买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京银行股份有限公司申请的专利基于知识库构建技术的管理决策方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121189864B 。

龙图腾网通过国家知识产权局官网在2026-03-20发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511635617.5，技术领域涉及：G06Q10/0637；该发明授权基于知识库构建技术的管理决策方法及系统是由丁志勇;庞博;石文君;万长松;李博华;朱芃玮;杨扬;魏菊设计研发完成，并于2025-11-10向国家知识产权局提交的专利申请。

本基于知识库构建技术的管理决策方法及系统在说明书摘要公布了：本申请公开了一种基于知识库构建技术的管理决策方法及系统。其中，该方法包括：在多源金融数据进行时序关系抽取，得到与查询内容相关的时序关系集合；构建时序关系集合对应的事件‑实体关联矩阵；根据时序关系集合和事件‑实体关联矩阵，构建动态知识图谱；采用双重机器学习模型，确定因果图结构中的因果效应参数；根据因果图结构和因果效应参数，构建结构因果模型；利用结构因果模型生成反事实预测结果，并基于反事实预测结果，生成查询内容对应的决策方案。本申请解决了在相关管理决策方法中，难以确定金融数据之间的因果关系且无法动态推演干预效果，造成的无法生成包括精准因果依据和前瞻性模拟信息的决策信息的技术问题。

本发明授权基于知识库构建技术的管理决策方法及系统在权利要求书中公布了：1.一种基于知识库构建技术的管理决策方法，其特征在于，包括： 接收查询内容，根据所述查询内容，在多源金融数据进行时序关系抽取，得到与所述查询内容相关的时序关系集合，其中，所述时序关系集合为用于动态表示金融实体之间的关联关系的结构化数据集合； 构建所述时序关系集合对应的事件-实体关联矩阵，其中，所述事件-实体关联矩阵用于量化表示金融事件与金融实体之间的关联强度； 根据所述时序关系集合和所述事件-实体关联矩阵，构建动态知识图谱，并采用混合因果发现方法在所述动态知识图谱中识别所述查询内容中的金融变量对应的因果图结构，其中，所述混合因果发现方法包括：基于约束的因果发现算法以及基于分数的因果发现算法，所述因果图结构为所述金融变量之间的因果关系以及传导路径的图形化表示； 采用双重机器学习模型，确定所述因果图结构中的因果效应参数，其中，所述因果效应参数用于量化评估针对所述查询内容的干预措施对目标变量的因果影响程度； 根据所述因果图结构和所述因果效应参数，构建结构因果模型，其中，所述结构因果模型包括用于定义所述金融变量之间的因果机制的结构方程； 利用所述结构因果模型生成反事实预测结果，并基于所述反事实预测结果，生成所述查询内容对应的决策方案； 采用双重机器学习模型，确定所述因果图结构中的因果效应参数，包括：基于所述因果图结构中的因果路径，确定因果推断的输入特征集，其中，所述输入特征集至少包括：处理变量、结果变量以及混杂变量集合，所述处理变量用于表示待实施的干预措施、所述结果变量用于表示待评估的目标指标、所述混杂变量集合用于控制对所述处理变量和所述结果变量产生共同影响的背景因素；利用第一机器学习模型，以所述混杂变量集合为输入，对所述处理变量进行预测，得到所述处理变量的第一预测值并计算所述处理变量的实际值与所述第一预测值之间的第一残差；利用第二机器学习模型，以所述混杂变量集合为输入，对所述结果变量进行预测，得到所述结果变量的第二预测值并计算所述结果变量的实际值与所述第二预测值之间的第二残差，其中，所述第二机器学习模型和所述第一机器学习模型在模型结构或模型参数上相互独立；通过正交化技术计算所述第一残差和所述第二残差之间的关联关系，得到平均处理效应参数，其中，所述平均处理效应参数用于表征所述处理变量对所述结果变量的全局平均因果影响；基于异质性分析模型，以所述混杂变量集合为条件变量，计算不同子群体下的条件平均处理效应参数，其中，所述异质性分析模型为基于决策树或元学习器的模型，所述不同子群体为根据混杂变量特征空间划分的具有相似特征的样本集合；将所述平均处理效应参数和所述条件平均处理效应参数共同确定为所述因果效应参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京银行股份有限公司，其通讯地址为：100033 北京市西城区金融大街丙17号北京银行大厦；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。