg(x)和违约客户累计概率分布Fb(x)，取各风险等级对应的两个分布之间的差异值中的最大值作为KS值。
KS值越大，表示模型能够将正、负客户区分开的程度越大，两个子样本累积概率分布之间的差异越显著，使得正常客户和违约客户通过模型能够得到有效的区分，即待验证的模型的区分能力越强。
2)通过得到被模型正确分类的好客户数(TP,True Positive),被模型错误判定为好客户的坏客户数(FP,False Positive)，被模型正确分类的坏客户数(TN,TrueNegative)，被模型错误判定为坏客户的好客户数(FN，False Negative)；根据上述内容，得到公式：
Figure BDA0003380768250000061
Figure BDA0003380768250000062
根据上述内容，以FPR为x轴，TRP为y轴，构建出ROC曲线，计算ROC曲线与X轴和y轴围成的面积，即可得到AUC值。AUC表示模型的预测精度，AUC值越大，表示模型分类准确性越高。
3)准确性比率(AR)衡量模型对于客户风险水平正确排序的能力，为模型区分力验证的另一指标。AR值的计算依赖于累积准确曲线(CAP曲线)；CAP曲线的横、纵坐标分别表示将验证样本按主模型预测概率从大到小排序后的累计客户百分比和累计违约客户百分比。随机模型对应直线OB(代表完全无区分能力)，理想评级模型对应折线OAB(代表具有完全区分能力)，则待验证模型则对应曲线OB，曲线OB位于折线OAB与直线OB围成的三角形内，曲线越靠近OAB，模型区分能力越强，反之越弱。
AR值是CAP曲线的综合指标，定义为待验证模型的CAP曲线及随机模型的CAP曲线之间的面积aR与理想评级模型的CAP曲线及随机模型的CAP曲线之间的面积aP(三角形AOB的面积)的比率，即
AR＝aR/aP。
4)将训练集和测试集的概率值从低到高均分成N组，分别计算N组的训练集样本占比(训练集样本数站总样本的比值)Xi，测试机样本占比(测试集样本数站总样本的比值)Yi，则PSI的计算公式如下：
Figure BDA0003380768250000071
在计算得到KS、AUC、AR以及PSI的值后，根据预设指标要求中的要素例如KS值大于等于0.3，AR值大于等于0.4，AUC值大于等于0.7，PSI值小于0.25来判断根据第一子模型计算得到的KS、AUC、AR以及PSI的值是否满足要求。
通过对性能指标以及稳定性指标的计算，并与预设指标中的各要素进行对应比较判断，以完成对第一子模型的筛选，提高最后输出结果的准确率。
S4、将各所述维度下的第二子模型进行组合，得到多个第一主模型，所述第一主模型下的所述第二子模型分别属于不同维度；
具体的，将每个维度下的第二子模型进行组合，得到多个第一主模型，且每个第一主模型中的第二子模型分别属于不同维度，并且组合得到的第一主模型的各项指标，将继承第二子模型的指标，即对第二子模型的各项指标进行加权求和得到第一主模型的各项指标。
例如现有维度1、2以及3的情况下，维度1下有a,b两个第二子模型，维度2下有c,d,e三个第二子模型，维度3下有f一个第二子模型；现从每个维度下都任意抽取一个第二子模型出来，组成第一主模型，所以有2*3*1种组合，即有6种第一主模型，组成第一主模型的第二子模型分别属于不同的维度。
S5、计算所述第一主模型的指标，根据多个所述第一主模型的指标，计算多个所述第一主模型的提升度，抽取提升度最大的第一主模型，作为第二主模型；
具体的，根据多个所述第一主模型的性能指标或稳定性指标，来计算多个所述第一主模型的提升度，从而抽取提升度最大的第一主模型，作为第二主模型，即最终主模型，实现获取到最优的子模型组合，提高了后续对待评估企业处理的准确率。
进一步的，计算所述第一主模型的指标包括：
根据所述第一主模型下的第二子模型所占权重，对所述第二子模型中的性能指标以及稳定性指标进行加权求和，得到所述第一主模型的指标，所述权重根据所述第二子模型的指标中的AUC值与所述第一主模型下的所有第二子模型对应AUC值的和之比得到。
具体的，首先，在本申请实施例中，对于权重的计算，为根据第一主模型下的各第二子模型的AUC值与上述第一主模型下的所有第二子模型的AUC值的和之比来计算得到的，具体公式如下：
Figure BDA0003380768250000081
再根据第一主模型下的第二子模型所占权重，对所述第二子模型中的性能指标以及稳定性指标进行加权求和，从而得到所述第一主模型的指标。
并且对于第一主模型的输出结果计算，同样为根据第一主模型下的第二子模型所占权重，对各第二子模型的输出结果进行加权求和。
通过以各第二子模型的AUC值占第一主模型下所有第二子模型的AUC值的和的比例，来作为第二子模型的权重，并更加该权重来计算第一主模型的各项指标，以便于后续对第一主模型进行挑选。
进一步的，所述根据多个所述第一主模型的指标，计算多个所述第一主模型的提升度包括：
根据以下公式来计算所述第一主模型的提升度：
Figure BDA0003380768250000091
Index是指度量模型性能的指标，即本申请中的性能指标；a是指第二子模型，n是指第二子模型的数目；A表示多个第二子模型集成的第一主模型；Lift表示提升度；k从1至n间取值，k为整数；extremum()为取极值。当指标越大代表模型性能越好时取最大值，指标越大代表模型性能越差时取最小值。
具体的，直接比对第一主模型与第一主模型下的第二子模型的效果差异，通过借助提升度Lift的概念来衡量主模型相较于子模型在特定方面性能的优越性。Index是指度量模型性能的指标，可采用准确率指标AUC或区分力指标KS等。
本申请中，采用AUC作为度量模型性能的指标。其中，用于评估提升度的AUC为训练好的第二子模型在全量样本下计算出的AUC指标。同样，会将全量样本按照训练集和测试集分别计算提升度。
通过计算各第一主模型的提升度，并选取提升度最高的第一主模型作为第二主模型，利用第二主模型输出的结果具有最优的准确率。
S6、接收待评估企业的企业数据，将所述待评估企业的企业数据输入所述第二主模型进行评估，得到所述待评估企业对应的评估结果。
具体的，将待处理的待评估企业的企业数据，利用第二主模型对待处理的待评估企业的企业数据进行评估结果，具体利用第二主模型下的各第二子模型得到子评估结果，并根据各第二子模型的权重，对对应的子评估结果进行加权求和，得到所述待评估企业对应的评估结果。
进一步的，如图2所示，所述接收待评估企业的企业数据，将所述待评估企业的企业数据输入所述第二主模型进行评估，得到所述待评估企业对应的评估结果包括：
S61、接收所述待评估企业的企业数据，对待评估企业的企业数据的内容进行分类，得到多个类别的数据；
S62、将不同类别的数据分别输入到第二主模型下对应的第二子模型中，对应得到多个子评估结果；
S63、根据所述第二主模型下的第二子模型所占权重，对多个所述子评估结果进行加权求和，得到对应的第一评估结果。
具体的，接收待评估企业的企业数据，所述待评估企业的企业数据可为格式化数据，也可为非格式化数据，通过将所述待评估企业的企业数据中的内容进行分类，即分类成与各维度对应的数据，得到多个类别的数据，将不同类别的数据分别输入到第二主模型下对应的第二子模型中，即不同类别的数据与第二主模型下的第二子模型一一对应，从而对应得到多个子评估结果，根据所述第二主模型下的第二子模型所占权重，对多个所述子评估结果进行加权求和，得到对应评估结果。可根据以下公式来进行计算：
Figure BDA0003380768250000101
P为第二主模型的第一评估结果，n第二主模型下的第二子模型的数目，pk为第k个第二子模型的子评估结果，wk为第k个第二子模型的权重。
对于待评估企业的企业数据中缺失部分维度对应的类别数据时，该维度对应的第二子模型将不进行计算或使用，并且不参与后续的根据权重进行集成；
并且对于待评估企业的企业数据中部分维度对应的类别数据过少时，同样不会利用该维度对应的第二子模型。
所述第一评估结果为待评估企业对应的逾期概率或评分。
通过利用第二主模型下的各第二子模型对各维度的数据分别处理，得到对应的子评估结果，并根据各第二子模型所占权重，对子评估结果进行加权求和，得到最终的评估结果，从而提高了输出结果值的准确率。
再进一步的，在所述将不同类别的数据分别输入到第二主模型下对应的第二子模型中之前，还包括：
统计各类别的数据对应的数据量，与预设数值进行比较，得到数据量大于或等于的预设数值对应的类别的数据；
所述将不同类别的数据分别输入到第二主模型下对应的第二子模型中包括：
将多个所述数据量大于或等于预设数值对应的类别的数据分别输入到第二主模型下对应的第二子模型。
具体的，仅将符合预设数值要求的类别的数据，输入第二主模型下对应第二子模型中进行处理，不符合预设数值要求的类别的数据，将不输入对应的第二子模型中处理，并且也不会进行后续的加权处理；因为如果第二子模型数据量过少或缺失的类别的数据时，得到的子评估结果存在较大的偏差，所以将不会利用数据量过少或缺失的类别对应的第二子模型。
通过筛选数据量过少或缺失的类别对应的第二子模型，在实际评估结果时，不利用该数据量过少或缺失的类别对应的第二子模型，从而提高第二主模型的准确率。
进一步的，如图3所示，所述接收待评估企业的企业数据，将所述待评估企业的企业数据输入所述第二主模型进行评估，得到所述待评估企业对应的评估结果包括：
S61’、接收所述待评估企业的企业数据，对待评估企业的企业数据的内容进行分类，得到多个类别的数据；
S62’、将不同类别的数据分别输入到第二主模型下对应的第二子模型中，对应得到多个子评估结果；
S63’、对所述第二主模型下的多个第二子模型，分别得到的子评估结果进行排序，得到排序值；
S64’、对所述排序值进行归一化，得到归一化数值；
S65’、根据所述第二主模型下的第二子模型所占权重，对多个所述归一化数值进行加权求和，得到对应的第二评估结果。
具体的，第二数值，即与排序相对应，从而实现对输入的一批待评估企业，进行排序。
通过接收待评估企业的企业数据，对所述待评估企业的企业数据的内容进行分类，得到多个类别的数据，将不同类别的数据分别输入到第二主模型下对应的第二子模型中，对应得到多个子评估结果，由于考虑到不同算法下，认为群体排序对应的逾期概率是一致的，所以将不会直接利用子评估结果来进行加权处理，而是利用每一子模型对多个用户的排序值，并进行归一化后的第一数值来进行加权求和，即根据所述第二主模型下的第二子模型所占权重，对多个所述第一数值进行加权求和，得到对应的第二评估结果。所述第二评估结果并非待评估企业直接对应的逾期概率，而是一种排序值。
通过得到一批待评估企业对应的排序，实现对排序中的前预设比例或后预设比例的待评估企业进行针对处理时，准确率更高。
通过将各子评估结果进行排序，并将排序后进行归一化，得到归一化数值，再对归一化数值进行加权求和，得到对应的评估结果，所述评估结果并非直接对应的概率值，而是一种排序值，实现对输入的多个待评估企业的数据，进行排序，得到的结果更贴合实际需要。即只对前预设部分的待评估企业进行后续处理。
再进一步的，在所述将不同类别的数据分别输入到第二主模型下对应的第二子模型中，对应得到多个子评估结果之后，还包括：
根据所述第二主模型下的第二子模型所占权重，对多个所述子评估结果进行加权求和，得到对应的第一评估结果；
在所述对多个所述归一化数值进行加权求和，得到对应的第二评估结果之后，还包括：
根据所述第二评估结果，对待评估企业进行排序，得到排序列表；
通过将排序列表与所述第一评估结果相结合，实现对排序列表的标定。
具体的，再计算待评估企业的第一评估结果，通过所述第二评估结果，对客待评估企业进行排序，得到排序列表，通过将排序列表与所述第一评估结果相结合，实现对排序列表的标定。即表明前预设比例的逾期概率或评估结果为多少，以对排序列表进行辅助说明。
通过将排序后的列表与实际逾期概率或评估结果进行结合，更清楚的展现前预设比例的逾期概率是如何的，便于后续有关人员的利用。
需要强调的是，为了进一步保证数据的私密性和安全性，所述企业训练数据以及待评估企业对应的评估结果数据还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
通过获取多个维度的企业训练数据以及多个预设评估模型，针对每一维度的企业训练数据，都利用多个预设的模型来进行训练，所以每个维度下都能得到多个对应的第一子模型，通过根据第一子模型的指标是否满足预设指标要求，来对第一子模型进行初筛，从而得到符合要求第二子模型，从每个维度下抽取一个第二子模型进行组合，得到多个第一主模型，第一主模型的各指标为其下的多个第二子模型的加权和，根据所述第一主模型的指标，来计算第一主模型的提升度，抽取提升度最大的第一主模型，作为第二主模型；从而完成对模型训练与筛选，使得后续利用第二主模型对数据进行处理时，稳定性更好以及效率更高；通过接收待评估企业的企业数据，将所述待评估企业的企业数据输入所述第二主模型进行评估，得到所述待评估企业对应的评估结果，实现了提高根据待评估企业的企业数据对待评估企业进行评估结果的准确率。
本实施例还提供一种企业数据评估装置，如图4所示，是本申请企业数据评估装置的功能模块图。
本申请所述企业数据评估装置100可以安装于电子设备中。根据实现的功能，所述企业数据评估装置100可以包括获取模块101、训练模块102、第一抽选模块103、组合模块104、第二抽选模块105以及处理模块106。本申请所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
获取模块101，用于获取多个维度的企业训练数据以及多个预设评估模型；
训练模块102，用于针对每一维度的企业训练数据，都利用多个所述预设评估模型进行训练，得到多个对应的第一子模型；
第一抽选模块103，用于判断所述第一子模型的指标是否符合预设指标要求，抽取各维度下符合预设指标要求的第一子模型，作为第二子模型；
进一步的，所述第一抽选模块103包括计算子模块和对应判断子模块；
所述第一计算子模块，用于计算所述第一子模型的性能指标以及稳定性指标；
所述对应判断子模块，用于分别将第一子模型的性能指标以及稳定性指标与所述预设指标要求中的要素对应比较判断。
通过计算子模块和对应判断子模块的配合，对性能指标以及稳定性指标的计算，并与预设指标中的各要素进行对应比较判断，以完成对第一子模型的筛选，提高最后输出结果的准确率。
组合模块104，用于将各所述维度下的第二子模型进行组合，得到多个第一主模型，所述第一主模型下的所述第二子模型分别属于不同维度；
第二抽选模块105，用于计算所述第一主模型的指标，根据多个所述第一主模型的指标，计算多个所述第一主模型的提升度，抽取提升度最大的第一主模型，作为第二主模型；
进一步的，所述第二抽选模块105包括第二计算子模块；
所述第二计算子模块，用于根据所述第一主模型下的第二子模型所占权重，对所述第二子模型中的性能指标以及稳定性指标进行加权求和，得到所述第一主模型的指标，所述权重根据所述第二子模型的指标中的AUC值与所述第一主模型下的所有第二子模型对应AUC值的和之比得到。
通过第二计算子模块以各第二子模型的AUC值占第一主模型下所有第二子模型的AUC值的和的比例，来作为第二子模型的权重，并更加该权重来计算第一主模型的各项指标，以便于后续对第一主模型进行挑选。
进一步的，所述第二抽选模块105包括提升度计算子模块；
所述提升度计算子模块，用于根据以下公式来计算所述第一主模型的提升度：
Figure BDA0003380768250000141
Index是指度量模型性能的指标，即本申请中的性能指标；a是指第二子模型，n是指第二子模型的数目；A表示多个第二子模型集成的第一主模型；Lift表示提升度；k从1至n间取值，k为整数；extremum()为取极值。
通过提升度计算子模块计算各第一主模型的提升度，并选取提升度最高的第一主模型作为第二主模型，利用第二主模型输出的结果具有最优的准确率。
处理模块106，用于接收待评估企业的企业数据，将所述待评估企业的企业数据输入所述第二主模型进行评估，得到所述待评估企业对应的评估结果。
进一步的，所述处理模块106包括第一接收子模块、第一处理子模块以及第一求和子模块；
所述第一接收子模块，用于接收所述待评估企业的企业数据，对待评估企业的企业数据的内容进行分类，得到多个类别的数据；
所述第一处理子模块，用于将不同类别的数据分别输入到第二主模型下对应的第二子模型中，对应得到多个子评估结果；
所述第一求和子模块，用于根据所述第二主模型下的第二子模型所占权重，对多个所述子评估结果进行加权求和，得到对应的第一评估结果。
通过第一接收子模块、第一处理子模块以及第一求和子模块的配合，利用第二主模型下的各第二子模型对各维度的数据分别处理，得到对应的子评估结果，并根据各第二子模型所占权重，对子评估结果进行加权求和，得到最终的评估结果，从而提高了输出结果值的准确率。
再进一步的，所述处理模块106还包括数值判断子模块，所述第一处理子模块包括对应输入单元；
所述数值判断子模块，用于统计各类别的数据对应的数据量，与预设数值进行比较，得到数据量大于或等于的预设数值对应的类别的数据；
所述对应输入单元，用于将多个所述数据量大于或等于预设数值对应的类别的数据分别输入到第二主模型下对应的第二子模型。
通过数值判断子模块，所述第一处理子模块包括对应输入单元的配合，筛选数据量过少或缺失的类别对应的第二子模型，在实际评估结果时，不利用该数据量过少或缺失的类别对应的第二子模型，从而提高第二主模型的准确率。
进一步的，所述处理模块106包括第二接收子模块、第二处理子模块、排序子模块、归一化子模块以及第二求和子模块；
第二接收子模块，用于接收所述待评估企业的企业数据，对待评估企业的企业数据的内容进行分类，得到多个类别的数据；
第二处理子模块，用于将不同类别的数据分别输入到第二主模型下对应的第二子模型中，对应得到多个子评估结果；
第一排序子模块，用于对所述第二主模型下的多个第二子模型，分别得到的子评估结果进行排序，得到排序值；
归一化子模块，用于对所述排序值进行归一化，得到归一化数值；
第二求和子模块，用于根据所述第二主模型下的第二子模型所占权重，对多个所述归一化数值进行加权求和，得到对应的第二评估结果。
通过第二接收子模块、第二处理子模块、排序子模块、归一化子模块以及第二求和子模块的配合，将各子评估结果进行排序，并将排序后进行归一化，得到归一化数值，再对归一化数值进行加权求和，得到对应的评估结果，所述评估结果并非直接对应的概率值，而是一种排序值，实现对输入的多个待评估企业的数据，进行排序，得到的结果更贴合实际需要。即只对前预设部分的待评估企业进行后续处理。
再进一步的，所述处理模块106还包括第三求和子模块、第二排序子模块以及结合子模块；
所述第三求和子模块，用于根据所述第二主模型下的第二子模型所占权重，对多个所述子评估结果进行加权求和，得到对应的第一评估结果；
所述第二排序子模块，用于根据所述第二评估结果，对待评估企业进行排序，得到排序列表；
所述结合子模块，用于通过将排序列表与所述第一评估结果相结合，实现对排序列表的标定。
通过第三求和子模块、第二排序子模块以及结合子模块的配合，将排序后的列表与实际逾期概率或评估结果进行结合，更清楚的展现前预设比例的逾期概率是如何的，便于后续有关人员的利用。
通过采用上述装置，所述企业数据评估装置100通过获取模块101、训练模块102、第一抽选模块103、组合模块104、第二抽选模块105以及处理模块106的配合使用，通过获取多个维度的企业训练数据以及多个预设评估模型，针对每一维度的企业训练数据，都利用多个预设的模型来进行训练，所以每个维度下都能得到多个对应的第一子模型，通过根据第一子模型的指标是否满足预设指标要求，来对第一子模型进行初筛，从而得到符合要求第二子模型，从每个维度下抽取一个第二子模型进行组合，得到多个第一主模型，第一主模型的各指标为其下的多个第二子模型的加权和，根据所述第一主模型的指标，来计算第一主模型的提升度，抽取提升度最大的第一主模型，作为第二主模型；从而完成对模型训练与筛选，使得后续利用第二主模型对数据进行处理时，稳定性更好以及效率更高；通过接收待评估企业的企业数据，将所述待评估企业的企业数据输入所述第二主模型进行评估，得到所述待评估企业对应的评估结果，实现了提高根据待评估企业的企业数据对待评估企业进行评估结果的准确率。
本申请实施例还提供一种计算机设备。具体请参阅图5，图5为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过***总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作***和各类应用软件，例如企业数据评估方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述企业数据评估方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本实施例通过处理器执行存储在存储器的计算机可读指令时实现如上述实施例企业数据评估方法的步骤，通过获取多个维度的企业训练数据以及多个预设评估模型，针对每一维度的企业训练数据，都利用多个预设的模型来进行训练，所以每个维度下都能得到多个对应的第一子模型，通过根据第一子模型的指标是否满足预设指标要求，来对第一子模型进行初筛，从而得到符合要求第二子模型，从每个维度下抽取一个第二子模型进行组合，得到多个第一主模型，第一主模型的各指标为其下的多个第二子模型的加权和，根据所述第一主模型的指标，来计算第一主模型的提升度，抽取提升度最大的第一主模型，作为第二主模型；从而完成对模型训练与筛选，使得后续利用第二主模型对数据进行处理时，稳定性更好以及效率更高；通过接收待评估企业的企业数据，将所述待评估企业的企业数据输入所述第二主模型进行评估，得到所述待评估企业对应的评估结果，实现了提高根据待评估企业的企业数据对待评估企业进行评估结果的准确率。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的企业数据评估方法的步骤，通过获取多个维度的企业训练数据以及多个预设评估模型，针对每一维度的企业训练数据，都利用多个预设的模型来进行训练，所以每个维度下都能得到多个对应的第一子模型，通过根据第一子模型的指标是否满足预设指标要求，来对第一子模型进行初筛，从而得到符合要求第二子模型，从每个维度下抽取一个第二子模型进行组合，得到多个第一主模型，第一主模型的各指标为其下的多个第二子模型的加权和，根据所述第一主模型的指标，来计算第一主模型的提升度，抽取提升度最大的第一主模型，作为第二主模型；从而完成对模型训练与筛选，使得后续利用第二主模型对数据进行处理时，稳定性更好以及效率更高；通过接收待评估企业的企业数据，将所述待评估企业的企业数据输入所述第二主模型进行评估，得到所述待评估企业对应的评估结果，实现了提高根据待评估企业的企业数据对待评估企业进行评估结果的准确率。
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)执行本申请各个实施例所述的方法。
本申请上述实施例的企业数据评估装置、计算机设备、计算机可读存储介质具有与上述实施例的企业数据评估方法相同的技术效果，在此不作展开。
显然，以上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，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种企业数据评估方法，其特征在于，所述方法包括：
获取多个维度的企业训练数据以及多个预设评估模型；
针对每一维度的企业训练数据，都利用多个所述预设评估模型进行训练，得到多个对应的第一子模型；
判断所述第一子模型的指标是否符合预设指标要求，抽取各维度下符合预设指标要求的第一子模型，作为第二子模型；
将各所述维度下的第二子模型进行组合，得到多个第一主模型，所述第一主模型下的所述第二子模型分别属于不同维度；
计算所述第一主模型的指标，根据多个所述第一主模型的指标，计算多个所述第一主模型的提升度，抽取提升度最大的第一主模型，作为第二主模型；
接收待评估企业的企业数据，将所述待评估企业的企业数据输入所述第二主模型进行评估，得到所述待评估企业对应的评估结果。
2.根据权利要求1所述的企业数据评估方法，其特征在于，所述判断所述第一子模型的指标是否符合预设指标要求包括：
计算所述第一子模型的性能指标以及稳定性指标；
分别将第一子模型的性能指标以及稳定性指标与所述预设指标要求中的要素对应比较判断。
3.根据权利要求2所述的企业数据评估方法，其特征在于，所述计算所述第一主模型的指标包括：
根据所述第一主模型下的第二子模型所占权重，对所述第二子模型中的性能指标以及稳定性指标进行加权求和，得到所述第一主模型的指标，所述权重根据所述第二子模型的指标中的AUC值与所述第一主模型下的所有第二子模型对应AUC值的和之比得到。
4.根据权利要求1所述的企业数据评估方法，其特征在于，所述接收待评估企业的企业数据，将所述待评估企业的企业数据输入所述第二主模型进行评估，得到所述待评估企业对应的评估结果包括：
接收所述待评估企业的企业数据，对待评估企业的企业数据的内容进行分类，得到多个类别的数据；
将不同类别的数据分别输入到第二主模型下对应的第二子模型中，对应得到多个子评估结果；
根据所述第二主模型下的第二子模型所占权重，对多个所述子评估结果进行加权求和，得到对应的第一评估结果。
5.根据权利要求4所述的企业数据评估方法，其特征在于，在所述将不同类别的数据分别输入到第二主模型下对应的第二子模型中之前，还包括：
统计各类别的数据对应的数据量，与预设数值进行比较，得到数据量大于或等于的预设数值对应的类别的数据；
所述将不同类别的数据分别输入到第二主模型下对应的第二子模型中包括：
将多个所述数据量大于或等于预设数值对应的类别的数据分别输入到第二主模型下对应的第二子模型。
6.根据权利要求1所述的企业数据评估方法，其特征在于，所述接收待评估企业的企业数据，将所述待评估企业的企业数据输入所述第二主模型进行评估，得到所述待评估企业对应的评估结果包括：
接收所述待评估企业的企业数据，对待评估企业的企业数据的内容进行分类，得到多个类别的数据；
将不同类别的数据分别输入到第二主模型下对应的第二子模型中，对应得到多个子评估结果；
对所述第二主模型下的多个第二子模型，分别得到的子评估结果进行排序，得到排序值；
对所述排序值进行归一化，得到归一化数值；
根据所述第二主模型下的第二子模型所占权重，对多个所述归一化数值进行加权求和，得到对应的第二评估结果。
7.根据权利要求6所述的企业数据评估方法，其特征在于，在所述将不同类别的数据分别输入到第二主模型下对应的第二子模型中，对应得到多个子评估结果之后，还包括：
根据所述第二主模型下的第二子模型所占权重，对多个所述子评估结果进行加权求和，得到对应的第一评估结果；
在所述对多个所述归一化数值进行加权求和，得到对应的第二评估结果之后，还包括：
根据所述第二评估结果，对待评估企业进行排序，得到排序列表；
通过将排序列表与所述第一评估结果相结合，实现对排序列表的标定。
8.一种企业数据评估装置，其特征在于，所述装置包括：
获取模块，用于获取多个维度的企业训练数据以及多个预设评估模型；
训练模块，用于针对每一维度的企业训练数据，都利用多个所述预设评估模型进行训练，得到多个对应的第一子模型；
第一抽选模块，用于判断所述第一子模型的指标是否符合预设指标要求，抽取各维度下符合预设指标要求的第一子模型，作为第二子模型；
组合模块，用于将各所述维度下的第二子模型进行组合，得到多个第一主模型，所述第一主模型下的所述第二子模型分别属于不同维度；
第二抽选模块，用于计算所述第一主模型的指标，根据多个所述第一主模型的指标，计算多个所述第一主模型的提升度，抽取提升度最大的第一主模型，作为第二主模型；
处理模块，用于接收待评估企业的企业数据，将所述待评估企业的企业数据输入所述第二主模型进行评估，得到所述待评估企业对应的评估结果。
9.一种计算机设备，其特征在于，所述计算机设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一所述的企业数据评估方法。
10.一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计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一所述的企业数据评估方法。
CN202111432548.XA 2021-11-29 2021-11-29 企业数据评估方法、装置、计算机设备及存储介质 Pending CN114139931A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111432548.XA CN114139931A (zh) 2021-11-29 2021-11-29 企业数据评估方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111432548.XA CN114139931A (zh) 2021-11-29 2021-11-29 企业数据评估方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN114139931A true CN114139931A (zh) 2022-03-04

Family

ID=80389034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111432548.XA Pending CN114139931A (zh) 2021-11-29 2021-11-29 企业数据评估方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN114139931A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663219A (zh) * 2022-03-28 2022-06-24 南通电力设计院有限公司 一种基于能源互联电力市场的主体征信评估方法及***
CN116737129A (zh) * 2023-08-08 2023-09-12 杭州比智科技有限公司 一种供应链控制塔生成式大语言模型及其构建方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663219A (zh) * 2022-03-28 2022-06-24 南通电力设计院有限公司 一种基于能源互联电力市场的主体征信评估方法及***
CN114663219B (zh) * 2022-03-28 2023-09-12 南通电力设计院有限公司 一种基于能源互联电力市场的主体征信评估方法及***
CN116737129A (zh) * 2023-08-08 2023-09-12 杭州比智科技有限公司 一种供应链控制塔生成式大语言模型及其构建方法
CN116737129B (zh) * 2023-08-08 2023-11-17 杭州比智科技有限公司 一种供应链控制塔生成式大语言模型及其构建方法

Similar Documents

Publication Publication Date Title
CN108520357B (zh) 一种线损异常原因的判别方法、装置及服务器
CN107025596B (zh) 一种风险评估方法和***
CN108665159A (zh) 一种风险评估方法、装置、终端设备及存储介质
CN116342259A (zh) 一种用户信用自动评级方法、装置、电子设备及介质
CN111652280B (zh) 基于行为的目标物数据分析方法、装置及存储介质
CN114139931A (zh) 企业数据评估方法、装置、计算机设备及存储介质
CN116595463B (zh) 窃电识别模型的构建方法、窃电行为识别方法及装置
CN111507470A (zh) 一种异常账户的识别方法及装置
CN111931047B (zh) 基于人工智能的黑产账号检测方法及相关装置
CN111343147B (zh) 一种基于深度学习的网络攻击检测装置及方法
CN111582315B (zh) 样本数据处理方法、装置及电子设备
CN112686312A (zh) 一种数据分类方法、装置及***
CN112990989B (zh) 价值预测模型输入数据生成方法、装置、设备和介质
CN117689209A (zh) 基于熵权模糊综合的桥梁安全风险评估方法、设备及介质
CN113283673A (zh) 一种模型性能衰减评价方法、模型训练方法及装置
CN116843483A (zh) 一种车险理赔方法、装置、计算机设备及存储介质
CN111654853B (zh) 一种基于用户信息的数据分析方法
CN113628043B (zh) 基于数据分类的投诉有效性判断方法、装置、设备及介质
CN115423600A (zh) 数据筛选方法、装置、介质及电子设备
CN110458707B (zh) 基于分类模型的行为评估方法、装置及终端设备
CN114372867A (zh) 用户信用度的验证评估方法、装置和计算机设备
CN110570301B (zh) 风险识别方法、装置、设备及介质
CN114626940A (zh) 数据分析方法、装置及电子设备
CN112529303A (zh) 基于模糊决策的风险预测方法、装置、设备和存储介质
CN112529319A (zh) 基于多维特征的评分方法、装置、计算机设备及存储介质

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