CN108733782A - 资产走势分析的方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请揭示了一种资产走势分析的方法、装置、计算机设备和存储介质，其中方法包括：获取待分析资产的资产关键词；获取热点事件，提取所述热点事件中的事件关键词；在所述事件关键词中，确定与所述资产关键词匹配的目标事件关键词，获取所述目标事件关键词对应的目标热点事件；获取所述目标热点事件的评论文本，并提取所述评论文本中的情感词汇；将所述目标事件关键词以及所述情感词汇输入到预设的资产走势分析模型，得到所述待分析资产的走势图。本申请自动获取与资产相关的热点事件后，根据热点事件中的关键词描述以及对热点事件的评论，生成资产的走势预测图。当走势图预测到资产低于一定值，给用户发送信息，减小用户的资产受到损失的风险。

Description

资产走势分析的方法、装置、计算机设备和存储介质

技术领域

本申请涉及到计算机技术领域，特别是涉及到一种资产走势分析的方法、装置、计算机设备和存储介质。

背景技术

资产(比如股票、基金、期货等)会因为一些时事热点会导致增值或缩水，因而资产具有实时性，即资产的额度会实时发生变化。然而资产持有者虽然会关注自己的资产，但是人的精力有限，而且热点事件的发生具有突发性，使资产持有者很难去实时关注热点事件后再去分析热点事件对自己的资产的影响。如果因为热点事件而导致资产在短时间内迅速下滑，对资产持有者的财产造成很大的损失。

目前还没有自动根据热点事件来对资产进行分析的方法。

发明内容

本申请的主要目的为提供一种实时自动生成资产走势的资产走势分析的方法、装置、计算机设备和存储介质。

为了实现上述发明目的，本申请提出一种资产走势分析的方法，包括：

获取待分析资产的资产关键词；

获取热点事件，提取所述热点事件中的关键词，得到事件关键词；

在所述事件关键词中，确定与所述资产关键词匹配的目标事件关键词，获取所述目标事件关键词对应的目标热点事件；

获取所述目标热点事件的评论文本，并提取所述评论文本中的情感词汇；

将所述目标事件关键词以及所述情感词汇输入到预设的资产走势分析模型，得到所述待分析资产的走势图，所述资产走势分析模型是基于LSTM的模型。

进一步地，所述获取热点事件的步骤包括：

获取预设媒体账户的关注数量的增长率；

当所述增长率超过增长阈值时，判定所述媒体账户在预设时间段内发布的消息包含有热点事件；

根据所述媒体账户在所述预设时间段内发布的消息，确定所述热点事件。

进一步地，所述获取热点事件的步骤包括：

获取预设媒体账户发布的消息的评论数；

当所述预设媒体账户发布的消息中目标消息的评论数超过评论阈值时，确定所述目标消息为热点事件。

进一步地，所述方法还包括：

获取带有财经标记的财经媒体账户的信息；

将所述财经媒体账户的信息输入至预设公式，得到账户分数，所述账户分数用于量化所述财经媒体账户的影响力；

将所述账户分数超过分数阈值的财经媒体账户设置为所述预设媒体账户。

进一步地，所述获取所述目标热点事件的评论文本的步骤包括：

访问与所述目标热点事件关联的网络社区；

提取所述网络社区当前时刻的聊天信息，将所述聊天信息作为所述评论文本。

进一步地，所述提取所述评论文本中的情感词汇的步骤包括：

调用情感词汇数据库；

将所述评论文本中的词汇与所述情感词汇数据库中的词汇进行匹配；

确定与所述情感词汇数据库中的词汇匹配的所述评论文本中的词汇为情感词汇

进一步地，所述得到所述待分析资产的走势图的步骤之后包括：

当所述待分析资产的走势低于预设值时，发送信息至用户终端。

本申请还提供一种资产走势分析的装置，包括：

获取模块，用于获取待分析资产的资产关键词；

事件关键词模块，用于获取热点事件，提取所述热点事件中的关键词，得到事件关键词；

目标热点事件模块，用于在所述事件关键词中，确定与所述资产关键词匹配的目标事件关键词，获取所述目标事件关键词对应的目标热点事件；

情感词汇模块，用于获取所述目标热点事件的评论文本，并提取所述评论文本中的情感词汇；

得到模块，用于将所述目标事件关键词以及所述情感词汇输入到预设的资产走势分析模型，得到所述待分析资产的走势图，所述资产走势分析模型是基于LSTM的模型。

本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。

本申请的资产走势分析的方法、装置、计算机设备和存储介质，自动获取与资产相关的热点事件后，根据热点事件中的关键词描述以及对热点事件的评论，生成关于资产的走势预测图。当走势图预测到资产低于一定值，给用户发送信息，减小用户的资产受到损失的风险。

附图说明

图1为本申请一实施例的资产走势分析的方法的流程示意图；

图2为本申请一实施例的上述资产走势分析的方法中获取热点事件的具体流程示意图；

图3为本申请另一实施例的上述资产走势分析的方法中获取热点事件的具体流程示意图；

图4为本申请一实施例的上述资产走势分析的方法中获取热点事件的评论文本的具体流程示意图；

图5为本申请一实施例的上述资产走势分析的方法中提取评论文本中的情感词汇的具体流程示意图；

图6为本申请一实施例的资产走势分析的装置的结构示意框图；

图7为本申请一实施例的资产走势分析的装置的事件关键词模块的结构示意框图；

图8为本申请另一实施例的资产走势分析的装置的事件关键词模块的结构示意框图；

图9为本申请一实施例的资产走势分析的装置的情感词汇模块的结构示意框图；

图10为本申请一实施例的资产走势分析的装置的情感词汇模块的结构示意框图；

图11为本申请一实施例的计算机设备的结构示意框图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

参照图1，本申请实施例提供一种资产走势分析的方法，包括步骤：

S1、获取待分析资产的资产关键词；

S2、获取热点事件，提取所述热点事件中的关键词，得到事件关键词；

S3、在所述事件关键词中，确定与所述资产关键词匹配的目标事件关键词，获取所述目标事件关键词对应的目标热点事件；

S4、获取所述目标热点事件的评论文本，并提取所述评论文本中的情感词汇；

S5、将所述目标事件关键词以及所述情感词汇输入到预设的资产走势分析模型，得到所述待分析资产的走势图，所述资产走势分析模型是基于LSTM的模型。

如上述步骤S1所述，资产的资产关键词，是后台工作人员事先整理出来的资产关键词集合成的数据包。资产包括股票、基金、期货(黄金、原油)。资产关键词包括资产所属行业，资产所在的行业对应的词就是其中一个资产关键词，比如平安集团属于金融行业与科技行业，那么金融、科技均是属于平安集团的资产关键词；平安集团有一个研发人工智能的全资子公司，则人工智能、AI也是属于平安集团的资产关键词。资产对应的资产关键词还包括资产所属公司的高层管理人员姓名，比如阿里巴巴的总负责人是马云，那么阿里巴巴集团的资产关键词就包括马云。从另一个角度去理解，资产关键词是指对资产描述的标签。后台工作人员将用户拥有的资产以及对应的资产关键词都整理出来，集合在一个数据库中。系统访问数据库，接收到用户输入的资产名称，然后提取出该资产名称对应的资产关键词。

如上述步骤S2所述，热点事件是指一件事情，有相关的文字消息或报导对其进行描述，文字消息中，会有一些词语对事件进行关键性的描述，该词即为事件关键词。提取出关键词的方法，可以是从题目中进行提取，也可以是根据一些训练模型，判断文字消息中出现的词次数较多的为事件关键词。事件关键词一般是涉及到事情的主体、事情的性质。例如，有一个热点事件是关于贾跃亭的FF91电动汽车在美国进行高寒测试。通过训练的模型计算后输出的事件关键词就可能包括：贾跃亭、乐视、电动汽车、豪华、希望等。

如上述步骤S3所述，系统提取出热点事件中的事件关键词后，将事件关键词与数据包中的资产关键词进行匹配。在一具体实施例中，资产关键词在数据包中按照预设逻辑顺序排列，事件关键词也按照同样的预设逻辑顺序排列，这样在判断事件关键词是否与预设的数据包中的资产关键词对应时，判断的速度会更快。例如，有10个事件关键词，10个事件关键词按照拼音的字母顺序排列；数据包中有1000个资产关键词，这1000个资产关键词也按照拼音的字母顺序排列。在判断10个事件关键词是否分别与资产关键词对应时，将每一个事件关键词根据拼音字母的顺序看在数据包中的资产关键词排行大致位置，然后将该事件关键词与上述排行大致位置的资产关键词进行匹配得出结果，大大的减少相比对的次数，节省判断时间。将匹配成功的事件关键词确定为目标事件关键词，然后上溯查找目标事件关键词对应的热点事件，即目标热点事件。

如上述步骤S4所述，目标热点事件所描述的事情与用户的资产具有一定关联性，很有可能会引起用户的资产的变动。目标热点事件的评论文本，是从媒体平台上其他媒体用户对该媒体用户发布该事件的评论，也包括转发该事件的其他媒体用户对该事件的评论。系统直接读取发布目标热点事件的媒体账户下面的评论，也包括通过爬虫技术访问转发目标热点事件的媒体账户下面的评论。评论文本还包括表情包。表情包是一种利用图片来表示感情的一种方式。表情包中一般配有文字，当评论文本是表情包时，识别表情包中的文字并转换成文本。情感词汇包括文本以及表情。情感词汇是后台工作人员事先整理出来的，一般用于对股票进行评论的词汇，例如，用于评论股票的网络词汇：妖股、仙股；炒股专业术语：满仓、建仓、斩仓、抢帽子、多杀多；财经领域常用词：威廉指标、移动平均线、流通股、国库券；情感词汇还包括用于表达感情的表情符号，比如笑脸、哭脸、开心；进一步地，上述表情符号还包括专用于股票领域的表情符号，比如[买入]、[复盘]、[亏大了]等表情符号。

如上述步骤S5所述，将目标事件关键词以及情感词汇输入到预设的资产走势分析模型中，资产走势分析模型根据训练后的逻辑，预测出该待分析资产的升值或降值趋势，计算出用户资产的走势图。LSTM(Long Short-Term Memory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。在LSTM中，每个神经元是一个“记忆细胞”，细胞里面有一个“输入门”(input gate)，一个“遗忘门”(forget gate)和一个“输出门”(output gate)，三个一起也称为“三重门”。LSTM模型的关键之一就在于这个“遗忘门”，它能够控制训练时候梯度在这里的收敛性，同时也能够保持长期的记忆性。因LSTM模型是适合处理时间序列中间隔和延迟相对较长的重要事件，本申请中的热点事件也是与时间序列相关的方案，因此，LSTM模型基于热点事件中的关键词处理，具有很好的技术效果，能准确的分析出对应的资产走势图。

在训练资产走势分析模型时，工作人员首先将一个资产的资产关键词以及会影响该资产降值的情感词汇输入到LSTM模型进行训练；如此输入多个资产的资产关键词以及影响该资产降值的情感词汇输入到LSTM模型训练。然后再将一个资产的关键词以及会影响该资产升值的感情词汇输入到LSTM模型进行训练；如此输入多个资产的关键词以及会影响该资产升值的感情词汇输入到LSTM模型进行训练。如上述训练后，得到各情感词汇分别对应各个资产关键词的影响权重系数，即得到一个基于LSTM模型的资产分析模型。用户再输入资产关键词以及情感词汇至这个资产分析模型，即可输出情感词汇对资产的升值或降值的影响。结合上述步骤S3，即可计算出目标热点事件对该资产的影响。

参照图2，本实施例中，上述获取热点事件的步骤包括：

S21、获取预设媒体账户的关注数量的增长率；

S22、当所述增长率超过增长阈值时，判定所述媒体账户在预设时间段内发布的消息包含有热点事件；

S23、根据所述媒体账户在所述预设时间段内发布的消息，确定所述热点事件。

本实施例中，如上述S21步骤所述，预设媒体账户是指一些在财经方面有影响力或者有权威性的媒体账户。包括一些财经达人开通的个人微博账户，或者是财经相关的官方的发布信息渠道的媒体账户，例如证监会的官方微博。在一个事件发酵成热点事件时，都会伴随一个现象就是关注这个事件的人呈指数级增长；对应的，体现在预设媒体账户上的是，关注预设媒体账户的人的数量也是有一个明显的增长。因此要获取预设媒体账户的关注数量的增长率。具体的，获取增长率的方法为：获取当前时刻的关注数量x，提取当前时刻之前的预设时间的关注数量y，计算出x相对y的增长率。本实施例中，每隔一分钟计算关注数量的变化，假定一分钟前的关注数量是t1，当前时刻的关注数量是t0，则增长率a＝(t0-t1)/t1。在其他的实施方式中，获取增长率的周期可以是5分钟、10分钟等，也可以是10秒、20秒等。

如上述S22步骤所述，增长阈值是用于判定该账户是否有发布热点事件的临界值。上述S21步骤中获取的增长率，也有可能是负数，即关注媒体账户的数量减少。因此，所述增长阈值包括一个或两个数字。具体的，增长阈值可以是-20％和10％，即增长率低于20％或者高于10％，均是超过增长阈值。当增长率超过了增长阈值，判定该媒体账户在预设时间段内发布的消息包含有热点事件。

如上述S23步骤所述，当判定该媒体账户发布的消息包含有热点事件后，获取当天该媒体账户发布的消息内容，具体的，是获取文字内容。若媒体账户发布的消息中包含图片，通过扫描识别图片中的文字。从而，可以将媒体账户在所述预设时间段内发布的消息确定为热点事件，也可以根据媒体账户在预设时间段内发布的消息，进一步筛选其中的部分消息作为热点事件，例如，将媒体账户在预设时间段内发布的消息中评论数超过预设评论阈值的消息确定为热点事件。

参照图3，在另一实施例中，上述获取热点事件的步骤包括：

S24、获取预设媒体账户发布的消息的评论数；

S25、当所述预设媒体账户发布的消息中目标消息的评论数超过评论阈值时，确定所述目标消息为热点事件。

如上述步骤S24所述，媒体账户发布一条消息后，后面会有社会人士对该消息进行评论。每个人可以进行多条评论留言。系统获取评论的数量。是获取对发布消息的评论数量，而不是获取媒体账户的评论数量。例如，某个媒体账户某天发布了两条消息，第一条消息有500条评论，第二条消息有800条评论，则系统获取了该媒体账户的两个消息对应的评论数，分别是500和800。

如上述步骤S25所述，对评论数进行比较，是否超过评论阈值。评论阈值是一个数字，用于界定发布的消息是否是热点事件。评论阈值是用于判断每个媒体账户发布的消息包含有热点事件的评论依据的临界值。例如，评论阈值是600。在S24步骤中提到的两条消息，第一条消息的论数是500条，没有超过评论阈值；第二条消息的评论数是800条，超过了评论阈值，判定第二条消息为热点事件。

进一步地，上述步骤S21或步骤S24之前，还可以包括：

S201、获取带有财经标记的财经媒体账户的信息；

S202、将所述财经媒体账户的信息输入至预设公式，得到账户分数，所述账户分数用于量化所述财经媒体账户的影响力；

S203、将所述账户分数超过分数阈值的财经媒体账户设置为所述预设媒体账户。

如上述S201步骤所述，带有财经标记的媒体账户是指与财经相关的媒体账户，例如发表过一定篇幅或一定数量的财经类文章，或者是一些财经官方认证的媒体账户。具体的，系统访问微博后台，访问所有微博中带有财经标记的财经媒体账户，获取这些财经媒体账户发布的信息。

如上述S202步骤所述，媒体账户的信息包括好友数、粉丝数、等级、和发布微博数据，以及历史微博相关的信息等均是媒体账户的信息，将每个信息进行量化。好友数、粉丝数、等级均是量化的数据；发布微博数据可以是近一年发布微博的数量，或者是近一年发布微博中评论数达到500的数量；预设公式是对媒体账户进行评价的一个公式，用于体现该媒体账户的影响力。好友数越多、粉丝数越多、等级越高、发布的微博数量越多、微博评论数量越多，对应的影响力越大，最终得到的账户分数越高。例如，设置一具体公式如下：

s＝c*(a+b)+d

上述公式中，s是账户分数，a是好友分数，b是粉丝分数，c是等级数，d是微博评论超过500的分数。好友分数的计算方式如下表1：

好友数量	得分
		0-10	1
11-20	2
		21-50	3
51-100	5
		101-1000	10
1000以上	30

表1：好友数量与好友分数映射表

其他的粉丝分数、等级分数、微博评论超过500的分数均可以是如上表1按照阶梯进行评分。

如上述步骤S203所述，获取到媒体账户的信息后，通过预设公式，计算得到账户分数，该分数是反映一个媒体账户的影响力。然后将该账户分数与分数阈值进行比较。分数阈值是用于界定一个媒体账户的影响力是否大到可以用作参考的预设媒体。然后系统将媒体账户分数超过分数阈值的媒体账户设置为预设媒体。在一具体实施例中，根据上述S202步骤中的预设公式，分数阈值是60。

参照图4，进一步地，上述获取所述目标热点事件的评论文本的步骤包括：

S41、访问与所述目标热点事件关联的网络社区；

S42、提取所述网络社区当前时刻的聊天信息，将所述聊天信息作为所述评论文本。

本实施例中，如上述步骤S41所述，网络社区是指如股票群、贴吧、知乎等网络社区，拥有大量的用户群体，对某个事情进行讨论。访问与热点事件关联的网络社区，可以是访问资产名字的贴吧。

如上述步骤S42所述，访问了资产名字的贴吧后，即关注该股票的一群用户的网络社区，提取出该贴吧里发布的帖子以及发布帖子后针对该帖子的评论。发布帖子以及对帖子的评论，即上述的聊天信息。在另一具体实施例中，系统注册一个交流的账户，进入到一个实时聊天群里，当热点事件发生时，提取出该实时聊天群里的聊天记录。

参照图5，进一步地，上述提取所述评论文本中的情感词汇的步骤包括：

S43、调用情感词汇数据库；

S44、将所述评论文本中的词汇与所述情感词汇数据库中的词汇进行匹配；

S45、确定与所述情感词汇数据库中的词汇匹配的所述评论文本中的词汇为情感词汇。

本实施例中，如上述步骤S43所述，情感词汇数据库是后台工作人员事先整理出的所有带有感情倾向表达人感情的词语，将所有整理出来的词语汇总到一起，存放在服务器中。当获取到了热点事件的评论文本后，调用出该情感词汇数据库。进一步地，情感词汇数据库包括褒义词汇库和贬义词汇库，工作人员将情感词汇整理出来后，分别放入不同的词汇库。

如上述步骤S44所述，调用出情感词汇数据库后，将评论文本的内容进行扫描，读取评论内容的每个字，进行语义分析，将评论文本中的词与情感词汇数据库中的词相匹配的词。

如上述步骤S45所述，将所有的与情感词汇数据库中的匹配的词汇提取出来，定义这些匹配的词汇是该目标热点事件的情感词汇，即众多用户对该热点事件的情感。汇总出这一热点事件的感情趋势。具体的，将所有与情感词汇数据库中的褒义词汇库中的词汇统一汇总，将所有与情感词汇数据库中的贬义词汇库中的词汇统一汇总，计算出褒义词汇与贬义词汇的比例。通过这些情感词汇以及褒义词汇与贬义词汇的比例可以判断出热点事件是利好事件还是利空事件。这一步骤方便在后续的资产走势分析模型中更快的计算资产的走势图。

进一步地，上述得到所述待分析资产的走势图的步骤之后包括：

S6、当所述待分析资产的走势低于预设值时，发送信息至用户终端。

本实施例中，如上述步骤S6所述，系统根据热点事件以及相关的评论文本，通过资产走势分析模型分析出资产的一个走势，资产有可能是猛涨，也有可能是大跌，无论是猛涨或是大跌，都很有可能对用户的资产造成很大的影响，因此有必要主动对用户进行提醒，发出警示信号给用户。为更直接有效的对用户进行提醒，发送信息到用户的移动终端，或者，通过服务器拨打用户的手机。

资产的走势超过预设值，包括资产的走势超过最低阈值或资产的走势超过最高阈值。资产的走势超过最低阈值时，拨打用户预设的手机发送语音消息提醒用户；资产的走势超过最高阈值，发送短信至用户预设的手机提醒用户。

综上所述，本申请的资产走势分析的方法，自动获取与资产相关的热点事件后，根据热点事件中的关键词描述以及对热点事件的评论，生成关于资产的走势预测图。当走势图预测到资产低于一定值，给用户发送信息，减小用户的资产受到损失的风险。

参照图6，本申请还提出一种资产走势分析装置，包括：

获取模块1，用于获取待分析资产的资产关键词；

事件关键词模块2，用于获取热点事件，提取所述热点事件中的关键词，得到事件关键词；

目标热点事件模块3，用于在所述事件关键词中，确定与所述资产关键词匹配的目标事件关键词，获取所述目标事件关键词对应的目标热点事件；

情感词汇模块4，用于获取所述目标热点事件的评论文本，并提取所述评论文本中的情感词汇；

得到模块5，用于将所述目标事件关键词以及所述情感词汇输入到预设的资产走势分析模型，得到所述待分析资产的走势图，所述资产走势分析模型是基于LSTM的模型。

本实施例中，资产的资产关键词，是后台工作人员事先整理出来的资产关键词集合成的数据包。资产包括股票、基金、期货(黄金、原油)。资产关键词包括资产所属行业，资产所在的行业对应的词就是其中一个资产关键词，比如平安集团属于金融行业与科技行业，那么金融、科技均是属于平安集团的资产关键词；平安集团有一个研发人工智能的全资子公司，则人工智能、AI也是属于平安集团的资产关键词。资产对应的资产关键词还包括资产所属公司的高层管理人员姓名，比如阿里巴巴的总负责人是马云，那么阿里巴巴集团的资产关键词就包括马云。从另一个角度去理解，资产关键词是指对资产描述的标签。后台工作人员将用户拥有的资产以及对应的资产关键词都整理出来，集合在一个数据库中。获取模块1访问数据库，接收到用户输入的资产名称，然后提取出该资产名称对应的资产关键词。热点事件是指一件事情，有相关的文字消息或报导对其进行描述，文字消息中，会有一些词语对事件进行关键性的描述，该词即为事件关键词。事件关键词模块2提取出关键词的方法，可以是从题目中进行提取，也可以是根据一些训练模型，判断文字消息中出现的词次数较多的为事件关键词。事件关键词一般是涉及到事情的主体、事情的性质。例如，有一个热点事件是关于贾跃亭的FF91电动汽车在美国进行高寒测试。事件关键词模块2通过训练的模型计算后输出的事件关键词就可能包括：贾跃亭、乐视、电动汽车、豪华、希望等。事件关键词模块2提取出热点事件中的事件关键词后，目标热点事件模块3将事件关键词与数据包中的资产关键词进行匹配。在一具体实施例中，资产关键词在数据包中按照预设逻辑顺序排列，事件关键词也按照同样的预设逻辑顺序排列，这样在判断事件关键词是否与预设的数据包中的资产关键词对应时，判断的速度会更快。例如，有10个事件关键词，10个事件关键词按照拼音的字母顺序排列；数据包中有1000个资产关键词，这1000个资产关键词也按照拼音的字母顺序排列。在判断10个事件关键词是否分别与资产关键词对应时，目标热点事件模块3将每一个事件关键词根据拼音字母的顺序看在数据包中的资产关键词排行大致位置，然后将该事件关键词与上述排行大致位置的资产关键词进行匹配得出结果，大大的减少相比对的次数，节省判断时间。将匹配成功的事件关键词确定为目标事件关键词，然后目标热点事件模块3上溯查找目标事件关键词对应的热点事件，即目标热点事件。目标热点事件所描述的事情与用户的资产具有一定关联性，很有可能会引起用户的资产的变动。目标热点事件的评论文本，是从媒体平台上其他媒体用户对该媒体用户发布该事件的评论，也包括转发该事件的其他媒体用户对该事件的评论。情感词汇模块4直接读取发布目标热点事件的媒体账户下面的评论，也包括通过爬虫技术访问转发目标热点事件的媒体账户下面的评论。评论文本还包括表情包。表情包是一种利用图片来表示感情的一种方式。表情包中一般配有文字，当评论文本是表情包时，情感词汇模块4识别表情包中的文字并转换成文本。情感词汇包括文本以及表情。情感词汇是后台工作人员事先整理出来的，一般用于对股票进行评论的词汇，例如，用于评论股票的网络词汇：妖股、仙股；炒股专业术语：满仓、建仓、斩仓、抢帽子、多杀多；财经领域常用词：威廉指标、移动平均线、流通股、国库券；情感词汇还包括用于表达感情的表情符号，比如笑脸、哭脸、开心；进一步地，上述表情符号还包括专用于股票领域的表情符号，比如[买入]、[复盘]、[亏大了]等表情符号。

得到模块5将目标事件关键词以及情感词汇输入到预设的资产走势分析模型中，资产走势分析模型根据训练后的逻辑，预测出该待分析资产的升值或降值趋势，得到模块5计算得出用户资产的走势图。LSTM(Long Short-Term Memory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。在LSTM中，每个神经元是一个“记忆细胞”，细胞里面有一个“输入门”(input gate)，一个“遗忘门”(forget gate)和一个“输出门”(output gate)，三个一起也称为“三重门”。LSTM模型的关键之一就在于这个“遗忘门”，它能够控制训练时候梯度在这里的收敛性，同时也能够保持长期的记忆性。因LSTM模型是适合处理时间序列中间隔和延迟相对较长的重要事件，本申请中的热点事件也是与时间序列相关的方案，因此，LSTM模型基于热点事件中的关键词处理，具有很好的技术效果，能准确的分析出对应的资产走势图。

在训练资产走势分析模型时，工作人员首先将一个资产的资产关键词以及会影响该资产降值的情感词汇输入到LSTM模型进行训练；如此输入多个资产的资产关键词以及影响该资产降值的情感词汇输入到LSTM模型训练。然后再将一个资产的关键词以及会影响该资产升值的感情词汇输入到LSTM模型进行训练；如此输入多个资产的关键词以及会影响该资产升值的感情词汇输入到LSTM模型进行训练。如上述训练后，得到各情感词汇分别对应各个资产关键词的影响权重系数，即得到一个基于LSTM模型的资产分析模型。用户再输入资产关键词以及情感词汇至这个资产分析模型，即可输出情感词汇对资产的升值或降值的影响。结合上述目标热点事件模块3，即可计算出目标热点事件对该资产的影响。

参照图7，进一步地，上述事件关键词模块2包括：

增长率单元21，用于获取预设媒体账户的关注数量的增长率；

判定单元22，用于当所述增长率超过增长阈值时，判定所述媒体账户在预设时间段内发布的消息包含有热点事件；

第一热点事件单元23，用于根据所述媒体账户在所述预设时间段内发布的消息，确定所述热点事件。

本实施例中，预设媒体账户是指一些在财经方面有影响力或者有权威性的媒体账户。包括一些财经达人开通的个人微博账户，或者是财经相关的官方的发布信息渠道的媒体账户，例如证监会的官方微博。在一个事件发酵成热点事件时，都会伴随一个现象就是关注这个事件的人呈指数级增长；对应的，体现在预设媒体账户上的是，关注预设媒体账户的人的数量也是有一个明显的增长。因此要增长率单元21获取预设媒体账户的关注数量的增长率。具体的，增长率单元21获取增长率的方法为：获取当前时刻的关注数量x，提取当前时刻之前的预设时间的关注数量y，计算出x相对y的增长率。本实施例中，增长率单元21每隔一分钟计算关注数量的变化，假定一分钟前的关注数量是t1，当前时刻的关注数量是t0，则增长率a＝(t0-t1)/t1。在其他的实施方式中，增长率单元21获取增长率的周期可以是5分钟、10分钟等，也可以是10秒、20秒等。增长阈值是用于判定该账户是否有发布热点事件的临界值。上述增长率单元21计算出来的数值也有可能是负数，即关注媒体账户的数量减少。因此，判定单元22中的增长阈值包括一个或两个数字。具体的，增长阈值可以是-20％和10％，即增长率低于20％或者高于10％，均是超过增长阈值。当增长率超过了增长阈值，判定单元22判定该媒体账户在预设时间段内发布的消息包含有热点事件。当判定单元22判定该媒体账户发布的消息包含有热点事件后，第一热点事件单元23获取当天该媒体账户发布的消息内容，具体的，第一热点事件单元23获取文字内容。若媒体账户发布的消息中包含图片，第一热点事件单元23通过扫描识别图片中的文字。从而，可以将媒体账户在所述预设时间段内发布的消息确定为热点事件，也可以根据媒体账户在预设时间段内发布的消息，进一步筛选其中的部分消息作为热点事件，例如，将媒体账户在预设时间段内发布的消息中评论数超过预设评论阈值的消息确定为热点事件。

参照图8，在另一实施例中，进一步地，上述事件关键词模块2包括：

评论数单元24，用于获取预设媒体账户发布的消息的评论数；

第二热点事件单元25，用于当所述预设媒体账户发布的消息中目标消息的评论数超过评论阈值时，确定所述目标消息为热点事件。

本实施例中，媒体账户发布一条消息后，后面会有社会人士对该消息进行评论。每个人可以进行多条评论留言。评论数单元24获取评论的数量。是获取对发布消息的评论数量，而不是获取媒体账户的评论数量。例如，某个媒体账户某天发布了两条消息，第一条消息有500条评论，第二条消息有800条评论，则评论数单元24获取了该媒体账户的两个消息对应的评论数，分别是500和800。第二热点事件单元25对评论数进行比较，是否超过评论阈值。评论阈值是一个数字，用于界定发布的消息是否是热点事件。评论阈值是用于判断每个媒体账户发布的消息包含有热点事件的评论依据的临界值。例如，评论阈值是600。在评论数单元24中提到的两条消息，第一条消息的论数是500条，没有超过评论阈值；第二条消息的评论数是800条，超过了评论阈值，第二热点事件单元25判定第二条消息为热点事件。

进一步地，上述资产分析的装置还包括：

账户信息模块，用于获取带有财经标记的财经媒体账户的信息；

账户分数模块，用于将所述财经媒体账户的信息输入至预设公式，得到账户分数，所述账户分数用于量化所述财经媒体账户的影响力；

预设媒体模块，用于将所述账户分数超过分数阈值的财经媒体账户设置为所述预设媒体账户。

本实施例中，带有财经标记的媒体账户是指与财经相关的媒体账户，例如发表过一定篇幅或一定数量的财经类文章，或者是一些财经官方认证的媒体账户。具体的，账户信息模块访问微博后台，访问所有微博中带有财经标记的财经媒体账户，账户信息模块获取这些财经媒体账户发布的信息。媒体账户的信息包括好友数、粉丝数、等级、和发布微博数据，以及历史微博相关的信息等均是媒体账户的信息，账户分数模块将每个信息进行量化。好友数、粉丝数、等级均是量化的数据；发布微博数据可以是近一年发布微博的数量，或者是近一年发布微博中评论数达到500的数量；预设公式是对媒体账户进行评价的一个公式，用于体现该媒体账户的影响力。好友数越多、粉丝数越多、等级越高、发布的微博数量越多、微博评论数量越多，对应的影响力越大，最终得到的账户分数越高。例如，账户分数模块设置一具体公式如下：

s＝c*(a+b)+d

上述公式中，s是账户分数，a是好友分数，b是粉丝分数，c是等级数，d是微博评论超过500的分数。好友分数的计算方式如下表2：

好友数量	得分
		0-10	1
11-20	2
		21-50	3
51-100	5
		101-1000	10
1000以上	30

表2：好友数量与好友分数映射表

其他的粉丝分数、等级分数、微博评论超过500的分数均可以是如上表1按照阶梯进行评分。账户信息模块获取到媒体账户的信息后，账户分数模块通过预设公式，计算得到账户分数，该分数是反映一个媒体账户的影响力。然后预设媒体模块将该账户分数与分数阈值进行比较。分数阈值是用于界定一个媒体账户的影响力是否大到可以用作参考的预设媒体。预设媒体模块将媒体账户分数超过分数阈值的媒体账户设置为预设媒体。在一具体实施例中，根据上述账户分数模块中的预设公式，分数阈值是60。

参照图9，进一步地，上述情感词汇模块4包括：

访问单元41，用于访问与所述目标热点事件关联的网络社区；

提取单元42，用于提取所述网络社区当前时刻的聊天信息，将所述聊天信息作为所述评论文本。

本实施例中，网络社区是指如股票群、贴吧、知乎等网络社区，拥有大量的用户群体，对某个事情进行讨论。访问单元41访问与热点事件关联的网络社区，可以是访问资产名字的贴吧。访问单元41访问了资产名字的贴吧后，即关注该股票的一群用户的网络社区，提取单元42提取出该贴吧里发布的帖子以及发布帖子后针对该帖子的评论。发布帖子以及对帖子的评论，即上述的聊天信息。在另一具体实施例中，提取单元42注册一个交流的账户，进入到一个实时聊天群里，当热点事件发生时，提取单元42提取出该实时聊天群里的聊天记录。

参照图10，进一步地，上述情感词汇模块4包括：

调用单元43，用于调用情感词汇数据库；

匹配单元44，用于将所述评论文本中的词汇与所述情感词汇数据库中的词汇进行匹配；

确定单元45，用于确定与所述情感词汇数据库中的词汇匹配的所述评论文本中的词汇为情感词汇。

本实施例中，情感词汇数据库是后台工作人员事先整理出的所有带有感情倾向表达人感情的词语，将所有整理出来的词语汇总到一起，存放在服务器中。当获取到了热点事件的评论文本后，调用单元43调用出该情感词汇数据库。进一步地，情感词汇数据库包括褒义词汇库和贬义词汇库，工作人员将情感词汇整理出来后，分别放入不同的词汇库。调用单元43调用出情感词汇数据库后，将评论文本的内容进行扫描，读取评论内容的每个字，匹配单元44进行语义分析，将评论文本中的词与情感词汇数据库中的词相匹配的词。将所有的与情感词汇数据库中的匹配的词汇提取出来，确定单元45确定这些匹配的词汇是该目标热点事件的情感词汇，即众多用户对该热点事件的情感。汇总出这一热点事件的感情趋势。具体的，将所有与情感词汇数据库中的褒义词汇库中的词汇统一汇总，将所有与情感词汇数据库中的贬义词汇库中的词汇统一汇总，计算出褒义词汇与贬义词汇的比例。通过这些情感词汇以及褒义词汇与贬义词汇的比例可以判断出热点事件是利好事件还是利空事件。这一步骤方便在后续的资产走势分析模型中更快的计算资产的走势图。

进一步地，上述资产分析的装置还包括：

发送模块6，用于当所述待分析资产的走势低于预设值时，发送信息至用户终端。

本实施例中，系统根据热点事件以及相关的评论文本，通过资产走势分析模型分析出资产的一个走势，资产有可能是猛涨，也有可能是大跌，无论是猛涨或是大跌，都很有可能对用户的资产造成很大的影响，因此有必要主动对用户进行提醒，发送模块6发出警示信号给用户。为更直接有效的对用户进行提醒，发送信息到用户的移动终端，或者，通过服务器拨打用户的手机。

资产的走势超过预设值，包括资产的走势超过最低阈值或资产的走势超过最高阈值。资产的走势超过最低阈值时，发送模块6拨打用户预设的手机发送语音消息提醒用户；资产的走势超过最高阈值，发送模块6发送短信至用户预设的手机提醒用户。

综上所述，本申请的资产走势分析的装置，自动获取与资产相关的热点事件后，根据热点事件中的关键词描述以及对热点事件的评论，生成关于资产的走势预测图。当走势图预测到资产低于一定值，给用户发送信息，减小用户的资产受到损失的风险。

参照图11，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储LSTM模型、情感词汇数据库等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种资产走势分析的方法。

上述处理器执行上述资产走势分析的方法的步骤：获取待分析资产的资产关键词；获取热点事件，提取所述热点事件中的关键词，得到事件关键词；在所述事件关键词中，确定与所述资产关键词匹配的目标事件关键词，获取所述目标事件关键词对应的目标热点事件；获取所述目标热点事件的评论文本，并提取所述评论文本中的情感词汇；将所述目标事件关键词以及所述情感词汇输入到预设的资产走势分析模型，得到所述待分析资产的走势图，所述资产走势分析模型是基于LSTM的模型。

在一个实施例中，上述处理器获取热点事件的步骤包括：获取预设媒体账户的关注数量的增长率；当所述增长率超过增长阈值时，判定所述媒体账户在预设时间段内发布的消息包含有热点事件；根据所述媒体账户在所述预设时间段内发布的消息，确定所述热点事件。

在一个实施例中，上述处理器获取热点事件的步骤包括：获取预设媒体账户发布的消息的评论数；当所述预设媒体账户发布的消息中目标消息的评论数超过评论阈值时，确定所述目标消息为热点事件。

在一个实施例中，上述处理器执行上述资产分析的方法的步骤还包括：获取带有财经标记的财经媒体账户的信息；将所述财经媒体账户的信息输入至预设公式，得到账户分数，所述账户分数用于量化所述财经媒体账户的影响力；将所述账户分数超过分数阈值的财经媒体账户设置为所述预设媒体账户。

在一个实施例中，上述处理器获取所述目标热点事件的评论文本的步骤包括：访问与所述目标热点事件关联的网络社区；提取所述网络社区当前时刻的聊天信息，将所述聊天信息作为所述评论文本。

在一个实施例中，上述处理器提取所述评论文本中的情感词汇的步骤包括：调用情感词汇数据库；将所述评论文本中的词汇与所述情感词汇数据库中的词汇进行匹配；确定与所述情感词汇数据库中的词汇匹配的所述评论文本中的词汇为情感词汇。

在一个实施例中，上述处理器得到所述待分析资产的走势图的步骤之后包括：当所述待分析资产的走势低于预设值时，发送信息至用户终端。

综上所述，本申请的计算机设备自动获取与资产相关的热点事件后，根据热点事件中的关键词描述以及对热点事件的评论，生成关于资产的走势预测图。当走势图预测到资产低于一定值，给用户发送信息，减小用户的资产受到损失的风险。

本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。

本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种资产走势分析的方法，具体为：获取待分析资产的资产关键词；获取热点事件，提取所述热点事件中的关键词，得到事件关键词；在所述事件关键词中，确定与所述资产关键词匹配的目标事件关键词，获取所述目标事件关键词对应的目标热点事件；获取所述目标热点事件的评论文本，并提取所述评论文本中的情感词汇；将所述目标事件关键词以及所述情感词汇输入到预设的资产走势分析模型，得到所述待分析资产的走势图，所述资产走势分析模型是基于LSTM的模型。

在一个实施例中，上述处理器获取热点事件的步骤包括：获取预设媒体账户的关注数量的增长率；当所述增长率超过增长阈值时，判定所述媒体账户在预设时间段内发布的消息包含有热点事件；根据所述媒体账户在所述预设时间段内发布的消息，确定所述热点事件。

在一个实施例中，上述处理器获取热点事件的步骤包括：获取预设媒体账户发布的消息的评论数；当所述预设媒体账户发布的消息中目标消息的评论数超过评论阈值时，确定所述目标消息为热点事件。

在一个实施例中，上述处理器执行上述资产分析的方法的步骤还包括：获取带有财经标记的财经媒体账户的信息；将所述财经媒体账户的信息输入至预设公式，得到账户分数，所述账户分数用于量化所述财经媒体账户的影响力；将所述账户分数超过分数阈值的财经媒体账户设置为所述预设媒体账户。

在一个实施例中，上述处理器获取所述目标热点事件的评论文本的步骤包括：访问与所述目标热点事件关联的网络社区；提取所述网络社区当前时刻的聊天信息，将所述聊天信息作为所述评论文本。

在一个实施例中，上述处理器提取所述评论文本中的情感词汇的步骤包括：调用情感词汇数据库；将所述评论文本中的词汇与所述情感词汇数据库中的词汇进行匹配；确定与所述情感词汇数据库中的词汇匹配的所述评论文本中的词汇为情感词汇。

在一个实施例中，上述处理器得到所述待分析资产的走势图的步骤之后包括：当所述待分析资产的走势低于预设值时，发送信息至用户终端。

综上所述，本申请的存储介质自动获取与资产相关的热点事件后，根据热点事件中的关键词描述以及对热点事件的评论，生成关于资产的走势预测图。当走势图预测到资产低于一定值，给用户发送信息，减小用户的资产受到损失的风险。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种资产走势分析的方法，其特征在于，包括：

获取待分析资产的资产关键词；

获取热点事件，提取所述热点事件中的关键词，得到事件关键词；

在所述事件关键词中，确定与所述资产关键词匹配的目标事件关键词，获取所述目标事件关键词对应的目标热点事件；

获取所述目标热点事件的评论文本，并提取所述评论文本中的情感词汇；

将所述目标事件关键词以及所述情感词汇输入到预设的资产走势分析模型，得到所述待分析资产的走势图，所述资产走势分析模型是基于LSTM的模型。

2.如权利要求1所述的资产走势分析的方法，其特征在于，所述获取热点事件的步骤包括：

获取预设媒体账户的关注数量的增长率；

当所述增长率超过增长阈值时，判定所述媒体账户在预设时间段内发布的消息包含有热点事件；

根据所述媒体账户在所述预设时间段内发布的消息，确定所述热点事件。

3.如权利要求1所述的资产走势分析的方法，其特征在于，所述获取热点事件的步骤包括：

获取预设媒体账户发布的消息的评论数；

当所述预设媒体账户发布的消息中目标消息的评论数超过评论阈值时，确定所述目标消息为热点事件。

4.如权利要求2或3所述的资产走势分析的方法，其特征在于，所述方法还包括：

获取带有财经标记的财经媒体账户的信息；

将所述财经媒体账户的信息输入至预设公式，得到账户分数，所述账户分数用于量化所述财经媒体账户的影响力；

将所述账户分数超过分数阈值的财经媒体账户设置为所述预设媒体账户。

5.如权利要求1所述的资产走势分析的方法，其特征在于，所述获取所述目标热点事件的评论文本的步骤包括：

访问与所述目标热点事件关联的网络社区；

提取所述网络社区当前时刻的聊天信息，将所述聊天信息作为所述评论文本。

6.如权利要求1所述的资产走势分析的方法，其特征在于，所述提取所述评论文本中的情感词汇的步骤包括：

调用情感词汇数据库；

将所述评论文本中的词汇与所述情感词汇数据库中的词汇进行匹配；

确定与所述情感词汇数据库中的词汇匹配的所述评论文本中的词汇为情感词汇。

7.如权利要求1所述的资产走势分析的方法，其特征在于，所述得到所述待分析资产的走势图的步骤之后包括：

当所述待分析资产的走势低于预设值时，发送信息至用户终端。

8.一种资产走势分析的装置，其特征在于，包括：

获取模块，用于获取待分析资产的资产关键词；

事件关键词模块，用于获取热点事件，提取所述热点事件中的关键词，得到事件关键词；

目标热点事件模块，用于在所述事件关键词中，确定与所述资产关键词匹配的目标事件关键词，获取所述目标事件关键词对应的目标热点事件；

情感词汇模块，用于获取所述目标热点事件的评论文本，并提取所述评论文本中的情感词汇；

得到模块，用于将所述目标事件关键词以及所述情感词汇输入到预设的资产走势分析模型，得到所述待分析资产的走势图，所述资产走势分析模型是基于LSTM的模型。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其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权利要求1至7中任一项所述的方法的步骤。