1.基于多源信息融合的中小微企业综合质量画像方法，其特征在于，所述方法包括如下步骤：(1)将企业质量画像维度分解，构建质量画像体系；

(2)企业数据收集和预处理；

(3)将收集到的企业数据按照类别分别设定标签；

(4)利用标签生成各企业质量画像。

2.根据权利要求1所述的方法，其特征在于，企业质量画像维度分解为6个，包括5个外显质量维度和1个内在质量维度；其中外显质量维度为：(1)一级指标——企业基本信息；其二级指标包括工商信息和行政许可信息；工商信息包括三级指标经营范围、企业类型、企业状态、注册资金、实收注册资金、成立年限；行政许可信息包括三级指标证照名称、所属行业、证照状态；

(2)一级指标——知识产权信息；其二级指标包括商标信息和专利信息；商标信息包括三级指标商标数量、商标类型、驰名商标数量；专利信息包括三级指标专利数量、有效专利数量、发明专利占比；

(3)一级指标——企业经营风险；由二级指标行政处罚信息、抵质押信息和清算信息综合反映；行政处罚信息包括三级指标近期处罚、历史行政处罚、处罚类型和证照吊销/撤销；

抵质押信息由三级指标被担保债权种类、被担保债权数额；清算信息由三级指标有无清算信息来反映；

(4)一级指标——司法风险；其二级指标为司法协助信息，三级指标包括司法协助类型、司法协助状态和股权数额；

(5)一级指标——网络舆情：其二级指标包括企业新闻舆情和产品质量舆情；企业新闻舆情由三级指标企业舆情事件来反映；产品质量舆情由三级指标质量评论情感来反映；

所述内在质量维度为：一级指标——产品质量信息：其二级指标包括产品资质或认证、产品质量评价、产品缺陷处置；其中产品资质或认证包括三级指标产品许可、产品标识认证和质量认证；产品质量评价包括三级指标产品质量合格率和抽查合格率；产品缺陷处置包括三级指标缺陷产品召回机制和质量争议处置。

3.根据权利要求1所述的方法，其特征在于，企业数据收集的方法为：利用企业工商信息作为关键词，使用网络爬虫程序收集政府已公开的第三方数据，包括工商信息、经营相关的行政许可信息、知识产权信息、企业经营风险信息、司法风险信息；利用企业名称作为关键词，使用网络爬虫程序采集多渠道的企业舆情相关数据；根据企业产品名称的关键词收集第三方网购平台上的商品评论数据；采用批量上传法获取企业内部的产品质量管理数据。

4.根据权利要求1所述的方法，其特征在于，步骤(3)将收集到的企业数据按照类别设定三种标签：(1)标签一：包括的企业数据维度指标为：企业基本信息、知识产权信息、企业经营风险、司法风险、产品质量信息；

(2)标签二：包括的企业数据是网络舆情信息维度下的三级指标之一——网络舆情信息；

(3)标签三：包括的企业数据为：网络舆情信息维度下的三级指标之一——质量评论情感。

5.根据权利要求4所述的方法，其特征在于，标签一的设定方法为：

(1)设Yj为标签变量，Xi-j为三级指标变量，依次选取Yj对应的Xi-j值作为原始矩阵，其中列是Xi-j值，行是各企业，i＝1，2，……，n；j＝1，2，……，m；按以下步骤进行操作：①PCA特征提取：调用sklearn中PCA函数，计算主成分贡献率和累加贡献率，通过累加贡献率筛选出质量指标的主要成分，计算各指标对于各主成分的载荷数；若Yj对应的变量Xi-j个数≤2，则省略本步骤，直接从②开始；

②K-means聚类分析：调用sklearn中KMeans包，通过kmeans聚类算法对指标下数据进行聚类分析，并计算不同类别数K值下的轮廓值；定义某个样本点的轮廓值为：其中disMeanin为该点与本类其他点的平均距离，disMeanout为该点与非本类点的平均距离；则所有样本的Si均值为聚类结果的轮廓值，当其整体大于或等于0且与1的距离接近时聚类效果较好，可确定相应的聚类类别个数；

③设定标签类别：通过对步骤②中的聚类类别进行分析，可定义规则和标签类别。

6.根据权利要求4所述的方法，其特征在于，标签二的设定方法为：

①文本分词：下载所在行业名词词典、公司新闻报道正负面词汇，利用“jieba”分词工具，采用精确模式对产品质量评论文本进行分词；

②文本标注：人工判断食品行业相关新闻文本对企业的正、负面影响并进行正、负标注；

③使用Word2Vec训练词向量：调用gensim模块函数，训练Word2Vec模型，生成词向量矩阵，从矩阵中抽取词的向量值，每篇文本得到一个二维矩阵，行为文本，列为模型维度；

④PCA降维：由③得到矩阵数据，调用sklearn中的PCA函数，通过PCA模型计算出累加贡献率，选择使得累加贡献率大于90％时的前K个主成分作为SVM训练模型的输入，提升数据处理速度；

⑤使用SVM训练模型：调用sklearn中svm包，采用RBF核函数，其计算公式为：其中，x，y为样本，||x-y||表示向量的模，γ为超参，用于调整模型复杂度；通过多次参数调整，确定分类效果最优的惩罚系数C值和参数/值；对训练好的模型进行测试，保障预测模型的准确性；

⑥新闻文本分类：采用Word2Vec对已切分词的文本向量化，利用训练好的预测模型进行分类，得到待分类新闻文本的正负向类别；

⑦设定企业形象标签：为企业计算正向新闻占比，得到企业形象得分Z值；根据Z值整体分布情况，对不同范围下的值划分设定相应企业形象标签。

7.根据权利要求4所述的方法，其特征在于，标签三的设定方法为：

①情感词典构建：下载能够获取情感词分数和程度级别副词的词典，并根据语料库中常用否定词建立否定词词典；

②文本分词：下载所在行业名词词典、公司新闻报道正负面词汇，利用“jieba”分词工具，采用精确模式对产品质量评论文本进行分词；

③计算评论情感分值：通过分词结果遍历出情感词、否定词和程度副词；设给定句子为St，其所包含的评价短语Si的情感分值Ei＝Di×w×wj    (3)

其中，i＝1，2，……，n；Di为情感词分数，wj设定为每个程度副词权重；初始权重w＝1，当短语中有否定词时w＝-1；wj初始值为1，当短语中有程度副词时则wj为程度副词权重。句子情感值：其中，Score(St)大于0的归于正向，小于0的归于负向；统计所有句子情感值，产品质量总体满意度为正向句子情感的总体占比；

④设定产品质量口碑标签：根据质量总体满意度值的整体分布情况，对不同范围下的值划分设定相应质量口碑标签。

8.根据权利要求7所述的方法，其特征在于，获取情感词分数的词典为BosonNLP情感词典，获取程度级别副词的词典为Hownet情感词典。