基于人工智能的企业画像分析方法及AI系统与流程

基于人工智能的企业画像分析方法及ai系统
技术领域
1.本发明涉及人工智能技术领域，具体而言，涉及一种基于人工智能的企业画像分析方法及ai系统。


背景技术：

2.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互ai系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。其中，人工智能的应用领域或应用场景较多，例如，可以用于分析用户、信息、企业之间的相关性。但是，在现有技术中，对于企业画像的分析，存在可靠度不佳的问题。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种基于人工智能的企业画像分析方法及ai系统，以在一定程度上提高企业画像分析的可靠度。
4.为实现上述目的，本发明实施例采用如下技术方案：一种基于人工智能的企业画像分析方法，包括：获取到待对比分析的两个目标企业分别对应的目标企业画像信息，所述目标企业画像信息基于对应的目标企业的企业信息生成；对于每一个所述目标企业画像信息，依据该目标企业画像信息对应的历史企业代表信息，对该目标企业画像信息进行更新处理，以输出该目标企业画像信息对应的更新企业画像信息；依据每一个所述目标企业画像信息对应的更新企业画像信息，对相应的所述两个目标企业进行企业对比分析处理，以输出所述两个目标企业之间的企业画像相关关系信息，所述企业画像相关关系信息用于反映所述两个目标企业之间具有的相关程度。
5.在一些优选的实施例中，在上述基于人工智能的企业画像分析方法中，所述获取到待对比分析的两个目标企业分别对应的目标企业画像信息的步骤，包括：对于待对比分析的两个目标企业中的每一个目标企业，采集该目标企业在目标时间段内预先配置的多个信息维度具有的目标企业信息；对于待对比分析的两个目标企业中的每一个目标企业，依据该目标企业在目标时间段内在所述多个信息维度具有的目标企业信息，构建输出该目标企业分别对应的目标企业画像信息，使得每一个所述目标企业分别对应的目标企业画像信息对应的信息维度和信息时间段一致。
6.在一些优选的实施例中，在上述基于人工智能的企业画像分析方法中，所述对于每一个所述目标企业画像信息，依据该目标企业画像信息对应的历史企业代表信息，对该目标企业画像信息进行更新处理，以输出该目标企业画像信息对应的更新企业画像信息的步骤，包括：
提取到所述目标企业画像信息对应的历史企业代表信息，再依据所述历史企业代表信息确定出所述目标企业画像信息对应的历史企业画像信息，所述历史企业画像信息和所述目标企业画像信息之间信息维度一致，且所述历史企业画像信息对应的信息时间段早于所述目标企业画像信息对应的信息时间段，且两个信息时间段在时间上相邻；挖掘出所述目标企业画像信息对应的目标企业画像信息挖掘向量和所述历史企业画像信息对应的历史企业画像信息挖掘向量；基于所述目标企业画像信息挖掘向量，确定出所述目标企业画像信息对应的目标融合信息映射向量，以及，基于所述目标企业画像信息挖掘向量和所述历史企业画像信息挖掘向量，确定出所述历史企业画像信息对应的历史融合信息映射向量；依据所述目标融合信息映射向量和所述历史融合信息映射向量，聚合所述目标企业画像信息和所述历史企业画像信息，以输出所述目标企业画像信息对应的目标聚合待处理向量；基于所述目标企业画像信息挖掘向量、所述目标聚合待处理向量和所述历史企业画像信息，构建出所述目标企业画像信息对应的更新企业画像信息，以完成对该目标企业画像信息的更新处理。
7.在一些优选的实施例中，在上述基于人工智能的企业画像分析方法中，所述基于所述目标企业画像信息挖掘向量，确定出所述目标企业画像信息对应的目标融合信息映射向量的步骤，包括：将所述目标企业画像信息挖掘向量包括的所述目标企业画像信息对应的目标静态维度信息挖掘向量和目标动态维度信息挖掘向量加载到预先进行训练形成的向量融合神经网络中；利用所述向量融合神经网络包括的初级编码子网络，对所述目标静态维度信息挖掘向量和所述目标动态维度信息挖掘向量进行向量映射操作，以输出所述目标企业画像信息对应的初级信息映射向量；利用所述向量融合神经网络包括的中级编码子网络，对所述目标静态维度信息挖掘向量和所述目标动态维度信息挖掘向量进行向量映射操作，以输出所述目标企业画像信息对应的中级信息映射向量；对所述初级信息映射向量和所述中级信息映射向量进行向量融合操作，以输出所述目标企业画像信息对应的目标融合信息映射向量。
8.在一些优选的实施例中，在上述基于人工智能的企业画像分析方法中，所述基于所述目标企业画像信息挖掘向量和所述历史企业画像信息挖掘向量，确定出所述历史企业画像信息对应的历史融合信息映射向量的步骤，包括：分别对所述历史企业画像信息挖掘向量包括的所述历史企业画像信息对应的历史静态维度信息挖掘向量与历史动态维度信息挖掘向量进行线性更新操作，以输出所述历史静态维度信息挖掘向量对应的更新历史静态维度信息挖掘向量、所述历史动态维度信息挖掘向量对应的更新历史动态维度信息挖掘向量；将所述目标企业画像信息挖掘向量包括的所述目标企业画像信息对应的目标静态维度信息挖掘向量和目标动态维度信息挖掘向量、所述更新历史静态维度信息挖掘向量和所述更新历史动态维度信息挖掘向量加载到先进行训练形成的向量融合神经网络中；
利用所述向量融合神经网络包括的初级编码子网络，对所述目标静态维度信息挖掘向量和所述目标动态维度信息挖掘向量进行向量映射操作，以输出所述目标企业画像信息对应的目标信息映射向量；利用所述向量融合神经网络包括的中级编码子网络，对所述更新历史静态维度信息挖掘向量和所述更新历史动态维度信息挖掘向量进行向量映射操作，以输出所述历史企业画像信息对应的历史信息映射向量；对所述目标信息映射向量和所述历史信息映射向量进行向量融合操作，以输出所述历史企业画像信息对应的历史融合信息映射向量。
9.在一些优选的实施例中，在上述基于人工智能的企业画像分析方法中，所述基于所述目标企业画像信息挖掘向量、所述目标聚合待处理向量和所述历史企业画像信息，构建出所述目标企业画像信息对应的更新企业画像信息，以完成对该目标企业画像信息的更新处理的步骤，包括：对所述目标企业画像信息挖掘向量、所述目标聚合待处理向量以和所述历史企业画像信息进行信息融合处理，以输出所述目标企业画像信息对应的多层次融合企业信息挖掘向量；将所述多层次融合企业信息挖掘向量加载到预先进行训练形成的企业画像信息更新神经网络中，以利用所述企业画像信息更新神经网络，对所述多层次融合企业信息挖掘向量进行处理，以形成所述目标企业画像信息对应的更新企业画像信息。
10.在一些优选的实施例中，在上述基于人工智能的企业画像分析方法中，所述目标企业画像信息挖掘向量包括所述目标企业画像信息对应的目标静态维度信息挖掘向量和目标动态维度信息挖掘向量，所述历史企业画像信息挖掘向量包括所述历史企业画像信息对应的历史静态维度信息挖掘向量与历史动态维度信息挖掘向量；所述对所述目标企业画像信息挖掘向量、所述目标聚合待处理向量以和所述历史企业画像信息进行信息融合处理，以输出所述目标企业画像信息对应的多层次融合企业信息挖掘向量的步骤，包括：对所述目标企业画像信息中所述目标静态维度信息挖掘向量和所述目标动态维度信息挖掘向量对应的企业信息以外的其它企业信息进行信息挖掘处理，以输出对应的目标其它维度信息挖掘向量；将所述目标聚合待处理向量、所述目标静态维度信息挖掘向量、所述目标动态维度信息挖掘向量和所述目标其它维度信息挖掘向量进行向量聚合操作，以输出所述目标企业画像信息对应的聚合挖掘向量；分别对所述历史静态维度信息挖掘向量和所述历史动态维度信息挖掘向量进行线性更新操作，以输出所述历史静态维度信息挖掘向量对应的更新历史静态维度信息挖掘向量、所述历史动态维度信息挖掘向量对应的更新历史动态维度信息挖掘向量；拼接所述聚合挖掘向量、所述更新历史静态维度信息挖掘向量和所述更新历史动态维度信息挖掘向量，以输出所述目标企业画像信息对应的多层次融合企业信息挖掘向量。
11.在一些优选的实施例中，在上述基于人工智能的企业画像分析方法中，所述将所述多层次融合企业信息挖掘向量加载到预先进行训练形成的企业画像信息更新神经网络
中，以利用所述企业画像信息更新神经网络，对所述多层次融合企业信息挖掘向量进行处理，以形成所述目标企业画像信息对应的更新企业画像信息的步骤，包括：将所述多层次融合企业信息挖掘向量加载到预先进行训练形成的企业画像信息更新神经网络中；利用所述企业画像信息更新神经网络，分析输出所述多层次融合企业信息挖掘向量对应的第一更新企业画像信息、第二更新企业画像信息、第一画像更新值和第二画像更新值，所述第一更新企业画像信息的信息维度大于所述第二更新企业画像信息的信息维度；利用所述企业画像信息更新神经网络，并基于所述第一画像更新值对所述第一更新企业画像信息和所述第二更新企业画像信息进行信息聚合操作，以输出所述目标企业画像信息对应的候选更新企业画像信息；提取出所述历史企业画像信息对应的历史更新企业画像信息，再基于所述第二画像更新值将所述候选更新企业画像信息和所述历史更新企业画像信息进行信息聚合操作，以输出所述目标企业画像信息对应的更新企业画像信息。
12.在一些优选的实施例中，在上述基于人工智能的企业画像分析方法中，所述依据每一个所述目标企业画像信息对应的更新企业画像信息，对相应的所述两个目标企业进行企业对比分析处理，以输出所述两个目标企业之间的企业画像相关关系信息的步骤，包括：对于每一个所述目标企业画像信息对应的更新企业画像信息，对该更新企业画像信息进行特征挖掘处理，以输出该更新企业画像信息对应的更新企业画像信息待处理向量；对所述两个目标企业对应的更新企业画像信息对应的更新企业画像信息待处理向量进行向量相似度的计算输出，以输出对应的向量相似度；依据所述向量相似度，对相应的所述两个目标企业进行企业对比分析处理，以输出所述两个目标企业之间的企业画像相关关系信息。
13.本发明实施例还提供一种基于人工智能的企业画像分析ai系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的基于人工智能的企业画像分析方法。
14.本发明实施例提供的一种基于人工智能的企业画像分析方法及ai系统，获取到待对比分析的两个目标企业分别对应的目标企业画像信息。对于每一个目标企业画像信息，依据该目标企业画像信息对应的历史企业代表信息，对该目标企业画像信息进行更新处理，以输出该目标企业画像信息对应的更新企业画像信息。依据每一个目标企业画像信息对应的更新企业画像信息，对相应的两个目标企业进行企业对比分析处理，以输出两个目标企业之间的企业画像相关关系信息。基于上述内容，通过先对两个目标企业对应的目标企业画像信息进行更新处理以输出对应的更新企业画像信息，再对更新企业画像信息进行对比分析，由于更新处理的过程中结合了对应的历史企业代表信息，使得得到的更新企业画像信息的信息更为充分可靠，从而在一定程度上提高企业画像分析的可靠度。
15.为使本发明的上述目的、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
16.图1为本发明实施例提供的基于人工智能的企业画像分析ai系统的结构框图。
17.图2为本发明实施例提供的基于人工智能的企业画像分析方法包括的各步骤的流程示意图。
18.图3为本发明实施例提供的基于人工智能的企业画像分析装置包括的各模块的示意图。
具体实施方式
19.为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
20.如图1所示，本发明实施例提供了一种基于人工智能的企业画像分析ai系统。其中，所述企业画像分析ai系统可以包括存储器和处理器。
21.可以理解的是，在一些实施方式中，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的基于人工智能的企业画像分析方法。
22.可以理解的是，在一些实施方式中，所述存储器可以是，但不限于，随机存取存储器（random access memory，ram），只读存储器（read only memory，rom），可编程只读存储器（programmable read-only memory，prom），可擦除只读存储器（erasable programmable read-only memory，eprom），电可擦除只读存储器（electric erasable programmable read-only memory，eeprom）等。所述处理器可以是一种通用处理器，包括中央处理器（central processing unit，cpu）、网络处理器（network processor，np）、片上ai系统(system on chip，soc)等；还可以是数字信号处理器（dsp）、专用集成电路（asic）、现场可编程门阵列（fpga）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
23.可以理解的是，在一些实施方式中，所述基于人工智能的企业画像分析ai系统可以是一种具备数据处理能力的服务器（并且，所述基于人工智能的企业画像分析ai系统还可以包括用于进行数据交互的通信单元，所述基于人工智能的企业画像分析ai系统还包括输入/输出模块（i/o），其用于接收各种输入（经由输入设备）和用于提供各种输出（经由输出设备）。所述基于人工智能的企业画像分析ai系统还可以包括一个或多个网络接口，其用于经由一个或多个通信链路与其他设备交换数据。一个或多个通信总线将上文所描述的部件耦合在一起。通信链路可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合）。
24.可以理解的是，在一些实施方式中，响应于处理器执行包含在存储器中的指令的布置，可以通过所述基于人工智能的企业画像分析ai系统来实行本文所描述的实施方式的过程。可以通过另一计算机可读介质(诸如，存储设备)来将这样的指令读入到存储器中。对包含在存储器中的指令的布置的执行使所述基于人工智能的企业画像分析ai系统能够执行本文所描述的说明性过程。还可以采用在多处理布置中的一个或者多个处理器来执行包含在存储器中的指令。在替选实施方式中，硬连线电路可以代替软件指令或者与软件指令组合使用以实现本技术的实施方式。因此，实施方式不限于硬件电路和软件的任何特定组合。另外，图1中对ai系统进行了描述，但是可以通过使用其它类型的数字电子电路ai系统、或者在计算机软件、固件、或者硬件中(包括本说明书所公开的结构及其结构等效物)、或者它们中的一个或者多个的组合中实现本说明书中描述的主题的实施方式和功能操作。
25.结合图2，本发明实施例还提供一种基于人工智能的企业画像分析方法，可应用于上述基于人工智能的企业画像分析ai系统。其中，所述基于人工智能的企业画像分析方法有关的流程所定义的方法步骤，可以由所述基于人工智能的企业画像分析ai系统实现。
26.下面将对图2所示的具体流程，进行详细阐述。
27.步骤s110，获取到待对比分析的两个目标企业分别对应的目标企业画像信息。
28.在本发明实施例中，所述企业画像分析ai系统可以获取到待对比分析的两个目标企业分别对应的目标企业画像信息（即两个目标企业画像信息）。所述目标企业画像信息基于对应的目标企业的企业信息生成。
29.步骤s120，对于每一个所述目标企业画像信息，依据该目标企业画像信息对应的历史企业代表信息，对该目标企业画像信息进行更新处理，以输出该目标企业画像信息对应的更新企业画像信息。
30.在本发明实施例中，所述企业画像分析ai系统可以对于每一个所述目标企业画像信息，依据该目标企业画像信息对应的历史企业代表信息，对该目标企业画像信息进行更新处理，以输出该目标企业画像信息对应的更新企业画像信息（即得到两个更新企业画像信息）。
31.步骤s130，依据每一个所述目标企业画像信息对应的更新企业画像信息，对相应的所述两个目标企业进行企业对比分析处理，以输出所述两个目标企业之间的企业画像相关关系信息。
32.在本发明实施例中，所述企业画像分析ai系统可以依据每一个所述目标企业画像信息对应的更新企业画像信息，对相应的所述两个目标企业进行企业对比分析处理（如更新企业画像信息之间的相关度计算等），以输出所述两个目标企业之间的企业画像相关关系信息。所述企业画像相关关系信息用于反映所述两个目标企业之间具有的相关程度。
33.基于上述内容，通过先对两个目标企业对应的目标企业画像信息进行更新处理以输出对应的更新企业画像信息，再对更新企业画像信息进行对比分析，由于更新处理的过程中结合了对应的历史企业代表信息，使得得到的更新企业画像信息的信息更为充分可靠，从而在一定程度上提高企业画像分析的可靠度，使得可以改善现有技术中的不足。
34.可以理解的是，在一些实施方式中，步骤s110可以包括以下内容：对于待对比分析的两个目标企业中的每一个目标企业，采集该目标企业在目标时间段内预先配置的多个信息维度具有的目标企业信息（示例性地，所述信息维度的具体维
度不受限制，可以根据实际应用需求进行配置）；对于待对比分析的两个目标企业中的每一个目标企业，依据该目标企业在目标时间段内在所述多个信息维度具有的目标企业信息，构建输出该目标企业分别对应的目标企业画像信息（示例性地，所述目标企业画像信息的构建方式可以参照相关的现有技术即可，如基于对应的企业信息提取出多种特征标签，以构建形成对应的画像信息），使得每一个所述目标企业分别对应的目标企业画像信息对应的信息维度和信息时间段一致。
35.可以理解的是，在一些实施方式中，步骤s120可以包括以下内容：提取到所述目标企业画像信息对应的历史企业代表信息，再依据所述历史企业代表信息确定出所述目标企业画像信息对应的历史企业画像信息（可以参照现有的任意一种构建企业画像的方式，在此不做具体的线段），所述历史企业画像信息和所述目标企业画像信息之间信息维度一致，且所述历史企业画像信息对应的信息时间段早于所述目标企业画像信息对应的信息时间段，且两个信息时间段在时间上相邻；挖掘出所述目标企业画像信息对应的目标企业画像信息挖掘向量和所述历史企业画像信息对应的历史企业画像信息挖掘向量（示例性地，可以通过一种特征提取网络，分别对所述目标企业画像信息和所述历史企业画像信息进行特征提取处理，以输出所述目标企业画像信息对应的目标企业画像信息挖掘向量和所述历史企业画像信息对应的历史企业画像信息挖掘向量。其中，所述特征提取网络可以是一种卷积网络）；基于所述目标企业画像信息挖掘向量，确定出所述目标企业画像信息对应的目标融合信息映射向量，以及，基于所述目标企业画像信息挖掘向量和所述历史企业画像信息挖掘向量，确定出所述历史企业画像信息对应的历史融合信息映射向量；依据所述目标融合信息映射向量和所述历史融合信息映射向量，聚合所述目标企业画像信息和所述历史企业画像信息，以输出所述目标企业画像信息对应的目标聚合待处理向量；基于所述目标企业画像信息挖掘向量、所述目标聚合待处理向量和所述历史企业画像信息，构建出所述目标企业画像信息对应的更新企业画像信息，以完成对该目标企业画像信息的更新处理。
36.可以理解的是，在一些实施方式中，所述基于所述目标企业画像信息挖掘向量，确定出所述目标企业画像信息对应的目标融合信息映射向量的步骤，可以包括以下内容：将所述目标企业画像信息挖掘向量包括的所述目标企业画像信息对应的目标静态维度信息挖掘向量和目标动态维度信息挖掘向量加载到预先进行训练形成的向量融合神经网络中（示例性地，所述目标静态维度信息挖掘向量可以是指所述目标企业画像信息中的静态维度的企业信息对应的挖掘向量，所述目标动态维度信息挖掘向量可以是指所述目标企业画像信息中的动态维度的企业信息对应的挖掘向量；另外，静态维度和动态维度可以是预先配置和定义的，如将数据变化程度大于预先配置的第一变化程度阈值的信息对应的信息维度标记为动态维度，将数据变化程度小于预先配置的第二变化程度阈值的信息对应的信息维度标记为静态维度，所述第二变化程度阈值可以小于所述第一变化程度阈值）；利用所述向量融合神经网络包括的初级编码子网络，对所述目标静态维度信息挖掘向量和所述目标动态维度信息挖掘向量进行向量映射操作（示例性地，所述初级编码子
网络可以是卷积网络，对应地，所述向量映射操作可以是通过所述初级编码子网络包括的卷积核进行的卷积操作），以输出所述目标企业画像信息对应的初级信息映射向量；利用所述向量融合神经网络包括的中级编码子网络，对所述目标静态维度信息挖掘向量和所述目标动态维度信息挖掘向量进行向量映射操作（同上），以输出所述目标企业画像信息对应的中级信息映射向量；对所述初级信息映射向量和所述中级信息映射向量进行向量融合操作（示例性地，可以将所述初级信息映射向量和所述中级信息映射向量进行相乘，以实现两个映射向量的融合，即得到对应的目标融合信息映射向量），以输出所述目标企业画像信息对应的目标融合信息映射向量。
37.可以理解的是，在一些实施方式中，所述基于所述目标企业画像信息挖掘向量和所述历史企业画像信息挖掘向量，确定出所述历史企业画像信息对应的历史融合信息映射向量的步骤，可以包括以下内容：分别对所述历史企业画像信息挖掘向量包括的所述历史企业画像信息对应的历史静态维度信息挖掘向量与历史动态维度信息挖掘向量进行线性更新操作，以输出所述历史静态维度信息挖掘向量对应的更新历史静态维度信息挖掘向量、所述历史动态维度信息挖掘向量对应的更新历史动态维度信息挖掘向量（所述历史静态维度信息挖掘向量和所述历史动态维度信息挖掘向量可以参照上文的相关描述；另外，可以将所述历史静态维度信息挖掘向量和一个参考矩阵相乘，以输出所述更新历史静态维度信息挖掘向量，以实现向量空间的转换，将所述历史动态维度信息挖掘向量和该参考矩阵相乘，以输出所述更新历史动态维度信息挖掘向量）；将所述目标企业画像信息挖掘向量包括的所述目标企业画像信息对应的目标静态维度信息挖掘向量和目标动态维度信息挖掘向量、所述更新历史静态维度信息挖掘向量和所述更新历史动态维度信息挖掘向量加载到先进行训练形成的向量融合神经网络中；利用所述向量融合神经网络包括的初级编码子网络，对所述目标静态维度信息挖掘向量和所述目标动态维度信息挖掘向量进行向量映射操作（同上），以输出所述目标企业画像信息对应的目标信息映射向量；利用所述向量融合神经网络包括的中级编码子网络，对所述更新历史静态维度信息挖掘向量和所述更新历史动态维度信息挖掘向量进行向量映射操作（同上），以输出所述历史企业画像信息对应的历史信息映射向量；对所述目标信息映射向量和所述历史信息映射向量进行向量融合操作（示例性地，可以将所述目标信息映射向量和所述历史信息映射向量进行相乘，以实现两个映射向量的融合，即得到对应的历史融合信息映射向量），以输出所述历史企业画像信息对应的历史融合信息映射向量。
38.可以理解的是，在一些实施方式中，所述依据所述目标融合信息映射向量和所述历史融合信息映射向量，聚合所述目标企业画像信息和所述历史企业画像信息，以输出所述目标企业画像信息对应的目标聚合待处理向量的步骤，可以包括以下内容：提取出预先配置的目标处理规则，所述目标处理规则对应的处理方式包括线性相关关系分析和阶跃函数分析（示例性地，所述目标处理规则可以是一种函数，如softmax函数）；
利用所述目标处理规则对所述目标融合信息映射向量进行处理，以输出所述目标企业画像信息对应的目标向量聚合影响力参数（也就是说，可以将利用所述目标处理规则对所述目标融合信息映射向量进行处理得到的结果作为所述目标企业画像信息对应的目标向量聚合影响力参数）；利用所述目标处理规则，对所述历史融合信息映射向量进行处理，以输出所述历史企业画像信息对应的历史向量聚合影响力参数（也就是说，可以将利用所述目标处理规则对所述历史融合信息映射向量进行处理得到的结果作为所述历史企业画像信息对应的历史向量聚合影响力参数）；基于所述目标向量聚合影响力参数和所述历史向量聚合影响力参数，聚合所述目标企业画像信息和所述历史企业画像信息，以输出所述目标企业画像信息对应的目标聚合待处理向量。
39.可以理解的是，在一些实施方式中，所述基于所述目标向量聚合影响力参数和所述历史向量聚合影响力参数，聚合所述目标企业画像信息和所述历史企业画像信息，以输出所述目标企业画像信息对应的目标聚合待处理向量的步骤，可以包括以下内容：挖掘出所述目标企业画像信息对应的目标第一企业信息挖掘向量、目标第二企业信息挖掘向量和目标第三企业信息挖掘向量，所述目标第一企业信息挖掘向量、所述目标第二企业信息挖掘向量和所述目标第三企业信息挖掘向量对应的三个信息维度的企业信息属于预先配置的三个最重要的信息维度对应的企业信息；挖掘出所述历史企业画像信息对应的历史第一企业信息挖掘向量、历史第二企业信息挖掘向量和历史第三企业信息挖掘向量，所述历史第一企业信息挖掘向量、所述历史第二企业信息挖掘向量和所述历史第三企业信息挖掘向量对应的三个信息维度的企业信息属于预先配置的三个最重要的信息维度对应的企业信息；基于所述目标向量聚合影响力参数和所述历史向量聚合影响力参数，对所述目标第一企业信息挖掘向量和所述历史第一企业信息挖掘向量聚合操作（示例性地，所述目标向量聚合影响力参数和所述历史向量聚合影响力参数可以分别作为加权值，以对所述目标第一企业信息挖掘向量和所述历史第一企业信息挖掘向量进行加权求和），以输出所述目标企业画像信息对应的目标第一聚合企业信息挖掘向量；基于所述目标向量聚合影响力参数和所述历史向量聚合影响力参数，对所述目标第二企业信息挖掘向量和所述历史第二企业信息挖掘向量进行向量聚合操作（示例性地，所述目标向量聚合影响力参数和所述历史向量聚合影响力参数可以分别作为加权值，以对所述目标第二企业信息挖掘向量和所述历史第二企业信息挖掘向量进行加权求和），以输出所述目标企业画像信息对应的目标第二聚合企业信息挖掘向量；基于所述目标向量聚合影响力参数和所述历史向量聚合影响力参数，对所述目标第三企业信息挖掘向量和所述历史第三企业信息挖掘向量进行向量聚合操作（示例性地，所述目标向量聚合影响力参数和所述历史向量聚合影响力参数可以分别作为加权值，以对所述目标第三企业信息挖掘向量和所述历史第三企业信息挖掘向量进行加权求和），以输出所述目标企业画像信息对应的目标第三聚合企业信息挖掘向量；依据所述目标第二聚合企业信息挖掘向量、所述目标第一聚合企业信息挖掘向量和所述目标第三聚合企业信息挖掘向量，分析输出所述目标企业画像信息对应的目标聚合
待处理向量（示例性地，可以将所述目标第二聚合企业信息挖掘向量、所述目标第一聚合企业信息挖掘向量和所述目标第三聚合企业信息挖掘向量进行加权求和或者拼接等）。
40.可以理解的是，在一些实施方式中，所述基于所述目标企业画像信息挖掘向量、所述目标聚合待处理向量和所述历史企业画像信息，构建出所述目标企业画像信息对应的更新企业画像信息，以完成对该目标企业画像信息的更新处理的步骤，可以包括以下内容：对所述目标企业画像信息挖掘向量、所述目标聚合待处理向量以和所述历史企业画像信息进行信息融合处理，以输出所述目标企业画像信息对应的多层次融合企业信息挖掘向量；将所述多层次融合企业信息挖掘向量加载到预先进行训练形成的企业画像信息更新神经网络中，以利用所述企业画像信息更新神经网络，对所述多层次融合企业信息挖掘向量进行处理，以形成所述目标企业画像信息对应的更新企业画像信息。
41.可以理解的是，在一些实施方式中，所述目标企业画像信息挖掘向量包括所述目标企业画像信息对应的目标静态维度信息挖掘向量和目标动态维度信息挖掘向量，所述历史企业画像信息挖掘向量包括所述历史企业画像信息对应的历史静态维度信息挖掘向量与历史动态维度信息挖掘向量，基于此，所述对所述目标企业画像信息挖掘向量、所述目标聚合待处理向量以和所述历史企业画像信息进行信息融合处理，以输出所述目标企业画像信息对应的多层次融合企业信息挖掘向量的步骤，可以包括以下内容：对所述目标企业画像信息中所述目标静态维度信息挖掘向量和所述目标动态维度信息挖掘向量对应的企业信息以外的其它企业信息进行信息挖掘处理，以输出对应的目标其它维度信息挖掘向量（示例性地，该其它维度可以是指对应于上述的所述第一变化程度阈值和所述第二变化程度阈值之间的数据变化程度对应的信息的维度）；将所述目标聚合待处理向量、所述目标静态维度信息挖掘向量、所述目标动态维度信息挖掘向量和所述目标其它维度信息挖掘向量进行向量聚合操作（示例性地，可以对所述目标聚合待处理向量、所述目标静态维度信息挖掘向量、所述目标动态维度信息挖掘向量和所述目标其它维度信息挖掘向量进行拼接），以输出所述目标企业画像信息对应的聚合挖掘向量；分别对所述历史静态维度信息挖掘向量和所述历史动态维度信息挖掘向量进行线性更新操作（如前相关描述），以输出所述历史静态维度信息挖掘向量对应的更新历史静态维度信息挖掘向量、所述历史动态维度信息挖掘向量对应的更新历史动态维度信息挖掘向量；拼接（示例性地，拼接的顺序不受限制）所述聚合挖掘向量、所述更新历史静态维度信息挖掘向量和所述更新历史动态维度信息挖掘向量，以输出所述目标企业画像信息对应的多层次融合企业信息挖掘向量。
42.可以理解的是，在一些实施方式中，所述将所述多层次融合企业信息挖掘向量加载到预先进行训练形成的企业画像信息更新神经网络中，以利用所述企业画像信息更新神经网络，对所述多层次融合企业信息挖掘向量进行处理，以形成所述目标企业画像信息对应的更新企业画像信息的步骤，可以包括以下内容：将所述多层次融合企业信息挖掘向量加载到预先进行训练形成的企业画像信息更新神经网络中；
利用所述企业画像信息更新神经网络，分析输出所述多层次融合企业信息挖掘向量对应的第一更新企业画像信息、第二更新企业画像信息、第一画像更新值和第二画像更新值（所述第一画像更新值和所述第二画像更新值，可以是作为一种更新参数；另外，所述第一画像更新值和所述第二画像更新值的分析输出能力，可以是基于对所述企业画像信息更新神经网络进行网络优化形成的，即通过对示例性多层次融合企业信息挖掘向量进行学习形成，所述示例性多层次融合企业信息挖掘向量可以有多个，例如，可以先配置默认第一画像更新值和默认第二画像更新值，然后，通过进行网络优化，学习到所述多层次融合企业信息挖掘向量和所述第一画像更新值、所述第二画像更新值的对应关系，使得在得到所述多层次融合企业信息挖掘向量之后，可以基于该对应关系确定出对应的画像更新值），所述第一更新企业画像信息的信息维度大于所述第二更新企业画像信息的信息维度（示例性地，可以基于解码网络对所述多层次融合企业信息挖掘向量进行解码处理，以输出所述第一更新企业画像信息和所述第二更新企业画像信息，所述解码网络可以是长短期记忆网络或循环神经网络）；利用所述企业画像信息更新神经网络，并基于所述第一画像更新值对所述第一更新企业画像信息和所述第二更新企业画像信息进行信息聚合操作，以输出所述目标企业画像信息对应的候选更新企业画像信息（示例性地，可以先对所述第一更新企业画像信息的采样信息和所述第二更新企业画像信息的采样信息进行求差处理，再依据所述第一画像更新值对求差处理的结果进行加权处理，再从所述第一更新企业画像信息中去除加权处理的结果，即得到所述候选更新企业画像信息）；提取出所述历史企业画像信息对应的历史更新企业画像信息，再基于所述第二画像更新值将所述候选更新企业画像信息和所述历史更新企业画像信息进行信息聚合操作，以输出所述目标企业画像信息对应的更新企业画像信息（示例性地，可以将所述第二画像更新值作为所述候选更新企业画像信息的加权值，将1与所述第二画像更新值的差值作为和所述历史更新企业画像信息的加权值，然后，加权求和得到更新企业画像信息）。
43.可以理解的是，在一些实施方式中，对于所述企业画像信息更新神经网络，还可以包括形成该企业画像信息更新神经网络的步骤，如下所述：提取到示例性目标企业画像信息与示例性历史企业画像信息，所述示例性历史企业画像信息和所述示例性目标企业画像信息之间的信息维度一致，且所述示例性历史企业画像信息对应的信息时间段早于所述示例性目标企业画像信息对应的信息时间段，且两个信息时间段在时间上相邻；挖掘出所述示例性目标企业画像信息对应的示例性目标企业画像信息挖掘向量和所述示例性历史企业画像信息对应的示例性历史企业画像信息挖掘向量（参照上文的相关描述）；基于所述示例性目标企业画像信息挖掘向量，确定出所述示例性目标企业画像信息对应的示例性目标融合信息映射向量，以及，基于所述示例性目标企业画像信息挖掘向量和所述示例性历史企业画像信息挖掘向量，确定出所述示例性历史企业画像信息对应的示例性历史融合信息映射向量（参照上文的相关描述）；依据所述示例性目标融合信息映射向量和所述示例性历史融合信息映射向量，聚合所述示例性目标企业画像信息和所述示例性历史企业画像信息，以输出所述示例性目标
企业画像信息对应的示例性目标聚合待处理向量（参照上文的相关描述）；对所述示例性目标企业画像信息挖掘向量、所述示例性目标聚合待处理向量和所述示例性历史企业画像信息进行信息融合处理，以输出所述示例性目标企业画像信息对应的示例性多层次融合企业信息挖掘向量（参照上文的相关描述）；将所述示例性多层次融合企业信息挖掘向量加载到待训练企业画像信息更新神经网络中，以利用所述待训练企业画像信息更新神经网络，基于所述示例性多层次融合企业信息挖掘向量进行处理，以形成所述示例性目标企业画像信息对应的示例性更新企业画像信息（参照上文的相关描述）；提取出所述示例性目标企业画像信息对应的扩展示例性更新企业画像信息（示例性地，所述扩展示例性更新企业画像信息可以通过对所述示例性目标企业画像信息进行人工更新形成），所述扩展示例性更新企业画像信息对应的信息维度大于所述示例性目标企业画像信息对应的信息维度；基于所述扩展示例性更新企业画像信息和所述示例性更新企业画像信息，对所述待训练企业画像信息更新神经网络进行网络优化操作，以形成对应的企业画像信息更新神经网络。
44.可以理解的是，在一些实施方式中，所述基于所述扩展示例性更新企业画像信息和所述示例性更新企业画像信息，对所述待训练企业画像信息更新神经网络进行网络优化操作，以形成对应的企业画像信息更新神经网络的步骤，可以包括以下内容：基于相同的企业，提取到所述示例性目标企业画像信息和所述示例性历史企业画像信息以外的其它示例性历史企业画像信息和所述其它示例性历史企业画像信息对应的其它扩展示例性更新企业画像信息（也就是说，所述示例性目标企业画像信息、所述示例性历史企业画像信息和所述其它示例性历史企业画像信息对应的企业相同，只是基于不同时间的企业信息形成，同样地，所述其它扩展示例性更新企业画像信息也可以是通过对所述其它示例性历史企业画像信息进行人工更新形成）；基于所述其它示例性历史企业画像信息、所述其它扩展示例性更新企业画像信息、所述扩展示例性更新企业画像信息和所述示例性更新企业画像信息，计算输出所述待训练企业画像信息更新神经网络对应的网络学习代价值（也就是说，所述网络学习代价值包括所述其它示例性历史企业画像信息对应的其它示例性历史更新企业画像信息和所述其它扩展示例性更新企业画像信息之间的差异，还包括所述扩展示例性更新企业画像信息和所述示例性更新企业画像信息之间的差异）；基于所述网络学习代价值对所述待训练企业画像信息更新神经网络进行网络优化操作（可以采用现有技术中的任意一种网络优化操作，在此不做具体线段），以形成对应的企业画像信息更新神经网络。
45.可以理解的是，在一些实施方式中，步骤s130可以包括以下内容：对于每一个所述目标企业画像信息对应的更新企业画像信息，对该更新企业画像信息进行特征挖掘处理（示例性地，可以通过编码网络实现），以输出该更新企业画像信息对应的更新企业画像信息待处理向量；对所述两个目标企业对应的更新企业画像信息对应的更新企业画像信息待处理向量进行向量相似度的计算输出，以输出对应的向量相似度；
依据所述向量相似度，对相应的所述两个目标企业进行企业对比分析处理，以输出所述两个目标企业之间的企业画像相关关系信息（示例性地，可以直接将所述向量相似度作为对应的企业画像相关关系信息，也可以将将所述向量相似度的相关系数作为对应的企业画像相关关系信息）。
46.结合图3，本发明实施例还提供一种基于人工智能的企业画像分析装置，可应用于上述基于人工智能的企业画像分析ai系统。其中，所述基于人工智能的企业画像分析装置可以包括以下软件模块：企业画像信息获取模块，用于获取到待对比分析的两个目标企业分别对应的目标企业画像信息，所述目标企业画像信息基于对应的目标企业的企业信息生成；企业画像信息更新模块，用于对于每一个所述目标企业画像信息，依据该目标企业画像信息对应的历史企业代表信息，对该目标企业画像信息进行更新处理，以输出该目标企业画像信息对应的更新企业画像信息；企业画像信息对比模块，用于依据每一个所述目标企业画像信息对应的更新企业画像信息，对相应的所述两个目标企业进行企业对比分析处理，以输出所述两个目标企业之间的企业画像相关关系信息，所述企业画像相关关系信息用于反映所述两个目标企业之间具有的相关程度。
47.综上所述，本发明提供的一种基于人工智能的企业画像分析方法及ai系统，获取到待对比分析的两个目标企业分别对应的目标企业画像信息。对于每一个目标企业画像信息，依据该目标企业画像信息对应的历史企业代表信息，对该目标企业画像信息进行更新处理，以输出该目标企业画像信息对应的更新企业画像信息。依据每一个目标企业画像信息对应的更新企业画像信息，对相应的两个目标企业进行企业对比分析处理，以输出两个目标企业之间的企业画像相关关系信息。基于上述内容，通过先对两个目标企业对应的目标企业画像信息进行更新处理以输出对应的更新企业画像信息，再对更新企业画像信息进行对比分析，由于更新处理的过程中结合了对应的历史企业代表信息，使得得到的更新企业画像信息的信息更为充分可靠，从而在一定程度上提高企业画像分析的可靠度。
48.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。