企业合作评分方法、装置、电子设备及计算机存储介质与流程

1.本实施例涉及计算机技术领域，尤其涉及一种企业合作评分方法、装置、电子设备及计算机存储介质。


背景技术：

2.供应商或者客户对企业的经营活动起着决定性作用。企业寻找供应商或者客户时，需要综合考虑质量、成本、交付、服务、收入和利润等因素。企业合作评分是以帮助企业寻找供应商或者客户为目的，对目标企业进行多维度的综合评分。企业合作评分用来描述企业之间合作的安全性，不同于传统的信用评分和税务评分，更专注企业之间、产业链层面的合作评估，更看重企业合作方面的表现。企业合作评分的分值反映了目标企业在行业内的水平排名。两家企业的分值相近时，具有相当的实力。反之，分值的差异体现综合实力的差距。
3.在现有技术中，大多采用基于规则的专家系统进行打分。这种方式依赖专家经验，需要对业务有足够深的理解，反复推敲权重配比，并进行足够多的实验和分析，耗时耗力。同时，由于规则的配置复杂，当需要对规则进行调整或迁移时，牵一发而动全身，不易维护。此外，系统通常是对各个维度逐一算分最后加权，不能充分考虑维度之间的交叉组合，因此，企业合作评分不够准确。
4.由此可见，如何简便准确地获取企业合作评分成为当前亟待解决的技术问题。


技术实现要素：

5.有鉴于此，本发明实施例所解决的技术问题之一在于提供一种企业合作评分方法、装置、电子设备及计算机存储介质，用以解决现有技术中存在的如何简便准确地获取企业合作评分的技术问题。
6.根据本发明实施例的第一方面，提供了一种企业合作评分方法，所述方法包括：获取待评分企业的企业数据；根据所述企业数据，确定所述待评分企业的企业特征数据；根据所述企业特征数据，对所述待评分企业进行行业分类，以获得所述待评分企业的行业分类结果；根据所述待评分企业的行业分类结果，在若干行业分类的企业合作评分模型中确定所述待评分企业对应的企业合作评分模型；通过所述企业合作评分模型，根据所述企业特征数据，对所述待评分企业进行企业合作评分，以获得所述待评分企业的企业合作评分结果。
7.根据本发明实施例的第二方面，提供了一种企业合作评分装置，所述装置包括：获取模块，用于获取待评分企业的企业数据；第一确定模块，用于根据所述企业数据，确定所述待评分企业的企业特征数据；行业分类模块，用于根据所述企业特征数据，对所述待评分企业进行行业分类，以获得所述待评分企业的行业分类结果；第二确定模块，用于根据所述待评分企业的行业分类结果，在若干行业分类的企业合作评分模型中确定所述待评分企业对应的企业合作评分模型；第一评分模块，用于通过所述企业合作评分模型，根据所述企业
特征数据，对所述待评分企业进行企业合作评分，以获得所述待评分企业的企业合作评分结果。
8.根据本发明实施例的第三方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如第一方面所述的企业合作评分方法对应的操作。
9.根据本发明实施例的第四方面，提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的企业合作评分方法。
10.本发明实施例提供的企业合作评分方案，获取待评分企业的企业数据，并根据所述企业数据，确定所述待评分企业的企业特征数据，再根据所述企业特征数据，对所述待评分企业进行行业分类，以获得所述待评分企业的行业分类结果，再根据所述待评分企业的行业分类结果，在若干行业分类的企业合作评分模型中确定所述待评分企业对应的企业合作评分模型，再通过所述企业合作评分模型，根据所述企业特征数据，对所述待评分企业进行企业合作评分，以获得所述待评分企业的企业合作评分结果，一方面通过机器学习的方式建立的企业数据与企业合作评分的关系模型，降低了建模所需要花费的专家工作量，缩短了工程周期，降低了迁移和维护的成本，另一方面通过接入更多的企业特征，借助机器学习算法自动完成企业特征交叉，充分利用企业数据，提高了企业合作评分的准确度，能够简便准确地获取企业合作评分，进而描述企业之间合作的安全性。
附图说明
11.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
12.图1a为本实施例一中企业合作评分方法的步骤流程图；
13.图1b为根据本实施例一提供的企业合作评分方法的示意图；
14.图2为本实施例二中企业合作评分装置的结构示意图；
15.图3为本实施例三中电子设备的结构示意图。
具体实施方式
16.为了使本领域的人员更好地理解本发明实施例中的技术方案，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，所描述的实施例仅是本发明实施例一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本发明实施例保护的范围。
17.下面结合本发明实施例附图进一步说明本发明实施例具体实现。
18.参照图1a，示出了本实施例一中企业合作评分方法的步骤流程图。
19.具体地，本实施例提供的企业合作评分方法包括以下步骤：
20.在步骤s101中，获取待评分企业的企业数据。
21.在本实施例中，所述待评分企业的企业数据可包括以下中的至少一者：企业名称
数据、企业经营范围数据、企业工商数据、企业司法纠纷数据、企业经营范围数据、企业知识产权数据、企业经营情况数据。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
22.在步骤s102中，根据所述企业数据，确定所述待评分企业的企业特征数据。
23.在一些可选实施例中，在根据所述企业数据，确定所述待评分企业的企业特征数据时，对所述企业数据进行数据类型转换，以获得数据类型转换后的所述企业数据；对数据类型转换后的所述企业数据进行拼接，以获得所述待评分企业的企业特征数据。具体地，从网络上爬取待评分企业公示的企业数据，并对所述企业数据进行数据类型转换，再对转换后的所述企业数据进行拼接，以获得所述待评分企业的企业特征数据。籍此，能够有效地获得所述待评分企业的企业特征数据。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
24.在一个具体的例子中，可通过网络爬虫程序，从所述网络上爬取所述待评分企业公示的企业数据。所述网络爬虫程序可理解为按照一定的规则，自动地抓取万维网信息的程序，所述网络爬虫程序可采用python语言、java语言或者javascript语言实现。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
25.在一些可选实施例中，在对所述企业数据进行数据类型转换时，对所述企业数据中的字符串类型的数据和数值类型的数据统一进行数据类型转换，以获得数值类型的数据。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
26.在一些可选实施例中，在对数据类型转换后的所述企业数据进行拼接时，对所述数值类型的数据进行拼接，以获得所述待评分企业的企业特征向量。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
27.在步骤s103中，根据所述企业特征数据，对所述待评分企业进行行业分类，以获得所述待评分企业的行业分类结果。
28.在一些可选实施例中，所述企业特征数据可包括企业名称表征数据和企业经营范围表征数据。在根据所述企业特征数据，对所述待评分企业进行行业分类时，通过企业所属行业分类模型，根据所述企业名称表征数据和所述企业经营范围表征数据，对所述待评分企业进行行业分类，以获得所述待评分企业的行业分类结果。籍此，通过企业所属行业分类模型，根据所述企业名称表征数据和所述企业经营范围表征数据，对所述待评分企业进行行业分类，能够准确地获得所述待评分企业的行业分类结果。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
29.在一个具体的例子中，所述企业所属行业分类模型可以是任意适当的可实现特征提取或目标对象检测的神经网络模型，包括但不限于卷积神经网络模型、增强学习神经网络模型、对抗神经网络模型中的生成网络模型等等。神经网络模型中具体结构的设置可以由本领域技术人员根据实际需求适当设定，如卷积层的层数、卷积核的大小、通道数等等。例如，所述企业所属行业分类模型可为用于所述企业所属行业分类的长短时记忆网络模型。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
30.在步骤s104中，根据所述待评分企业的行业分类结果，在若干行业分类的企业合作评分模型中确定所述待评分企业对应的企业合作评分模型。
31.在本实施例中，每个行业分类具有相应的企业合作评分模型。在获得所述待评分
企业的行业分类结果之后，可以根据所述待评分企业的行业分类结果，确定所述待评分企业对应的企业合作评分模型。所述企业合作评分模型可为lightgbm模型，还可以是xgboost、回归树等经典机器学习模型，或者使用cnn、rnn、transformer等深度学习神经网络。lightgbm(light gradient boosting machine)是实现gbdt(gradient boosting decision tree)算法的框架，gbdt的主要思想是利用弱分类器(决策树)迭代训练以得到最优模型，该模型具有训练效果好、不易过拟合等优点。lightgbm是基于决策树算法的分布式梯度提升框架。lightgbm的设计思路主要是两点：减小数据对内存的使用，保证单个机器在不牺牲速度的情况下，尽可能地用上更多的数据；减小通信的代价，提升多机并行时的效率，实现在计算上的线性加速。由此可见，lightgbm的设计初衷就是提供一个快速高效、低内存占用、高准确度、支持并行和大规模数据处理的数据科学工具。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
32.在一些可选实施例中，在根据所述待评分企业的行业分类结果，在若干行业分类的企业合作评分模型中确定所述待评分企业对应的企业合作评分模型之前，所述方法还包括：根据获取到的样本企业的企业数据，确定所述样本企业的企业特征数据；根据所述样本企业的企业特征数据，对所述样本企业进行行业分类，以获得所述样本企业的行业分类结果；确定同一行业分类中的所述样本企业的企业特征数据为所述同一行业分类的企业合作评分模型的训练样本；根据所述同一行业分类的企业合作评分模型的训练样本，训练所述同一行业分类的企业合作评分模型。籍此，能够准确地确定所述同一行业分类的企业合作评分模型的训练样本，进而能够有效地训练所述同一行业分类的企业合作评分模型。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
33.在一个具体的例子中，所述样本企业可理解为作为训练样本的企业，所述企业特征数据可包括企业名称表征数据和企业经营范围表征数据。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
34.在一些可选实施例中，所述方法还包括：对所述同一行业分类中的所述样本企业的企业特征数据进行描述性统计，以获得所述同一行业分类的各项企业指标；根据所述同一行业分类中的所述样本企业的企业特征数据中的各项企业指标数据，确定所述同一行业分类的各项企业指标的均值和标准差；根据所述同一行业分类的各项企业指标的均值和标准差，对所述同一行业分类中的所述样本企业的企业特征数据中的各项企业指标数据进行归一化，以获得所述同一行业分类中的所述样本企业的归一化后的企业特征数据；在确定同一行业分类中的所述样本企业的企业特征数据为所述同一行业分类的企业合作评分模型的训练样本时，确定所述同一行业分类中的所述样本企业的归一化后的企业特征数据为所述同一行业分类的企业合作评分模型的训练样本。籍此，通过所述同一行业分类中的所述样本企业的企业特征数据中的各项企业指标数据，能够准确地确定所述同一行业分类的各项企业指标的均值和标准差，此外，不仅能够有效地获得所述同一行业分类中的所述样本企业的归一化后的企业特征数据，而且还能够准确地确定所述同一行业分类的企业合作评分模型的训练样本。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
35.在一些可选实施例中，在根据所述同一行业分类的企业合作评分模型的训练样本，训练所述同一行业分类的企业合作评分模型时，使用分层抽样的方式，对所述同一行业
分类的企业合作评分模型的训练样本进行抽样，以获得所述同一行业分类的企业合作评分模型的训练数据；根据所述同一行业分类的企业合作评分模型的训练数据，训练所述同一行业分类的企业合作评分模型。籍此，通过所述同一行业分类的企业合作评分模型的训练数据，能够有效地训练所述同一行业分类的企业合作评分模型。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
36.在一些可选实施例中，在根据所述同一行业分类的企业合作评分模型的训练数据，训练所述同一行业分类的企业合作评分模型时，根据所述同一行业分类中的样本企业的用于标注所述训练数据的企业指标数据，对所述训练数据进行标注，以获得所述训练数据对应的企业合作评分标注数据；将所述训练数据与所述训练数据对应的企业合作评分标注数据进行关联存储，以获得所述同一行业分类的企业合作评分模型的训练集；根据所述同一行业分类的企业合作评分模型的训练集，训练所述同一行业分类的企业合作评分模型。其中，所述用于标注所述训练数据的企业指标数据可为企业年报中纰漏的缴纳社保人数。籍此，通过所述同一行业分类中的样本企业的用于标注所述训练数据的企业指标数据，对所述训练数据进行标注，能够准确地获得所述训练数据对应的企业合作评分标注数据，此外，通过将所述训练数据与所述训练数据对应的企业合作评分标注数据进行关联存储，能够准确地获得所述同一行业分类的企业合作评分模型的训练集，进而有效地训练所述同一行业分类的企业合作评分模型。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
37.在一个具体的例子中，在根据所述同一行业分类中的样本企业的用于标注所述训练数据的企业指标数据，对所述训练数据进行标注时，对所述同一行业分类中的样本企业的用于标注所述训练数据的企业指标数据取对数，获得对数结果，并根据所述对数结果，对所述训练数据进行标注，以获得所述训练数据对应的企业合作评分标注数据。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
38.在一个具体的例子中，收集样本企业公示的企业数据。公示的企业数据可包括工商数据、司法数据、知识产权数据等。收集的方式主要是从网络上爬取。然后，将这些字符串、数值等类型的数据统一转换为数值类型的数据，并拼接成向量表示。接着，按行业将企业分类，并逐一进行描述性统计得到行业内的各项企业指标。具体地，依照国民经济行业分类体系，将所有企业分为金融业、制造业等20个分类。按行业统计各项企业指标的均值和标准差，并使用均值和标准差进行归一化，由于事先划分了行业，因此归一化时保证是以行业平均水平为参考进行的。最后，标注训练样本。具体地，使用分层抽样取得各行业训练数据，再使用机器进行标注。相比纯人工标注减少了工作量，同时又能得到比纯机器标注更好的标注质量。具体标注方法是以企业年报中披露的缴纳社保人数为标准，训练回归模型。常用的回归模型包括：线性回归，拉索回归，树回归等。在本实施例中，采用树回归模型。对模型预测结果进行修正，包括取对数压缩数值上限和人工核对的过程。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
39.在一些可选实施例中，在根据所述同一行业分类的企业合作评分模型的训练集，训练所述同一行业分类的企业合作评分模型时，通过待训练的所述同一行业分类的企业合作评分模型，根据所述训练集中的所述同一行业分类的企业合作评分模型的训练数据，对所述同一行业分类中的样本企业进行企业合作评分，以获得所述训练数据对应的企业合作
评分预测数据；根据所述训练数据对应的企业合作评分标注数据和企业合作评分预测数据，训练所述同一行业分类的企业合作评分模型。其中，所述企业合作评分预测数据可为企业合作评分的预测分数，所述企业合作评分标注数据可为企业合作评分的标注分数。籍此，通过所述训练数据对应的企业合作评分标注数据和企业合作评分预测数据，能够有效地训练所述同一行业分类的企业合作评分模型。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
40.在一个具体的例子中，在根据所述训练数据对应的企业合作评分标注数据和企业合作评分预测数据，训练所述同一行业分类的企业合作评分模型时，通过目标损失函数，确定所述企业合作评分标注数据和所述企业合作评分预测数据的差异值；基于所述差异值，调整所述同一行业分类的企业合作评分模型的模型参数。其中，所述目标损失函数可为交叉熵损失函数、softmax损失函数、l1损失函数、l2损失函数等任意损失函数。在调整所述同一行业分类的企业合作评分模型的模型参数时，可采用反向传播算法，或者随机梯度下降算法来调整所述同一行业分类的企业合作评分模型的模型参数。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
41.在一个具体的例子中，通过确定所述企业合作评分标注数据和所述企业合作评分预测数据之间的差异值，对当前获得的所述企业合作评分预测数据进行评估，以作为后续训练所述同一行业分类的企业合作评分模型的依据。具体地，可将所述差异值反向传输给所述同一行业分类的企业合作评分模型，从而迭代地训练所述同一行业分类的企业合作评分模型。所述同一行业分类的企业合作评分模型的训练是一个迭代的过程，本实施例仅对其中的一次训练过程进行了说明，但本领域技术人员应当明了，对所述同一行业分类的企业合作评分模型的每次训练都可采用该训练方式，直至完成所述同一行业分类的企业合作评分模型的训练。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
42.在一些可选实施例中，所述方法还包括：根据所述同一行业分类的中标企业的企业特征数据，评估所述同一行业分类的企业合作评分模型的训练效果。籍此，通过所述同一行业分类的中标企业的企业特征数据，能够有效地评估所述同一行业分类的企业合作评分模型的训练效果。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
43.在一个具体的例子中，收集公示的招投标信息以验证企业合作评分模型的效果。招投标的公示信息中，会披露中标的候选企业名单，它们是由技术专家与经济专家共同推选而出的。被专家选中的各家企业应该具有相近的实力水平，也即是具有相近的企业合作评分分数，因此，可以通过这些候选企业的归一化后的企业特征数据，能够有效地评估企业合作评分模型的效果。对于表现不佳的样本进行分析，通过调整训练数据和模型参数不断进行迭代，直至模型满足工程要求水平。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
44.在步骤s105中，通过所述企业合作评分模型，根据所述企业特征数据，对所述待评分企业进行企业合作评分，以获得所述待评分企业的企业合作评分结果。
45.在一些可选实施例中，在通过所述企业合作评分模型，根据所述企业特征数据，对所述待评分企业进行企业合作评分之前，所述方法还包括：根据所述待评分企业的行业分类结果，对所述待评分企业的企业特征数据进行归一化，以获得归一化后的企业特征数据，在通过所述企业合作评分模型，根据所述企业特征数据，对所述待评分企业进行企业合作
评分时，通过所述企业合作评分模型，根据所述归一化后的企业特征数据，对所述待评分企业进行企业合作评分，以获得所述待评分企业的企业合作评分结果。其中，所述待评分企业的行业分类结果可为服务行业、食品行业、烟酒行业等。籍此，通过所述待评分企业的行业分类结果，对所述待评分企业的企业特征数据进行归一化，能够有效地获得归一化后的企业特征数据，此外，通过所述归一化后的企业特征数据，对所述待评分企业进行企业合作评分，能够有效地获得所述待评分企业的企业合作评分结果。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
46.在一些可选实施例中，在根据所述待评分企业的行业分类结果，对所述待评分企业的企业特征数据进行归一化时，根据所述待评分企业的行业分类结果，确定所述待评分企业的企业特征数据中的各项企业指标数据所对应的均值和标准差；根据所述待评分企业的企业特征数据中的各项企业指标数据所对应的均值和标准差，对所述待评分企业的企业特征数据中的各项企业指标数据进行归一化。籍此，通过所述待评分企业的企业特征数据中的各项企业指标数据所对应的均值和标准差，对所述待评分企业的企业特征数据中的各项企业指标数据进行归一化，能够有效地获得归一化后的企业特征数据。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
47.在一些可选实施例中，在根据所述待评分企业的行业分类结果，对所述待评分企业的企业特征数据进行归一化时，根据所述待评分企业的行业分类结果，确定所述待评分企业的企业特征数据中的各项企业指标数据所对应的均值和标准差；根据所述待评分企业的企业特征数据中的各项企业指标数据所对应的均值和标准差，对所述待评分企业的企业特征数据中的各项企业指标数据进行归一化，以获得归一化后的企业特征数据。籍此，通过所述待评分企业的企业特征数据中的各项企业指标数据所对应的均值和标准差，能够准确地对所述待评分企业的企业特征数据中的各项企业指标数据进行归一化，进而准确地获得归一化后的企业特征数据。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
48.在一个具体的例子中，所述待评分企业的企业特征数据中的企业指标数据可为企业名称表征数据、企业经营范围表征数据、企业工商表征数据、企业司法纠纷表征数据、企业经营范围表征数据、企业知识产权表征数据、企业经营情况表征数据。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
49.在一个具体的例子中，在根据所述待评分企业的行业分类结果，确定所述待评分企业的企业特征数据中的各项企业指标数据所对应的均值和标准差时，确定所述待评分企业的行业分类结果所对应的各项企业指标的均值和标准差；根据所述待评分企业的行业分类结果所对应的各项企业指标的均值和标准差，确定所述待评分企业的企业特征数据中的各项企业指标数据所对应的均值和标准差。其中，所述企业指标可为企业名称、企业经营范围、企业工商、企业司法纠纷、企业经营范围、企业知识产权、企业经营情况。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
50.在一些可选实施例中，在通过所述企业合作评分模型，根据所述企业特征数据，对所述待评分企业进行企业合作评分之后，所述方法还包括：根据预设的企业合作评分修正规则，对所述待评分企业的企业合作评分结果进行修正，以获得所述待评分企业的修正后的企业合作评分结果；确定所述待评分企业的修正后的企业合作评分结果为所述待评分企
业的最终的企业合作评分结果。籍此，通过预设的企业合作评分修正规则，对所述待评分企业的企业合作评分结果进行修正，能够准确地获得所述待评分企业的最终的企业合作评分结果。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
51.在一个具体的例子中，所述预设的企业合作评分修正规则包括企业合作评分修正强规则和企业合作评分修正弱规则。其中，所述企业合作评分修正强规则包括涉金融黑名单、失信被执行人、严重违法、破产案件等，所述企业合作评分修正弱规则包括欠税公告等。当所述预设的企业合作评分修正规则为企业合作评分修正强规则时，直接根据企业合作评分修正强规则，确定所述待评分企业的最终的企业合作评分结果。例如，如果所述待评分企业在涉金融黑名单中，则所述待评分企业的最终的企业合作评分结果为59分。当所述预设的企业合作评分修正规则为企业合作评分修正弱规则时，根据所述企业合作评分修正弱规则的分数和权重，以及所述待评分企业的企业合作评分结果和权重，确定所述待评分企业的最终的企业合作评分结果。由于企业披露年报时可选择不公示部分数据，因此这部分特征非常稀疏，机器模型不能有效地学习到它们与企业合作评分的相关性。为弥补这一不足，对这部分特征引入企业合作评分修正规则进行修正。相比于完全依赖专家的规则系统，本实施例利用机器学习对信息量充足的维度进行建模，因此只需对稀疏部分维度引入企业合作评分修正规则。再通过企业合作评分修正规则对模型打分进行修正，提高分值精度，得到最终打分结果。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
52.在一些可选实施例中，所述待评分企业的企业数据为所述待评分企业选择公示的企业数据；所述方法还包括：通过企业数据估计模型，预测所述待评分企业选择未公示的企业数据；通过所述企业合作评分模型，根据所述待评分企业选择未公示的企业数据和所述待评分企业选择公示的企业数据，对所述待评分企业进行企业合作评分，以获得所述待评分企业的企业合作评分结果。籍此，通过企业数据估计模型，对所述待评分企业选择未公示的企业数据进行估计，能够准确地获得所述待评分企业选择未公示的企业数据。此外，通过所述企业合作评分模型，根据所述待评分企业选择未公示的企业数据和所述待评分企业选择公示的企业数据，对所述待评分企业进行企业合作评分，能够进一步准确地获得所述待评分企业的企业合作评分结果。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
53.在一个具体的例子中，所述企业数据估计模型可以是任意适当的可实现特征提取或目标对象检测的神经网络模型，包括但不限于卷积神经网络模型、增强学习神经网络模型、对抗神经网络模型中的生成网络模型等等。神经网络模型中具体结构的设置可以由本领域技术人员根据实际需求适当设定，如卷积层的层数、卷积核的大小、通道数等等。在通过企业数据估计模型，对所述待评分企业选择未公示的企业数据进行估计时，通过所述企业数据估计模型，根据所述待评分企业选择公示的企业数据，对所述待评分企业选择未公示的企业数据进行估计，能够准确地获得所述待评分企业选择未公示的企业数据。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
54.在一个具体的例子中，为了进一步减少所述企业合作评分修正规则的数量，可以用模型对企业未公开的企业数据进行估计，如估计企业缴纳社保人数、经营情况等。一方面通过机器学习填充企业未公开的数据，另一方面利用这些数据为企业合作评分建模，不断迭代这样的过程以提高模型估计精度，逐渐减少企业合作评分修正规则的数量。可以理解
的是，以上描述仅为示例性的，本实施例对此不做任何限定。
55.在一个具体的例子中，如图1b所示，本实施例提供的企业合作评分过程如下：首先收集样本企业选择公示的企业数据，然后对样本企业选择公示的企业数据进行处理，获得样本企业的归一化后的企业特征数据，再然后根据样本企业的归一化后的企业特征数据，对样本企业所属的行业进行分类，再然后按照行业，对样本企业的归一化后的企业特征数据进行标注，获得标注数据，接着，根据标注数据，训练模型，获得各行业模型文件，紧接着，根据各行业模型文件进行模型效果验证，获得最终的模型。通过模型，对待打分企业进行模型打分，并利用企业合作评分修正规则(专家规则)对模型打分进行修正，综合得出打分结果。企业合作评分模型可以应用在行业内的相似企业检索等场景。此外，建模时，主要采用统计加机器学习的方式为企业选择公示数据与企业合作评分建立关系模型，不同于传统的基于规则的专家系统，本方案能够显著减少企业合作评分修正规则的数量和复杂度。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
56.通过本实施例提供的企业合作评分方法，获取待评分企业的企业数据，并根据所述企业数据，确定所述待评分企业的企业特征数据，再根据所述企业特征数据，对所述待评分企业进行行业分类，以获得所述待评分企业的行业分类结果，再根据所述待评分企业的行业分类结果，在若干行业分类的企业合作评分模型中确定所述待评分企业对应的企业合作评分模型，再通过所述企业合作评分模型，根据所述企业特征数据，对所述待评分企业进行企业合作评分，以获得所述待评分企业的企业合作评分结果，一方面通过机器学习的方式建立公示的企业数据与企业合作评分的关系模型，降低了建模所需要花费的专家工作量，缩短了工程周期，降低了迁移和维护的成本，另一方面通过接入更多的企业特征，借助机器学习算法自动完成企业特征交叉，充分利用公示的企业数据，提高了企业合作评分的准确度，能够简便准确地获取企业合作评分，进而描述企业之间合作的安全性。
57.本实施例提供的企业合作评分方法可以由任意适当的具有数据处理能力的设备执行，包括但不限于：摄像头、终端、移动终端、pc机、服务器、车载设备、娱乐设备、广告设备、个人数码助理(pda)、平板电脑、笔记本电脑、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备等。
58.参照图2，示出了本实施例二中企业合作评分装置的结构示意图。
59.本实施例提供的企业合作评分装置包括：获取模块201，用于获取待评分企业的企业数据；第一确定模块202，用于根据所述企业数据，确定所述待评分企业的企业特征数据；行业分类模块203，用于根据所述企业特征数据，对所述待评分企业进行行业分类，以获得所述待评分企业的行业分类结果；第二确定模块204，用于根据所述待评分企业的行业分类结果，在若干行业分类的企业合作评分模型中确定所述待评分企业对应的企业合作评分模型；第一评分模块205，用于通过所述企业合作评分模型，根据所述企业特征数据，对所述待评分企业进行企业合作评分，以获得所述待评分企业的企业合作评分结果。
60.可选地，所述第一确定模块202，具体用于：对所述企业数据进行数据类型转换，以获得数据类型转换后的所述企业数据；对数据类型转换后的所述企业数据进行拼接，以获得所述待评分企业的企业特征数据。
61.可选地，所述第一评分模块205之前，所述装置还包括：归一化模块，用于根据所述待评分企业的行业分类结果，对所述待评分企业的企业特征数据进行归一化，以获得归一
化后的企业特征数据，所述第一评分模块205，具体用于：通过所述企业合作评分模型，根据所述归一化后的企业特征数据，对所述待评分企业进行企业合作评分，以获得所述待评分企业的企业合作评分结果。
62.可选地，所述企业特征数据包括企业名称表征数据和企业经营范围表征数据；所述行业分类模块203，具体用于：通过企业所属行业分类模型，根据所述企业名称表征数据和所述企业经营范围表征数据，对所述待评分企业进行行业分类，以获得所述待评分企业的行业分类结果。
63.可选地，所述归一化模块，具体用于：根据所述待评分企业的行业分类结果，确定所述待评分企业的企业特征数据中的各项企业指标数据所对应的均值和标准差；根据所述待评分企业的企业特征数据中的各项企业指标数据所对应的均值和标准差，对所述待评分企业的企业特征数据中的各项企业指标数据进行归一化。
64.可选地，所述第二确定模块204之前，所述装置还包括：第三确定模块，用于根据获取到的样本企业的企业数据，确定所述样本企业的企业特征数据；分类模块，用于根据所述样本企业的企业特征数据，对所述样本企业进行行业分类，以获得所述样本企业的行业分类结果；第四确定模块，用于确定同一行业分类中的所述样本企业的企业特征数据为所述同一行业分类的企业合作评分模型的训练样本；训练模块，用于根据所述同一行业分类的企业合作评分模型的训练样本，训练所述同一行业分类的企业合作评分模型。
65.可选地，所述装置还包括：统计模块，用于对所述同一行业分类中的所述样本企业的企业特征数据进行描述性统计，以获得所述同一行业分类的各项企业指标；第五确定模块，用于根据所述同一行业分类中的所述样本企业的企业特征数据中的各项企业指标数据，确定所述同一行业分类的各项企业指标的均值和标准差；归一化模块，用于根据所述同一行业分类的各项企业指标的均值和标准差，对所述同一行业分类中的所述样本企业的企业特征数据中的各项企业指标数据进行归一化，以获得所述同一行业分类中的所述样本企业的归一化后的企业特征数据；所述第四确定模块，具体用于：确定所述同一行业分类中的所述样本企业的归一化后的企业特征数据为所述同一行业分类的企业合作评分模型的训练样本。
66.可选地，所述训练模块，包括：抽样子模块，用于使用分层抽样的方式，对所述同一行业分类的企业合作评分模型的训练样本进行抽样，以获得所述同一行业分类的企业合作评分模型的训练数据；训练子模块，用于根据所述同一行业分类的企业合作评分模型的训练数据，训练所述同一行业分类的企业合作评分模型。
67.可选地，所述训练子模块，包括：标注单元，用于根据所述同一行业分类中的样本企业的用于标注所述训练数据的企业指标数据，对所述训练数据进行标注，以获得所述训练数据对应的企业合作评分标注数据；存储单元，用于将所述训练数据与所述训练数据对应的企业合作评分标注数据进行关联存储，以获得所述同一行业分类的企业合作评分模型的训练集；训练单元，用于根据所述同一行业分类的企业合作评分模型的训练集，训练所述同一行业分类的企业合作评分模型。
68.可选地，所述训练单元，具体用于：通过待训练的所述同一行业分类的企业合作评分模型，根据所述训练集中的所述同一行业分类的企业合作评分模型的训练数据，对所述同一行业分类中的样本企业进行企业合作评分，以获得所述训练数据对应的企业合作评分
预测数据；根据所述训练数据对应的企业合作评分标注数据和企业合作评分预测数据，训练所述同一行业分类的企业合作评分模型。
69.可选地，所述装置还包括：评估模块，用于根据所述同一行业分类的中标企业的企业特征数据，评估所述同一行业分类的企业合作评分模型的训练效果。
70.可选地，所述第一评分模块205之后，所述装置还包括：修正模块，用于根据预设的企业合作评分修正规则，对所述待评分企业的企业合作评分结果进行修正，以获得所述待评分企业的修正后的企业合作评分结果；第六确定模块，用于确定所述待评分企业的修正后的企业合作评分结果为所述待评分企业的最终的企业合作评分结果。
71.可选地，所述待评分企业的企业数据为所述待评分企业选择公示的企业数据；所述装置还包括：估计模块，用于通过企业数据估计模型，预测所述待评分企业选择未公示的企业数据；第二评分模块，用于通过所述企业合作评分模型，根据所述待评分企业选择未公示的企业数据和所述待评分企业选择公示的企业数据，对所述待评分企业进行企业合作评分，以获得所述待评分企业的企业合作评分结果。
72.本实施例提供的企业合作评分装置用于实现前述多个方法实施例中相应的企业合作评分方法，并具有相应的方法实施例的有益效果，在此不再赘述。
73.参照图3，示出了根据本发明实施例三的一种电子设备的结构示意图，本发明具体实施例并不对电子设备的具体实现做限定。
74.如图3所示，该电子设备可以包括：处理器(processor)302、通信接口(communications interface)304、存储器(memory)306、以及通信总线308。
75.其中：
76.处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
77.通信接口304，用于与其它电子设备或服务器进行通信。
78.处理器302，用于执行程序310，具体可以执行上述企业合作评分方法实施例中的相关步骤。
79.具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。
80.处理器302可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。智能设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
81.存储器306，用于存放程序310。存储器306可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
82.程序310具体可以用于使得处理器302执行以下操作：获取待评分企业的企业数据；根据所述企业数据，确定所述待评分企业的企业特征数据；根据所述企业特征数据，对所述待评分企业进行行业分类，以获得所述待评分企业的行业分类结果；根据所述待评分企业的行业分类结果，在若干行业分类的企业合作评分模型中确定所述待评分企业对应的企业合作评分模型；通过所述企业合作评分模型，根据所述企业特征数据，对所述待评分企业进行企业合作评分，以获得所述待评分企业的企业合作评分结果。
83.在一种可选的实施方式中，程序310还用于使得处理器302在根据所述企业数据，确定所述待评分企业的企业特征数据时，对所述企业数据进行数据类型转换，以获得数据
类型转换后的所述企业数据；对数据类型转换后的所述企业数据进行拼接，以获得所述待评分企业的企业特征数据。
84.在一种可选的实施方式中，程序310还用于使得处理器302在通过所述企业合作评分模型，根据所述企业特征数据，对所述待评分企业进行企业合作评分之前，根据所述待评分企业的行业分类结果，对所述待评分企业的企业特征数据进行归一化，以获得归一化后的企业特征数据，在通过所述企业合作评分模型，根据所述企业特征数据，对所述待评分企业进行企业合作评分时，通过所述企业合作评分模型，根据所述归一化后的企业特征数据，对所述待评分企业进行企业合作评分，以获得所述待评分企业的企业合作评分结果。
85.在一种可选的实施方式中，所述企业特征数据包括企业名称表征数据和企业经营范围表征数据；程序310还用于使得处理器302在根据所述企业特征数据，对所述待评分企业进行行业分类时，通过企业所属行业分类模型，根据所述企业名称表征数据和所述企业经营范围表征数据，对所述待评分企业进行行业分类，以获得所述待评分企业的行业分类结果。
86.在一种可选的实施方式中，程序310还用于使得处理器302在根据所述待评分企业的行业分类结果，对所述待评分企业的企业特征数据进行归一化时，根据所述待评分企业的行业分类结果，确定所述待评分企业的企业特征数据中的各项企业指标数据所对应的均值和标准差；根据所述待评分企业的企业特征数据中的各项企业指标数据所对应的均值和标准差，对所述待评分企业的企业特征数据中的各项企业指标数据进行归一化。
87.在一种可选的实施方式中，程序310还用于使得处理器302在根据所述待评分企业的行业分类结果，在若干行业分类的企业合作评分模型中确定所述待评分企业对应的企业合作评分模型之前，根据获取到的样本企业的企业数据，确定所述样本企业的企业特征数据；根据所述样本企业的企业特征数据，对所述样本企业进行行业分类，以获得所述样本企业的行业分类结果；确定同一行业分类中的所述样本企业的企业特征数据为所述同一行业分类的企业合作评分模型的训练样本；根据所述同一行业分类的企业合作评分模型的训练样本，训练所述同一行业分类的企业合作评分模型。
88.在一种可选的实施方式中，程序310还用于使得处理器302对所述同一行业分类中的所述样本企业的企业特征数据进行描述性统计，以获得所述同一行业分类的各项企业指标；根据所述同一行业分类中的所述样本企业的企业特征数据中的各项企业指标数据，确定所述同一行业分类的各项企业指标的均值和标准差；根据所述同一行业分类的各项企业指标的均值和标准差，对所述同一行业分类中的所述样本企业的企业特征数据中的各项企业指标数据进行归一化，以获得所述同一行业分类中的所述样本企业的归一化后的企业特征数据；在确定同一行业分类中的所述样本企业的企业特征数据为所述同一行业分类的企业合作评分模型的训练样本时，确定所述同一行业分类中的所述样本企业的归一化后的企业特征数据为所述同一行业分类的企业合作评分模型的训练样本。
89.在一种可选的实施方式中，程序310还用于使得处理器302在根据所述同一行业分类的企业合作评分模型的训练样本，训练所述同一行业分类的企业合作评分模型时，使用分层抽样的方式，对所述同一行业分类的企业合作评分模型的训练样本进行抽样，以获得所述同一行业分类的企业合作评分模型的训练数据；根据所述同一行业分类的企业合作评分模型的训练数据，训练所述同一行业分类的企业合作评分模型。
90.在一种可选的实施方式中，程序310还用于使得处理器302在根据所述同一行业分类的企业合作评分模型的训练数据，训练所述同一行业分类的企业合作评分模型时，根据所述同一行业分类中的样本企业的用于标注所述训练数据的企业指标数据，对所述训练数据进行标注，以获得所述训练数据对应的企业合作评分标注数据；将所述训练数据与所述训练数据对应的企业合作评分标注数据进行关联存储，以获得所述同一行业分类的企业合作评分模型的训练集；根据所述同一行业分类的企业合作评分模型的训练集，训练所述同一行业分类的企业合作评分模型。
91.在一种可选的实施方式中，程序310还用于使得处理器302在根据所述同一行业分类的企业合作评分模型的训练集，训练所述同一行业分类的企业合作评分模型时，通过待训练的所述同一行业分类的企业合作评分模型，根据所述训练集中的所述同一行业分类的企业合作评分模型的训练数据，对所述同一行业分类中的样本企业进行企业合作评分，以获得所述训练数据对应的企业合作评分预测数据；根据所述训练数据对应的企业合作评分标注数据和企业合作评分预测数据，训练所述同一行业分类的企业合作评分模型。
92.在一种可选的实施方式中，程序310还用于使得处理器302根据所述同一行业分类的中标企业的企业特征数据，评估所述同一行业分类的企业合作评分模型的训练效果。
93.在一种可选的实施方式中，程序310还用于使得处理器302在通过所述企业合作评分模型，根据所述企业特征数据，对所述待评分企业进行企业合作评分之后，根据预设的企业合作评分修正规则，对所述待评分企业的企业合作评分结果进行修正，以获得所述待评分企业的修正后的企业合作评分结果；确定所述待评分企业的修正后的企业合作评分结果为所述待评分企业的最终的企业合作评分结果。
94.在一种可选的实施方式中，所述待评分企业的企业数据为所述待评分企业选择公示的企业数据，程序310还用于使得处理器302通过企业数据估计模型，预测所述待评分企业选择未公示的企业数据；通过所述企业合作评分模型，根据所述待评分企业选择未公示的企业数据和所述待评分企业选择公示的企业数据，对所述待评分企业进行企业合作评分，以获得所述待评分企业的企业合作评分结果。
95.程序310中各步骤的具体实现可以参见上述企业合作评分方法实施例中的相应步骤和单元中对应的描述，在此不赘述。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，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
96.通过本实施例的电子设备，获取待评分企业的企业数据，并根据所述企业数据，确定所述待评分企业的企业特征数据，再根据所述企业特征数据，对所述待评分企业进行行业分类，以获得所述待评分企业的行业分类结果，再根据所述待评分企业的行业分类结果，在若干行业分类的企业合作评分模型中确定所述待评分企业对应的企业合作评分模型，再通过所述企业合作评分模型，根据所述企业特征数据，对所述待评分企业进行企业合作评分，以获得所述待评分企业的企业合作评分结果，一方面通过机器学习的方式建立公示的企业数据与企业合作评分的关系模型，降低了建模所需要花费的专家工作量，缩短了工程周期，降低了迁移和维护的成本，另一方面通过接入更多的企业特征，借助机器学习算法自动完成企业特征交叉，充分利用公示的企业数据，提高了企业合作评分的准确度，能够简便准确地获取企业合作评分，进而描述企业之间合作的安全性。
97.需要指出，根据实施的需要，可将本发明实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本发明实施例的目的。
98.上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如cd rom、ram、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如asic或fpga)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，ram、rom、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的企业合作评分方法。此外，当通用计算机访问用于实现在此示出的企业合作评分方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的企业合作评分方法的专用计算机。
99.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方法步骤，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发明实施例的范围。
100.以上实施方式仅用于说明本发明实施例，而并非对本发明实施例的限制，有关技术领域的普通技术人员，在不脱离本发明实施例的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明实施例的范畴，本发明实施例的专利保护范围应由权利要求限定。