CN112785441B - 数据处理方法、装置、终端设备及存储介质 - Google Patents
数据处理方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN112785441B CN112785441B CN202010312129.1A CN202010312129A CN112785441B CN 112785441 B CN112785441 B CN 112785441B CN 202010312129 A CN202010312129 A CN 202010312129A CN 112785441 B CN112785441 B CN 112785441B
- Authority
- CN
- China
- Prior art keywords
- information
- data processing
- preset
- model
- specified object
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 95
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 15
- 238000003066 decision tree Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 239000013598 vector Substances 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000009193 crawling Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请属于数据处理技术领域，尤其涉及一种数据处理方法、装置、终端设备及存储介质。所述方法包括：获取与指定对象相关的原始信息；按照预定的事件分类规则，对所述原始信息进行分类，得到多个事件信息集合；从所述多个事件信息集合中抽取出与所述指定对象关联的预设数据指标的目标信息；将所述目标信息输入预先训练的数据处理模型，得到所述指定对象的信息标签，所述数据处理模型由预设的样本数据集作为训练集训练得到，所述样本数据集包括多个预设数据指标的已分配信息标签的信息样本。本申请实施例可以对与指定对象相关的信息进行精确、快速的处理，从而提高了与指定对象相关的原始信息的利用效率。
Description
技术领域
本申请属于数据处理技术领域，尤其涉及一种数据处理方法、装置、终端设备及存储介质。
背景技术
一般而言，投资方在寻求投资企业时，主要是进行企业数据的投资价值分析。就确定某一企业的投资价值而言，又离不开对该企业相关数据的处理。而在相关技术中，与企业相关的信息处理方法，普遍存在处理不精准、效率低的问题。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此，本申请实施例提供了一种数据处理方法、装置、终端设备及存储介质，可以解决现有技术中与企业相关的信息处理方法的处理不精准、效率低的问题。
本申请实施例的第一方面，提供了一种数据处理方法，所述方法包括：
获取与指定对象相关的原始信息；
按照预定的事件分类规则，对所述原始信息进行分类，得到多个事件信息集合；
从所述多个事件信息集合中抽取出与所述指定对象关联的预设数据指标的目标信息；
将所述目标信息输入预先训练的数据处理模型，得到所述指定对象的信息标签，所述数据处理模型由预设的样本数据集作为训练集训练得到，所述样本数据集包括多个预设数据指标的已分配信息标签的信息样本。
在本申请的一些实施例中，所述已训练的数据处理模型为包括n棵决策树的模型，n为大于零的正整数；
所述将所述目标信息输入预先训练的数据处理模型，得到所述指定对象的信息标签，包括：
通过所述n棵决策树对所述目标信息进行分类，得到n个分类结果；
根据所述n个分类结果进行决策，获得最终分类结果；
将所述最终分类结果作为所述指定对象的信息标签。
在本申请的一些实施例中，所述数据处理模型的训练过程包括：
获取所述样本数据集；
对所述样本数据集中的每一个信息样本进行多重共线性检验，得到每一个信息样本的多重共线性系数；
将多重共线性系数大于预设系数阈值的信息样本从所述样本数据集中去除，得到预处理后的所述样本数据集；
以预处理后的所述样本数据集作为训练集，训练得到所述数据处理模型。
在本申请的一些实施例中，所述数据处理模型包括第一子模型和第二子模型，所述将所述目标信息输入预先训练的数据处理模型，得到所述指定对象的信息标签包括：
将所述目标信息输入所述第一子模型，得到所述目标信息的第一信息标签；
将所述目标信息以及交叉特征输入所述第二子模型，得到所述目标信息的第二信息标签，所述交叉特征为所述第二子模型在构建时，根据预处理后的所述样本数据集生成的用于表征数据相关性的数据特征；
将所述第一信息标签与所述第二信息标签进行拼接，输入到预设的激活函数中，以输出所述指定对象的信息标签。
在本申请的一些实施例中，在训练得到所述数据处理模型之后，还包括：
使用预设的测试数据集对所述数据处理模型进行测试，得到测试结果；
根据所述测试结果分别统计测试成功次数和测试失败次数；
根据所述测试成功次数和所述测试失败次数计算所述数据处理模型的识别准确率；
若所述识别准确率小于预设的准确率阈值，则获取新的样本数据集，并采用所述新的样本数据集对所述数据处理模型进行参数优化，直至所述数据处理模型的识别准确率大于或等于所述准确率阈值。
在本申请的一些实施例中，所述获取与指定对象相关的原始信息包括：
向目标服务器发送信息抓取指令，所述信息抓取指令用于指示所述目标服务器抓取与所述指定对象相关的原始信息；
接收所述目标服务器返回的与所述指定对象相关的原始信息。
本申请实施例的第二方面，提供了一种数据处理装置，所述装置包括：
信息获取模块，用于获取与指定对象相关的原始信息；
信息分类模块，用于按照预定的事件分类规则，对所述原始信息进行分类，得到多个事件信息集合；
信息抽取模块，用于从所述多个事件信息集合中抽取出与所述指定对象关联的预设数据指标的目标信息；
信息标签确定模块，用于将所述目标信息输入预先训练的数据处理模型，得到所述指定对象的信息标签，所述数据处理模型由预设的样本数据集作为训练集训练得到，所述样本数据集包括多个预设数据指标的已分配信息标签的信息样本。
在本申请的一些实施例中，还包括数据处理模型训练模块，用于：
获取所述样本数据集；
对所述样本数据集中的每一个信息样本进行多重共线性检验，得到每一个信息样本的多重共线性系数；
将多重共线性系数大于预设系数阈值的信息样本从所述样本数据集中去除，得到预处理后的所述样本数据集；
以预处理后的所述样本数据集作为训练集，训练得到所述数据处理模型。
本申请实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中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如上第一方面所述的数据处理方法的步骤。
本申请实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面所述的数据处理方法的步骤。
本申请实施例的第五方面，提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行如上第一方面所述的数据处理方法的步骤。
本申请实施例通过对原始信息进行事件分类，针对性地抽取各个事件类别下与指定对象关联的各个预设数据指标的目标信息；最后将与所述指定对象关联的各个预设数据指标的目标信息输入预先训练的数据处理模型进行进一步处理，得出处理结果，实现了与指定对象相关的原始信息数据的准确、快速处理，从而提高了与指定对象相关的原始信息的利用效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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它的附图。
图1为本申请实施例提供的一种数据处理方法的示意流程图；
图2为本申请实施例提供的一种数据处理方法中步骤S140的示意流程图；
图3为本申请实施例提供的一种数据处理方法中的一种决策树模型的结构示意图；
图4为本申请实施例提供的一种数据处理模型的训练过程示意流程图；
图5为本申请实施例提供的一种数据处理方法中步骤S440的示意流程图；
图6为本申请实施例提供的一种Deep模型的训练过程示意流程图；
图7为本申请实施例提供的另一种数据处理方法的示意流程图；
图8为本申请实施例提供的一种数据处理装置的结构示意框图；
图9为本申请实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的数据处理方法可以应用于手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
例如，所述终端设备可以是WLAN中的站点(STAION，ST)，可以是蜂窝电话、无绳电话、会话启动协议(Session InitiationProtocol，SIP)电话、无线本地环路(WirelessLocal Loop，WLL)站、个人数字处理(Personal Digital Assistant，PDA)设备、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、车联网终端、电脑、膝上型计算机、手持式通信设备、手持式计算设备、卫星无线设备、无线调制解调器卡、电视机顶盒(set top box，STB)、用户驻地设备(customer premise equipment，CPE)和/或用于在无线系统上进行通信的其它设备以及下一代通信系统，例如，5G网络中的移动终端或者未来演进的公共陆地移动网络(Public Land Mobile Network，PLMN)网络中的移动终端等。
作为示例而非限定，当所述终端设备为可穿戴设备时，该可穿戴设备还可以是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称，如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上，或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备不仅仅是一种硬件设备，更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能，如智能手表或智能眼镜等，以及只专注于某一类应用功能，需要和其它设备如智能手机配合使用，如各类进行体征监测的智能手环、智能首饰等。
如图1所示，是本申请实施例提供的一种数据处理方法的示意流程图，可以由终端设备执行，所述方法可以包括：
步骤S100、获取与指定对象相关的原始信息。
在本申请实施例中，可以使用数据爬取技术或自然语言处理(Natural Languageprocessing)在设定时间内从互联网上采集和爬取与指定对象相关的海量原始信息，例如从上百个财经门户网站中爬取与指定对象相关的海量财经信息。在获取到海量的原始数据后，还需要对这些海量原始数据进行定期更新，以此来积累指定对象的相关原始数据。所述指定对象，可以是预先确定的任一目标单位。
在本申请的一个实施例中，步骤S100具体包括：
首先，向目标服务器发送信息抓取指令，所述信息抓取指令用于指示所述目标服务器抓取与所述指定对象相关的原始信息；
然后，接收所述目标服务器返回的与所述指定对象相关的原始信息。
可以理解，终端设备可以向目标服务器，即专门用于信息抓取的信息抓取服务器，发送对指定对象相关原始信息的抓取指令，以便所述目标服务器根据所述信息抓取指令抓取与指定对象相关原始信息。所述目标服务器可以使用现有的任何一种或多种数据爬取技术或自然语言处理(Natural Language processing)在设定时间内从互联网上抓取与指定对象相关的海量原始信息，例如从上百个财经门户网站中爬取与指定对象相关的海量财经信息。
步骤S120、按照预定的事件分类规则，对所述原始信息进行事件分类，得到多个事件信息集合。
可以理解，由于在所述原始信息中，包含海量与所述指定对象相关的信息，因此，有必要对所述原始信息进行分类处理，以便对所述指定对象相关的原始信息进行类别化处理，提高信息的整体处理效率。
在本申请的一个实施例中，可以预先设定各个预设数据指标对应的事件类别，从而便于终端设备快速对所述原始信息进行事件分类，得到多个事件信息集合。所述事件类别可以由管理员预先设定，也可以从网络或其他渠道获得，本申请对此不做特殊限定。举例来说，所述事件类别，可以包括23类：业绩预增类、业绩预减类、大合同签订类、债务违约类等事件类别。对应地，可以由23个事件信息集合。
需要说明的是，一个事件类别，可以对应1个或多个预设数据指标。因此，一个事件信息集合也可以包含与1个或多个预设数据指标相关的原始信息。可选地，可以由管理员人工配置所述事件类别与所述预设数据指标的对应关系表，以便终端设备按照所述对应关系表，对所述原始信息进行事件分类，得到多个事件信息集合。
步骤S130、从所述多个事件信息集合中抽取出与所述指定对象关联的预设数据指标的目标信息。
可以理解，所述预设数据指标，是指事先选定的可以用来衡量指定对象经营状况的前瞻性评价指标。一般地，针对不同的事件信息集合，从所述事件信息集合中抽取出与所述指定对象关联的预设数据指标的目标信息的规则可能相同也可能不同，本申请实施例对此不做特殊限定。
举例来说，在业绩预增类中，抽取规则可以是：将查找到的与所述预设数据指标对应的事件信息按照该预设数据指标数值的现有计算公式进行演算，得到所述预设数据指标的目标信息，比如预设数据指标的下期数值。具体地，当在业绩预增类中，其中一个预设数据指标为净利润，而对应于业绩预增类中的净利润数据具有多个，或表现为一个范围值，这时可以取平均数，获得所述净利润的目标信息，例如下期净利润期望值。又如，在资产保值类中，抽取规则可以是：将查找到的与所述预设数据指标对应的事件信息，输入差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model)，简称ARIMA)，输出估算得到所述预设数据指标的目标信息，比如预设数据指标的下期数值。具体地，当在资产保值增值类中，其中一个预设数据指标为总资产，而对应于资产保值增值类中的总资产的具体资产数据却包含多个，这时可以将查找到的与总资产对应的所有资产信息，输入差分整合移动平均自回归模型，估算下期总资产的目标信息，例如下期总资产期望值。
需要解释的是，所述差分整合移动平均自回归模型为现有数据处理模型，可以用于处理变化有规律的大量数据，以便确定与所述预设数据指标对应的目标信息。
在本申请的一个实施例中，与所述指定对象关联的预设数据指标的目标信息，还可以是利用抽取得到的不同事件类别对应的预设数据指标的目标信息，进行综合计算得到的。例如，当与所述指定对象关联的预设数据指标为资产收益率时，由于净资产收益率＝净利润/净资产，而净利润和净资产分别属于不同的事件类别下的预设数据指标，因此需要综合计算得到。
步骤S140、将所述目标信息输入预先训练的数据处理模型，得到所述指定对象的信息标签，所述数据处理模型由预设的样本数据集作为训练集训练得到，所述样本数据集包括多个预设数据指标的已分配信息标签的信息样本。
可以理解，所述数据处理模型由预设的样本数据集作为训练集训练得到，所述样本数据集包括多个预设数据指标的已分配信息标签的信息样本。所述已分配信息标签，是指预先人工标定或通过其他方式确定的与预设数据指标对应的信息标签，用于在对所述数据处理模型进行训练时，便于比对训练结果，以合理调整模型参数，保证训练结果最优化。
在本申请的一个实施例中，所述数据处理模型为包括n棵决策树的模型，n为大于零的整数。
如图2所示，在本申请的一个实施例中，步骤S140具体包括：
步骤S210、通过所述n棵决策树对所述目标信息进行分类，得到n个分类结果；
步骤S220、根据所述n个分类结果进行决策，获得最终分类结果；
步骤S230、将所述最终分类结果作为所述指定对象的信息标签。
需要说明，所述数据处理模型可以为包括n棵决策树的模型，n为大于零的正整数。当n＝4时，该模型可以具体如图3所述的决策树模型，其包括：Tree1，以ROE为父节点；Tree2，以ROIC为父节点；Tree3，以ROIC为父节点；Tree4，以NOR为父节点。其中，ROE是指净资产收益率(Return on Equity，简称ROE)，ROIC是指投资资本回报率(Return onInvested Capital，简称ROIC)，ROOR是指营业外收入占比(Ratio of Other Income简称ROOR)。
具体地，当指定对象的ROE数值X_1<＝ROE阈值a_1且指定对象的ROIC数值X_2<＝ROIC阈值a_2时，我们可以确定所述指定对象的信息标签为：盈利能力差，用二进制字符表示为00。当指定对象的ROE数值X_1>ROE阈值且指定对象的ROIC数值X_2<＝ROIC阈值a_2时，我们可以确定所述指定对象的信息标签为：价值创造能力差，用二进制字符表示为10。当指定对象的ROE数值X_1>ROE阈值且指定对象的ROIC数值X_2>ROIC阈值a_2且指定对象的ROOR数值X_3<＝ROOR阈值a_3时，我们可以确定所述指定对象的信息标签为：盈利能力强且盈利可持续，用二进制字符表示为100。当指定对象的ROE数值X_1>ROE阈值且指定对象的ROIC数值X_2>ROIC阈值a_2且指定对象的ROOR数值X_3>ROOR阈值a_3时，我们可以确定所述指定对象的信息标签为：盈利能力强且盈利可持续性存疑，用二进制字符表示为101。
需要说明的是，上述决策树，可以由管理员将抽取出的与指定对象关联的n个预设数据指标，按照各个预设数据指标的重要性，凭借经验构建出该决策树。所述决策树上每一个子决策树的父节点的预设数据指标的阈值是根据指定对象所处行业特点确定的，具体可由管理员设定或从网络等其他渠道确定，本申请实施例对此不做具体限定。
如图4所示，是本申请实施例提供的数据处理模型的训练过程示意流程图，所述方法可以包括：
步骤S410、获取所述样本数据集。
可以理解，所述样本数据集包括多个预设数据指标的已分配信息标签的信息样本。可以从互联网对应的样本数据库中自动获取所述样本数据集，也可以由管理员从所述样本数据库中人工选定样本数据集。所述样本数据库中包含足够数目的样本。所述数据处理模型由预设的样本数据集作为训练集训练得到，所述样本数据集包括多个预设数据指标的已分配信息标签的信息样本。
为方便起见，可以用二进制数值来表示信息标签。举例来说，若所述样本数据集中包括5种预设数据指标A、B、C、D、E，示例性的，预设数据指标A的已分配信息标签可以为001，预设数据指标B的已分配信息标签可以为010，预设数据指标C的已分配信息标签可以为011，预设数据指标D的已分配信息标签可以为100，预设数据指标E的已分配信息标签可以为101。需要注意的是，以上仅为示例，在实际应用中，可以根据具体情况进行不同形式的信息标签的设置，本实施例对此不再赘述。
需要说明的是，所述对应的目标信息标签，也可以为[0,1]区间的数值。计算原理是：由于股票的市场的beta值不能解释不同股票回报率的差异，而上市公司的市值、账面市值比、市盈率可以解释股票回报率的差异。因此，可以使用剔除了市值、账面市值比、市盈率后的收益率，经过MinMax标准化，得到[0,1]区间的数值作为目标信息标签，其反应了指定对象在剔除了市值、市场因素后的内在收益率，一定程度上衡量了指定对象的投资价值。以下为计算公式：
E(Rit)-Rft＝βi[E(Rmt-Rft)]+siE(SMBt)+hiE(HMIt)
其中Rft表示时间t的无风险收益率，Rmt表示时间t的市场收益率，Rit表示资产i在时间t的收益率，E(Rit)-Rft是市场风险溢价，SMBt为时间t的市值(Size)因子的模拟组合收益率(Small minus Big)，HMIt为时间t的账面市值比(book—to—market)因子的模拟组合收益率(High minus Low)，βi、si、hi为已知系数。
步骤S420、对所述样本数据集中每一个样本进行多重共线性检验，得到每一个样本的多重共线性系数。
步骤S430、将多重共线性系数大于预设系数阈值的样本从所述样本数据集中去除，得到所述预处理后的所述样本数据集。
可以理解，所述多重共线性，是指自变量之间存在线性相关关系，即一个自变量可以是其他一个或几个自变量的线性组合。另外，由于获取的样本数据集中包含的样本，可能不同样本间存在线性相关的情况。因此，有必要对样本数据集中包含的样本进行筛选，剔除线性相关程度过高的样本，从而使所述样本数据集更有代表性，从而有助于提高训练结果的准确度。
所述多重共线性检验的检验方法，包括容忍度(Tolerance)和方差膨胀系数(Variance inflation factor，简称VIF)。其中，最常用的是VIF，计算公式为：
其中，Ri为自变量xi对其余自变量作回归分析的负相关系数，VIF的取值大于1。VIF值越接近于1，多重共线性越轻，反之越重。一般来讲，如果方差膨胀因子超过10，则回归模型存在严重的多重共线性。当方差膨胀系数小于10的范围是可以接受的，表明自变量之间没有共线性问题；当10<＝VIF<100，表明自变量之间存在较强的多重共线性；当VIF>＝100，表明自变量之间存在严重多重共线性。
步骤S440、以预处理后的所述样本数据集作为训练集，训练得到所述数据处理模型。
如图5所示，在本申请的一个实施例中，所述已训练的数据处理模型包括第一机器学习子模型和第二机器学习子模型，步骤S440可以包括：
步骤510、将所述目标信息输入所述第一子模型，得到所述目标信息的第一信息标签。
可以理解，所述第一子模型可以是已训练的Deep模型。因此，可以将所述目标信息输入所述第一子模型，得到所述目标信息的第一信息标签。所述第一信息标签是指在已训练的Deep模型中，扁平层输出的一维特征向量。
Deep模型是前馈网络模型。因此Deep模型的原理是：首先将特征转换为低维稠密向量，再将其作为第一个隐藏层的输入，并根据最终的loss来反向训练更新，其在隐藏层中接入激活函数，例如线性整流函数(Rectified Linear Unit,简称ReLU)。
需要说明的是，所述线性整流函数，例如Sigmoid激活函数，是一种人工神经网络中常用的激活函数(activation function)，通常指代以斜坡函数及其变种为代表的非线性函数。在神经网络中，线性整流作为神经元的激活函数，定义了该神经元在线性变换wTx+b之后的非线性输出结果。换言之，对于进入神经元的来自上一层神经网络的输入向量x，使用线性整流激活函数的神经元会输出max(0，wTx+b)至下一层神经元或作为整个神经网络的输出(取决现神经元在网络结构中所处位置)。
如图6所示，在本申请的一个实施例中，Deep模型的具体训练过程如下：
可以将预处理后的样本数据集分为n组，将每组样本数据表示为1个10*T大小的矩阵，其中，T其中为时间窗口的长度，t表示时间序列上的时间点，x表示每个时间点上的特征。Deep模型中的每一层卷积神经网络由k个10*w大小的卷积核组成，每个卷积核从输入矩阵的最左端开始，依次执行以下步骤：1、与输入矩阵对应的部分叉乘；2、沿时间维度从左向右滑动，每次移动s步，循环以上1,2步最终获得(10-w)/s+1长度的一维向量，而每一层卷积神经网络最终则输出一个k*(10-w)/s+1的矩阵进入到下一层，卷积核所代表的的权重矩阵则是第一学习网络模型训练后的最优解。其中，所述扁平层可以将高维的特征数据压扁变为一维特征向量，即第一信息标签。例如，以一个二维矩阵举例，将一个10*10的二维矩阵输入扁平层，输出的将是一个10*10＝100长度的向量，即将矩阵中的每一项按顺序以一维的方式排列。
步骤520、将所述目标信息以及交叉特征输入所述第二子模型，得到所述目标信息的第二信息标签，所述交叉特征为所述第二子模型在构建时，根据预处理后的所述样本数据集生成的用于表征数据相关性的数据特征。
可以理解，所述第二子模型可以是已训练的Wide模型。因此，可以将所述目标信息以及交叉特征输入所述第一子模型，得到所述目标信息的第二信息标签。所述第二信息标签是指在已训练的Wide模型中，输出层输出的一维特征向量。
Wide模型属于广义线性模型(如逻辑回归)，该模型通过利用交叉特征引入非线性高效的实现记忆能力，达到准确推荐的目的。一般地，可以在二值稀疏特征上训练样本数据，特征一般采用独热编码形式。
在本申请的一个实施例中，Wide模型的具体训练过程如下：
首先，根据预处理后的所述样本数据集中各个样本数据的已分配信息标签，生成各个样本数据的交叉特征(所述交叉特征是指一种组合特征，包含了所有已分配信息标签两两之间的乘积)：
其中，φk(x)表示第K个交叉特征，k表示第k个组合特征。i表示输入x的第i维特征。cki表示这个第i维度特征是否要参与第k个组合特征的构造。d表示输入x的维度。
需要说明的是，cki只有0或1取值，当cki的取值为0时，表示第i维度特征不会被乘入第K个交叉变量中；当cki的取值为1时，表示第i维度特征会被乘入第K个交叉变量中。
其次，将所述预处理后的样本数据对应的目标信息以及交叉特征输入所述Wide模型进行训练。
步骤530、将所述第一信息标签与所述第二信息标签进行拼接，输入到预定激活函数，以输出与所述指定对象的信息标签。
具体地，将Deep模型经过扁平层输出的一维特征向量与Wide模型输出层输出的一维特征向量进行拼接，并将拼接后的一维特征向量输入Sigmoid激活函数中，以输出与所述指定对象的信息标签(为0到1之间的数值)。与所述指定对象的信息标签，可由下述公式计算得到：
其中，Y P(Y＝1|x)是(0,1)之间的目标值，σ()为激活函数，φ(x)是交叉特征，wwide表示Wide模型的权重向量，wdeep为Deep模型中最终激活函数a(lf)的权重，λ为L1正则化的系数，|wj|表示在最后一层激活函数中所有权重绝对值的加总。
需要说明的是，在Wide模型的损失函数后增加L1正则化是为了让Wide模型产生稀疏权值矩阵，用于特征选择，以将高维的特征向量在训练过程中迅速降维。其中，L1正则化的系数λ等于指Wide模型的权值向量wwide中各个元素的绝对值之和。
这样联合训练的好处是，综合利用了Wide模型的记忆能力(Memorization)和Deep模型的泛化能力(Generalization)，从而使得一个机器学习模型同时获得记忆能力和泛化能力，提高了整个数据处理模型对指定对象的相关原始数据的处理效率和投资价值预测的准确性。
如图7所示，在步骤S440之后，所述方法还包括：
步骤S710、使用预设的测试数据集对所述数据处理模型进行测试，得到测试结果。
所述测试数据集与所述训练数据集类似，也包括多个预设数据指标的已分配信息标签的信息样本。若某一测试数据的预设数据指标的目标信息样本在经过所述预先训练的数据处理模型的处理后，得到的所述指定对象的信息标签与已分配信息标签一致，则该测试数据的测试成功，反之，若得到的所述指定对象的信息标签与已分配信息标签不一致，则该测试数据的测试失败。在使用所有的测试数据对所述数据处理模型进行测试之后，即可分别统计得到测试成功次数和测试失败次数。
步骤S720、根据所述测试结果分别统计测试成功次数和测试失败次数。
步骤S730、根据所述测试成功次数和所述测试失败次数计算所述数据处理模型的识别准确率。
步骤S740、若所述识别准确率小于预设的准确率阈值，则获取新的样本数据集，并采用所述新的样本数据集对所述数据处理模型进行参数优化，直至所述数据处理模型的识别准确率大于或等于所述准确率阈值。
具体地，可以根据下式计算所述数据处理模型的识别准确率：
AcRt＝N1/(N1+N2)
其中，N1为所述测试成功次数，N2为所述测试失败次数，AcRt为所述数据处理模型的识别准确率。
可以理解的是，若所述识别准确率小于预设的准确率阈值，则继续获取新的样本数据集，并采用所述新的样本数据集对所述数据处理模型进行参数优化，直至所述数据处理模型的识别准确率大于或等于所述准确率阈值。所述参数优化，主要是指对第一子模型中目标激活函数的权重向量和所述第二子模型的权重向量进行优化。相反，若所述识别准确率大于或等于所述准确率阈值，则结束对所述数据处理模型的训练。这时，则可以得到所述第一子模型中目标激活函数的权重向量的最优解和所述第二子模型的权重向量的最优解。
需要说明的是，所述准确率阈值可以根据实际情况进行设置，例如，可以将其设置为95％、90％、85％或者其它取值。
综上所述，本申请实施例通过对原始信息进行事件分类，针对性地抽取各个事件类别下与所述指定对象关联的各个预设数据指标的目标信息；最后将与所述指定对象关联的各个预设数据指标的目标信息输入预先训练的数据处理模型进行进一步处理，得出处理结果。通过本申请实施例，实现了与指定对象相关的原始信息数据的准确、快速处理，从而提高了与指定对象相关的原始信息的利用效率。
如图8所示，本申请一个实施例提供了一种数据处理装置，所述装置包括：
信息获取模块810，用于获取与指定对象相关的原始信息；
信息分类模块820，用于按照预定的事件分类规则，对所述原始信息进行事件分类，得到多个事件信息集合；
信息抽取模块830，用于从所述多个事件信息集合中抽取出与所述指定对象关联的预设数据指标的目标信息；
信息标签确定模块840，用于将所述目标信息输入预先训练的数据处理模型，得到所述指定对象的信息标签，所述数据处理模型由预设的样本数据集作为训练集训练得到，所述样本数据集包括多个预设数据指标的已分配信息标签的信息样本。
在本申请的一些实施例中，所述数据处理装置还包括数据处理模型训练模块，用于：
获取所述样本数据集；
对所述样本数据集中的每一个信息样本进行多重共线性检验，得到每一个信息样本的多重共线性系数；
将多重共线性系数大于预设系数阈值的信息样本从所述样本数据集中去除，得到预处理后的所述样本数据集；
以预处理后的所述样本数据集作为训练集，训练得到所述数据处理模型。
图9是本发明一实施例提供的终端设备的示意框图。如图9所示，该实施例的终端设备9包括：处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92。所述处理器90执行所述计算机程序92时实现上述各个数据处理方法实施例中的步骤，例如图1所示的步骤S110至步骤S140。或者，所述处理器90执行所述计算机程序92时实现上述各装置实施例中各模块/单元的功能，例如图8所示的信息获取模块810至信息标签确定模块840的功能。
示例性的，所述计算机程序92可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器91中，并由所述处理器90执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序92在所述终端设备9中的执行过程。
本领域技术人员可以理解，图9仅仅是终端设备9的示例，并不构成对终端设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备9还可以包括输入输出设备、网络接入设备、总线电源等。
所述处理器90可以是所述终端设备9的中央处理单元(Central ProcessingUnit，CPU)，还可以是所述终端设备9的其它通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91可以是所述终端设备9的内部存储单元，例如终端设备9的硬盘或内存。所述存储器91也可以是所述终端设备9的外部存储设备，例如所述终端设备9上配备的智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。进一步地，所述存储器91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述终端设备9所需的其它程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，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单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/机器人和方法，可以通过其它的方式实现。例如，以上所描述的装置/机器人实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，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单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取计算机可读存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (7)
1.一种数据处理方法，其特征在于，所述方法包括：
获取与指定对象相关的原始信息；
按照预定的事件分类规则，对所述原始信息进行分类，得到多个事件信息集合；
从所述多个事件信息集合中抽取出与所述指定对象关联的预设数据指标的目标信息；
将所述目标信息输入预先训练的数据处理模型，得到所述指定对象的信息标签，所述数据处理模型由预设的样本数据集作为训练集训练得到，所述样本数据集包括多个预设数据指标的已分配信息标签的信息样本；
其中，所述指定对象为预先确定的目标单位，所述原始信息为通过互联网获取的与所述指定对象相关的信息，所述预设数据指标为用于衡量所述指定对象的经营状况的前瞻性评价指标，所述数据处理模型为包括n棵决策树的模型，n为大于零的整数；
所述将所述目标信息输入预先训练的数据处理模型，得到所述指定对象的信息标签，包括：
通过所述n棵决策树对所述目标信息进行分类，得到n个分类结果；
根据所述n个分类结果进行决策，获得最终分类结果；
将所述最终分类结果作为所述指定对象的信息标签；
所述数据处理模型的训练过程包括：
获取所述样本数据集；
对所述样本数据集中的每一个信息样本进行多重共线性检验，得到每一个信息样本的多重共线性系数；
将多重共线性系数大于预设系数阈值的信息样本从所述样本数据集中去除，得到预处理后的所述样本数据集；
以预处理后的所述样本数据集作为训练集，训练得到所述数据处理模型。
2.根据权利要求1所述的数据处理方法，其特征在于，所述数据处理模型包括第一子模型和第二子模型，所述将所述目标信息输入预先训练的数据处理模型，得到所述指定对象的信息标签包括：
将所述目标信息输入所述第一子模型，得到所述目标信息的第一信息标签；
将所述目标信息以及交叉特征输入所述第二子模型，得到所述目标信息的第二信息标签，所述交叉特征为所述第二子模型在构建时，根据预处理后的所述样本数据集生成的用于表征数据相关性的数据特征；
将所述第一信息标签与所述第二信息标签进行拼接，输入到预设的激活函数中，以输出所述指定对象的信息标签。
3.根据权利要求1所述的数据处理方法，其特征在于，在训练得到所述数据处理模型之后，还包括：
使用预设的测试数据集对所述数据处理模型进行测试，得到测试结果；
根据所述测试结果分别统计测试成功次数和测试失败次数；
根据所述测试成功次数和所述测试失败次数计算所述数据处理模型的识别准确率；
若所述识别准确率小于预设的准确率阈值，则获取新的样本数据集，并采用所述新的样本数据集对所述数据处理模型进行参数优化，直至所述数据处理模型的识别准确率大于或等于所述准确率阈值。
4.根据权利要求1至3中任一项所述的数据处理方法，其特征在于，所述获取与指定对象相关的原始信息包括：
向目标服务器发送信息抓取指令，所述信息抓取指令用于指示所述目标服务器抓取与所述指定对象相关的原始信息；
接收所述目标服务器返回的与所述指定对象相关的原始信息。
5.一种数据处理装置，其特征在于，所述装置包括：
信息获取模块，用于获取与指定对象相关的原始信息；
信息分类模块，用于按照预定的事件分类规则，对所述原始信息进行分类，得到多个事件信息集合；
信息抽取模块，用于从所述多个事件信息集合中抽取出与所述指定对象关联的预设数据指标的目标信息；
信息标签确定模块，用于将所述目标信息输入预先训练的数据处理模型，得到所述指定对象的信息标签，所述数据处理模型由预设的样本数据集作为训练集训练得到，所述样本数据集包括多个预设数据指标的已分配信息标签的信息样本；
数据处理模型训练模块，用于获取所述样本数据集；对所述样本数据集中的每一个信息样本进行多重共线性检验，得到每一个信息样本的多重共线性系数；将多重共线性系数大于预设系数阈值的信息样本从所述样本数据集中去除，得到预处理后的所述样本数据集；以预处理后的所述样本数据集作为训练集，训练得到所述数据处理模型；
其中，所述指定对象为预先确定的目标单位，所述原始信息为通过互联网获取的与所述指定对象相关的信息，所述预设数据指标为用于衡量所述指定对象的经营状况的前瞻性评价指标，所述数据处理模型为包括n棵决策树的模型，n为大于零的整数；所述信息标签确定模块包括：
信息分类单元，用于通过所述n棵决策树对所述目标信息进行分类，得到n个分类结果；
分类结果决策单元，用于根据所述n个分类结果进行决策，获得最终分类结果；
信息标签确定单元，用于将所述最终分类结果作为所述指定对象的信息标签。
6.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的数据处理方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的数据处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010312129.1A CN112785441B (zh) | 2020-04-20 | 2020-04-20 | 数据处理方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010312129.1A CN112785441B (zh) | 2020-04-20 | 2020-04-20 | 数据处理方法、装置、终端设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112785441A CN112785441A (zh) | 2021-05-11 |
| CN112785441B true CN112785441B (zh) | 2023-12-05 |
Family
ID=75749261
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010312129.1A Active CN112785441B (zh) | 2020-04-20 | 2020-04-20 | 数据处理方法、装置、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112785441B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113535951B (zh) * | 2021-06-21 | 2023-02-17 | 深圳大学 | 用于进行信息分类的方法、装置、终端设备及存储介质 |
| CN114049197A (zh) * | 2021-11-10 | 2022-02-15 | 北京百度网讯科技有限公司 | 数据处理方法、构建模型的方法、装置及电子设备 |
| CN115204050A (zh) * | 2022-07-22 | 2022-10-18 | 木卫四(北京)科技有限公司 | 车载can总线数据异常检测方法及装置 |
| CN115859161B (zh) * | 2023-02-20 | 2023-07-28 | 国家海洋技术中心 | 故障预测方法、装置、终端和存储介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11237963A (ja) * | 1998-02-20 | 1999-08-31 | Toshiba Corp | 印刷処理装置、印刷処理方法、該印刷処理装置を用いた記憶媒体情報ファイリング装置及びｉｄカード情報ファイリング装置 |
| WO2005124586A1 (en) * | 2004-06-17 | 2005-12-29 | Arearguard Consulting Pty Ltd | Database interactions and applications |
| CN107368526A (zh) * | 2017-06-09 | 2017-11-21 | 北京因果树网络科技有限公司 | 一种数据处理方法及装置 |
| CN109033471A (zh) * | 2018-09-05 | 2018-12-18 | 中国信息安全测评中心 | 一种信息资产识别方法及装置 |
| CN109214772A (zh) * | 2018-08-07 | 2019-01-15 | 平安科技（深圳）有限公司 | 项目推荐方法、装置、计算机设备及存储介质 |
| CN109587324A (zh) * | 2018-09-21 | 2019-04-05 | 招商证券股份有限公司 | 一种根据移动终端外壳适配移动终端主题的方法及装置 |
| WO2019100723A1 (zh) * | 2017-11-24 | 2019-05-31 | 华为技术有限公司 | 训练多标签分类模型的方法和装置 |
| CN109872003A (zh) * | 2019-03-06 | 2019-06-11 | 中国科学院软件研究所 | 对象状态预测方法、系统、计算机设备及存储介质 |
| CN110349012A (zh) * | 2019-07-12 | 2019-10-18 | 腾讯科技（深圳）有限公司 | 数据预测方法及计算机可读存储介质 |
| CN110362609A (zh) * | 2019-07-01 | 2019-10-22 | 西安交通大学 | 一种基于二部图的股票协同交易疑点群体检测方法 |
| CN110689070A (zh) * | 2019-09-25 | 2020-01-14 | 第四范式（北京）技术有限公司 | 一种业务预测模型的训练方法及装置 |
| CN110704730A (zh) * | 2019-09-06 | 2020-01-17 | 中国平安财产保险股份有限公司 | 基于大数据的产品数据推送方法、系统及计算机设备 |
| US10552735B1 (en) * | 2015-10-14 | 2020-02-04 | Trading Technologies International, Inc. | Applied artificial intelligence technology for processing trade data to detect patterns indicative of potential trade spoofing |
| CN110991789A (zh) * | 2019-10-17 | 2020-04-10 | 腾讯科技（深圳）有限公司 | 置信区间的确定方法和装置、存储介质及电子装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106611375A (zh) * | 2015-10-22 | 2017-05-03 | 北京大学 | 一种基于文本分析的信用风险评估方法及装置 |
| US11694109B2 (en) * | 2017-08-16 | 2023-07-04 | ODH, Inc. | Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure |
| US10937089B2 (en) * | 2017-12-11 | 2021-03-02 | Accenture Global Solutions Limited | Machine learning classification and prediction system |
-
2020
- 2020-04-20 CN CN202010312129.1A patent/CN112785441B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11237963A (ja) * | 1998-02-20 | 1999-08-31 | Toshiba Corp | 印刷処理装置、印刷処理方法、該印刷処理装置を用いた記憶媒体情報ファイリング装置及びｉｄカード情報ファイリング装置 |
| WO2005124586A1 (en) * | 2004-06-17 | 2005-12-29 | Arearguard Consulting Pty Ltd | Database interactions and applications |
| US10552735B1 (en) * | 2015-10-14 | 2020-02-04 | Trading Technologies International, Inc. | Applied artificial intelligence technology for processing trade data to detect patterns indicative of potential trade spoofing |
| CN107368526A (zh) * | 2017-06-09 | 2017-11-21 | 北京因果树网络科技有限公司 | 一种数据处理方法及装置 |
| WO2019100723A1 (zh) * | 2017-11-24 | 2019-05-31 | 华为技术有限公司 | 训练多标签分类模型的方法和装置 |
| CN109214772A (zh) * | 2018-08-07 | 2019-01-15 | 平安科技（深圳）有限公司 | 项目推荐方法、装置、计算机设备及存储介质 |
| CN109033471A (zh) * | 2018-09-05 | 2018-12-18 | 中国信息安全测评中心 | 一种信息资产识别方法及装置 |
| CN109587324A (zh) * | 2018-09-21 | 2019-04-05 | 招商证券股份有限公司 | 一种根据移动终端外壳适配移动终端主题的方法及装置 |
| CN109872003A (zh) * | 2019-03-06 | 2019-06-11 | 中国科学院软件研究所 | 对象状态预测方法、系统、计算机设备及存储介质 |
| CN110362609A (zh) * | 2019-07-01 | 2019-10-22 | 西安交通大学 | 一种基于二部图的股票协同交易疑点群体检测方法 |
| CN110349012A (zh) * | 2019-07-12 | 2019-10-18 | 腾讯科技（深圳）有限公司 | 数据预测方法及计算机可读存储介质 |
| CN110704730A (zh) * | 2019-09-06 | 2020-01-17 | 中国平安财产保险股份有限公司 | 基于大数据的产品数据推送方法、系统及计算机设备 |
| CN110689070A (zh) * | 2019-09-25 | 2020-01-14 | 第四范式（北京）技术有限公司 | 一种业务预测模型的训练方法及装置 |
| CN110991789A (zh) * | 2019-10-17 | 2020-04-10 | 腾讯科技（深圳）有限公司 | 置信区间的确定方法和装置、存储介质及电子装置 |
Non-Patent Citations (3)
| Title |
|---|
| Neural network application in predicting advanced manufacturing technology implementation performance;Sara SaberiRosnah Mohd.;《Neural computing & applications》(第6期);1191-1204 * |
| 基于大数据的证券公司信用风险评级与预警体系研究;招商证券股份有限公司;《创新与发展：中国证券业2018年论文集》;全文 * |
| 基于朴素贝叶斯分类的上市公司财务异常侦测研究;邹丽莹;《经济与管理科学》(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112785441A (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112785441B (zh) | 数据处理方法、装置、终端设备及存储介质 | |
| WO2021143396A1 (zh) | 利用文本分类模型进行分类预测的方法及装置 | |
| CN110310012B (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
| CN113469730A (zh) | 一种非合同场景下的基于RF-LightGBM融合模型的客户复购预测方法及装置 | |
| CN114612251A (zh) | 风险评估方法、装置、设备及存储介质 | |
| CN111382248A (zh) | 一种问题回复方法、装置、存储介质及终端设备 | |
| CN113837308A (zh) | 基于知识蒸馏的模型训练方法、装置、电子设备 | |
| CN110956303A (zh) | 信息预测方法、装置、终端及可读存储介质 | |
| CN118468061B (zh) | 一种算法自动匹配及参数优化方法及系统 | |
| CN114638633A (zh) | 异常流量检测的方法和装置、电子设备和存储介质 | |
| CN112396079A (zh) | 号码识别模型训练方法、号码识别方法及装置 | |
| CN118037423A (zh) | 农业贷款后农户还款意愿评价方法及系统 | |
| CN117893239A (zh) | 基于人工智能的商品价格预测方法及系统 | |
| CN116563649B (zh) | 基于张量映射网络的高光谱图像轻量化分类方法及装置 | |
| CN112634057A (zh) | 基金相似度计算方法、平台、设备及可读存储介质 | |
| CN116681128A (zh) | 一种带噪多标签数据的神经网络模型训练方法和装置 | |
| CN116167371A (zh) | 产品的推荐方法及装置、处理器和电子设备 | |
| CN113033170B (zh) | 表格标准化处理方法、装置、设备及存储介质 | |
| CN115293867A (zh) | 财务报销用户画像优化方法、装置、设备及存储介质 | |
| CN112182211B (zh) | 文本分类方法及装置 | |
| CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
| CN113762415A (zh) | 一种基于神经网络的汽车金融产品智能匹配方法和系统 | |
| CN114548620A (zh) | 物流准时保业务推荐方法、装置、计算机设备和存储介质 | |
| CN113850667B (zh) | 催收方法、装置、存储介质及设备 | |
| CN116051169A (zh) | 评价方法、装置、非易失性存储介质及电子设备 |
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 |