CN114022179A - 一种结合网络舆情和相依性的股票价格预测方法 - Google Patents

一种结合网络舆情和相依性的股票价格预测方法 Download PDF

Info

Publication number
CN114022179A
CN114022179A CN202111145012.XA CN202111145012A CN114022179A CN 114022179 A CN114022179 A CN 114022179A CN 202111145012 A CN202111145012 A CN 202111145012A CN 114022179 A CN114022179 A CN 114022179A
Authority
CN
China
Prior art keywords
stock
stocks
price
dependency
model
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
CN202111145012.XA
Other languages
English (en)
Inventor
刘鹏
张真
高中强
张堃
严乐乐
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.)
Nanjing Innovative Data Technologies Inc
Original Assignee
Nanjing Innovative Data Technologies Inc
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 Nanjing Innovative Data Technologies Inc filed Critical Nanjing Innovative Data Technologies Inc
Priority to CN202111145012.XA priority Critical patent/CN114022179A/zh
Publication of CN114022179A publication Critical patent/CN114022179A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • 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
    • G06F16/951—Indexing; Web crawling techniques
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种结合网络舆情和相依性的股票价格预测方法，包括以下步骤：利用爬虫技术获取网络上股票的评价信息；构建并训练股票评价的CNN特征提取模型和具有多通道注意力机制的LSTM分类模型；爬取待预测价格股票的评价信息并进行情感分类；借助高斯混合Copula函数选取与待预测价格股票具有强相依性的股票；获取影响该股票收盘价的主要因素；将情感分类结果、具有强相依性的股票的上期收盘价、主要影响因素的上期数值输入到BiLSTM模型中，对待预测价格股票的本期收盘价进行预测。相比于现有方法，本发明综合考虑网络舆情、其他股票的相关信息以及影响本股票收盘价的主要因素，进一步提高了对股票收盘价预测的准确性。

Description

一种结合网络舆情和相依性的股票价格预测方法
技术领域
本发明属于股价预测领域，具体涉及一种结合网络舆情和相依性的股票价格预测方法。
背景技术
随着金融市场的飞速发展，股民对股票的热爱程度日益增强，股票预测领域也得到了显著的突破。股票市场不是一个纯粹的随机过程，这使得我们去猜想时间序列可能具有某种隐藏模式，为了发掘和利用这些隐藏模式，LSTM深度网络是主要的候选方法，同时考虑到序列的前后信息问题，于是通常采用BiLSTM模型对股票价格做预测。目前为止，BiLSTM在经典的统计时间序列方法上提供了显著的进步，能够非线性地建模关系并且能够以非线性方式处理具有多个维度的数据。
发明内容
为进一步提高股票价格预测的准确性，本发明提供一种结合网络舆情和相依性的股票价格预测方法，采用以下技术方案：
一种结合网络舆情和相依性的股票价格预测方法，包括以下步骤：
步骤1：利用爬虫技术爬取实时的网络舆情数据，以获取网络上股票的评价信息；
步骤2：利用步骤1中获取的股票的评价信息，构建并训练股票评价的CNN特征提取模型和具有多通道注意力机制的LSTM分类模型；
步骤3：爬取待预测价格股票的评价信息，利用CNN特征提取模型和具有多通道注意力机制的LSTM分类模型对该股票进行情感分类；
步骤4：借助高斯混合Copula函数选取与待预测价格股票具有强相依性的股票；
步骤5：获取待预测价格股票的历史数据，利用SLLE算法提取历史数据的特征并进行PCA降维，得到影响该股票收盘价的主要因素；
步骤6：将步骤3中的情感分类结果、步骤4中具有强相依性的股票的上期收盘价、步骤5中的主要影响因素的上期数值输入到BiLSTM模型中，对待预测价格股票的本期收盘价进行预测。
进一步地，步骤1中，根据爬取状态将股票分为三种状态：outstanding-等待爬取的股票，complete-爬取完成的股票，processing-正在爬取的股票；所有股票的初始状态均为outstanding，若开始爬取某股票的网络舆情数据则将其状态切换为processing，若某股票的网络舆情数据爬取完成则将其状态切换为complete，若某股票处于processing状态的时间超过一定阈值则将其状态重置为outstanding。
进一步地，步骤1中，利用PageRank算法搭建爬虫框架，爬取网页中的非结构化数据。
进一步地，所述爬虫框架中，用户访问网页的方式为链接跳转和网址输入，用户访问网页的PR值为：
Figure BDA0003285127840000021
式中，PR(u)、PR(v)分别表示网页u和网页v的PR值，Bu为对网页u有出链的网页的集合，L(v)表示网页v的出链数目，N为链出网页总数，d为阻尼因子，表示用户通过链接跳转访问网页的概率。
进一步地，所述阻尼因子d＝0.85。
进一步地，步骤2中，采用结巴分词的方法对爬取自PR值最高的网页的某股票的评价信息进行预处理；利用一维CNN特征提取模型提取预处理后每条评价信息的局部特征和上下文特征，组成特征序列；将特征序列输入具有多通道注意力机制的LSTM分类模型中提取多通道融合情感特征并进行情感分类，分为积极或消极中的一种。
进一步地，步骤4中，计算历史同期待预测价格股票的收盘价与其他股票收盘价的Spearman相关系数、kendall秩相关系数和Pearson相关系数，对获取的三种相关系数进行加权平均并设定相依性阈值，选取加权平均后相关系数大于相依性阈值的股票作为与待预测价格股票具有强相依性的股票。
进一步地，步骤6中，训练BiLSTM模型时，利用改进的粒子群算法RPSO将BiLSTM模型的参数初始化为一群随机粒子，然后通过迭代确定最佳参数。
本发明的有益效果是：相比于传统的股票价格预测方法，本发明综合考虑网络舆情、其他股票的相关信息以及影响本股票收盘价的主要因素，进一步提高了对股票收盘价预测的准确性。
附图说明
图1为本发明方法的示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
由图1可知，本发明主要包括以下步骤：
(1)利用爬虫技术爬取实时的网络舆情数据，以获取网络上股票的评价信息。
利用PageRank算法搭建爬虫框架，爬取网页中的非结构化数据，包括文本、文档、图片、XML和各类报表。PageRank算法是基于链接结构的排序算法，采用的是特征向量为理论基础和其收敛性依据，主要从网页自身的重要性出发进行网页主题爬虫。依据PageRank搭建好的爬虫框架，用户只需要在离线状态下即可计算每个页面的PageRank值，进而无需等待很长时间就可完成股票网页数据的爬虫。
为了解决简化模型中存在的等级泄露和等级沉没的问题，该发明中借助PageRank网页爬虫算法假设了这样一个场景：用户并不都是按照跳转链接的方式来上网，还有一种可能是不论当前处于哪个页面，都有概率访问到其他任意的页面，比如说用户就是要直接输入网址访问其他页面，虽然这个概率比较小。所以定义了阻尼因子d，这个因子代表了用户按照跳转链接来上网的概率，通常可以取一个固定值0.85，而1-d＝0.15则代表了用户不是通过跳转链接的方式来访问网页的，比如直接输入网址。用户访问网址的PR值为：
Figure BDA0003285127840000031
式中，PR(u)、PR(v)分别表示网页u和网页v的PR值，Bu为对网页u有出链的网页的集合，L(v)表示网页v的出链数目，N为链出网页总数，d为阻尼因子，表示用户通过链接跳转访问网页的概率。
设置股票数据爬取过程中存在三种状态：outstanding-等待爬取的股票，complete-爬取完成的股票，processing-正在进行的股票，也可能是失败的爬取股票。所有初始的股票状态都为outstanding，当开始爬取的时候状态为processing，爬取完成状态改为complete，失败的股票重置状态为outstanding。为了能够处理股票进程被终止的情况，可以设置一个计时的参数，当超过该参数的阈值，则将状态重置为outstanding。
(2)利用获取的股票的评价信息，构建并训练股票评价的CNN特征提取模型和具有多通道注意力机制的LSTM分类模型。
采用结巴分词的方法对爬取自PR值最高的网页的某股票的评价信息进行预处理，然后利用一维CNN特征提取模型提取预处理后每条评价信息的局部特征和上下文特征，组成特征序列；最后利用LSTM网络在序列上的建模能力，将特征序列输入具有多通道注意力机制的LSTM分类模型中提取多通道融合情感特征并进行情感分类，分为积极(1)或消极(0)中的一种。
在本发明中，我们使用CNN和LSTM的多通道注意力机制进行网络舆情时序数据的分类，这两种方法在性能上都有十分优秀的表现，并且最重要的是它们在训练中会一层层学习独特的特征，它们不需要成本昂贵的特征工程。CNN和LSTM的多通道注意力机制在这种长序列任务中表现得更好。总的来说，深度学习方法相对于传统方法有非常明显的优势。
(3)爬取待预测价格股票的评价信息，利用CNN特征提取模型和具有多通道注意力机制的LSTM分类模型对该股票进行情感分类。
(4)借助高斯混合Copula函数选取与待预测价格股票具有强相依性的股票。
利用网易财经上下载到的上证综合指数的股票数据，选取研究特征‘收盘价’对其做相依性分析。其中上证指数的全称是上海证券交易所股票价格综合指数，是一个反映上海证券交易所挂牌股票总体走势的统计指标，上证指数也称为上证综指、上证综合、沪综指或沪指。样本范围是所有在上海证券交易所挂牌上市的股票。
上证综合指数的计算方法：本日股价指数＝本日股票市价总值÷基期股票市价总值×100。上证指数的变化和股市行情变化同步，是一个研究股票价格变化趋势的重要参考依据。
借助相依性测度的研究工具高斯混合Copula函数(Gumbel-Copula函数、Frank-Copula函数、Clayton-Copula函数)研究上证股票的收盘价与其他股指的相依性关系，将相依性强的股票选出来。
由于中国的几大股票指数分别为：中证指数有限公司及其指数、上海证券交易所的股价指数、深圳证券交易所的股价指数、香港和台湾的主要股价指数和海外上市公司指数，利用Python3即可求解中证指数有限公司及其指数、深圳证券交易所的股价指数、香港和台湾的主要股价指数和海外上市公司指数与上证综合指数之间的Copula函数对应的相依性系数(Spearman相关系数、kendall秩相关系数、Pearson相关系数)，加权平均值后判断其相依性的强弱，选取加权平均后相关系数大于一定阈值的股票作为与待预测价格股票具有强相依性的股票。
(5)获取待预测价格股票的历史数据，利用SLLE算法提取历史数据的特征并进行PCA降维，得到影响该股票收盘价的主要因素。
股票数据具有非线性、复杂、多维度等特点，SLLE算法能够突破主成分分析PCA在非线性数据的局限,可以学习任意维的局部线性低维流形，广泛地应用在处理分析非线性信号。利用SLLE算法提取历史数据的特征并进行PCA降维，得到影响该股票收盘价的主要因素，如开盘价、最高价、最低价、涨跌额、涨跌幅、收益率等。
(6)将步骤(3)中的情感分类结果、步骤(4)中具有强相依性的股票的上期收盘价、步骤(5)中的主要影响因素的上期数值输入到BiLSTM模型中，对待预测价格股票的本期收盘价进行预测。
训练BiLSTM模型时，利用改进的粒子群算法RPSO将BiLSTM模型的参数初始化为一群随机粒子，然后通过迭代确定最佳参数，粒子群PSO算法可以对预测模型BiLSTM的相关参数进行全局寻优。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (8)

1.一种结合网络舆情和相依性的股票价格预测方法，其特征在于，包括以下步骤：
步骤1：利用爬虫技术爬取实时的网络舆情数据，以获取网络上股票的评价信息；
步骤2：利用步骤1中获取的股票的评价信息，构建并训练股票评价的CNN特征提取模型和具有多通道注意力机制的LSTM分类模型；
步骤3：爬取待预测价格股票的评价信息，利用CNN特征提取模型和具有多通道注意力机制的LSTM分类模型对该股票进行情感分类；
步骤4：借助高斯混合Copula函数选取与待预测价格股票具有强相依性的股票；
步骤5：获取待预测价格股票的历史数据，利用SLLE算法提取历史数据的特征并进行PCA降维，得到影响该股票收盘价的主要因素；
步骤6：将步骤3中的情感分类结果、步骤4中具有强相依性的股票的上期收盘价、步骤5中的主要影响因素的上期数值输入到BiLSTM模型中，对待预测价格股票的本期收盘价进行预测。
2.如权利要求1所述的一种结合网络舆情和相依性的股票价格预测方法，其特征在于，步骤1中，根据爬取状态将股票分为三种状态：outstanding-等待爬取的股票，complete-爬取完成的股票，processing-正在爬取的股票；所有股票的初始状态均为outstanding，若开始爬取某股票的网络舆情数据则将其状态切换为processing，若某股票的网络舆情数据爬取完成则将其状态切换为complete，若某股票处于processing状态的时间超过一定阈值则将其状态重置为outstanding。
3.如权利要求1所述的一种结合网络舆情和相依性的股票价格预测方法，其特征在于，步骤1中，利用PageRank算法搭建爬虫框架，爬取网页中的非结构化数据。
4.如权利要求3所述的一种结合网络舆情和相依性的股票价格预测方法，其特征在于，所述爬虫框架中，用户访问网页的方式为链接跳转和网址输入，用户访问网页的PR值为：
Figure FDA0003285127830000011
式中，PR(u)、PR(v)分别表示网页u和网页v的PR值，Bu为对网页u有出链的网页的集合，L(v)表示网页v的出链数目，N为链出网页总数，d为阻尼因子，表示用户通过链接跳转访问网页的概率。
5.如权利要求4所述的一种结合网络舆情和相依性的股票价格预测方法，其特征在于，所述阻尼因子d＝0.85。
6.如权利要求4所述的一种结合网络舆情和相依性的股票价格预测方法，其特征在于，步骤2中，采用结巴分词的方法对爬取自PR值最高的网页的某股票的评价信息进行预处理；利用一维CNN特征提取模型提取预处理后每条评价信息的局部特征和上下文特征，组成特征序列；将特征序列输入具有多通道注意力机制的LSTM分类模型中提取多通道融合情感特征并进行情感分类，分为积极或消极中的一种。
7.如权利要求1所述的一种结合网络舆情和相依性的股票价格预测方法，其特征在于，步骤4中，计算历史同期待预测价格股票的收盘价与其他股票收盘价的Spearman相关系数、kendall秩相关系数和Pearson相关系数，对获取的三种相关系数进行加权平均并设定相依性阈值，选取加权平均后相关系数大于相依性阈值的股票作为与待预测价格股票具有强相依性的股票。
8.如权利要求1所述的一种结合网络舆情和相依性的股票价格预测方法，其特征在于，步骤6中，训练BiLSTM模型时，利用改进的粒子群算法RPSO将BiLSTM模型的参数初始化为一群随机粒子，然后通过迭代确定最佳参数。
CN202111145012.XA 2021-09-28 2021-09-28 一种结合网络舆情和相依性的股票价格预测方法 Pending CN114022179A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111145012.XA CN114022179A (zh) 2021-09-28 2021-09-28 一种结合网络舆情和相依性的股票价格预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111145012.XA CN114022179A (zh) 2021-09-28 2021-09-28 一种结合网络舆情和相依性的股票价格预测方法

Publications (1)

Publication Number Publication Date
CN114022179A true CN114022179A (zh) 2022-02-08

Family

ID=80055072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111145012.XA Pending CN114022179A (zh) 2021-09-28 2021-09-28 一种结合网络舆情和相依性的股票价格预测方法

Country Status (1)

Country Link
CN (1) CN114022179A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115545790A (zh) * 2022-10-20 2022-12-30 北京宽客进化科技有限公司 价格数据预测方法、装置、电子设备及存储介质
CN115994628A (zh) * 2023-03-23 2023-04-21 湖北长江电气有限公司 基于大数据的能源管理方法和装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115545790A (zh) * 2022-10-20 2022-12-30 北京宽客进化科技有限公司 价格数据预测方法、装置、电子设备及存储介质
CN115545790B (zh) * 2022-10-20 2023-06-09 北京宽客进化科技有限公司 价格数据预测方法、装置、电子设备及存储介质
CN115994628A (zh) * 2023-03-23 2023-04-21 湖北长江电气有限公司 基于大数据的能源管理方法和装置
CN115994628B (zh) * 2023-03-23 2023-07-18 湖北长江电气有限公司 基于大数据的能源管理方法和装置

Similar Documents

Publication Publication Date Title
CN109492157B (zh) 基于rnn、注意力机制的新闻推荐方法及主题表征方法
CN111159395B (zh) 基于图神经网络的谣言立场检测方法、装置和电子设备
US11687728B2 (en) Text sentiment analysis method based on multi-level graph pooling
CN106599022B (zh) 基于用户访问数据的用户画像形成方法
CN111274365B (zh) 基于语义理解的智能问诊方法、装置、存储介质及服务器
US9286548B2 (en) Accurate text classification through selective use of image data
CN111737578B (zh) 一种推荐方法及系统
CN114022179A (zh) 一种结合网络舆情和相依性的股票价格预测方法
CN115048586B (zh) 一种融合多特征的新闻推荐方法及系统
Lu et al. Stock trend prediction algorithm based on deep recurrent neural network
CN110399479A (zh) 搜索数据处理方法、装置、电子设备及计算机可读介质
CN113378090B (zh) 一种互联网网站相似度分析方法、装置以及可读存储介质
WO2020147259A1 (zh) 一种用户画像方法、装置、可读存储介质及终端设备
CN113569118A (zh) 自媒体推送方法、装置、计算机设备及存储介质
CN117236698A (zh) 基于图神经网络的产业链风险评估模型、方法及介质
CN111966946A (zh) 一种页面权威值的识别方法、装置、设备和存储介质
CN111753151A (zh) 一种基于互联网用户行为的服务推荐方法
CN112149413A (zh) 基于神经网络识别互联网网站所属业态的方法、装置以及计算机可读存储介质
CN116702976A (zh) 基于建模动态企业关系的企业资源预测方法以及装置
CN114928501B (zh) 一种基于个性化联邦学习的网络钓鱼邮件检测方法
CN113051607B (zh) 一种隐私政策信息提取方法
Li et al. Adaptive trading system based on LSTM neural network
CN114722920A (zh) 一种基于图分类的深度图卷积模型钓鱼账户识别方法
CN112529637A (zh) 基于情景感知的服务需求动态预测方法及系统
CN111582945A (zh) 一种基于复杂网络的金融市场预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination