CN114580916A - 一种企业风险评估方法、装置、电子设备及存储介质 - Google Patents
一种企业风险评估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114580916A CN114580916A CN202210217315.6A CN202210217315A CN114580916A CN 114580916 A CN114580916 A CN 114580916A CN 202210217315 A CN202210217315 A CN 202210217315A CN 114580916 A CN114580916 A CN 114580916A
- Authority
- CN
- China
- Prior art keywords
- target enterprise
- public opinion
- enterprise
- risk
- determining
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 11
- 238000003058 natural language processing Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000026683 transduction Effects 0.000 description 1
- 238000010361 transduction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种企业风险评估方法、装置、电子设备及存储介质，包括：获取目标企业在多个运营指标下的指标值，根据各指标值确定目标企业的基础风险评分；获取与目标企业对应的多个关联实体，根据目标企业以及关联实体在各运营指标下的指标值，确定目标企业的关联风险评分；获取目标企业对应的舆情信息，根据舆情信息确定目标企业的舆情风险评分；根据基础风险评分、关联风险评分以及舆情风险评分，确定目标企业的综合风险评估结果。本发明实施例的技术方案可以实现对企业进行多维度的风险评估，提高企业风险评估结果的准确性、时效性、可解释性。
Description
技术领域
本发明涉及大数据技术领域，尤其涉及一种企业风险评估方法、装置、电子设备及存储介质。
背景技术
企业风险评估是对企业各项业务管理及其重要业务流程进行风险评估，目的在于查找和描述企业风险，确定风险评估结果对企业实现目标的影响程度，并根据业务需求向企业提供风险控制策略。
虽然目前普遍应用的风险评估方法已相对成熟，但现有的风险评估方法在企业的应用中存在以下不足之处：基于财务指标进行单一评估，导致评估维度不够全面，风险评估结果准确性较低；其次，现有方法在很难实时获取企业的指标数据，导致风险评估结果时效性较差。
发明内容
本发明提供了一种企业风险评估方法、装置、电子设备及存储介质，可以实现对企业进行多维度的风险评估，提高企业风险评估结果的准确性、时效性和可解释性。
根据本发明的一方面，提供了一种企业风险评估方法，包括：
获取目标企业在多个运营指标下的指标值，根据各指标值确定目标企业的基础风险评分；
获取与目标企业对应的多个关联实体，根据目标企业以及关联实体在各运营指标下的指标值，确定目标企业的关联风险评分；
获取目标企业对应的舆情信息，根据所述舆情信息确定目标企业的舆情风险评分；
根据所述基础风险评分、关联风险评分以及舆情风险评分，确定目标企业的综合风险评估结果。
根据本发明的另一方面，提供了一种企业风险评估装置，所述装置包括：
基础评分确定模块，用于获取目标企业在多个运营指标下的指标值，根据各指标值确定目标企业的基础风险评分；
关联评分确定模块，用于获取与目标企业对应的多个关联实体，根据目标企业以及关联实体在各运营指标下的指标值，确定目标企业的关联风险评分；
舆情评分确定模块，用于获取目标企业对应的舆情信息，根据所述舆情信息确定目标企业的舆情风险评分；
综合评分确定模块，用于根据所述基础风险评分、关联风险评分以及舆情风险评分，确定目标企业的综合风险评估结果。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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本发明任一实施例所述的企业风险评估方法。
根据本发明的另一方面，提供了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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的企业风险评估方法。
本发明实施例提供的技术方案，通过获取目标企业在多个运营指标下的指标值，根据各指标值确定目标企业的基础风险评分；获取与目标企业对应的多个关联实体，根据目标企业以及关联实体在各运营指标下的指标值，确定目标企业的关联风险评分；获取目标企业对应的舆情信息，根据舆情信息确定目标企业的舆情风险评分；根据基础风险评分、关联风险评分以及舆情风险评分，确定目标企业的综合风险评估结果的技术手段，可以实现对企业进行多维度的风险评估，提高企业风险评估结果的准确性、时效性和可解释性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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是根据本发明实施例一提供的一种企业风险评估方法的流程图；
图2a是根据本发明实施例二提供的一种企业风险评估方法的流程图；
图2b是根据本发明实施例二提供的一种企业关联图谱的示意图；
图2c是根据本发明实施例二提供的一种关联风险评估模型的示意图；
图3是根据本发明实施例三提供的一种企业风险评估方法的流程图；
图4是根据本发明实施例四提供的一种企业风险评估装置的结构示意图；
图5是实现本发明实施例的企业风险评估方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种企业风险评估方法的流程图，本实施例可适用于对企业的运营风险进行评估的情况，该方法可以由企业风险评估装置来执行，该企业风险评估装置可以采用硬件和/或软件的形式实现，该企业风险评估装置可配置于具备数据处理功能的电子设备(例如终端或者服务器)中。如图1所示，该方法包括：
步骤110、获取目标企业在多个运营指标下的指标值，根据各指标值确定目标企业的基础风险评分。
在本实施例中，所述目标企业可以为等待进行风险评估的企业。所述运营指标可以包括司法指标、工商指标、债股指标、财务指标、税务指标、舆情指标以及名录指标等。目标企业在每个运营指标下产生的数据，可以作为目标企业在该运营指标下的指标值。
在此步骤中，可选的，可以基于多源头的数据仓库，获取目标企业在多个运营指标下的指标值。具体的，以工商指标为例，对应的指标值可以包括企业的工商变更信息、股权出质情况、异常名录以及行政处罚信息等；以财务指标为例，对应的指标值可以包括企业的盈利能力、偿债能力以及现金流量信息等；以债股指标为例，对应的指标值可以包括企业的信用评级、股价走势以及公告信息等；以舆情指标为例，对应的指标值可以包括企业的舆情情感、舆情声量以及风险事件等。
在本实施例中，获取到多个运营指标下的指标值后，可以利用大数据Spark计算引擎，根据各运营指标下的指标值，计算目标企业针对各运营指标的运营标签。所述运营标签用于衡量目标企业在对应指标下的运营状况。具体的，假设目标企业在某一运营指标下的标签为“良好”，则可以认为目标企业在该指标下的运营状况良好，也即目标企业在该指标下的风险程度较低。
在此步骤中，通过Spark计算引擎计算出每个运营指标对应的标签后，可以根据多个标签共同确定目标企业的基础风险评分。
在本实施例中，确定基础风险评分的目的在于对企业自身中长期的运营状况进行评估。其中，基础风险评分越高，则可以确定目标企业自身运营情况带来的风险指数越高。
步骤120、获取与目标企业对应的多个关联实体，根据目标企业以及关联实体在各运营指标下的指标值，确定目标企业的关联风险评分。
在本实施例中，除了在数据仓库中获取目标企业自身的指标值以外，还可以获取目标企业关联实体的指标值。所述关联实体可以为与目标企业具备关联关系的企业或者个人。具体的，可以采用与步骤110相同的方式，获取关联实体在各运营指标下的指标值。
在此步骤中，可选的，可以利用大数据Spark计算引擎，根据关联实体在各运营指标下的指标值，计算关联实体针对各运营指标的运营标签，然后结合目标企业针对各运营指标的运营标签，以及关联实体针对各运营指标的标签，共同确定目标企业的关联风险评分。
在本实施例中，确定关联风险评分的目的在于对企业与关联实体之间的风险传导能力进行评估。其中，关联风险评分越高，则可以认为关联实体与企业之间的风险传导能力越强，也即关联实体的运营情况为企业带来的风险指数越高。
步骤130、获取目标企业对应的舆情信息，根据所述舆情信息确定目标企业的舆情风险评分。
在本实施例中，可以基于数据仓库获取目标企业的舆情信息，所述舆情信息是指用于反映目标企业的社会状态以及运营情况的资讯、消息、评论以及新闻等。可选的，获取到目标企业的舆情信息之后，可以根据舆情信息中事件发生的时间、次数以及造成的舆情情感，确定目标企业的舆情风险评分。
在一个具体的实施例中，假设舆情信息中负面事件发生的时间距离当前时间较近，并且负面事件发生的次数较多，则可以确定舆情风险评分较高。
在本实施例中，确定舆情风险评分的目的在于对企业近期的舆情负面指数进行评估。其中，舆情风险评分越高，则可以确定企业近期的舆情负面指数越高。
步骤140、根据所述基础风险评分、关联风险评分以及舆情风险评分，确定目标企业的综合风险评估结果。
在本实施例中，可选的，可以将基础风险评分、关联风险评分以及舆情风险评分进行叠加，得到目标企业的综合风险评估结果。
在本实施例中，通过数据仓库存储企业对应的高吞吐量、高实时性的数据资源，可以保证数据获取结果的时效性；其次，通过结合基础风险评分、关联风险评分以及舆情风险评分，共同确定目标企业的综合风险评估结果，可以实现对目标企业进行多维度的风险评估，避免现有技术中依赖单一指标进行风险评估导致评估维度不全面的问题，由此可以提高企业风险评估结果的准确性。
本发明实施例提供的技术方案，通过获取目标企业在多个运营指标下的指标值，根据各指标值确定目标企业的基础风险评分；获取与目标企业对应的多个关联实体，根据目标企业以及关联实体在各运营指标下的指标值，确定目标企业的关联风险评分；获取目标企业对应的舆情信息，根据舆情信息确定目标企业的舆情风险评分；根据基础风险评分、关联风险评分以及舆情风险评分，确定目标企业的综合风险评估结果的技术手段，可以实现对企业进行多维度的风险评估，提高企业风险评估结果的准确性、时效性和可解释性。
实施例二
图2a为本发明实施例二提供的一种企业风险评估方法的流程图，本实施例与上述实施例之间的关系是追加了关联实体，以及确定关联风险评分的技术特征。如图2a所示，该方法包括：
步骤201、获取目标企业在多个运营指标下的指标值，根据各指标值确定目标企业的基础风险评分。
在本实施例的一个实施方式中，根据各指标值确定目标企业的基础风险评分，包括：根据目标企业在多个运营指标下的指标值，计算目标企业对应的标签集；所述标签集中包括多项运营标签；将目标企业对应的标签集，输入至预先训练的基础风险评估模型中，通过所述基础风险评估模型，根据所述标签集确定目标企业的基础风险评分。
其中，所述基础风险评估模型由多个企业对应的标签集对特征工程学习模型训练得到。在将目标企业对应的标签集输入至基础风险评估模型后，基础风险评估模型会对所述标签集的特征进行提取，然后根据预先学习的风险企业的发展规律，以及目标企业的特征提取结果，推演计算目标企业的基础风险评分。
步骤202、根据与所述目标企业对应的企业关联图谱，确定与所述目标企业对应的一度关联实体。
在本实施例中，所述企业关联图谱中包括多个实体之间的关联关系，所述关联关系包括集团关系、股权关系以及担保关系。所述实体可以包括企业或人员。具体的，可以根据企业关联图谱获取与目标企业具备直接关联关系的实体作为一度关联实体。
在一个具体的实施例中，目标企业的企业关联图谱可以如图2b所示，以图2b中的企业关联图谱为例，假设中心节点为目标企业，与目标企业具备直接关联关系的实体包括：集团A、分支结构B、同级结构C、股东D以及担保方E。因此，可以将集团A、分支结构B、同级结构C、股东D以及担保方E作为一度关联实体。
步骤203、获取各所述一度关联实体的实体类型。
在此步骤中，可以根据各一度关联实体在企业关联图谱中的属性信息，确定一度关联实体的实体类型。具体的，假设一度关联实体为分支结构，则对应的实体类型可以为企业实体；假设一度关联实体为股东，则对应的实体类型可以为人员实体。
步骤204、根据实体类型为企业实体的各一度关联实体的企业关联图谱，确定与所述目标企业对应的二度关联实体。
在此步骤中，可以将实体类型为企业实体的一度关联实体作为目标关联实体，然后根据目标关联实体的企业关联图谱，确定与目标关联实体具备直接联系的实体，并将此实体作为目标企业对应的二度关联实体。
在一个具体的实施例中，以图2b中的企业关联图谱为例，假设一度关联实体中的分支结构B、同级结构C以及担保方E的实体类型为企业实体，则可以获取与分支结构B、同级结构C以及担保方E具备直接联系的实体(例如担保方F、股东G以及集团H)作为二度关联实体。
这样设置的好处在于，通过先确定与目标企业具备直接关系的一度关联实体，再确定与一度关联实体具备直接关系的二度关联实体，可以全面地获取目标企业对应的全部关联实体，进而可以提高后续关联风险评分结果的准确性和可解释性。
步骤205、根据目标企业以及关联实体在各运营指标下的指标值，计算目标企业与各关联实体分别对应的标签集；所述标签集中包括多项运营标签。
在此步骤中，可以通过Spark计算引擎，根据目标企业以及关联实体在各运营指标下的指标值，计算目标企业以及关联实体针对各运营指标的运营标签，多项运营标签构成了标签集。
步骤206、将目标企业与各关联实体分别对应的标签集，输入至预先训练的关联风险评估模型中。
在本实施例中，所述关联风险评估模型可以预先由多个企业以及关联实体分别对应的标签集训练得到。
步骤207、通过关联风险评估模型，根据目标企业与各关联实体分别对应的标签集，生成目标企业与各关联实体分别对应的特征向量。
在本实施例中，图2c可以为关联风险评估模型的结构示意图。如图2c所示，将目标企业与各关联实体分别对应的标签集，输入至关联风险评估模型后，关联风险评估模型可以将各标签集作为一个节点。其中，中心节点对应目标企业的标签集，第一层中的各节点对应一度关联实体的标签集，第二层中的各节点对应二度关联实体的标签集。关联风险评估模型可以根据每个节点与邻居节点的数据特征，生成每个节点对应的特征向量(也即目标企业与各关联实体分别对应的特征向量)。
步骤208、通过关联风险评估模型，将目标企业与各关联实体分别对应的特征向量进行聚合，并根据聚合结果确定目标企业的关联风险评分。
在此步骤中，关联风险评估模型可以将目标企业与各关联实体分别对应的特征向量进行聚合，然后将聚合结果按照预设的计算方式进行转化，得到目标企业的关联风险评分。
在本实施例中，通过关联风险评估模型可以快速输出目标企业的关联风险评分，由此可以提高目标企业的风险评估效率。
步骤209、获取目标企业对应的舆情信息，根据所述舆情信息确定目标企业的舆情风险评分。
步骤210、根据所述基础风险评分、关联风险评分以及舆情风险评分，确定目标企业的综合风险评估结果。
在本实施例的一个实施方式中，在获取与目标企业对应的多个关联实体之前，还包括：获取多个企业以及关联实体在各运营指标下的指标值，计算多个企业与关联实体分别对应的标签集；使用多个企业与关联实体分别对应的标签集，对图神经网络(GraphNeural Networks，GNN)模型进行训练，得到关联风险评估模型。
其中，可以将多个企业与关联实体分别对应的标签集，以及各企业分别对应的预设关联风险评分共同作为训练样本集，然后使用所述训练样本集对GNN模型进行迭代训练，得到关联风险评估模型。
本发明实施例提供的技术方案，通过获取目标企业在多个运营指标下的指标值，根据各指标值确定目标企业的基础风险评分，确定与目标企业对应的一度关联实体以及二度关联实体，根据目标企业以及关联实体在各运营指标下的指标值，计算目标企业与各关联实体分别对应的标签集，将目标企业与各关联实体分别对应的标签集，输入至预先训练的关联风险评估模型中，通过关联风险评估模型确定目标企业的关联风险评分，获取目标企业对应的舆情信息，根据舆情信息确定目标企业的舆情风险评分，根据基础风险评分、关联风险评分以及舆情风险评分，确定目标企业的综合风险评估结果的技术手段，可以实现对企业进行多维度的风险评估，提高企业的风险评估效率，以及评估结果的准确性、时效性和可解释性。
实施例三
图3为本发明实施例三提供的一种企业风险评估方法的流程图，本实施例与上述实施例之间的关系是追加了确定舆情风险评分的技术特征。如图3所示，该方法包括：
步骤310、获取目标企业在多个运营指标下的指标值，根据各指标值确定目标企业的基础风险评分。
步骤320、获取与目标企业对应的多个关联实体，根据目标企业以及关联实体在各运营指标下的指标值，确定目标企业的关联风险评分。
步骤330、获取目标企业对应的舆情信息。
步骤340、采用自然语言处理技术提取舆情信息中包括的至少一项事件要素。
在此步骤中，可以采用自然语言处理(Natural Language Processing，NLP)技术将舆情信息进行结构化处理，然后根据处理结果提取出舆情信息中所描述的涉事人员、事件类型以及舆情情感等事件要素。
步骤350、根据各项事件要素，生成与目标企业对应的舆情事件序列。
在此步骤中，可以将各项事件要素按照事件发生时间进行排列，得到目标企业对应的舆情事件序列。
步骤360、将所述舆情事件序列输入至预先训练的舆情风险评估模型，由舆情风险评估模型根据舆情事件序列，预测目标企业的舆情事件走向以及舆情负面指数。
在本实施例中，舆情风险评估模型可以由多个企业对应的舆情事件走向序列训练得到。具体的，所述舆情事件走向序列可以根据企业长时间对应的舆情信息生成得到。
在此步骤中，将舆情事件序列输入至舆情风险评估模型后，舆情风险评估模型可以挖掘舆情事件序列的发展规律，并根据所述发展规律，预测目标企业的舆情事件走向以及舆情负面指数。
步骤370、根据所述舆情事件走向以及舆情负面指数，确定目标企业的舆情风险评分。
在此步骤中，可以按照预设的计算方式，根据舆情事件走向以及舆情负面指数，确定目标企业的舆情风险评分。具体的，假设舆情事件走向为“异常”，并且舆情负面指数较高，则可以确定目标企业的舆情风险评分较高；反之，假设舆情事件走向为“正常”，并且舆情负面指数较低，则可以确定目标企业的舆情风险评分较低。
步骤380、根据所述基础风险评分、关联风险评分、舆情风险评分以及预设的权重比例，确定目标企业的综合风险评估结果。
在本实施例中，可以对基础风险评分、关联风险评分以及舆情风险评分，按照预设的权重比例进行加权求和，得到目标企业的综合风险评估结果。
在一个具体的实施例中，可以根据各种风险类型对企业运营的影响程度，设置对应的权重比例。例如，如果企业自身情况对企业运营的影响程度较大，则可以为基础风险评分设置一个较高的权重值；如果舆论情况对企业运营的影响程度较小，则可以为舆情风险评分设置一个较低的权重值。
这样设置的好处在于，通过预设的权重比例，对基础风险评分、关联风险评分以及舆情风险评分进行加权处理，可以使得综合风险评估结果与风险类型对企业运营的影响程度相关联，由此可以提高风险评估结果的有效性。
在本实施例的一个实施方式中，获取目标企业对应的舆情信息之前，还包括：获取多个企业对应的舆情信息，根据各舆情信息生成舆情事件走向序列；使用多个舆情事件走向序列，对循环神经网络模型进行训练，得到舆情风险评估模型。
其中，可以获取多个企业对应的长时间内的舆情信息，然后采用NLP技术提取舆情信息中包括的事件要素，根据各项事件要素生成舆情事件走向序列。
本发明实施例提供的技术方案，通过获取目标企业在多个运营指标下的指标值，根据各指标值确定目标企业的基础风险评分，获取与目标企业对应的多个关联实体，根据目标企业以及关联实体在各运营指标下的指标值，确定目标企业的关联风险评分，获取目标企业对应的舆情信息，采用NLP技术提取舆情信息中包括的事件要素，根据各项事件要素生成舆情事件序列，将舆情事件序列输入至舆情风险评估模型，由舆情风险评估模型根据舆情事件序列，预测目标企业的舆情事件走向以及舆情负面指数，根据舆情事件走向以及舆情负面指数确定目标企业的舆情风险评分，根据基础风险评分、关联风险评分、舆情风险评分以及预设的权重比例，确定目标企业的综合风险评估结果的技术手段，可以实现对企业进行多维度的风险评估，提高企业的风险评估效率，以及评估结果的准确性、时效性和可解释性。
实施例四
图4为本发明实施例四提供的一种企业风险评估装置的结构示意图，如图4所示，该装置包括：基础评分确定模块410、关联评分确定模块420舆情评分确定模块430和综合评分确定模块440。
其中，基础评分确定模块410，用于获取目标企业在多个运营指标下的指标值，根据各指标值确定目标企业的基础风险评分；
关联评分确定模块420，用于获取与目标企业对应的多个关联实体，根据目标企业以及关联实体在各运营指标下的指标值，确定目标企业的关联风险评分；
舆情评分确定模块430，用于获取目标企业对应的舆情信息，根据所述舆情信息确定目标企业的舆情风险评分；
综合评分确定模块440，用于根据所述基础风险评分、关联风险评分以及舆情风险评分，确定目标企业的综合风险评估结果。
本发明实施例提供的技术方案，通过获取目标企业在多个运营指标下的指标值，根据各指标值确定目标企业的基础风险评分；获取与目标企业对应的多个关联实体，根据目标企业以及关联实体在各运营指标下的指标值，确定目标企业的关联风险评分；获取目标企业对应的舆情信息，根据舆情信息确定目标企业的舆情风险评分；根据基础风险评分、关联风险评分以及舆情风险评分，确定目标企业的综合风险评估结果的技术手段，可以实现对企业进行多维度的风险评估，提高企业风险评估结果的准确性、时效性和可解释性。
在上述实施例的基础上，所述基础评分确定模块410包括：
目标企业标签计算单元，用于根据目标企业在多个运营指标下的指标值，计算目标企业对应的标签集；所述标签集中包括多项运营标签；
基础风险评分确定单元，用于将目标企业对应的标签集，输入至预先训练的基础风险评估模型中，通过所述基础风险评估模型，根据所述标签集确定目标企业的基础风险评分；
其中，所述基础风险评估模型由多个企业对应的标签集对特征工程学习模型训练得到。
关联评分确定模块420包括：
一度关联实体确定单元，用于根据与所述目标企业对应的企业关联图谱，确定与所述目标企业对应的一度关联实体；
实体类型获取单元，用于获取各所述一度关联实体的实体类型；
二度关联实体确定单元，用于根据实体类型为企业实体的各一度关联实体的企业关联图谱，确定与所述目标企业对应的二度关联实体；
其中，所述企业关联图谱中包括多个实体之间的关联关系，所述关联关系包括集团关系、股权关系以及担保关系；
标签集计算单元，用于根据目标企业以及关联实体在各运营指标下的指标值，计算目标企业与各关联实体分别对应的标签集；所述标签集中包括多项运营标签；
标签集输入单元，用于将目标企业与各关联实体分别对应的标签集，输入至预先训练的关联风险评估模型中；
向量生成单元，用于通过关联风险评估模型，根据目标企业与各关联实体分别对应的标签集，生成目标企业与各关联实体分别对应的特征向量；
向量聚合单元，用于通过关联风险评估模型，将目标企业与各关联实体分别对应的特征向量进行聚合，并根据聚合结果确定目标企业的关联风险评分；
其中，所述关联风险评估模型由多个企业以及关联实体分别对应的标签集训练得到。
所述舆情评分确定模块430包括：
要素提取单元，用于采用NLP技术提取舆情信息中包括的至少一项事件要素；
序列生成单元，用于根据各项事件要素，生成与目标企业对应的舆情事件序列；
序列输入单元，用于将所述舆情事件序列输入至预先训练的舆情风险评估模型，由舆情风险评估模型根据舆情事件序列，预测目标企业的舆情事件走向以及舆情负面指数；
舆情风险评分确定单元，用于根据所述舆情事件走向以及舆情负面指数，确定目标企业的舆情风险评分；
其中，所述舆情风险评估模型由多个企业对应的舆情事件走向序列训练得到。
所述综合评分确定模块440包括：
风险评估结果确定单元，用于根据所述基础风险评分、关联风险评分、舆情风险评分以及预设的权重比例，确定目标企业的综合风险评估结果。
所述企业风险评估装置，还包括：
指标值获取模块，用于获取多个企业以及关联实体在各运营指标下的指标值，计算多个企业与关联实体分别对应的标签集；
图神经网络模型训练模块，用于使用多个企业与关联实体分别对应的标签集，对图神经网络模型进行训练，得到关联风险评估模型；
舆情信息获取模块，用于获取多个企业对应的舆情信息，根据各舆情信息生成舆情事件走向序列；
循环神经网络模型训练模块，用于使用多个舆情事件走向序列，对循环神经网络模型进行训练，得到舆情风险评估模型。
上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。
实施例五
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如企业风险评估方法。
在一些实施例中，企业风险评估方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的企业风险评估方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行企业风险评估方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种企业风险评估方法，其特征在于，所述方法包括：
获取目标企业在多个运营指标下的指标值，根据各指标值确定目标企业的基础风险评分；
获取与目标企业对应的多个关联实体，根据目标企业以及关联实体在各运营指标下的指标值，确定目标企业的关联风险评分；
获取目标企业对应的舆情信息，根据所述舆情信息确定目标企业的舆情风险评分；
根据所述基础风险评分、关联风险评分以及舆情风险评分，确定目标企业的综合风险评估结果。
2.根据权利要求1所述的方法，其特征在于，获取与目标企业对应的多个关联实体，包括：
根据与所述目标企业对应的企业关联图谱，确定与所述目标企业对应的一度关联实体；
获取各所述一度关联实体的实体类型；
根据实体类型为企业实体的各一度关联实体的企业关联图谱，确定与所述目标企业对应的二度关联实体；
其中，所述企业关联图谱中包括多个实体之间的关联关系，所述关联关系包括集团关系、股权关系以及担保关系。
3.根据权利要求1所述的方法，其特征在于，根据目标企业以及关联实体在各运营指标下的指标值，确定目标企业的关联风险评分，包括：
根据目标企业以及关联实体在各运营指标下的指标值，计算目标企业与各关联实体分别对应的标签集；所述标签集中包括多项运营标签；
将目标企业与各关联实体分别对应的标签集，输入至预先训练的关联风险评估模型中；
通过关联风险评估模型，根据目标企业与各关联实体分别对应的标签集，生成目标企业与各关联实体分别对应的特征向量；
通过关联风险评估模型，将目标企业与各关联实体分别对应的特征向量进行聚合，并根据聚合结果确定目标企业的关联风险评分；
其中，所述关联风险评估模型由多个企业以及关联实体分别对应的标签集训练得到。
4.根据权利要求3所述的方法，其特征在于，在获取与目标企业对应的多个关联实体之前，还包括：
获取多个企业以及关联实体在各运营指标下的指标值，计算多个企业与关联实体分别对应的标签集；
使用多个企业与关联实体分别对应的标签集，对图神经网络模型进行训练，得到关联风险评估模型。
5.根据权利要求1所述的方法，其特征在于，根据所述舆情信息确定目标企业的舆情风险评分，包括：
采用自然语言处理NLP技术提取舆情信息中包括的至少一项事件要素；
根据各项事件要素，生成与目标企业对应的舆情事件序列；
将所述舆情事件序列输入至预先训练的舆情风险评估模型，由舆情风险评估模型根据舆情事件序列，预测目标企业的舆情事件走向以及舆情负面指数；
根据所述舆情事件走向以及舆情负面指数，确定目标企业的舆情风险评分；
其中，所述舆情风险评估模型由多个企业对应的舆情事件走向序列训练得到。
6.根据权利要求5所述的方法，其特征在于，在获取目标企业对应的舆情信息之前，还包括：
获取多个企业对应的舆情信息，根据各舆情信息生成舆情事件走向序列；
使用多个舆情事件走向序列，对循环神经网络模型进行训练，得到舆情风险评估模型。
7.根据权利要求1所述的方法，其特征在于，根据所述基础风险评分、关联风险评分以及舆情风险评分，确定目标企业的综合风险评估结果包括：
根据所述基础风险评分、关联风险评分、舆情风险评分以及预设的权重比例，确定目标企业的综合风险评估结果。
8.根据权利要求1所述的方法，其特征在于，根据各指标值确定目标企业的基础风险评分，包括：
根据目标企业在多个运营指标下的指标值，计算目标企业对应的标签集；所述标签集中包括多项运营标签；
将目标企业对应的标签集，输入至预先训练的基础风险评估模型中，通过所述基础风险评估模型，根据所述标签集确定目标企业的基础风险评分；
其中，所述基础风险评估模型由多个企业对应的标签集对特征工程学习模型训练得到。
9.一种企业风险评估装置，其特征在于，所述装置包括：
基础评分确定模块，用于获取目标企业在多个运营指标下的指标值，根据各指标值确定目标企业的基础风险评分；
关联评分确定模块，用于获取与目标企业对应的多个关联实体，根据目标企业以及关联实体在各运营指标下的指标值，确定目标企业的关联风险评分；
舆情评分确定模块，用于获取目标企业对应的舆情信息，根据所述舆情信息确定目标企业的舆情风险评分；
综合评分确定模块，用于根据所述基础风险评分、关联风险评分以及舆情风险评分，确定目标企业的综合风险评估结果。
10.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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权利要求1-8中任一项所述的企业风险评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210217315.6A CN114580916A (zh) | 2022-03-07 | 2022-03-07 | 一种企业风险评估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210217315.6A CN114580916A (zh) | 2022-03-07 | 2022-03-07 | 一种企业风险评估方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114580916A true CN114580916A (zh) | 2022-06-03 |
Family
ID=81778943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210217315.6A Pending CN114580916A (zh) | 2022-03-07 | 2022-03-07 | 一种企业风险评估方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114580916A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115409419A (zh) * | 2022-09-26 | 2022-11-29 | 河南星环众志信息科技有限公司 | 业务数据的价值评估方法、装置、电子设备及存储介质 |
| CN117078025A (zh) * | 2023-10-17 | 2023-11-17 | 金华市交通投资集团有限公司 | 风险预警方法、装置、电子设备及可读存储介质 |
| CN117114845A (zh) * | 2023-07-27 | 2023-11-24 | 广东企企通科技有限公司 | 企业风险预测方法、设备及介质 |
| CN117573814A (zh) * | 2024-01-17 | 2024-02-20 | 中电科大数据研究院有限公司 | 一种舆论态势评估方法、装置、***以及存储介质 |
| CN117575329A (zh) * | 2023-12-13 | 2024-02-20 | 广州智能科技发展有限公司 | 一种基于炸响指数的安全生产风险监测方法、存储介质及设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272396A (zh) * | 2018-08-20 | 2019-01-25 | 平安科技（深圳）有限公司 | 客户风险预警方法、装置、计算机设备和介质 |
| CN109800976A (zh) * | 2019-01-07 | 2019-05-24 | 平安科技（深圳）有限公司 | 项目投资决策方法、装置、计算机设备和存储介质 |
| CN110458697A (zh) * | 2019-08-19 | 2019-11-15 | 北京百度网讯科技有限公司 | 用于评估风险的方法和装置 |
| CN110930250A (zh) * | 2020-02-12 | 2020-03-27 | 成都数联铭品科技有限公司 | 企业信用风险的预测方法及***、存储介质及电子设备 |
| US20200167705A1 (en) * | 2018-11-28 | 2020-05-28 | Merck Sharp & Dohme Corp. | Adaptive enterprise risk evaluation |
| WO2021103492A1 (zh) * | 2019-11-28 | 2021-06-03 | 福建亿榕信息技术有限公司 | 一种企业经营风险预测方法和*** |
| CN113642867A (zh) * | 2021-07-30 | 2021-11-12 | 南京星云数字技术有限公司 | 评估风险的方法及*** |
-
2022
- 2022-03-07 CN CN202210217315.6A patent/CN114580916A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272396A (zh) * | 2018-08-20 | 2019-01-25 | 平安科技（深圳）有限公司 | 客户风险预警方法、装置、计算机设备和介质 |
| US20200167705A1 (en) * | 2018-11-28 | 2020-05-28 | Merck Sharp & Dohme Corp. | Adaptive enterprise risk evaluation |
| CN109800976A (zh) * | 2019-01-07 | 2019-05-24 | 平安科技（深圳）有限公司 | 项目投资决策方法、装置、计算机设备和存储介质 |
| CN110458697A (zh) * | 2019-08-19 | 2019-11-15 | 北京百度网讯科技有限公司 | 用于评估风险的方法和装置 |
| WO2021103492A1 (zh) * | 2019-11-28 | 2021-06-03 | 福建亿榕信息技术有限公司 | 一种企业经营风险预测方法和*** |
| CN110930250A (zh) * | 2020-02-12 | 2020-03-27 | 成都数联铭品科技有限公司 | 企业信用风险的预测方法及***、存储介质及电子设备 |
| CN113642867A (zh) * | 2021-07-30 | 2021-11-12 | 南京星云数字技术有限公司 | 评估风险的方法及*** |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115409419A (zh) * | 2022-09-26 | 2022-11-29 | 河南星环众志信息科技有限公司 | 业务数据的价值评估方法、装置、电子设备及存储介质 |
| CN115409419B (zh) * | 2022-09-26 | 2023-12-05 | 河南星环众志信息科技有限公司 | 业务数据的价值评估方法、装置、电子设备及存储介质 |
| CN117114845A (zh) * | 2023-07-27 | 2023-11-24 | 广东企企通科技有限公司 | 企业风险预测方法、设备及介质 |
| CN117078025A (zh) * | 2023-10-17 | 2023-11-17 | 金华市交通投资集团有限公司 | 风险预警方法、装置、电子设备及可读存储介质 |
| CN117575329A (zh) * | 2023-12-13 | 2024-02-20 | 广州智能科技发展有限公司 | 一种基于炸响指数的安全生产风险监测方法、存储介质及设备 |
| CN117573814A (zh) * | 2024-01-17 | 2024-02-20 | 中电科大数据研究院有限公司 | 一种舆论态势评估方法、装置、***以及存储介质 |
| CN117573814B (zh) * | 2024-01-17 | 2024-05-10 | 中电科大数据研究院有限公司 | 一种舆论态势评估方法、装置、***以及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114580916A (zh) | 一种企业风险评估方法、装置、电子设备及存储介质 | |
| CN116629620B (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
| CN111369344A (zh) | 一种动态生成预警规则的方法和装置 | |
| CN114997975A (zh) | 一种异常企业识别方法、装置、设备、介质及产品 | |
| CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
| CN115293291B (zh) | 排序模型的训练方法、排序方法、装置、电子设备及介质 | |
| CN115794473A (zh) | 一种根因告警的定位方法、装置、设备及介质 | |
| CN115601042A (zh) | 信息识别方法、装置、电子设备及存储介质 | |
| CN115827994A (zh) | 一种数据处理方法、装置、设备、存储介质 | |
| CN116244740B (zh) | 一种日志脱敏方法、装置、电子设备及存储介质 | |
| CN117522143A (zh) | 风险等级的确定方法、装置、设备及存储介质 | |
| CN116167635A (zh) | 一种提升评价准确性的方法和装置 | |
| CN117474413A (zh) | 数据处理方法、装置和存储介质 | |
| CN117455067A (zh) | 一种电量消耗预测方法、装置、电子设备及存储介质 | |
| CN114547417A (zh) | 一种媒体资源排序方法及电子设备 | |
| CN116304796A (zh) | 一种数据分类方法、装置、设备及介质 | |
| CN116467198A (zh) | 性能实测必要性确定方法、装置、电子设备和存储介质 | |
| CN115455019A (zh) | 一种基于用户行为分析的搜索意图识别方法、装置及设备 | |
| CN113343090A (zh) | 用于推送信息的方法、装置、设备、介质和产品 | |
| CN113886541A (zh) | 需求评估信息生成方法、需求评估信息展示方法及装置 | |
| CN115392660A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
| CN114818892A (zh) | 一种信用等级确定方法、装置、设备及存储介质 | |
| CN116431809A (zh) | 基于银行客服场景下的文本标注方法、装置和存储介质 | |
| CN115641216A (zh) | 基金净值估算方法、装置、电子设备及存储介质 | |
| CN116663905A (zh) | 金融风险的预测方法、装置、设备、存储介质及程序产品 |
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 |