CN109255663A - 针对代币的评分方法、装置、计算机设备和存储介质 - Google Patents
针对代币的评分方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109255663A CN109255663A CN201811150747.XA CN201811150747A CN109255663A CN 109255663 A CN109255663 A CN 109255663A CN 201811150747 A CN201811150747 A CN 201811150747A CN 109255663 A CN109255663 A CN 109255663A
- Authority
- CN
- China
- Prior art keywords
- data
- token
- dimensional characteristics
- evaluated
- scoring
- 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
- 238000013077 scoring method Methods 0.000 title abstract 3
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 37
- 238000012360 testing method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 abstract description 47
- 238000013441 quality evaluation Methods 0.000 abstract description 8
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000004883 computer application Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000003733 optic disk Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 231100000279 safety data Toxicity 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0282—Rating or review of business operators or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Abstract
本发明公开了一种针对代币的评分方法、装置、计算机设备以及一种计算机可读存储介质。其中,所述评分方法包括:获取待评测代币的信息数据;从信息数据中获取针对待评测代币的特征信息,其中,特征信息包括多个维度特征和每个维度特征对应的评分数据;根据多个维度特征从经过训练的神经网络模型中确定出对应的各概率密度函数的目标参数值;根据各概率密度函数的目标参数值和每个维度特征对应的评分数据获取待评测代币的评分。该方法可以对目前各发行代币进行评分,根据该评分实现对新发行的代币进行质量测评,从而可以让用户通过该测评结果能够了解到新发行的代币质量。
Description
技术领域
本发明涉及计算机应用领域,尤其涉及一种针对代币的评分方法、装置、计算机设备以及一种计算机可读存储介质。
背景技术
随着计算机应用及互联网的快速发展,传统金融业务也逐渐踏入了互联网时代,比如虚拟货币。ICO(Initial Coin Offering,首次代币发行)是区块链行业的一种融资方式,是指通过发行代币的方式进行融资。每个区块链项目会根据投资者投资金额比例,发行相应的代币给投资者,这些代币往往也可以在一些数据货币交易平台进行交易。
但是,目前市场代币质量参差不齐,也没有统一的标准来对其进行判定。因此,如何对新发型的代币进行质量测评,已经成为亟待解决的问题。
发明内容
本发明的目的旨在至少在一定程度上解决上述的技术问题之一。
为此,本发明的第一个目的在于提出一种针对代币的评分方法。该方法可以实现对新发行的代币进行质量测评,从而可以让用户通过该测评结果能够了解到新发行的代币质量。
本发明的第二个目的在于提出一种针对代币的评分装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
为达到上述目的,本发明第一方面实施例提出的针对代币的评分方法,包括:获取待评测代币的信息数据;从所述信息数据中获取针对所述待评测代币的特征信息,其中,所述特征信息包括多个维度特征和每个维度特征对应的评分数据;根据所述多个维度特征从经过训练的神经网络模型中确定出对应的各概率密度函数的目标参数值;根据所述各概率密度函数的目标参数值和所述每个维度特征对应的评分数据获取所述待评测代币的评分。
根据本发明实施例的针对代币的评分方法,可先获取待评测代币的信息数据,之后,从信息数据中获取针对待评测代币的特征信息,其中,特征信息包括多个维度特征和每个维度特征对应的评分数据,然后,根据多个维度特征从经过训练的神经网络模型中确定出对应的各概率密度函数的目标参数值,并根据各概率密度函数的目标参数值和每个维度特征对应的评分数据获取待评测代币的评分,这样,可以根据获得的评分实现对新发行的代币进行质量测评,从而可以让用户通过该测评结果能够了解到新发行的代币质量。
根据本发明的一个实施例,所述信息数据包括基础数据、社交数据、金融数据和技术数据;从所述信息数据中获取针对所述待评测代币的特征信息,包括:从所述信息数据中分别获取针对所述待评测代币的基础数据维度特征、社交数据维度特征、金融数据维度特征和技术数据维度特征;根据预设的维度评分规则,确定所述基础数据维度特征、社交数据维度特征、金融数据维度特征和技术数据维度特征分别对应的评分数据;将所述基础数据维度特征、社交数据维度特征、金融数据维度特征、技术数据维度特征和各维度特征的评分数据,确定为所述待评测代币的特征信息。
根据本发明的一个实施例,根据所述多个维度特征从经过训练的神经网络模型中确定出对应的各概率密度函数的目标参数值,包括:将所述多个维度特征输入经过训练的神经网络模型,其中,所述神经网络模型已训练得到各维度特征与各概率密度函数的参数值之间的对应关系,包括全连接层,所述全连接层的输入为多个维度特征,所述全连接层的输出为各概率密度函数的参数值;获取所述神经网络模型输出的各概率密度函数的目标参数值。
根据本发明的一个实施例,所述神经网络模型采用如下方式得到:通过爬虫技术从互联网中获取已发行的样本代币和所述样本代币的样本信息数据;根据所述样本信息数据生成训练数据;根据所述训练数据对所述神经网络模型进行训练。
根据本发明的一个实施例,根据所述样本信息数据生成训练数据,包括:对所述样本代币进行标注;从所述样本信息数据中提取各维度样本特征;根据预设的维度评分规则,确定所述各维度样本特征对应的评分数据;根据经过标注的所述样本代币和所述各维度样本特征对应的评分数据,生成所述训练数据。
根据本发明的一个实施例,根据所述各概率密度函数的目标参数值和所述每个维度特征对应的评分数据获取所述待评测代币的评分,包括:将所述每个维度特征对应的评分数据与所述每个维度特征对应的概率密度函数的目标参数值进行乘法运算,得到多个乘积;将所述多个乘积进行求和,得到所述待评测代币的评分。
根据本发明的一个实施例,在得到所述待评测代币的评分之后,所述方法还包括:在目标页面中生成针对所述待评测代币的展示区域,其中,所述展示区域用于展示所述待评测代币的信息数据和所述待评测代币的评分。
根据本发明的一个实施例,当所述待评测代币为多个时,所述方法还包括:根据多个待评测代币的评分对所述多个待评测代币对应的多个展示区域进行排序;将排序后的多个展示区域在所述目标页面中依次进行显示。
为达到上述目的,本发明第二方面实施例提出的针对代币的评分装置,包括:获取模块,用于获取待评测代币的信息数据;特征获取模块,用于从所述信息数据中获取针对所述待评测代币的特征信息,其中,所述特征信息包括多个维度特征和每个维度特征对应的评分数据;确定模块,用于根据所述多个维度特征从经过训练的神经网络模型中确定出对应的各概率密度函数的目标参数值;评分获取模块,用于根据所述各概率密度函数的目标参数值和所述每个维度特征对应的评分数据获取所述待评测代币的评分。
根据本发明实施例的针对代币的评分装置,可通过获取模块获取待评测代币的信息数据,特征获取模块从信息数据中获取针对待评测代币的特征信息,其中,维度特征包括多个维度特征和每个维度特征对应的评分数据,确定模块根据多个维度特征从经过训练的神经网络模型中确定出对应的各概率密度函数的目标参数值,评分获取模块根据各概率密度函数的目标参数值和每个维度特征对应的评分数据获取待评测代币的评分,这样,可以根据获得的评分实现对新发行的代币进行质量测评,从而可以让用户通过该测评结果能够了解到新发行的代币质量。
根据本发明的一个实施例,所述信息数据包括基础数据、社交数据、金融数据和技术数据;所述特征提获取块包括:获取单元,用于从所述信息数据中分别获取针对所述待评测代币的基础数据维度特征、社交数据维度特征、金融数据维度特征和技术数据维度特征;第一确定单元,用于根据预设的维度评分规则,确定所述基础数据维度特征、社交数据维度特征、金融数据维度特征和技术数据维度特征分别对应的评分数据;第二确定单元,用于将所述基础数据维度特征、社交数据维度特征、金融数据维度特征、技术数据维度特征和各维度特征的评分数据,确定为所述待评测代币的特征信息。
根据本发明的一个实施例,所述确定模块包括:信息输入单元,用于将所述多个维度特征输入经过训练的神经网络模型,其中,所述神经网络模型已训练得到各维度特征与各概率密度函数的参数值之间的对应关系,包括全连接层,所述全连接层的输入为多个维度特征,所述全连接层的输出为各概率密度函数的参数值;获取单元,用于获取所述神经网络模型输出的各概率密度函数的目标参数值。
根据本发明的一个实施例,所述评分装置还包括:模型训练模块,用于预先训练所述神经网络模型;其中,所述模型训练模块包括:样本获取单元,用于通过爬虫技术从互联网中获取已发行的样本代币和所述样本代币的样本信息数据;训练数据生成单元,用于根据所述样本信息数据生成训练数据;模型训练单元,用于根据所述训练数据对所述神经网络模型进行训练。
根据本发明的一个实施例,所述训练数据生成单元具体用于:对所述样本代币进行标注;从所述样本信息数据中提取各维度样本特征;根据预设的维度评分规则,确定所述各维度样本特征对应的评分数据;根据经过标注的所述样本代币和所述各维度样本特征对应的评分数据,生成所述训练数据。
根据本发明的一个实施例,所述评分获取模块具体用于:将所述每个维度特征对应的评分数据与所述每个维度特征对应的概率密度函数的目标参数值进行乘法运算,得到多个乘积;将所述多个乘积进行求和,得到所述待评测代币的评分。
根据本发明的一个实施例,所述评分装置还包括:展示区域生成模块,用于在得到所述待评测代币的评分之后,在目标页面中生成针对所述待评测代币的展示区域,其中,所述展示区域用于展示所述待评测代币的信息数据和所述待评测代币的评分。
根据本发明的一个实施例,当所述待评测代币为多个时,所述装置还包括:排序模块,用于根据多个待评测代币的评分对所述多个待评测代币对应的多个展示区域进行排序;显示模块,用于将排序后的多个展示区域在所述目标页面中依次进行显示。
为达到上述目的,本发明第三方面实施例提出的计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现本发明第一方面实施例所述的针对代币的评分方法。
为达到上述目的,本发明第四方面实施例提出的非临时性计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明第一方面实施例所述的针对代币的评分方法。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明一个实施例的针对代币的评分方法的流程图。
图2是根据本发明一个实施例的针对代币的神经网络模型训练的流程图。
图3是根据本发明另一个实施例的针对代币的评分方法的流程图。
图4是根据本发明一个实施例的针对代币的评分装置的结构示意图。
图5是根据本发明另一个实施例的针对代币的评分装置的结构示意图。
图6是根据本发明另一个实施例的针对代币的评分装置的结构示意图。
图7是根据本发明另一个实施例的针对代币的评分装置的结构示意图。
图8是根据本发明另一个实施例的针对代币的评分装置的结构示意图。
图9是根据本发明另一个实施例的针对代币的评分装置的结构示意图。
图10是根据本发明一个实施例的计算机设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的针对代币的评分方法、装置、计算机设备和计算机可读存储介质。
图1是根据本发明一个实施例的针对代币的评分方法的流程图。需要说明的是,本发明实施例的针对代币的评分方法可应用于本发明实施例的针对代币的评分装置,该评分装置可被配置于计算机设备。
如图1所示,该针对代币的评分方法可以包括:
S110,获取待评测代币的信息数据。
可选地,在当前有新发行的代币时,可通过本发明实施例的评分方法先对该新发行的代币进行质量评测,首先,可将该新发行的代币作为待评测代币,并获取所述待评测代币的信息数据。其中,在本发明的一个实施例中,所述信息数据可包括但不限于基础数据、社交数据、金融数据和技术数据等。
其中,所述基础数据可理解为所述待评测代币的属性信息,例如,所述待评测代币的全称、简称、项目概述、所属行业、项目关键词、所使用的加密算法、共识机制、区块生成时间、TPS(Transaction Per Second,每秒交易量)、所属平台、Token(代币)标准、白皮书、项目进度、代币产品上线时间、产品状态、链的类型、生态数据等;
所述社交数据可理解为所述待评测代币涉及的社交平台所产生的数据,例如,Twitter(推特),Telegram(电报),Facebook(脸书),Youtube(优兔),Website(官网),Bitcointalk(区块链论坛),Medium(媒体),Reddit(红迪网),Google_plus(谷歌+),Forum(论坛),Address(地址)的数据等;
所述金融数据可理解为所述待评测代币涉及的金融相关数据,例如,ICO开始时间、ICO结束时间、ICO价格、上市时间、上市价格、代币总发行量、众筹代币总量、KYCwhitelist Bonus(了解客户的白名单股金)、募资软顶、募资硬顶、ICO限定的投资代币、token分配机制、token增发机制、token销毁机制、资金使用机制、交易所数目、行情数据等;
所述技术数据可理解为所述待评测代币所使用的相关技术数据,例如,Github(版本控制的软件源代码托管服务)、代币的开发团队、合约检测、安全性数据等。
S120,从所述信息数据中获取针对待评测代币的特征信息,其中,特征信息包括多个维度特征和每个维度特征对应的评分数据。
作为一种示例,以所述信息数据包括基础数据、社交数据、金融数据和技术数据为例,可先从所述信息数据中分别获取针对所述待评测代币的基础数据维度特征、社交数据维度特征、金融数据维度特征和技术数据维度特征,之后,根据预设的维度评分规则,确定所述基础数据维度特征、社交数据维度特征、金融数据维度特征和技术数据维度特征分别对应的评分数据,然后,将所述基础数据维度特征、社交数据维度特征、金融数据维度特征、技术数据维度特征和各维度特征的评分数据,确定为所述待评测代币的特征信息。
可选地,在本发明的一个实施例中,所述维度评分规则可以是根据实际应用而预先设定的。例如,设定所述维度评分规则的依据可如下:各维度特征中各参数具有对应的评分,比如,可以根据各参数的重要性或价值来确定其对应的评分大小。
也就是说,可从所述信息数据中将所述待评测代币的各维度特征提取出来,如基础数据维度特征、社交数据维度特征、金融数据维度特征和技术数据维度特征,之后,可按照维度评分规则,分别确定出各维度特征的评分数据,并将各维度特征和其对应的评分数据作为所述待评测代币的特征信息。
S130,根据多个维度特征从经过训练的神经网络模型中确定出对应的各概率密度函数的目标参数值。
可选地,在得到待评测代币的特征信息之后,可将所述特征信息中的多个维度特征输入经过训练的神经网络模型,获取所述神经网络模型输出的各概率密度函数的目标参数值。其中,在本发明的实施例中,所述神经网络模型已训练得到各维度特征与各概率密度函数的参数值之间的对应关系,包括全连接层,所述全连接层的输入为多个维度特征,所述全连接层的输出为各概率密度函数的参数值。作为一种示例,所述神经网络模型可以是仅包含全连接层的卷积神经网络。
也就是说,将多个维度特征输入到所述经过训练的神经网络模型中进行模型计算,从而可以得到该神经网络模型输出的各概率密度函数的目标参数值。需要说明的是,所述神经网络模型可以是通过训练数据预先训练的,具体训练过程可参见后续实施例的描述。
作为一种可能实现方式的示例,如图2所示,所述神经网络模型可通过以下步骤训练得到:
S210,通过爬虫技术从互联网中获取已发行的样本代币和所述样本代币的样本信息数据;
S220,根据所述样本信息数据生成训练数据;
可选地,对所述样本代币进行标注,并从所述样本信息数据中提取各维度样本特征,之后,根据预设的维度评分规则,确定所述各维度样本特征对应的评分数据,然后,根据经过标注的所述样本代币和所述各维度样本特征对应的评分数据,生成所述训练数据。可以理解,在本发明的实施例中,所述样本信息数据包括但不限于基础数据、社交数据、金融数据和技术数据等;所述各维度样本特征可包括基础数据维度特征、社交数据维度特征、金融数据维度特征和技术数据维度特征等。
在本发明的实施例中,所述各维度样本特征对应的评分数据与上述各维度特征的评分数据的实现方式一致,可参见上述各维度特征的评分数据的实现方式的具体描述,在此不再赘述。
S230,根据所述训练数据对所述神经网络模型进行训练。
由此,通过上述步骤S210~S230即可得到所述神经网络模型,进而当需要对新发行的代币进行质量测评时,可以通过上述训练得到的所述神经网络模型对该新发行的代币进行分数计算,即可得到该新发行的代币的评分。
S140,根据各概率密度函数的目标参数值和每个维度特征对应的评分数据获取待评测代币的评分。
可选地,将所述每个维度特征对应的评分数据与所述每个维度特征对应的概率密度函数的目标参数值进行乘法运算,得到多个乘积,并将所述多个乘积进行求和,得到所述待评测代币的评分。
根据本发明实施例的针对代币的评分方法,可先获取待评测代币的信息数据,之后,从信息数据中获取针对待评测代币的特征信息,其中,特征信息包括多个维度特征和每个维度特征对应的评分数据,然后,根据多个维度特征从经过训练的神经网络模型中确定出对应的各概率密度函数的目标参数值,并根据各概率密度函数的目标参数值和每个维度特征对应的评分数据获取待评测代币的评分,这样,可以根据获得的评分实现对新发行的代币进行质量测评,从而可以让用户通过该测评结果能够了解到新发行的代币质量。
图3是根据本发明另一个实施例的针对代币的评分方法的流程图。
为了使得用户更加清楚地了解新发行代币的质量评分情况和新发行代币的具体信息,在本发明的实施例中,可将得到的所述待评测代币的信息数据和所述待评测代币的评分展示给用户。具体地,如图3所示,该针对代币的评分方法可以包括:
S310,获取待评测代币的信息数据。
S320,从所述信息数据中获取针对待评测代币的特征信息,其中,特征信息包括多个维度特征和每个维度特征对应的评分数据。
S330,根据多个维度特征从经过训练的神经网络模型中确定出对应的各概率密度函数的目标参数值。
S340,根据各概率密度函数的目标参数值和每个维度特征对应的评分数据获取待评测代币的评分。
需要说明的是,在本发明的实施例中,上述步骤S310~S340的实现方式的描述,可参见上述步骤S110~S140的实现方式的具体描述,在此不再赘述。
S350,在目标页面中生成针对所述待评测代币的展示区域,其中,所述展示区域用于展示所述待评测代币的信息数据和所述待评测代币的评分。
可选地,在得到所述待评测代币的评分之后,可在目标页面中生成针对所述待评测代币的展示区域,并在该展示区域中展示所述待评测代币的信息数据和所述待评测代币的评分,以便用户可以更加直观地了解到新发行代币的相关信息和质量好坏。
需要说明的是,在本发明的一个实施例中,所述待评测代币的个数可以是多个。为了方便用户查看,进一步提升用户体验,可选地,在本发明的一个实施例中,当所述待评测代币为多个时,可根据多个待评测代币的评分对所述多个待评测代币对应的多个展示区域进行排序,并将排序后的多个展示区域在所述目标页面中依次进行显示。
根据本发明实施例的针对代币的评分方法,在得到所述待评测代币的评分之后,可在目标页面中生成针对所述待评测代币的展示区域,并在该展示区域中展示所述待评测代币的信息数据和所述待评测代币的评分,可以让用户更加直观地了解到新发行代币的相关信息和质量好坏,在给予用户投资技术支持的同时,也解决了用户对于代币信息获取困难的问题,提升了用户体验。
与上述几种实施例提供的针对代币的评分方法相对应,本发明的一种实施例还提供一种针对代币的评分装置,由于本发明实施例提供的针对代币的评分装置与上述几种实施例提供的针对代币的评分方法相对应,因此在前述针对代币的评分方法的实施方式也适用于本实施例提供的针对代币的评分装置,在本实施例中不再详细描述。图4是根据本发明一个实施例的针对代币的评分装置的结构示意图。如图4所示,该针对代币的评分装置400可以包括:获取模块410、特征获取模块420、确定模块430和评分获取模块440。
具体地,获取模块410可用于获取待评测代币的信息数据。其中,在本发明的一个实施例中,所述信息数据可包括但不限于基础数据、社交数据、金融数据和技术数据等。
特征获取模块420可用于从信息数据中获取针对待评测代币的特征信息,其中,所述特征信息包括多个维度特征和每个维度特征对应的评分数据。作为一种示例,如图5所示,该特征获取模块420可包括:获取单元421、第一确定单元422和第二确定单元423。
其中,获取单元421用于从所述信息数据中分别获取针对所述待评测代币的基础数据维度特征、社交数据维度特征、金融数据维度特征和技术数据维度特征;第一确定单元422用于根据预设的维度评分规则,确定所述基础数据维度特征、社交数据维度特征、金融数据维度特征和技术数据维度特征分别对应的评分数据;第二确定单元423用于将所述基础数据维度特征、社交数据维度特征、金融数据维度特征、技术数据维度特征和各维度特征的评分数据,确定为所述待评测代币的特征信息。
确定模块430可用于根据多个维度特征从经过训练的神经网络模型中确定出对应的各概率密度函数的目标参数值。作为一种示例,如图6所示,该确定模块430可包括:信息输入单元431和获取单元432。其中,信息输入单元431可用于将所述多个维度特征输入经过训练的神经网络模型,其中,所述神经网络模型已训练得到各维度特征与各概率密度函数的参数值之间的对应关系,包括全连接层,所述全连接层的输入为多个维度特征,所述全连接层的输出为各概率密度函数的参数值;获取单元432用于获取所述神经网络模型输出的各概率密度函数的目标参数值。
评分获取模块440可用于根据各概率密度函数的目标参数值和每个维度特征对应的评分数据获取待评测代币的评分。可选地,评分获取模块440将所述每个维度特征对应的评分数据与所述每个维度特征对应的概率密度函数的目标参数值进行乘法运算,得到多个乘积,并将所述多个乘积进行求和,得到所述待评测代币的评分。
需要说明的是,所述神经网络模型可以是预先训练得到的。例如,如图7所示,该针对代币的评分装置400还可包括:模型训练模块450,用于预先训练所述神经网络模型。其中,如图7所示,该模型训练模块450可包括:样本获取单元451、训练数据生成单元452和模型训练单元453。其中,样本获取单元451用于通过爬虫技术从互联网中获取已发行的样本代币和所述样本代币的样本信息数据;训练数据生成单元452用于根据所述样本信息数据生成训练数据;模型训练单元453用于根据所述训练数据对所述神经网络模型进行训练。
其中,在本发明的一个实施例中,训练数据生成单元452可对所述样本代币进行标注,并从所述样本信息数据中提取各维度样本特征,并根据预设的维度评分规则,确定所述各维度样本特征对应的评分数据,并根据经过标注的所述样本代币和所述各维度样本特征对应的评分数据,生成所述训练数据。
为了使得用户更加清楚地了解新发行代币的质量评分情况和新发行代币的具体信息,可选地,在本发明的一个实施例中,如图8所示,该针对代币的评分装置400还可包括:展示区域生成模块460。其中,展示区域生成模块460可用于在得到所述待评测代币的评分之后,在目标页面中生成针对所述待评测代币的展示区域,其中,所述展示区域用于展示所述待评测代币的信息数据和所述待评测代币的评分。
需要说明的是,在本发明的一个实施例中,所述待评测代币的个数可以是多个。为了方便用户查看,进一步提升用户体验,可选地,在本发明的一个实施例中,如图9所示,针对代币的评分装置400还可包括:排序模块470和显示模块480。其中,排序模块470用于根据多个待评测代币的评分对所述多个待评测代币对应的多个展示区域进行排序;显示模块480用于将排序后的多个展示区域在所述目标页面中依次进行显示。
根据本发明实施例的针对代币的评分装置,可通过获取模块获取待评测代币的信息数据,特征获取模块从信息数据中获取针对待评测代币的特征信息,其中,特征信息包括多个维度特征和每个维度特征对应的评分数据,确定模块根据多个维度特征从经过训练的神经网络模型中确定出对应的各概率密度函数的目标参数值,评分获取模块根据各概率密度函数的目标参数值和每个维度特征对应的评分数据获取待评测代币的评分,这样,可以根据获得的评分实现对新发行的代币进行质量测评,从而可以让用户通过该测评结果能够了解到新发行的代币质量。
为了实现上述实施例,本发明还提出了一种计算机设备。
图10是根据本发明一个实施例的计算机设备的结构示意图。如图10所示,该计算机设备1000包括:存储器1010、处理器1020及存储在存储器1010上并可在处理器1020上运行的计算机程序1030,处理器1020执行所述程序1030时,实现本发明上述任一个实施例所述的针对代币的评分方法。
为了实现上述实施例,本发明还提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明上述任一个实施例所述的针对代币的评分方法。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种针对代币的评分方法,其特征在于,包括以下步骤:
获取待评测代币的信息数据;
从所述信息数据中获取针对所述待评测代币的特征信息,其中,所述特征信息包括多个维度特征和每个维度特征对应的评分数据;
根据所述多个维度特征从经过训练的神经网络模型中确定出对应的各概率密度函数的目标参数值;
根据所述各概率密度函数的目标参数值和所述每个维度特征对应的评分数据获取所述待评测代币的评分。
2.如权利要求1所述的针对代币的评分方法,其特征在于,所述信息数据包括基础数据、社交数据、金融数据和技术数据;从所述信息数据中获取针对所述待评测代币的特征信息,包括:
从所述信息数据中分别获取针对所述待评测代币的基础数据维度特征、社交数据维度特征、金融数据维度特征和技术数据维度特征;
根据预设的维度评分规则,确定所述基础数据维度特征、社交数据维度特征、金融数据维度特征和技术数据维度特征分别对应的评分数据;
将所述基础数据维度特征、社交数据维度特征、金融数据维度特征、技术数据维度特征和各维度特征的评分数据,确定为所述待评测代币的特征信息。
3.如权利要求1所述的针对代币的评分方法,其特征在于,根据所述多个维度特征从经过训练的神经网络模型中确定出对应的各概率密度函数的目标参数值,包括:
将所述多个维度特征输入经过训练的神经网络模型,其中,所述神经网络模型已训练得到各维度特征与各概率密度函数的参数值之间的对应关系,包括全连接层,所述全连接层的输入为多个维度特征,所述全连接层的输出为各概率密度函数的参数值;
获取所述神经网络模型输出的各概率密度函数的目标参数值。
4.如权利要求3所述的针对代币的评分方法,其特征在于,所述神经网络模型采用如下方式得到:
通过爬虫技术从互联网中获取已发行的样本代币和所述样本代币的样本信息数据;
根据所述样本信息数据生成训练数据;
根据所述训练数据对所述神经网络模型进行训练。
5.如权利要求4所述的针对代币的评分方法,其特征在于,根据所述样本信息数据生成训练数据,包括:
对所述样本代币进行标注;
从所述样本信息数据中提取各维度样本特征;
根据预设的维度评分规则,确定所述各维度样本特征对应的评分数据;
根据经过标注的所述样本代币和所述各维度样本特征对应的评分数据,生成所述训练数据。
6.如权利要求1所述的针对代币的评分方法,其特征在于,根据所述各概率密度函数的目标参数值和所述每个维度特征对应的评分数据获取所述待评测代币的评分,包括:
将所述每个维度特征对应的评分数据与所述每个维度特征对应的概率密度函数的目标参数值进行乘法运算,得到多个乘积;
将所述多个乘积进行求和,得到所述待评测代币的评分。
7.如权利要求1至6中任一项所述的针对代币的评分方法,其特征在于,在得到所述待评测代币的评分之后,所述方法还包括:
在目标页面中生成针对所述待评测代币的展示区域,其中,所述展示区域用于展示所述待评测代币的信息数据和所述待评测代币的评分。
8.如权利要求7所述的针对代币的评分方法,其特征在于,当所述待评测代币为多个时,所述方法还包括:
根据多个待评测代币的评分对所述多个待评测代币对应的多个展示区域进行排序;
将排序后的多个展示区域在所述目标页面中依次进行显示。
9.一种针对代币的评分装置,其特征在于,包括:
获取模块,用于获取待评测代币的信息数据;
特征获取模块,用于从所述信息数据中获取针对所述待评测代币的特征信息,其中,所述特征信息包括多个维度特征和每个维度特征对应的评分数据;
确定模块,用于根据所述多个维度特征从经过训练的神经网络模型中确定出对应的各概率密度函数的目标参数值;
评分获取模块,用于根据所述各概率密度函数的目标参数值和所述每个维度特征对应的评分数据获取所述待评测代币的评分。
10.如权利要求9所述的针对代币的评分装置,其特征在于,所述信息数据包括基础数据、社交数据、金融数据和技术数据;所述特征获取模块包括:
获取单元,用于从所述信息数据中分别获取针对所述待评测代币的基础数据维度特征、社交数据维度特征、金融数据维度特征和技术数据维度特征;
第一确定单元,用于根据预设的维度评分规则,确定所述基础数据维度特征、社交数据维度特征、金融数据维度特征和技术数据维度特征分别对应的评分数据;
第二确定单元,用于将所述基础数据维度特征、社交数据维度特征、金融数据维度特征、技术数据维度特征和各维度特征的评分数据,确定为所述待评测代币的特征信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811150747.XA CN109255663A (zh) | 2018-09-29 | 2018-09-29 | 针对代币的评分方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811150747.XA CN109255663A (zh) | 2018-09-29 | 2018-09-29 | 针对代币的评分方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109255663A true CN109255663A (zh) | 2019-01-22 |
Family
ID=65044779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811150747.XA Pending CN109255663A (zh) | 2018-09-29 | 2018-09-29 | 针对代币的评分方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109255663A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117608997A (zh) * | 2024-01-15 | 2024-02-27 | 阿里云计算有限公司 | 评测方法、分类评测方法、排序评测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484542A (zh) * | 2014-04-15 | 2015-04-01 | 伍度志 | 一种基于混合高斯概率密度加权的打分模型及系统 |
CN107767179A (zh) * | 2017-10-25 | 2018-03-06 | 口碑(上海)信息技术有限公司 | 电子券的质量评价方法及装置 |
CN107871213A (zh) * | 2017-11-27 | 2018-04-03 | 上海众人网络安全技术有限公司 | 一种交易行为评价方法、装置、服务器以及存储介质 |
WO2018127923A1 (en) * | 2017-01-08 | 2018-07-12 | Eyal Hertzog | Methods for exchanging and evaluating virtual currency |
CN108470277A (zh) * | 2018-02-28 | 2018-08-31 | 深圳市网心科技有限公司 | 区块链的奖励结算方法、系统、可读存储介质及计算设备 |
-
2018
- 2018-09-29 CN CN201811150747.XA patent/CN109255663A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484542A (zh) * | 2014-04-15 | 2015-04-01 | 伍度志 | 一种基于混合高斯概率密度加权的打分模型及系统 |
WO2018127923A1 (en) * | 2017-01-08 | 2018-07-12 | Eyal Hertzog | Methods for exchanging and evaluating virtual currency |
CN107767179A (zh) * | 2017-10-25 | 2018-03-06 | 口碑(上海)信息技术有限公司 | 电子券的质量评价方法及装置 |
CN107871213A (zh) * | 2017-11-27 | 2018-04-03 | 上海众人网络安全技术有限公司 | 一种交易行为评价方法、装置、服务器以及存储介质 |
CN108470277A (zh) * | 2018-02-28 | 2018-08-31 | 深圳市网心科技有限公司 | 区块链的奖励结算方法、系统、可读存储介质及计算设备 |
Non-Patent Citations (1)
Title |
---|
罗一哲: "区块链项目ICO评估模型", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/33046345》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117608997A (zh) * | 2024-01-15 | 2024-02-27 | 阿里云计算有限公司 | 评测方法、分类评测方法、排序评测方法及装置 |
CN117608997B (zh) * | 2024-01-15 | 2024-04-30 | 阿里云计算有限公司 | 评测方法、分类评测方法、排序评测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Allon et al. | Crowdsourcing and crowdfunding in the manufacturing and services sectors | |
Hoegen et al. | How do investors decide? An interdisciplinary review of decision-making in crowdfunding | |
Glaser et al. | Beyond cryptocurrencies-a taxonomy of decentralized consensus systems | |
Duan et al. | Entrepreneurs' facial trustworthiness, gender, and crowdfunding success | |
CN108446813A (zh) | 一种电商服务质量综合评价的方法 | |
CN107895323A (zh) | 信用评价方法和装置 | |
US20210264517A1 (en) | Internet meme economy | |
CN109584037A (zh) | 贷款用户信用评分的计算方法、装置和计算机设备 | |
CN107004223A (zh) | 交易平台系统及方法 | |
Al-Okaily et al. | Information technology governance and online banking in Bahrain | |
Aggarwal | Using relationship norms to understand consumer-brand interactions | |
Schwiderowski et al. | Crypto tokens and token systems | |
Chatterjee et al. | Calibrating the factors of management quality in banking performance: a mixed method approach | |
Yosef et al. | Data mining method for identifying biased or misleading future outlook | |
CN109710773A (zh) | 事件主体的生成方法及其装置 | |
CN109255663A (zh) | 针对代币的评分方法、装置、计算机设备和存储介质 | |
CN109711849A (zh) | 以太坊地址画像生成方法、装置、电子设备及存储介质 | |
CN105335630A (zh) | 身份识别方法及身份识别装置 | |
CN109697260A (zh) | 虚拟货币的检测方法、装置、计算机设备和存储介质 | |
CN108510350A (zh) | 融合多平台征信数据的征信分析方法、装置及终端 | |
Kawamura | How can Financial Service Providers improve the KYC onboarding experience?: challenges and technological solutions | |
Alghiffari et al. | The Effect of Influencer and Consumer Reviews on Purchase Intention on Brand Compass. | |
Acton | Economics—Advances in Research and Application: 2013 Edition | |
Coenen | Unibanco: initiatives to increase Gen Z’s registrations for an online debit card account | |
Yen et al. | Improving the efficiency of allocating crowd donations with agent-based simulation model |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190122 |
|
RJ01 | Rejection of invention patent application after publication |