CN118277916A - 企业所属行业识别方法、装置、设备及存储介质 - Google Patents
企业所属行业识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118277916A CN118277916A CN202410399464.8A CN202410399464A CN118277916A CN 118277916 A CN118277916 A CN 118277916A CN 202410399464 A CN202410399464 A CN 202410399464A CN 118277916 A CN118277916 A CN 118277916A
- Authority
- CN
- China
- Prior art keywords
- category
- industry
- enterprise
- candidate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004519 manufacturing process Methods 0.000 claims abstract description 93
- 238000013507 mapping Methods 0.000 claims abstract description 34
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000007670 refining 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
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种企业所属行业识别方法、装置、设备及存储介质。该方法包括:获取待识别企业的至少一种企业生产要素;根据预先构建的生成要素信息和行业类别之间的要素行业关系映射模型,确定待识别企业的各企业生产要素分别对应的第一参考行业类别和参考类别概率;根据属于相同第一参考行业类别的企业生产要素的参考类别概率,确定待识别企业的至少一个候选行业类别和各候选行业类别的候选类别概率;根据各候选类别概率,确定待识别企业的目标行业类别。本发明实施例技术方案实现了自动化识别企业所属行业,提高了行业识别结果准确度。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种企业所属行业识别方法、装置、设备及存储介质。
背景技术
信息***的建设和使用过程中,经常有针对行业方面的分析数据,供用户进行商业部署或政策决策,如果行业数据不准确会影响用户的部署及决策结果。
然而,依赖人工填报的行业信息往往会因为操作人员对行业的定义了解、企业的产业定位不清晰等因素而导致乱报或误报的情况。例如:主要给服装商定制吊牌、包装和相关宣传用品的广告公司,有的认为属于广告行业的,有的认为属于服装行业。因此,如何自动化且准确识别企业所属行业,成为目前亟待解决的问题。
发明内容
本发明提供了一种企业所属行业识别方法、装置、设备及存储介质,以实现自动化识别企业所属行业,以及提高行业识别结果准确度。
根据本发明的一方面,提供了一种企业所属行业识别方法,所述方法包括:
获取待识别企业的至少一种企业生产要素;
根据预先构建的生成要素信息和行业类别之间的要素行业关系映射模型,确定所述待识别企业的各所述企业生产要素分别对应的第一参考行业类别和参考类别概率;
根据属于相同第一参考行业类别的企业生产要素的参考类别概率,确定待识别企业的至少一个候选行业类别和各所述候选行业类别的候选类别概率;
根据各所述候选类别概率,确定所述待识别企业的目标行业类别。
根据本发明的另一方面,提供了一种企业所属行业识别装置,所述装置包括:
要素信息获取模块,用于获取待识别企业的至少一种企业生产要素;
参考类别确定模块,用于根据预先构建的生成要素信息和行业类别之间的要素行业关系映射模型,确定所述待识别企业的各所述企业生产要素分别对应的第一参考行业类别和参考类别概率;
候选类别确定模块,用于根据属于相同第一参考行业类别的企业生产要素的参考类别概率,确定待识别企业的至少一个候选行业类别和各所述候选行业类别的候选类别概率;
目标类别确定模块,用于根据各所述候选类别概率,确定所述待识别企业的目标行业类别。
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所属行业识别方法。
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所属行业识别方法。
本发明实施例技术方案通过获取待识别企业的至少一种企业生产要素;根据预先构建的生成要素信息和行业类别之间的要素行业关系映射模型,确定待识别企业的各企业生产要素分别对应的第一参考行业类别和参考类别概率;根据属于相同第一参考行业类别的企业生产要素的参考类别概率,确定待识别企业的至少一个候选行业类别和各候选行业类别的候选类别概率;根据各候选类别概率,确定待识别企业的目标行业类别。上述技术方案实现了对企业所属行业的自动化识别,通过要素行业关系映射模型进行行业预测,并且在预测的过程中考虑企业生产要素的因素,实现了对行业类别的准确预测,并且在预测过程中结合了类别概率因素,进一步提高了对企业所属行业类别预测的准确度。
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所属行业识别方法的流程图;
图2是根据本发明实施例二提供的一种企业所属行业识别方法的流程图;
图3是根据本发明实施例三提供的一种企业所属行业识别装置的结构示意图;
图4是实现本发明实施例的企业所属行业识别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所属行业识别方法的流程图,本实施例可适用于对企业所属行业进行自动化识别的情况,该方法可以由企业所属行业识别装置来执行,该企业所属行业识别装置可以采用硬件和/或软件的形式实现,该企业所属行业识别装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取待识别企业的至少一种企业生产要素。
其中,待识别企业可以是待进行所属行业识别的企业。企业生产要素可以是企业的产品/服务信息,例如可以包括产品/服务名称、主要原辅材料和计量单位等信息。不同企业对应的企业生产要素不同,针对任一企业,对应的企业生产要素可以是一种,也可以是多种。
S120、根据预先构建的生成要素信息和行业类别之间的要素行业关系映射模型,确定待识别企业的各企业生产要素分别对应的第一参考行业类别和参考类别概率。
其中,要素行业关系映射模型可以由相关技术人员预先构建得到。示例性的,可以获取历史周期下的各企业的企业生产要素,并对进行数据清洗,剔除不规范的数据,并将剔除后的数据进行统一格式化处理。读取每一个产品的企业生产要素,并绑定该企业的企业生产要素与各行业之间的关系,递增该企业的企业生产要素属于各行业的得票数;根据企业生产要素与各行业之间的得票数,确定企业生产要素与各行业之间的概率值,并将结果存储至关系库中,并将该关系库作为要素行业关系映射模型。
需要说明的是,在行业关系映射模型中,针对任一企业的企业生产要素,可以对应有至少一个行业,且与对应的每一个行业均存在其相应的概率值。例如,针对某一企业生产要素,其关联的行业为行业A、行业B和行业C,对应的与行业A之间的要素行业关联相似度概率值为90%,与行业A之间的要素行业关联相似度概率值为80%,与行业C之间的要素行业关联相似度概率值为70%。其与行业以及行业相似度概率值均在行业关系映射模型中存储。
示例性的,可以从预先构建的要素行业关系模型中,获取待识别企业的各企业生产要素分别对应的第一参考行业类别,以及与各参考行业类别之间的参考类别概率。
为进一步提高对行业类别和类别概率的确定准确度,还可以采用网络模型的方式对企业生产要素进行信息预测,从而得到与其对应的行业类别和类别概率。
在一个可选实施例中,要素行业关系映射模型的模型生成方式如下:获取历史周期下的至少一个不同行业的企业的历史生产要素信息;将历史生产要素信息输入至预先构建的分类网络模型中,得到模型输出的预测行业类别;根据预测行业类别和相应历史生产要素信息对应的标准行业类别,对分类网络模型进行模型训练,直到满足预设的模型迭代结束条件,得到要素行业关系映射模型。
其中,分类网络模型可以为深度学习模型,例如,卷积神经网络模型等。模型迭代结果条件可以由相关技术人员预先设定,例如,达到预设的迭代次数阈值,或者损失值趋于稳定等。
示例性的,获取历史周期下不同行业的企业历史生产要素信息,并将大量的企业历史生产要素信息输入至预先构建的分类网络模型中,得到模型输出的预测行业类别和类别概率值。根据预测行业类别和相应历史生产要素信息对应的标准行业类别,对分类网络模型进行模型训练。其中,标准行业类别可以为样本标签数据。在满足预设的模型迭代结束条件,得到要素行业关系映射模型。
示例性的,将待识别企业的各企业生产要素输入至预先训练得到的要素行业关系映射模型中,得到模型输出的各企业生产要素分别对应的第一参考行业类别和参考类别概率。
S130、根据属于相同第一参考行业类别的企业生产要素的参考类别概率,确定待识别企业的至少一个候选行业类别和各候选行业类别的候选类别概率。
示例性的,可以确定相同第一参考行业类别的企业生产要素的参考类别概率的概率均值,并将概率均值较大的作为候选行业类别。
在一个可选实施例中,根据属于相同第一参考行业类别的企业生产要素的参考类别概率,确定待识别企业的至少一个候选行业类别和各候选行业类别的候选类别概率,包括:根据属于相同第一参考行业类别的企业生产要素的参考类别概率,确定至少一个相同第一参考行业类别的目标类别概率;根据各相同第一参考行业类别的目标类别概率,从各相同第一参考行业类别中选取候选行业类别;将候选行业类别对应的目标类别概率,确定为候选类别概率。
示例性的,若针对某一待识别企业,其对应的企业生产要素包括企业生产要素a、企业生产要素b、企业生产要素c、企业生产要素d和企业生产要素e;其中,企业生产要素a和企业生产要素c对应的第一参考行业类别为行业M;企业生产要素b和企业生产要素e对应的第一参考行业类别为行业N;企业生产要素d对应的第一参考行业类别为行业P。其中,企业生产要素a对应的第一参考行业M的参考类别概率为90%;企业生产要素b对应的第一参考行业的参考类别N概率为80%;企业生产要素c对应的第一参考行业M的参考类别概率为70%;企业生产要素d对应的第一参考行业P的参考类别概率为60%;企业生产要素e对应的第一参考行业N的参考类别概率为40%。
根据属于相同第一参考行业类别的企业生产要素的参考类别概率,确定至少一个相同第一参考行业类别的目标类别概率。具体可以是将相同第一参考行业类别的参考类别概率均值,确定为目标类别概率。例如,企业生产要素a和企业生产要素c对应的相同第一参考行业类别M的目标类别概率为80%。企业生产要素b和企业生产要素e对应的相同第一参考行业类别M的目标类别概率为60%。企业生产要素e对应的第一参考行业N的参考类别概率为40%;企业生产要素d对应的第一参考行业P的参考类别概率为60%。
从各相同第一参考行业类别中选取候选行业类别。例如可以是将目标类别概率不小于预设概率均值的作为候选行业类别。延续上例,若预设概率均值为50%,则候选行业类别为第一参考行业类别M和第一参考行业类别P。对应的候选行业类别M的候选类别概率为60%,候选行业类别N的候选类别概率也为60%。
S140、根据各候选类别概率,确定待识别企业的目标行业类别。
示例性的,可以从候选类别概率中,选择概率值最高的对应的候选行业类别,作为待识别企业的目标行业类别。例如,若存在两个候选行业类别分别为行业A和行业B,行业A对应的候选类别概率为90%,行业B对应的候选类别概率为85%,则将行业A作为待识别企业的目标行业类别。
本发明实施例技术方案通过获取待识别企业的至少一种企业生产要素;根据预先构建的生成要素信息和行业类别之间的要素行业关系映射模型,确定待识别企业的各企业生产要素分别对应的第一参考行业类别和参考类别概率;根据属于相同第一参考行业类别的企业生产要素的参考类别概率,确定待识别企业的至少一个候选行业类别和各候选行业类别的候选类别概率;根据各候选类别概率,确定待识别企业的目标行业类别。上述技术方案实现了对企业所属行业的自动化识别,通过要素行业关系映射模型进行行业预测,并且在预测的过程中考虑企业生产要素的因素,实现了对行业类别的准确预测,并且在预测过程中结合了类别概率因素,进一步提高了对企业所属行业类别预测的准确度。
实施例二
图2为本发明实施例二提供的一种企业所属行业识别方法的流程图,本实施例在上述各技术方案的基础上,进行了优化改进。
进一步的,将步骤“根据各候选类别概率,确定待识别企业的目标行业类别”细化为“确定各候选类别概率之间的概率差值;若各概率差值均不大于预设的差值阈值,则获取待识别企业的企业基本信息;根据企业基本信息,确定待识别企业的目标行业类别。”以完善对目标行业类别的确定方式。需要说明的是,在本发明实施例中未详述的部分,可参见其他实施例的表述。
如图2所示,该方法包括以下具体步骤:
S210、获取待识别企业的至少一种企业生产要素。
S220、根据预先构建的生成要素信息和行业类别之间的要素行业关系映射模型,确定待识别企业的各企业生产要素分别对应的第一参考行业类别和参考类别概率。
S230、根据属于相同第一参考行业类别的企业生产要素的参考类别概率,确定待识别企业的至少一个候选行业类别和各候选行业类别的候选类别概率。
S240、确定各候选类别概率之间的概率差值。
示例性的,根据各候选类别概率,分别确定各候选类别概率之间的概率差值。例如,存在候选行业类别A对应的候选类别概率为90%、候选行业类别B对应的候选类别概率为88%以及候选行业类别C对应的候选类别概率为40%。则候选行业类别A与候选行业类别B之间的概率差值为2%;候选行业类别A与候选行业类别C之间的概率差值为50%;候选行业类别B与候选行业类别C之间的概率差值为44%。
S250、若各概率差值均不大于预设的差值阈值,则获取待识别企业的企业基本信息。
其中,差值阈值可以由相关技术人员预先设定,例如,差值阈值可以设定为5%。概率差值越接近,表示企业与差值接近的两个行业所属关系一样接近,在两个行业中无法基于企业生产要素进一步判断;概率差值越大,表示企业与概率值大的行业更相近,属于概率值大的可能性越高。
因此,示例性的,若各概率差值均不大于预设的差值阈值,则表示企业与各候选行业类别均十分接近或匹配,则可以由相关技术人员人工判断或人工选取,也可以获取待识别企业的企业基本信息,并根据企业基本信息进行进一步预测。
可选的,若存在任一概率差值大于预设的差值阈值,则表示企业和各候选行业类别之间的匹配程度相差很大,可以从各候选行业类别中,选取候选类别概率最高的作为目标行业类别,类别概率越高,表示与企业所属行业匹配度越高。
S260、根据企业基本信息,确定待识别企业的目标行业类别。
其中,企业基本信息可以包括企业名称和企业组织结构代码等信息。
在一个可选实施例中,根据企业基本信息,确定待识别企业的目标行业类别,包括:根据企业基本信息,基于预先构建的基本信息和行业类别之间的信息行业关系映射模型,确定待识别企业的企业基本信息对应的第二参考行业类别;若候选行业类别中存在与第二参考行业类别匹配的匹配行业类别,则将匹配行业类别确定为目标行业类别。
其中,信息行业关系映射模型可以由相关技术人员预先训练得到。例如,可以将历史企业基本信息作为样本训练集,对预先构建的语义分析网络模型进行模型训练,得到信息行业关系映射模型。其中,信息行业关系映射模型用于根据企业基本信息,对企业所属行业类别进行预测。
示例性的,将企业基本信息输入至信息行业关系映射模型中,得到待识别企业的企业基本信息对应的第二参考行业类别。或者,信息行业关系映射模型还可以是相关技术人员预先根据历史周期下的历史企业基本信息,人工构建其对应的行业类别之间的关联关系,并形成关联关系库,后续不断更新关联关系库,以不断优化和完善关联关系库。在获取到待识别企业的的企业基本信息时,根据关联关系库,查找该企业基本信息对应的第二参考行业类别。
若候选行业类别中存在与第二参考行业类别匹配的匹配行业类别,则将匹配行业类别确定为目标行业类别。
可选的,若候选行业类别中不存在与第二参考行业类别匹配的匹配行业类别,则确定第二参考行业类别分别与各候选行业类别之间的类别相似度;根据各类别相似度,确定待识别企业的目标行业类别。其中,类别相似度可以基于文本匹配的方式进行确定,本实施例对此不再进行赘述。
本发明实施例技术方案通过确定各候选类别概率之间的概率差值,若各所述概率差值均不大于预设的差值阈值,则获取待识别企业的企业基本信息,根据企业基本信息,确定待识别企业的目标行业类别,通过在确定目标行业类别过程中考虑概率差值,从而确定企业与所属行业之间的相关程度,进一步实现了对企业所属行业的准确确定。
实施例三
图3为本发明实施例三提供的一种企业所属行业识别装置的结构示意图。本发明实施例所提供的一种企业所属行业识别装置,该装置可适用于对企业所属行业进行自动化识别的情况,该企业所属行业识别装置可以采用硬件和/或软件的形式实现,如图3所示,该装置具体包括:要素信息获取模块301、参考类别确定模块302、候选类别确定模块303和目标类别确定模块304。其中,
要素信息获取模块301,用于获取待识别企业的至少一种企业生产要素;
参考类别确定模块302,用于根据预先构建的生成要素信息和行业类别之间的要素行业关系映射模型,确定所述待识别企业的各所述企业生产要素分别对应的第一参考行业类别和参考类别概率;
参考类别确定模块303,用于根据属于相同第一参考行业类别的企业生产要素的参考类别概率,确定待识别企业的至少一个候选行业类别和各所述候选行业类别的候选类别概率;
目标类别确定模块304,用于根据各所述候选类别概率,确定所述待识别企业的目标行业类别。
本发明实施例技术方案通过获取待识别企业的至少一种企业生产要素;根据预先构建的生成要素信息和行业类别之间的要素行业关系映射模型,确定待识别企业的各企业生产要素分别对应的第一参考行业类别和参考类别概率;根据属于相同第一参考行业类别的企业生产要素的参考类别概率,确定待识别企业的至少一个候选行业类别和各候选行业类别的候选类别概率;根据各候选类别概率,确定待识别企业的目标行业类别。上述技术方案实现了对企业所属行业的自动化识别,通过要素行业关系映射模型进行行业预测,并且在预测的过程中考虑企业生产要素的因素,实现了对行业类别的准确预测,并且在预测过程中结合了类别概率因素,进一步提高了对企业所属行业类别预测的准确度。
可选的,所述要素行业关系映射模型的模型生成方式如下:
获取历史周期下的至少一个不同行业的企业的历史生产要素信息;
将所述历史生产要素信息输入至预先构建的分类网络模型中,得到模型输出的预测行业类别;
根据所述预测行业类别和相应历史生产要素信息对应的标准行业类别,对所述分类网络模型进行模型训练,直到满足预设的模型迭代结束条件,得到要素行业关系映射模型。
可选的,所述候选类别确定模块303,包括:
目标类别概率确定单元,用于根据属于相同第一参考行业类别的企业生产要素的参考类别概率,确定至少一个相同第一参考行业类别的目标类别概率;
候选类别选取单元,用于根据各相同第一参考行业类别的目标类别概率,从各相同第一参考行业类别中选取候选行业类别;
候选类别确定单元,用于将所述候选行业类别对应的目标类别概率,确定为候选类别概率。
可选的,所述目标类别确定模块304,包括:
概率差值确定单元,用于确定各所述候选类别概率之间的概率差值;
企业基本信息获取单元,用于若各所述概率差值均不大于预设的差值阈值,则获取待识别企业的企业基本信息;
目标类别确定单元,用于根据所述企业基本信息,确定所述待识别企业的目标行业类别。
可选的,所述目标类别确定单元,包括:
第二行业类别确定子单元,用于根据所述企业基本信息,基于预先构建的基本信息和行业类别之间的信息行业关系映射模型,确定所述待识别企业的企业基本信息对应的第二参考行业类别;
目标类别确定子单元,用于若所述候选行业类别中存在与所述第二参考行业类别匹配的匹配行业类别,则将匹配行业类别确定为目标行业类别。
可选的,所述目标类别确定单元,还包括:
类别相似度确定子单元,用于若所述候选行业类别中不存在与所述第二参考行业类别匹配的匹配行业类别,则确定第二参考行业类别分别与各所述候选行业类别之间的类别相似度;
目标行业类别确定子单元,用于根据各所述类别相似度,确定所述待识别企业的目标行业类别。
可选的,所述目标类别确定模块304,包括:
概率差值比较单元,用于若存在任一概率差值大于预设的差值阈值,则从各所述候选行业类别中,选取候选类别概率最高的作为目标行业类别。
本发明实施例所提供的企业所属行业识别装置可执行本发明任意实施例所提供的企业所属行业识别方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备40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4所示,电子设备40包括至少一个处理器41,以及与至少一个处理器41通信连接的存储器,如只读存储器(ROM)42、随机访问存储器(RAM)43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41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序,来执行各种适当的动作和处理。在RAM 43中,还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。
电子设备40中的多个部件连接至I/O接口45,包括:输入单元46,例如键盘、鼠标等;输出单元47,例如各种类型的显示器、扬声器等;存储单元48,例如磁盘、光盘等;以及通信单元49,例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40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41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41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41执行上文所描述的各个方法和处理,例如企业所属行业识别方法。
在一些实施例中,企业所属行业识别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48。在一些实施例中,计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时,可以执行上文描述的企业所属行业识别方法的一个或多个步骤。备选地,在其他实施例中,处理器41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所属行业识别方法。
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)
1.一种企业所属行业识别方法,其特征在于,包括:
获取待识别企业的至少一种企业生产要素;
根据预先构建的生成要素信息和行业类别之间的要素行业关系映射模型,确定所述待识别企业的各所述企业生产要素分别对应的第一参考行业类别和参考类别概率;
根据属于相同第一参考行业类别的企业生产要素的参考类别概率,确定待识别企业的至少一个候选行业类别和各所述候选行业类别的候选类别概率;
根据各所述候选类别概率,确定所述待识别企业的目标行业类别。
2.根据权利要求1所述的方法,其特征在于,所述要素行业关系映射模型的模型生成方式如下:
获取历史周期下的至少一个不同行业的企业的历史生产要素信息;
将所述历史生产要素信息输入至预先构建的分类网络模型中,得到模型输出的预测行业类别;
根据所述预测行业类别和相应历史生产要素信息对应的标准行业类别,对所述分类网络模型进行模型训练,直到满足预设的模型迭代结束条件,得到要素行业关系映射模型。
3.根据权利要求1所述的方法,其特征在于,所述根据属于相同第一参考行业类别的企业生产要素的参考类别概率,确定待识别企业的至少一个候选行业类别和各所述候选行业类别的候选类别概率,包括:
根据属于相同第一参考行业类别的企业生产要素的参考类别概率,确定至少一个相同第一参考行业类别的目标类别概率;
根据各相同第一参考行业类别的目标类别概率,从各相同第一参考行业类别中选取候选行业类别;
将所述候选行业类别对应的目标类别概率,确定为候选类别概率。
4.根据权利要求1所述的方法,其特征在于,所述根据各所述候选类别概率,确定所述待识别企业的目标行业类别,包括:
确定各所述候选类别概率之间的概率差值;
若各所述概率差值均不大于预设的差值阈值,则获取待识别企业的企业基本信息;
根据所述企业基本信息,确定所述待识别企业的目标行业类别。
5.根据权利要求4所述的方法,其特征在于,所述根据所述企业基本信息,确定所述待识别企业的目标行业类别,包括:
根据所述企业基本信息,基于预先构建的基本信息和行业类别之间的信息行业关系映射模型,确定所述待识别企业的企业基本信息对应的第二参考行业类别;
若所述候选行业类别中存在与所述第二参考行业类别匹配的匹配行业类别,则将匹配行业类别确定为目标行业类别。
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:
若所述候选行业类别中不存在与所述第二参考行业类别匹配的匹配行业类别,则确定第二参考行业类别分别与各所述候选行业类别之间的类别相似度;
根据各所述类别相似度,确定所述待识别企业的目标行业类别。
7.根据权利要求4所述的方法,其特征在于,所述方法还包括:
若存在任一概率差值大于预设的差值阈值,则从各所述候选行业类别中,选取候选类别概率最高的作为目标行业类别。
8.一种企业所属行业识别装置,其特征在于,包括:
要素信息获取模块,用于获取待识别企业的至少一种企业生产要素;
参考类别确定模块,用于根据预先构建的生成要素信息和行业类别之间的要素行业关系映射模型,确定所述待识别企业的各所述企业生产要素分别对应的第一参考行业类别和参考类别概率;
候选类别确定模块,用于根据属于相同第一参考行业类别的企业生产要素的参考类别概率,确定待识别企业的至少一个候选行业类别和各所述候选行业类别的候选类别概率;
目标类别确定模块,用于根据各所述候选类别概率,确定所述待识别企业的目标行业类别。
9.一种电子设备,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1-7中任一项所述的企业所属行业识别方法。
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权利要求1-7中任一项所述的企业所属行业识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410399464.8A CN118277916A (zh) | 2024-04-03 | 2024-04-03 | 企业所属行业识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410399464.8A CN118277916A (zh) | 2024-04-03 | 2024-04-03 | 企业所属行业识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118277916A true CN118277916A (zh) | 2024-07-02 |
Family
ID=91645877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410399464.8A Pending CN118277916A (zh) | 2024-04-03 | 2024-04-03 | 企业所属行业识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118277916A (zh) |
-
2024
- 2024-04-03 CN CN202410399464.8A patent/CN118277916A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114428677B (zh) | 任务处理方法、处理装置、电子设备及存储介质 | |
CN115130581A (zh) | 样本生成方法、训练方法、数据处理方法以及电子设备 | |
CN115422028A (zh) | 标签画像体系的可信度评估方法、装置、电子设备及介质 | |
CN115145924A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN112699237B (zh) | 标签确定方法、设备和存储介质 | |
CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
CN112148841A (zh) | 一种对象分类以及分类模型构建方法和装置 | |
CN115048352B (zh) | 一种日志字段提取方法、装置、设备和存储介质 | |
CN116755974A (zh) | 云计算平台运维方法、装置、电子设备及存储介质 | |
CN116467606A (zh) | 一种决策建议信息的确定方法、装置、设备及介质 | |
CN115860872A (zh) | 一种目标物品确定方法、装置、电子设备及存储介质 | |
CN114722162A (zh) | 特征类别确定方法、装置、电子设备及存储介质 | |
CN113612777B (zh) | 训练方法、流量分级方法、装置、电子设备以及存储介质 | |
CN115470034A (zh) | 一种日志分析方法、设备及存储介质 | |
CN118277916A (zh) | 企业所属行业识别方法、装置、设备及存储介质 | |
CN114866437A (zh) | 一种节点检测方法、装置、设备及介质 | |
CN114610953A (zh) | 一种数据分类方法、装置、设备及存储介质 | |
CN114037058B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN115392403B (zh) | 一种异常变更检测方法、装置、设备及存储介质 | |
CN114037057B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN117271373B (zh) | 测试用例的自动化构建方法、装置、电子设备及存储介质 | |
CN116524959A (zh) | 一种语音情绪确定方法、装置、设备及介质 | |
CN118152519A (zh) | 一种样本的清洗方法、装置、电子设备及存储介质 | |
CN118035445A (zh) | 一种工单分类方法、装置、电子设备和存储介质 | |
CN115409023A (zh) | 一种信息提取方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |