CN111738549A - 食品安全风险评估方法、装置、设备及存储介质 - Google Patents
食品安全风险评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111738549A CN111738549A CN202010433430.8A CN202010433430A CN111738549A CN 111738549 A CN111738549 A CN 111738549A CN 202010433430 A CN202010433430 A CN 202010433430A CN 111738549 A CN111738549 A CN 111738549A
- Authority
- CN
- China
- Prior art keywords
- food safety
- risk
- characteristic data
- safety risk
- catering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 231
- 238000012502 risk assessment Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003066 decision tree Methods 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims description 50
- 206010016952 Food poisoning Diseases 0.000 claims description 25
- 208000019331 Foodborne disease Diseases 0.000 claims description 25
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000000546 chi-square test Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 14
- 238000013210 evaluation model Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000007689 inspection Methods 0.000 description 19
- 241000699670 Mus sp. Species 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000013361 beverage Nutrition 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 235000014102 seafood Nutrition 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域，可应用于智慧政务领域，公开了一种食品安全风险评估方法、装置、设备及存储介质，用于提高食品安全风险评估的效率和准确性。该方法包括：获取多个餐饮企业的风险特征数据；根据风险特征数据确定正样本和负样本；根据正样本和负样本生成训练集，将训练集输入至预设的决策树模型中进行训练，得到目标决策树；分别获取目标决策树的根节点到每个叶子节点的路径，根据每一条路径分别生成一个对应的食品安全风险特征组合，并计算对应的风险评估值，将风险评估值标记在目标决策树的对应叶子节点上，得到食品安全风险评估模型，对待评估餐饮企业进行食品安全风险评估。其中，餐饮企业的风险特征数据可存储于区块链中。
Description
技术领域
本发明涉及机器学习技术领域，尤其涉及食品安全风险评估方法、装置、设备及存储介质。
背景技术
食品安全问题一直是社会高度重视的问题。近年来，餐饮企业的数量多、地域分散、更新迭代快与食品安全监管人员少的矛盾日益突出，在各区域风险程度不明确的前提下，依旧只能凭借经验或其他随机条件选择部分监管对象或区域进行监管，比如对每个餐饮企业每年至少检查一次，这种方式无法及时发现风险，很容易造成风险失控和有限监管力量的无效使用。
随着食品安全监管理念从事后查处向事前预防转变，食品安全风险评估工作的重要性越发突显出来。现有的食品安全风险评估方法，一般是由监管人员现场评估，这种评估方式效率低下，且各项评估指标对食品安全风险的影响程度依赖于人为判断，无法保证风险评估的客观性和准确性。
发明内容
本发明的主要目的在于提出一种食品安全风险评估方法、装置、设备及存储介质，旨在提高食品安全风险评估的效率和准确性。
本发明第一方面提供了一种食品安全风险评估方法，所述食品安全风险评估方法包括：
根据预设的食品安全风险特征项，获取多个餐饮企业的风险特征数据；
判断所述多个餐饮企业在预设时长内是否发生过食品安全事故，将所述多个餐饮企业中发生过食品安全事故的餐饮企业的风险特征数据作为正样本，将所述多个餐饮企业中未发生过食品安全事故的餐饮企业的风险特征数据作为负样本；
根据所述正样本和所述负样本生成训练集，将所述训练集输入至预设的决策树模型中进行训练，得到目标决策树；
分别获取所述目标决策树的根节点到每个叶子节点的路径，根据获取到的每一条路径分别生成一个对应的食品安全风险特征组合；
计算与每个食品安全风险特征组合对应的风险评估值，将所述风险评估值标记在所述目标决策树的对应叶子节点上，得到食品安全风险评估模型；
获取待评估餐饮企业的风险特征数据，将所述待评估餐饮企业的风险特征数据输入至所述食品安全风险评估模型中，通过所述食品安全风险评估模型对所述待评估餐饮企业进行食品安全风险评估。
可选的，在本发明第一方面的第一种实现方式中，所述根据预设的食品安全风险特征项，获取多个餐饮企业的风险特征数据的步骤包括：
从预设数据库中抽取多个餐饮企业的历史经营数据，对所述历史经营数据进行数据清洗，得到企业基础画像数据集；
对于企业基础画像数据集中的每个餐饮企业，从进行数据清洗后的历史经营数据中提取出与预设的食品安全风险特征项对应的风险特征数据。
可选的，在本发明第一方面的第二种实现方式中，所述判断所述多个餐饮企业在预设时长内是否发生过食品安全事故的步骤包括：
从预设媒体数据库获取预设时长内所述多个餐饮企业的食品安全报导信息；
根据所述食品安全报导信息判断所述多个餐饮企业是否发生过食品中毒事件、是否存在司法处罚或行政处罚记录，以及是否被列入经营异常名录；
当某个餐饮企业发生过食品中毒事件，或存在司法处罚或行政处罚记录，或被列入经营异常名录时，判定所述餐饮企业在预设时长内发生过食品安全事故。
可选的，在本发明第一方面的第三种实现方式中，所述根据所述正样本和所述负样本生成训练集，将所述训练集输入至预设的决策树模型中进行训练，得到目标决策树的步骤包括：
根据卡方检验算法，从所述正样本和所述负样本中筛选出具有风险预测价值的目标离散型风险特征数据；
根据证据权重算法和信息价值算法，从所述正样本和所述负样本中筛选出具有风险预测价值的目标连续型风险特征数据；
将所述目标离散型风险特征数据和所述目标连续型风险特征数据作为训练集输入至预设的决策树模型中进行训练，得到目标决策树。
可选的，在本发明第一方面的第四种实现方式中，所述根据卡方检验算法，从所述正样本和所述负样本中筛选出具有风险预测价值的目标离散型风险特征数据的步骤包括：
对于所述正样本和所述负样本中的离散型风险特征数据，统计与所述离散型风险特征数据对应的正样本数和负样本数；
将与所述离散型风险特征数据对应的正样本数、负样本数，以及预设的样本数理论推断值代入卡方检验算法中进行计算，得到所述离散型风险特征数据的卡方值；
当所述卡方值小于或等于第一预设阈值时，将所述离散型风险特征数据作为具有风险预测价值的目标离散型风险特征数据。
可选的，在本发明第一方面的第五种实现方式中，所述根据证据权重算法和信息价值算法，从所述正样本和所述负样本中筛选出具有风险预测价值的目标连续型风险特征数据的步骤包括：
对于所述正样本和所述负样本中的连续型风险特征数据，将所述连续型风险特征数据进行分段；
根据证据权重算法，计算与每个分段对应的证据权重，根据计算得到的所述证据权重和信息价值算法，计算与每个分段对应的信息价值；
将与每个分段对应的信息价值进行求和，得到与所述连续型风险特征数据对应的信息价值；
当与所述连续型风险特征数据对应的信息价值大于或等于第二预设阈值时，将所述连续型风险特征数据作为具有风险预测价值的目标连续型风险特征数据。
可选的，在本发明第一方面的第六种实现方式中，所述计算与每个食品安全风险特征组合对应的风险评估值的步骤包括：
统计与每个食品安全风险特征组合对应的正样本数和负样本数，将与每个食品安全风险特征组合对应的正样本数和负样本数相加，得到样本总数；
计算与每个食品安全风险特征组合对应的正样本数占所述样本总数的比例，将所述比例作为与每个食品安全风险特征组合对应的风险评估值。
本发明第二方面提供了一种食品安全风险评估装置，所述食品安全风险评估装置包括：
第一获取模块，用于根据预设的食品安全风险特征项，获取多个餐饮企业的风险特征数据；
判断模块，用于判断所述多个餐饮企业在预设时长内是否发生过食品安全事故，将所述多个餐饮企业中发生过食品安全事故的餐饮企业的风险特征数据作为正样本，将所述多个餐饮企业中未发生过食品安全事故的餐饮企业的风险特征数据作为负样本；
训练模块，用于根据所述正样本和所述负样本生成训练集，将所述训练集输入至预设的决策树模型中进行训练，得到目标决策树；
第二获取模块，用于分别获取所述目标决策树的根节点到每个叶子节点的路径，根据获取到的每一条路径分别生成一个对应的食品安全风险特征组合；
计算模块，用于计算与每个食品安全风险特征组合对应的风险评估值，将所述风险评估值标记在所述目标决策树的对应叶子节点上，得到食品安全风险评估模型；
风险评估模块，用于获取待评估餐饮企业的风险特征数据，将所述待评估餐饮企业的风险特征数据输入至所述食品安全风险评估模型中，通过所述食品安全风险评估模型对所述待评估餐饮企业进行食品安全风险评估。
可选的，在本发明第二方面的第一种实现方式中，所述第一获取模块还用于：
从预设数据库中抽取多个餐饮企业的历史经营数据，对所述历史经营数据进行数据清洗，得到企业基础画像数据集；
对于企业基础画像数据集中的每个餐饮企业，从进行数据清洗后的历史经营数据中提取出与预设的食品安全风险特征项对应的风险特征数据。
可选的，在本发明第二方面的第二种实现方式中，所述判断模块还用于：
从预设媒体数据库获取预设时长内所述多个餐饮企业的食品安全报导信息；
根据所述食品安全报导信息判断所述多个餐饮企业是否发生过食品中毒事件、是否存在司法处罚或行政处罚记录，以及是否被列入经营异常名录；
当某个餐饮企业发生过食品中毒事件，或存在司法处罚或行政处罚记录，或被列入经营异常名录时，判定所述餐饮企业在预设时长内发生过食品安全事故。
可选的，在本发明第二方面的第三种实现方式中，所述训练模块还用于：
根据卡方检验算法，从所述正样本和所述负样本中筛选出具有风险预测价值的目标离散型风险特征数据；
根据证据权重算法和信息价值算法，从所述正样本和所述负样本中筛选出具有风险预测价值的目标连续型风险特征数据；
将所述目标离散型风险特征数据和所述目标连续型风险特征数据作为训练集输入至预设的决策树模型中进行训练，得到目标决策树。
可选的，在本发明第二方面的第四种实现方式中，所述训练模块还用于：
对于所述正样本和所述负样本中的离散型风险特征数据，统计与所述离散型风险特征数据对应的正样本数和负样本数；
将与所述离散型风险特征数据对应的正样本数、负样本数，以及预设的样本数理论推断值代入卡方检验算法中进行计算，得到所述离散型风险特征数据的卡方值；
当所述卡方值小于或等于第一预设阈值时，将所述离散型风险特征数据作为具有风险预测价值的目标离散型风险特征数据。
可选的，在本发明第二方面的第五种实现方式中，所述训练模块还用于：
对于所述正样本和所述负样本中的连续型风险特征数据，将所述连续型风险特征数据进行分段；
根据证据权重算法，计算与每个分段对应的证据权重，根据计算得到的所述证据权重和信息价值算法，计算与每个分段对应的信息价值；
将与每个分段对应的信息价值进行求和，得到与所述连续型风险特征数据对应的信息价值；
当与所述连续型风险特征数据对应的信息价值大于或等于第二预设阈值时，将所述连续型风险特征数据作为具有风险预测价值的目标连续型风险特征数据。
可选的，在本发明第二方面的第六种实现方式中，所述计算模块还用于：
统计与每个食品安全风险特征组合对应的正样本数和负样本数，将与每个食品安全风险特征组合对应的正样本数和负样本数相加，得到样本总数；
计算与每个食品安全风险特征组合对应的正样本数占所述样本总数的比例，将所述比例作为与每个食品安全风险特征组合对应的风险评估值。
本发明第三方面提供了一种食品安全风险评估设备，所述食品安全风险评估设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述食品安全风险评估设备执行上述的食品安全风险评估方法。
本发明的第四方面提供了一种存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的食品安全风险评估方法。
本发明提出的食品安全风险评估方法，首先获取多个餐饮企业的风险特征数据，根据风险特征数据生成训练集输入至决策树模型中进行训练，得到目标决策树，然后，根据目标决策树获取多个食品安全风险特征组合，计算与每个食品安全风险特征组合对应的风险评估值，将风险评估值标记在目标决策树的对应叶子节点上，得到食品安全风险评估模型，最后，通过该食品安全风险评估模型对待评估餐饮企业进行食品安全风险评估。这种基于决策树建立食品安全风险评估模型以对食品安全风险进行评估的方式，相比于现有技术中的人为评估，避免了评估不及时、评估数据项单一、主观性因素多等问题，提高了食品安全风险评估的效率和准确性。
附图说明
图1为本发明食品安全风险评估方法的一个实施例的流程示意图；
图2为本发明食品安全风险评估装置的一个实施例的模块示意图；
图3为本发明实施例提供的食品安全风险评估设备的结构示意图。
具体实施方式
本发明实施例提供了一种食品安全风险评估方法、装置、设备及存储介质，通过基于决策树建立食品安全风险评估模型以对食品安全风险进行评估的方式，相比于现有技术中的人为评估，避免了评估不及时、评估数据项单一、主观性因素多等问题，提高了食品安全风险评估的效率和准确性。
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”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明食品安全风险评估方法实施例的具体流程进行描述。
参照图1，图1为本发明食品安全风险评估方法的一个实施例的流程示意图，该方法包括：
步骤101，根据预设的食品安全风险特征项，获取多个餐饮企业的风险特征数据；
可以理解的是，本发明的执行主体可以为食品安全风险评估装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
现实中餐饮企业的食品安全影响因素有很多，具体可以划分为以下四种类型的影响因素：
资质许可类：如企业名称、企业类型、经营地址、法定代表人信息、统一社会信用代码、营业执照信息、年营业额、员工人数、最大就餐人数、经营面积、是否售卖自泡酒、是否售卖海鲜类、是否售卖冷荤凉菜、是否学校周边餐企等；
行政监管类：如近半年视频巡检异常次数、近半年智能巡检逾期未整改次数、近半年智能巡检整改未通过次数、工作衣帽检查异常次数、可能污染食品行为检查异常次数、垃圾桶未加盖或溢出检查异常次数、近半年后厨发现老鼠次数、检查消洗消毒不合规次数、最近一次量化检查结论、无证经营检查异常次数等；
经营风险类：如当前是否为商事主体黑名单、当前是否为经营异常名录、当前是否拖欠水电费、资产抵押总次数、累计拖欠政府债务次数等；
社会责任类：如累计税务缴纳次数、是否对外投资、是否对外担保、员工是否缴纳社保、员工缴纳社保比例等。
在本实施例中，可由评估人员预先从上述影响因素中灵活选取多个作为食品安全风险特征项，服务器根据预先设置的食品安全风险特征项，获取多个餐饮企业的风险特征数据。比如，当预先设置的食品安全风险特征项包括经营面积和最近一次量化检查结论时，需要对应获取多个餐饮企业的经营面积数据和最近一次量化检查结论数据，这些获取到的数据即为餐饮企业的风险特征数据。
上述步骤101具体可以包括：从预设数据库中抽取多个餐饮企业的历史经营数据，对历史经营数据进行数据清洗，得到企业基础画像数据集；对于企业基础画像数据集中的每个餐饮企业，从进行数据清洗后的历史经营数据中提取出与预设的食品安全风险特征项对应的风险特征数据。
在本实施例中，服务器可以首先从预设数据库中抽取多个餐饮企业的历史经营数据，其中，预设数据库可以包括市场监管局登记许可数据库、行政执法数据库、综合监督数据库、企业年报数据库、商事信用数据库和抽检数据库等，历史经营数据可以包括餐饮企业在历史经营过程中所产生的资质许可类、行政监管类、经营风险类和社会责任类数据等；在抽取到多个餐饮企业的历史经营数据后，服务器对这些历史经营数据进行数据清洗，得到企业基础画像数据集，其中数据清洗包括删除不完整数据、残缺数据和错误数据等，通过数据清洗，可以提高数据质量；之后，对于企业基础画像数据集中的每个餐饮企业，服务器从进行数据清洗后的历史经营数据中提取出与预设的食品安全风险特征项对应的风险特征数据，从而得到每个餐饮企业的风险特征数据。
通过上述方式，实现了从多维度提取餐饮企业的风险特征数据，通过这些风险特征数据建立食品安全风险评估模型，有利于提高食品安全风险评估的准确性。
其中，为了避免数据被篡改，可以将餐饮企业的风险特征数据存储于区块链中。本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
步骤102，判断多个餐饮企业在预设时长内是否发生过食品安全事故，将多个餐饮企业中发生过食品安全事故的餐饮企业的风险特征数据作为正样本，将多个餐饮企业中未发生过食品安全事故的餐饮企业的风险特征数据作为负样本；
该步骤中，服务器判断上述多个餐饮企业在预设时长内是否发生过食品安全事件，其中预设时长可以灵活设置，比如1年、半年等；服务器将多个餐饮企业中发生过食品安全事故的餐饮企业的风险特征数据作为正样本，将多个餐饮企业中未发生过食品安全事故的餐饮企业的风险特征数据作为负样本。
在一实施方式中，上述判断多个餐饮企业在预设时长内是否发生过食品安全事故的步骤具体可以包括：从预设媒体数据库获取预设时长内多个餐饮企业的食品安全报导信息；根据食品安全报导信息判断多个餐饮企业是否发生过食品中毒事件、是否存在司法处罚或行政处罚记录，以及是否被列入经营异常名录；当某个餐饮企业发生过食品中毒事件，或存在司法处罚或行政处罚记录，或被列入经营异常名录时，判定餐饮企业在预设时长内发生过食品安全事故。
具体地，服务器可以首先从预设媒体数据库获取预设时长内多个餐饮企业的食品安全报导信息，其中预设媒体数据库包括但不限于新闻网站、微博、企业网站、餐饮公众号等数据库；然后，服务器可以对获取到的食品安全报导信息进行关键字识别，以判断各餐饮企业是否发生过食品中毒事件、是否存在司法处罚或行政处罚记录，以及是否被列入经营异常名录，比如当某个餐饮企业的食品安全报导信息中存在“食品中毒”关键字时，可以判定该餐饮企业发生过食品中毒事件，当某个餐饮企业的食品安全报导信息中存在“责令整改”关键字时，可以判定该餐饮企业被给予过司法及行政处罚；当某个餐饮企业发生过食品中毒事件，或存在司法处罚或行政处罚记录，或被列入经营异常名录时，服务器即判定该餐饮企业在预设时长内发生过食品安全事故。
通过上述方式，实现了对餐饮企业在预设时长内是否发生过食品安全事故进行准确、可靠地判断。
步骤103，根据正样本和负样本生成训练集，将训练集输入至预设的决策树模型中进行训练，得到目标决策树；
在确定了正样本和负样本后，服务器根据正样本和负样本生成训练集，具体地，在一实施方式中，服务器可以直接将上述确定的正样本和负样本进行合并后，作为训练集输入至预设的决策树模型中进行训练，在另一实施方式中，为提高模型训练的准确性和效率，服务器也可以对正样本和负样本中包含的风险特征数据做进一步筛选，以获得具有预测价值的风险特征数据，该具有预测价值的风险特征数据指的是与风险评估结果强相关的风险特征数据，即能够在较大程度上决定一个餐饮企业是否发生食品安全事故，比如近半年后厨发现老鼠次数、最近一次量化检查结论等。
在获得训练集后，服务器将训练集输入至预设的决策树模型中进行训练，得到目标决策树。决策树是一种机器学习的方法，在生成的目标决策树中，每个节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶子节点代表一种分类结果，在本实施例中，目标决策树的生成算法可以采用现有的C4.5或C5.0算法，此处不做赘述。
步骤104，分别获取目标决策树的根节点到每个叶子节点的路径，根据获取到的每一条路径分别生成一个对应的食品安全风险特征组合；
该步骤中，服务器分别获取目标决策树的根节点到每个叶子节点的路径，根据每条路径上的节点对应的风险特征数据分别生成一个对应的食品安全风险特征组合。
比如，当目标决策树的根节点到某个叶子节点的路径为：近半年后厨发现老鼠次数大于或等于2→最近一次量化检查结论为合格→经营面积大于200平→近一个月整改通过时，则将“近半年后厨发现老鼠次数大于或等于2、最近一次量化检查结论为合格、经营面积大于200平，且近一个月整改通过”作为与该路径对应的食品安全风险特征组合。
步骤105，计算与每个食品安全风险特征组合对应的风险评估值，将风险评估值标记在目标决策树的对应叶子节点上，得到食品安全风险评估模型；
该步骤中，服务器进一步计算与每个食品安全风险特征组合对应的风险评估值，并将风险评估值标记在目标决策树的对应叶子节点上，得到食品安全风险评估模型。
上述计算与每个食品安全风险特征组合对应的风险评估值的步骤具体可以包括：统计与每个食品安全风险特征组合对应的正样本数和负样本数，将与每个食品安全风险特征组合对应的正样本数和负样本数相加，得到样本总数；计算与每个食品安全风险特征组合对应的正样本数占样本总数的比例，将比例作为与每个食品安全风险特征组合对应的风险评估值。
比如，服务器统计符合食品安全风险特征组合“近半年后厨发现老鼠次数大于或等于2、最近一次量化检查结论为合格、经营面积大于200平，且近一个月整改通过”的样本总数为100，其中正样本数为10，负样本数为90，则与该食品安全风险特征组合对应的风险评估值为0.1。
上述方式通过将食品安全风险特征组合中的正样本数占样本总数的比例作为与该食品安全风险特征组合对应的风险评估值，实现了根据样本数客观而准确地评价一个食品安全风险特征组合的风险。
步骤106，获取待评估餐饮企业的风险特征数据，将待评估餐饮企业的风险特征数据输入至食品安全风险评估模型中，通过食品安全风险评估模型对待评估餐饮企业进行食品安全风险评估。
在得到食品安全风险评估模型后，对于后续待进行食品安全风险评估的餐饮企业，服务器可以根据预设的食品安全风险特征项，从预设数据库中提取该待评估餐饮企业的风险特征数据，其中预设数据库包括但不限于市场监管局登记许可数据库、行政执法数据库、综合监督数据库、企业年报数据库、商事信用数据库和抽检数据库等，然后，服务器将该待评估餐饮企业的风险特征数据输入至该食品安全风险评估模型中，以使食品安全风险评估模型输出该待评估餐饮企业所属的食品安全风险特征组合及对应的风险值。
进一步地，服务器还可以将该待评估餐饮企业所属的食品安全风险特征组合及对应的风险值发送至预设的综合监管系统，以使监管人员能够对高风险的餐饮企业及时采取相应措施，如现场检查或远程巡查处理等；此外，还可以将检查结果作为样本反馈到服务器的决策树训练模型中，以进一步优化和提升模型的精度。
本实施例提出的食品安全风险评估方法，首先获取多个餐饮企业的风险特征数据，根据风险特征数据生成训练集输入至决策树模型中进行训练，得到目标决策树，然后，根据目标决策树获取多个食品安全风险特征组合，计算与每个食品安全风险特征组合对应的风险评估值，将风险评估值标记在目标决策树的对应叶子节点上，得到食品安全风险评估模型，最后，通过该食品安全风险评估模型对待评估餐饮企业进行食品安全风险评估。这种基于决策树建立食品安全风险评估模型以对食品安全风险进行评估的方式，相比于现有技术中的人为评估，避免了评估不及时、评估数据项单一、主观性因素多等问题，提高了食品安全风险评估的效率和准确性。
本申请可应用于智慧政务领域，从而推动智慧城市的建设。
进一步地，基于本发明中食品安全风险评估方法的第一实施例，提出本发明中食品安全风险评估方法的第二实施例。
在本实施例中，上述步骤103具体可以包括：根据卡方检验算法，从正样本和负样本中筛选出具有风险预测价值的目标离散型风险特征数据；根据证据权重算法和信息价值算法，从正样本和负样本中筛选出具有风险预测价值的目标连续型风险特征数据；将目标离散型风险特征数据和目标连续型风险特征数据作为训练集输入至预设的决策树模型中进行训练，得到目标决策树。
其中，卡方检验是一种常用的特征选择算法，卡方检验就是统计样本的实际观测值与理论推断值之间的偏离程度，实际观测值与理论推断值之间的偏离程度就决定卡方值的大小，如果卡方值越大，二者偏差程度越大；反之，二者偏差越小；若两个值完全相等时，卡方值就为0，表明理论值完全符合。对于正样本和负样本中的离散型风险特征数据，如：是否对外投资、是否学校周边餐企等，服务器可以通过卡方检验算法，从中筛选出具有风险预测价值的目标离散型风险特征数据。证据权重算法(weight ofevidence，WOE)和信息价值算法(information value，IV)是一种用来衡量变量的预测能力的算法，WOE和IV的值越大，表示此变量的预测能力越强。对于正样本和负样本中的连续型风险特征数据，如：经营面积、员工人数等，服务器可以通过证据权重算法和信息价值算法，从中筛选出具有风险预测价值的目标连续型风险特征数据。
进一步地，根据卡方检验算法，从正样本和负样本中筛选出具有风险预测价值的目标离散型风险特征数据的步骤可以包括：对于正样本和负样本中的离散型风险特征数据，统计与离散型风险特征数据对应的正样本数和负样本数；将与离散型风险特征数据对应的正样本数、负样本数，以及预设的样本数理论推断值代入卡方检验算法中进行计算，得到离散型风险特征数据的卡方值；当卡方值小于或等于第一预设阈值时，将离散型风险特征数据作为具有风险预测价值的目标离散型风险特征数据。
具体地，对于正样本和负样本中的离散型风险特征数据，服务器首先统计与该离散型风险特征数据对应的正样本数和负样本数，然后将与离散型风险特征数据对应的正样本数、负样本数，以及预设的样本数理论推断值代入卡方检验算法中进行计算，得到离散型风险特征数据的卡方值，其中，卡方检验算法的公式为：
其中，X2为卡方值，observed为样本数的观测值，expected为样本数理论推断值。
服务器判断计算的卡方值是否小于或等于第一预设阈值，若是，则将该离散型风险特征数据作为具有风险预测价值的目标离散型风险特征数据。
进一步地，根据证据权重算法和信息价值算法，从正样本和负样本中筛选出具有风险预测价值的目标连续型风险特征数据的步骤可以包括：对于正样本和负样本中的连续型风险特征数据，将连续型风险特征数据进行分段；根据证据权重算法，计算与每个分段对应的证据权重，根据计算得到的证据权重和信息价值算法，计算与每个分段对应的信息价值；将与每个分段对应的信息价值进行求和，得到与连续型风险特征数据对应的信息价值；当与连续型风险特征数据对应的信息价值大于或等于第二预设阈值时，将连续型风险特征数据作为具有风险预测价值的目标连续型风险特征数据。
具体地，对于正样本和负样本中的连续型风险特征数据，服务器首先将该连续型风险特征数据进行分段，其中分段数及每个分段的大小可以灵活设置，然后根据证据权重算法，计算与每个分段对应的证据权重WOE，其中WOE＝ln(P1/P2)，P1为当前分段中正样本占所有正样本的比例，P2为当前分段中负样本占所有负样本的比例；之后，再将WOE值代入信息价值算法中进行计算，得到与每个分段对应的信息价值IV，其中IV＝(P1-P2)*WOE；将与每个分段对应的信息价值进行求和，即得到与该连续型风险特征数据对应的信息价值，服务器判断该信息价值是否大于或等于第二预设阈值，若是，则将该连续型风险特征数据作为具有风险预测价值的目标连续型风险特征数据。
之后，服务器将上述目标离散型风险特征数据和目标连续型风险特征数据作为训练集输入至预设的决策树模型中进行训练，得到目标决策树，由此能够提高模型训练的准确性和效率。
本发明实施例还提供一种食品安全风险评估装置。
参照图2，图2为本发明食品安全风险评估装置的一个实施例的模块示意图。本实施例中，所述食品安全风险评估装置包括：
第一获取模块201，用于根据预设的食品安全风险特征项，获取多个餐饮企业的风险特征数据；
判断模块202，用于判断所述多个餐饮企业在预设时长内是否发生过食品安全事故，将所述多个餐饮企业中发生过食品安全事故的餐饮企业的风险特征数据作为正样本，将所述多个餐饮企业中未发生过食品安全事故的餐饮企业的风险特征数据作为负样本；
训练模块203，用于根据所述正样本和所述负样本生成训练集，将所述训练集输入至预设的决策树模型中进行训练，得到目标决策树；
第二获取模块204，用于分别获取所述目标决策树的根节点到每个叶子节点的路径，根据获取到的每一条路径分别生成一个对应的食品安全风险特征组合；
计算模块205，用于计算与每个食品安全风险特征组合对应的风险评估值，将所述风险评估值标记在所述目标决策树的对应叶子节点上，得到食品安全风险评估模型；
风险评估模块206，用于获取待评估餐饮企业的风险特征数据，将所述待评估餐饮企业的风险特征数据输入至所述食品安全风险评估模型中，通过所述食品安全风险评估模型对所述待评估餐饮企业进行食品安全风险评估。
可选的，所述第一获取模块201还用于：
从预设数据库中抽取多个餐饮企业的历史经营数据，对所述历史经营数据进行数据清洗，得到企业基础画像数据集；
对于企业基础画像数据集中的每个餐饮企业，从进行数据清洗后的历史经营数据中提取出与预设的食品安全风险特征项对应的风险特征数据。
可选的，所述判断模块202还用于：
从预设媒体数据库获取预设时长内所述多个餐饮企业的食品安全报导信息；
根据所述食品安全报导信息判断所述多个餐饮企业是否发生过食品中毒事件、是否存在司法处罚或行政处罚记录，以及是否被列入经营异常名录；
当某个餐饮企业发生过食品中毒事件，或存在司法处罚或行政处罚记录，或被列入经营异常名录时，判定所述餐饮企业在预设时长内发生过食品安全事故。
可选的，所述训练模块203还用于：
根据卡方检验算法，从所述正样本和所述负样本中筛选出具有风险预测价值的目标离散型风险特征数据；
根据证据权重算法和信息价值算法，从所述正样本和所述负样本中筛选出具有风险预测价值的目标连续型风险特征数据；
将所述目标离散型风险特征数据和所述目标连续型风险特征数据作为训练集输入至预设的决策树模型中进行训练，得到目标决策树。
可选的，所述训练模块203还用于：
对于所述正样本和所述负样本中的离散型风险特征数据，统计与所述离散型风险特征数据对应的正样本数和负样本数；
将与所述离散型风险特征数据对应的正样本数、负样本数，以及预设的样本数理论推断值代入卡方检验算法中进行计算，得到所述离散型风险特征数据的卡方值；
当所述卡方值小于或等于第一预设阈值时，将所述离散型风险特征数据作为具有风险预测价值的目标离散型风险特征数据。
可选的，所述训练模块203还用于：
对于所述正样本和所述负样本中的连续型风险特征数据，将所述连续型风险特征数据进行分段；
根据证据权重算法，计算与每个分段对应的证据权重，根据计算得到的所述证据权重和信息价值算法，计算与每个分段对应的信息价值；
将与每个分段对应的信息价值进行求和，得到与所述连续型风险特征数据对应的信息价值；
当与所述连续型风险特征数据对应的信息价值大于或等于第二预设阈值时，将所述连续型风险特征数据作为具有风险预测价值的目标连续型风险特征数据。
可选的，所述计算模块205还用于：
统计与每个食品安全风险特征组合对应的正样本数和负样本数，将与每个食品安全风险特征组合对应的正样本数和负样本数相加，得到样本总数；
计算与每个食品安全风险特征组合对应的正样本数占所述样本总数的比例，将所述比例作为与每个食品安全风险特征组合对应的风险评估值。
上述食品安全风险评估装置中各个模块的功能实现及有益效果与上述食品安全风险评估方法实施例中各步骤相对应，此处不再赘述。
上面从模块化功能实体的角度对本发明实施例中的食品安全风险评估装置进行了详细描述，下面从硬件处理的角度对本发明实施例中食品安全风险评估设备进行详细描述。
参照图3，图3为本发明实施例提供的食品安全风险评估设备的结构示意图。该食品安全风险评估设备300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)310(例如，一个或一个以上处理器)和存储器320，一个或一个以上存储应用程序333或数据332的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器320和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对食品安全风险评估设备300中的一系列指令操作。更进一步地，处理器310可以设置为与存储介质330通信，在食品安全风险评估设备300上执行存储介质330中的一系列指令操作。
食品安全风险评估设备300还可以包括一个或一个以上电源340，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口360，和/或，一个或一个以上操作系统331，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图3示出的食品安全风险评估设备结构并不构成对食品安全风险评估设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种存储介质，该存储介质可以为非易失性存储介质，也可以为易失性存储介质，所述存储介质中存储有食品安全风险评估程序，所述食品安全风险评估程序被处理器执行时实现如上所述的食品安全风险评估方法的步骤。
其中，在所述处理器上运行的食品安全风险评估程序被执行时所实现的方法及有益效果可参照本发明食品安全风险评估方法的各个实施例，此处不再赘述。
本领域技术人员可以理解，上述集成的模块或单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种食品安全风险评估方法，其特征在于，所述食品安全风险评估方法包括如下步骤：
根据预设的食品安全风险特征项，获取多个餐饮企业的风险特征数据；
判断所述多个餐饮企业在预设时长内是否发生过食品安全事故，将所述多个餐饮企业中发生过食品安全事故的餐饮企业的风险特征数据作为正样本，将所述多个餐饮企业中未发生过食品安全事故的餐饮企业的风险特征数据作为负样本；
根据所述正样本和所述负样本生成训练集，将所述训练集输入至预设的决策树模型中进行训练，得到目标决策树；
分别获取所述目标决策树的根节点到每个叶子节点的路径，根据获取到的每一条路径分别生成一个对应的食品安全风险特征组合；
计算与每个食品安全风险特征组合对应的风险评估值，将所述风险评估值标记在所述目标决策树的对应叶子节点上，得到食品安全风险评估模型；
获取待评估餐饮企业的风险特征数据，将所述待评估餐饮企业的风险特征数据输入至所述食品安全风险评估模型中，通过所述食品安全风险评估模型对所述待评估餐饮企业进行食品安全风险评估。
2.如权利要求1所述的食品安全风险评估方法，其特征在于，所述根据预设的食品安全风险特征项，获取多个餐饮企业的风险特征数据的步骤包括：
从预设数据库中抽取多个餐饮企业的历史经营数据，对所述历史经营数据进行数据清洗，得到企业基础画像数据集；
对于企业基础画像数据集中的每个餐饮企业，从进行数据清洗后的历史经营数据中提取出与预设的食品安全风险特征项对应的风险特征数据。
3.如权利要求1所述的食品安全风险评估方法，其特征在于，所述判断所述多个餐饮企业在预设时长内是否发生过食品安全事故的步骤包括：
从预设媒体数据库获取预设时长内所述多个餐饮企业的食品安全报导信息；
根据所述食品安全报导信息判断所述多个餐饮企业是否发生过食品中毒事件、是否存在司法处罚或行政处罚记录，以及是否被列入经营异常名录；
当某个餐饮企业发生过食品中毒事件，或存在司法处罚或行政处罚记录，或被列入经营异常名录时，判定所述餐饮企业在预设时长内发生过食品安全事故。
4.如权利要求1-3中任一项所述的食品安全风险评估方法，其特征在于，所述根据所述正样本和所述负样本生成训练集，将所述训练集输入至预设的决策树模型中进行训练，得到目标决策树的步骤包括：
根据卡方检验算法，从所述正样本和所述负样本中筛选出具有风险预测价值的目标离散型风险特征数据；
根据证据权重算法和信息价值算法，从所述正样本和所述负样本中筛选出具有风险预测价值的目标连续型风险特征数据；
将所述目标离散型风险特征数据和所述目标连续型风险特征数据作为训练集输入至预设的决策树模型中进行训练，得到目标决策树。
5.如权利要求4所述的食品安全风险评估方法，其特征在于，所述根据卡方检验算法，从所述正样本和所述负样本中筛选出具有风险预测价值的目标离散型风险特征数据的步骤包括：
对于所述正样本和所述负样本中的离散型风险特征数据，统计与所述离散型风险特征数据对应的正样本数和负样本数；
将与所述离散型风险特征数据对应的正样本数、负样本数，以及预设的样本数理论推断值代入卡方检验算法中进行计算，得到所述离散型风险特征数据的卡方值；
当所述卡方值小于或等于第一预设阈值时，将所述离散型风险特征数据作为具有风险预测价值的目标离散型风险特征数据。
6.如权利要求4所述的食品安全风险评估方法，其特征在于，所述根据证据权重算法和信息价值算法，从所述正样本和所述负样本中筛选出具有风险预测价值的目标连续型风险特征数据的步骤包括：
对于所述正样本和所述负样本中的连续型风险特征数据，将所述连续型风险特征数据进行分段；
根据证据权重算法，计算与每个分段对应的证据权重，根据计算得到的所述证据权重和信息价值算法，计算与每个分段对应的信息价值；
将与每个分段对应的信息价值进行求和，得到与所述连续型风险特征数据对应的信息价值；
当与所述连续型风险特征数据对应的信息价值大于或等于第二预设阈值时，将所述连续型风险特征数据作为具有风险预测价值的目标连续型风险特征数据。
7.如权利要求1所述的食品安全风险评估方法，其特征在于，所述计算与每个食品安全风险特征组合对应的风险评估值的步骤包括：
统计与每个食品安全风险特征组合对应的正样本数和负样本数，将与每个食品安全风险特征组合对应的正样本数和负样本数相加，得到样本总数；
计算与每个食品安全风险特征组合对应的正样本数占所述样本总数的比例，将所述比例作为与每个食品安全风险特征组合对应的风险评估值。
8.一种食品安全风险评估装置，其特征在于，所述食品安全风险评估装置包括：
第一获取模块，用于根据预设的食品安全风险特征项，获取多个餐饮企业的风险特征数据；
判断模块，用于判断所述多个餐饮企业在预设时长内是否发生过食品安全事故，将所述多个餐饮企业中发生过食品安全事故的餐饮企业的风险特征数据作为正样本，将所述多个餐饮企业中未发生过食品安全事故的餐饮企业的风险特征数据作为负样本；
训练模块，用于根据所述正样本和所述负样本生成训练集，将所述训练集输入至预设的决策树模型中进行训练，得到目标决策树；
第二获取模块，用于分别获取所述目标决策树的根节点到每个叶子节点的路径，根据获取到的每一条路径分别生成一个对应的食品安全风险特征组合；
计算模块，用于计算与每个食品安全风险特征组合对应的风险评估值，将所述风险评估值标记在所述目标决策树的对应叶子节点上，得到食品安全风险评估模型；
风险评估模块，用于获取待评估餐饮企业的风险特征数据，将所述待评估餐饮企业的风险特征数据输入至所述食品安全风险评估模型中，通过所述食品安全风险评估模型对所述待评估餐饮企业进行食品安全风险评估。
9.一种食品安全风险评估设备，其特征在于，所述食品安全风险评估设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述食品安全风险评估设备执行如权利要求1-7中任一项所述的食品安全风险评估方法。
10.一种存储介质，所述存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的食品安全风险评估方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010433430.8A CN111738549A (zh) | 2020-05-21 | 2020-05-21 | 食品安全风险评估方法、装置、设备及存储介质 |
| PCT/CN2020/105061 WO2021232588A1 (zh) | 2020-05-21 | 2020-07-28 | 食品安全风险评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010433430.8A CN111738549A (zh) | 2020-05-21 | 2020-05-21 | 食品安全风险评估方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111738549A true CN111738549A (zh) | 2020-10-02 |
Family
ID=72647526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010433430.8A Pending CN111738549A (zh) | 2020-05-21 | 2020-05-21 | 食品安全风险评估方法、装置、设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111738549A (zh) |
| WO (1) | WO2021232588A1 (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112101819A (zh) * | 2020-10-28 | 2020-12-18 | 平安国际智慧城市科技股份有限公司 | 食品风险预测方法、装置、设备及存储介质 |
| CN113298438A (zh) * | 2021-06-22 | 2021-08-24 | 中国平安财产保险股份有限公司 | 区域风险等级的评估方法、装置、计算机设备及存储介质 |
| CN113762764A (zh) * | 2021-09-02 | 2021-12-07 | 南京大学 | 一种进口食品安全风险自动分级与预警系统及方法 |
| CN113887868A (zh) * | 2021-08-31 | 2022-01-04 | 华南农业大学 | 一种基于改进的神经网络实现食品风险评估的方法 |
| CN113886716A (zh) * | 2021-11-30 | 2022-01-04 | 国家食品安全风险评估中心 | 食品安全突发事件的应急处置推荐方法及系统 |
| CN114140095A (zh) * | 2021-12-13 | 2022-03-04 | 成都市食品检验研究院 | 一种智能生成食品生产经营企业关键控制措施的系统 |
| CN115496372A (zh) * | 2022-09-26 | 2022-12-20 | 广东顺峰智慧能源研究院有限公司 | 充电系统安全风险预测方法、装置、设备及可读存储介质 |
| CN115829321A (zh) * | 2022-11-22 | 2023-03-21 | 成都市食品检验研究院 | 一种食品企业加工过程风险智能化处置系统 |
| CN117314149A (zh) * | 2023-05-17 | 2023-12-29 | 南京汉卫公共卫生研究院有限公司 | 一种食品安全监督管理系统 |
| CN118134260A (zh) * | 2024-04-30 | 2024-06-04 | 元尔科技(无锡)有限公司 | 一种食品安全风险评估方法及系统 |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114492214B (zh) * | 2022-04-18 | 2022-08-02 | 支付宝(杭州)信息技术有限公司 | 利用机器学习的选择算子确定、策略组合优化方法及装置 |
| CN115375194A (zh) * | 2022-10-24 | 2022-11-22 | 浙江省标准化研究院(金砖国家标准化(浙江)研究中心、浙江省物品编码中心) | 风险预警方法、装置、电子设备及存储介质 |
| CN116596300A (zh) * | 2023-04-19 | 2023-08-15 | 浙江物芯数科信息产业有限公司 | 一种食品生产企业的智慧监管方法、系统、设备和介质 |
| CN116739617B (zh) * | 2023-06-08 | 2024-10-25 | 中国标准化研究院 | 一种基于数据分析的食品相关产品风险管理系统及方法 |
| CN116934359B (zh) * | 2023-09-15 | 2023-12-29 | 深圳市金谷园实业发展有限公司 | 一种基于互联网的食品安全全流程监管系统 |
| CN118037141B (zh) * | 2024-04-15 | 2024-07-02 | 中国标准化研究院 | 一种餐饮企业数字化综合评估方法及系统 |
| CN118134432B (zh) * | 2024-04-30 | 2024-08-09 | 元尔科技(无锡)有限公司 | 一种食品安全的协同监管方法、系统、电子设备及介质 |
| CN118379075B (zh) * | 2024-06-24 | 2024-09-20 | 聊城大学 | 基于食品安全的食品全周期溯源方法 |
| CN118485310B (zh) * | 2024-06-25 | 2024-10-22 | 甘肃衍河石油管道涂层有限公司 | 一种用于制备防腐防蜡防垢涂料的控制系统及其方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127363B (zh) * | 2016-06-12 | 2022-04-15 | 腾讯科技（深圳）有限公司 | 一种用户信用评估方法和装置 |
| CN107563645A (zh) * | 2017-09-04 | 2018-01-09 | 杭州云算信达数据技术有限公司 | 一种基于大数据的金融风险分析方法 |
| CN108269012A (zh) * | 2018-01-12 | 2018-07-10 | 中国平安人寿保险股份有限公司 | 风险评分模型的构建方法、装置、存储介质及终端 |
| CN108764273B (zh) * | 2018-04-09 | 2023-12-05 | 中国平安人寿保险股份有限公司 | 一种数据处理的方法、装置、终端设备及存储介质 |
| CN109657894A (zh) * | 2018-09-27 | 2019-04-19 | 深圳壹账通智能科技有限公司 | 企业信用风险预警方法、装置、设备及存储介质 |
| CN111062736A (zh) * | 2018-10-17 | 2020-04-24 | 百度在线网络技术（北京）有限公司 | 模型训练、线索排序方法、装置及设备 |
| CN109858762A (zh) * | 2018-12-29 | 2019-06-07 | 重庆誉存大数据科技有限公司 | 一种企业风险预测方法及装置 |
-
2020
- 2020-05-21 CN CN202010433430.8A patent/CN111738549A/zh active Pending
- 2020-07-28 WO PCT/CN2020/105061 patent/WO2021232588A1/zh active Application Filing
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112101819A (zh) * | 2020-10-28 | 2020-12-18 | 平安国际智慧城市科技股份有限公司 | 食品风险预测方法、装置、设备及存储介质 |
| CN113298438A (zh) * | 2021-06-22 | 2021-08-24 | 中国平安财产保险股份有限公司 | 区域风险等级的评估方法、装置、计算机设备及存储介质 |
| CN113887868A (zh) * | 2021-08-31 | 2022-01-04 | 华南农业大学 | 一种基于改进的神经网络实现食品风险评估的方法 |
| CN113762764A (zh) * | 2021-09-02 | 2021-12-07 | 南京大学 | 一种进口食品安全风险自动分级与预警系统及方法 |
| CN113762764B (zh) * | 2021-09-02 | 2024-04-12 | 南京大学 | 一种进口食品安全风险自动分级与预警系统及方法 |
| CN113886716B (zh) * | 2021-11-30 | 2022-04-05 | 国家食品安全风险评估中心 | 食品安全突发事件的应急处置推荐方法及系统 |
| CN113886716A (zh) * | 2021-11-30 | 2022-01-04 | 国家食品安全风险评估中心 | 食品安全突发事件的应急处置推荐方法及系统 |
| CN114140095A (zh) * | 2021-12-13 | 2022-03-04 | 成都市食品检验研究院 | 一种智能生成食品生产经营企业关键控制措施的系统 |
| CN115496372A (zh) * | 2022-09-26 | 2022-12-20 | 广东顺峰智慧能源研究院有限公司 | 充电系统安全风险预测方法、装置、设备及可读存储介质 |
| CN115496372B (zh) * | 2022-09-26 | 2023-10-24 | 广东顺峰智慧能源研究院有限公司 | 充电系统安全风险预测方法、装置、设备及可读存储介质 |
| CN115829321A (zh) * | 2022-11-22 | 2023-03-21 | 成都市食品检验研究院 | 一种食品企业加工过程风险智能化处置系统 |
| CN115829321B (zh) * | 2022-11-22 | 2023-08-15 | 成都市食品检验研究院 | 一种食品企业加工过程风险智能化处置系统 |
| CN117314149A (zh) * | 2023-05-17 | 2023-12-29 | 南京汉卫公共卫生研究院有限公司 | 一种食品安全监督管理系统 |
| CN118134260A (zh) * | 2024-04-30 | 2024-06-04 | 元尔科技(无锡)有限公司 | 一种食品安全风险评估方法及系统 |
| CN118134260B (zh) * | 2024-04-30 | 2024-07-26 | 元尔科技(无锡)有限公司 | 一种食品安全风险评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021232588A1 (zh) | 2021-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111738549A (zh) | 食品安全风险评估方法、装置、设备及存储介质 | |
| CN110417721B (zh) | 安全风险评估方法、装置、设备及计算机可读存储介质 | |
| CN112668859A (zh) | 基于大数据的客户风险评级方法、装置、设备及存储介质 | |
| Singh et al. | Continuous auditing and continuous monitoring in ERP environments: Case studies of application implementations | |
| CN110689438A (zh) | 企业类金融风险评分方法、装置、计算机设备及存储介质 | |
| KR101593910B1 (ko) | 개인 정보 상시 감시 시스템 및 그 상시 감시 방법 | |
| KR100980117B1 (ko) | 내부정보 유출위협 분석방법 | |
| CN113051291A (zh) | 工单信息的处理方法、装置、设备及存储介质 | |
| Becker et al. | A practical process mining approach for compliance management | |
| CN113989019A (zh) | 识别风险的方法、装置、设备及存储介质 | |
| CN109118411B (zh) | 基于智能辅助平台和移动终端的刑事执行检察系统和方法 | |
| CN111930726B (zh) | 基于离线表单的等级保护测评数据采集、分析方法及系统 | |
| CN114444863A (zh) | 一种企业生产安全评估方法、系统、装置及存储介质 | |
| CN111062597A (zh) | 一种上市公司财务报表粉饰嫌疑检测方法及装置 | |
| CN117061211A (zh) | 一种基于网络安全管理的数据处理方法及系统 | |
| CN113642672A (zh) | 医保数据的特征加工方法、装置、计算机设备及存储介质 | |
| van den Braak et al. | Combining and analyzing judicial databases | |
| CN113205442A (zh) | 基于区块链的电子政务数据反馈管理方法及装置 | |
| CN115345401A (zh) | 一种发现企业金融风险的六维分析方法 | |
| CN111461727A (zh) | 交易行为的监控预警方法、装置、存储介质和智能设备 | |
| CN109544179B (zh) | 基于重要产品追溯数据服务的运行支撑系统 | |
| CN110738570A (zh) | 基于多通道异质数据的信息型操纵自动识别方法 | |
| CN113642669B (zh) | 基于特征分析的防欺诈检测方法、装置、设备及存储介质 | |
| CN110706098A (zh) | 一种基于区块链的精准扶贫系统和方法 | |
| CN115358894A (zh) | 一种知识产权生命周期托管管理方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |