CN110209944A - 一种股票分析师推荐方法、装置、计算机设备和存储介质 - Google Patents
一种股票分析师推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110209944A CN110209944A CN201910494579.4A CN201910494579A CN110209944A CN 110209944 A CN110209944 A CN 110209944A CN 201910494579 A CN201910494579 A CN 201910494579A CN 110209944 A CN110209944 A CN 110209944A
- Authority
- CN
- China
- Prior art keywords
- analyst
- stock
- user
- information
- analysis
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明属于数据处理技术领域,尤其涉及一种股票分析师推荐方法、装置、计算机设备和存储介质。所述方法包括:获取用户数据,根据所述用户数据提取用户的股票偏好信息和用户关注的股票分析师信息;根据所述股票分析师信息确定分析师的分析偏好,得到用户关注的分析师的分析偏好信息;根据所述股票偏好信息和所述分析偏好信息筛选分析师,并将筛选出的分析师按照预设的评分标准进行评分,按照评分高低将分析师推送给用户。本发明提供的股票分析师推荐方法,可以精准推荐用户感兴趣并适合用户的分析师,从而提升平台的用户满意度,提升平台信息推荐的效率,也降低了平台信息处理的成本。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及一种股票分析师推荐方法、装置、计算机设备和存储介质。
背景技术
近年来,随着金融市场的快速发展和不断完善,金融投资特别是股票相关的投资的重要性日益凸现。在进行股票投资时,由于其专业性和复杂性,投资者在对股票市场的研究相对不充分,此时,普通投资者通常会借鉴股票分析师的研报,作为自己的投资参考
在当前证券市场上,不同的股票分析师,其研究和关注重点也是千差万别,也这使得市场上,每天有大量的研报产生。在现有技术的投资APP或者互联网券商网站上,一般通过获取用户关注的板块或者概念,以及用户的自选股,当有相关的新研报出现时,则推送给用户;或者将投资者关注较多的分析师或者较大券商的分析师和研报,直接推荐给每一个用户,或者完全不推荐,由用户自主搜索,或者浏览全部研报。
可见,现有技术中简单按照用户关注的板块、概念以及自选股,将分析师及其研报推荐给用户,造成推荐的研报量较大,从而使用户无法精准的获取感兴趣的研报,推荐的价值不大,降低了用户体验。
发明内容
本发明实施例的目的在于提供一种股票分析师推荐方法,旨在解决现有技术分析师推荐不精准、效率低,用户体验感差的问题。
本发明实施例是这样实现的,一种股票分析师推荐方法,所述方法包括:
获取用户数据,根据所述用户数据提取用户的股票偏好信息和用户关注的股票分析师信息;
根据所述股票分析师信息确定分析师的分析偏好,得到用户关注的分析师的分析偏好信息;
根据所述股票偏好信息和所述分析偏好信息筛选分析师,并将筛选出的分析师按照预设的评分标准进行评分,按照评分高低将分析师推送给用户。
本发明实施例的另一目的在于提供一种股票分析师推荐装置,所述装置包括:
信息获取模块,用于获取用户数据,根据所述用户数据提取用户的股票偏好信息和用户关注的股票分析师信息;
分析师偏好分析模块,用于根据所述股票分析师信息确定分析师的分析偏好,得到用户关注的分析师的分析偏好信息;
分析师查找推送模块,用于根据所述股票偏好信息和所述分析偏好信息筛选分析师,并将筛选出的分析师按照预设的评分标准进行评分,按照评分高低将分析师推送给用户。
本发明实施例的另一目的在于提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述所述股票分析师推荐方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行上述所述股票分析师推荐方法的步骤
本发明实施例提供的股票分析师推荐方法,通过对用户关注信息进行分析,进而对分析师信息进行分析,得出用户偏好和用户关注的分析师的偏好,从而针对性的生成符合用户偏好的分析师集合,可以精准推荐用户感兴趣并适合用户的分析师,从而提升平台的用户满意度,提升平台信息推荐的效率,也降低了平台信息处理的成本。
附图说明
图1为本发明实施例提供的股票分析师推荐方法的流程图;
图2为本发明实施例提供的提取股票分析师信息的流程图;
图3为本发明实施例提供的确定用户关注的分析师的偏好的流程图;
图4为本发明实施例提供的查找分析师的流程图;
图5为本发明实施例提供的确定推送的分析师的流程图;
图6为本发明实施例提供的股票分析师推荐装置的结构框图;
图7为本发明实施例提供的信息获取模块的结构框图;
图8为本发明实施例提供的分析师偏好分析模块的结构框图;
图9为本发明实施例提供的分析师查找推送模块的结构框图;
图10为一个实施例中计算机设备的内部结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
实施例一
如图1所示,在一个实施例中,提出了一种股票分析师推荐方法,本实施例主要以该方法应用于计算机设备或者终端来举例说明。其中,本发明实施例中所指的计算机设备可以是独立的物理服务器或终端,也可以是多个物理服务器构成的服务器集群,可以是提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及计算机设备可以通过网络进行连接,本发明在此不做限制。
在本发明实施例中,一种股票分析师推荐方法,具体包括以下步骤:
步骤S102,获取用户数据,根据用户数据提取用户的股票偏好信息和用户关注的股票分析师信息。
在本发明实施例中,获取用户数据的以及推送信息的来源可以是现有股票平台的股票相关信息,具体包括股票名称、股票别称、股票代码,股票所在的行业板块、概念,历史股价信息、股票公司历史业绩、行业板块龙头股票以及公司等。通常现有的股票平台包含投资观点、投资周期、投资操作等。这类知识,从分析师研报以及专业投资文章中使用自然语言处理技术获取,常用手段有规则匹配和文本分类等,投资观点相关关键词有看涨、看跌、买入、卖出等。投资周期相关关键词有长期、短期、近期、未来几天、短线、中长线等。而投资操作是指就当前投资行为,给出具体的操作,常见表达方式有抛、割肉、加仓、减仓、清仓、满仓等。通过一定技术将类似表达统一转换为相应标签即可,其中,投资观点标签为买入和卖出,投资周期标签为短线和中长线,投资操作标签为加仓和建仓等,其他更多详细的内容本发明不在一一列举和描述。
如图2所示,在本发明实施例中,步骤S102具体包括:
步骤S202,获取用户数据,用户数据包括关注股票信息、用户股票操作信息和关注的股票分析师信息。
在发明实施例中,用户数据还包括用户的基本信息,比如年龄、性别、职业、学历等个人信息,以便有针对性的进行推荐;关注股票信息包括关注的股票、股票的属性,比如股票属于何种板块、行业等;用户的股票操作信息包括用户搜索、浏览、评论、点赞股票相关信息的记录以及股票交易等历史记录。
步骤S204,根据关注股票信息和用户股票操作信息分析用户关注的股票属性和股票操作,确定用户股票偏好信息,用户股票偏好信息包括用户股票偏好、长短线操作偏好和风险偏好中的一种或几种。
在本发明实施例中,根据关注股票信息和用户股票操作信息分析用户股票偏好可以是通过对用户历史行为进行统计分类处理,采用计数、均值、中位数、众数、归一化等手段分别得到如下用户股票偏好的特征:
用户的时间属性,比如该属性有四个维度:早、中、下午、晚上,具体可以通过统计用户在平台多种操作的时间,在这四个时间段内的操作次数于总体操作次数的占比为相应维度的取值;用户的在线间隔,具体可以通过统计用户两次之间行为的时间间隔的平均值,其中具体可以将用户在半小时内的行为,视为同一次行为;用户的活跃度,具体可以通过统计该用户有过行为的分析师;用户的最近上线时间:用户最近一次线上行为距离现在的天数;用户的关注流行度,具体可以通过计算该用户关注过的分析师的流行度均值;用户的关注股票偏好,具体可以通过分析用户点赞、留言、浏览记录提取股票信息,分析对股票关注的次数占总体股票关注次数的比例;用户的长短线偏好,可以通过在为研报和言论打好上短线标签后,通过统计次数,将其中短线、中线和长线的关注次数除以总的次数,即可得到对应维度的量化值。进而通过上述股票偏好特征的综合分析,确定用户的股票偏好,股票偏好用来表征用户倾向于价值投资还是题材投资,一般的操作洗好和习惯等,便于提取用户关注的股票信息,计算用户关注的价值股占比。
步骤S104,根据股票分析师信息确定分析师的分析偏好,得到用户关注的分析师的分析偏好信息。
如图3所示,在本发明实施例中,步骤S104具体包括:
步骤S302,根据股票分析师信息获取对应分析师的言论信息,并根据言论信息提取股票分析信息和对应言论的分析师交互信息;股票分析信息包括股票分析偏好、投资情绪、操作建议偏向中的一种或几种,分析师交互信息包括用户浏览、评论或点赞分析师言论的信息;
步骤S304,根据股票分析信息和分析师交互信息确定对应分析师的分析偏好以及分析师热度,得到用户关注的分析师的分析偏好信息。
在本发明实施例中,可以通过对分析师的言论和研报,使用自然语言处理技术以及统计技术,得到分析师分析偏好特征。具体的,比如分析师股票偏好和板块偏好,可以通过从分析师言论信息中找出相关的股票和板块,然后分别统计其推荐次数在分析师推荐股票和板块的的总次数中的占比,进而确定其偏好;分析师长短线偏好,具体可以适用自然语言处理基础,识别出每篇研报和言论信息中分析师对股票投资建议的操作,并统计出变化的频率,比如将一周内的买卖操作定义为短线,将一周以上一月以内,定义为中线,更长时间则定义为长线,然后统计每类操作数量的占总数量的比例,即可得到三个维度的值,进而可以看出分析师对于长短线的偏好;还包括分析师时间偏好,具体可以通过统计分析时发送研报和言论的时间,分为上午、下午和晚上三个维度,同样适用占比作为维度值,进而可以分析出分析师对于股票操作投资建议时间的偏好。
另外,在本发明实施例中,还可以根据股票分析信息和分析师交互信息确定分析师热度。比如,可以是分析分析师流行度,具体可以通过关注过该分析师的用户数进行评估;分析师关注度,具体可以通过计算关注过该分析师的用户数占总关注用户数的比例进行评估。通过分析分实施的热度,进而可以有效地将比较热门的分析师以及其研报言论等信息推送给用户,以便用户了解更加精准的即时股票行情信息。
步骤S106,根据股票偏好信息和分析偏好信息筛选分析师,并将筛选出的分析师按照预设的评分标准进行评分,按照评分高低将分析师推送给用户。
如图4所示,在本发明实施例中,步骤S106中根据股票偏好信息和分析偏好信息筛选分析师具体包括:
步骤S402,根据用户数据提取用户交互信息,根据用户交互信息筛选分析师,并生成第一分析师集合,用户交互信息包括用户浏览、评论、点赞的交互信息。
步骤S404,根据股票偏好信息和分析偏好信息查询具有相同偏好内容的分析师,并生成第二分析师集合。
如图5所示,在本发明实施例中,步骤S106中将筛选出的分析师按照预设的评分标准进行评分,按照评分高低将分析师推送给用户具体包括:
步骤S502,将第一分析师集合和/或第二分析师集合和/或包含第一分析师集合和第二分析师集合的第三分析师集合中的分析师按照评分项目进行依次打分;评分项目包括分析师偏好相似度、分析师热度;
步骤S504,将打分后的分析师按照分数高低进行排列,将排名前列的预设数量的分析师推送给用户。
具体的,本发明实施例中,可以通过使用用户的浏览、点赞、留言的分析师记录,具体可以是将用户的每天的浏览记录形成一个list,用户留言的所有分析师作为一个list,用户所有点赞的分析师作为一个list,这些list构成协同过滤算法的输入,进而构造用户行为记录输入模型进行计算,即可得到每个用户对每个分析师的打分。实际上可以是通过用户对不同分析师的评分来评测分析师之间的相似性,基于分析师之间的相似性做出推荐,进而更加准确得到用户感兴趣的分析师的类型,更有针对性的进行推荐。
具体的,本发明实施例中,可以通过基于软件item2vec的深度学习推荐算法,通过使用用户搜索记录、浏览、点赞、浏览记录等和分析师的分析偏好构造list列表,训练item2vec模型,从而得到每个搜索关键词的向量和每个分析师的向量,然后使用所有的用户的list训练得到搜索关键词的item2vec模型。比如分别使用用户的浏览、点赞、留言记录、构造列表分别训练得到对应的item2vec模型,该推荐模型为二分类问题,标签为对分析师是否感兴趣,当用户对某一分析师在某一段时间内有点赞、关注、评论等操作时,则标签为1,否则标签为0。构造数据集时,输入和输出数据时间段是不同的,比如,我们使用2019年3月31日之前的数据,计算得到画像特征,作为输入,则标签则需要使用未来的数据,比如2019年4月1日到2019年4月15日的数据,构造标签。同时将构造完成的数据分为训练集、验证集和测试集,通过训练集训练推荐模型,验证集对模型进行验证,再由测试集进行测试其可靠度。具体的,使用训练集和验证集训练模型,待模型收敛后,即可进行预测,预测时,根据预设时间的最新用户数据,同时使用每个分析师的多维度item2vec向量,输入给深度学习模型,即可得到用户对每个分析师的打分。去除用户关注过的分析师,可以选取一定数量比如取top200分析师作为推荐候选集。通过对用户交互信息的数据训练处理,很快能够形成用户交互关键词的搜索模型,能够尽快通过用户的交互信息迅速锁定用户感兴趣的分析师以及分析师的研报和言论信息,进而有针对性的推荐,使得股票信息的推荐更加精准。
在本发明的其他实施例中,还可以通过使用分析师的流行度特征进行选择预设数量的分析师作为基本数据进行推荐,主要为新用户或者未登录用户推荐分析师,比如选取流行度top500的分析师作为兜底候选集进行推荐,进而保证用户能够得到基本的信息推送。
在本发明实施例中,确定要推荐的分析师之后,还包括对推荐的分析师的研报和言论信息的热度或与股票偏好信息相关性进行评分,并将其按照评分高低推送给用户。
本发明实施例提供的股票分析师推荐方法,通过对用户关注信息进行分析,进而对分析师信息进行分析,得出用户偏好和用户关注的分析师的偏好,从而针对性的生成符合用户偏好的分析师集合,可以精准推荐用户感兴趣并适合用户的分析师以及分析师的相关研报和言论信息,从而提升平台的用户满意度,提升平台研报推荐的效率,也降低了平台信息处理的成本。
实施例二
如图6所示,在一个实施例中,提供了一种股票分析师推荐装置,该装置可以集成于上述的计算机设备或终端中,具体包括:
信息获取模块601,用于获取用户数据,根据用户数据提取用户的股票偏好信息和用户关注的股票分析师信息。
在本发明实施例中,获取用户数据的以及推送信息的来源可以是现有股票平台的股票相关信息,具体包括股票名称、股票别称、股票代码,股票所在的行业板块、概念,历史股价信息、股票公司历史业绩、行业板块龙头股票以及公司等。通常现有的股票平台包含投资观点、投资周期、投资操作等。这类知识,从分析师研报以及专业投资文章中使用自然语言处理技术获取,常用手段有规则匹配和文本分类等,投资观点相关关键词有看涨、看跌、买入、卖出等。投资周期相关关键词有长期、短期、近期、未来几天、短线、中长线等。而投资操作是指就当前投资行为,给出具体的操作,常见表达方式有抛、割肉、加仓、减仓、清仓、满仓等。通过一定技术将类似表达统一转换为相应标签即可,其中,投资观点标签为买入和卖出,投资周期标签为短线和中长线,投资操作标签为加仓和建仓等,其他更多详细的内容本发明不在一一列举和描述。
如图7所示,在本发明实施例中,信息获取模块601具体包括:
获取单元701,用于获取用户数据,用户数据包括关注股票信息、用户股票操作信息和关注的股票分析师信息。
在发明实施例中,用户数据还包括用户的基本信息,比如年龄、性别、职业、学历等个人信息,以便有针对性的进行推荐;关注股票信息包括关注的股票、股票的属性,比如股票属于何种板块、行业等;用户的股票操作信息包括用户搜索、浏览、评论、点赞股票相关信息的记录以及股票交易等历史记录。
用户偏好分析单元702,用于根据关注股票信息和用户股票操作信息分析用户关注的股票属性和股票操作,确定用户股票偏好信息,用户股票偏好信息包括用户股票偏好、长短线操作偏好和风险偏好中的一种或几种。
在本发明实施例中,根据关注股票信息和用户股票操作信息分析用户股票偏好可以是通过对用户历史行为进行统计分类处理,采用计数、均值、中位数、众数、归一化等手段分别得到如下用户股票偏好特征:
用户的时间属性,比如该属性有四个维度:早、中、下午、晚上,具体可以通过统计用户在平台多种操作的时间,在这四个时间段内的操作次数于总体操作次数的占比为相应维度的取值;用户的在线间隔,具体可以通过统计用户两次之间行为的时间间隔的平均值,其中具体可以将用户在半小时内的行为,视为同一次行为;用户的活跃度,具体可以通过统计该用户有过行为的分析师;用户的最近上线时间:用户最近一次线上行为距离现在的天数;用户的关注流行度,具体可以通过计算该用户关注过的分析师的流行度均值;用户的关注股票偏好,具体可以通过分析用户点赞、留言、浏览记录提取股票信息,分析对股票关注的次数占总体股票关注次数的比例;用户的长短线偏好,可以通过在为研报和言论打好上短线标签后,通过统计次数,将其中短线、中线和长线的关注次数除以总的次数,即可得到对应维度的量化值。进而通过上述股票偏好特征的综合分析,确定用户的股票偏好,股票偏好用来表征用户倾向于价值投资还是题材投资,便于提取用户关注的股票信息,计算用户关注的价值股占比。
分析师偏好分析模块602,用于根据股票分析师信息确定分析师的分析偏好,得到用户关注的分析师的分析偏好信息。
如图8所示,在本发明实施例中,分析师偏好分析模块602具体包括:
交互分析单元801,用于根据股票分析师信息获取对应分析师的言论信息,并根据言论信息提取股票分析信息和对应言论的分析师交互信息;股票分析信息包括股票分析偏好、投资情绪、操作建议偏向中的一种或几种,分析师交互信息包括用户浏览、评论或点赞分析师言论的信息;
分析师偏好分析单元802,用于根据股票分析信息和分析师交互信息确定对应分析师的分析偏好以及分析师热度,得到用户关注的分析师的分析偏好信息。
在本发明实施例中,可以通过对分析师的言论和研报,使用自然语言处理技术以及统计技术,得到分析师分析偏好特征。具体的,比如分析师股票偏好和板块偏好,可以通过从分析师言论信息中找出相关的股票和板块,然后分别统计其推荐次数在分析师推荐股票和板块的的总次数中的占比,进而确定其偏好;分析师长短线偏好,具体可以适用自然语言处理基础,识别出每篇研报和言论信息中分析师对股票投资建议的操作,并统计出变化的频率,比如将一周内的买卖操作定义为短线,将一周以上一月以内,定义为中线,更长时间则定义为长线,然后统计每类操作数量的占总数量的比例,即可得到三个维度的值,进而可以看出分析师对于长短线的偏好;还包括分析师时间偏好,具体可以通过统计分析时发送研报和言论的时间,分为上午、下午和晚上三个维度,同样适用占比作为维度值,进而可以分析出分析师对于股票操作投资建议时间的偏好。
另外,在本发明实施例中,还可以根据股票分析信息和分析师交互信息确定分析师热度。比如,可以是分析分析师流行度,具体可以通过关注过该分析师的用户数进行评估;分析师关注度,具体可以通过计算关注过该分析师的用户数占总关注用户数的比例进行评估。通过分析分实施的热度,进而可以有效地将比较热门的分析师以及其研报言论等信息推送给用户,以便用户了解更加精准的即时股票行情信息。
分析师查找推送模块603,用于根据股票偏好信息和分析偏好信息筛选分析师,并将筛选出的分析师按照预设的评分标准进行评分,按照评分高低将分析师推送给用户。
如图9所示,在本发明实施例中,分析师查找推送模块603具体包括:
第一分析师查找单元901,用于根据用户数据提取用户交互信息,根据用户交互信息筛选分析师,并生成第一分析师集合,用户交互信息包括用户浏览、评论、点赞的交互信息;和/或
第二分析师查找单元902,用于根据股票偏好信息和分析偏好信息查询具有相同偏好内容的分析师,并生成第二分析师集合。
评分单元903,用于将第一分析师集合和/或第二分析师集合和/或包含第一分析师集合和第二分析师集合的第三分析师集合中的分析师按照评分项目进行依次打分;评分项目包括分析师偏好相似度、分析师热度;
推送单元904,用于将打分后的分析师按照分数高低进行排列,将排名前列的预设数量的分析师推送给用户。
具体的,本发明实施例中,可以通过使用用户的浏览、点赞、留言的分析师记录,具体可以是将用户的每天的浏览记录形成一个list,用户留言的所有分析师作为一个list,用户所有点赞的分析师作为一个list,这些list构成协同过滤算法的输入,进而构造用户行为记录输入模型进行计算,即可得到每个用户对每个分析师的打分,协同过滤推荐分析师。实际上可以是通过用户对不同分析师的评分来评测分析师之间的相似性,基于分析师之间的相似性做出推荐,进而更加准确得到用户感兴趣的分析师的类型,更有针对性的进行推荐。
具体的,本发明实施例中,可以通过基于软件item2vec的深度学习推荐算法,通过使用用户搜索记录、浏览、点赞、浏览记录等和分析师的分析偏好构造list列表,训练item2vec模型,从而得到每个搜索关键词的向量和每个分析师的向量,然后使用所有的用户的list训练得到搜索关键词的item2vec模型。比如分别使用用户的浏览、点赞、留言记录、构造列表分别训练得到对应的item2vec模型,该推荐模型为二分类问题,标签为对分析师是否感兴趣,当用户对某一分析师在某一段时间内有点赞、关注、评论等操作时,则标签为1,否则标签为0。构造数据集时,输入和输出数据时间段是不同的,比如,我们使用2019年3月31日之前的数据,计算得到画像特征,作为输入,则标签则需要使用未来的数据,比如2019年4月1日到2019年4月15日的数据,构造标签。同时将构造完成的数据分为训练集、验证集和测试集,通过训练集训练推荐模型,验证集对模型进行验证,再由测试集进行测试其可靠度。具体的,使用训练集和验证集训练模型,待模型收敛后,即可进行预测,预测时,根据预设时间的最新用户数据,同时使用每个分析师的多维度item2vec向量,输入给深度学习模型,即可得到用户对每个分析师的打分。去除用户关注过的分析师,可以选取一定数量比如取top200分析师作为推荐候选集。通过对用户交互信息的数据训练处理,很快能够形成用户交互关键词的搜索模型,能够尽快通过用户的交互信息迅速锁定用户感兴趣的分析师以及分析师的研报和言论信息,进而有针对性的推荐,使得股票信息的推荐更加精准。
在本发明的其他实施例中,还可以通过使用分析师的流行度特征进行选择预设数量的分析师作为基本数据进行推荐,主要为新用户或者未登录用户推荐分析师,比如选取流行度top500的分析师作为兜底候选集进行推荐,进而保证用户能够得到基本的信息推送。
另外,在本发明实施例中,推送单元904确定要推荐的分析师之后,还包括对推荐的分析师的研报和言论信息的热度或与股票偏好信息相关性进行评分,并将其按照评分高低推送给用户。
在本发明实施例中,还可以固定展示预设数量比如30位分析师,使用将第一分析师集合和第二分析师集合融合选择。首先将深度学习推荐算法过滤掉用户已经关注的分析师和下线的分析师,然后从TOP30中随机选择20位分析师,然后从协同过滤中,按照得分从高到低排除已选择的20为分析师,再从TOP30中随机选择10位分析师,组成30个推荐席位。详情展示推荐的内容为当用户浏览某一分析师或者研报时展示,该模块同样适用深度学习推荐和协同过滤推荐两个推荐结果进行融合推荐展示。
本发明实施例提供的股票分析师推荐装置,通过对用户关注信息进行分析,进而对分析师信息进行分析,得出用户偏好和用户关注的分析师的偏好,从而针对性的生成符合用户偏好的分析师集合,可以精准推荐用户感兴趣并适合用户的分析师以及分析师的相关研报和言论信息,从而提升平台的用户满意度,提升平台研报推荐的效率,也降低了平台信息处理的成本。
实施例三
图10示出了一个实施例中计算机设备的内部结构图,在一个实施例中,提出了一种计算机设备,所述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以下步骤:
获取用户数据,根据用户数据提取用户的股票偏好信息和用户关注的股票分析师信息;
根据股票分析师信息确定分析师的分析偏好,得到用户关注的分析师的分析偏好信息;
根据股票偏好信息和分析偏好信息筛选分析师,并将筛选出的分析师按照预设的评分标准进行评分,按照评分高低将分析师推送给用户。
如图10所示,该计算机设备包括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、输入装置等。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现股票分析师推荐方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行股票分析师推荐方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10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,具体的计算机设备包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的股票分析师装置可以实现为一种计算机程序的形式,计算机程序可在如图10所示的计算机设备上运行。计算机设备的存储器中可存储组成该股票分析师推荐装置的各个程序模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的股票分析师推荐方法中的步骤。
实施例四
在一个实施例中,提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下步骤:
获取用户数据,根据用户数据提取用户的股票偏好信息和用户关注的股票分析师信息;
根据股票分析师信息确定分析师的分析偏好,得到用户关注的分析师的分析偏好信息;
根据股票偏好信息和分析偏好信息筛选分析师,并将筛选出的分析师按照预设的评分标准进行评分,按照评分高低将分析师推送给用户。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
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,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各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)、双数据率SDRAM(DDRSDRAM)、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。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种股票分析师推荐方法,其特征在于,所述方法包括:
获取用户数据,根据所述用户数据提取用户的股票偏好信息和用户关注的股票分析师信息;
根据所述股票分析师信息确定分析师的分析偏好,得到用户关注的分析师的分析偏好信息;
根据所述股票偏好信息和所述分析偏好信息筛选分析师,并将筛选出的分析师按照预设的评分标准进行评分,按照评分高低将分析师推送给用户。
2.根据权利要求1所述的股票分析师推荐方法,其特征在于,所述获取用户数据,根据所述用户数据提取用户的股票偏好信息和用户关注的股票分析师信息,具体包括:
获取用户数据,所述用户数据包括关注股票信息、用户股票操作信息和关注的股票分析师信息;
根据所述关注股票信息和所述用户股票操作信息分析用户关注的股票属性和股票操作,确定用户股票偏好信息,所述用户股票偏好信息包括用户股票偏好、长短线操作偏好和风险偏好中的一种或几种。
3.根据权利要求1所述的股票分析师推荐方法,其特征在于,所述根据所述股票分析师信息确定分析师的分析偏好,得到用户关注的分析师的分析偏好信息,具体包括:
根据所述股票分析师信息获取对应分析师的言论信息,并根据所述言论信息提取股票分析信息和对应言论的分析师交互信息;所述股票分析信息包括股票分析偏好、投资情绪、操作建议偏向中的一种或几种,所述分析师交互信息包括用户浏览、评论或点赞分析师言论的信息;
根据所述股票分析信息和所述分析师交互信息确定对应分析师的分析偏好以及分析师热度,得到用户关注的分析师的分析偏好信息。
4.根据权利要求3所述的股票分析师推荐方法,其特征在于,所述根据所述股票偏好信息和所述分析偏好信息筛选分析师,具体包括:
根据所述用户数据提取用户交互信息,根据所述用户交互信息筛选分析师,并生成第一分析师集合,所述用户交互信息包括用户浏览、评论、点赞的交互信息;和/或
根据所述股票偏好信息和所述分析偏好信息查询具有相同偏好内容的分析师,并生成第二分析师集合。
5.根据权利要求4所述的股票分析师推荐方法,其特征在于,所述将筛选出的分析师按照预设的评分标准进行评分,按照评分高低将分析师优先推荐给用户,具体包括:
将所述第一分析师集合和/或所述第二分析师集合和/或包含所述第一分析师集合和第二分析师集合的第三分析师集合中的分析师按照评分项目进行依次打分;所述评分项目包括分析师偏好相似度、分析师热度;
将打分后的分析师按照分数高低进行排列,将排名前列的预设数量的分析师推送给用户。
6.根据权利要求1所述的股票分析师推荐方法,其特征在于,还包括:
对推荐的分析师的研报和言论信息的热度或与所述股票偏好信息相关性进行评分,并将其按照评分高低推送给用户。
7.一种股票分析师推荐装置,其特征在于,所述装置包括:
信息获取模块,用于获取用户数据,根据所述用户数据提取用户的股票偏好信息和用户关注的股票分析师信息;
分析师偏好分析模块,用于根据所述股票分析师信息确定分析师的分析偏好,得到用户关注的分析师的分析偏好信息;
分析师查找推送模块,用于根据所述股票偏好信息和所述分析偏好信息筛选分析师,并将筛选出的分析师按照预设的评分标准进行评分,按照评分高低将分析师推送给用户。
8.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1至6中任一项权利要求所述股票分析师推荐方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1至6中任一项权利要求所述股票分析师推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910494579.4A CN110209944B (zh) | 2019-06-10 | 2019-06-10 | 一种股票分析师推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910494579.4A CN110209944B (zh) | 2019-06-10 | 2019-06-10 | 一种股票分析师推荐方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110209944A true CN110209944A (zh) | 2019-09-06 |
CN110209944B CN110209944B (zh) | 2023-07-28 |
Family
ID=67791524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910494579.4A Active CN110209944B (zh) | 2019-06-10 | 2019-06-10 | 一种股票分析师推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110209944B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561699A (zh) * | 2020-12-11 | 2021-03-26 | 山证科技(深圳)有限公司 | 一种券商客户数据的处理方法、系统及存储介质 |
CN114579870A (zh) * | 2022-05-05 | 2022-06-03 | 深圳格隆汇信息科技有限公司 | 基于关键字的金融主播推荐方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663627A (zh) * | 2012-04-26 | 2012-09-12 | 焦点科技股份有限公司 | 个性化推荐方法 |
CN102999507A (zh) * | 2011-09-13 | 2013-03-27 | 腾讯科技(北京)有限公司 | 网络微博名人信息的推荐处理方法和装置 |
US20140012870A1 (en) * | 2012-07-05 | 2014-01-09 | Barry Wark | Method and System for Identifying Data and Users of Interest from Patterns of User Interaction with Existing Data |
CN103678329A (zh) * | 2012-09-04 | 2014-03-26 | 中兴通讯股份有限公司 | 推荐方法及装置 |
CN103870538A (zh) * | 2014-01-28 | 2014-06-18 | 百度在线网络技术(北京)有限公司 | 针对用户进行个性化推荐的方法、用户建模设备及系统 |
CN105488662A (zh) * | 2016-01-07 | 2016-04-13 | 北京歌利沃夫企业管理有限公司 | 一种基于双向推荐的在线招聘系统 |
KR20160086096A (ko) * | 2015-01-09 | 2016-07-19 | 박현범 | 개인 성향을 근거로 한 종목 추천 시스템 및 그의 제어 방법 |
WO2017193323A1 (zh) * | 2016-05-12 | 2017-11-16 | 深圳大学 | 一种基于用户偏好的个性化推荐方法及其系统 |
CN107481143A (zh) * | 2017-07-28 | 2017-12-15 | 武汉楚鼎信息技术有限公司 | 一种智能股票推荐系统以及实现方法 |
CN107967345A (zh) * | 2017-12-12 | 2018-04-27 | 梁金凤 | 一种社交网络名人信息推荐装置 |
CN109241117A (zh) * | 2018-08-02 | 2019-01-18 | 上海慧岳信息科技有限公司 | 一种画师匹配的方法和装置 |
CN109615487A (zh) * | 2019-01-04 | 2019-04-12 | 平安科技(深圳)有限公司 | 基于用户行为的产品推荐方法、装置、设备及存储介质 |
-
2019
- 2019-06-10 CN CN201910494579.4A patent/CN110209944B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999507A (zh) * | 2011-09-13 | 2013-03-27 | 腾讯科技(北京)有限公司 | 网络微博名人信息的推荐处理方法和装置 |
CN102663627A (zh) * | 2012-04-26 | 2012-09-12 | 焦点科技股份有限公司 | 个性化推荐方法 |
US20140012870A1 (en) * | 2012-07-05 | 2014-01-09 | Barry Wark | Method and System for Identifying Data and Users of Interest from Patterns of User Interaction with Existing Data |
CN103678329A (zh) * | 2012-09-04 | 2014-03-26 | 中兴通讯股份有限公司 | 推荐方法及装置 |
CN103870538A (zh) * | 2014-01-28 | 2014-06-18 | 百度在线网络技术(北京)有限公司 | 针对用户进行个性化推荐的方法、用户建模设备及系统 |
KR20160086096A (ko) * | 2015-01-09 | 2016-07-19 | 박현범 | 개인 성향을 근거로 한 종목 추천 시스템 및 그의 제어 방법 |
CN105488662A (zh) * | 2016-01-07 | 2016-04-13 | 北京歌利沃夫企业管理有限公司 | 一种基于双向推荐的在线招聘系统 |
WO2017193323A1 (zh) * | 2016-05-12 | 2017-11-16 | 深圳大学 | 一种基于用户偏好的个性化推荐方法及其系统 |
CN107481143A (zh) * | 2017-07-28 | 2017-12-15 | 武汉楚鼎信息技术有限公司 | 一种智能股票推荐系统以及实现方法 |
CN107967345A (zh) * | 2017-12-12 | 2018-04-27 | 梁金凤 | 一种社交网络名人信息推荐装置 |
CN109241117A (zh) * | 2018-08-02 | 2019-01-18 | 上海慧岳信息科技有限公司 | 一种画师匹配的方法和装置 |
CN109615487A (zh) * | 2019-01-04 | 2019-04-12 | 平安科技(深圳)有限公司 | 基于用户行为的产品推荐方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561699A (zh) * | 2020-12-11 | 2021-03-26 | 山证科技(深圳)有限公司 | 一种券商客户数据的处理方法、系统及存储介质 |
CN114579870A (zh) * | 2022-05-05 | 2022-06-03 | 深圳格隆汇信息科技有限公司 | 基于关键字的金融主播推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110209944B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A MIDAS modelling framework for Chinese inflation index forecast incorporating Google search data | |
Lu et al. | BizSeeker: a hybrid semantic recommendation system for personalized government‐to‐business e‐services | |
Vincent et al. | Measuring the importance of user-generated content to search engines | |
US20130138577A1 (en) | Methods and systems for predicting market behavior based on news and sentiment analysis | |
CA3070612A1 (en) | Click rate estimation | |
US9344507B2 (en) | Method of processing web access information and server implementing same | |
Saeed et al. | Sustainability performance assessment framework: a cross-industry multiple case study | |
Balaban et al. | Forecasting stock market volatility: Further international evidence | |
JPWO2018142753A1 (ja) | ディープラーニングを用いる情報処理装置、情報処理方法及び情報処理プログラム | |
CN111695938B (zh) | 产品推送方法及系统 | |
US20130046710A1 (en) | Methods and system for financial instrument classification | |
La Rocca et al. | Investment cash flow sensitivity and financial constraint: a cluster analysis approach | |
Mbithi et al. | Corporate risk disclosure: A systematic literature review and future research agenda | |
CN110209944A (zh) | 一种股票分析师推荐方法、装置、计算机设备和存储介质 | |
CN105808641A (zh) | 线下资源的挖掘方法和装置 | |
Kang | Box-office forecasting in Korea using search trend data: a modified generalized Bass diffusion model | |
CN111161076A (zh) | 金融市场产品的推送方法及装置 | |
Hong et al. | Measuring product type with dynamics of online product review variances: A theoretical model and the empirical applications | |
CN107103038A (zh) | 一种基于大数据的选题策划系统 | |
Hazarika et al. | Are numeric ratings true representations of reviews? A study of inconsistency between reviews and ratings | |
CN111681107A (zh) | 一种基于Embedding的实时个性化金融产品推荐算法 | |
WO2016187504A1 (en) | Crowd-based sentiment indices | |
Leventhal | Predictive Analytics for Marketers: Using Data Mining for Business Advantage | |
KR102405503B1 (ko) | 소비 데이터와 소셜 데이터를 이용한 소비동향 예측 지수 생성 방법과 이를 적용한 소비동향 예측 지수 생성 시스템 및 이를 위한 컴퓨터 프로그램 | |
CN115563176A (zh) | 一种电子商务数据处理系统及方法 |
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 |