[0001] 本发明涉及企业实力评判技术领域，尤其涉及一种企业实力的智能化评判方法及装置。

[0002] 在证券行业的业务需求中，许多场景下要对业务相对方企业进行评分以量化实力，通过评分这种筛选机制，精选出更优质、有潜力、低风险的合作企业，比如银行筛选营销企业、制造业企业筛选供应链伙伴、产业园区筛选入驻企业等。评分可以帮助企业快速地了解一家企业的综合实力评价，从而实现在海量企业名单或候选企业中，用较低的时间与人力成本，即可挑选出满足业务需求门槛的高匹配度企业，也可基于评分的量化数值，进行企业综合实力的对比、排序等操作，以应用于营销分层、供应商分级、招采评标等业务。

[0003] 当前，传统的多因子加权评分模型存在着较多不足：(1)打分法。多因子打分模型是应用最为广泛的传统建模方法，此方法不易受到异常值的影响，实现起来比较简单。但不足之处在于各个因子的权重设定过于依赖主观判定，更适合具有一定经验的专业人士使用，缺乏客观标准性；(2)回归法。多因子回归模型对多个因子之间的相关关系进行线性回归建模，其优势在于计算复杂度低和可解释性强，实现比较简单。然而，在实际应用中，多因子回归模型的将各个因子之间的关系进行线性建模得到最终评分是远远不够的，拟合能力较差，对样本的评分预测不准确；(3)分类法。多因子分类模型是将每个因子抽象成一个维度的特征，这就可以转化为多维空间的分类问题，其需要对模型的学习能力进行控制，以避免出现欠拟合和过拟合等情形。因此，亟需一种能够提高对企业实力评判准确性的技术方案。

[0075] 为了使本技术领域的人员更好地理解本发明方案，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作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。

[0076] 本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。

[0077] 在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

[0078] 本发明公开了一种企业实力的智能化评判方法及装置，实现了对待评判企业的实力智能评判过程，提高了对待评判企业的实力评判可靠性及准确性，从而有利于相关人员基于实力参数作出精准决策。

[0079] 实施例一

[0080] 请参阅图1，图1是本发明实施例公开的一种企业实力的智能化评判方法的流程示意图。其中，图1所描述的企业实力的智能化评判方法可以应用于对待评判的综合实力进行评判，如诚信方面、舆情方面、财务方面、司法诉讼处理方面、事件处理方面等等，本发明实施例不做限定。可选的，该方法可以由企业实力评判装置实现，该企业实力评判装置可以集成在对企业实力评判流程进行处理的本地服务器或者云端服务器等，本发明实施例不做限定。如图1所示，该企业实力的智能化评判方法可以包括以下操作：

[0081] 101、获取待评判企业的企业参数。

[0082] 在本发明实施例中，可选的，企业参数包括基本情况、诚信情况、司法诉讼情况、事件发生情况、舆情情况以及财务情况中的至少一种。进一步可选的，基本情况可以包括员工架构情况、股东架构情况、投资情况等；诚信情况可以包括处罚情况、负面信息披露情况等；司法诉讼情况可以包括股份冻结情况、被执行人情况、法院公告情况等；事件发生情况可以包括股权转让情况、资产抵押情况、担保情况、风险提醒情况、问询提醒情况等；舆情情况可以包括舆情频次情况、舆情关注度情况、舆情占比情况等；财务情况可以包括盈利情况、运营情况、现金流情况、偿债情况等。

[0083] 102、将待评判企业的企业参数输入至训练好的企业评判模型中的特征分析器中进行分析，得到企业参数的目标特征矩阵。

[0084] 在本发明实施例中，其中，该企业评判模型中包含特征分析器以及标签类别概率分析器，而特征分析器及标签类型概率分析器中均可以包含对应的一个或多个的自注意力机制，以及一个或多个的前馈神经网络。

[0085] 103、将企业参数的目标特征矩阵输入至企业评判模型中的标签类别概率分析器中进行分析，得到待评判企业对应的多个标签类别下的概率参数。

[0086] 在本发明实施例中，可选的，该待评判企业对应的多个标签类别下的概率参数可以理解为如该待评判企业的经营状况为稳定/异常的概率参数、股权结构集中/分散的概率参数、在行业市场份额处于上游/中游/下游水平的概率参数、近N年内负面诚信事件风险趋势走高/走低的概率参数、近N年内股权转让趋势增加/减少的概率参数、近N个月内舆情关注度上升/降低的概率参数、近N个月内风险因子上升/下降的概率参数等等，本发明实施例不做限定。

[0087] 104、根据所有标签类别下的概率参数，确定待评判企业的实力参数。

[0088] 在本发明实施例中，可选的，该待评判企业的实力参数可以包括诚信方面、舆情方面、财务方面、司法诉讼处理、事件处理方面等等的实力参数，如诚信方面100分(即表示该待评判企业诚信方面优秀)、舆情48分(即表示该待评判企业舆情方面较差)、财务方面50分(即表示该待评判企业财务方面一般)。

[0089] 可见，实施本发明实施例能够基于待评判企业的企业参数，分析出待评判企业对应的多个标签类别下的概率参数，继而确定出待评判企业的实力参数，实现了对待评判企业的实力智能评判过程，提高了对待评判企业的实力评判可靠性及准确性，从而有利于相关人员基于实力参数作出精准决策。

[0090] 实施例二

[0091] 请参阅图2，图2是本发明实施例公开的另一种企业实力的智能化评判方法的流程示意图。其中，图2所描述的企业实力的智能化评判方法可以应用于对待评判的综合实力进行评判，如诚信方面、舆情方面、财务方面、司法诉讼处理方面、事件处理方面等等，本发明实施例不做限定。可选的，该方法可以由企业实力评判装置实现，该企业实力评判装置可以集成在对企业实力评判流程进行处理的本地服务器或者云端服务器等，本发明实施例不做限定。如图2所示，该企业实力的智能化评判方法可以包括以下操作：

[0092] 201、获取待评判企业的企业参数。

[0093] 202、将待评判企业的企业参数输入至训练好的企业评判模型中的特征分析器中进行分析，得到企业参数的目标特征矩阵。

[0094] 203、将与待评判企业相关联的企业标签树输入至企业评判模型中的标签类别概率分析器中进行分析，得到企业标签树对应的标签特征矩阵。

[0095] 在本发明实施例中，其中，企业标签树包含多个标签层级下的基础标签类别(可理解为与该待评判企业相关的一系列评分指标)。进一步的，多个标签层级下的基础标签类别可以理解为如：基本情况标签层级下可以包括与员工架构情况、股东架构情况、投资情况等相关联的基础标签类别；诚信情况标签层级下可以包括与处罚情况、负面信息披露情况等相关联的基础标签类别；司法诉讼情况标签层级下可以包括与股份冻结情况、被执行人情况、法院公告情况等相关联的基础标签类别；事件发生情况标签层级下可以包括与股权转让情况、资产抵押情况、担保情况、风险提醒情况、问询提醒情况等相关联的基础标签类别；舆情情况标签层级下可以包括与舆情频次情况、舆情关注度情况、舆情占比情况等相关联的基础标签类别；财务情况标签层级下可以包括与盈利情况、运营情况、现金流情况、偿债情况等相关联的基础标签类别。

[0096] 204、将企业参数的目标特征矩阵输入至企业评判模型中的标签类别概率分析器中，以使标签类别概率分析器根据目标特征矩阵以及得到的标签特征矩阵进行分析，得到待评判企业对应的多个标签类别下的概率参数。

[0097] 在本发明实施例中，即标签类别概率分析器将企业参数的目标特征矩阵以及标签特征矩阵进行结合分析，得到待评判企业对应的多个标签类别下的概率参数。

[0098] 205、根据所有标签类别下的概率参数，确定待评判企业的实力参数。

[0099] 在本发明实施例中，针对步骤201、步骤202及步骤205的其它描述，请参照实施例一中针对步骤101、步骤102及步骤104的详细描述，本发明实施例不再赘述，其中，步骤203可以与步骤201或者步骤202同步进行，也可以与步骤201或者步骤202先后进行。

[0100] 可见，实施本发明实施例能够将企业参数的目标特征矩阵以及标签特征矩阵进行结合分析，得到待评判企业对应的多个标签类别下的概率参数，有利于提高待评判企业的多个标签类别下的概率参数的分析可靠性及准确性，进而有利于后续对待评判企业的实力参数进行精准确定，从而有利于后续相关人员基于实力参数作出精准决策。

[0101] 在一个可选的实施例中，上述步骤202中的将待评判企业的企业参数输入至训练好的企业评判模型中的特征分析器中进行分析，得到企业参数的目标特征矩阵，包括：

[0102] 将待评判企业的企业参数输入至训练好的企业评判模型中的特征分析器中，以使特征分析器执行如以下操作：

[0103] 确定与待评判企业的企业参数相匹配的企业参数序列，并根据企业参数序列，确定企业参数序列对应的向量空间信息；

[0104] 根据企业参数序列对应的向量空间信息，对企业参数序列进行位置编码操作，得到企业参数序列中每个序列位置对应的位置编码向量；

[0105] 根据所有序列位置对应的位置编码向量，确定企业参数的目标特征矩阵。

[0106] 在该可选的实施例中，可选的，企业参数的目标特征矩阵可以由transformer模型中的编码器(即前述的企业评判模型中的特征分析器，其中，该编码器可以由一个或多个自注意力机制，以及一个或多个前馈神经网络组成)来执行，也可以由其他模型中的其他组件来执行。其中，向量空间信息用于指示企业参数序列中不同序列位置之间的相对位置信息。进一步可选的，目标特征矩阵包括值特征矩阵和/或键特征矩阵。需要说明的是，当采用transformer模型对待评判企业的企业参数进行分析时，Transformer模型可以构建与输入特征维数相同的对应位置编码，用于对各个位置处的顺序特征信息进行表示，并通过对各个位置处的特征输入与对应位置编码进行求和作为模型的最终输入结果，并且，利用多头自注意力机制对不同位置向量间的相互关系进行建模，用于不同的表示空间，还可以对向量的内部结构进行更准确的表示。与此同时，相比于循环神经网络，自注意力机制在面对向量长度小于位置向量维度时，计算复杂度较低，并且自注意力机制在并行计算上更容易部署。

[0107] 进一步的，作为一种可选的实施方式，根据所有序列位置对应的位置编码向量，确定企业参数的目标特征矩阵，包括：

[0108] 根据所有序列位置对应的位置编码向量以及预设的多个第一特征空间，确定所有序列位置对应的位置编码向量针对每一第一特征空间下的向量空间映射关系信息；

[0109] 根据所有序列位置对应的位置编码向量针对所有第一特征空间下的向量空间映射关系信息，确定企业参数的目标特征矩阵。

[0110] 在该可选的实施例中，其中，所有序列位置对应的位置编码向量的向量维度与每一第一特征空间的空间维度是相匹配的。

[0111] 可见，该可选的实施例能够通过企业评判模型中的特征分析器，对待评判企业的企业参数序列进行位置编码操作，继而确定出企业参数的目标特征矩阵，不仅有利于提高对待评判企业的企业参数的分析效率，还有利于提高对待评判企业的企业参数的分析可靠性及准确性，从而有利于又快又好地获得企业参数的目标特征矩阵。

[0112] 在另一个可选的实施例中，上述步骤203中的将与待评判企业相关联的企业标签树输入至企业评判模型中的标签类别概率分析器中进行分析，得到企业标签树对应的标签特征矩阵，包括：

[0113] 将与待评判企业相关联的企业标签树输入至企业评判模型中的标签类别概率分析器中，以使标签类别概率分析器执行如以下操作：

[0114] 根据企业标签树中包含的所有标签层级下的基础标签类别，确定每个标签层级对应的标签特征矩阵以及所有标签层级下的基础标签类别之间的有向邻接矩阵；

[0115] 根据所有标签层级对应的标签特征矩阵以及所有标签层级下的基础标签类别之间的有向邻接矩阵，对企业标签树进行初始分析操作，得到企业标签树对应的初始标签矩阵；

[0116] 根据企业标签树对应的初始标签矩阵，确定企业标签树对应的标签特征矩阵。

[0117] 在该可选的实施例中，其中，企业标签树对应的标签特征矩阵可以由transformer模型中的解码器(即前述的企业评判模型中的标签类别概率分析器，其中，该解码器可以由一个或多个自注意力机制，以及一个或多个前馈神经网络组成)来执行，也可以由其他模型中的其他组件来执行。可选的，初始分析操作包括标签层级分析操作和/或标签语义分析操作。进一步可选的，初始标签矩阵包括标签层级矩阵和/或标签语义矩阵。需要说明的是，当采用transformer模型中的解码器来确定出企业标签树对应的标签特征矩阵，且该解码器包含了两个自注意力机制时，该解码器包含的基于掩蔽的多头自注意力机制，可以通过学习目标向量内部的关系，与编码器的输出通过残差连接输入到另一个多头自注意力机制中，以用来学习输入与输出之间的关系。

[0118] 可见，该可选的实施例能够通过企业评判模型中的标签类别概率分析器对待评判企业的企业标签树进行初始分析，得到企业标签树对应的初始标签矩阵，继而根据初始标签矩阵，确定企业标签树对应的标签特征矩阵，这样，可以提高对企业标签树对应的初始标签矩阵的分析效率及准确性，还可以提高对企业标签树对应的标签特征矩阵的确定效率及准确性，从而可以提高对待评判企业的实力参数的高效分析。

[0119] 在又一个可选的实施例中，上述步骤中的根据企业标签树对应的初始标签矩阵，确定企业标签树对应的标签特征矩阵，包括：

[0120] 对企业标签树对应的初始标签矩阵进行位置编码操作，得到企业标签树对应的位置编码向量，并根据企业标签树对应的位置编码向量以及预设的第二特征空间，确定企业标签树对应的位置编码向量针对第二特征空间下的向量空间映射关系信息；

[0121] 根据企业标签树对应的位置编码向量针对第二特征空间下的向量空间映射关系信息，确定企业标签树对应的标签特征矩阵。

[0122] 在该可选的实施例中，其中，企业标签树对应的位置编码向量的向量维度与第二特征空间的空间维度是相匹配的。可选的，对于企业标签树对应的位置编码向量的向量空间映射可以由transformer模型里的解码器中的基于掩蔽的多头自注意力机制来实现。进一步可选的，企业标签树对应的标签特征矩阵可以理解为企业标签树对应的查询特征矩阵。

[0123] 可见，该可选的实施例能够对企业标签树的初始标签矩阵进行位置编码及向量空间映射，继而基于得到的企业标签树对应的位置编码向量针对第二特征空间下的向量空间映射关系信息，来确定企业标签树对应的标签特征矩阵，有利于提高对企业标签树对应的标签特征矩阵的确定效率及准确性，进而有利于提高后续对待评判企业的多个标签类别下的概率参数的分析效率及准确性，从而有利于实现对待评判企业的实力参数的高效确定过程。

[0124] 在又一个可选的实施例中，上述步骤204中的标签类别概率分析器根据目标特征矩阵以及得到的标签特征矩阵进行分析，得到待评判企业对应的多个标签类别下的概率参数，包括：

[0125] 对目标特征矩阵以及得到的标签特征矩阵进行特征交互操作，得到特征交互后矩阵，并根据特征交互后矩阵，确定与特征交互后矩阵相匹配的多维特征向量；

[0126] 根据多维特征向量，对多维特征向量进行针对所有基础标签类别下的概率映射操作，得到待评判企业对应的所有基础标签类别下的概率参数；

[0127] 根据所有基础标签类别下的概率参数，将所有基础标签类别中概率参数大于等于预设概率参数阈值的所有基础标签类别的概率参数，确定为待评判企业对应的多个标签类别下的概率参数。

[0128] 在该可选的实施例中，需要说明的是，当采用transformer模型中的解码器来计算出待评判企业对应的多个标签类别下的概率参数时，其所采用的注意力机制的主要思想是一个查询(Query)向量和一系列键(Key)向量‑值(Value)对最后的输出向量的映射关系。注意力机制的计算步骤为：(1)将对query和每个key计算相似度，作为每个value的权重；(2)采用softmax激活函数对计算得到的权重进行归一化操作；(3)最后对每个value和所对应的权重进行加权求和得到最终的输出。

[0129] 可见，该可选的实施例能够对目标特征矩阵及标签特征矩阵进行特征交互操作，并对得到的多维特征向量进行针对所有基础标签类别下的概率映射操作，从而得到待评判企业对应的多个标签类别下的概率参数，这样，有利于实现对待评判企业的多个标签类别下的概率参数的精准确定，进而有利于实现后续对待评判企业的实力参数的高效确定过程，从而有利于为相应人员提供精准的决策指导。

[0130] 实施例三

[0131] 请参阅图3，图3是本发明实施例公开的一种企业实力的智能化评判装置的结构示意图。如图3所示，该企业实力的智能化评判装置可以包括：

[0132] 获取模块301，用于获取待评判企业的企业参数；

[0133] 第一分析模块302，用于将待评判企业的企业参数输入至训练好的企业评判模型中的特征分析器中进行分析，得到企业参数的目标特征矩阵；

[0134] 第二分析模块303，用于将企业参数的目标特征矩阵输入至企业评判模型中的标签类别概率分析器中进行分析，得到待评判企业对应的多个标签类别下的概率参数；

[0135] 确定模块304，用于根据所有标签类别下的概率参数，确定待评判企业的实力参数。

[0136] 在本发明实施例中，企业参数包括基本情况、诚信情况、司法诉讼情况、事件发生情况、舆情情况以及财务情况中的至少一种。

[0137] 可见，实施图3所描述的企业实力的智能化评判装置能够基于待评判企业的企业参数，分析出待评判企业对应的多个标签类别下的概率参数，继而确定出待评判企业的实力参数，实现了对待评判企业的实力智能评判过程，提高了对待评判企业的实力评判可靠性及准确性，从而有利于相关人员基于实力参数作出精准决策。

[0138] 在一个可选的实施例中，第二分析模块303，还用于：

[0139] 将与待评判企业相关联的企业标签树输入至企业评判模型中的标签类别概率分析器中进行分析，得到企业标签树对应的标签特征矩阵；

[0140] 第二分析模块303将企业参数的目标特征矩阵输入至企业评判模型中的标签类别概率分析器中进行分析，得到待评判企业对应的多个标签类别下的概率参数的方式具体包括：

[0141] 将企业参数的目标特征矩阵输入至企业评判模型中的标签类别概率分析器中，以使标签类别概率分析器根据目标特征矩阵以及得到的标签特征矩阵进行分析，得到待评判企业对应的多个标签类别下的概率参数。

[0142] 在该可选的实施例中，企业标签树包含多个标签层级下的基础标签类别。

[0143] 可见，实施图3所描述的企业实力的智能化评判装置能够将企业参数的目标特征矩阵以及标签特征矩阵进行结合分析，得到待评判企业对应的多个标签类别下的概率参数，有利于提高待评判企业的多个标签类别下的概率参数的分析可靠性及准确性，进而有利于后续对待评判企业的实力参数进行精准确定，从而有利于后续相关人员基于实力参数作出精准决策。

[0144] 在另一个可选的实施例中，第一分析模块302将待评判企业的企业参数输入至训练好的企业评判模型中的特征分析器中进行分析，得到企业参数的目标特征矩阵的方式具体包括：

[0145] 将待评判企业的企业参数输入至训练好的企业评判模型中的特征分析器中，以使特征分析器执行如以下操作：

[0146] 确定与待评判企业的企业参数相匹配的企业参数序列，并根据企业参数序列，确定企业参数序列对应的向量空间信息；

[0147] 根据企业参数序列对应的向量空间信息，对企业参数序列进行位置编码操作，得到企业参数序列中每个序列位置对应的位置编码向量；

[0148] 根据所有序列位置对应的位置编码向量，确定企业参数的目标特征矩阵。

[0149] 在该可选的实施例中，向量空间信息用于指示企业参数序列中不同序列位置之间的相对位置信息；目标特征矩阵包括值特征矩阵和/或键特征矩阵。

[0150] 进一步的，作为一种可选的实施方式，第一分析模块302根据所有序列位置对应的位置编码向量，确定企业参数的目标特征矩阵的方式具体包括：

[0151] 根据所有序列位置对应的位置编码向量以及预设的多个第一特征空间，确定所有序列位置对应的位置编码向量针对每一第一特征空间下的向量空间映射关系信息；

[0152] 根据所有序列位置对应的位置编码向量针对所有第一特征空间下的向量空间映射关系信息，确定企业参数的目标特征矩阵。

[0153] 在该可选的实施例中，所有序列位置对应的位置编码向量的向量维度与每一第一特征空间的空间维度是相匹配的。

[0154] 可见，实施图3所描述的企业实力的智能化评判装置能够通过企业评判模型中的特征分析器，对待评判企业的企业参数序列进行位置编码操作，继而确定出企业参数的目标特征矩阵，不仅有利于提高对待评判企业的企业参数的分析效率，还有利于提高对待评判企业的企业参数的分析可靠性及准确性，从而有利于又快又好地获得企业参数的目标特征矩阵。

[0155] 在又一个可选的实施例中，第二分析模块303将与待评判企业相关联的企业标签树输入至企业评判模型中的标签类别概率分析器中进行分析，得到企业标签树对应的标签特征矩阵的方式具体包括：

[0156] 将与待评判企业相关联的企业标签树输入至企业评判模型中的标签类别概率分析器中，以使标签类别概率分析器执行如以下操作：

[0157] 根据企业标签树中包含的所有标签层级下的基础标签类别，确定每个标签层级对应的标签特征矩阵以及所有标签层级下的基础标签类别之间的有向邻接矩阵；

[0158] 根据所有标签层级对应的标签特征矩阵以及所有标签层级下的基础标签类别之间的有向邻接矩阵，对企业标签树进行初始分析操作，得到企业标签树对应的初始标签矩阵；

[0159] 根据企业标签树对应的初始标签矩阵，确定企业标签树对应的标签特征矩阵。

[0160] 在该可选的实施例中，初始分析操作包括标签层级分析操作和/或标签语义分析操作，初始标签矩阵包括标签层级矩阵和/或标签语义矩阵。

[0161] 可见，实施图3所描述的企业实力的智能化评判装置能够通过企业评判模型中的标签类别概率分析器对待评判企业的企业标签树进行初始分析，得到企业标签树对应的初始标签矩阵，继而根据初始标签矩阵，确定企业标签树对应的标签特征矩阵，这样，可以提高对企业标签树对应的初始标签矩阵的分析效率及准确性，还可以提高对企业标签树对应的标签特征矩阵的确定效率及准确性，从而可以提高对待评判企业的实力参数的高效分析。

[0162] 在又一个可选的实施例中，第二分析模块303根据企业标签树对应的初始标签矩阵，确定企业标签树对应的标签特征矩阵的方式具体包括：

[0163] 对企业标签树对应的初始标签矩阵进行位置编码操作，得到企业标签树对应的位置编码向量，并根据企业标签树对应的位置编码向量以及预设的第二特征空间，确定企业标签树对应的位置编码向量针对第二特征空间下的向量空间映射关系信息；

[0164] 根据企业标签树对应的位置编码向量针对第二特征空间下的向量空间映射关系信息，确定企业标签树对应的标签特征矩阵。

[0165] 在该可选的实施例中，企业标签树对应的位置编码向量的向量维度与第二特征空间的空间维度是相匹配的。

[0166] 可见，实施图3所描述的企业实力的智能化评判装置能够对企业标签树的初始标签矩阵进行位置编码及向量空间映射，继而基于得到的企业标签树对应的位置编码向量针对第二特征空间下的向量空间映射关系信息，来确定企业标签树对应的标签特征矩阵，有利于提高对企业标签树对应的标签特征矩阵的确定效率及准确性，进而有利于提高后续对待评判企业的多个标签类别下的概率参数的分析效率及准确性，从而有利于实现对待评判企业的实力参数的高效确定过程。

[0167] 在又一个可选的实施例中，标签类别概率分析器根据目标特征矩阵以及得到的标签特征矩阵进行分析，得到待评判企业对应的多个标签类别下的概率参数的方式具体包括：

[0168] 对目标特征矩阵以及得到的标签特征矩阵进行特征交互操作，得到特征交互后矩阵，并根据特征交互后矩阵，确定与特征交互后矩阵相匹配的多维特征向量；

[0169] 根据多维特征向量，对多维特征向量进行针对所有基础标签类别下的概率映射操作，得到待评判企业对应的所有基础标签类别下的概率参数；

[0170] 根据所有基础标签类别下的概率参数，将所有基础标签类别中概率参数大于等于预设概率参数阈值的所有基础标签类别的概率参数，确定为待评判企业对应的多个标签类别下的概率参数。

[0171] 可见，实施图3所描述的企业实力的智能化评判装置能够对目标特征矩阵及标签特征矩阵进行特征交互操作，并对得到的多维特征向量进行针对所有基础标签类别下的概率映射操作，从而得到待评判企业对应的多个标签类别下的概率参数，这样，有利于实现对待评判企业的多个标签类别下的概率参数的精准确定，进而有利于实现后续对待评判企业的实力参数的高效确定过程，从而有利于为相应人员提供精准的决策指导。

[0172] 实施例四

[0173] 请参阅图4，图4是本发明实施例公开的又一种企业实力的智能化评判装置的结构示意图。如图4所示，该企业实力的智能化评判装置可以包括：

[0174] 存储有可执行程序代码的存储器401；

[0175] 与存储器401耦合的处理器402；

[0176] 处理器402调用存储器401中存储的可执行程序代码，执行本发明实施例一或本发明实施例二所描述的企业实力的智能化评判方法中的步骤。

[0177] 实施例五

[0178] 本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一或本发明实施例二所描述的企业实力的智能化评判方法中的步骤。

[0179] 实施例六

[0180] 本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一或实施例二中所描述的企业实力的智能化评判方法中的步骤。

[0181] 以上所描述的装置实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

[0182] 通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read‑Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read‑only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only  Memory，EPROM)、一次可编程只读存储器(One‑time Programmable  Read‑Only  Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically‑Erasable Programmable Read‑Only Memory，EEPROM)、只读光盘(Compact Disc Read‑Only Memory，CD‑ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

[0183] 最后应说明的是：本发明实施例公开的一种企业实力的智能化评判方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。