CN112287101B - 信息处理方法、装置和计算机设备 - Google Patents

信息处理方法、装置和计算机设备 Download PDF

Info

Publication number
CN112287101B
CN112287101B CN201910665846.XA CN201910665846A CN112287101B CN 112287101 B CN112287101 B CN 112287101B CN 201910665846 A CN201910665846 A CN 201910665846A CN 112287101 B CN112287101 B CN 112287101B
Authority
CN
China
Prior art keywords
news information
financial news
label
original financial
information
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.)
Active
Application number
CN201910665846.XA
Other languages
English (en)
Other versions
CN112287101A (zh
Inventor
谭庆超
王洋
田力
王昕晨
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.)
Shanghai Yingfan Digital Technology Co ltd
Original Assignee
Shanghai Yingfan Digital 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 Shanghai Yingfan Digital Technology Co ltd filed Critical Shanghai Yingfan Digital Technology Co ltd
Priority to CN201910665846.XA priority Critical patent/CN112287101B/zh
Publication of CN112287101A publication Critical patent/CN112287101A/zh
Application granted granted Critical
Publication of CN112287101B publication Critical patent/CN112287101B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请实施例提供了一种信息处理方法、装置和计算机设备，该方法包括获取原始财经新闻信息，将所述原始财经新闻信息输入预先训练好的标签分类模型中，获取与所述原始财经新闻信息相对应的标签，然后根据所述标签查找与所述原始财经新闻信息相关联的参考财经新闻信息，最后将所述原始财经新闻信息与所述参考财经新闻信息进行比较，得到所述原始财经新闻信息的查重结果。这样，在进行信息处理的时候，便无需对每篇原始财经新闻信息进行人工打标，提高了打标效率，并为信息处理过程中的新闻打标问题提供了解决方案。进一步地，还可基于获取的标签对原始财经新闻信息是否为重复的新闻，确保原始财经新闻信息的时效性。

Description

信息处理方法、装置和计算机设备
技术领域
本申请涉及大数据技术领域，尤其涉及一种信息处理方法、装置和计算机设备。
背景技术
内容管理系统（Content Management System；以下简称：CMS）主要用于解决各种非结构化或半结构化的信息的采集、管理、利用、传递和增值，内容的创作人员、编辑人员和发布人员可以使用CMS来提交，修改，审批，以及发布内容。
但是，传统的CMS仅能实现信息编辑、信息修改等较为基础的工作，对于信息的处理，却面临处理效率低下的问题。例如，在处理大量的信息之前，通常通过人工去标记一定量的信息，非常耗时；对于每一类信息，执行的流程相同，处理的灵活度不高等。
因此，如何提出一种方法，可以提高信息处理的效率，具有至关重要的意义。
发明内容
本申请实施例提供了一种信息处理方法、装置和计算机设备，在进行信息处理的时候，无需对每篇原始财经新闻信息进行人工打标，提高了打标效率，并为信息处理过程中的新闻打标问题提供了解决方案。进一步地，还可基于获取的标签对原始财经新闻信息是否为重复的新闻，确保原始财经新闻信息的时效性。
第一方面，本申请实施例提供了一种信息处理方法，包括：
获取原始财经新闻信息；
将所述原始财经新闻信息输入预先训练好的标签分类模型中，获取与所述原始财经新闻信息相对应的标签；
根据所述标签查找与所述原始财经新闻信息相关联的参考财经新闻信息；
将所述原始财经新闻信息与所述参考财经新闻信息进行比较，得到所述原始财经新闻信息的查重结果。
其中在一种可能的实现方式中，所述将所述原始财经新闻信息输入预先训练好的标签分类模型中之前，还包括：
获取第一财经新闻信息以及所述第一财经新闻信息相对应的第一标签；
提取所述第一财经新闻信息的第一n-gram特征；
将所述第一n-gram特征输入待训练的标签分类模型中，得到所述待训练的标签分类模型输出的第二标签；以及，
当所述第二标签与所述第一标签的相似度大于或等于预设阈值时，获得训练好的标签分类模型。
其中在一种可能的实现方式中，所述将所述第一n-gram特征输入待训练的标签分类模型中，得到所述待训练的标签分类模型输出的第二标签之后，还包括：
当所述第二标签与所述第一标签的相似度小于所述预设阈值时；
对所述待训练的标签分类模型的参数进行优化，直至通过所述待训练的标签分类模型的第二标签与所述第一标签的相似度大于或等于预设阈值。
其中在一种可能的实现方式中，所述将所述原始财经新闻信息输入预先训练好的标签分类模型中，获取与所述原始财经新闻信息相对应的标签之后，还包括：
根据所述标签，得到所述原始财经新闻信息的多个关联股票；
对所述多个关联股票按照参考价值的高低进行排序；
根据排序结果，得到所述原始财经新闻信息的最终关联股票。
其中在一种可能的实现方式中，所述对所述多个关联股票按照参考价值的高低进行排序包括：
对所述多个关联股票按照参考价值的高低进行冒泡排序；或
对所述多个关联股票按照参考价值的高低进行选择排序
对所述多个关联股票按照参考价值的高低进行选择排序。
其中在一种可能的实现方式中，所述将所述原始财经新闻信息与所述参考财经新闻信息进行比较，得到所述原始财经新闻信息的查重结果之后，还包括：
若所述查重结果为重复，则删除所述原始财经新闻信息；
若所述查重结果为不重复，则存储所述原始财经新闻信息，并将所述原始财经新闻信息从待查重信息库中删除。
其中在一种可能的实现方式中，所述将所述原始财经新闻信息与所述参考财经新闻信息进行比较，得到所述原始财经新闻信息的查重结果之后，还包括：
将所述查重结果发送至待查重信息库中，使得所述待查重信息库根据所述查重结果对所述原始财经新闻信息进行处理；以及，
在处理完所述原始财经新闻信息之后，自动生成下一条待查重的原始财经新闻信息。
第二方面，本申请实施例还提供了一种信息处理装置，包括：
第一获取模块，用于获取原始财经新闻信息；
第一输入模块，与所述第一获取模块相连接，用于输入所述原始财经新闻信息至预先训练好的标签分类模型；
第二获取模块，与所述第一输入模块相连接，用于获取所述预先训练好的标签分类模型输出的与所述原始财经新闻信息相对应的标签；
查找模块，与所述第二获取模块相连接，用于根据所述标签查找与所述原始财经新闻信息相关联的参考财经新闻信息；
比较模块，与所述查找模块相连接，用于将所述原始财经新闻信息与所述参考财经新闻信息进行比较，得到所述原始财经新闻信息的查重结果。
第三方面，本申请实施例还提供了一种计算机设备，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述信息处理方法。
第四方面，本申请实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述信息处理方法。
以上技术方案中，在获取原始财经新闻信息之后，将所述原始财经新闻信息输入预先训练好的标签分类模型中，获取与所述原始财经新闻信息相对应的标签，然后根据所述标签查找与所述原始财经新闻信息相关联的参考财经新闻信息，最后将所述原始财经新闻信息与所述参考财经新闻信息进行比较，得到所述原始财经新闻信息的查重结果。这样，在进行信息处理的时候，便无需对每篇原始财经新闻信息进行人工打标，提高了打标效率，并为信息处理过程中的新闻打标问题提供了解决方案。进一步地，还可基于获取的标签对原始财经新闻信息是否为重复的新闻，确保原始财经新闻信息的时效性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请信息处理方法的一实施例的流程图；
图2为本申请信息处理方法的另一实施例的流程图；
图3为本申请信息处理方法的再一实施例的流程图；
图4为本申请信息处理方法的再一实施例的流程图；
图5为本申请信息处理装置一实施例的连接结构示意图；
图6为本申请信息处理装置另一实施例的连接结构示意图；
图7为本申请信息处理装置再一实施例的连接结构示意图；
图8为本申请计算机设备一个实施例的结构示意图。
具体实施方式
为了更好的理解本申请的技术方案，下面结合附图对本申请实施例进行详细描述。
应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
图1为本申请信息处理方法的一实施例的流程图，如图1所示，上述方法包括：
S101：获取原始财经新闻信息。
本实施例中，所指原始财经新闻信息包括未经处理的各种财政、金融、经济新闻。本实施例可从新闻网站或数据库中获取，具体包括主动获取和被动获取两种方式。
以下，分别对采用主动获取和被动获取的方式获取到原始财经新闻信息的实现过程进行具体阐述。
第一种情况，采用主动获取的方式直接获取原始财经新闻信息；具体包括向新闻网站或数据库中主动请求新闻信息，从新闻网站或数据库直接获取到原始财经新闻信息。
第二种情况，采用被动获取的方式间接获取原始财经新闻信息；具体包括接收来自新闻网站或数据库的通知信息，在接收到通知信息后，与新闻网站或数据库完成交互，从新闻网站或数据库间接获取到原始财经新闻信息。
S102：将所述原始财经新闻信息输入预先训练好的标签分类模型中，获取与所述原始财经新闻信息相对应的标签。
具体地，上述标签分类模型包括具有输入层、隐藏层和输出层的神经网络模型，例如卷积神经网络模型，上述标签分类模型的训练过程详见下文描述。
S103：根据所述标签查找与所述原始财经新闻信息相关联的参考财经新闻信息。
具体地，上述相关联的参考财经新闻信息包括与原始财经新闻信息的标签相一致或相近似的标签信息，如对于标签“审核”，可认为“考查”、“考察”与其相近似。值得注意的是，上述对于近似标签的定义可根据实际需要进行自行设定，本实施例对上述近似标签不作任何限定。
S104：将所述原始财经新闻信息与所述参考财经新闻信息进行比较，得到所述原始财经新闻信息的查重结果。
具体地，在S104，即将所述原始财经新闻信息与所述参考财经新闻信息进行比较，得到所述原始财经新闻信息的查重结果之后，还包括：
若所述查重结果为重复，则删除所述原始财经新闻信息；
若所述查重结果为不重复，则存储所述原始财经新闻信息，并将所述原始财经新闻信息从待查重信息库中删除。
以上技术方案中，在获取原始财经新闻信息之后，将所述原始财经新闻信息输入预先训练好的标签分类模型中，获取与所述原始财经新闻信息相对应的标签，然后根据所述标签查找与所述原始财经新闻信息相关联的参考财经新闻信息，最后将所述原始财经新闻信息与所述参考财经新闻信息进行比较，得到所述原始财经新闻信息的查重结果。这样，在进行信息处理的时候，便无需对每篇原始财经新闻信息进行人工打标，提高了打标效率，并为信息处理过程中的新闻打标问题提供了解决方案。进一步地，还可基于获取的标签对原始财经新闻信息是否为重复的新闻，确保原始财经新闻信息的时效性。
图2为本申请信息处理方法另一实施例的流程图，如图2所示，本申请图1所示的S102，即所述将所述原始财经新闻信息输入预先训练好的标签分类模型中之前，还包括：
S201：获取第一财经新闻信息以及所述第一财经新闻信息相对应的第一标签。
具体地，上述第一财经新闻信息的获取方式与本申请第一个实施例所描述的原始财经新闻信息的获取方式相同，与原始财经新闻信息不同的是，本申请实施例的第一财经新闻信息用于对标签分类模型进行训练，故理应知晓与第一财经新闻信息相对应的第一标签。
S202：提取所述第一财经新闻信息的第一n-gram特征。
具体地，n-gram是一种多元语法模型，该模型基于这样一种假设，第n个词的出现只与前面n-1个词相关。因此n-gram模型能够反映字之间的上下文关系。
第一财经新闻信息的第一n-gram特征是指第一财经新闻信息中连续的字的组合，n表示特征中的字数。例如，对于“中/美/双/方/经/贸/团/队”，其第一1-gram特征包括中，美，双，方，经，贸，团，队；第一2-gram特征包括中美，双方，经贸，团队。通常地，从第一财经新闻信息中提取字数在预设阈值范围内的第一n-gram特征，该阈值范围例如可以为1~3。
S203：将所述第一n-gram特征输入待训练的标签，分类模型中，得到所述待训练的标签分类模型输出的第二标签。
S204：当所述第二标签与所述第一标签的相似度大于或等于预设阈值时，获得训练好的标签分类模型。
具体地，在本申请实施例的S203之后，还包括：
S205：当所述第二标签与所述第一标签的相似度小于所述预设阈值时,对所述待训练的标签分类模型的参数进行优化，直至通过所述待训练的标签分类模型的第二标签与所述第一标签的相似度大于或等于预设阈值。
具体地，上述预设阈值可根据实际需要自行设定，本实施例对上述预设阈值的大小不作限定，例如上述预设阈值可以为80%。
图3为本申请信息处理方法再一实施例的流程图，如图3所示，本申请图1所示的S102之后，还包括：
S301：根据所述标签，得到所述原始财经新闻信息的多个关联股票。
具体地，例如，对于一篇原始财经新闻信息，多个关联股票可以包括“新城控股”，“五粮液”，“海油发展”，“中信证券”，“中国平安”，“中兴通讯”以及“贵州茅台”。
S302：对所述多个关联股票按照参考价值的高低进行排序。
具体地，上述参考价值可根据关联股票对应的企业财务数据，企业交易数据，企业高管相关数据，以及企业违规相关数据获取。
具体地，对于上述关联股票，可具有如下表1所示的参考价值：
表 1
关联股票 参考价值
新城控股 0.37
五粮液 0.67
海油发展 0.47
中信证券 0.27
中国平安 0.97
中兴通讯 0.87
贵州茅台 0.57
S303：根据排序结果，得到所述原始财经新闻信息的最终关联股票。
具体地，上述S303可以包括：
对所述多个关联股票按照参考价值的高低进行冒泡排毒；或
对所述多个关联股票按照参考价值的高低进行选择排序。
假设共有7个关联股票，并设定该7个关联股票对应的参考价值分别为：37%、67%、47%、27%、97%、87%、57%，则：
（i）初始状态：37%、67%、47%、27%、97%、87%、57%；
（ii）第一趟排序：37%、47%、27%、67%、87%、57%、97%；（比较6次，97%沉到未排序序列尾部）；
（iii）第二趟排序：37%、27%、47%、67%、57%、87%、97%；（比较5次，87%沉到未排序序列尾部）；
（iv）第三趟排序：27%、37%、47%、57%、67%、87%、97%；（比较4次，67%沉到未排序序列尾部）；
（v）第四趟排序：27%、37%、47%、57%、67%、87%、97%；（比较3次，57%沉到未排序序列尾部）；
（vi）第五趟排序：27%、37%、47%、57%、67%、87%、97%；（比较2次，47%沉到未排序序列尾部）；
（vii）第六趟排序：27%、37%、47%、57%、67%、87%、97%；（比较1次，37%沉到未排序序列尾部）。
具体来说，上述选择排序的原理为每一趟从待排序的数据元素中选出最小（或最大）的一个元素，顺序放在已排好序的数列的最后，直到全部待排序的数据元素排完。示例：共有7个负样本，该7个负样本对应的最大相似度分别为：37%、67%、47%、27%、97%、87%、57%，则：
（i）初始状态：无序区为：R【37%、67%、47%、27%、97%、87%、57%】，有序区为空；
（ii）第一趟排序：在无序区为：R【37%、67%、47%、27%、97%、87%、57%】选出最小的记录R【27%】，将它与有序区的第1个记录R【1】交换，使得无序区和有序区分别变为记录个数减少1个的新无序区和记录个数减增加1个的新有序区；
（iii）第二趟排序：R【37%、67%、47%、97%、87%、57%】选出最小的记录R【37%】，将它与有序区的第2个记录R【2】交换，使得无序区和有序区分别变为记录个数减少1个的新无序区和记录个数减增加1个的新有序区；
（iv）第三趟排序：R【67%、47%、97%、87%、57%】选出最小的记录R【47%】，将它与有序区的第3个记录R【3】交换，使得无序区和有序区分别变为记录个数减少1个的新无序区和记录个数减增加1个的新有序区；
（v）第四趟排序：R【67%、97%、87%、57%】选出最小的记录R【57%】，将它与有序区的第4个记录R【4】交换，使得无序区和有序区分别变为记录个数减少1个的新无序区和记录个数减增加1个的新有序区；
（vi）第五趟排序：R【67%、97%、87%】选出最小的记录R【67%】，将它与有序区的第5个记录R【5】交换，使得无序区和有序区分别变为记录个数减少1个的新无序区和记录个数减增加1个的新有序区；
（vii）第六趟排序：R【97%、87%】选出最小的记录R【87%】，将它与有序区的第6个记录R【6】交换，使得无序区和有序区分别变为记录个数减少1个的新无序区和记录个数减增加1个的新有序区；
（viii）第七趟排序：选出R【97%】，将它与有序区的第7个记录R【7】交换，使得无序区和有序区分别变为记录个数减少1个的新无序区和记录个数减增加1个的新有序区，至此有序区变为R【27%、37%、47%、57%、67%、87%、97%】。
图4为本申请信息处理方法再一实施例的流程图，如图4所示，本申请图1所示的S104之后，还包括：
S105：将所述查重结果发送至待查重信息库中，使得所述待查重信息库根据所述查重结果对所述原始财经新闻信息进行处理。
S106：在处理完所述原始财经新闻信息之后，自动生成下一条待查重的原始财经新闻信息。
图5为本申请信息处理装置一实施例的连接结构示意图，如图5所示，上述装置包括第一获取模块11，第一输入模块12，第二获取模块13，查找模块14和比较模块15；
第一获取模块11，用于获取原始财经新闻信息。
本实施例中，所指原始财经新闻信息包括未经处理的各种财政、金融、经济新闻。本实施例可从新闻网站或数据库中获取，具体包括主动获取和被动获取两种方式。
以下，分别对采用主动获取和被动获取的方式获取到原始财经新闻信息的实现过程进行具体阐述。
第一种情况，采用主动获取的方式直接获取原始财经新闻信息；具体包括向新闻网站或数据库中主动请求新闻信息，从新闻网站或数据库直接获取到原始财经新闻信息。
第二种情况，采用被动获取的方式间接获取原始财经新闻信息；具体包括接收来自新闻网站或数据库的通知信息，在接收到通知信息后，与新闻网站或数据库完成交互，从新闻网站或数据库间接获取到原始财经新闻信息。
第一输入模块12，与所述第一获取模块11相连接，用于输入所述原始财经新闻信息至预先训练好的标签分类模型。
第二获取模块13，与所述第一输入模块12相连接，用于获取所述预先训练好的标签分类模型输出的与所述原始财经新闻信息相对应的标签。
具体地，上述标签分类模型包括具有输入层、隐藏层和输出层的神经网络模型，例如卷积神经网络模型，上述标签分类模型的训练过程详见下文描述。
查找模块14，与所述第二获取模块13相连接，用于根据所述标签查找与所述原始财经新闻信息相关联的参考财经新闻信息。
具体地，上述相关联的参考财经新闻信息包括与原始财经新闻信息的标签相一致或相近似的标签信息，如对于标签“审核”，可认为“考查”、“考察”与其相近似。值得注意的是，上述对于近似标签的定义可根据实际需要进行自行设定，本实施例对上述近似标签不作任何限定。
比较模块15，与所述查找模块14相连接，用于将所述原始财经新闻信息与所述参考财经新闻信息进行比较，得到所述原始财经新闻信息的查重结果。
具体地，在比较模块15将所述原始财经新闻信息与所述参考财经新闻信息进行比较，得到所述原始财经新闻信息的查重结果之后，还包括：
若所述查重结果为重复，则删除所述原始财经新闻信息；
若所述查重结果为不重复，则存储所述原始财经新闻信息，并将所述原始财经新闻信息从待查重信息库中删除。
以上技术方案中，第一获取模块11在获取原始财经新闻信息之后，第一输入模块12将所述原始财经新闻信息输入预先训练好的标签分类模型中，第二获取模块13获取与所述原始财经新闻信息相对应的标签，然后查找模块14根据所述标签查找与所述原始财经新闻信息相关联的参考财经新闻信息，最后比较模块15将所述原始财经新闻信息与所述参考财经新闻信息进行比较，得到所述原始财经新闻信息的查重结果。这样，在进行信息处理的时候，便无需对每篇原始财经新闻信息进行人工打标，提高了打标效率，并为信息处理过程中的新闻打标问题提供了解决方案。进一步地，还可基于获取的标签对原始财经新闻信息是否为重复的新闻，确保原始财经新闻信息的时效性。
图6为本申请信息处理装置另一实施例的连接结构示意图，如图6所示，上述装置还包括：第三获取模块16，第一提取模块17，第二输入模块18，第一输出模块19和第四获取模块20；
第三获取模块16，用于获取第一财经新闻信息以及所述第一财经新闻信息相对应的第一标签。
具体地，上述第一财经新闻信息的获取方式与本申请第一个实施例所描述的原始财经新闻信息的获取方式相同，与原始财经新闻信息不同的是，本申请实施例的第一财经新闻信息用于对标签分类模型进行训练，故理应知晓与第一财经新闻信息相对应的第一标签。
第一提取模块17，与所述第三获取模块16相连接，提取所述第一财经新闻信息的第一n-gram特征。
具体地，n-gram是一种多元语法模型，该模型基于这样一种假设，第n个词的出现只与前面n-1个词相关。因此n-gram模型能够反映字之间的上下文关系。
第一财经新闻信息的第一n-gram特征是指第一财经新闻信息中连续的字的组合，n表示特征中的字数。例如，对于“中/美/双/方/经/贸/团/队”，其第一1-gram特征包括中，美，双，方，经，贸，团，队；第一2-gram特征包括中美，双方，经贸，团队。通常地，从第一财经新闻信息中提取字数在预设阈值范围内的第一n-gram特征，该阈值范围例如可以为1~3。
第二输入模块18，与所述第一提取模块17相连接，用于将所述第一n-gram特征输入待训练的标签分类模型中；
第一输出模块19，与所述第二输入模块18相连接，用于输出所述待训练的标签分类模型输出的第二标签。
第四获取模块20，与所述第一输出模块19相连接，用于当所述第二标签与所述第一标签的相似度大于或等于预设阈值时，获得训练好的标签分类模型。
具体地，在本申请实施例的第一输出模块19输出所述待训练的标签分类模型输出的第二标签之后，还包括：
优化模块21，与所述第一输出模块19相连接，用于当所述第二标签与所述第一标签的相似度小于所述预设阈值时,对所述待训练的标签分类模型的参数进行优化，直至通过所述待训练的标签分类模型的第二标签与所述第一标签的相似度大于或等于预设阈值。
具体地，上述预设阈值可根据实际需要自行设定，本实施例对上述预设阈值的大小不作限定，例如上述预设阈值可以为80%。
图7为本申请信息处理方法再一实施例的连接结构示意图，如图7所示，上述装置还包括：第五获取模块22、排序模块23和第六获取模块24；
第五获取模块22，用于根据所述标签，得到所述原始财经新闻信息的多个关联股票。
具体地，例如，对于一篇原始财经新闻信息，多个关联股票可以包括“新城控股”，“五粮液”，“海油发展”，“中信证券”，“中国平安”，“中兴通讯”以及“贵州茅台”。
排序模块23，与所述第五获取模块22相连接，用于对所述多个关联股票按照参考价值的高低进行排序。
具体地，上述参考价值可根据关联股票对应的企业财务数据，企业交易数据，企业高管相关数据，以及企业违规相关数据获取。
具体地，对于上述关联股票，可具有如下表1所示的参考价值：
表 1
关联股票 参考价值
新城控股 0.37
五粮液 0.67
海油发展 0.47
中信证券 0.27
中国平安 0.97
中兴通讯 0.87
贵州茅台 0.57
第六获取模块24，与所述排序模块23相连接，用于根据排序结果，得到所述原始财经新闻信息的最终关联股票。
具体地，上述排序模块23包括第一排序单元和第二排序单元：
上述第一排序单元，用于对所述多个关联股票按照参考价值的高低进行冒泡排毒；或
上述第二排序单元，用于对所述多个关联股票按照参考价值的高低进行选择排序。
假设共有7个关联股票，并设定该7个关联股票对应的参考价值分别为：37%、67%、47%、27%、97%、87%、57%，则：
（i）初始状态：37%、67%、47%、27%、97%、87%、57%；
（ii）第一趟排序：37%、47%、27%、67%、87%、57%、97%；（比较6次，97%沉到未排序序列尾部）；
（iii）第二趟排序：37%、27%、47%、67%、57%、87%、97%；（比较5次，87%沉到未排序序列尾部）；
（iv）第三趟排序：27%、37%、47%、57%、67%、87%、97%；（比较4次，67%沉到未排序序列尾部）；
（v）第四趟排序：27%、37%、47%、57%、67%、87%、97%；（比较3次，57%沉到未排序序列尾部）；
（vi）第五趟排序：27%、37%、47%、57%、67%、87%、97%；（比较2次，47%沉到未排序序列尾部）；
（vii）第六趟排序：27%、37%、47%、57%、67%、87%、97%；（比较1次，37%沉到未排序序列尾部）。
具体来说，上述选择排序的原理为每一趟从待排序的数据元素中选出最小（或最大）的一个元素，顺序放在已排好序的数列的最后，直到全部待排序的数据元素排完。示例：共有7个负样本，该7个负样本对应的最大相似度分别为：37%、67%、47%、27%、97%、87%、57%，则：
（i）初始状态：无序区为：R【37%、67%、47%、27%、97%、87%、57%】，有序区为空；
（ii）第一趟排序：在无序区为：R【37%、67%、47%、27%、97%、87%、57%】选出最小的记录R【27%】，将它与有序区的第1个记录R【1】交换，使得无序区和有序区分别变为记录个数减少1个的新无序区和记录个数减增加1个的新有序区；
（iii）第二趟排序：R【37%、67%、47%、97%、87%、57%】选出最小的记录R【37%】，将它与有序区的第2个记录R【2】交换，使得无序区和有序区分别变为记录个数减少1个的新无序区和记录个数减增加1个的新有序区；
（iv）第三趟排序：R【67%、47%、97%、87%、57%】选出最小的记录R【47%】，将它与有序区的第3个记录R【3】交换，使得无序区和有序区分别变为记录个数减少1个的新无序区和记录个数减增加1个的新有序区；
（v）第四趟排序：R【67%、97%、87%、57%】选出最小的记录R【57%】，将它与有序区的第4个记录R【4】交换，使得无序区和有序区分别变为记录个数减少1个的新无序区和记录个数减增加1个的新有序区；
（vi）第五趟排序：R【67%、97%、87%】选出最小的记录R【67%】，将它与有序区的第5个记录R【5】交换，使得无序区和有序区分别变为记录个数减少1个的新无序区和记录个数减增加1个的新有序区；
（vii）第六趟排序：R【97%、87%】选出最小的记录R【87%】，将它与有序区的第6个记录R【6】交换，使得无序区和有序区分别变为记录个数减少1个的新无序区和记录个数减增加1个的新有序区；
（viii）第七趟排序：选出R【97%】，将它与有序区的第7个记录R【7】交换，使得无序区和有序区分别变为记录个数减少1个的新无序区和记录个数减增加1个的新有序区，至此有序区变为R【27%、37%、47%、57%、67%、87%、97%】。
具体地，上述装置还可包括处理模块25和生成模块26；
上述处理模块25，用于将所述查重结果发送至待查重信息库中，使得所述待查重信息库根据所述查重结果对所述原始财经新闻信息进行处理。
上述生成模块26，与所述处理模块25相连接，用于在处理完所述原始财经新闻信息之后，自动生成下一条待查重的原始财经新闻信息。
图8为本申请计算机设备一个实施例的结构示意图，上述计算机设备可以包括至少一个处理器；以及与所述处理器通信连接的至少一个存储器；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述信息处理方法，可以实现本申请实施例提供的信息处理方法。
其中，上述计算机设备可以为服务器，例如：云服务器，或者上述计算机设备也可以为计算机设备，例如：智能手机、智能手表、个人计算机（Personal Computer；以下简称：PC）、笔记本电脑或平板电脑等智能设备，本实施例对上述计算机设备的具体形态不作限定。
图8示出了适于用来实现本申请实施方式的示例性计算机设备52的框图。图8显示的计算机设备52仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示，计算机设备52以通用计算设备的形式表现。计算机设备52的组件可以包括但不限于：一个或者多个处理器或者处理单元56，系统存储器78，连接不同系统组件（包括系统存储器78和处理单元56）的总线58。
总线58表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构（Industry StandardArchitecture；以下简称：ISA）总线，微通道体系结构（Micro Channel Architecture；以下简称：MAC）总线，增强型ISA总线、视频电子标准协会（Video Electronics StandardsAssociation；以下简称：VESA）局域总线以及外围组件互连（Peripheral ComponentInterconnection；以下简称：PCI）总线。
计算机设备52典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备52访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器78可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器（Random Access Memory；以下简称：RAM）70和/或高速缓存存储器72。计算机设备52可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统74可以用于读写不可移动的、非易失性磁介质（图8未显示，通常称为“硬盘驱动器”）。尽管图8中未示出，可以提供用于对可移动非易失性磁盘（例如“软盘”）读写的磁盘驱动器，以及对可移动非易失性光盘（例如：光盘只读存储器（Compact Disc Read OnlyMemory；以下简称：CD-ROM）、数字多功能只读光盘（Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM）或者其它光介质）读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线58相连。存储器78可以包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组（至少一个）程序模块82的程序/实用工具80，可以存储在例如存储器78中，这样的程序模块82包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块82通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备52也可以与一个或多个外部设备54（例如键盘、指向设备、显示器64等）通信，还可与一个或者多个使得用户能与该计算机设备52交互的设备通信，和/或与使得该计算机设备52能与一个或多个其它计算设备进行通信的任何设备（例如网卡，调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口62进行。并且，计算机设备52还可以通过网络适配器60与一个或者多个网络（例如局域网（Local Area Network；以下简称：LAN），广域网（Wide Area Network；以下简称：WAN）和/或公共网络，例如因特网）通信。如图8所示，网络适配器60通过总线58与计算机设备52的其它模块通信。应当明白，尽管图8中未示出，可以结合计算机设备52使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元56通过运行存储在系统存储器78中的程序，从而执行各种功能应用以及数据处理，例如实现本申请实施例提供的信息处理方法。
本申请实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述信息处理方法。
上述非暂态计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器（Read Only Memory；以下简称：ROM）、可擦式可编程只读存储器（Erasable ProgrammableRead Only Memory；以下简称：EPROM）或闪存、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
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申请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。
此外，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。在本申请的描述中，“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。
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定制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，并且本申请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，这应被本申请的实施例所属技术领域的技术人员所理解。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测（陈述的条件或事件）”可以被解释成为“当确定时”或“响应于确定”或“当检测（陈述的条件或事件）时”或“响应于检测（陈述的条件或事件）”。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (6)

1.一种信息处理方法，其特征在于，所述的方法包括：
获取原始财经新闻信息；
将所述原始财经新闻信息输入预先训练好的标签分类模型中，获取与所述原始财经新闻信息相对应的标签，所述标签用于表征所述原始财经新闻信息的概括性内容，所述标签分类模型为卷积神经网络模型；
根据所述标签查找与所述原始财经新闻信息相关联的参考财经新闻信息；
将所述原始财经新闻信息与所述参考财经新闻信息进行比较，得到所述原始财经新闻信息的查重结果；
其中，所述将所述原始财经新闻信息输入预先训练好的标签分类模型中之前，还包括：
获取第一财经新闻信息以及所述第一财经新闻信息相对应的第一标签；
提取所述第一财经新闻信息的第一n-gram特征；
将所述第一n-gram特征输入待训练的标签分类模型中，得到所述待训练的标签分类模型输出的第二标签；以及，
当所述第二标签与所述第一标签的相似度大于或等于预设阈值时，获得训练好的标签分类模型；
当所述第二标签与所述第一标签的相似度小于所述预设阈值时；
对所述待训练的标签分类模型的参数进行优化，直至通过所述待训练的标签分类模型的第二标签与所述第一标签的相似度大于或等于预设阈值；
所述将所述原始财经新闻信息与所述参考财经新闻信息进行比较，得到所述原始财经新闻信息的查重结果之后，还包括：
将所述查重结果发送至待查重信息库中，使得所述待查重信息库根据所述查重结果对所述原始财经新闻信息进行处理，其中，若所述查重结果为重复，则删除所述原始财经新闻信息；若所述查重结果为不重复，则存储所述原始财经新闻信息，并将所述原始财经新闻信息从所述待查重信息库中删除；
在处理完所述原始财经新闻信息之后，自动生成下一条待查重的原始财经新闻信息。
2.根据权利要求1所述的方法，其特征在于，所述将所述原始财经新闻信息输入预先训练好的标签分类模型中，获取与所述原始财经新闻信息相对应的标签之后，还包括：
根据所述标签，得到所述原始财经新闻信息的多个关联股票；
对所述多个关联股票按照参考价值的高低进行排序；
根据排序结果，得到所述原始财经新闻信息的最终关联股票。
3.根据权利要求2所述的方法，其特征在于，所述对所述多个关联股票按照参考价值的高低进行排序包括：
对所述多个关联股票按照参考价值的高低进行冒泡排序；或
对所述多个关联股票按照参考价值的高低进行选择排序。
4.一种信息处理装置，其特征在于，所述的装置包括：
第一获取模块，用于获取原始财经新闻信息；
第一输入模块，与所述第一获取模块相连接，用于输入所述原始财经新闻信息至预先训练好的标签分类模型；
第二获取模块，与所述第一输入模块相连接，用于获取所述预先训练好的标签分类模型输出的与所述原始财经新闻信息相对应的标签，所述标签用于表征所述原始财经新闻信息的概括性内容，所述标签分类模型为卷积神经网络模型；
查找模块，与所述第二获取模块相连接，用于根据所述标签查找与所述原始财经新闻信息相关联的参考财经新闻信息；
比较模块，与所述查找模块相连接，用于将所述原始财经新闻信息与所述参考财经新闻信息进行比较，得到所述原始财经新闻信息的查重结果；
所述装置还包括：
第三获取模块，用于获取第一财经新闻信息以及所述第一财经新闻信息相对应的第一标签；
第一提取模块，与所述第三获取模块相连接，提取所述第一财经新闻信息的第一n-gram特征；
第二输入模块，与所述第一提取模块相连接，用于将所述第一n-gram特征输入待训练的标签分类模型中；
第一输出模块，与所述第二输入模块相连接，用于输出所述待训练的标签分类模型输出的第二标签；
第四获取模块，与所述第一输出模块相连接，用于当所述第二标签与所述第一标签的相似度大于或等于预设阈值时，获得训练好的标签分类模型；
优化模块，与所述第一输出模块相连接，用于当所述第二标签与所述第一标签的相似度小于所述预设阈值时，对所述待训练的标签分类模型的参数进行优化，直至通过所述待训练的标签分类模型的第二标签与所述第一标签的相似度大于或等于预设阈值；
所述装置还包括：
处理模块，用于将所述查重结果发送至待查重信息库中，使得所述待查重信息库根据所述查重结果对所述原始财经新闻信息进行处理，其中，若所述查重结果为重复，则删除所述原始财经新闻信息；若所述查重结果为不重复，则存储所述原始财经新闻信息，并将所述原始财经新闻信息从所述待查重信息库中删除；
生成模块，与所述处理模块相连接，用于在处理完所述原始财经新闻信息之后，自动生成下一条待查重的原始财经新闻信息。
5.一种计算机设备，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至3任一所述的方法。
6.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至3任一所述的方法。
CN201910665846.XA 2019-07-23 2019-07-23 信息处理方法、装置和计算机设备 Active CN112287101B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910665846.XA CN112287101B (zh) 2019-07-23 2019-07-23 信息处理方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910665846.XA CN112287101B (zh) 2019-07-23 2019-07-23 信息处理方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN112287101A CN112287101A (zh) 2021-01-29
CN112287101B true CN112287101B (zh) 2024-04-16

Family

ID=74419124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910665846.XA Active CN112287101B (zh) 2019-07-23 2019-07-23 信息处理方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN112287101B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120103284A (ko) * 2011-03-10 2012-09-19 서울대학교산학협력단 반복 패턴을 이용한 영상 처리 방법 및 장치
CN103412870A (zh) * 2013-07-09 2013-11-27 北京深思洛克软件技术股份有限公司 一种移动终端设备新闻客户端软件的新闻推送方法
CN104217038A (zh) * 2014-09-30 2014-12-17 中国科学技术大学 一种针对财经新闻的知识网络构建方法
CN106789990A (zh) * 2016-12-09 2017-05-31 天脉聚源(北京)传媒科技有限公司 一种新闻推送方法及装置
CN108287819A (zh) * 2018-01-12 2018-07-17 深圳市富途网络科技有限公司 一种实现财经新闻自动关联到股票的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120103284A (ko) * 2011-03-10 2012-09-19 서울대학교산학협력단 반복 패턴을 이용한 영상 처리 방법 및 장치
CN103412870A (zh) * 2013-07-09 2013-11-27 北京深思洛克软件技术股份有限公司 一种移动终端设备新闻客户端软件的新闻推送方法
CN104217038A (zh) * 2014-09-30 2014-12-17 中国科学技术大学 一种针对财经新闻的知识网络构建方法
CN106789990A (zh) * 2016-12-09 2017-05-31 天脉聚源(北京)传媒科技有限公司 一种新闻推送方法及装置
CN108287819A (zh) * 2018-01-12 2018-07-17 深圳市富途网络科技有限公司 一种实现财经新闻自动关联到股票的方法

Also Published As

Publication number Publication date
CN112287101A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
US8272064B2 (en) Automated rule generation for a secure downgrader
US20130006996A1 (en) Clustering E-Mails Using Collaborative Information
EP3685243A1 (en) Content pattern based automatic document classification
CN112686022A (zh) 违规语料的检测方法、装置、计算机设备及存储介质
CN110276009B (zh) 一种联想词的推荐方法、装置、电子设备及存储介质
CN113986864A (zh) 日志数据处理方法、装置、电子设备及存储介质
CN103885966A (zh) 电子商务交易平台中的问答交互方法和系统
CN112668320A (zh) 基于词嵌入的模型训练方法、装置、电子设备及存储介质
CN113486178B (zh) 文本识别模型训练方法、文本识别方法、装置以及介质
CN110837590A (zh) 资讯推送方法、装置、计算机设备和存储介质
CN115392235A (zh) 字符匹配方法、装置、电子设备及可读存储介质
CN112579781A (zh) 文本归类方法、装置、电子设备及介质
WO2022125096A1 (en) Method and system for resume data extraction
CN116561298A (zh) 基于人工智能的标题生成方法、装置、设备及存储介质
CN112287101B (zh) 信息处理方法、装置和计算机设备
CN111949765B (zh) 基于语义的相似文本搜索方法、系统、设备和存储介质
CN110276001B (zh) 盘点页识别方法、装置、计算设备和介质
CN113095078A (zh) 关联资产确定方法、装置和电子设备
CN113935334A (zh) 文本信息处理方法、装置、设备和介质
US9251125B2 (en) Managing text in documents based on a log of research corresponding to the text
US11899910B2 (en) Multi-location copying and context based pasting
CN114492413B (zh) 文本校对方法、装置和电子设备
CN115563276A (zh) 一种数据分析的方法和装置
CN118052228A (zh) 一种领域词语确定方法、装置、电子设备及存储介质
CN115907442A (zh) 业务需求的建模方法、装置、电子设备和介质

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
CB02 Change of applicant information

Address after: 200041 floor 11, No. 651, Nanjing West Road, Jing'an District, Shanghai

Applicant after: Shanghai Yingfan Digital Technology Co.,Ltd.

Address before: 200041 26th floor, East Building, China Merchants Plaza, 333 Chengdu North Road, Jing'an District, Shanghai

Applicant before: Shanghai First Financial Data Technology Co.,Ltd.

CB02 Change of applicant information
CB03 Change of inventor or designer information

Inventor after: Tan Qingchao

Inventor after: Tian Li

Inventor after: Wang Xinchen

Inventor before: Huang Lei

Inventor before: Tan Qingchao

Inventor before: Tian Li

Inventor before: Li Feng

Inventor before: Sun Xuan

Inventor before: Wang Chengkai

Inventor before: Ni Tong

Inventor before: Yan Jiaming

Inventor before: Wang Xinchen

CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Tan Qingchao

Inventor after: Wang Yang

Inventor after: Tian Li

Inventor after: Wang Xinchen

Inventor before: Tan Qingchao

Inventor before: Tian Li

Inventor before: Wang Xinchen

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant