CN113220957B - 物品数据可视化方法、装置、电子设备及存储介质 - Google Patents
物品数据可视化方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113220957B CN113220957B CN202110615997.1A CN202110615997A CN113220957B CN 113220957 B CN113220957 B CN 113220957B CN 202110615997 A CN202110615997 A CN 202110615997A CN 113220957 B CN113220957 B CN 113220957B
- Authority
- CN
- China
- Prior art keywords
- data
- input data
- information
- article
- external
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013079 data visualisation Methods 0.000 title claims abstract description 27
- 238000013135 deep learning Methods 0.000 claims abstract description 42
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000008451 emotion Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims 1
- 230000008859 change Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000010779 crude oil Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 229910000510 noble metal Inorganic materials 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000010970 precious metal Substances 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G06F16/904—Browsing; Visualisation therefor
-
- 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
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Technology Law (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Multimedia (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供一种物品数据可视化方法、装置、电子设备及存储介质,通过获取基础数据和对应的外部数据,其中,基础数据包括物品的基础交易信息,外部数据包括对物品的基础交易信息产生影响的外部信息;根据基础数据和对应的外部数据,生成多模态数据,其中,多模态数据对应多个影响因子,影响因子表征影响物品的价格的因素;将多模态数据输入深度学习时序模型,确定多模态数据对应的影响因子的权重值;显示多模态数据对应的影响因子的权重值。由于生成的多模态数据中,既包含了基础数据又包含了对应的外部数据,因此,可以基于多个维度的数据对物品的交易价格的影响程度进行评估,实现对物品价格的准确预测。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种物品数据可视化方法、装置、电子设备及存储介质。
背景技术
本部分旨在为权利要求书中陈述的本申请的实施方式提供背景或上下文。此处的描述不因为包括在本部分中而被认为是现有技术。
目前,在以贵金属为例的物品交易市场,交易人员是通过从各大交易平台获取交易价格,并基于该交易价格,完成物品的买卖交易的。为了提高在交易过程中的收益,降低价格变动风险,现有技术中,通过终端设备获取表征物品交易价格的物品数据,并基于物品数据进行自动分析,以预测物品价格的变动,并通过将预测结果展示给交易人员,帮助交易人员完成物品交易。
然后,现有技术中,计算设备在预测物品价格的变动时,存在物品价格的预测准确率低的问题,增加了物品交易的风险。
发明内容
本申请提供一种物品数据可视化方法、装置、电子设备及存储介质,用以解决物品价格的预测准确率低的问题。
根据本申请实施例的第一方面,本申请提供了一种物品数据可视化方法,所述方法包括:
获取基础数据和对应的外部数据,其中,所述基础数据包括物品的基础交易信息,所述外部数据包括对所述物品的基础交易信息产生影响的外部信息;根据所述基础数据和对应的外部数据,生成多模态数据,其中,所述多模态数据对应多个影响因子,所述影响因子表征影响所述物品的价格的因素;将所述多模态数据输入深度学习时序模型,确定所述多模态数据对应的影响因子的权重值;显示所述多模态数据对应的影响因子的权重值。
在一种可能的实现方式中,所述多模态数据包括多个字段,每一字段对应一个所述影响因子;显示所述多模态数据对应的影响因子的权重值,包括:获取所述多模态数据的时序节点,所述时序节点用于表征所述多模态数据的数据日期;根据所述多模态数据,显示各所述时序节点下的各所述字段的字段值,其中,所述字段值表征影响因子的权重值。
在一种可能的实现方式中,根据所述基础数据和对应的外部数据,生成多模态数据,包括:基于所述基础数据,生成第一输入数据,其中,所述第一输入数据具有多个字段,所述第一输入数据的字段表征所述物品的交易指标;根据所述第一输入数据的字段的类别,对所述第一输入数据的各所述字段进行分类,生成多个第二输入数据,其中,所述第二输入数据为具有相同类别的字段的集合;根据各所述第二输入数据的字段的类别,确定各所述第二输入数据对应的外部数据;根据所述第二输入数据,以及对应的外部数据,生成多模态数据。
在一种可能的实现方式中,根据所述第二输入数据,以及对应的外部数据,生成多模态数据,包括:将每一所述第二输入数据以及对应的外部数据,组成第三输入数据,所述第三输入数据表征所述第二输入数据的字段对应的影响因子;根据所述第三输入数据的时序信息,对各所述第三输入数据进行时序分割,生成多模态数据。
在一种可能的实现方式中,所述基础数据包括所述物品的交易记录和/或风险敞口信息,基于所述基础数据,生成第一输入数据,包括:根据所述物品的交易记录和/或风险敞口信息,按照预设的指标编辑规则,生成多个交易指标;根据所述物品对应的各所述交易指标的数值,生成第一输入数据。
在一种可能的实现方式中,外部数据包括图像数据,在根据各所述第二输入数据的字段的类别,确定各所述第二输入数据对应的外部数据之前,所述方法还包括:对所述图像数据进行图像特征提取,生成图像特征;根据所述图像特征,生成所述图像数据对应的标签信息,所述标签信息用于表征所述图像数据对应的字段的类别;根据各所述第二输入数据的字段的类别,确定各所述第二输入数据对应的外部数据,包括:根据所述第二输入数据的字段的类别和所述图像数据对应的标签信息,确定各所述第二输入数据对应的图像数据。
在一种可能的实现方式中,外部数据包括文字数据,在根据各所述第二输入数据的字段的类别,确定各所述第二输入数据对应的外部数据之前,所述方法还包括:基于BERT模型对所述文字信息进行解析,生成语义特征;根据所述语义特征,生成所述文字信息对应的标签信息,所述标签信息用于表征所述文字数据对应的字段的类别;根据各所述第二输入数据的字段的类别,确定各所述第二输入数据对应的外部数据,包括:根据所述第二输入数据的字段的类别和所述文字数据对应的标签信息,确定各所述第二输入数据对应的文字数据。
在一种可能的实现方式中,将所述多模态数据输入深度学习时序模型,确定所述多模态数据对应的影响因子的权重值,包括:对所述深度学习时序模型进行拟合,得到线性预测模型;根据所述线性预测模型,确定所述多模态数据对应的影响因子的权重值。
在一种可能的实现方式中,根据所述线性预测模型,确定所述多模态数据对应的影响因子的权重值,包括:获取预设的LRP算法模型;将所述线性预测模型输入LRP算法模型的影响力解析层,生成各时序节点对应的所述影响因子的权重值。
在一种可能的实现方式中,所述方法还包括:获取历史多模态数据,所述历史多模态数据是通过预先采集的所述物品的历史基础数据和对应的历史外部数据生成的;根据所述历史多模态数据,建立深度学习时序模型,所述深度学习时序模型用于表征预设的影响因子的权重值与多模态数据之间的映射关系。
在一种可能的实现方式中,所述外部信息包括以下至少一种:新闻文本的综合情绪指标、各主要经济体宏观经济政策的正负面影响因子、交易市场的统计数据、地缘风险变动信息、主要交易渠道的营销活动信息。
在一种可能的实现方式中,所述方法还包括:根据所述多模态数据对应的影响因子的权重值,生成推荐信息,所述推荐信息用于指示影响所述物品的价格的预设数量个因素;向终端设备发送所述推荐信息。
根据本申请实施例的第二方面,本申请提供了一种物品数据可视化装置,包括:
获取模块,用于获取基础数据和对应的外部数据,其中,所述基础数据包括物品的基础交易信息,所述外部数据包括对所述物品的基础交易信息产生影响的外部信息;
生成模块,用于根据所述基础数据和对应的外部数据,生成多模态数据,其中,所述多模态数据对应多个影响因子,所述影响因子表征影响所述物品的价格的因素;
确定模块,用于将所述多模态数据输入深度学习时序模型,确定所述多模态数据对应的影响因子的权重值;
显示模块,用于显示所述多模态数据对应的影响因子的权重值。
在一种可能的实现方式中,所述多模态数据包括多个字段,每一字段对应一个所述影响因子;所述显示模块,具体用于:获取所述多模态数据的时序节点,所述时序节点用于表征所述多模态数据的数据日期;根据所述多模态数据,显示各所述时序节点下的各所述字段的字段值,其中,所述字段值表征影响因子的权重值。
在一种可能的实现方式中,所述生成模块,具体用于:基于所述基础数据,生成第一输入数据,其中,所述第一输入数据具有多个字段,所述第一输入数据的字段表征所述物品的交易指标;根据所述第一输入数据的字段的类别,对所述第一输入数据的各所述字段进行分类,生成多个第二输入数据,其中,所述第二输入数据为具有相同类别的字段的集合;根据各所述第二输入数据的字段的类别,确定各所述第二输入数据对应的外部数据;根据所述第二输入数据,以及对应的外部数据,生成多模态数据。
在一种可能的实现方式中,所述生成模块在根据所述第二输入数据,以及对应的外部数据,生成多模态数据时,具体用于:将每一所述第二输入数据以及对应的外部数据,组成第三输入数据,所述第三输入数据表征所述第二输入数据的字段对应的影响因子;根据所述第三输入数据的时序信息,对各所述第三输入数据进行时序分割,生成多模态数据。
在一种可能的实现方式中,所述基础数据包括所述物品的交易记录和/或风险敞口信息,所述生成模块在基于所述基础数据,生成第一输入数据时,具体用于:根据所述物品的交易记录和/或风险敞口信息,按照预设的指标编辑规则,生成多个交易指标;根据所述物品对应的各所述交易指标的数值,生成第一输入数据。
在一种可能的实现方式中,所述外部数据包括图像数据,所述生成模块在根据各所述第二输入数据的字段的类别,确定各所述第二输入数据对应的外部数据之前,还用于:对所述图像数据进行图像特征提取,生成图像特征;根据所述图像特征,生成所述图像数据对应的标签信息,所述标签信息用于表征所述图像数据对应的字段的类别;所述生成模块在根据各所述第二输入数据的字段的类别,确定各所述第二输入数据对应的外部数据时,具体用于:根据所述第二输入数据的字段的类别和所述图像数据对应的标签信息,确定各所述第二输入数据对应的图像数据。
在一种可能的实现方式中,外部数据包括文字数据,所述生成模块在根据各所述第二输入数据的字段的类别,确定各所述第二输入数据对应的外部数据之前,还用于:基于BERT模型对所述文字信息进行解析,生成语义特征;根据所述语义特征,生成所述文字信息对应的标签信息,所述标签信息用于表征所述文字数据对应的字段的类别;所述生成模块在根据各所述第二输入数据的字段的类别,确定各所述第二输入数据对应的外部数据时,具体用于:根据所述第二输入数据的字段的类别和所述文字数据对应的标签信息,确定各所述第二输入数据对应的文字数据。
在一种可能的实现方式中,所述确定模块,具体用于:对所述深度学习时序模型进行拟合,得到线性预测模型;根据所述线性预测模型,确定所述多模态数据对应的影响因子的权重值。
在一种可能的实现方式中,所述确定模块在根据所述线性预测模型,确定所述多模态数据对应的影响因子的权重值时,具体用于:获取预设的LRP算法模型;将所述线性预测模型输入LRP算法模型的影响力解析层,生成各时序节点对应的所述影响因子的权重值。
在一种可能的实现方式中,所述获取模块,还用于:获取历史多模态数据,所述历史多模态数据是通过预先采集的所述物品的历史基础数据和对应的历史外部数据生成的;根据所述历史多模态数据,建立深度学习时序模型,所述深度学习时序模型用于表征预设的影响因子的权重值与多模态数据之间的映射关系。
在一种可能的实现方式中,所述外部信息包括以下至少一种:新闻文本的综合情绪指标、各主要经济体宏观经济政策的正负面影响因子、交易市场的统计数据、地缘风险变动信息、主要交易渠道的营销活动信息。
在一种可能的实现方式中,所述生成模块,还用于:根据所述多模态数据对应的影响因子的权重值,生成推荐信息,所述推荐信息用于指示影响所述物品的价格的预设数量个因素;向终端设备发送所述推荐信息。
根据本申请实施例的第三方面,本申请提供了一种电子设备,包括:存储器,处理器以及计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行如本申请实施例第一方面任一项所述的物品数据可视化方法。
根据本申请实施例的第四方面,本申请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中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如本申请实施例第一方面任一项所述的物品数据可视化方法。
根据本申请实施例的第五方面,本申请提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上第一方面以及第一方面各种可能的物品数据可视化方法。
本申请提供的物品数据可视化方法、装置、电子设备及存储介质,通过获取基础数据和对应的外部数据,其中,所述基础数据包括物品的基础交易信息,所述外部数据包括对所述物品的基础交易信息产生影响的外部信息;根据所述基础数据和对应的外部数据,生成多模态数据,其中,所述多模态数据对应多个影响因子,所述影响因子表征影响所述物品的价格的因素;将所述多模态数据输入深度学习时序模型,确定所述多模态数据对应的影响因子的权重值;显示所述多模态数据对应的影响因子的权重值。由于生成的多模态数据中,既包含了基础数据又包含了对应的外部数据,因此,将多模态数据输入深度学习时序模型后,可以基于多个维度的数据对物品的交易价格的影响程度进行评估,从而得到的影响因子所对应的权重值,实现对物品价格的准确预测,并通过显示多模态数据对应的影响因子的权重值,以交易人员能够根据该多模态数据对应的影响因子的权重值进行物品交易,降低物品交易的风险。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的物品数据可视化方法的一种应用场景图;
图2为本申请一个实施例提供的物品数据可视化方法的流程图;
图3为本申请实施例提供的一种多模态数据对应的显示影响因子的权重值的示意图;
图4为本申请另一个实施例提供的物品数据可视化方法的流程图;
图5为图4所示实施例中步骤S204的一种可能的实现方式的流程图;
图6为图4所示实施例中步骤S206的一种可能的实现方式的流程图;
图7为图4所示实施例中步骤S206的另一种可能的实现方式的流程图;
图8为图4所示实施例中步骤S207的一种可能的实现方式的流程图;
图9为本申请一个实施例提供的物品数据可视化装置的结构示意图;
图10为本申请一个实施例提供的电子设备的示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
下面对本申请实施例的应用场景进行解释:
图1为本申请实施例提供的物品数据可视化方法的一种应用场景图,本申请实施例提供的物品数据可视化方法,可以应用在大宗商品交易的应用场景下,具体地,如图1所示,本申请实施例提供的物品数据可视化方法可以应用于第一终端设备,示例性地,该第一终端设备为参与大宗商品交易的交易人员所使用的计算设备,例如为电脑。第一终端设备与服务器连接,该服务器内存储有与大宗商品交易相关的数据,例如商品价格数据、交易记录数据等,更具体地,该服务器可以是与第一终端设备处于同一局域网内的内部服务器,也可以是与第一终端设备通过互联网通信连接的外部服务器,此次不再一一举例赘述。第一终端设备通过访问服务器,获取与大宗商品交易相关的交易数据,并通过本实施例提供的物品数据可视化方法,生成针对大宗商品的分析数据,并进行可视化显示,从而使操作该第一终端设备的交易人员能够根据分析数据获得必要的信息以进行大宗商品的交易。
现有技术中,为了提高在交易过程中的收益,降低价格变动带来的交易风险,通常是通过操作人员使用的终端设备,获取表征物品交易价格的物品数据,并基于物品数据进行自动分析,以预测物品价格的变动,并通过将预测结果展示给交易人员,帮助交易人员完成物品交易。然而,现有技术中预测物品价格的准确度较低,难以有效的帮助交易人员降低物品交易风险。
这是由于以下原因造成的:首先,现有技术中通常是仅使用物品交易价格、交易量等基础数据进行预测,而对于大宗商品的交易而言,其易受到市场供需情况变化、市场情绪变化以及地缘风险等外部因素的影响,由于现有技术中在进行大宗商品的价格预测时,未考虑上述外部因素的影响,因此造成了预测准确率低的问题。其次,与大宗商品的交易相关的金融数据,具有高噪声、低维输入、动态性的特点,给机器学习在相关领域的预测场景应用带来了巨大挑战。相对传统预测方法而言,机器学习预测方法拥有非线性、数据化、速度和复杂度优势,但以深度神经网络模型为代表的复杂机器学习模型,在使用过程中具有一定的黑盒特征,难以进行直观解释,因此,致使模型输出的结果具有不确定性,使交易人员难以验证,也难以基于自身经验进行相应的修正和补偿,最终导致预测准确率偏低的问题。
因此,当前亟需一种能够有效利用多维度数据,确定导致物品价格变动的影响因子,以及各影响因子的权重值,并进行显示的方法,以准确预测物品价格的变化,并使交易人员能够准确的获知影响商品价格变动的因素。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图2为本申请一个实施例提供的物品数据可视化方法的流程图,应用于第一终端设备,如图2所示,本实施例提供的物品数据可视化方法包括以下几个步骤:
步骤S101,获取基础数据和对应的外部数据,其中,基础数据包括物品的基础交易信息,外部数据包括对物品的基础交易信息产生影响的外部信息。
示例性地,本实施例中的物品,可以是在大宗商品交易场景下的交易商品,例如贵金属、原油等大宗商品中的一种或多种。基础数据和外部数据,均为与该物品相关的信息。其中,第一终端设备可以通过与交易平台的服务器通信,而获得与该物品相关的基础交易数据,例如交易价格、成交量、成交时间等,也可以通过与其他提供此类信息的第三方平台的服务器获取基础交易信息,此次不进行一一举例。
进一步地,示例性地,基础交易信息中包括物品标识,该物品标识可以是物品名称,根据基础交易信息中的物品标识,可以获取对应的外部信息,其中,具体地,外部信息例如为新闻信息、报刊信息、论坛信息等,可以通过不同渠道获得的,能够对基础交易信息产生影响信息,例如可以通过关键字搜索等方式,从数据库或互联网获得包括此类外部信息的外部数据,更具体地,外部信息可以为以下至少一种:新闻文本的综合情绪指标、各主要经济体宏观经济政策的正负面影响因子、交易市场的统计数据、地缘风险变动信息、主要交易渠道的营销活动信息。基于不同的承载外部信息的载体,外部数据可以包括图片数据、文字数据或其他结构化数据。此处不再一一举例赘述。
步骤S102,根据基础数据和对应的外部数据,生成多模态数据,其中,多模态数据对应多个影响因子,影响因子表征影响物品的价格的因素。
示例性地,针对不同的物品的基础数据,所对应的外部数据与该基础数据之间具有对应关系,例如当物品为原油时,其所对应的外部数据包括与原油相关的外部信息;而当物品为贵金属时,其所对应的外部数据包括与贵金属相关的外部信息。根据一个特定物品,所对应的一组基础数据和外部数据的组合,可以生成一组多模态数据。该多模态数据为该特定物品提供了多个维度的数据,从而提高了该数据的丰富性,因此能够提高后续基于该数据进行价格预测的准确性。
进一步地,多模态数据对应多个影响因子,影响因子表征影响物品的价格的因素。具体地,例如,影响A物品的价格的因素包括地缘因素、宏观因素和市场情绪因素。因此,对应的,影响因子包括地缘因子、宏观因子和情绪因子。对于一组相同日期的多模态数据,每一个影响因子具有对应的权重系数,示例性地,权重系数可以为正数或负数,当权重系数为正数时,表征该影响因子对物品价格的影响为正向影响;当权重系数为负数时,表征该影响因子对物品价格的影响为负向影响;权重系数的绝对值越大,则影响程度越大。
步骤S103,将多模态数据输入深度学习时序模型,确定多模态数据对应的影响因子的权重值。
示例性地,深度学习时序模型,即基于深度学习技术进行时序分析的模型,例如基于长短期记忆网络(Long Short-Term Memory,LSTM)或者双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)进行时序分析的模型。该深度学习时序模型为已通过样本数据训练至收敛的模型。通过在深度学习时序模型中设置独立的深度神经网络特征编码层对多模数据中各维度的数据进行处理,确定多模态数据对应的影响因子的权重值。
在一种可能的实现方式中,确定多模态数据对应的影响因子的权重值,包括:对深度学习时序模型进行拟合,得到线性预测模型;根据线性预测模型,确定多模态数据对应的影响因子的权重值。
示例性地,在时序场景下,对非线性的深度学习时序模型(如LSTM模型)对价格等指标预测结果的分解,需要在细粒度上拆解模型内部的各个连接部分,并对每个连接部分基于相关性逐层传播算法(layer-wise relevance propagation,LRP)进行影响力计算,再按连接方向的反方向进行计算结果的传递,从而得到线性预测模型。本实施例中,通过将深度学习时序模型的模型参数输入到LRP的影响力解析层,根据影响力解析层的计算结果,可以得出线性预测模型内每个维度的数据(即影响因子)对当前预测结果输出的影响力指数,即影响因子的权重值。其中,根据深度学习时序模型的不同实现形式,将模型输入LRP的影响力解析层进行计算的方法有所不同,但均为本领域技术人员知晓的现有技术,此次不再赘述。
步骤S104,显示多模态数据对应的影响因子的权重值。
示例性地,在确定多模态数据对应的各影响因子的权重值后,可以通过执行本实施例提供的方法的第一终端设备对其进行显示。具体地,例如,多模态数据包括多个字段,每一字段对应一个影响因子,获取多模态数据的时序节点,时序节点用于表征多模态数据的数据日期;根据多模态数据,显示各时序节点下的各字段的字段值,其中,字段值表征影响因子的权重值。
图3为本申请实施例提供的一种多模态数据对应的显示影响因子的权重值的示意图,如图3所示,图中横轴代表时间序列,对应不同的时序节点其中,“-14d”代表提前14天,即根据14天前的数据预测的结果。相应地,“-13d”代表提前13天,“-12d”代表提前12天,“0d”代表当天。纵轴为目标商品的多模态数据所对应的多个不同的影响因子,每一影响因子通过多模态数据的一个字段表征,在每一时序节点上,现有有不同的影响因子的权重值,权重值表征目标商品的价格受不同因素影响的程度,示例性地,如图中所示,影响因子包括地缘因子、宏观因子、关联市场、情绪因子、产品因子、风险因子、动量因子等,该影响因子可以是根据需要自由设置的,此次不对此进行一一介绍。
本实施例中,通过获取基础数据和对应的外部数据,其中,基础数据包括物品的基础交易信息,外部数据包括对物品的基础交易信息产生影响的外部信息;根据基础数据和对应的外部数据,生成多模态数据,其中,多模态数据对应多个影响因子,影响因子表征影响物品的价格的因素;将多模态数据输入深度学习时序模型,确定多模态数据对应的影响因子的权重值;显示多模态数据对应的影响因子的权重值。由于生成的多模态数据中,既包含了基础数据又包含了对应的外部数据,因此,将多模态数据输入深度学习时序模型后,可以基于多个维度的数据对物品的交易价格的影响程度进行评估,从而得到的影响因子所对应的权重值,实现对物品价格的准确预测,并通过显示多模态数据对应的影响因子的权重值,以交易人员能够根据该多模态数据对应的影响因子的权重值进行物品交易,降低物品交易的风险。
图4为本申请另一个实施例提供的物品数据可视化方法的流程图,如图4所示,本实施例提供的物品数据可视化方法在图2所示实施例提供的物品数据可视化方法的基础上,对步骤S102进一步细化,在步骤S101之前增加了对深度学习时序模型进行训练的步骤,则本实施例提供的物品数据可视化方法包括以下几个步骤:
步骤S201,获取历史多模态数据,历史多模态数据是通过预先采集的物品的历史基础数据和对应的历史外部数据生成的。
步骤S202,根据历史多模态数据,建立深度学习时序模型,深度学习时序模型用于表征预设的影响因子的权重值与多模态数据之间的映射关系。
示例性地,历史多模态数据是指在由历史基础数据和对应的历史外部数据组成的数据,历史基础数据和历史外部数据,是指在当前时间点之前的数据。其中,历史基础数据和对应的历史外部数据之间具有一定的关联性关系,例如,在之前的历史数据中,由于地缘风险事件(外部数据),导致了大宗商品,例如贵金属的价格、交易量(基础数据)升高。此类具有关联性关系的数据,可以作为样本数据进行模型训练,从而建立建立深度学习时序模型,使建立的深度学习时序模型能够表征预设的影响因子的权重值与多模态数据之间的映射关系。其中,基础数据可以是通过对成交记录进行处理后,得到了各类指标。例如,分时交易频次、分时成交金额、平行资产分时成交频次、平行资产分时成交金额、分时渠道开户数据、分时MACD指标、分时各主要经济体客观经济指标、各主要经济体货币发行量、分时强关联事件标签等。外部数据可以包括图片数据、文字数据或其中结构化数据中的至少一种。在图2所对应的实施例中,对深度学习时序模型进行了介绍,对深度学习模型进行训练的过程为本领域技术人员所知晓的现有技术,此次不再进行赘述。
本实施例步骤中,通过针对多模态数据建立深度学习时序模型,为文本数据及图像类数据设立独立的深度神经网络特征编码层,并分别通过线性融合层,再经时序分割处理之后,汇入深度时序模型结构,训练后得出预测模型的各部分参数,从而获得收敛的深度学习时序模型,由于结合了历史基础数据和对应的历史外部数据进行训练,能够有效提高模型的预测准确性,降低交易过程的风险。
步骤S203,获取基础数据,其中,基础数据包括物品的基础交易信息。
步骤S204,基于基础数据,生成第一输入数据,其中,第一输入数据具有多个字段,第一输入数据的字段表征物品的交易指标。
示例性地,第一输入数据是根据基础数据进行加工和编辑,生成的具有其他指标参数的数据,其中,第一输入数据具有多个字段,第一输入数据的字段表征物品的交易指标。更具体地,例如,根据基础数据中的物品的交易价格,生成异同移动平均线(MovingAverage Convergence/Divergence,MACD)指标,MACD指标即为第一输入数据的一个字段,而MACD指标值,即为字段内容。
可选地,如图5所示,步骤S204包括步骤S2041、S2042两个具体的实现步骤:
步骤S2041,根据物品的交易记录和/或风险敞口信息,按照预设的指标编辑规则,生成多个交易指标。
步骤S2042,根据物品对应的各交易指标的数值,生成第一输入数据。
示例性地,基础数据中包括物品的交易记录和/或风险敞口信息,根据预设的指标编辑规则,对基础数据进行数据提取和处理,可以生成不同的多个交易指令,例如本实施例步骤中所示的MACD指标。其中,指标编辑规则可以是通过配置文件预设在第一终端设备内部的,且可以根据需要进行设置和修改,此次不再具体赘述。
进一步地,根据物品的交易记录和/或风险敞口信息,所生成的多个交易指标,具有对应的数值,即指标值。将各交易指标以及对应的数值进行组合后,即生成第一输入数据。
步骤S205,根据第一输入数据的字段的类别,对第一输入数据的各字段进行分类,生成多个第二输入数据,其中,第二输入数据为具有相同类别的字段的集合。
示例性地,生成第一输入数据后,对于不同的字段,对应有不同的类别,该类别是根据各字段的数据对物品价格所起到的影响作用进行分类而确定的,例如地缘因素、市场因素等。对于每一类别,分别生成一组数据,即第二输入数据。
步骤S206,根据各第二输入数据的字段的类别,确定各第二输入数据对应的外部数据。
示例性地,外部数据需要从数据库或物联网上,对相关信息进行检索后而获得。根据第二输入数据的字段的类别,能够确定外部数据的检索范围,例如,第二输入数据的字段的类别对应地缘风险因素,则对外部相关的信息进行检索后,获得对应的外部数据。
在一种可能的实现方式中,外部数据包括图像数据,如图6所示,步骤S206包括:
步骤S2061:对图像数据进行图像特征提取,生成图像特征。
步骤S2062:根据图像特征,生成图像数据对应的标签信息,标签信息用于表征图像数据对应的字段的类别。
步骤S2063:根据第二输入数据的字段的类别和图像数据对应的标签信息,确定各第二输入数据对应的图像数据。
具体地,对图像数据进行图像特征识别,并根据识别结果,确定一个能够表征图像数据对应的字段的类别的标签信息,若该标签信息所表征的类别与第二输入数据的字段的类别一致,则将该图形数据确定为第二输入数据对应的图像数据。
在另一种可能的实现方式中,外部数据包括文字数据,如图7所示,步骤S206包括:
步骤S2064:基于BERT模型对文字信息进行解析,生成语义特征。
步骤S2065:根据语义特征,生成文字信息对应的标签信息,标签信息用于表征文字数据对应的字段的类别。
步骤S2066:根据第二输入数据的字段的类别和文字数据对应的标签信息,确定各第二输入数据对应的文字数据。
当外部数据为文字数据时,对文字数据进行语义识别,即基于BERT模型对文字信息进行解析,获得语义特征,并根据语义特征,确定一个能够表征文字数据对应的字段的类别的标签信息,若该标签信息所表征的类别与第二输入数据的字段的类别一致,则将该文字数据确定为第二输入数据对应的文字数据,其中BERT模型是一种预训练语言模型,为本领域技术人员知晓的现有技术,此次不再详细介绍。
需要说明的是,对于上述实施例提供的步骤S206的两种实现方式,可以由单独使用其中的一种实现方式实现步骤S206(即图像数据或文字数据),也可以同时使用两种实现方式实现步骤S206(即图像数据或文字数据),可以根据具体需要确定,此次不再赘述。
步骤S207,根据第二输入数据,以及对应的外部数据,生成多模态数据。
可选地,如图8所示,步骤S207包括步骤S2071、S2072两个具体的实现步骤:
步骤S2071,将每一第二输入数据以及对应的外部数据,组成第三输入数据,第三输入数据表征第二输入数据的字段对应的影响因子。
步骤S2072,根据第三输入数据的时序信息,对各第三输入数据进行时序分割,生成多模态数据。
示例性地,第二输入数据以及对应的外部数据进行组合后,生成第三输入数据,每一第三输入数据对应一个影响因子。将对于每一组第二输入数据,根据构成第二输入数据的基础数据的数据日期,可以确定第二输入数据的时序信息,第三输入数据与第二输入数据对应,具有相同的时序信息。对第三输入数据按照时序信息表征的时间先后顺序进行排序,生成一组具有时序特征的数据,即多模态数据。
步骤S208,将多模态数据输入深度学习时序模型,确定多模态数据对应的影响因子的权重值。
步骤S209,显示多模态数据对应的影响因子的权重值。
步骤S210,根据多模态数据对应的影响因子的权重值,生成推荐信息,并向第二终端设备发送推荐信息,其中,推荐信息用于指示影响物品的价格的预设数量个因素。
示例性地,第二终端设备是与第一终端设备或云服务器通信的设备,能够通过局域网或广域网接收以直接或间接的方式接收第一终端设备发送的信息。本实施例中,第一终端设备根据多模态数据对应的影响因子的权重值,生成推荐信息,并发送至第二终端设备,以使第二终端设备能根据推荐信息,显示影响物品的价格的多个因素,从而实现信息的同步,实现大宗商品交易过程的信息同步,降低商品交易的风险。
本实施例中,步骤S203、步骤S208、步骤S209的实现方式与本申请图2所示实施例中的步骤S101、步骤S103、步骤S104的实现方式相同,在此不再一一赘述。
图9为本申请一个实施例提供的物品数据可视化装置的结构示意图,应用于第一终端设备,如图9所示,本实施例提供的物品数据可视化装置3包括:
获取模块31,用于获取基础数据和对应的外部数据,其中,基础数据包括物品的基础交易信息,外部数据包括对物品的基础交易信息产生影响的外部信息;
生成模块32,用于根据基础数据和对应的外部数据,生成多模态数据,其中,多模态数据对应多个影响因子,影响因子表征影响物品的价格的因素;
确定模块33,用于将多模态数据输入深度学习时序模型,确定多模态数据对应的影响因子的权重值;
显示模块34,用于显示多模态数据对应的影响因子的权重值。
在一种可能的实现方式中,多模态数据包括多个字段,每一字段对应一个影响因子;显示模块34,具体用于:获取多模态数据的时序节点,时序节点用于表征多模态数据的数据日期;根据多模态数据,显示各时序节点下的各字段的字段值,其中,字段值表征影响因子的权重值。
在一种可能的实现方式中,生成模块32,具体用于:基于基础数据,生成第一输入数据,其中,第一输入数据具有多个字段,第一输入数据的字段表征物品的交易指标;根据第一输入数据的字段的类别,对第一输入数据的各字段进行分类,生成多个第二输入数据,其中,第二输入数据为具有相同类别的字段的集合;根据各第二输入数据的字段的类别,确定各第二输入数据对应的外部数据;根据第二输入数据,以及对应的外部数据,生成多模态数据。
在一种可能的实现方式中,生成模块32在根据第二输入数据,以及对应的外部数据,生成多模态数据时,具体用于:将每一第二输入数据以及对应的外部数据,组成第三输入数据,第三输入数据表征第二输入数据的字段对应的影响因子;根据第三输入数据的时序信息,对各第三输入数据进行时序分割,生成多模态数据。
在一种可能的实现方式中,基础数据包括物品的交易记录和/或风险敞口信息,生成模块32在基于基础数据,生成第一输入数据时,具体用于:根据物品的交易记录和/或风险敞口信息,按照预设的指标编辑规则,生成多个交易指标;根据物品对应的各交易指标的数值,生成第一输入数据。
在一种可能的实现方式中,外部数据包括图像数据,生成模块32在根据各第二输入数据的字段的类别,确定各第二输入数据对应的外部数据之前,还用于:对图像数据进行图像特征提取,生成图像特征;根据图像特征,生成图像数据对应的标签信息,标签信息用于表征图像数据对应的字段的类别;生成模块32在根据各第二输入数据的字段的类别,确定各第二输入数据对应的外部数据时,具体用于:根据第二输入数据的字段的类别和图像数据对应的标签信息,确定各第二输入数据对应的图像数据。
在一种可能的实现方式中,外部数据包括文字数据,生成模块32在根据各第二输入数据的字段的类别,确定各第二输入数据对应的外部数据之前,还用于:基于BERT模型对文字信息进行解析,生成语义特征;根据语义特征,生成文字信息对应的标签信息,标签信息用于表征文字数据对应的字段的类别;生成模块32在根据各第二输入数据的字段的类别,确定各第二输入数据对应的外部数据时,具体用于:根据第二输入数据的字段的类别和文字数据对应的标签信息,确定各第二输入数据对应的文字数据。
在一种可能的实现方式中,确定模块33,具体用于:对深度学习时序模型进行拟合,得到线性预测模型;根据线性预测模型,确定多模态数据对应的影响因子的权重值。
在一种可能的实现方式中,确定模块33在根据线性预测模型,确定多模态数据对应的影响因子的权重值时,具体用于:获取预设的LRP算法模型;将线性预测模型输入LRP算法模型的影响力解析层,生成各时序节点对应的影响因子的权重值。
在一种可能的实现方式中,获取模块31,还用于:获取历史多模态数据,历史多模态数据是通过预先采集的物品的历史基础数据和对应的历史外部数据生成的;根据历史多模态数据,建立深度学习时序模型,深度学习时序模型用于表征预设的影响因子的权重值与多模态数据之间的映射关系。
在一种可能的实现方式中,外部信息包括以下至少一种:新闻文本的综合情绪指标、各主要经济体宏观经济政策的正负面影响因子、交易市场的统计数据、地缘风险变动信息、主要交易渠道的营销活动信息。
在一种可能的实现方式中,生成模块32,还用于:根据多模态数据对应的影响因子的权重值,生成推荐信息,推荐信息用于指示影响物品的价格的预设数量个因素;向终端设备发送推荐信息。
其中,获取模块31、生成模块32、确定模块33和显示模块34依次连接。本实施例提供的物品数据可视化装置3可以执行如图2-图8所示的方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图10为本申请一个实施例提供的电子设备的示意图,如图10所示,本实施例提供的电子设备包括:存储器41,处理器42以及计算机程序。
其中,计算机程序存储在存储器41中,并被配置为由处理器42执行以实现本申请图2-图8所对应的实施例中任一实施例提供的物品数据可视化方法。
其中,存储器41和处理器42通过总线43连接。
相关说明可以对应参见图2-图8所对应的实施例中的步骤所对应的相关描述和效果进行理解,此处不做过多赘述。
本申请一个实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行以实现本申请图2-图8所对应的实施例中任一实施例提供的物品数据可视化方法。
其中,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本申请一个实施例提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本申请图2-图8所对应的实施例中任一实施例提供的物品数据可视化方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块的划分,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,例如多个模块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信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
本领域技术人员在考虑说明书及实践这里公开的申请后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (14)
1.一种物品数据可视化方法,其特征在于,所述方法包括:
获取基础数据和对应的外部数据,其中,所述基础数据包括物品的基础交易信息,所述外部数据包括对所述物品的基础交易信息产生影响的外部信息;
根据所述基础数据和对应的外部数据,生成多模态数据,其中,所述多模态数据对应多个影响因子,所述影响因子表征影响所述物品的价格的因素;
将所述多模态数据输入深度学习时序模型,确定所述多模态数据对应的影响因子的权重值;
显示所述多模态数据对应的影响因子的权重值;
根据所述基础数据和对应的外部数据,生成多模态数据,包括:
基于所述基础数据,生成第一输入数据,其中,所述第一输入数据具有多个字段,所述第一输入数据的字段表征所述物品的交易指标;
根据所述第一输入数据的字段的类别,对所述第一输入数据的各所述字段进行分类,生成多个第二输入数据,其中,所述第二输入数据为具有相同类别的字段的集合;
根据各所述第二输入数据的字段的类别,确定各所述第二输入数据对应的外部数据;
将每一所述第二输入数据以及对应的外部数据,组成第三输入数据,所述第三输入数据表征所述第二输入数据的字段对应的影响因子;
根据所述第三输入数据的时序信息,对各所述第三输入数据进行时序分割,生成多模态数据。
2.根据权利要求1所述的方法,其特征在于,所述多模态数据包括多个字段,每一字段对应一个所述影响因子;显示所述多模态数据对应的影响因子的权重值,包括:
获取所述多模态数据的时序节点,所述时序节点用于表征所述多模态数据的数据日期;
根据所述多模态数据,显示各所述时序节点下的各所述字段的字段值,其中,所述字段值表征影响因子的权重值。
3.根据权利要求1所述的方法,其特征在于,所述基础数据包括所述物品的交易记录和/或风险敞口信息,基于所述基础数据,生成第一输入数据,包括:
根据所述物品的交易记录和/或风险敞口信息,按照预设的指标编辑规则,生成多个交易指标;
根据所述物品对应的各所述交易指标的数值,生成第一输入数据。
4.根据权利要求1所述的方法,其特征在于,所述外部数据包括图像数据,在根据各所述第二输入数据的字段的类别,确定各所述第二输入数据对应的外部数据之前,所述方法还包括:
对所述图像数据进行图像特征提取,生成图像特征;
根据所述图像特征,生成所述图像数据对应的标签信息,所述标签信息用于表征所述图像数据对应的字段的类别;
根据各所述第二输入数据的字段的类别,确定各所述第二输入数据对应的外部数据,包括:
根据所述第二输入数据的字段的类别和所述图像数据对应的标签信息,确定各所述第二输入数据对应的图像数据。
5.根据权利要求1所述的方法,其特征在于,外部数据包括文字数据,在根据各所述第二输入数据的字段的类别,确定各所述第二输入数据对应的外部数据之前,所述方法还包括:
基于BERT模型对文字信息进行解析,生成语义特征;
根据所述语义特征,生成所述文字信息对应的标签信息,所述标签信息用于表征所述文字数据对应的字段的类别;
根据各所述第二输入数据的字段的类别,确定各所述第二输入数据对应的外部数据,包括:
根据所述第二输入数据的字段的类别和所述文字数据对应的标签信息,确定各所述第二输入数据对应的文字数据。
6.根据权利要求1-5任一项所述的方法,其特征在于,将所述多模态数据输入深度学习时序模型,确定所述多模态数据对应的影响因子的权重值,包括:
对所述深度学习时序模型进行拟合,得到线性预测模型;
根据所述线性预测模型,确定所述多模态数据对应的影响因子的权重值。
7.根据权利要求6所述的方法,其特征在于,根据所述线性预测模型,确定所述多模态数据对应的影响因子的权重值,包括:
获取预设的LRP算法模型;
将所述线性预测模型输入LRP算法模型的影响力解析层,生成各时序节点对应的所述影响因子的权重值。
8.根据权利要求1-5任一项所述的方法,其特征在于,所述方法还包括:
获取历史多模态数据,所述历史多模态数据是通过预先采集的所述物品的历史基础数据和对应的历史外部数据生成的;
根据所述历史多模态数据,建立深度学习时序模型,所述深度学习时序模型用于表征预设的影响因子的权重值与多模态数据之间的映射关系。
9.根据权利要求1-5任一项所述的方法,其特征在于,所述外部信息包括以下至少一种:
新闻文本的综合情绪指标、各主要经济体宏观经济政策的正负面影响因子、交易市场的统计数据、地缘风险变动信息、主要交易渠道的营销活动信息。
10.根据权利要求1-5任一项所述的方法,其特征在于,所述方法还包括:
根据所述多模态数据对应的影响因子的权重值,生成推荐信息,所述推荐信息用于指示影响所述物品的价格的预设数量个因素;
向终端设备发送所述推荐信息。
11.一种资产交易影响因子可视化装置,其特征在于,包括:
获取模块,用于获取基础数据和对应的外部数据,其中,所述基础数据包括物品的基础交易信息,所述外部数据包括对所述物品的基础交易信息产生影响的外部信息;
生成模块,用于根据所述基础数据和对应的外部数据,生成多模态数据,其中,所述多模态数据对应多个影响因子,所述影响因子表征影响所述物品的价格的因素;
确定模块,用于将所述多模态数据输入深度学习时序模型,确定所述多模态数据对应的影响因子的权重值;
显示模块,用于显示所述多模态数据对应的影响因子的权重值;
所述生成模块,具体用于基于所述基础数据,生成第一输入数据,其中,所述第一输入数据具有多个字段,所述第一输入数据的字段表征所述物品的交易指标;根据所述第一输入数据的字段的类别,对所述第一输入数据的各所述字段进行分类,生成多个第二输入数据,其中,所述第二输入数据为具有相同类别的字段的集合;根据各所述第二输入数据的字段的类别,确定各所述第二输入数据对应的外部数据;根据所述第二输入数据,以及对应的外部数据,生成多模态数据;
所述生成模块在根据所述第二输入数据,以及对应的外部数据,生成多模态数据时,具体用于将每一所述第二输入数据以及对应的外部数据,组成第三输入数据,所述第三输入数据表征所述第二输入数据的字段对应的影响因子;根据所述第三输入数据的时序信息,对各所述第三输入数据进行时序分割,生成多模态数据。
12.一种电子设备,其特征在于,包括:存储器,处理器以及计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如权利要求1至10中任一项所述的物品数据可视化方法。
13.一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中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至10任一项所述的物品数据可视化方法。
14.一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现权利要求1至10中任一项所述的物品数据可视化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110615997.1A CN113220957B (zh) | 2021-06-02 | 2021-06-02 | 物品数据可视化方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110615997.1A CN113220957B (zh) | 2021-06-02 | 2021-06-02 | 物品数据可视化方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113220957A CN113220957A (zh) | 2021-08-06 |
CN113220957B true CN113220957B (zh) | 2024-02-02 |
Family
ID=77082461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110615997.1A Active CN113220957B (zh) | 2021-06-02 | 2021-06-02 | 物品数据可视化方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113220957B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688870A (zh) * | 2017-08-15 | 2018-02-13 | 中国科学院软件研究所 | 一种基于文本流输入的深度神经网络的分层因素可视化分析方法及装置 |
US10878505B1 (en) * | 2020-07-31 | 2020-12-29 | Agblox, Inc. | Curated sentiment analysis in multi-layer, machine learning-based forecasting model using customized, commodity-specific neural networks |
CN112766605A (zh) * | 2021-02-02 | 2021-05-07 | 郑州地铁集团有限公司 | 一种基于容器云平台的多源客流预测系统及方法 |
-
2021
- 2021-06-02 CN CN202110615997.1A patent/CN113220957B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688870A (zh) * | 2017-08-15 | 2018-02-13 | 中国科学院软件研究所 | 一种基于文本流输入的深度神经网络的分层因素可视化分析方法及装置 |
US10878505B1 (en) * | 2020-07-31 | 2020-12-29 | Agblox, Inc. | Curated sentiment analysis in multi-layer, machine learning-based forecasting model using customized, commodity-specific neural networks |
CN112766605A (zh) * | 2021-02-02 | 2021-05-07 | 郑州地铁集团有限公司 | 一种基于容器云平台的多源客流预测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113220957A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460512B (zh) | 推荐信息处理方法、装置、设备及存储介质 | |
CN111382361B (zh) | 信息推送方法、装置、存储介质和计算机设备 | |
CN109299258A (zh) | 一种舆情事件检测方法、装置及设备 | |
CN112541122A (zh) | 推荐模型的训练方法、装置、电子设备及存储介质 | |
CN107368521B (zh) | 一种基于大数据和深度学习的知识推介方法及系统 | |
von Landesberger et al. | Visual analysis of contagion in networks | |
CN114266443A (zh) | 数据评估方法和装置、电子设备、存储介质 | |
Saitulasi et al. | Deep Belief Network and Sentimental analysis for extracting on multi-variable Features to predict Stock market Performance and accuracy | |
Zhong et al. | Design of a personalized recommendation system for learning resources based on collaborative filtering | |
US8478702B1 (en) | Tools and methods for determining semantic relationship indexes | |
CN106575418A (zh) | 建议的关键词 | |
CN110209944B (zh) | 一种股票分析师推荐方法、装置、计算机设备和存储介质 | |
CN113220957B (zh) | 物品数据可视化方法、装置、电子设备及存储介质 | |
Sudharson et al. | Interactive Dashboard for Education Abroad with Geospatial Information and Predictive Analysis | |
Kaur et al. | A Review on Sentimental Analysis on Facebook Comments by using Data Mining Technique | |
CN109885647B (zh) | 用户履历验证方法、装置、电子设备及存储介质 | |
KR20210126473A (ko) | 소비 데이터와 소셜 데이터를 이용한 소비동향 예측 지수 생성 방법과 이를 적용한 소비동향 예측 지수 생성 시스템 및 이를 위한 컴퓨터 프로그램 | |
CN112148976A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
Sowjanya et al. | Deep Learning Sentimental Analysis of Perceived Job Insecurity and its Impact on Workplace Happiness among Indian IT Employees | |
Lauro et al. | Data science and social research | |
CN112200602B (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
KR102630611B1 (ko) | 지도 기반 상권분석을 이용한 가상 프랜차이즈 창업 시뮬레이션 서비스 제공 시스템 | |
Nguyen et al. | A knowledge-based framework for developing smart interfaces for smart service systems | |
US20230394511A1 (en) | Integrated system and method for determining consumer insights and analyzing market trends | |
Atker et al. | The Influence of Social Media Analytics on Businesses and Sports |
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 |