CN111400604A - 数据处理、针对目标对象的行为推荐方法、装置及设备 - Google Patents

数据处理、针对目标对象的行为推荐方法、装置及设备 Download PDF

Info

Publication number
CN111400604A
CN111400604A CN202010285679.9A CN202010285679A CN111400604A CN 111400604 A CN111400604 A CN 111400604A CN 202010285679 A CN202010285679 A CN 202010285679A CN 111400604 A CN111400604 A CN 111400604A
Authority
CN
China
Prior art keywords
target object
data
change data
attribute
expected
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
Application number
CN202010285679.9A
Other languages
English (en)
Inventor
涂畅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202010285679.9A priority Critical patent/CN111400604A/zh
Publication of CN111400604A publication Critical patent/CN111400604A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本说明书实施例公开了一种数据处理、针对目标对象的行为推荐方法、装置及设备，其基本思想是，获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据；采集所述属性在所述期待时间段的实际变化数据；根据所述属性的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。

Description

数据处理、针对目标对象的行为推荐方法、装置及设备
技术领域
本说明书实施例涉及计算机技术领域，尤其涉及一种数据处理、针对目标对象的行为推荐方法、装置及设备。
背景技术
在一些场景下，目标对象的属性在未来一段时间内的预期变化，会诱使用户针对该目标对象作出相应行为，以期获得与所述属性的预期变化相匹配的利益或避免与所述属性的预期变化相匹配的损失。因此，如何更准确地预测目标对象的所述属性的预期变化数据，为业界面临的一个课题。
发明内容
有鉴于此，本说明书实施例提供了一种提升目标对象的属性变化的预测精确度的数据处理、针对目标对象的行为推荐方法、装置及设备。
本说明书实施例采用下述技术方案：
本说明书实施例提供一种数据处理方法，包括：
获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据；
采集所述属性在所述期待时间段的实际变化数据；
根据所述属性的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。
本说明书实施例还提供一种数据处理方法，包括：
获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据；
采集所述属性在所述期待时间段的实际变化数据；
利用所述历史行为数据和所述实际变化数据训练所述目标对象的属性预测模型，以根据所述预测变化数据与所述实际变化数据之间的匹配度，在所述属性预测模型中构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便利用所述属性预测模型根据所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。
本说明书实施例还提供一种数据处理方法，包括：
获取不同用户标识对目标对象的历史买卖数据，所述历史买卖数据反映所述目标对象的买卖指标在期待时间段的预期变化数据；
采集所述买卖指标在所述期待时间段的实际变化数据；
根据所述买卖指标的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的买卖数据与所述买卖指标的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的买卖数据，预测所述目标对象的所述买卖指标在未来指定时间段的预期变化数据。
本说明书实施例还提供一种针对目标对象的行为推荐方法，包括：
获取不同用户标识对所述目标对象的行为数据；
根据所述用户标识对所述目标对象的行为数据与所述目标对象的属性的预期变化数据之间的相关度，预测所述目标对象的所述属性在未来指定时间段的预期变化数据，所述相关度是根据所述不同用户标识对所述目标对象的历史行为数据所反映的所述属性的预测变化数据，与所述属性的实际变化数据之间的匹配度而构建的；
根据所述目标对象的所述属性在未来指定时间段的预期变化数据确定针对所述目标对象的行为推荐策略。
本说明书实施例还提供一种针对目标对象的行为推荐方法，包括：
获取不同用户标识对所述目标对象的行为数据；
利用所述目标对象的属性预测模型对所述行为数据进行处理，得到所述目标对象的所述属性在未来指定时间段的预测变化数据，所述属性预测模型是利用所述不同用户标识对所述目标对象的历史行为数据和所述属性的实际变化数据进行训练，以根据所述预测变化数据与所述实际变化数据之间的匹配度，在所述属性预测模型中构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，而得到的；
根据所述目标对象的所述属性在未来指定时间段的预期变化数据确定针对所述目标对象的行为推荐策略。
本说明书实施例还提供一种针对目标对象的行为推荐方法，包括：
获取不同用户标识对所述目标对象的买卖数据；
根据所述用户标识对所述目标对象的买卖数据与所述目标对象的买卖指标的预期变化数据之间的相关度，预测所述目标对象的所述买卖指标在未来指定时间段的预期变化数据，所述相关度是根据所述不同用户标识对所述目标对象的历史买卖数据所反映的所述买卖指标的预期变化数据，与所述买卖指标的实际变化数据之间的匹配度而构建的；
根据所述目标对象的所述买卖指标在未来指定时间段的预期变化数据确定针对所述目标对象的买卖推荐策略。
本说明书实施例还提供一种数据处理装置，包括：
获取模块，获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据；
采集模块，采集所述属性在所述期待时间段的实际变化数据；
构建模块，根据所述属性的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。
本说明书实施例还提供一种数据处理装置，包括：
获取模块，获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据；
采集模块，采集所述属性在所述期待时间段的实际变化数据；
训练模块，利用所述历史行为数据和所述实际变化数据训练所述目标对象的属性预测模型，以根据所述预测变化数据与所述实际变化数据之间的匹配度，在所述属性预测模型中构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便利用所述属性预测模型根据所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。
本说明书实施例还提供一种数据处理装置，包括：
获取模块，获取不同用户标识对目标对象的历史买卖数据，所述历史买卖数据反映所述目标对象的买卖指标在期待时间段的预期变化数据；
采集模块，采集所述买卖指标在所述期待时间段的实际变化数据；
构建模块，根据所述买卖指标的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的买卖数据与所述买卖指标的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的买卖数据，预测所述目标对象的所述买卖指标在未来指定时间段的预期变化数据。
本说明书实施例还提供一种针对目标对象的行为推荐装置，包括：
获取模块，获取不同用户标识对所述目标对象的行为数据；
预测模块，根据所述用户标识对所述目标对象的行为数据与所述目标对象的属性的预期变化数据之间的相关度，预测所述目标对象的所述属性在未来指定时间段的预期变化数据，所述相关度是根据所述不同用户标识对所述目标对象的历史行为数据所反映的所述属性的预测变化数据，与所述属性的实际变化数据之间的匹配度而构建的；
确定模块，根据所述目标对象的所述属性在未来指定时间段的预期变化数据确定针对所述目标对象的行为推荐策略。
本说明书实施例还提供一种针对目标对象的行为推荐装置，包括：
获取模块，获取不同用户标识对所述目标对象的行为数据；
处理模块，利用所述目标对象的属性预测模型对所述行为数据进行处理，得到所述目标对象的所述属性在未来指定时间段的预测变化数据，所述属性预测模型是利用所述不同用户标识对所述目标对象的历史行为数据和所述属性的实际变化数据进行训练，以根据所述预测变化数据与所述实际变化数据之间的匹配度，在所述属性预测模型中构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，而得到的；
确定模块，根据所述目标对象的所述属性在未来指定时间段的预期变化数据确定针对所述目标对象的行为推荐策略。
本说明书实施例还提供一种针对目标对象的行为推荐装置，包括：
获取模块，获取不同用户标识对所述目标对象的买卖数据；
预测模块，根据所述用户标识对所述目标对象的买卖数据与所述目标对象的买卖指标的预期变化数据之间的相关度，预测所述目标对象的所述买卖指标在未来指定时间段的预期变化数据，所述相关度是根据所述不同用户标识对所述目标对象的历史买卖数据所反映的所述买卖指标的预期变化数据，与所述买卖指标的实际变化数据之间的匹配度而构建的；
确定模块，根据所述目标对象的所述买卖指标在未来指定时间段的预期变化数据确定针对所述目标对象的买卖推荐策略。
本说明书实施例还提供一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据；
采集所述属性在所述期待时间段的实际变化数据；
根据所述属性的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。
本说明书实施例还提供一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据；
采集所述属性在所述期待时间段的实际变化数据；
利用所述历史行为数据和所述实际变化数据训练所述目标对象的属性预测模型，以根据所述预测变化数据与所述实际变化数据之间的匹配度，在所述属性预测模型中构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便利用所述属性预测模型根据所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。
本说明书实施例还提供一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取不同用户标识对目标对象的历史买卖数据，所述历史买卖数据反映所述目标对象的买卖指标在期待时间段的预期变化数据；
采集所述买卖指标在所述期待时间段的实际变化数据；
根据所述买卖指标的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的买卖数据与所述买卖指标的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的买卖数据，预测所述目标对象的所述买卖指标在未来指定时间段的预期变化数据。
本说明书实施例还提供一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取不同用户标识对所述目标对象的行为数据；
根据所述用户标识对所述目标对象的行为数据与所述目标对象的属性的预期变化数据之间的相关度，预测所述目标对象的所述属性在未来指定时间段的预期变化数据，所述相关度是根据所述不同用户标识对所述目标对象的历史行为数据所反映的所述属性的预测变化数据，与所述属性的实际变化数据之间的匹配度而构建的；
根据所述目标对象的所述属性在未来指定时间段的预期变化数据确定针对所述目标对象的行为推荐策略。
本说明书实施例还提供一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取不同用户标识对所述目标对象的行为数据；
利用所述目标对象的属性预测模型对所述行为数据进行处理，得到所述目标对象的所述属性在未来指定时间段的预测变化数据，所述属性预测模型是利用所述不同用户标识对所述目标对象的历史行为数据和所述属性的实际变化数据进行训练，以根据所述预测变化数据与所述实际变化数据之间的匹配度，在所述属性预测模型中构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，而得到的；
根据所述目标对象的所述属性在未来指定时间段的预期变化数据确定针对所述目标对象的行为推荐策略。
本说明书实施例还提供一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取不同用户标识对所述目标对象的买卖数据；
根据所述用户标识对所述目标对象的买卖数据与所述目标对象的买卖指标的预期变化数据之间的相关度，预测所述目标对象的所述买卖指标在未来指定时间段的预期变化数据，所述相关度是根据所述不同用户标识对所述目标对象的历史买卖数据所反映的所述买卖指标的预期变化数据，与所述买卖指标的实际变化数据之间的匹配度而构建的；
根据所述目标对象的所述买卖指标在未来指定时间段的预期变化数据确定针对所述目标对象的买卖推荐策略。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
本说明书实施例记载的方案通过构建用户标识的行为数据与目标对象的属性的预期变化数据之间的相关度，相关度表明各用户标识对目标对象的属性变化的预测准确度，因此，以不同用户标识对目标对象的行为数据作为参考依据，可以预测目标对象在指定时间段的属性变化，进而提供针对目标对象的行为推荐策略，这可以提升对目标对象的属性变化的预测准确度。
附图说明
此处所说明的附图用来提供对本说明书实施例的进一步理解，构成本说明书实施例的一部分，本说明书的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提出的一种数据处理方法的流程图；
图2为本说明书实施例提出的一种针对目标对象的行为推荐方法的流程图；
图3为本说明书实施例提出的一种数据处理方法的流程示意图；
图4为本说明书实施例提出的一种针对目标对象的行为推荐方法的流程图；
图5为本说明书实施例提出的一种数据处理方法的流程示意图；
图6为本说明书实施例提出的一种针对目标对象的行为推荐方法的流程图；
图7为本说明书实施例提出的一种针对目标对象的行为推荐策略的一个应用示例的流程图；
图8为本说明书实施例提出的一种数据处理装置的结构示意图；
图9为本说明书实施例提出的一种数据处理装置的结构图；
图10为本说明书实施例提出的一种数据处理装置的结构图；
图11为本说明书实施例提出的一种针对目标对象的行为推荐装置的结构图；
图12为本说明书实施例提出的一种针对目标对象的行为推荐装置的结构图；
图13为本说明书实施例提出的一种针对目标对象的行为推荐装置的结构图。
具体实施方式
本说明书实施例提出一种不同于现有技术的数据处理、针对目标对象的行为推荐方法、装置及设备，通过获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据；采集所述属性在所述期待时间段的实际变化数据；根据所述属性的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。进一步对，可以根据该预期变化数据推荐对目标对象施加的行为策略。
本说明书实施例记载的方案通过构建用户标识的行为数据与目标对象的属性的预期变化数据之间的相关度，相关度表明各用户标识对目标对象的属性变化的预测准确度，因此，以不同用户标识对目标对象的行为数据作为参考依据，可以预测目标对象在指定时间段的属性变化，进而提供针对目标对象的行为推荐策略，这可以提升对目标对象的属性变化的预测准确度。
为使本申请的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提出的一种数据处理方法的流程图。
步骤101：获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据。
在本说明书实施例中，目标对象可以是一个或一类产品或服务，在此不作具体限定。具体地，目标对象可以是金融产品，如某个股票或基金。金融产品还可以是一类金融产品，如互联网科技股、房地产股票或其他类金融产品，在此不做具体限定。
在本说明书实施例中，历史行为数据是指该用户标识对目标对象的操作所生成的数据。例如，该历史行为数据可以是买卖数据。其中，用户标识对目标对象的历史行为数据是根据其对该目标对象的属性在期待时间段的预期变化数据作出的，历史行为数据与预期变化数据之间是一致的，因此历史行为数据可以反映目标对象的属性在期待时间段的预期变化数据。
具体地，若历史行为数据为买入、购买，则目标对象的属性的预期变化数据为上升、上涨、增加、升高等；若历史行为数据为卖出，则目标对象的书信的预期变化数据为下降、下跌、降低等。
其中，获取不同用户标识对目标对象的历史行为数据，可以包括：
从数据库中获取不同用户标识对目标对象的历史行为数据。
步骤103：采集所述属性在所述期待时间段的实际变化数据。
在本说明书实施例中，实际变化数据可以是从用户标识对目标对象的历史行为数据开始起的所述期待时间段，目标对象的属性的实际变化数据。
具体地，采集所述属性在所述期待时间段的实际变化数据，可以包括：
从数据库中采集所述属性在所述期待时间段的实际变化数据。
步骤105：根据所述属性的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。
在本说明书实施例中，所述属性的所述预期变化数据与所述实际变化数据之间的匹配度反映了预期变化数据与实际变化数据的一致性，也反映了不同用户标识对目标对象的属性变化的预期变化数据的准确度。
因此，用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，表明该用户标识对目标对象的行为数据对预测目标对象的属性变化的可信度或参考价值。如果匹配度高，则该用户标识的行为数据的可信度高度，反之则低。
在一个实施例中，相关度可以是指权重。
在本说明书实施例中，构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，可以包括：
根据所述属性的所述预期变化数据与所述实际变化数据之间的匹配度，从所述不同用户标识中提取所述匹配度达到预设值的相关用户标识；
构建所述相关用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度。
利用该实施例，匹配度达到预设值，说明该用户标识能够较为准确地预测目标对象的属性变化，进而可以从前述不同用户表示出筛选出对预测目标对象的属性变化可信度较高或具有参考价值的相关用户标识。
在本说明书实施例中，预设值可以是指预先设置的。具体地，预设值可以是0，相关用户标识的相关度达到预设值，可以是指该相关用户标识对预测所述目标对象的属性变化所确定的权重不为0。反之，相关度未达到预设值可以是指该相关用户标识对预测目标对象的属性变化所确定的权重为0或接近0。
在本说明书实施例中，根据所述属性的所述预期变化数据与所述实际变化数据之间的匹配度，从所述不同用户标识中提取所述匹配度达到预设值的相关用户标识，可以包括：
根据所述属性的所述预期变化数据与所述实际变化数据之间的匹配度，计算所述不同用户标识对所述目标对象的属性变化的预测准确率；
利用所述不同用户标识的预测准确率从所述不同用户标识中识别出所述相关用户标识。
具体地，计算预测准确率，可以通过统计各用户标识对该目标对象的属性的多个预期变化数据，并比较这些预期行为数据与对应的实际变化数据，根据匹配个数确定该用户标识对目标对象的属性变化的预测准确率。
在这种情况下，利用所述不同用户标识的预测准确率确定所述不同用户标识与目标对象的属性的预期变化数据之间的相关度，具体可以是按照预测准确率对各用户标识进行排序，按照排名赋予各用户标识以相应的权重。
在本说明书实施例中，构建所述相关用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，包括：
从各所述相关用户标识中提取所述历史行为数据的重叠度不超过预设重叠度的指定用户标识；
构建所述指定用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度。
利用该实施例，可以从相关用户标识中剔除重叠的用户标识，从而保留彼此之间不重叠的指定用户标识。
所述历史行为数据的重叠度是指不同的相关用户标识对目标对象在较短时间内的行为同步次数。从各所述相关用户标识中提取所述历史行为数据的重叠度不超过预设重叠度的指定用户标识，进而对该指定用户标识赋予相应的相关度，而对重叠的其他用户标识的相关度赋值为0。其原因在于，若至少两个相关用户标识的重叠度较高，说明这些用户对预测涨跌的贡献相同，若均保留会造成用户标识冗余，意义不大。
具体地，从各所述相关用户标识中提取所述历史行为数据的重叠度不超过预设重叠度的指定用户标识，包括：
若至少两个所述相关用户标识的历史行为数据的重叠度超过预设重叠度，则对所述至少两个相关用户标识，根据行为时间在前的相关用户标识确定所述指定用户标识。在具体实践中，行为时间在后的用户标识被认定为跟风用户，有可能不是自己预测而买卖，因此选择行为时间在前的用户标识更有意义。
在本说明书实施例中，从不同的相关用户标识中提取所述指定用户标识，可以在预测阶段减轻数据冗余，并可以向用户推荐这些预测精准的相关用户标识，使最后的行为推荐策略可信度更高，提升用户体验。
本说明书实施例记载的方案通过构建用户标识的行为数据与目标对象的属性的预期变化数据之间的相关度，相关度表明各用户标识对目标对象的属性变化的预测准确度，因此，以不同用户标识对目标对象的行为数据作为参考依据，可以预测目标对象在指定时间段的属性变化，进而提供针对目标对象的行为推荐策略，这可以提升对目标对象的属性变化的预测准确度。
在这种情况下，参照图2，图2为本说明书实施例提出的一种针对目标对象的行为推荐方法的流程图。
步骤202：获取不同用户标识对所述目标对象的行为数据。
在具体应用中，可以获取用户标识在近期时间段或当前时间点之前的最近时间段的行为数据，越接近当前时间点，越有参考价值，后续所得预测结果才更准确。
步骤204：根据所述用户标识对所述目标对象的行为数据与所述目标对象的属性的预期变化数据之间的相关度，预测所述目标对象的所述属性在未来指定时间段的预期变化数据，所述相关度是根据所述不同用户标识对所述目标对象的历史行为数据所反映的所述属性的预测变化数据，与所述属性的实际变化数据之间的匹配度而构建的。
对各用户标识与目标对象的属性的预期变化数据之间的相关度，可以参考上文步骤105的内容，在此不再赘述。
具体地，相关度可以为用户标识的行为数据所占权重，那么根据所述用户标识对所述目标对象的行为数据与所述目标对象的属性的预期变化数据之间的相关度，预测所述目标对象的所述属性在未来指定时间段的预期变化数据，具体可以包括：
将各用户标识的行为数据与权重作乘积，将各个用户标识对应得到的乘积相加，得到最后的预期变化数据。其中，买进行为和卖出行为可以使用具体预设值进行表达。例如买进行为可以用正数表示，卖出行为可以用负数表示，或者买进行为为1而卖出行为为0，或者其他赋值，在此不作具体限定。
预期变化数据可以包含预测数值，根据预测数值与买进行为预设值或卖出行为预设值之间的差值来确定。还可以是，预测数值可以是上涨概率值或下跌概率值。
步骤206：根据所述目标对象的所述属性在未来指定时间段的预期变化数据确定针对所述目标对象的行为推荐策略。
若预期变化数据显示未来指定时间段上涨，则行为推荐策略可以是买进或跟进；
若预期变化数据显示未来指定时间段下跌，则行为推荐策略可以是卖出或抛售。
若预期变化数据包含上涨概率值或下跌概率值，则可以根据具体值来确定行为的表征值。
利用本说明书实施例记载的方案，可以根据各用户标识在当前或近期对目标对象的行为数据，结合已获得的相关度，预测目标对象在未来时刻的属性变化，从而确定行为推荐策略。本说明书实施例提供了一种不同于现有技术的新的目标对象的属性变化预测方案。
基于同一发明构思，图3为本说明书实施例提出的一种数据处理方法的流程示意图。
步骤301可以参考上文步骤101的内容，步骤303可以参考上文步骤103的内容，在此不作具体限定。
步骤305：利用所述历史行为数据和所述实际变化数据训练所述目标对象的属性预测模型，以根据所述预测变化数据与所述实际变化数据之间的匹配度，在所述属性预测模型中构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便利用所述属性预测模型根据所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。
训练属性预测模型，实质是训练属性预测模型中的各项参数，尤其是训练各用户标识的行为数据与目标对象的属性变化之间的相关度，具体原理可以参考上文步骤105，在此不作具体限定。
在本说明书实施例中，利用所述历史行为数据和所述实际变化数据训练所述目标对象的属性预测模型，可以包括：
利用所述属性预测模型中的L1正则项，从所述不同用户标识中提取所述匹配度达到预设值的相关用户标识；
在所述属性预测模型中构建所述相关用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度。
L1正则项的目的是从大量用户标识中，挑选出对预测目标对象的属性变化比较重要的相关用户标识。在应用中，在属性预测模型的损失函数中添加L1正则项，使属性预测模型的训练过程朝着有利于识别预测准确的相关用户标识的目标训练。
在本说明书实施例中，在所述属性预测模型中构建所述相关用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，包括：
利用所述属性预测模型中的正交正则项，从各所述相关用户标识中识别出所述历史行为数据的重叠度不超过预设重叠度的指定用户标识；
在所述属性预测模型中构建所述指定用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度。
正交正则项的目的是减少用户标识之间的信息冗余，使预测结果更准确。正交正则的原理是，若两个向量的内积之和为0或接近0，则两个向量正交。在本说明书实施例中，向量具体可以是单次准确买卖行为。
本说明书实施例记载的方案利用用户标识的行为数据与目标对象的属性的预期变化数据之间的相关度构建目标对象的属性预测模型，相关度表明各用户标识对目标对象的属性变化的预测准确度，因此，以不同用户标识对目标对象的行为数据作为参考依据，可以预测目标对象在指定时间段的属性变化，进而提供针对目标对象的行为推荐策略，这可以提升对目标对象的属性变化的预测准确度。
图4为本说明书实施例提出的一种针对目标对象的行为推荐方法的流程图。
步骤402可以参考上文步骤202的内容，在此不再赘述。
步骤404：利用所述目标对象的属性预测模型对所述行为数据进行处理，得到所述目标对象的所述属性在未来指定时间段的预测变化数据，所述属性预测模型是利用所述不同用户标识对所述目标对象的历史行为数据和所述属性的实际变化数据进行训练，以根据所述预测变化数据与所述实际变化数据之间的匹配度，在所述属性预测模型中构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，而得到的。
具体地，将获取的行为数据输入到属性预测模型，属性预测模型利用训练所确定的不同用户标识的相关度预测属性变化，输出属性的预期变化数据。
步骤406可以参考上文步骤206的内容，在此不再赘述。
基于同一发明构思，图5为本说明书实施例提出的一种数据处理方法的流程图。
步骤501：获取不同用户标识对目标对象的历史买卖数据，所述历史买卖数据反映所述目标对象的买卖指标在期待时间段的预期变化数据。
本说明书实施例的应用场景中，历史买卖数据为历史行为数据的一个应用示例。其中买卖指标是上文属性的一个应用示例。
步骤503：采集所述买卖指标在所述期待时间段的实际变化数据。
步骤505：根据所述买卖指标的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的买卖数据与所述买卖指标的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的买卖数据，预测所述目标对象的所述买卖指标在未来指定时间段的预期变化数据。
在这种情况下，图6为本说明书实施例提出的一种针对目标对象的行为推荐方法的流程图。
步骤602：获取不同用户标识对所述目标对象的买卖数据；
步骤604：根据所述用户标识对所述目标对象的买卖数据与所述目标对象的买卖指标的预期变化数据之间的相关度，预测所述目标对象的所述买卖指标在未来指定时间段的预期变化数据，所述相关度是根据所述不同用户标识对所述目标对象的历史买卖数据所反映的所述买卖指标的预期变化数据，与所述买卖指标的实际变化数据之间的匹配度而构建的；
步骤606：根据所述目标对象的所述买卖指标在未来指定时间段的预期变化数据确定针对所述目标对象的买卖推荐策略。
基于同一发明构思，图7为本说明书实施例提出的一种针对目标对象的行为推荐策略的一个应用示例的流程图。其中，目标对象可以是指指定金融产品。
步骤701：采集金融产品推荐平台上所有用户对指定金融产品的历史买卖数据和所述指定金融产品的买卖价格在期待时间段的实际涨跌数据。
步骤703：对历史买卖数据和对应历史买卖数据的涨跌数据按照预设时间尺度进行过滤，过滤出每个时间尺度上对指定金融产品有买卖行为的用户标识。
例如，假设全平台共有10个用户，在昨天有4个用户(id为1,2,3,4)买进指定股票，有2个用户(id为6，9)卖出指定股票。今天指定股票涨了，那么得到一条格式化的训练数据：x＝((1,0)(1，0)(1，0)(1，0)(0，0)(0，1)(0，0)(0，0)(0，1)(0，0))；y＝1，构成一个单独的数据集。其中，x作为涨跌预测模型的输入，其中对应每个用户的数据(xm，xn)，第一位xm表示是否买进，1代表买进，0代表没买进，第二位xn表示是否卖出，1代表卖出，0代表没卖出。y作为涨跌预测模型的输出，其中y＝1代表上涨，y＝0代表下跌，或反之。
在本说明书实施例中，指定金融产品的涨跌预测模型可以选择逻辑回归模型LR(Logistic Regression，LR)，LR模型为一种二分类模型，可解释性强。
步骤705：训练LR模型。
具体地，针对每个指定金融产品单独训练一个LR模型。
其中，LR模型中增加L1正则项和正交正则项。通过这种方式训练得到每个用户表示的权重(相关度的一种形式)，如果很多用户表示对预测指定股票的涨跌意义不大，那么得到权重可能为0或接近0，如果某些用户标识对股票预测比较准，那么LR模型学习到的这些用户标识的权重可能会更大。最后得到一个权重稀疏的涨跌预测模型。
步骤707：利用训练好的指定金融产品的涨跌预测模型，结合各用户标识的买卖数据作为输入，涨跌预测模型输出这只指定金融产品在明天或其后一段时间是上涨(y＝1)还是下跌(y＝0)。
具体地，步骤707可以包括：
过滤各用户标识，得到相关用户标识；
将相关用户标识的买卖数据输入指定金融产品的涨跌预测模型，得到涨跌预测结果。
在本说明书实施例中，也可以不先过滤，而将所有用户标识的买卖数据均输入到指定金融产品的涨跌预测模型。
在本说明书实施例中，可以将指定金融产品的涨跌预测结果推送给用户，作为投资的参考，同时模型具有可解释性。
图8为本说明书实施例提出的一种数据处理装置的结构示意图。
本装置可以包括：
获取模块801，获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据；
采集模块802，采集所述属性在所述期待时间段的实际变化数据；
构建模块803，根据所述属性的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。
可选地，构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，包括：
根据所述属性的所述预期变化数据与所述实际变化数据之间的匹配度，从所述不同用户标识中提取所述匹配度达到预设值的相关用户标识；
构建所述相关用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度。
可选地，构建所述相关用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，包括：
从各所述相关用户标识中提取所述历史行为数据的重叠度不超过预设重叠度的指定用户标识；
构建所述指定用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度。
利用本说明书实施例记载的装置，通过构建用户标识的行为数据与目标对象的属性的预期变化数据之间的相关度，相关度表明各用户标识对目标对象的属性变化的预测准确度，因此，以不同用户标识对目标对象的行为数据作为参考依据，可以预测目标对象在指定时间段的属性变化，进而提供针对目标对象的行为推荐策略，这可以提升对目标对象的属性变化的预测准确度。
基于同一个发明构思，本说明书实施例还提供了一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据；
采集所述属性在所述期待时间段的实际变化数据；
根据所述属性的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。
基于同一发明构思，本说明书实施例中还提供了一种计算机可读存储介质，包括与电子设备结合使用的计算机程序，所述计算机程序可被处理器执行以完成以下步骤：
获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据；
采集所述属性在所述期待时间段的实际变化数据；
根据所述属性的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。
图9为本说明书实施例提出的一种数据处理装置的结构图。
本装置可以包括：
获取模块901，获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据；
采集模块902，采集所述属性在所述期待时间段的实际变化数据；
训练模块903，利用所述历史行为数据和所述实际变化数据训练所述目标对象的属性预测模型，以根据所述预测变化数据与所述实际变化数据之间的匹配度，在所述属性预测模型中构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便利用所述属性预测模型根据所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。
利用本说明书实施例记载的装置，利用用户标识的行为数据与目标对象的属性的预期变化数据之间的相关度构建所述目标对象的属性预测模型，相关度表明各用户标识对目标对象的属性变化的预测准确度，因此，以不同用户标识对目标对象的行为数据作为参考依据，可以预测目标对象在指定时间段的属性变化，进而提供针对目标对象的行为推荐策略，这可以提升对目标对象的属性变化的预测准确度。
基于同一个发明构思，本说明书实施例还提供了一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据；
采集所述属性在所述期待时间段的实际变化数据；
利用所述历史行为数据和所述实际变化数据训练所述目标对象的属性预测模型，以根据所述预测变化数据与所述实际变化数据之间的匹配度，在所述属性预测模型中构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便利用所述属性预测模型根据所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。
基于同一发明构思，本说明书实施例中还提供了一种计算机可读存储介质，包括与电子设备结合使用的计算机程序，所述计算机程序可被处理器执行以完成以下步骤：
获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据；
采集所述属性在所述期待时间段的实际变化数据；
利用所述历史行为数据和所述实际变化数据训练所述目标对象的属性预测模型，以根据所述预测变化数据与所述实际变化数据之间的匹配度，在所述属性预测模型中构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便利用所述属性预测模型根据所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。
图10为本说明书实施例提出的一种数据处理装置的结构示意图。
本装置可以包括：
获取模块1001，获取不同用户标识对目标对象的历史买卖数据，所述历史买卖数据反映所述目标对象的买卖指标在期待时间段的预期变化数据；
采集模块1002，采集所述买卖指标在所述期待时间段的实际变化数据；
构建模块1003，根据所述买卖指标的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的买卖数据与所述买卖指标的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的买卖数据，预测所述目标对象的所述买卖指标在未来指定时间段的预期变化数据。
基于同一个发明构思，本说明书实施例还提供了一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取不同用户标识对目标对象的历史买卖数据，所述历史买卖数据反映所述目标对象的买卖指标在期待时间段的预期变化数据；
采集所述买卖指标在所述期待时间段的实际变化数据；
根据所述买卖指标的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的买卖数据与所述买卖指标的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的买卖数据，预测所述目标对象的所述买卖指标在未来指定时间段的预期变化数据。
基于同一发明构思，本说明书实施例中还提供了一种计算机可读存储介质，包括与电子设备结合使用的计算机程序，所述计算机程序可被处理器执行以完成以下步骤：
获取不同用户标识对目标对象的历史买卖数据，所述历史买卖数据反映所述目标对象的买卖指标在期待时间段的预期变化数据；
采集所述买卖指标在所述期待时间段的实际变化数据；
根据所述买卖指标的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的买卖数据与所述买卖指标的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的买卖数据，预测所述目标对象的所述买卖指标在未来指定时间段的预期变化数据。
图11为本说明书实施例提出的一种针对目标对象的行为推荐装置的结构图。
本装置可以包括：
获取模块1101，获取不同用户标识对所述目标对象的行为数据；
预测模块1102，根据所述用户标识对所述目标对象的行为数据与所述目标对象的属性的预期变化数据之间的相关度，预测所述目标对象的所述属性在未来指定时间段的预期变化数据，所述相关度是根据所述不同用户标识对所述目标对象的历史行为数据所反映的所述属性的预测变化数据，与所述属性的实际变化数据之间的匹配度而构建的；
确定模块1103，根据所述目标对象的所述属性在未来指定时间段的预期变化数据确定针对所述目标对象的行为推荐策略。
利用本说明书实施例记载的装置，通过构建用户标识的行为数据与目标对象的属性的预期变化数据之间的相关度，相关度表明各用户标识对目标对象的属性变化的预测准确度，因此，以不同用户标识对目标对象的行为数据作为参考依据，可以预测目标对象在指定时间段的属性变化，进而提供针对目标对象的行为推荐策略，这可以提升对目标对象的属性变化的预测准确度。
基于同一个发明构思，本说明书实施例还提供了一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取不同用户标识对所述目标对象的行为数据；
根据所述用户标识对所述目标对象的行为数据与所述目标对象的属性的预期变化数据之间的相关度，预测所述目标对象的所述属性在未来指定时间段的预期变化数据，所述相关度是根据所述不同用户标识对所述目标对象的历史行为数据所反映的所述属性的预测变化数据，与所述属性的实际变化数据之间的匹配度而构建的；
根据所述目标对象的所述属性在未来指定时间段的预期变化数据确定针对所述目标对象的行为推荐策略。
基于同一发明构思，本说明书实施例中还提供了一种计算机可读存储介质，包括与电子设备结合使用的计算机程序，所述计算机程序可被处理器执行以完成以下步骤：
获取不同用户标识对所述目标对象的行为数据；
根据所述用户标识对所述目标对象的行为数据与所述目标对象的属性的预期变化数据之间的相关度，预测所述目标对象的所述属性在未来指定时间段的预期变化数据，所述相关度是根据所述不同用户标识对所述目标对象的历史行为数据所反映的所述属性的预测变化数据，与所述属性的实际变化数据之间的匹配度而构建的；
根据所述目标对象的所述属性在未来指定时间段的预期变化数据确定针对所述目标对象的行为推荐策略。
图12为本说明书实施例提出的一种针对目标对象的行为推荐装置的结构示意图。
获取模块1201，获取不同用户标识对所述目标对象的行为数据；
处理模块1202，利用所述目标对象的属性预测模型对所述行为数据进行处理，得到所述目标对象的所述属性在未来指定时间段的预测变化数据，所述属性预测模型是利用所述不同用户标识对所述目标对象的历史行为数据和所述属性的实际变化数据进行训练，以根据所述预测变化数据与所述实际变化数据之间的匹配度，在所述属性预测模型中构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，而得到的；
确定模块1203，根据所述目标对象的所述属性在未来指定时间段的预期变化数据确定针对所述目标对象的行为推荐策略。
基于同一个发明构思，本说明书实施例还提供了一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取不同用户标识对所述目标对象的行为数据；
利用所述目标对象的属性预测模型对所述行为数据进行处理，得到所述目标对象的所述属性在未来指定时间段的预测变化数据，所述属性预测模型是利用所述不同用户标识对所述目标对象的历史行为数据和所述属性的实际变化数据进行训练，以根据所述预测变化数据与所述实际变化数据之间的匹配度，在所述属性预测模型中构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，而得到的；
根据所述目标对象的所述属性在未来指定时间段的预期变化数据确定针对所述目标对象的行为推荐策略。
基于同一发明构思，本说明书实施例中还提供了一种计算机可读存储介质，包括与电子设备结合使用的计算机程序，所述计算机程序可被处理器执行以完成以下步骤：
获取不同用户标识对所述目标对象的行为数据；
利用所述目标对象的属性预测模型对所述行为数据进行处理，得到所述目标对象的所述属性在未来指定时间段的预测变化数据，所述属性预测模型是利用所述不同用户标识对所述目标对象的历史行为数据和所述属性的实际变化数据进行训练，以根据所述预测变化数据与所述实际变化数据之间的匹配度，在所述属性预测模型中构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，而得到的；
根据所述目标对象的所述属性在未来指定时间段的预期变化数据确定针对所述目标对象的行为推荐策略。
图13为本说明书实施例提出的一种针对目标对象的行为推荐装置的结构示意图。
本装置可以包括：
获取模块1301，获取不同用户标识对所述目标对象的买卖数据；
预测模块1302，根据所述用户标识对所述目标对象的买卖数据与所述目标对象的买卖指标的预期变化数据之间的相关度，预测所述目标对象的所述买卖指标在未来指定时间段的预期变化数据，所述相关度是根据所述不同用户标识对所述目标对象的历史买卖数据所反映的所述买卖指标的预期变化数据，与所述买卖指标的实际变化数据之间的匹配度而构建的；
确定模块1303，根据所述目标对象的所述买卖指标在未来指定时间段的预期变化数据确定针对所述目标对象的买卖推荐策略。
基于同一个发明构思，本说明书实施例还提供了一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取不同用户标识对所述目标对象的买卖数据；
根据所述用户标识对所述目标对象的买卖数据与所述目标对象的买卖指标的预期变化数据之间的相关度，预测所述目标对象的所述买卖指标在未来指定时间段的预期变化数据，所述相关度是根据所述不同用户标识对所述目标对象的历史买卖数据所反映的所述买卖指标的预期变化数据，与所述买卖指标的实际变化数据之间的匹配度而构建的；
根据所述目标对象的所述买卖指标在未来指定时间段的预期变化数据确定针对所述目标对象的买卖推荐策略。
基于同一发明构思，本说明书实施例中还提供了一种计算机可读存储介质，包括与电子设备结合使用的计算机程序，所述计算机程序可被处理器执行以完成以下步骤：
获取不同用户标识对所述目标对象的买卖数据；
根据所述用户标识对所述目标对象的买卖数据与所述目标对象的买卖指标的预期变化数据之间的相关度，预测所述目标对象的所述买卖指标在未来指定时间段的预期变化数据，所述相关度是根据所述不同用户标识对所述目标对象的历史买卖数据所反映的所述买卖指标的预期变化数据，与所述买卖指标的实际变化数据之间的匹配度而构建的；
根据所述目标对象的所述买卖指标在未来指定时间段的预期变化数据确定针对所述目标对象的买卖推荐策略。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、方法、商品或者设备不仅包括那些要素，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、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (25)

1.一种数据处理方法，包括：
获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据；
采集所述属性在所述期待时间段的实际变化数据；
根据所述属性的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。
2.如权利要求1所述的方法，构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，包括：
根据所述属性的所述预期变化数据与所述实际变化数据之间的匹配度，从所述不同用户标识中提取所述匹配度达到预设值的相关用户标识；
构建所述相关用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度。
3.如权利要求2所述的方法，构建所述相关用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，包括：
从各所述相关用户标识中提取所述历史行为数据的重叠度不超过预设重叠度的指定用户标识；
构建所述指定用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度。
4.如权利要求3所述的方法，从各所述相关用户标识中提取所述历史行为数据的重叠度不超过预设重叠度的指定用户标识，包括：
若至少两个所述相关用户标识的历史行为数据的重叠度超过预设重叠度，则对所述至少两个相关用户标识，根据行为时间在前的相关用户标识确定所述指定用户标识。
5.一种数据处理方法，包括：
获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据；
采集所述属性在所述期待时间段的实际变化数据；
利用所述历史行为数据和所述实际变化数据训练所述目标对象的属性预测模型，以根据所述预测变化数据与所述实际变化数据之间的匹配度，在所述属性预测模型中构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便利用所述属性预测模型根据所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。
6.如权利要求5所述的方法，利用所述历史行为数据和所述实际变化数据训练所述目标对象的属性预测模型，包括：
利用所述属性预测模型中的L1正则项，从所述不同用户标识中提取所述匹配度达到预设值的相关用户标识；
在所述属性预测模型中构建所述相关用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度。
7.如权利要求6所述的方法，在所述属性预测模型中构建所述相关用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，包括：
利用所述属性预测模型中的正交正则项，从各所述相关用户标识中识别出所述历史行为数据的重叠度不超过预设重叠度的指定用户标识；
在所述属性预测模型中构建所述指定用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度。
8.一种数据处理方法，包括：
获取不同用户标识对目标对象的历史买卖数据，所述历史买卖数据反映所述目标对象的买卖指标在期待时间段的预期变化数据；
采集所述买卖指标在所述期待时间段的实际变化数据；
根据所述买卖指标的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的买卖数据与所述买卖指标的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的买卖数据，预测所述目标对象的所述买卖指标在未来指定时间段的预期变化数据。
9.一种针对目标对象的行为推荐方法，包括：
获取不同用户标识对所述目标对象的行为数据；
根据所述用户标识对所述目标对象的行为数据与所述目标对象的属性的预期变化数据之间的相关度，预测所述目标对象的所述属性在未来指定时间段的预期变化数据，所述相关度是根据所述不同用户标识对所述目标对象的历史行为数据所反映的所述属性的预测变化数据，与所述属性的实际变化数据之间的匹配度而构建的；
根据所述目标对象的所述属性在未来指定时间段的预期变化数据确定针对所述目标对象的行为推荐策略。
10.一种针对目标对象的行为推荐方法，包括：
获取不同用户标识对所述目标对象的行为数据；
利用所述目标对象的属性预测模型对所述行为数据进行处理，得到所述目标对象的所述属性在未来指定时间段的预测变化数据，所述属性预测模型是利用所述不同用户标识对所述目标对象的历史行为数据和所述属性的实际变化数据进行训练，以根据所述预测变化数据与所述实际变化数据之间的匹配度，在所述属性预测模型中构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，而得到的；
根据所述目标对象的所述属性在未来指定时间段的预期变化数据确定针对所述目标对象的行为推荐策略。
11.一种针对目标对象的行为推荐方法，包括：
获取不同用户标识对所述目标对象的买卖数据；
根据所述用户标识对所述目标对象的买卖数据与所述目标对象的买卖指标的预期变化数据之间的相关度，预测所述目标对象的所述买卖指标在未来指定时间段的预期变化数据，所述相关度是根据所述不同用户标识对所述目标对象的历史买卖数据所反映的所述买卖指标的预期变化数据，与所述买卖指标的实际变化数据之间的匹配度而构建的；
根据所述目标对象的所述买卖指标在未来指定时间段的预期变化数据确定针对所述目标对象的买卖推荐策略。
12.一种数据处理装置，包括：
获取模块，获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据；
采集模块，采集所述属性在所述期待时间段的实际变化数据；
构建模块，根据所述属性的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。
13.如权利要求12所述的装置，构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，包括：
根据所述属性的所述预期变化数据与所述实际变化数据之间的匹配度，从所述不同用户标识中提取所述匹配度达到预设值的相关用户标识；
构建所述相关用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度。
14.如权利要求13所述的装置，构建所述相关用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，包括：
从各所述相关用户标识中提取所述历史行为数据的重叠度不超过预设重叠度的指定用户标识；
构建所述指定用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度。
15.一种数据处理装置，包括：
获取模块，获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据；
采集模块，采集所述属性在所述期待时间段的实际变化数据；
训练模块，利用所述历史行为数据和所述实际变化数据训练所述目标对象的属性预测模型，以根据所述预测变化数据与所述实际变化数据之间的匹配度，在所述属性预测模型中构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便利用所述属性预测模型根据所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。
16.一种数据处理装置，包括：
获取模块，获取不同用户标识对目标对象的历史买卖数据，所述历史买卖数据反映所述目标对象的买卖指标在期待时间段的预期变化数据；
采集模块，采集所述买卖指标在所述期待时间段的实际变化数据；
构建模块，根据所述买卖指标的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的买卖数据与所述买卖指标的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的买卖数据，预测所述目标对象的所述买卖指标在未来指定时间段的预期变化数据。
17.一种针对目标对象的行为推荐装置，包括：
获取模块，获取不同用户标识对所述目标对象的行为数据；
预测模块，根据所述用户标识对所述目标对象的行为数据与所述目标对象的属性的预期变化数据之间的相关度，预测所述目标对象的所述属性在未来指定时间段的预期变化数据，所述相关度是根据所述不同用户标识对所述目标对象的历史行为数据所反映的所述属性的预测变化数据，与所述属性的实际变化数据之间的匹配度而构建的；
确定模块，根据所述目标对象的所述属性在未来指定时间段的预期变化数据确定针对所述目标对象的行为推荐策略。
18.一种针对目标对象的行为推荐装置，包括：
获取模块，获取不同用户标识对所述目标对象的行为数据；
处理模块，利用所述目标对象的属性预测模型对所述行为数据进行处理，得到所述目标对象的所述属性在未来指定时间段的预测变化数据，所述属性预测模型是利用所述不同用户标识对所述目标对象的历史行为数据和所述属性的实际变化数据进行训练，以根据所述预测变化数据与所述实际变化数据之间的匹配度，在所述属性预测模型中构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，而得到的；
确定模块，根据所述目标对象的所述属性在未来指定时间段的预期变化数据确定针对所述目标对象的行为推荐策略。
19.一种针对目标对象的行为推荐装置，包括：
获取模块，获取不同用户标识对所述目标对象的买卖数据；
预测模块，根据所述用户标识对所述目标对象的买卖数据与所述目标对象的买卖指标的预期变化数据之间的相关度，预测所述目标对象的所述买卖指标在未来指定时间段的预期变化数据，所述相关度是根据所述不同用户标识对所述目标对象的历史买卖数据所反映的所述买卖指标的预期变化数据，与所述买卖指标的实际变化数据之间的匹配度而构建的；
确定模块，根据所述目标对象的所述买卖指标在未来指定时间段的预期变化数据确定针对所述目标对象的买卖推荐策略。
20.一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据；
采集所述属性在所述期待时间段的实际变化数据；
根据所述属性的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。
21.一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取不同用户标识对目标对象的历史行为数据，所述历史行为数据反映所述目标对象的属性在期待时间段的预期变化数据；
采集所述属性在所述期待时间段的实际变化数据；
利用所述历史行为数据和所述实际变化数据训练所述目标对象的属性预测模型，以根据所述预测变化数据与所述实际变化数据之间的匹配度，在所述属性预测模型中构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，以便利用所述属性预测模型根据所述不同用户标识对所述目标对象的行为数据，预测所述目标对象的所述属性在未来指定时间段的预期变化数据。
22.一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取不同用户标识对目标对象的历史买卖数据，所述历史买卖数据反映所述目标对象的买卖指标在期待时间段的预期变化数据；
采集所述买卖指标在所述期待时间段的实际变化数据；
根据所述买卖指标的所述预期变化数据与所述实际变化数据之间的匹配度，构建所述用户标识对所述目标对象的买卖数据与所述买卖指标的预期变化数据之间的相关度，以便根据所述相关度，利用所述不同用户标识对所述目标对象的买卖数据，预测所述目标对象的所述买卖指标在未来指定时间段的预期变化数据。
23.一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取不同用户标识对所述目标对象的行为数据；
根据所述用户标识对所述目标对象的行为数据与所述目标对象的属性的预期变化数据之间的相关度，预测所述目标对象的所述属性在未来指定时间段的预期变化数据，所述相关度是根据所述不同用户标识对所述目标对象的历史行为数据所反映的所述属性的预测变化数据，与所述属性的实际变化数据之间的匹配度而构建的；
根据所述目标对象的所述属性在未来指定时间段的预期变化数据确定针对所述目标对象的行为推荐策略。
24.一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取不同用户标识对所述目标对象的行为数据；
利用所述目标对象的属性预测模型对所述行为数据进行处理，得到所述目标对象的所述属性在未来指定时间段的预测变化数据，所述属性预测模型是利用所述不同用户标识对所述目标对象的历史行为数据和所述属性的实际变化数据进行训练，以根据所述预测变化数据与所述实际变化数据之间的匹配度，在所述属性预测模型中构建所述用户标识对所述目标对象的行为数据与所述属性的预期变化数据之间的相关度，而得到的；
根据所述目标对象的所述属性在未来指定时间段的预期变化数据确定针对所述目标对象的行为推荐策略。
25.一种电子设备，包括：
处理器；以及
被配置成存储计算机程序的存储器，所述计算机程序在被执行时使所述处理器执行以下操作：
获取不同用户标识对所述目标对象的买卖数据；
根据所述用户标识对所述目标对象的买卖数据与所述目标对象的买卖指标的预期变化数据之间的相关度，预测所述目标对象的所述买卖指标在未来指定时间段的预期变化数据，所述相关度是根据所述不同用户标识对所述目标对象的历史买卖数据所反映的所述买卖指标的预期变化数据，与所述买卖指标的实际变化数据之间的匹配度而构建的；
根据所述目标对象的所述买卖指标在未来指定时间段的预期变化数据确定针对所述目标对象的买卖推荐策略。
CN202010285679.9A 2020-04-13 2020-04-13 数据处理、针对目标对象的行为推荐方法、装置及设备 Pending CN111400604A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010285679.9A CN111400604A (zh) 2020-04-13 2020-04-13 数据处理、针对目标对象的行为推荐方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010285679.9A CN111400604A (zh) 2020-04-13 2020-04-13 数据处理、针对目标对象的行为推荐方法、装置及设备

Publications (1)

Publication Number Publication Date
CN111400604A true CN111400604A (zh) 2020-07-10

Family

ID=71435151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010285679.9A Pending CN111400604A (zh) 2020-04-13 2020-04-13 数据处理、针对目标对象的行为推荐方法、装置及设备

Country Status (1)

Country Link
CN (1) CN111400604A (zh)

Similar Documents

Publication Publication Date Title
CN109359793B (zh) 一种针对新场景的预测模型训练方法及装置
CN111080304B (zh) 一种可信关系识别方法、装置及设备
CN109214421B (zh) 一种模型训练方法、装置、及计算机设备
CN110728458B (zh) 一种目标对象的风险监测方法、装置及电子设备
CN107590690B (zh) 数据处理方法、装置及服务器
CN113688313A (zh) 一种预测模型的训练方法、信息推送的方法及装置
CN110119860B (zh) 一种垃圾账号检测方法、装置以及设备
CN110020427B (zh) 策略确定方法和装置
CN111639687B (zh) 一种模型训练以及异常账号识别方法及装置
CN112966189B (zh) 一种基金产品推荐系统
CN110633989A (zh) 一种风险行为生成模型的确定方法及装置
CN112966113A (zh) 一种数据的风险防控方法、装置及设备
CN114490786B (zh) 数据排序方法及装置
CN105989066A (zh) 一种信息处理方法和装置
TWI713019B (zh) 資料標籤產生、模型訓練、事件識別方法和裝置
CN112183584A (zh) 一种模型训练以及业务执行的方法及装置
CN115456801B (zh) 个人信用的人工智能大数据风控系统、方法和存储介质
CN110851600A (zh) 基于深度学习的文本数据处理方法及装置
CN111400604A (zh) 数据处理、针对目标对象的行为推荐方法、装置及设备
CN110163470B (zh) 事件评估方法及装置
CN111159397B (zh) 文本分类方法和装置、服务器
CN112417275A (zh) 一种信息提供的方法、装置存储介质及电子设备
CN109299321B (zh) 一种曲目推荐方法及装置
CN113205377A (zh) 一种信息推荐的方法及装置
CN112749269A (zh) 实体舆情计算方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200710