企业信用评价方法、装置及电子设备制造方法及图纸

本发明专利技术提供了企业信用评价方法、装置及电子设备。其中，该方法包括：获取待评价企业的特征信息；其中，特征信息包括维度指标以及每个维度指标对应的企业数据；维度指标包括以下至少之一：总订单完成率、成本利润率、产品质量合格率、准时交货率、订单管理成本、库存成本和通讯成本；将特征信息输入至预先训练好的概率图模型，以使概率图模型根据特征信息输出待评价企业的信用值；其中，概率图模型为基于供应链中企业关系训练得到；从而利用概率图模型，实现了在企业信用值评价过程中，从企业所在供应链的角度出发，有效利用其他企业与待评价企业的关系，丰富了评价方法，提高了待评价企业的信用值精度。

【技术实现步骤摘要】
企业信用评价方法、装置及电子设备
本专利技术企业信用
，尤其是涉及企业信用评价方法、装置及电子设备。
技术介绍
在当前大数据时代下，企业信用是企业产品服务、资本运营、公共关系、经营现状和管理能力的综合表现，企业信用已成为大数据时代下企业的隐形资产和综合实力证明。因此，建立可靠准确、更新及时的企业信用评判体系具有长远意义。现有方法主要是利用线性回归对个人信用或企业信用进行等级评价，在监督学习场景下，对采集到的企业相关信息和已知信用评估值进行线性回归建模，以使训练好的回归模型根据输入的待评价企业的特征数据输出该企业的信用等级。这种方法虽然可以实现企业信用等级的评价，但是特征数据比较单一，大都是人为定义的待评价企业的企业数据，因此，现有评价方法相对单一，降低了企业的信用评价值，导致企业的信用评价值并不理想。
技术实现思路
有鉴于此，本专利技术的目的在于提供企业信用评价方法、装置及电子设备，以缓解上述问题，提高了企业的信用值精度。第一方面，本专利技术实施例提供了一种企业信用评价方法，该方法包括：获取待评价企业的特征信息；其中，特征信息包括维度指标以及每个维度指标对应的企业数据；维度指标包括以下至少之一：总订单完成率、成本利润率、产品质量合格率、准时交货率、订单管理成本、库存成本和通讯成本；将特征信息输入至预先训练好的概率图模型，以使概率图模型根据特征信息输出待评价企业的信用值；其中，概率图模型为基于供应链中企业关系训练得到。结合第一方面，本专利技术实施例提供了第一方面的第一种可能的实施方式，其中，上述概率图模型的训练过程如下：获取训练样本集；其中，训练样本集包括训练供应链中多个企业训练样本，以及每个企业训练样本的训练特征信息；且，至少部分企业训练样本还标注有信用标注值；将训练样本集输入至原始概率图模型进行训练，以得到概率图模型。结合第一方面的第一种可能的实施方式，本专利技术实施例提供了第一方面的第二种可能的实施方式，其中，该方法还包括：根据训练供应链中的多个企业训练样本，构建原始概率图模型；其中，原始概率图模型包括多个节点，节点用于表征企业训练样本，具有企业关系的两个节点之间连接有关系线。结合第一方面的第二种可能的实施方式，本专利技术实施例提供了第一方面的第三种可能的实施方式，其中，上述将训练样本集输入至原始概率图模型进行训练的步骤之前，该方法还包括：基于最大团对原始概率图模型进行拆解，得到原始概率图模型包含的多个最大团；其中，最大团为概率图模型中的多个节点组成的子集，且，子集内的任意两个节点之间具有连接线，以及，子集并非原始概率图模型中节点组成的其余子集的真子集；基于特征函数计算每个最大团的特征函数值；其中，特征函数值用于表征最大团内的多个节点之间的契合度。结合第一方面的第一种可能的实施方式，本专利技术实施例提供了第一方面的第四种可能的实施方式，其中，上述将训练样本集输入至原始概率图模型进行训练的步骤，包括：将训练样本集输入至原始概率图模型进行训练，直至原始概率图模型的损失函数收敛，完成训练过程，得到概率图模型。结合第一方面的第四种可能的实施方式，本专利技术实施例提供了第一方面的第五种可能的实施方式，其中，该方法还包括：根据下式计算原始概率图模型的损失函数：其中，MSE表示损失函数，yi表示第i个企业训练样本的企业信用真实值，表示第i个企业训练样本的信用标注值，n表示训练供应链中企业训练样本的数量。第二方面，本专利技术实施例还提供一种企业信用评价装置，该装置包括：获取模块，用于获取待评价企业的特征信息；其中，特征信息包括维度指标以及每个维度指标对应的企业数据；维度指标包括以下至少之一：总订单完成率、成本利润率、产品质量合格率、准时交货率、订单管理成本、库存成本和通讯成本；评价模块，用于将特征信息输入至预先训练好的概率图模型，以使概率图模型根据特征信息输出待评价企业的信用值；其中，概率图模型为基于供应链中企业关系训练得到。结合第二方面，本专利技术实施例提供了第二方面的第一种可能的实施方式，其中，上述概率图模型的训练过程如下：获取训练样本集；其中，训练样本集包括训练供应链中多个企业训练样本，以及每个企业训练样本的训练特征信息；且，至少部分企业训练样本还标注有信用标注值；将训练样本集输入至原始概率图模型进行训练，以得到概率图模型。第三方面，本专利技术实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述第一方面的企业信用评价方法的步骤。第四方面，本专利技术实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述第一方面的企业信用评价方法的步骤。本专利技术实施例带来了以下有益效果：本专利技术提实施例供了企业信用评价方法、装置及电子设备，通过利用基于供应链中企业关系训练得到的概率图模型，实现了在企业信用值评价过程中，从企业所在供应链的角度出发，有效利用其他企业与待评价企业的关系，丰富了评价方法，提高了待评价企业的信用值精度。本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，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为本专利技术实施例提供的一种企业信用评价方法的流程图；图2为本专利技术实施例提供的一种概率图模型的训练方法的流程图；图3为本专利技术实施例提供的一种图结构的示意图；图4为本专利技术实施例提供的一种原始概率图模型的示意图；图5为本专利技术实施例提供的一种企业信用评价装置的示意图；图6为本专利技术实施例提供的一种电子设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。现有的方法主要是利用线性回归对个人信用或企业信用进行等级评价，例如通过线性回归方法对采集到的企业相关信息和已知信用评估值进行线性回归建模，并对训练好的线性归回模型输入待评价企业特征数据，输出该企业的信用评级；或者采用基于大数据分析的企业信用评估方法，输入影响各企业信用的权重系数，通过已有企业数据和确知的信用值建模修正权重系数，最终使用修正后的权重系数输出待评估企业信用。现有方法虽然可以实现企业本文档来自技高网...

【技术保护点】
1.一种企业信用评价方法，其特征在于，所述方法包括：/n获取待评价企业的特征信息；其中，所述特征信息包括维度指标以及每个所述维度指标对应的企业数据；所述维度指标包括以下至少之一：总订单完成率、成本利润率、产品质量合格率、准时交货率、订单管理成本、库存成本和通讯成本；/n将所述特征信息输入至预先训练好的概率图模型，以使所述概率图模型根据所述特征信息输出所述待评价企业的信用值；其中，所述概率图模型为基于供应链中企业关系训练得到。/n

【技术特征摘要】
1.一种企业信用评价方法，其特征在于，所述方法包括：
获取待评价企业的特征信息；其中，所述特征信息包括维度指标以及每个所述维度指标对应的企业数据；所述维度指标包括以下至少之一：总订单完成率、成本利润率、产品质量合格率、准时交货率、订单管理成本、库存成本和通讯成本；
将所述特征信息输入至预先训练好的概率图模型，以使所述概率图模型根据所述特征信息输出所述待评价企业的信用值；其中，所述概率图模型为基于供应链中企业关系训练得到。


2.根据权利要求1所述的企业信用评价方法，其特征在于，所述概率图模型的训练过程如下：
获取训练样本集；其中，所述训练样本集包括训练供应链中多个企业训练样本，以及每个所述企业训练样本的训练特征信息；且，至少部分所述企业训练样本还标注有信用标注值；
将所述训练样本集输入至原始概率图模型进行训练，以得到所述概率图模型。


3.根据权利要求2所述的企业信用评价方法，其特征在于，所述方法还包括：
根据所述训练供应链中的多个企业训练样本，构建所述原始概率图模型；其中，所述原始概率图模型包括多个节点，所述节点用于表征所述企业训练样本，具有企业关系的两个所述节点之间连接有关系线。


4.根据权利要求3所述的企业信用评价方法，其特征在于，所述将所述训练样本集输入至原始概率图模型进行训练的步骤之前，所述方法还包括：
基于最大团对所述原始概率图模型进行拆解，得到所述原始概率图模型包含的多个最大团；其中，所述最大团为所述概率图模型中的多个所述节点组成的子集，且，所述子集内的任意两个节点之间具有连接线，以及，所述子集并非所述原始概率图模型中所述节点组成的其余子集的真子集；
基于特征函数计算每个所述最大团的特征函数值；其中，所述特征函数值用于表征所述最大团内的多个所述节点之间的契合度。


5.根据权利要求2所述的企业信用评价方法，其特征在于，所述将所述训练样本集输入至原始概率图模型进行训练...

【专利技术属性】
技术研发人员：张曙华，杨安荣，邬旭栋，马睿涛，
申请(专利权)人：上海信联信息发展股份有限公司，
类型：发明
国别省市：上海;31