食品企业信用评定方法、装置及电子设备制造方法及图纸

本发明专利技术提供了食品企业信用评定方法、装置及电子设备。其中，该方法包括：获取待评定食品企业的特征信息；其中，特征信息包括指标参数，以及每种指标参数对应的企业数据；将特征信息输入至预先训练好的图卷积网络GCN，以使GCN根据特征信息输出待评定食品企业的信用值；其中，GCN为基于食品供应链中的食品企业关系进行训练得到；从而通过GCN进行食品企业的信用值评定，实现了在食品企业的信用值评定过程中，基于供应链各个食品企业之间的关系全面对待判定食品企业进行评定，与现有方法中单个食品企业进行评定相比，提高了食品企业的信用值精度。

【技术实现步骤摘要】
食品企业信用评定方法、装置及电子设备
本专利技术涉及企业信用
，尤其是涉及食品企业信用评定方法、装置及电子设备。
技术介绍
“民以食为天，食以安为先”。近年来，随着经济的发展，人们生活水平不断提高，食品安全问题越来越受人们关注和重视。当前食品安全形势依然严峻，食品安全问题频发，因此，建立食品企业的日常监管和预警机制具有重要意义。现有的方法主要是利用模糊积分以及相关算法进行企业信用等级评价，具体地，首先确定用于信用等级评价的特征属性，然后根据以往企业信用等级评价数据得到“属性值-评价值”数据对，并将企业信用评价值归一化到[0,1]，最后基于粒子群和梯度下降的混合算法计算得到模糊测度，以便根据待评级企业的特征属性输出对应的企业信用等级。这种方法虽然可以实现企业信用等级的评价，但是由于每个企业的特征属性均不相同，因此，基于上述相同的数据对得到的食品企业的信用评价值并不理想，不能满足食品企业的实际监管需求。
技术实现思路
有鉴于此，本专利技术的目的在于提供食品企业信用评定方法、装置及电子设备，以缓解上述问题，提高了食品企业的信用值精度。第一方面，本专利技术实施例提供了一种食品企业信用评定方法，该方法包括：获取待评定食品企业的特征信息；其中，特征信息包括指标参数，以及每种指标参数对应的企业数据；将特征信息输入至预先训练好的图卷积网络GCN，以使GCN根据特征信息输出待评定食品企业的信用值；其中，GCN为基于食品供应链中的食品企业关系进行训练得到。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GCN的训练过程如下：获取图训练样本集；其中，图训练样本集包括：训练关系矩阵和训练特征集；训练关系矩阵用于表征训练供应链中各个训练食品企业的关联关系；训练特征集包括每个训练食品企业的训练特征信息；训练特征信息包括训练指标参数，以及每种训练指标参数对应的训练企业数据；且，至少部分训练特征信息还包括对应的训练食品企业的信用标注值；将图训练样本集输入至原始GCN进行训练，以得到GCN。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，上述训练关系矩阵包括度矩阵和邻接矩阵；其中，度矩阵用于表征与当前训练食品企业具有关联关系的训练食品企业的数量；邻接矩阵用于表征当前训练食品企业和与当前训练食品企业具有关联关系的训练食品企业关系的量化表示。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，上述将图训练样本集输入至原始GCN进行训练的步骤之前，该方法还包括：基于预设的单位矩阵对邻接矩阵进行矫正处理，得到矫正处理后的邻接矩阵；其中，单位矩阵的阶数与邻接矩阵的阶数保持一致；按照预设规则对度矩阵进行缩放处理，得到缩放处理后的度矩阵。结合第一方面的第三种可能的实施方式，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，上述训练关系矩阵还包括拉普拉斯矩阵；该方法还包括：根据矫正处理后的邻接矩阵和缩放处理后的度矩阵，计算得到拉普拉斯矩阵。结合第一方面，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，上述指标参数包括以下至少之一：生产物质条件参数、管理水平参数、整体员工素质参数、采购质量控制参数、生产过程控制参数、销售及售后控制参数、输出产品质量参数、质量监督抽查表现参数、主要技术在国内所处的水平参数、企业持续改进机制参数、节能减排参数和自动化作业参数。第二方面，本专利技术实施例还提供一种食品企业信用评定装置，该装置包括：获取模块，用于获取待评定食品企业的特征信息；其中，特征信息包括指标参数，以及每种指标参数对应的企业数据；评定模块，用于将特征信息输入至预先训练好的图卷积网络GCN，以使GCN根据特征信息输出待评定食品企业的信用值；其中，GCN为基于食品供应链中的食品企业关系进行训练得到。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GCN的训练过程如下：获取图训练样本集；其中，图训练样本集包括：训练关系矩阵和训练特征集；训练关系矩阵用于表征训练供应链中各个训练食品企业的关联关系；训练特征集包括每个训练食品企业的训练特征信息；训练特征信息包括训练指标参数，以及每种训练指标参数对应的训练企业数据；且，至少部分训练特征信息还包括对应的训练食品企业的信用标注值；将图训练样本集输入至原始GCN进行训练，以得到GCN。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食品企业信用评定方法的步骤。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食品企业信用评定方法的步骤。本专利技术实施例带来了以下有益效果：本专利技术实施例提供了食品企业信用评定方法、装置及电子设备，通过GCN进行食品企业的信用值评定，实现了在食品企业的信用值评定过程中，基于供应链各个食品企业之间的关系全面对待判定食品企业进行评定，与现有方法中单个食品企业进行评定相比，提高了食品企业的信用值精度。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食品企业信用评定方法的流程图；图2为本专利技术实施例提供的一种GCN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食品企业信用评定装置的示意图；图4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。针对现有方法得到的食品企业的信用评价值不理想，不能满足食品企业的实际监管需求的问题，本专利技术实施例提供了食品企业信用评定方法、装置及电子设备，通过GCN进行食品企业的信用值评定，实现了在食品企业的信用值评定过程中，基于供应链各个食品企业之间的关系全面对待判定食品企业进行评定，与现有方法中单个食品企业进行评定相比，提高了食品企业的信用值精度。为便于对本实施例进行理解，下面首先本文档来自技高网...

【技术保护点】
1.一种食品企业信用评定方法，其特征在于，所述方法包括：/n获取待评定食品企业的特征信息；其中，所述特征信息包括指标参数，以及每种所述指标参数对应的企业数据；/n将所述特征信息输入至预先训练好的图卷积网络GCN，以使所述GCN根据所述特征信息输出所述待评定食品企业的信用值；其中，所述GCN为基于食品供应链中的食品企业关系进行训练得到。/n

【技术特征摘要】
1.一种食品企业信用评定方法，其特征在于，所述方法包括：
获取待评定食品企业的特征信息；其中，所述特征信息包括指标参数，以及每种所述指标参数对应的企业数据；
将所述特征信息输入至预先训练好的图卷积网络GCN，以使所述GCN根据所述特征信息输出所述待评定食品企业的信用值；其中，所述GCN为基于食品供应链中的食品企业关系进行训练得到。


2.根据权利要求1所述的食品企业信用评定方法，其特征在于，所述GCN的训练过程如下：
获取图训练样本集；其中，所述图训练样本集包括：训练关系矩阵和训练特征集；所述训练关系矩阵用于表征训练供应链中各个训练食品企业的关联关系；所述训练特征集包括每个所述训练食品企业的训练特征信息；所述训练特征信息包括训练指标参数，以及每种所述训练指标参数对应的训练企业数据；且，至少部分所述训练特征信息还包括对应的所述训练食品企业的信用标注值；
将所述图训练样本集输入至原始GCN进行训练，以得到所述GCN。


3.根据权利要求2所述的食品企业信用评定方法，其特征在于，所述训练关系矩阵包括度矩阵和邻接矩阵；其中，所述度矩阵用于表征与当前训练食品企业具有关联关系的所述训练食品企业的数量；所述邻接矩阵用于表征所述当前训练食品企业和与所述当前训练食品企业具有关联关系的所述训练食品企业关系的量化表示。


4.根据权利要求3所述的食品企业信用评定方法，其特征在于，所述将所述图训练样本集输入至原始GCN进行训练的步骤之前，所述方法还包括：
基于预设的单位矩阵对所述邻接矩阵进行矫正处理，得到矫正处理后的所述邻接矩阵；其中，所述单位矩阵的阶数与所述邻接矩阵的阶数保持一致；
按照预设规则对所述度矩阵进行缩放处理，得到缩放处理后的所述度矩阵。


5.根据权利要求4所述的食品企业信用评定方法，其特征在于，所述训练关系矩阵还包括拉普拉斯矩阵；所述方法还包括：
根据矫正处理后的所述邻接矩阵和缩放...

【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