WO2021103492A1 - 一种企业经营风险预测方法和*** - Google Patents

一种企业经营风险预测方法和*** Download PDF

Info

Publication number
WO2021103492A1
WO2021103492A1 PCT/CN2020/096192 CN2020096192W WO2021103492A1 WO 2021103492 A1 WO2021103492 A1 WO 2021103492A1 CN 2020096192 W CN2020096192 W CN 2020096192W WO 2021103492 A1 WO2021103492 A1 WO 2021103492A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
risk
information data
enterprise
model
Prior art date
Application number
PCT/CN2020/096192
Other languages
English (en)
French (fr)
Inventor
庄莉
梁懿
陈江海
苏江文
王秋琳
宋立华
谢可
邱镇
Original Assignee
福建亿榕信息技术有限公司
国网信息通信产业集团有限公司
国网浙江省电力有限公司
国家电网有限公司
国网信通亿力科技有限责任公司
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 福建亿榕信息技术有限公司, 国网信息通信产业集团有限公司, 国网浙江省电力有限公司, 国家电网有限公司, 国网信通亿力科技有限责任公司 filed Critical 福建亿榕信息技术有限公司
Publication of WO2021103492A1 publication Critical patent/WO2021103492A1/zh

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
    • G06Q10/0635—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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Definitions

  • This application relates to a method and system for predicting business operation risks; it belongs to the technical field of data processing.
  • Enterprise business risk management helps reduce the probability of making mistakes in the enterprise, avoid losses, and relatively increase the added value of the enterprise itself.
  • the normal and effective management of various risks is conducive to the enterprise to make correct decisions; it is conducive to protecting the safety and integrity of corporate assets; it is conducive to achieving the business objectives of the enterprise. Therefore, it is of great significance to the enterprise to predict the business risk of the enterprise;
  • the current technologies have certain defects, which are mainly manifested in several aspects.
  • the data sources in the existing schemes are still limited to the relevant data within the enterprise.
  • external Internet data has gradually become an important part of business risk warning, such as corporate Internet public opinion data, policy data, competitor bidding data, and business data. Therefore, the construction of a complete risk model depends not only on the internal data of the enterprise, but also on external data.
  • Second: The rule engine can meet the risk prediction of certain programs in simple scenarios. However, with the increase of data scale, the continuous growth of application scenarios, and the continuous changes of business logic, the limitations of rules become more obvious.
  • Knowledge graph is a new generation of semantic-based structured information organization method proposed by Google in 2012. Different from the existing mainstream relational data model, the knowledge graph focuses on describing the concepts and their relationships in the physical world in symbolic form. Its basic unit is the "entity-relation-entity" triplet, as well as entities and their related attributes. -Value pairs, entities are connected to each other through relationships, forming a networked knowledge structure. Through the knowledge graph, business data can realize the transformation from information to knowledge, which is especially suitable for organizing large-scale and strongly related business concept entities. In this patent application, the knowledge graph is used to organize and manage the massive data of internal and external risks of the enterprise, which can provide a high-quality data basis for subsequent risk feature extraction, risk identification and risk cause interpretation.
  • This patent proposes a method and system for enterprise operation risk prediction based on deep learning based on the fusion of internal and external data of the enterprise.
  • a method for predicting business risks including the following steps:
  • S14 Collect business risk feature data information; use deep learning methods to obtain risk feature tag words that are the same or similar to the preset risk feature words from the knowledge map, and then use the deep learning method to find the business risk feature data information for extraction;
  • the collected information and data of the required enterprises and their associated enterprises to construct and draw the knowledge graph includes:
  • S21 Use natural language processing technology to perform named entity identification on the associated entity information data of different enterprises, and then obtain the associated entity information data of the enterprise that needs to conduct business risk prediction; and perform entity disambiguation to obtain a clear name indication Specific entity information data of the generation;
  • pre-set risk feature tag words use deep learning methods to mine similar or identical risk feature words from the knowledge graph, and use risk feature words to extract risk feature codes for subsequent models Construct.
  • the business risk characteristic data information is used as a deep learning training set to construct a business risk model, and the process of constructing a business risk model includes the following steps:
  • the fitting verification set compares the data in the constructed model
  • the method further includes:
  • the risk management prediction model is continuously updated iteratively, thereby obtaining an optimal prediction model, and the business risk of the enterprise is predicted through the optimal prediction model.
  • the internal information data includes all formats of financial data, accounting information data, contract information data, HR data, bidding data, and other internal office electronic documents related to the enterprise;
  • the external data includes corporate Internet public opinion Data, external public bidding information data, business information data, policy information data, and other corporate-related web data
  • the prediction system includes a data acquisition module, a knowledge map module, a model construction module and a prediction module;
  • the data collection module uses web crawler scripts to obtain internal and external data of relevant enterprises on different platforms; then data fusion is performed on the obtained data;
  • the knowledge graph module uses the data acquired on the data acquisition module to construct a knowledge graph, uses the graph to cluster and risk the events in the graph, and imports related data into the model building module;
  • the model construction module uses the information data in the graph constructed by the graph to construct a training set and a test set, so as to perform continuous iterative training to obtain an optimal model;
  • the prediction module can analyze and predict the future risks of the required enterprise by using the optimal model obtained in the model section and the current relevant data of the enterprise to be predicted.
  • This application proposes a method and system for business operation risk prediction based on the fusion of internal and external data based on deep learning, and for the first time proposed modeling based on the fusion of internal and external data of the enterprise, which can significantly improve the accuracy of model prediction.
  • This application proposes a semantic network of corporate knowledge graphs composed of concepts, entities, and relationships between entities, which can visually present information such as the knowledge context of business risks and provide strong support for model construction.
  • Model construction based on deep learning through the recognition of text semantics, to make up for the problems of complex information, unclear background, and unclear rules that cannot be handled by traditional solutions, and improve the accuracy of risk models.
  • the present application has strong robustness and adaptability while improving measurement accuracy. At the same time, it has the ability to self-learn and continuous improvement.
  • Figure 1 is a schematic diagram of the overall process provided by an embodiment of the application.
  • FIG. 2 is a diagram of the steps of constructing a knowledge graph provided by an embodiment of the application.
  • FIG. 3 is a diagram of the construction steps of a deep learning model provided by an embodiment of the application.
  • Fig. 4 is a schematic diagram of a system for predicting business risks of an enterprise provided by an embodiment of the application.
  • Figure 1 is a schematic diagram of the overall process provided by an embodiment of the application. The process is used to provide a method for predicting business risks of an enterprise. As shown in Figure 1, it includes the following steps:
  • the web crawler technology is used to collect the enterprise information data required for risk prediction and the information data of its associated enterprises; and the internal information data and external information data of the enterprise for risk prediction are collected.
  • the internal information data includes all formats of financial data, accounting information data, contract information data, HR data, bidding data, and other internal office electronic documents related to the enterprise.
  • the external data includes enterprise Internet public opinion data, external public bidding information data, industrial and commercial information data, policy information data, and other enterprise-related web page data.
  • data fusion processing is performed on the collected internal information data and external information data of the enterprise, and the unstructured or semi-structured data is converted into structured data, and the unstructured or semi-structured data is converted into structured data.
  • the data is stored in the neo4j database.
  • the knowledge graph is constructed and drawn based on the collected enterprise information data required for risk prediction and the information data of its associated enterprises.
  • Deep learning is a method of machine learning that learns targets through the results of neural networks in multiple hidden layers. Through end-to-end machine learning, it reduces the difficulty of people's understanding of the entire knowledge system and avoids tedious manual feature extraction; in addition to more accurate predictions, deep learning can also automatically learn from each layer of network structure while predicting Different characteristics. Therefore, deep learning can also be used to generate features.
  • This method of generating features is also called Embedding in the field of deep learning. It refers to finding a mapping to map the space where the original feature is located to another space to generate an expression in the new space; this step is to set a Appropriate target value, through the deep network learning the target value to automatically find this mapping relationship.
  • GEM Network Representation Learning
  • NRL Network Representation Learning
  • Use low-dimensional, dense, real-valued vectors to represent the network Nodes can also project heterogeneous information into the same low-dimensional space to facilitate downstream calculations, meaning that complex information is simplified to represent, downstream calculations are the deep learning model receiving dimensionality-reduced data for training or prediction; Convert the relationship between the graphs into the word sequence class in word2vec to mine the relationship between the graph nodes; Word2vec represents a specific technical processing method in natural language processing, turning the relationship between two words into two The distance of the vector; for example, the two words like/favored are relatively close in word2vec; the same or similar risk word tags are selected, and the above-mentioned relationship search method between words is used.
  • the business risk model used to predict the future business risk situation of the enterprise is constructed through the business risk characteristic data information.
  • the enterprise information data required for risk prediction is input into the risk management model for prediction.
  • S21 Use natural language processing technology to perform named entity identification on the associated entity information data of different enterprises, and then obtain the associated entity information data of the enterprise that needs to conduct business risk prediction; and perform entity disambiguation to obtain a clear name indication Specific entity information data of the generation;
  • the business risk feature data information (also called business risk feature code) is used as a deep learning training set to construct a business risk model, and the construction of business risk
  • the model process includes the following steps:
  • the fitting verification set compares the data in the constructed model, which can eliminate the data errors in the model and the original data that has not undergone data preprocessing;
  • S36 Predict the real data and adjust the parameters about the business risk model in the training set and the test set according to the results, so as to perform continuous iterative training to obtain an optimal model.
  • the method for predicting business risk in the embodiments of this application inputs the acquired current business information data into the risk business prediction model; through the fusion processing of the internal and external information data of the enterprise that needs risk prediction, and the structured according to the knowledge graph
  • the enterprise information data required for risk prediction while using deep learning technology to construct a risk management prediction model, and continuously iteratively update the risk management prediction model, so as to obtain an optimal prediction model to predict the business risk of the enterprise.
  • the embodiment of the present application also provides a system for predicting business risk of an enterprise.
  • the predicting system includes a data collection module 401, a knowledge graph module 402, a model construction module 403, and a prediction module 404;
  • the data collection module 401 uses web crawler scripts to obtain relevant internal and external information data of the enterprise on different platforms; then data fusion is performed on the obtained information data to convert unstructured and semi-structured information data into structured data Information data
  • the knowledge graph module 402 uses the information data obtained from the data acquisition module to construct a knowledge graph, uses the graph to cluster and risk the events in the graph, and imports related data into the model building module ;
  • the model construction module 403 uses the in-map information data constructed by the atlas to construct a training set and a test set, so as to perform continuous iterative training to obtain an optimal model;
  • the prediction module 404 can analyze and predict the future risks of the required enterprise by using the optimal model obtained in the model section and the current relevant data of the enterprise to be predicted.
  • each module in the enterprise operation risk prediction system can be understood with reference to the relevant description of the aforementioned enterprise operation risk prediction method.
  • each module in the business risk prediction system of the enterprise can be implemented by a processor, such as a central processing unit (CPU), a digital signal processor (DSP), and a micro control unit (Microcontroller Unit). , MCU) or programmable gate array (Field-Programmable Gate Array, FPGA).
  • the embodiments of the present application also provide a computer-readable storage medium for storing computer programs.
  • the computer-readable storage medium can be applied to the system for predicting business risks in the embodiments of the present application, and the computer program enables the computer to execute the various methods in the embodiments of the present application that are implemented by the system for predicting business risks For the sake of brevity, the corresponding process will not be repeated here.
  • the computer-readable storage medium can be applied to the mobile terminal/terminal device in the embodiment of the present application, and the computer program enables the computer to execute the corresponding process implemented by the mobile terminal/terminal device in each method of the embodiment of the present application For the sake of brevity, I won’t repeat it here.
  • the embodiments of the present application also provide a computer program product, including computer program instructions.
  • the computer program product can be applied to the system for predicting business risks in the embodiments of this application, and the computer program instructions cause the computer to execute the corresponding methods implemented by the system for predicting business risks in the embodiments of this application.
  • the process will not be repeated here.
  • the computer program product can be applied to the mobile terminal/terminal device in the embodiment of the present application, and the computer program instructions cause the computer to execute the corresponding process implemented by the mobile terminal/terminal device in each method of the embodiment of the present application, For the sake of brevity, I will not repeat them here.
  • the embodiment of the present application also provides a computer program.
  • the computer program can be applied to the enterprise operation risk prediction system in the embodiment of this application.
  • the computer program can execute the prediction of the enterprise operation risk in the various methods of the embodiment of this application.
  • the corresponding process of the system implementation will not be repeated here.
  • the computer program can be applied to the mobile terminal/terminal device in the embodiment of the present application.
  • the computer program runs on the computer, the computer executes each method in the embodiment of the present application. For the sake of brevity, the corresponding process will not be repeated here.
  • the disclosed system, device, and method can be implemented in other ways.
  • the device embodiments described above are only illustrative.
  • the division of the units is only a logical function division, and there may be other divisions in actual implementation, for example, multiple units or components may be combined or It can be integrated into another system, or some features can be ignored or not implemented.
  • the displayed or discussed mutual coupling or direct coupling or communication connection may be indirect coupling or communication connection through some interfaces, devices or units, and may be in electrical, mechanical or other forms.
  • the units described as separate components may or may not be physically separated, and the components displayed as units may or may not be physical units, that is, they may be located in one place, or they may be distributed on multiple network units. Some or all of the units may be selected according to actual needs to achieve the objectives of the solutions of the embodiments.
  • the functional units in the various embodiments of the present application may be integrated into one processing unit, or each unit may exist alone physically, or two or more units may be integrated into one unit.
  • the function is implemented in the form of a software functional unit and sold or used as an independent product, it can be stored in a computer readable storage medium.
  • the technical solution of this application essentially or the part that contributes to the existing technology or the part of the technical solution can be embodied in the form of a software product, and the computer software product is stored in a storage medium, including Several instructions are used to make a computer device (which may be a personal computer, a server, or a network device, etc.) execute all or part of the steps of the methods described in the various embodiments of the present application.
  • the aforementioned storage media include: U disk, mobile hard disk, read-only memory (Read-Only Memory,) ROM, random access memory (Random Access Memory, RAM), magnetic disks or optical disks and other media that can store program codes. .

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种企业经营风险预测方法。通过对企业内部以及外部的信息数据采集，将所收集到的信息数据进行数据融合处理；之后利用处理完成的信息数据进行知识图谱的构建及绘制；进而使用图嵌入法从知识图谱内将所需进行风险预测的企业的经营风险特征信息数据进行提取，并且用所述的经营风险特征信息数据来构建经营风险模型；将所需预测风险的企业信息数据输入所述经营风险模型，能够对企业的发展风险进行预测判断，有利于对所需进行风险预测的企业进行风险管理方面的正确决策，保护所需进行风险预测的企业的资产安全。

Description

一种企业经营风险预测方法和***
相关申请的交叉引用
本申请基于申请号为201911194769.0、申请日为2019年11月28日的中国专利申请提出，并要求该中国专利申请的优先权，该中国专利申请的全部内容在此引入本申请作为参考。
技术领域
本申请涉及一种企业经营风险预测方法及***；属于数据处理技术领域。
背景技术
企业经营风险管理有助于降低企业决策错误的几率、避免损失、相对提高企业本身的附加价值。正常有效地对各种风险进行管理有利于企业作出正确的决策；有利于保护企业资产的安全和完整；有利于实现企业的经营活动目标。因此进行企业经营风险预测对企业来说具有重要的意义；
目前，针对企业风险管理与内部控制工作已经存在一定的信息化技术手段，普遍表现为，通过收集企业的内部相关信息(如：erp数据、hr数据、财务数据)，设置一定经营风险建模规则，通过一定的技术手段，如通过设置风险规则引擎、传统机器学习分类算法(如朴素贝叶斯、逻辑回归算法)等，达到对企业经营风险预测功能。
当前技术均存在一定的缺陷，主要表现在几个方面。其一，风险的有效预警很大程度上依赖于全面充分的风险信息来源。当前已有方案中数据来源仍仅限于企业内部的相关数据。而在互联网日新月异的发展历程中，外部互联网数据也逐渐成为经营风险预警的重要组成部分，如企业互联网 舆情数据、政策时势数据、竞争对手招投标数据、工商数据等。因此，完整的风险模型构建不仅依赖于企业内部数据、更应该依赖于外部数据。其二：规则引擎能够在简单场景下满足一定程序的风险预测，但随着数据规模的与日俱增，应用场景的不断增长，业务逻辑的不断变化，规则的局限性越发明显。试想，当***运行和测试的规则达到成百上千条时，还需每隔几天增加新的规则，删除或更新之前的规则，这无疑要花费大量运营资源、时间，和费用来维护。其三：传统的机器学习分类算法存在一定的缺陷，其无法通过自主学习并适应不断变化的经营风险规则。
知识图谱是新一代基于语义的结构化信息组织方式，由谷歌公司在2012年提出。不同于现有主流的关系数据模型，知识图谱着力于以符号形式描述物理世界中的概念及其相互关系，其基本组成单位是“实体-关系-实体”三元组，以及实体及其相关属性-值对，实体间通过关系相互联结，构成网状的知识结构。通过知识图谱，业务数据能够实现从信息向知识的转变，特别适合用于组织大规模、强相关的业务概念实体。在本申请专利中，知识图谱用于组织与治理企业内外部风险的海量数据，能为后续的风险特征提取、风险识别及风险成因解释提供高质量的数据基础。
现有方案均是通过采集企业内部相关数据，而后基于规则匹配传统机器学习分类的技术路线出发，延伸而出的一系列解决方案。这些分案均未考虑到外部数据对经营风险的影响，且无法适用于大数据规模下的复杂场景，或无法通过自主学习使用日益变化的风险变化。
发明内容
本专利提出了一种基于深度学习的企业内外部数据融合的企业经营风险预测方法及***。
本申请技术方案一：
一种企业经营风险预测方法，包括以下步骤：
S11、利用网络爬虫技术采集所需进行风险预测的企业信息数据以及其关联企业的信息数据；采集进行风险预测的企业内部信息数据以及外部信息数据；
S12、对于所收集到的企业内部信息数据和外部信息数据进行数据融合处理，将非结构化或者半结构化数据转化为结构化的数据并且储存至图形数据库内；
S13、根据所收集到的所需进行风险预测的企业信息数据和其关联企业的信息数据进行知识图谱构建及绘制；
S14、采集经营风险特征数据信息；使用深度学习方法从知识图谱里获取与预先设定的风险特征词相同或者类似的风险特征标签词，然后利用深度学习方法找到经营风险特征数据信息进行提取；
S15、通过所述经营风险特征数据信息构建用于预测企业未来的经营风险情况的经营风险模型；
S16、把所需进行风险预测的企业信息数据输入风险经营模型进行预测。
进一步的，所述的所收集到的所需企业以及其关联企业的信息数据进行知识图谱构建及绘制，包括：
S21、利用自然语言处理技术对不同企业的相关联的实体信息数据进行命名实体识别，进而得到与所需进行经营风险预测的企业的相关联实体信息数据；并进行实体消歧，获得明确名称指代的具体实体信息数据；
S22、对实体之间的语义关系进行提取，从而获得不同实体间的实体关系信息数据；
S23、整合所述实体信息数据以及所述实体关系信息数据进行知识图谱的构建以及绘制通过图的方式表达实体与实体之间的复杂关系。
进一步的，对于风险特征的提取，预先设定风险特征标签词，利用深 度学习的方法，从知识图谱内挖掘相似或者相同的风险特征词，并且利用风险特征词提取风险特征码用于之后的模型构建。
进一步的，将所述的经营风险特征数据信息作为深度学习的训练集，构建经营风险模型，所述构建经营风险模型的过程包含以下步骤：
S31、利用损失函数来评估模型的预测值与真实值不一致的程度；
S32、初始化所述经营风险模型架构；
S33、拟合训练集对构建的模型进行训练；
S34、拟合验证集对构建的模型内的数据进行对比；
S35、检验测试集性能，对构建的模型进行数据比对测试和评估；
S36、预测真实数据并根据结果调整训练集以及测试集。
进一步的，所述方法还包括：
将获取的当前的企业信息数据输入风险经营预测模型中；
通过对所需进行风险预测的企业的内部以及外部信息数据的融合处理和根据知识图谱结构化所需进行风险预测的企业信息数据，同时采用深度学习技术构建风险经营预测模型；
持续迭代更新所述风险经营预测模型，从而得出最优预测模型，通过所述最优预测模型对企业经营风险进行预测。
进一步的，所述的内部信息数据包括所有格式的财务数据、报账信息数据、合同信息数据、HR数据、招投标数据以及其他企业内部相关的办公电子文档；所述的外部数据包括了企业互联网舆情数据、外部公开招投标信息数据、工商信息数据、政策信息数据以及其他与企业相关的网页数据
本申请技术方案二：
一种企业经营风险的预测***。所述的预测***包括了数据采集模块，知识图谱模块，模型构建模块以及预测模块；
所述的数据采集模块，利用网络爬虫脚本获取不同平台上的相关企业 内外部数据；再将所获取的数据进行数据融合；
所述的知识图谱模块，利用数据采集模块上所获取的数据构建知识图谱，利用所述的图谱对图谱内的事件进行聚类和风险等级划分，并把相关的数据导入模型构建模块中；
所述的模型构建模块，利用所述图谱构建的图内信息数据，构建训练集和测试集，从而进行持续的迭代训练，得出最优模型；
所述的预测模块，利用所述模型板块内得到的最优模型以及将要预测的企业当前相关数据，能够对所需企业的未来风险进行分析预测。
本申请具有如下增益效果：
1.本申请提出了一种基于深度学习的内外部数据融合的企业经营风险预测方法及***，首次提出基于企业内外部数据融合的方式进行建模，能显著提升模型预测准确性。
2.本申请提出一项由概念、实体以及实体之间的关系构成的企业知识图谱语义网络，能够直观地呈现经营风险的知识脉络等信息，并能为模型构建提供有力支撑。
3.基于深度学习的模型构建，通过识别文本语义，弥补传统解决方案无法处理的信息复杂、背景不清晰、规则不明确等情况下的问题，提高风险模型准确性。相比于现有的基于规则的模型方式以及基于传统分类算法的解决方案，本申请在提高度量准确性的同时，具有很强的鲁棒性(Robust)、自适应性。同时，具有自我学习以及持续改善的能力。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为本申请实施例提供的总体流程示意图；
图2为本申请实施例提供的知识图谱构建步骤图；
图3为本申请实施例提供的深度学习模型构建步骤图；
图4为本申请实施例提供的企业经营风险的预测***的示意图。
具体实施方式
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描述，显然，所描述的实施例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。
图1为本申请实施例提供的总体流程示意图，该流程用于提供一种企业经营风险预测方法，如图1所示，包括以下步骤：
S11、采集内外部数据。
具体地，利用网络爬虫技术采集所需进行风险预测的企业信息数据以及其关联企业的信息数据；采集进行风险预测的企业内部信息数据以及外部信息数据。
在一可选方式中，所述的内部信息数据包括所有格式的财务数据、报账信息数据、合同信息数据、HR数据、招投标数据以及其他企业内部相关的办公电子文档。
在一可选方式中，所述的外部数据包括了企业互联网舆情数据、外部公开招投标信息数据、工商信息数据、政策信息数据以及其他与企业相关的网页数据。
S12、数据融合处理。
具体地，对于所收集到的企业内部信息数据和外部信息数据进行数据融合处理，将非结构化或者半结构化数据转化为结构化的数据，将非结构化或者半结构化数据转化为结构化的数据并且储存至neo4j数据库内。
S13、知识图谱构建。
具体地，根据所收集到的所需进行风险预测的企业信息数据以及其关 联企业的信息数据进行知识图谱构建及绘制。
S14、经营风险特征编码提取。
具体地，采集经营风险特征数据信息；使用深度学习方法从知识图谱里获取与预先设定的风险特征词相同或者类似的风险特征标签词，然后利用深度学习方法找到经营风险特征数据信息进行提取。
深度学习是一种机器学习的方法，它通过多个隐含层的神经网络结果来学习目标。通过端到端的机器学习，降低了人对整个知识体系理解的难度，避免繁琐的人工特征抽取；除了预测的更精准，深度学习还能够在预测的同时，从每一层网络结构中自动学习出不同的特征。因此深度学习还能够被用来产生特征。这种被产生特征的方式在深度学习领域也叫Embedding，它是指找到一种映射，将原始特征所在的空间映射到另外一个空间，生成一个在新的空间上的表达；本步骤通过设置一个合适的目标值，通过深度网络学习该目标值来自动找到这种映射关系。
将知识图谱看作是一张图，使用图嵌入法(Graph Embedding Method，GEM)，也称为网络表示学习(Network Representation Learning，NRL)：用低维、稠密、实值的向量表示网络中的节点且能够将异质信息投影到同一个低维空间中方便进行下游计算，意思是将复杂的信息简单化来表示，下游计算即为深度学习模型接受降维后的数据，进行训练或者预测；将图之间的关系转化为通过word2vec中的词序列类挖掘图节点之间的关系；Word2vec代表着自然语言处理中一种特定的技术处理手段，把两个词之间的关系转为两个向量的距离；例如：喜欢/喜爱这两个词在word2vec中距离就比较近；选中相同或者相似的风险词标签，利用的就是上述的词之间的关系查找方式。
S15、经营风险模型构建。
具体地，通过所述经营风险特征数据信息构建用于预测企业未来的经 营风险情况的经营风险模型。
S16、风险预测。
具体地，把所需进行风险预测的企业信息数据输入风险经营模型进行预测。
以下结合图2对如何进行知识图谱构建进行说明。参照图2，在上述企业经营风险预测方法中，所述的所收集到的所需企业以及其关联企业的信息数据进行知识图谱构建及绘制，包含以下步骤：
S21、利用自然语言处理技术对不同企业的相关联的实体信息数据进行命名实体识别，进而得到与所需进行经营风险预测的企业的相关联实体信息数据；并进行实体消歧，获得明确名称指代的具体实体信息数据；
S22、对实体之间的语义关系进行提取，从而获得不同实体间的实体关系信息数据；采用基于模式匹配的方法、基于特征提取的方法和基于核函数的方法对实体之间的语义关系进行提取，从而获得不同实体间的实体关系信息数据；实体的语义关系分为隐性的和显性的两种类型；显性关系是指通过原始数据直接能够抽取出的关系，隐性关系是指需要通过复杂计算和数据挖掘计算出来的动态关系；隐性关系的构建对提升图谱的分析、推理和挖掘效率起到关键作用；
S23、整合S21中的实体信息数据以及S22中的实体关系信息数据进行知识图谱的构建以及绘制通过图的方式表达实体与实体之间的复杂关系。
以下结合图3对如何进行深度学习模型构建进行说明。参照图3，在上述企业经营风险预测方法中，将所述的经营风险特征数据信息(也可以称为经营风险特征码)作为深度学习的训练集，构建经营风险模型，所述的构建经营风险模型的过程包含以下步骤：
S31、利用损失函数来评估模型的预测值与真实值不一致的程度；
S32、初始化所述经营风险模型架构；
S33、拟合训练集对构建的模型进行训练；把已知的企业风险信息数据以及知识图谱内的企业风险信息数据输入至经营风险模型内，结合相关企业的风险信息数据，对所述的经营风险模型进行风险预测准确率的训练。
S34、拟合验证集对构建的模型内的数据进行对比,能消除模型内的数据错误和未经过数据预处理的原始数据；
S35、检验测试集性能，对构建的模型进行数据比对测试和评估；
S36、预测真实数据并根据结果调整训练集以及测试集内的关于经营风险模型的参数，从而进行持续的迭代训练，得出最优模型。
本申请实施例的企业经营风险预测方法，将获取的当前的企业信息数据输入风险经营预测模型中；通过对所需进行风险预测的企业的内部以及外部信息数据的融合处理和根据知识图谱结构化所需进行风险预测的企业信息数据，同时采用深度学习技术构建风险经营预测模型，持续迭代更新所述风险经营预测模型，从而得出最优预测模型，对企业经营风险进行预测。
本申请实施例还提供一种企业经营风险的预测***，如图4所示，所述的预测***包括了数据采集模块401，知识图谱模块402，模型构建模块403以及预测模块404；
所述的数据采集模块401，利用网络爬虫脚本获取不同平台上的相关企业内外部信息数据；再将所获取的信息数据进行数据融合，将非结构化以及半结构化的信息数据转为结构化信息数据；
所述的知识图谱模块402，利用数据采集模块上所获取的信息数据构建知识图谱，利用所述的图谱对图谱内的事件进行聚类和风险等级划分，并把相关的数据导入模型构建模块中；
所述的模型构建模块403，利用所述图谱构建的图内信息数据，构建训练集和测试集，从而进行持续的迭代训练，得出最优模型；
所述的预测模块404，利用所述模型板块内得到的最优模型以及将要预测的企业当前相关数据，能够对所需企业的未来风险进行分析预测。
本申请实施例中，所述企业经营风险的预测***中各模块实现的功能可以参照前述企业经营风险预测方法的相关描述进行理解。具体实现时，所述企业经营风险的预测***中的各模块可由处理器，比如中央处理器(Central Processing Unit，CPU)、数字信号处理器(Digital Signal Processor，DSP)、微控制单元(Microcontroller Unit，MCU)或可编程门阵列(Field－Programmable Gate Array，FPGA)等实现。
本申请实施例还提供了一种计算机可读存储介质，用于存储计算机程序。
可选的，该计算机可读存储介质可应用于本申请实施例中的企业经营风险的预测***，并且该计算机程序使得计算机执行本申请实施例的各个方法中由企业经营风险的预测***实现的相应流程，为了简洁，在此不再赘述。
可选地，该计算机可读存储介质可应用于本申请实施例中的移动终端/终端设备，并且该计算机程序使得计算机执行本申请实施例的各个方法中由移动终端/终端设备实现的相应流程，为了简洁，在此不再赘述。
本申请实施例还提供了一种计算机程序产品，包括计算机程序指令。
可选的，该计算机程序产品可应用于本申请实施例中的企业经营风险的预测***，并且该计算机程序指令使得计算机执行本申请实施例的各个方法中由企业经营风险的预测***实现的相应流程，为了简洁，在此不再赘述。
可选地，该计算机程序产品可应用于本申请实施例中的移动终端/终端设备，并且该计算机程序指令使得计算机执行本申请实施例的各个方法中由移动终端/终端设备实现的相应流程，为了简洁，在此不再赘述。
本申请实施例还提供了一种计算机程序。
可选的，该计算机程序可应用于本申请实施例中的企业经营风险的预测***，当该计算机程序在计算机上运行时，使得计算机执行本申请实施例的各个方法中由企业经营风险的预测***实现的相应流程，为了简洁，在此不再赘述。
可选地，该计算机程序可应用于本申请实施例中的移动终端/终端设备，当该计算机程序在计算机上运行时，使得计算机执行本申请实施例的各个方法中由移动终端/终端设备实现的相应流程，为了简洁，在此不再赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，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，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，)ROM、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的效结构或效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (6)

  1. 一种企业经营风险预测方法，所述企业经营风险预测方法包括：
    利用网络爬虫技术采集所需进行风险预测的企业信息数据以及其关联企业的信息数据；采集进行风险预测的企业内部信息数据以及外部信息数据；
    对于所收集到的企业内部信息数据和外部信息数据进行数据融合处理，将非结构化或者半结构化数据转化为结构化的数据并且储存至图形数据库内；
    根据所收集到的所需进行风险预测的企业信息数据和其关联企业的信息数据进行知识图谱构建及绘制；
    采集经营风险特征数据信息；使用深度学习方法从知识图谱里获取与预先设定的风险特征词相同或者类似的风险特征标签词，然后利用深度学习方法找到经营风险特征数据信息进行提取；
    通过所述经营风险特征数据信息构建用于预测企业未来的经营风险情况的经营风险模型；
    把所需进行风险预测的企业信息数据输入风险经营模型进行预测。
  2. 根据权利要求1所述的一种企业经营风险预测方法，其中，所述的所收集到的所需企业以及其关联企业的信息数据进行知识图谱构建及绘制，包括：
    利用自然语言处理技术对不同企业的相关联的实体信息数据进行命名实体识别，进而得到与所需进行经营风险预测的企业的相关联实体信息数据；并进行实体消歧，获得明确名称指代的具体实体信息数据；
    对实体之间的语义关系进行提取，从而获得不同实体间的实体关系信息数据；
    整合所述实体信息数据以及所述实体关系信息数据进行知识图谱的 构建以及绘制通过图的方式表达实体与实体之间的复杂关系。
  3. 根据权利要求1所述的一种企业经营风险预测方法，其中，将所述的经营风险特征数据信息作为深度学习的训练集，构建经营风险模型，所述构建经营风险模型的过程包含以下步骤：
    利用损失函数来评估模型的预测值与真实值不一致的程度；
    初始化所述经营风险模型架构；
    拟合训练集对构建的模型进行训练；
    拟合验证集对构建的模型内的数据进行对比；
    检验测试集性能，对构建的模型进行数据比对测试和评估；
    预测真实数据并根据结果调整训练集以及测试集。
  4. 根据权利要求1所述的一种企业经营风险预测方法，其中，所述方法还包括：
    将获取的当前的企业信息数据输入风险经营预测模型中；
    通过对所需进行风险预测的企业的内部以及外部信息数据的融合处理和根据知识图谱结构化所需进行风险预测的企业信息数据，同时采用深度学习技术构建风险经营预测模型；
    持续迭代更新所述风险经营预测模型，从而得出最优预测模型，通过所述最优预测模型对企业经营风险进行预测。
  5. 根据权利要求1至4中任一项所述的一种企业经营风险预测方法，其中，
    所述的内部信息数据包括所有格式的财务数据、报账信息数据、合同信息数据、HR数据、招投标数据以及其他企业内部相关的办公电子文档；
    所述的外部数据包括了企业互联网舆情数据、外部公开招投标信息数据、工商信息数据、政策信息数据以及其他与企业相关的网页数据。
  6. 一种企业经营风险的预测***，所述的预测***包括了数据采集模块，知识图谱模块，模型构建模块以及预测模块；
    所述的数据采集模块，利用网络爬虫脚本获取不同平台上的相关企业内外部数据；再将所获取的数据进行数据融合和整合；
    所述的知识图谱模块，利用数据采集模块上所获取的数据构建知识图谱，利用所述的图谱对图谱内的事件进行聚类和风险等级划分，并把相关的数据导入模型构建模块中；
    所述的模型构建模块，利用所述图谱构建的图内信息数据，构建训练集和测试集，从而进行持续的迭代训练，得出最优模型；
    所述的预测模块，利用所述模型板块内得到的最优模型以及将要预测的企业当前相关数据，能够对所需企业的未来风险进行分析预测。
PCT/CN2020/096192 2019-11-28 2020-06-15 一种企业经营风险预测方法和*** WO2021103492A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201911194769.0A CN110889556B (zh) 2019-11-28 2019-11-28 一种企业经营风险特征数据信息提取方法和提取***
CN201911194769.0 2019-11-28

Publications (1)

Publication Number Publication Date
WO2021103492A1 true WO2021103492A1 (zh) 2021-06-03

Family

ID=69749306

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/096192 WO2021103492A1 (zh) 2019-11-28 2020-06-15 一种企业经营风险预测方法和***

Country Status (2)

Country Link
CN (1) CN110889556B (zh)
WO (1) WO2021103492A1 (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222471A (zh) * 2021-06-04 2021-08-06 西安交通大学 一种基于新媒体数据的资产风控方法及设备
CN113393159A (zh) * 2021-07-07 2021-09-14 上海软中信息技术有限公司 一种基于关联网络的智能风控平台***、装置和设备
CN113537796A (zh) * 2021-07-22 2021-10-22 大路网络科技有限公司 一种企业风险评估方法、装置及设备
CN113569931A (zh) * 2021-07-16 2021-10-29 中国铁道科学研究院集团有限公司 动态数据融合方法、装置、设备和介质
CN113591077A (zh) * 2021-07-30 2021-11-02 北京邮电大学 一种网络攻击行为预测方法、装置、电子设备及存储介质
CN113887821A (zh) * 2021-10-20 2022-01-04 度小满科技(北京)有限公司 一种用于风险预测的方法和装置
CN114118526A (zh) * 2021-10-29 2022-03-01 中国建设银行股份有限公司 一种企业风险预测方法、装置、设备及存储介质
CN114118779A (zh) * 2021-11-24 2022-03-01 武汉大学 一种基于kgann的面向互联网舆情事件的企业风险识别方法
CN114386856A (zh) * 2022-01-14 2022-04-22 建信金融科技有限责任公司 一种空壳企业识别方法、装置、设备及计算机存储介质
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
CN114647741A (zh) * 2022-03-14 2022-06-21 广东技术师范大学 工艺自动决策和推理方法、装置、计算机设备及存储介质
CN115545799A (zh) * 2022-11-04 2022-12-30 北京赛西科技发展有限责任公司 信息技术服务质量评估方法、装置、设备及介质
CN115965137A (zh) * 2022-12-26 2023-04-14 北京码牛科技股份有限公司 特定组织发展对象倾向预测方法、***、终端及存储介质
CN115964503A (zh) * 2021-12-28 2023-04-14 北方工业大学 基于社区设备设施的安全风险预测方法及***
CN116109142A (zh) * 2023-04-03 2023-05-12 航科广软(广州)数字科技有限公司 基于人工智能的危险废物监管方法、***及装置
US11715053B1 (en) * 2020-02-20 2023-08-01 Praisidio Inc. Dynamic prediction of employee attrition
CN116681291A (zh) * 2023-08-02 2023-09-01 杭州小策科技有限公司 一种基于集成模型的风控预测方法及***
CN117010697A (zh) * 2023-09-25 2023-11-07 山东财经大学 一种基于人工智能的可视化企业风险评估方法
CN117494811A (zh) * 2023-11-20 2024-02-02 南京大经中医药信息技术有限公司 中医典籍的知识图谱构建方法及***
CN117992925A (zh) * 2024-04-03 2024-05-07 成都新希望金融信息有限公司 基于多源异构数据和多模态数据的风险预测方法及装置

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889556B (zh) * 2019-11-28 2022-08-12 福建亿榕信息技术有限公司 一种企业经营风险特征数据信息提取方法和提取***
CN111401777B (zh) * 2020-03-30 2024-03-12 未来地图(深圳)智能科技有限公司 企业风险的评估方法、装置、终端设备及存储介质
CN111582643A (zh) * 2020-04-08 2020-08-25 北京明略软件***有限公司 一种企业风险信息收集的方法、装置和设备
CN111784488B (zh) * 2020-06-28 2023-08-01 中国工商银行股份有限公司 企业资金风险预测方法及装置
CN111899089A (zh) * 2020-07-01 2020-11-06 苏宁金融科技(南京)有限公司 基于知识图谱的企业风险预警方法及***
CN111738532B (zh) * 2020-08-14 2021-02-05 支付宝(杭州)信息技术有限公司 一种事件对对象影响度的获取方法和***
CN111951079B (zh) * 2020-08-14 2024-04-02 国网数字科技控股有限公司 一种基于知识图谱的信用评级方法、装置及电子设备
CN112150298B (zh) * 2020-09-28 2022-12-09 建信金融科技有限责任公司 数据处理方法、***、设备及可读介质
CN112286986B (zh) * 2020-10-14 2021-08-03 北京乾唐伟业科技股份公司 一种基于企业族谱的产权分析管理***
CN112200382B (zh) * 2020-10-27 2022-11-22 支付宝(杭州)信息技术有限公司 一种风险预测模型的训练方法和装置
CN112463981A (zh) * 2020-11-26 2021-03-09 福建正孚软件有限公司 一种基于深度学习的企业内部经营管理风险识别提取方法及***
CN112766652B (zh) * 2020-12-31 2024-04-19 北京知因智慧科技有限公司 一种企业事件分布图的生成方法、装置及可读存储介质
CN112926855A (zh) * 2021-02-24 2021-06-08 北京通付盾人工智能技术有限公司 一种基于知识图谱的营销活动风险控制***及方法
CN112950344A (zh) * 2021-02-26 2021-06-11 平安国际智慧城市科技股份有限公司 数据评估方法、装置、电子设备及存储介质
CN112801431B (zh) * 2021-04-13 2021-07-16 广东浩迪智云技术有限公司 基于人工智能分析的企业经营风险评估方法及***
CN113159582A (zh) * 2021-04-23 2021-07-23 深圳前海华兆新能源有限公司 一种工业园区用户生产经营情况分析预警方法
CN113240262A (zh) * 2021-05-08 2021-08-10 南京樯图数据研究院有限公司 一种企业竞争策略研究用的人工智能***
CN115422402A (zh) * 2021-05-12 2022-12-02 华为技术有限公司 一种工程化预测分析的方法
CN113393084B (zh) * 2021-05-13 2024-06-11 上海湃道智能科技有限公司 作业票流程管理***
CN113361962A (zh) * 2021-06-30 2021-09-07 支付宝(杭州)信息技术有限公司 基于区块链网络识别企业风险性的方法及装置
CN113535818A (zh) * 2021-07-15 2021-10-22 福建亿榕信息技术有限公司 一种构建审计综合知识库的方法、设备
CN114168757B (zh) * 2022-02-11 2022-04-29 子长科技(北京)有限公司 公司事件风险预测方法、装置、存储介质及电子设备
CN115269879B (zh) * 2022-09-05 2023-05-05 北京百度网讯科技有限公司 知识结构数据的生成方法、数据搜索方法和风险告警方法
CN115619238B (zh) * 2022-12-20 2023-05-12 万联易达物流科技有限公司 一种为非特定b2b平台建立企业间合作关系的方法
CN117829325A (zh) * 2023-03-13 2024-04-05 重庆文诗奇源科技有限公司 基于知识图谱邻接节点的企业失信风险预测方法
CN116149885B (zh) * 2023-04-20 2023-06-20 北京神州邦邦技术服务有限公司 一种泛it服务风险预测方法及***
CN117094566B (zh) * 2023-10-19 2024-01-02 中节能大数据有限公司 一种视图导向的企业管理分析策略方法
CN117422312B (zh) * 2023-12-18 2024-03-12 福建实达集团股份有限公司 一种企业经营风险的评估方法、介质及装置
CN117726185A (zh) * 2024-02-18 2024-03-19 联通在线信息科技有限公司 基于企业经营及创新评价模型评估经营风险的方法及***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106649455A (zh) * 2016-09-24 2017-05-10 孙燕群 一种大数据开发的标准化***归类、命令集***
CN107516279A (zh) * 2017-08-15 2017-12-26 皑沐(上海)文化传媒有限公司 一种网络舆情自动预警的方法
CN108021704A (zh) * 2017-12-27 2018-05-11 广东广业开元科技有限公司 一种基于社会舆情数据挖掘技术的坐席优化配置方法
CN109543985A (zh) * 2018-11-15 2019-03-29 李志东 企业风险评估方法、***及介质
CN110503328A (zh) * 2019-08-16 2019-11-26 阿里巴巴集团控股有限公司 企业风险识别方法、***、装置及设备
CN110889556A (zh) * 2019-11-28 2020-03-17 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***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10991053B2 (en) * 2015-07-02 2021-04-27 DZee Solutions, Inc. Long-term healthcare cost predictions using future trajectories and machine learning
EP3223178A1 (en) * 2016-03-24 2017-09-27 Fujitsu Limited A system and a method for assessing patient treatment risk using open data and clinician input
CN108596439A (zh) * 2018-03-29 2018-09-28 北京中兴通网络科技股份有限公司 一种基于知识图谱的企业风险预测方法及***
CN110390023A (zh) * 2019-07-02 2019-10-29 安徽继远软件有限公司 一种基于改进bert模型的知识图谱构建方法
CN110503236A (zh) * 2019-07-08 2019-11-26 中国平安人寿保险股份有限公司 基于知识图谱的风险预测方法、装置、设备以及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106649455A (zh) * 2016-09-24 2017-05-10 孙燕群 一种大数据开发的标准化***归类、命令集***
CN107516279A (zh) * 2017-08-15 2017-12-26 皑沐(上海)文化传媒有限公司 一种网络舆情自动预警的方法
CN108021704A (zh) * 2017-12-27 2018-05-11 广东广业开元科技有限公司 一种基于社会舆情数据挖掘技术的坐席优化配置方法
CN109543985A (zh) * 2018-11-15 2019-03-29 李志东 企业风险评估方法、***及介质
CN110503328A (zh) * 2019-08-16 2019-11-26 阿里巴巴集团控股有限公司 企业风险识别方法、***、装置及设备
CN110889556A (zh) * 2019-11-28 2020-03-17 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***

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11715053B1 (en) * 2020-02-20 2023-08-01 Praisidio Inc. Dynamic prediction of employee attrition
CN113222471A (zh) * 2021-06-04 2021-08-06 西安交通大学 一种基于新媒体数据的资产风控方法及设备
CN113222471B (zh) * 2021-06-04 2023-06-06 西安交通大学 一种基于新媒体数据的资产风控方法及设备
CN113393159A (zh) * 2021-07-07 2021-09-14 上海软中信息技术有限公司 一种基于关联网络的智能风控平台***、装置和设备
CN113569931B (zh) * 2021-07-16 2024-04-05 中国铁道科学研究院集团有限公司 动态数据融合方法、装置、设备和介质
CN113569931A (zh) * 2021-07-16 2021-10-29 中国铁道科学研究院集团有限公司 动态数据融合方法、装置、设备和介质
CN113537796A (zh) * 2021-07-22 2021-10-22 大路网络科技有限公司 一种企业风险评估方法、装置及设备
CN113591077A (zh) * 2021-07-30 2021-11-02 北京邮电大学 一种网络攻击行为预测方法、装置、电子设备及存储介质
CN113591077B (zh) * 2021-07-30 2024-03-19 北京邮电大学 一种网络攻击行为预测方法、装置、电子设备及存储介质
CN113887821A (zh) * 2021-10-20 2022-01-04 度小满科技(北京)有限公司 一种用于风险预测的方法和装置
CN114118526A (zh) * 2021-10-29 2022-03-01 中国建设银行股份有限公司 一种企业风险预测方法、装置、设备及存储介质
CN114118779A (zh) * 2021-11-24 2022-03-01 武汉大学 一种基于kgann的面向互联网舆情事件的企业风险识别方法
CN114118779B (zh) * 2021-11-24 2024-05-10 武汉大学 一种基于kgann的面向互联网舆情事件的企业风险识别方法
CN115964503A (zh) * 2021-12-28 2023-04-14 北方工业大学 基于社区设备设施的安全风险预测方法及***
CN115964503B (zh) * 2021-12-28 2023-07-07 北方工业大学 基于社区设备设施的安全风险预测方法及***
CN114386856A (zh) * 2022-01-14 2022-04-22 建信金融科技有限责任公司 一种空壳企业识别方法、装置、设备及计算机存储介质
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
CN114647741A (zh) * 2022-03-14 2022-06-21 广东技术师范大学 工艺自动决策和推理方法、装置、计算机设备及存储介质
CN115545799A (zh) * 2022-11-04 2022-12-30 北京赛西科技发展有限责任公司 信息技术服务质量评估方法、装置、设备及介质
CN115545799B (zh) * 2022-11-04 2023-03-24 北京赛西科技发展有限责任公司 信息技术服务质量评估方法、装置、设备及介质
CN115965137A (zh) * 2022-12-26 2023-04-14 北京码牛科技股份有限公司 特定组织发展对象倾向预测方法、***、终端及存储介质
CN115965137B (zh) * 2022-12-26 2023-11-14 北京码牛科技股份有限公司 特定对象关联性预测方法、***、终端及存储介质
CN116109142A (zh) * 2023-04-03 2023-05-12 航科广软(广州)数字科技有限公司 基于人工智能的危险废物监管方法、***及装置
CN116109142B (zh) * 2023-04-03 2023-06-27 航科广软(广州)数字科技有限公司 基于人工智能的危险废物监管方法、***及装置
CN116681291B (zh) * 2023-08-02 2023-11-07 杭州小策科技有限公司 一种基于集成模型的风控预测方法及***
CN116681291A (zh) * 2023-08-02 2023-09-01 杭州小策科技有限公司 一种基于集成模型的风控预测方法及***
CN117010697B (zh) * 2023-09-25 2023-12-19 山东财经大学 一种基于人工智能的可视化企业风险评估方法
CN117010697A (zh) * 2023-09-25 2023-11-07 山东财经大学 一种基于人工智能的可视化企业风险评估方法
CN117494811A (zh) * 2023-11-20 2024-02-02 南京大经中医药信息技术有限公司 中医典籍的知识图谱构建方法及***
CN117494811B (zh) * 2023-11-20 2024-05-28 南京大经中医药信息技术有限公司 中医典籍的知识图谱构建方法及***
CN117992925A (zh) * 2024-04-03 2024-05-07 成都新希望金融信息有限公司 基于多源异构数据和多模态数据的风险预测方法及装置

Also Published As

Publication number Publication date
CN110889556B (zh) 2022-08-12
CN110889556A (zh) 2020-03-17

Similar Documents

Publication Publication Date Title
WO2021103492A1 (zh) 一种企业经营风险预测方法和***
US10977293B2 (en) Technology incident management platform
CN112612902A (zh) 一种电网主设备的知识图谱构建方法及设备
CN113806563B (zh) 面向多源异构建筑人文史料的建筑师知识图谱构建方法
US20220100772A1 (en) Context-sensitive linking of entities to private databases
CN112434024B (zh) 面向关系型数据库的数据字典生成方法、装置、设备及介质
US20200201940A1 (en) Dependency graph based natural language processing
CN111177322A (zh) 一种领域知识图谱的本体模型构建方法
Pan et al. Clustering of designers based on building information modeling event logs
US20220100967A1 (en) Lifecycle management for customized natural language processing
WO2023124191A1 (zh) 基于深度图匹配的医疗数据元自动化分类方法及***
CN116383399A (zh) 一种事件舆情风险预测方法及***
US11544328B2 (en) Method and system for streamlined auditing
CN112613611A (zh) 一种基于知识图谱的税务知识库***
CN117574898A (zh) 基于电网设备的领域知识图谱更新方法及***
Duan et al. Research on the service mode of the university library based on data mining
Ouared et al. Capitalizing the database cost models process through a service‐based pipeline
WO2022072237A1 (en) Lifecycle management for customized natural language processing
Palshikar et al. Automatic Shortlisting of Candidates in Recruitment.
CN117151659A (zh) 一种基于大语言模型的生态修复工程全生命周期追溯方法
Li et al. Automatic identification of assumptions from the hibernate developer mailing list
Li et al. Automatic classification algorithm for multisearch data association rules in wireless networks
CN115827885A (zh) 一种运维知识图谱的构建方法、装置及电子设备
Liu et al. A preliminary approach of constructing a knowledge graph-based enterprise informationized audit platform
Hsu et al. Similarity search over personal process description graph

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20892449

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20892449

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 20892449

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 12/01/2023)

122 Ep: pct application non-entry in european phase

Ref document number: 20892449

Country of ref document: EP

Kind code of ref document: A1