基于多属性决策模型的高成长性企业推荐系统及推荐方法技术方案

本发明专利技术公开了一种基于多属性决策模型的高成长性企业推荐系统及推荐方法，属于数据处理技术领域，解决了难以对企业的未来发展潜力进行准确评估的问题，本发明专利技术包括如下步骤：企业数据归集；建设企业实力指标库；建设区域就业贡献指标库；建设投融资活跃度指标库；建设科技创新指标库；建设负面风险指标库；构建企业实力评价模型；构建区域就业贡献评价模型；构建投融资活跃度评价模型；构建科技创新评价模型；构建负面风险评价模型；构建高成长性企业评价模型；生成高成长性企业评分；输出高成长性企业推荐名录。本发明专利技术用于评估高成长性企业的未来发展潜力，提供更加良好的营商环境和更明确的发展引导。更明确的发展引导。更明确的发展引导。

【技术实现步骤摘要】
基于多属性决策模型的高成长性企业推荐系统及推荐方法


[0001]本专利技术属于数据处理领域，具体涉及基于多属性决策模型的高成长性企业推荐系统及推荐方法。

技术介绍

[0002]企业的发展潜力评估可以对某地区所有被评企业的高成长性企业评分进行排序，筛选出排名靠前的企业名单，得到本地区的高成长性企业推荐名录，高成长性企业推荐名录不仅可以推荐给政府机关进行重点培育和招引，如向高成长企业提供更加便捷友好的营商环境，吸引更多高成长企业来本地入驻的同时，也能维护本地的高成长企业对本地的忠诚度，同时，一个区域内高成长企业的体量也是当地机关工作成果的直观展示。
[0003]现有技术中，通常对企业进行评估都是通过企业的一些指标进行评估，或者采用对指标进行权重的方式，确定评估方式的综合结果，以该综合结果来对企业进行评估。但通常该方法只对历史数据进行简单
[0004]运算和处理，只能说明该企业的历史情况，难以对该企业的发展趋势和未来发展潜力进行准确评估。

技术实现思路

[0005]本专利技术的目的在于：
[0006]为解决现有技术中的评估方式难以对企业的未来发展潜力进行准确评估的问题，提供基于多属性决策模型的高成长性企业推荐系统及推荐方法。
[0007]本专利技术采用的技术方案如下：
[0008]基于多属性决策模型的高成长性企业推荐系统，包括数据源归集库、数据指标库、属性评价模型和成长性评价模型；
[0009]所述数据源归集库包括企业工商注册数据、企业资质数据、企业分支机构信息、企业招聘数据、企业投融资数据和企业专利数据；
[0010]所述数据指标库包括企业实力指标库、区域就业贡献指标库、投融资活跃度指标库、科技创新指标库和负面风险指标库；
[0011]所述属性评价模型包括企业实力评价模型、区域就业贡献评价模型、投融资活跃度评价模型、科技创新评价模型和负面风险评价模型。
[0012]基于多属性决策模型的高成长性企业推荐方法，包括如下步骤：
[0013]步骤1、企业数据归集；
[0014]步骤2、建设企业实力指标库；
[0015]步骤3、建设区域就业贡献指标库；
[0016]步骤4、建设投融资活跃度指标库；
[0017]步骤5、建设科技创新指标库；
[0018]步骤6、建设负面风险指标库；
[0019]步骤7、构建企业实力评价模型；
[0020]步骤8、构建区域就业贡献评价模型；
[0021]步骤9、构建投融资活跃度评价模型；
[0022]步骤10、构建科技创新评价模型；
[0023]步骤11、构建负面风险评价模型；
[0024]步骤12、构建高成长性企业评价模型；高成长性企业评价模型的输入为包括企业实力指数评分，企业的区域就业贡献指数评分，投融资活跃度指数评分，科技创新指数评分，负面风险指数评分的特征指标；利用多属性决策建模方法对入参数据进行模型计算，模型输出一组取值介于0和1之间的数值；
[0025]步骤13、生成高成长性企业评分；对高成长性企业评价模型的结果进行线性函数映射，得到一个取值介于0到100的分数，该分数即为高成长企业评分；
[0026]步骤14、输出高成长性企业推荐名录；对地区中所有被评企业中的高成长性企业评分进行排序，筛选出排名靠前1％的企业名单，得到本地区的高成长性企业推荐名录。
[0027]进一步地，所述步骤1具体为：归集企业生产经营过程中产生的各个维度的数据作为高成长性企业评价模型的数据源，归集后的企业各维度数据经过包括去重、空值填充和错误数据删除的数据预处理操作，作为合格的数据源参与后续的模型计算。
[0028]进一步地，所述步骤2具体为：选择表征企业实力的企业工商注册数据、企业资质数据、企业分支机构数据进行特征抽取，生成基础特征，在基础特征的基础上再进行包括排序，分组，判断的变换，生成抽象特征；以上两类特征通过企业唯一标识进行关联后存储在数据库中，构成企业实力指标库；
[0029]所述步骤7具体为：模型的输入为企业实力指标库中的数据，在进入模型之前对企业实力指标库中的特征进行预处理，指标库中的特征通过特征筛选将无效特征剔除，选出有效特征进入模型，利用多属性决策建模方法对入参数据进行模型计算，模型的输出结果是一组取值介于0和1之间的数值，对该数值进行分数变换计算，得到企业的企业实力指数评分。
[0030]进一步地，所述步骤3具体为：对表征企业的区域就业贡献的数据进行特征抽取，生成包括单位时间内企业总招聘人数、企业发布招聘信息的次数、企业当前社保参保人数、企业当前公积金缴纳人数、企业发布岗位数、企业本地招聘岗位数，企业外地招聘岗位数的基础特征；对基础特征再进行统计变换，生成表征包括企业招聘发展变化数据、企业招聘质量数据、企业招聘覆盖度的其他特征；将特征通过企业唯一标识进行关联，存储到数据库中，构成区域就业贡献指标库；
[0031]所述步骤8具体为：区域就业贡献评价模型的输入为区域就业贡献指标库中的数据，在进入模型前，对区域就业贡献指标库中的特征进行预处理，指标库中的特征通过特征筛选将无效特征剔除，选出有效特征进入模型，利用多属性决策建模方法对入参数据进行模型计算，模型的输出结果是一组取值介于0和1之间的数值，对该数值进行分数变换计算，得到企业的区域就业贡献指数评分。
[0032]进一步地，所述步骤4具体为：对企业的投融资数据进行特征提取，得到包括融资轮次、企业融资金额、最近一次融资距今时间和企业融资总次数的特征，对特征进行统计变换，将特征通过企业唯一标识进行关联，存储在数据库中，构成投融资活跃度指标库；
[0033]所述步骤9具体为：投融资活跃度评价模型的输入为投融资活跃度指标库中的数据，在进入模型前，对投融资活跃度指标库中的特征进行预处理，指标库中的特征通过特征筛选将无效特征剔除，选出有效特征进入模型，利用多属性决策建模方法对入参数据进行模型计算，模型的输出结果是一组取值介于0和1之间的数值，对该数值进行分数变换计算，得到企业的投融资活跃度指数评分。
[0034]进一步地，所述步骤5具体为：由企业的知识产权来进行科技创新指数的构建，对企业知识产权进行特征提取，生成包括专利技术专利数量，技术专利数量、外观专利数量，当前有效专利数量等数据作为基础特征，对基础特征进行统计变化，生成包括企业的研发实力变化数据，研发质量数据，研发广度的其他特征，将上述所有特征通过企业唯一标识进行关联，存储到数据库中，构成科技创新指标库；
[0035]所述步骤10具体为：科技创新评价模型的输入为科技创新指标库中的数据，在进入模型前，对科技创新指标库中的特征进行预处理，指标库中的特征通过特征筛选将无效特征剔除，选出有效特征进入模型，利用多属性决策建模方法对入参数据进行模型计算，模型的输出结果是一组取值介于0和1之间的数值，对该数值进行分数变换计算，得到企业的科技创新指数评分。
[0036]进一步地，所述步骤6具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多属性决策模型的高成长性企业推荐系统，其特征在于，包括数据源归集库、数据指标库、属性评价模型和成长性评价模型；所述数据源归集库包括企业工商注册数据、企业资质数据、企业分支机构信息、企业招聘数据、企业投融资数据和企业专利数据；所述数据指标库包括企业实力指标库、区域就业贡献指标库、投融资活跃度指标库、科技创新指标库和负面风险指标库；所述属性评价模型包括企业实力评价模型、区域就业贡献评价模型、投融资活跃度评价模型、科技创新评价模型和负面风险评价模型。2.基于多属性决策模型的高成长性企业推荐方法，其特征在于，包括如下步骤：步骤1、企业数据归集；步骤2、建设企业实力指标库；步骤3、建设区域就业贡献指标库；步骤4、建设投融资活跃度指标库；步骤5、建设科技创新指标库；步骤6、建设负面风险指标库；步骤7、构建企业实力评价模型；步骤8、构建区域就业贡献评价模型；步骤9、构建投融资活跃度评价模型；步骤10、构建科技创新评价模型；步骤11、构建负面风险评价模型；步骤12、构建高成长性企业评价模型；高成长性企业评价模型的输入为包括企业实力指数评分，企业的区域就业贡献指数评分，投融资活跃度指数评分，科技创新指数评分，负面风险指数评分的特征指标；利用多属性决策建模方法对入参数据进行模型计算，模型输出一组取值介于0和1之间的数值；步骤13、生成高成长性企业评分；对高成长性企业评价模型的结果进行线性函数映射，得到一个取值介于0到100的分数，该分数即为高成长企业评分；步骤14、输出高成长性企业推荐名录；对地区中所有被评企业中的高成长性企业评分进行排序，筛选出排名靠前1％的企业名单，得到本地区的高成长性企业推荐名录。3.根据权利要求2所述的基于多属性决策模型的高成长性企业推荐方法，其特征在于，所述步骤1具体为：归集企业生产经营过程中产生的各个维度的数据作为高成长性企业评价模型的数据源，归集后的企业各维度数据经过包括去重、空值填充和错误数据删除的数据预处理操作，作为合格的数据源参与后续的模型计算。4.根据权利要求2所述的基于多属性决策模型的高成长性企业推荐方法，其特征在于，所述步骤2具体为：选择表征企业实力的企业工商注册数据、企业资质数据、企业分支机构数据进行特征抽取，生成基础特征，在基础特征的基础上再进行包括排序，分组，判断的变换，生成抽象特征；以上两类特征通过企业唯一标识进行关联后存储在数据库中，构成企业实力指标库；所述步骤7具体为：模型的输入为企业实力指标库中的数据，在进入模型之前对企业实力指标库中的特征进行预处理，指标库中的特征通过特征筛选将无效特征剔除，选出有效
特征进入模型，利用多属性决策建模方法对入参数据进行模型计算，模型的输出结果是一组取值介于0和1之间的数值，对该数值进行分数变换计算，得到企业的企业实力指数评分。5.根据权利要求2所述的基于多属性决策模型的高成长性企业推荐方法，其特征在于，所述步骤3具体为：对表征企业的区域就业贡献的数据进行特征抽取，生成包括单位时间内企业总招聘人数、企业发布招聘信息的次数、企业当前社保参保人数、企业当前公积金缴纳人数、企业发布岗位数、企业本地招聘岗位数，企业外地招聘岗位数的基础特征；对基础特征再进行统计变换，生成表征包括企业招聘发展变化数据、企业招聘质量数据、企业招聘覆盖度的其他特征；将特征通过企业唯一标识进行关联，存储到数据库中，构成区域就业贡献指标库；所述步骤8具体为：区域就业贡献评价模型的输入为区域就业贡献指标库中的数据，在进入模型前，对区域就业贡献指标库中的特征进行预处理，指标库中的特征通过特征筛选将无效特征剔除，选出有效特征进入模型，利用多属性决策建模方法对入参数据进行模型计算，模型的输出结果是一组取值介于0和1之间的数值，对该数值进行分数变换计算，得到企业的区域就业贡献指数评分。6.根据权利要求2所述的基于多属性决策模型的高成长性企业推荐方法，其特征在于，所述步骤4具体为：对企业的投融资数据进行特征提取，得到包括融资轮次、企业融资金额、最近一次融资距今时间和企业融资总次数的特征，对特征进行统计变换，将特征通过企业唯一标识进行关联，存储在数据库中，构成投融资活跃度指标库；所述步骤9具体为：投融资活跃度评价模型的输入为投融资活跃度指标库中的数据，在进入模型前，对投融资活跃度指标...

【专利技术属性】
技术研发人员：龙远朋，闫晓慧，朱荣花，高磊，黄永兵，刘军，
申请(专利权)人：联通高新大数据人工智能科技成都有限公司，
类型：发明
国别省市：