CN109697260A - 虚拟货币的检测方法、装置、计算机设备和存储介质 - Google Patents
虚拟货币的检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109697260A CN109697260A CN201811632581.5A CN201811632581A CN109697260A CN 109697260 A CN109697260 A CN 109697260A CN 201811632581 A CN201811632581 A CN 201811632581A CN 109697260 A CN109697260 A CN 109697260A
- Authority
- CN
- China
- Prior art keywords
- data
- ideal money
- dimensional characteristics
- detected
- probability density
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000003062 neural network model Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 36
- 230000005611 electricity Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 46
- 238000012360 testing method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 210000003813 thumb Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004883 computer application Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 210000003733 optic disk Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 239000011800 void material Substances 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种虚拟货币的检测方法、装置、计算机设备和存储介质。其中，方法包括：获取待检测虚拟货币的信息数据；从信息数据中获取待检测虚拟货币的特征信息，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检测虚拟货币的评分；根据评分检测待检测虚拟货币是否为空气币。该方法可以结合已有数据，评判虚拟货币的好坏，给予用户投资技术支持的同时，也解决了用户对于虚拟货币信息获取困难的问题，从而可以让用户通过该检测结果能够了解到虚拟货币的质量。
Description
技术领域
本发明涉及计算机应用领域，尤其涉及一种虚拟货币的检测方法、装置、计算机设备和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，发行相应的虚拟货币给投资者，这些虚拟货币往往也可以在一些数据货币交易平台进行交易。
但是，目前市场虚拟货币的质量参差不齐，也没有统一的标准来对其进行判定。因此，如何对发行的虚拟货币进行质量测评，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虚拟货币的检测方法。该方法可以结合已有数据，评判虚拟货币的好坏，给予用户投资技术支持的同时，也解决了用户对于虚拟货币信息获取困难的问题，从而可以让用户通过该检测结果能够了解到虚拟货币的质量。
本发明的第二个目的在于提出一种虚拟货币的检测装置。
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虚拟货币的检测方法，包括：获取待检测虚拟货币的信息数据；从所述信息数据中获取所述待检测虚拟货币的特征信息，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检测虚拟货币的评分；根据所述评分检测所述待检测虚拟货币是否为空气币。
根据本发明实施例的虚拟货币的检测方法，可先获取待检测虚拟货币的信息数据，之后，从信息数据中获取待检测虚拟货币的特征信息，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检测虚拟货币的评分，最后，根据评分检测待检测虚拟货币是否为空气币。即可以对目前各发行虚拟货币进行评分，并根据该评分检测该虚拟货币是否为空气币，结合已有数据，评判虚拟货币的好坏，给予用户投资技术支持的同时，也解决了用户对于虚拟货币信息获取困难的问题，从而可以让用户通过该检测结果能够了解到虚拟货币的质量。
在本发明的一个实施例中，所述信息数据包括基础数据、社交数据、电报群数据、技术数据、白皮书相似度、评论数据、官网排名、搜索引擎的搜索指数、智能合约的代码质量、市值数据和产品愿景数据；从所述信息数据中获取所述待检测虚拟货币的特征信息，包括：
从所述信息数据中分别获取所述待检测虚拟货币的各个维度特征；
根据预设的维度评分规则，确定所述各个维度特征分别对应的评分数据；
将所述各个维度特征和所述各个维度特征的评分数据，确定为所述待检测虚拟货币的特征信息。
在本发明的一个实施例中，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。
在本发明的一个实施例中，所述神经网络模型采用如下方式得到：预先从互联网中获取已发行的样本虚拟货币的样本信息数据；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。
在本发明的一个实施例中，根据所述样本信息数据生成训练数据，包括：对所述样本虚拟货币进行标注；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虚拟货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。
在本发明的一个实施例中，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检测虚拟货币的评分，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，得到所述待检测虚拟货币的评分。
在本发明的一个实施例中，根据所述评分检测所述待检测虚拟货币是否为空气币，包括：检测所述评分是否小于预设阈值；如果所述评分小于所述预设阈值，则判定所述待检测虚拟货币为空气币，并生成提醒信息，以及将所述提醒信息提供给用户。
为达到上述目的，本发明第二方面实施例提出的虚拟货币的检测装置，包括：数据获取模块，用于获取待检测虚拟货币的信息数据；特征获取模块，用于从所述信息数据中获取所述待检测虚拟货币的特征信息，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检测虚拟货币的评分；检测模块，用于根据所述评分检测所述待检测虚拟货币是否为空气币。
根据本发明实施例的虚拟货币的检测装置，可通过数据获取模块获取待检测虚拟货币的信息数据，特征获取模块从信息数据中获取待检测虚拟货币的特征信息，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检测虚拟货币的评分，检测模块根据评分检测待检测虚拟货币是否为空气币。即可以对目前各发行虚拟货币进行评分，并根据该评分检测该虚拟货币是否为空气币，结合已有数据，评判虚拟货币的好坏，给予用户投资技术支持的同时，也解决了用户对于虚拟货币信息获取困难的问题，从而可以让用户通过该检测结果能够了解到虚拟货币的质量。
在本发明的一个实施例中，所述信息数据包括基础数据、社交数据、电报群数据、技术数据、白皮书相似度、评论数据、官网排名、搜索引擎的搜索指数、智能合约的代码质量、市值数据和产品愿景数据；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所述待检测虚拟货币的各个维度特征；
第一确定单元，用于根据预设的维度评分规则，确定所述各个维度特征分别对应的评分数据；
第二确定单元，将所述各个维度特征和所述各个维度特征的评分数据，确定为所述待检测虚拟货币的特征信息。
在本发明的一个实施例中，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。
在本发明的一个实施例中，所述装置还包括：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，用于预先从互联网中获取已发行的样本虚拟货币的样本信息数据；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。
在本发明的一个实施例中，所述训练数据生成单元具体用于：对所述样本虚拟货币进行标注；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虚拟货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。
在本发明的一个实施例中，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，得到所述待检测虚拟货币的评分。
在本发明的一个实施例中，所述检测模块具体用于：检测所述评分是否小于预设阈值；在检测到所述评分小于所述预设阈值时，判定所述待检测虚拟货币为空气币，并生成提醒信息，以及将所述提醒信息提供给用户。
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、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现本发明第一方面实施例所述的虚拟货币的检测方法。
为达到上述目的，本发明第四方面实施例提出的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本发明第一方面实施例所述的虚拟货币的检测方法。
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虚拟货币的检测方法的流程图；
图2是根据本发明实施例的训练神经网络模型的流程图；
图3是根据本发明另一个实施例的虚拟货币的检测方法的流程图；
图4是根据本发明一个实施例的虚拟货币的检测装置的结构示意图；
图5是根据本发明另一个实施例的虚拟货币的检测装置的结构示意图；
图6是根据本发明又一个实施例的虚拟货币的检测装置的结构示意图；
图7是根据本发明再一个实施例的虚拟货币的检测装置的结构示意图；
图8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虚拟货币的检测方法、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虚拟货币的检测方法的流程图。需要说明的是，本发明实施例的虚拟货币的检测方法可应用于本发明实施例的虚拟货币的检测装置，该检测装置可被配置于计算机设备。
如图1所示，该虚拟货币的检测方法可以包括：
S110，获取待检测虚拟货币的信息数据。
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、电报群数据、技术数据、白皮书相似度、评论数据、官网排名、搜索引擎的搜索指数、智能合约的代码质量、市值数据和产品愿景数据等。
其中，所述基础数据可理解为所述待检测虚拟货币的属性信息，例如，发行该虚拟货币的公司的联系方式(如电话、邮箱、社交平台上的账号等)、该虚拟货币的官方网站、该虚拟货币的白皮书公开与否、该虚拟货币的代码公开与否等。
所述社交数据可理解为所述待检测虚拟货币涉及的社交平台所产生的数据，例如，Twitter(推特)、Facebook(脸书)中社交账号的粉丝数，单位时间粉丝新增数量，近一段时间(如三十天)转发推文数量以及评论数、点赞数和转发数，近一段时间(如三十天)原创推文数量以及评论数、点赞数和转发数；其中，所述评论数为推文评论数与推文子评论数的和值；所述点赞数为推文点赞数与推文中的评论点赞数的和值。
所述电报群数据可包括电报群总人数，单位时间内群新增人数，近7天发言人数，近七天发言消息数(这里指的是自然人的发言)，近七天发言消息数(这里指的是机器人的发言)，群主消息数等。
所述技术数据可包括Github(版本控制的软件源代码托管服务)的观察者(Watcher)数量、虚拟货币的开发团队、话题数量、话题活跃度、贡献代码的人数以及该人的评分等。
所述白皮书相似度可理解为将该虚拟货币的白皮书与标准白皮书进行相似度比较，得到相似度得分。
所述评论数据可理解为根据爬虫技术爬取到的社交评论、新闻、论坛等详细评论数据。其中，可对爬取到的评论数据进行语料清洗和语义分析，得出该虚拟货币针对该评论数据维度特征的舆情评分。
所述官网排名可理解为根据爬虫技术爬取该虚拟货币的官网排名。其中，可以理解，官网排名越高，该维度特征的得分越高。
所述搜索引擎的搜索指数可理解为根据该虚拟货币的简称、全称等关键字在搜索引擎中进行检索，获取搜索引擎(如谷歌)的搜索指数。其中，搜索指数越高，则该维度特征的得分越高。
所述智能合约的代码质量可理解为通过检测智能合约代码，以检查有无BUG(缺陷)和代码质量。
所述市值数据可理解统计上的交易所数量。其中，如果该虚拟货币上了较大的交易所，则该维度特征的得分会更高。
所述产品愿景数据可包括产品开发情况、产品愿景、通过爬虫技术爬取到的专家对产品的评分等。
在本步骤中，可通过爬虫技术获取该待检测虚拟货币的相关信息数据。
S120，从信息数据中获取待检测虚拟货币的特征信息，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、电报群数据、技术数据、白皮书相似度、评论数据、官网排名、搜索引擎的搜索指数、智能合约的代码质量、市值数据和产品愿景数据为例，可先从所述信息数据中分别获取针对该待检测虚拟货币的基础数据维度特征、社交数据维度特征、电报群数据维度特征、技术数据维度特征、白皮书相似度维度特征、评论数据维度特征、官网排名维度特征、搜索引擎的搜索指数维度特征、智能合约的代码质量维度特征、市值数据维度特征和产品愿景数据维度特征，之后，可根据预设的维度评分规则，确定这些维度特征分别对应的评分数据，然后，将这些维度特征和这些维度特征的评分数据，确定为该待检测虚拟货币的特征信息。
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该待检测虚拟货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、电报群数据维度特征、技术数据维度特征、白皮书相似度维度特征、评论数据维度特征、官网排名维度特征、搜索引擎的搜索指数维度特征、智能合约的代码质量维度特征、市值数据维度特征和产品愿景数据维度特征，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，并将该各维度特征和其对应的评分数据作为该待检测虚拟货币的特征信息。
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，在得到待检测虚拟货币的特征信息之后，可将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，预先从互联网中获取已发行的样本虚拟货币的样本信息数据；
S220，根据样本信息数据生成训练数据；
可选地，对样本虚拟货币进行标注，并从该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，根据经过标注的样本虚拟货币和该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，所述样本信息数据可包括但不限于基础数据、社交数据、电报群数据、技术数据、白皮书相似度、评论数据、官网排名、搜索引擎的搜索指数、智能合约的代码质量、市值数据和产品愿景数据等。
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，根据训练数据对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，进而当需要检测虚拟货币是否为空气币时，可以通过上述训练得到的所述神经网络模型对该虚拟货币进行分数计算，进而可根据计算的得分即可检测该虚拟货币是否为空气币。
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检测虚拟货币的评分。
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，得到该待检测虚拟货币的评分。
S150，根据评分检测待检测虚拟货币是否为空气币。
可选地，将该待检测虚拟货币的评分与预设阈值进行大小比较，检测该评分是否小于该预设阈值，如果该评分大于或等于该预设阈值，可认为该虚拟货币的质量较优；如果该评分小于该预设阈值，则可判定该待检测虚拟货币为空气币，此时可生成提醒信息，并将该提醒信息提供给用户，以提醒用户该虚拟货币可能为空气币，请谨慎投资使用等。
根据本发明实施例的虚拟货币的检测方法，可先获取待检测虚拟货币的信息数据，之后，从信息数据中获取待检测虚拟货币的特征信息，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检测虚拟货币的评分，最后，根据评分检测待检测虚拟货币是否为空气币。即可以对目前各发行虚拟货币进行评分，并根据该评分检测该虚拟货币是否为空气币，结合已有数据，评判虚拟货币的好坏，给予用户投资技术支持的同时，也解决了用户对于虚拟货币信息获取困难的问题，从而可以让用户通过该检测结果能够了解到虚拟货币的质量。
图3是根据本发明另一个实施例的虚拟货币的检测方法的流程图。
为了使得用户更加清楚地了解虚拟货币的质量评分情况和该虚拟货币的具体信息，在本发明的实施例中，可将得到的虚拟货币的信息数据、该虚拟货币的评分、以及检测结果展示给用户。具体地，如图3所示，该虚拟货币的检测方法可以包括：
S310，获取待检测虚拟货币的信息数据。
S320，从信息数据中获取待检测虚拟货币的特征信息，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检测虚拟货币的评分。
S350，根据评分检测待检测虚拟货币是否为空气币。
S360，在目标页面中生成针对该待检测虚拟货币的展示区域，其中，该展示区域用于展示该待检测虚拟货币的信息数据、该待检测虚拟货币的评分、以及检测结果(即是否为空气币)。
可选地，在目标页面中生成针对该待检测虚拟货币的展示区域，并在该展示区域中展示该待检测虚拟货币的信息数据、该待检测虚拟货币的评分、以及检测结果(即是否为空气币)，以便用户可以更加直观地了解到该虚拟货币的相关信息和质量好坏。
根据本发明实施例的虚拟货币的检测方法，在根据评分检测虚拟货币是否为空气币之后，可在目标页面中生成针对该虚拟货币的展示区域，并在该展示区域中展示该虚拟货币信息数据、该待检测虚拟货币的评分、以及检测结果(即是否为空气币)，可以让用户更加直观地了解到该虚拟货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，也解决了用户对于虚拟货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虚拟货币的检测方法相对应，本发明的一种实施例还提供一种虚拟货币的检测装置，由于本发明实施例提供的虚拟货币的检测装置与上述几种实施例提供的虚拟货币的检测方法相对应，因此在前述虚拟货币的检测方法的实施方式也适用于本实施例提供的虚拟货币的检测装置，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虚拟货币的检测装置的结构示意图。如图4所示，该虚拟货币的检测装置400可以包括：数据获取模块410、特征获取模块420、确定模块430、评分获取模块440和检测模块450。
具体地，数据获取模块410用于获取待检测虚拟货币的信息数据。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、电报群数据、技术数据、白皮书相似度、评论数据、官网排名、搜索引擎的搜索指数、智能合约的代码质量、市值数据和产品愿景数据等。
特征获取模块420用于从信息数据中获取待检测虚拟货币的特征信息，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，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所述待检测虚拟货币的各个维度特征；第一确定单元422用于根据预设的维度评分规则，确定所述各个维度特征分别对应的评分数据；第二确定单元423将所述各个维度特征和所述各个维度特征的评分数据，确定为所述待检测虚拟货币的特征信息。
确定模块430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检测虚拟货币的评分。作为一种示例，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，得到所述待检测虚拟货币的评分。
检测模块450用于根据评分检测待检测虚拟货币是否为空气币。作为一种示例，检测模块450检测所述评分是否小于预设阈值，并在检测到所述评分小于所述预设阈值时，判定所述待检测虚拟货币为空气币，并生成提醒信息，以及将所述提醒信息提供给用户。
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，该虚拟货币的检测装置400还可包括：模型训练模块460，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460可包括：样本获取单元461、训练数据生成单元462和模型训练单元463。其中，样本获取单元461用于预先从互联网中获取已发行的样本虚拟货币的样本信息数据；训练数据生成单元462用于根据所述样本信息数据生成训练数据；模型训练单元463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462可对所述样本虚拟货币进行标注，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，以及根据经过标注的所述样本虚拟货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。
根据本发明实施例的虚拟货币的检测装置，可通过数据获取模块获取待检测虚拟货币的信息数据，特征获取模块从信息数据中获取待检测虚拟货币的特征信息，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检测虚拟货币的评分，检测模块根据评分检测待检测虚拟货币是否为空气币。即可以对目前各发行虚拟货币进行评分，并根据该评分检测该虚拟货币是否为空气币，结合已有数据，评判虚拟货币的好坏，给予用户投资技术支持的同时，也解决了用户对于虚拟货币信息获取困难的问题，从而可以让用户通过该检测结果能够了解到虚拟货币的质量。
为了实现上述实施例，本发明还提出了一种计算机设备。
图8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8所示，该计算机设备800包括：存储器810、处理器820及存储在存储器810上并可在处理器820上运行的计算机程序830，处理器820执行所述程序830时，实现本发明上述任一个实施例所述的虚拟货币的检测方法。
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虚拟货币的检测方法。
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)
1.一种虚拟货币的检测方法，其特征在于，包括以下步骤：
获取待检测虚拟货币的信息数据；
从所述信息数据中获取所述待检测虚拟货币的特征信息，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检测虚拟货币的评分；
根据所述评分检测所述待检测虚拟货币是否为空气币。
2.根据权利要求1所述的方法，其特征在于，所述信息数据包括基础数据、社交数据、电报群数据、技术数据、白皮书相似度、评论数据、官网排名、搜索引擎的搜索指数、智能合约的代码质量、市值数据和产品愿景数据；从所述信息数据中获取所述待检测虚拟货币的特征信息，包括：
从所述信息数据中分别获取所述待检测虚拟货币的各个维度特征；
根据预设的维度评分规则，确定所述各个维度特征分别对应的评分数据；
将所述各个维度特征和所述各个维度特征的评分数据，确定为所述待检测虚拟货币的特征信息。
3.根据权利要求1所述的方法，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.根据权利要求3所述的方法，其特征在于，所述神经网络模型采用如下方式得到：
预先从互联网中获取已发行的样本虚拟货币的样本信息数据；
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.根据权利要求4所述的方法，其特征在于，根据所述样本信息数据生成训练数据，包括：
对所述样本虚拟货币进行标注；
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虚拟货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.根据权利要求1所述的方法，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检测虚拟货币的评分，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，得到所述待检测虚拟货币的评分。
7.根据权利要求1至6中任一项所述的方法，其特征在于，根据所述评分检测所述待检测虚拟货币是否为空气币，包括：
检测所述评分是否小于预设阈值；
如果所述评分小于所述预设阈值，则判定所述待检测虚拟货币为空气币，并生成提醒信息，以及将所述提醒信息提供给用户。
8.一种虚拟货币的检测装置，其特征在于，包括：
数据获取模块，用于获取待检测虚拟货币的信息数据；
特征获取模块，用于从所述信息数据中获取所述待检测虚拟货币的特征信息，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检测虚拟货币的评分；
检测模块，用于根据所述评分检测所述待检测虚拟货币是否为空气币。
9.根据权利要求8所述的装置，其特征在于，所述信息数据包括基础数据、社交数据、电报群数据、技术数据、白皮书相似度、评论数据、官网排名、搜索引擎的搜索指数、智能合约的代码质量、市值数据和产品愿景数据；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所述待检测虚拟货币的各个维度特征；
第一确定单元，用于根据预设的维度评分规则，确定所述各个维度特征分别对应的评分数据；
第二确定单元，将所述各个维度特征和所述各个维度特征的评分数据，确定为所述待检测虚拟货币的特征信息。
10.根据权利要求8所述的装置，其特征在于，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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811632581.5A CN109697260B (zh) | 2018-12-29 | 2018-12-29 | 虚拟货币的检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811632581.5A CN109697260B (zh) | 2018-12-29 | 2018-12-29 | 虚拟货币的检测方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109697260A true CN109697260A (zh) | 2019-04-30 |
| CN109697260B CN109697260B (zh) | 2021-11-16 |
Family
ID=66232392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811632581.5A Expired - Fee Related CN109697260B (zh) | 2018-12-29 | 2018-12-29 | 虚拟货币的检测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109697260B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111275703A (zh) * | 2020-02-27 | 2020-06-12 | 腾讯科技（深圳）有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050004905A1 (en) * | 2003-03-03 | 2005-01-06 | Scott Dresden | Search engine with neural network weighting based on parametric user data |
| 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 |
| CN105282131A (zh) * | 2015-02-10 | 2016-01-27 | 中国移动通信集团广东有限公司 | 基于风险项扫描的信息安全评估方法、装置及系统 |
| CN107085807A (zh) * | 2017-04-19 | 2017-08-22 | 迅鳐成都科技有限公司 | 一种基于区块链的数据资产交易方法 |
| CN107944740A (zh) * | 2017-12-07 | 2018-04-20 | 刘大宇 | 基于区块链技术的能力评价方法 |
-
2018
- 2018-12-29 CN CN201811632581.5A patent/CN109697260B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050004905A1 (en) * | 2003-03-03 | 2005-01-06 | Scott Dresden | Search engine with neural network weighting based on parametric user data |
| 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 |
| CN105282131A (zh) * | 2015-02-10 | 2016-01-27 | 中国移动通信集团广东有限公司 | 基于风险项扫描的信息安全评估方法、装置及系统 |
| CN107085807A (zh) * | 2017-04-19 | 2017-08-22 | 迅鳐成都科技有限公司 | 一种基于区块链的数据资产交易方法 |
| CN107944740A (zh) * | 2017-12-07 | 2018-04-20 | 刘大宇 | 基于区块链技术的能力评价方法 |
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 |
|---|---|---|---|---|
| CN111275703A (zh) * | 2020-02-27 | 2020-06-12 | 腾讯科技（深圳）有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
| CN111275703B (zh) * | 2020-02-27 | 2023-10-27 | 腾讯科技（深圳）有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109697260B (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ansari et al. | Customer perception of the deceptiveness of online product reviews: A speech act theory perspective | |
| Cvijikj et al. | Understanding social media marketing: a case study on topics, categories and sentiment on a Facebook brand page | |
| US9569729B1 (en) | Analytical system and method for assessing certain characteristics of organizations | |
| Krishna et al. | Generating question-answer hierarchies | |
| Kumar et al. | A hashtag is worth a thousand words: An empirical investigation of social media strategies in trademarking hashtags | |
| Oliveira et al. | Some experiments on modeling stock market behavior using investor sentiment analysis and posting volume from Twitter | |
| CN108664473A (zh) | 文本关键信息的识别方法、电子装置及可读存储介质 | |
| US20150088608A1 (en) | Customer Feedback Analyzer | |
| CN109213859A (zh) | 一种文本检测方法、装置及系统 | |
| CN108345587A (zh) | 一种评论的真实性检测方法与系统 | |
| CN107807941A (zh) | 信息处理方法和装置 | |
| JP2018195078A (ja) | 評価装置、評価方法、および評価プログラム | |
| CN109088942A (zh) | 广告请求流量筛选方法、装置及品牌广告引擎 | |
| Borchmann et al. | Contract discovery: Dataset and a few-shot semantic retrieval challenge with competitive baselines | |
| CN110245355A (zh) | 文本话题检测方法、装置、服务器及存储介质 | |
| CN107563820A (zh) | 微博表现的评估方法与装置 | |
| Rubin | Manipulation in marketing, Advertising, propaganda, and public relations | |
| CN109697260A (zh) | 虚拟货币的检测方法、装置、计算机设备和存储介质 | |
| Barbosa et al. | Predicting portuguese steam review helpfulness using artificial neural networks | |
| CN109255663A (zh) | 针对代币的评分方法、装置、计算机设备和存储介质 | |
| CN109684392A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
| Haan | Facebook's Alternative Facts | |
| Saga et al. | Improvement of factor model with text information based on factor model construction process | |
| Qureshi et al. | Exploring the Role of Influencers' Perceived Fraud Between Influencers' Credibility and Consumer Purchase Intentions | |
| CN107590742A (zh) | 一种基于行为的社交网络用户属性值反演方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211116 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |