一种企业信息与政策信息的处理方法与流程

1.本发明涉及信息处理技术领域，具体为一种企业信息与政策信息的处理方法。


背景技术：

2.企业在项目申报时要关注相关政策的条件、主题、领域、类别、发布部门、地区、补贴金额等信息，并从中选择满足要求且匹配度较高的政策项目进行申报。日常处理中，对政策信息的获取与筛选工作大多都是经由人工完成的，受人工素质因素影响，常常会出现信息疏漏的现象，由此会导致企业错过最佳项目申报的情况。
3.所以对信息的实时有效处理成为当今最为需要解决的问题。


技术实现要素：

4.本发明的目的在于提供一种企业信息与政策信息的处理方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种企业信息与政策信息的处理方法，其方法包括如下步骤：s1：通过数据源层收集获取企业信息和政策信息，为更深层次的数据分析、数据挖掘提供数据；s2：将数据院层收集的类数据信息整合至数据原始层，数据原始层分为政府政策数据库和企业数据库，政策信息存储至政府政策数据库，企业信息储存至企业数据库；s3：对收集到的政府政策信息进行数据处理，得到每个政府的信息特征，为下一步的企业与政策精准匹配打下基础；s4：对收集的企业信息进行数据处理，得到每个企业的信息特征，为下一步的企业与政策精准匹配打下基础；s5：通过特征信息词汇等为企业匹配合适的政府政策，通过构建的企业靶向模型进行相对应的政策推送；。
6.优选的，所述步骤所述步骤s3包括以下步骤：步骤s31：利用npl及其相关技术对政府中句子、关键词和关键词逻辑关系等进行抽取；步骤s32：基于大规模预训练模型bert的few
‑
shot分类模型对关键句子进行抽取；步骤s33：基于大规模预训练模型bert的迁移学习，序列标注模型bilstm
‑
crf对关键词语进行抽取；步骤s34：大规模预训练模型bert，基于transformers和span的关系生成模型对关键词逻辑关系进行抽取。
7.优选的，所述步骤s4包括以下步骤：步骤s41：基于特征工程和企业画像刻画从而构建企业图像。
8.优选的，所述步骤s1中，通过采集互联网、政府系统或其他系统发布的各类政策和
企业基础数据，为更深层次的数据分析、数据挖掘提供数据优选的，所述步骤s5中，通过大数据和人工智能技术（主要是nlp技术）对政策和企业数据进行特征挖掘、标签管理、靶向模型分析等后，通过对敏感关键词汇的搜索，实现政策与企业的精准匹配。
9.与现有技术相比，本发明的有益效果如下：1、通过互联网获取的企业信息数据，利用传统算法对企业数据做特征工程，构建各类模型完成对企业画像的刻画，得到企业靶向模型，然后对收集的政府政策项目进行数据处理，利用npl及其相关技术对政府政策中的句子关键词和关键词逻辑关系等进行抽取，基于大规模预训练模型bert的few
‑
shot分类模型对关键句子进行抽取，基于大规模预训练模型bert的迁移学习，序列标注模型bilstm
‑
crf对关键词语进行抽取，大规模预训练模型bert，基于rtansformers和span的关系生成模型对关键词逻辑关系进行抽取，更加快捷方便的查找详细的政策信息和规则，避免政策信息和规则出现纰漏，构建政策知识图谱，通过这样的操作可得到企业和政策的特征词语和逻辑，并且将无用信息提出，并且更新企业和政府政策的信息，防止无用信息对使用者产生误导，提高了企业和政府政策之间的精准匹配率。
附图说明
10.图1为本发明企业信息与政策信息的处理方法的流程示意图；图2为本发明企业信息与政策信息的处理方法的步骤s3中细节流程图；图3为本发明企业信息与政策信息的处理方法的步骤s4中细节流程图。
具体实施方式
11.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，都属于本发明保护的范围。
12.实施例一：一种企业信息与政策信息的处理方法，其方法包括如下步骤：s1：通过数据源层收集获取互联网、政府系统或其他系统发布的各类政策和企业基础数据中的企业信息和政策信息，为更深层次的数据分析、数据挖掘提供数据；s2：将数据源层收集的各类数据信息整合至数据原始层，并且在数据原始层内进行信息分类，将政府政策信息储存至政府政策数据库内，将企业信息储存至企业数据库内，通过互联网实时更新信息，若相关的政府政策信息有改动，则实时存储至数据原始层，并且与之前的信息进行对比，不同的地方重点标识，方便用户使用，若相关的企业信息有所变动，则将更新后的信息实时存储至原始数据层，并且与之匹配更新后所能匹配的政府政策项目，减少无用信息之间的无用匹配，实现更加高效的匹配对接；s3：对收集的政府政策信息进行数据处理，得到每个政府政策的信息特征，利用npl及其相关技术对政府政策中的句子关键词和关键词逻辑关系等进行抽取，基于大规模预训练模型bert的few
‑
shot分类模型对关键句子进行抽取，基于大规模预训练模型bert的
迁移学习，序列标注模型bilstm
‑
crf对关键词语进行抽取，大规模预训练模型bert，基于rtansformers和span的关系生成模型对关键词逻辑关系进行抽取，更加快捷方便的查找详细的政策信息和规则，避免政策信息和规则出现纰漏，构建政策知识图谱，有效的实现企业和政策的精准匹配；s4：对收集到的企业信息进行数据处理，得到每个企业的信息特征，通过数据原始层内获得的企业数据，利用传统的算法对企业数据做特征工程，构建各类模型完成对企业画像的刻画，从而实现对政府政策信息的精准匹配；s5：通过互联网的大数据得到企业的信息特征和政府政策信息特征，在进行匹配时，各类不同的企业模型画像对应不同的政府政策，且适配企业的政策清单可在“赖益”这个平台上获取，适配政策的企业清单可在“智能送策”这个平台上获取，从而实现将企业信息和政策信息有效处理得到特征信息和关键词，方便企业与政策信息之间的精准匹配。
13.本发明提出的企业信息与政策信息的处理方法，通过互联网获取的企业信息数据，利用传统算法对企业数据做特征工程，构建各类模型完成对企业画像的刻画，得到企业靶向模型，然后对收集的政府政策项目进行数据处理，利用npl及其相关技术对政府政策中的句子关键词和关键词逻辑关系等进行抽取，基于大规模预训练模型bert的few
‑
shot分类模型对关键句子进行抽取，基于大规模预训练模型bert的迁移学习，序列标注模型bilstm
‑
crf对关键词语进行抽取，大规模预训练模型bert，基于rtansformers和span的关系生成模型对关键词逻辑关系进行抽取，更加快捷方便的查找详细的政策信息和规则，避免政策信息和规则出现纰漏，构建政策知识图谱，通过这样的操作可得到企业和政策的特征词语和逻辑，并且将无用信息提出，并且更新企业和政府政策的信息，防止无用信息对使用者产生误导，提高了企业和政府政策之间的精准匹配率。
14.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
15.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。