CN114897607A - 产品资源的数据处理方法及装置、电子设备、存储介质 - Google Patents
产品资源的数据处理方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN114897607A CN114897607A CN202210353762.4A CN202210353762A CN114897607A CN 114897607 A CN114897607 A CN 114897607A CN 202210353762 A CN202210353762 A CN 202210353762A CN 114897607 A CN114897607 A CN 114897607A
- Authority
- CN
- China
- Prior art keywords
- target
- resources
- features
- target product
- data
- 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
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请的实施例揭示了一种产品资源的数据处理方法及装置、电子设备、存储介质,该方法包括:从目标产品资源的原始数据中提取原始特征,并基于原始特征进行特征构建处理,得到目标特征;基于目标特征确定目标产品资源的预测收益概率值;基于目标产品资源的预测收益概率值以及其他产品资源的预测收益概率值,确定目标产品资源的走向趋势;基于走向趋势以及目标产品资源的原始解读信息,得到目标产品资源的目标解读信息。本申请实施例的技术方案能够不依靠人为资源得到目标产品资源的走向趋势。
Description
技术领域
本申请涉及人工智能技术领域,具体而言,涉及一种产品资源的数据处理方法及装置、电子设备、计算机可读存储介质。
背景技术
现在人们对于产品资源的关注越来越多,产品资源通常在相应的应用程序中进行展示,在对应的应用程序中,设置有相应的页面用于展示产品资源相关的一些数据,用户可以通过这些数据获取到相关的信息,较为专业的用户可以从展示的这些数据中提炼出个人对该产品资源的理解,从而对该产品资源做出相应的决策,同时,对于专业用户的个人能力要求较高;但是对于大部分非专业用户来说,他们不能有效利用这些数据,进而在有利的时间点做出相对正确的决策,导致产品资源的信息量和信息传递效率较低的问题。
发明内容
为解决上述技术问题,本申请的实施例提供了一种产品资源的数据处理方法及装置、电子设备、计算机可读存储介质,旨在解决在对产品资源做出决策时,产品资源的信息量和信息传递效率较低的问题。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种产品资源的数据处理方法,包括:
从目标产品资源的原始数据中提取原始特征,并基于原始特征进行特征构建处理,得到目标特征;
基于目标特征确定目标产品资源的预测收益概率值;
基于目标产品资源的预测收益概率值以及其他产品资源的预测收益概率值,确定目标产品资源的走向趋势;
基于走向趋势以及目标产品资源的原始解读信息,得到目标产品资源的目标解读信息。
根据本申请实施例的一个方面,提供了一种产品资源的数据处理装置,包括:
提取模块,配置为从目标产品资源的原始数据中提取原始特征,并基于原始特征进行特征构建处理,得到目标特征;
第一确定模块,配置为基于目标特征确定目标产品资源的预测收益概率值;
第二确定模块,配置为基于目标产品资源的预测收益概率值以及其他产品资源的预测收益概率值,确定目标产品资源的走向趋势;
目标解读信息模块,配置为基于走向趋势以及目标产品资源的原始解读信息,得到目标产品资源的目标解读信息。
根据本申请实施例的一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得电子设备实现如前的产品资源的数据处理方法。
根据本申请实施例的一个方面,提供了一种计算机可读存储介质,其上存储有计算机可读指令,当计算机可读指令被计算机的处理器执行时,使计算机执行如上的产品资源的数据处理方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实施例中提供的产品资源的数据处理方法。
在本申请的实施例所提供的技术方案中,对目标产品资源的原始特征进行特征构建,得到目标特征,目标特征相对于原始特征而言,信息量更多,根据目标特征去确定目标产品资源的预测收益概率值能够更加准确;同时,还根据预设收益概率值得到走向趋势,基于走向趋势与原始解读信息得到目标解读信息,用户通过查看目标解读信息了解到目标产品资源在未来的走向,在对目标产品资源做相应的决策时,即可结合目标解读信息进行,而不用再依靠人为经验去查看目标产品资源的数据信息后再归纳总结做出决策,在提高信息的转换率和接收率的同时,提升了有效信息的信息量,为用户带来诸多便利,使得用户使用体验满意度高,并且确定出的目标解读信息也更为准确,为用户基于目标解读信息对目标产品资源做相应的决策提供了有力准确的支持。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
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。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者来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本申请涉及的一种实施环境的示意图;
图2是本申请涉及的一个实施例中的产品资源的数据处理方法的流程图;
图3是本申请涉及的一个实施例中步骤S210的流程图;
图4是本申请涉及的另一个实施例中的产品资源的数据处理方法的流程图;
图5是本申请涉及的一个实施例中步骤S440之后还包括的流程图;
图6是本申请涉及的一个实施例中步骤S420之前还包括的流程图;
图7是本申请涉及的一个实施例中步骤S620的流程图;
图8是本申请涉及的一个实施例中步骤S240的流程图;
图9是本申请涉及的另一个实施例中的产品资源的数据处理方法的流程图;
图10是本申请涉及的一种产品资源的数据处理装置的框图;
图11是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例执行说明,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。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
还需要说明的是:在本申请中提及的“多个”是指两个或者两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1,图1是本申请涉及的一种实施环境的示意图。该实施环境包括终端110和服务器120,终端110和服务器120之间通过有线或者无线网络进行通信。
终端110中运行有产品资源相关的应用程序,用户可以在应用程序上查看相关的产品资源或对产品资源做出相应的操作。具体的,应用程序上设置有相应的页面用于展示产品资源的各种数据,同时设置有相应的解读页面用于展示产品资源经过数据处理方法处理后得到的目标解读信息。其中,终端110可以是智能手机、平板、笔记本电脑、计算机等任意能够运行产品资源相关的应用程序的电子设备。
服务器120中存储有大量的产品资源的相关数据,终端在需要相关数据时,从服务器中进行获取。服务器120可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器,本处不对此进行限制。
需要说明的是,本申请实施例中,产品资源包括但不限于虚拟产品资源,例如股票、期货、期权、证券、虚拟货币、基金或者外汇等。
本申请实施例提供的产品资源的数据处理方法由图1所示实施例环境中的终端110具体执行,本申请提供的产品资源的数据处理方法对目标产品资源的原始特征进行特征构建,得到目标特征,目标特征相对于原始特征而言,信息量更多,根据目标特征去确定目标产品资源的预测收益概率值能够更加准确;同时,还根据预设收益概率值得到走向趋势,基于走向趋势与原始解读信息得到目标解读信息,用户通过查看目标解读信息了解到目标产品资源在未来的走向,在对目标产品资源做相应的决策时,即可结合目标解读信息进行,而不用再依靠人为经验去查看目标产品资源的数据信息后,再归纳总结做出决策,为用户带来诸多便利,使得用户使用体验满意度高,并且确定出的目标解读信息也更为准确,为用户基于目标解读信息对目标产品资源做相应的决策提供了有力准确的支持。
图2是根据一示例性实施例示出的一种产品资源的数据处理方法的流程图,该方法可以应用于图1所示的实施环境。如图2所示,在一示例性实施例中,该产品资源的数据处理方法可以包括步骤S210至步骤S240,详细介绍如下:
步骤S210,从目标产品资源的原始数据中提取原始特征,并基于原始特征进行特征构建处理,得到目标特征。
本申请实施例中,目标产品资源在应用程序中进行展示时,设置有相应的详情页面,详情页面上展示有该目标产品资源不同维度的数据,这些不同维度的数据则为目标产品资源的原始数据,原始数据中包括有大量的数据,但有些数据是无意义的,因此,需要从原始数据中提取能够用于预测未来是否获利的原始特征。
但为了更好的保留原始数据的信息量,更好的便于后续根据原始数据去对目标产品资源进行解读,需要对原始特征进行特征构造处理,得到相应的目标特征。特征构造指的是从原始特征中构造新特征的处理过程,生成能更好体现业务特性的新特征,这些新特征要与想要得到的预测收益概率值关系紧密。
在本申请的一个实施例中,请参阅图3,原始特征的数量为多个;在步骤S210中基于原始特征进行特征构建处理,得到目标特征,包括步骤S310至S330,详细介绍如下:
步骤S310,对多个原始特征进行特征交叉处理,得到交叉特征。
本申请实施例中,对各个原始特征进行特征交叉处理,即可在多维特征数据集上,进行很好的非线性特征拟合。例如,特征A有三个属性(A1,A2,A3),特征B有两个属性(B1,B2),采用特征A的属性对特征进行交叉,可以得到6个新的特征(A1,B2)、(A2,B2)、(A3,B2)、(B1,A1)、(B1,A2)和(B1,A3)。
可选地,在进行特征交叉处理时,可以把特征交叉处理看成数据的逻辑与操作,在进行特征交叉处理的过程中,先把原始特征进行分档处理,再把分档的结果进行特征交叉,此时可以获得更好的交叉据特征,从而极大地简化计算量。
可选地,在进行特征交叉处理时,可通过计算笛卡尔积(Cartesian product),的方式进行特征交叉处理,笛卡尔积就是任意两个集合A和B,若序偶的第一个成员是A的元素,第二个成员是B的元素,所有这样的序偶集合,称为集合A和B的笛卡尔乘积或直积,记做A×B。本实施例中如果通过上述方式生成的特征对预测目标有贡献,即有比原始特征更高的线性或非线性相关性时,采纳作为新特征,即交叉特征。
步骤S320,对原始特征和交叉特征进行特征衍生处理,得到衍生特征。
本申请实施例中,所谓特征衍生处理指的是通过既有数据进行新特征的创建,特征衍生有时也被称为特征创建、特征提取等。特征衍生处理有两类方法,其一是依据数据集特征进行新特征的创建,此时的特征衍生其实是一类无监督的特征衍生,例如把月度费用(MonthlyCharges)和总费用(TotalCharges)两列相加,创建新的一列;而另外一种情况是将数据集标签情况也纳入进行考虑来创建新的特征,此时特征衍生其实是有监督的特征衍生。在大多数时候特征衍生特指无监督特征衍生,而有监督的特征衍生我们会称其为目标编码。
特征衍生包括但不限于特征组合、特征交叉、图像特征生成、文本特征生成等。其中,特征组合具体可以通过特征两两之间的四则运算组合,逻辑与、或组合,多项式构造,特征自身与其均值作差等来实现。
步骤S330,将原始特征、交叉特征以及衍生特征进行组合,得到目标特征。
本申请实施例中,将原始特征、交叉特征和衍生特征组合在一起,形成目标特征,构建目标特征的原则是将人为觉得可能有意义的特征都制作加入进来,能尽可能多地保留原始数据的信息量,使得后续的预测模型能有更好的表现。根据决策树模型的特性,在对预测模型进行建模阶段,决策树模型会根据各个维度的特征带来的信息增益的不同自适应地筛选掉对最终结果没有意义的特征。
本实施例中,对目标产品资源的原始特征进行特征构建,得到目标特征,目标特征相对于原始特征而言,信息量中的噪声较少,即有效特征的比例增加,根据目标特征去确定目标产品资源的预测收益概率值能够更加准确。
步骤S220,基于目标特征确定目标产品资源的预测收益概率值。
本申请实施例中,根据构建得到的目标特征能够确定出目标产品资源的预测收益概率值,这个预测收益概率值可表示在未来N天内,该目标产品资源是否有可能获利的概率。
在本申请一个实施例中,请参阅图4,图4是根据一示例性实施例示出的一种产品资源的数据处理方法的流程图,该产品资源的数据处理方法包括步骤S410至步骤S460,详细介绍如下:
步骤S410,从目标产品资源的原始数据中提取原始特征,并基于原始特征进行特征构建处理,得到目标特征。
本申请实施例中,上述步骤S410与前述步骤S210的介绍一致,在此不进行赘述。
步骤S420,将目标特征输入至训练好的预测模型中,得到目标产品资源在多个维度上的预测收益概率值。
本申请实施例中,在目标特征构建好后,将其输入至训练好的预测模型中,得到多个维度上的预测收益概率值,可选地,多个维度上的预测收益概率可包括目标产品资源在未来N天内任意一天卖出的收益期望、目标产品资源在规定时间段后卖出的收益期望和目标产品资源在最理想状况下能获得的收益期望。预测模型会对这三种收益期望取或的关系,求得目标产品资源在上述三种情况是否有可能获利的预测收益概率值。
进一步地,上述预测模型可基于决策树模型或XGBoost(eXtreme GradientBoosting,极端梯度提升)等模型训练而成。决策树模型是一种基于实例的归纳学习方法,它能从给定的无序的训练样本中,提炼出树型的分类模型。树中的每个非叶子节点记录了使用哪个特征来进行类别的判断,每个叶子节点则代表了最后判断的类别。根节点到每个叶子节点均形成一条分类的路径规则。而对新的样本进行测试时,只需要从根节点开始,在每个分支节点进行测试,沿着相应的分支递归地进入子树再测试,一直到达叶子节点,该叶子节点所代表的类别即是当前测试样本的预测类别。
进一步的,本实施例中基于决策树模型确定预测收益概率值时,先获取叶子节点中正样本的数量、以及总样本的数量,其中正样本包括预测得到正向结果的样本,例如预测结果为上升、收益等对应的样本。之后基于正样本的数量Num_psi、以及总样本的数量Num_tal来确定预测收益概率值Por_val为:
其中,α表示预设的概率因子。上述方式通过基于节点正样本数量和总样本数量之间的比例,同时将除正样本之外的其余样本情况考虑预测收益概率值的计算中,提高了预测精度和全面性。
XGBoost模型中会构建T颗回归树,当构建到第t颗回归树的时候,需要对前t-1颗回归树对训练样本分类回归产生的残差进行拟合。每次拟合产生新的回归树的时候,遍历所有可能的回归树,并选择使得目标函数值最小的回归树。但是这样在实践中难以实现,因此需要将步骤进行分解,在构造新的回归树的时候,每次只产生一个分支,并选择最好的那个分支。如果产生分支的目标函数值(cost)比不产生的时候大或者改进效果不明显,那么就放弃产生分支。
步骤S430,基于目标产品资源的预测收益概率值以及其他产品资源的预测收益概率值,确定目标产品资源的走向趋势。
本申请实施例中,上述步骤S430与后述步骤S230的介绍一致,在此先不进行描述。
步骤S440,从预测模型含有的目标产品资源的多条可选决策路径中,获取目标决策路径。
本申请实施例中,预测模型基于决策树模型训练而成,在训练时,决策树模型是从根节点开始,对产品资源的某一特征进行测试,根据测试结果将产品资源分配到其子节点,此时每个子节点对应着该特征的一个取值,如此递归的对产品资源进行测试并分配,直到到达叶节点,最后将产品资源分到叶节点的类中。因此,预测模型中会形成多条决策路径,将目标产品资源输入到预测模型中后,经过一条决策路径,到达对应的叶节点中,该条决策路径即为目标决策路径。
步骤S450,基于目标决策路径上的节点属性确定目标产品资源的原始解读信息。
本申请实施例中,决策路径上包括有多个节点,这些节点具有对应的节点属性,这些节点属性决定了后续节点如何分裂,根据目标决策路径的节点属性能够确定出得到预测收益概率值的判断条件,对其进行归纳处理,得到目标产品资源的原始解读信息,该原始解读信息是对目标产品资源的综合解读内容。
步骤S460,基于走向趋势以及目标产品资源的原始解读信息,得到目标产品资源的目标解读信息。
本申请实施例中,上述步骤S460与后述步骤S240的介绍一致,在此先不进行描述。
本实施例中所提供的技术方案,通过训练好的预测模型去得到预测收益概率值,预测模型能够将目标产品资源的各项数据进行紧密联系,进而给出相应的预测收益概率值。同时,预测模型训练好后,能够快速的计算出预测收益概率值,不需要依靠人工经验。
在本申请的一个实施例中,参见图5,步骤S440中在从预测模型含有的目标产品资源的多条可选决策路径中,获取目标决策路径之后,产品资源的数据处理方法还包括步骤S510-S520,详细介绍如下:
步骤S510,将目标产品资源的目标决策路径与各个历史产品资源的历史决策路径进行匹配。
本申请实施例中,历史产品资源都经过预测模型的处理,从而能够获取到与步骤S440一致的目标决策路径,历史产品资源的目标决策路径即为对应的历史决策路径,将目标产品资源的目标决策路径和历史产品资源的历史决策路径进行匹配,确定目标决策路径和历史决策路径是否相同。
步骤S520,获取与目标决策路径相匹配的历史决策路径对应的历史产品资源作为目标产品资源的参考产品资源,以基于参考产品资源的信息确定对目标产品资源的相关决策。
本申请实施例中,当历史决策路径与目标决策路径相同时,则将与目标决策路径相同的历史决策路径所对应的历史产品资源作为目标产品资源的参考产品资源,用户在需要对目标产品资源做出相关决策时,可以结合参考产品资源的一些情况综合分析,进而做出决策。如用户在获取到参考产品资源后,可以通过查看参考产品资源的走势,确定目标产品资源是否要买入或卖出,或在哪天买入或卖出的收益更好。
在本申请的一个实施例中,参见图6,步骤S420在将目标特征输入至训练好的预测模型中,得到产品资源在多个维度上的预测收益概率值之前,方法还包括步骤S610-S620,详细介绍如下:
步骤S610,获取样本产品资源的训练样本数据。
本申请实施例中,样本产品资源包括多个,获取样本产品资源的训练样本数据,样本产品资源的训练样本数据相当于目标产品资源的原始数据。在训练时,可准备有足量的样本产品资源进行训练,当所有的样本产品资源输入到决策树模型中进行训练即可;还可将样本产品资源分为训练组和验证组,使用训练组对决策树模型进行训练后,在通过验证组去验证训练后的决策树模型的性能是否满足要求,当不满足时,重新进行训练。
步骤S620,基于训练样本数据得到样本产品资源的流向分布特征以及涨幅特征。
本申请实施例中,对训练样本数据进行如前述的特征构造处理,得到对应的流向分布特征,在训练时对训练样本数据采用何种特征构造处理,就对目标产品资源的原始特征采用何种特征构造处理。同样的,训练样本数据为实际的数据,因此可基于训练样本数据得到涨幅特征。
在本申请的一个实施例中,训练样本数据包括表征样本产品资源流向的第一数据、表征样本产品资源分布的第二数据以及表征样本产品资源涨跌的第三数据;参见图7,步骤S620基于训练样本数据得到样本产品资源的流向分布特征以及涨幅特征,包括步骤S710-S730,详细介绍如下:
步骤S710,基于第一数据、第二数据和第三数据进行特征构建处理,得到样本产品资源的流向分布特征。
本申请实施例中,将第一数据、第二数据和第三数据经过如前述一致的特征构造处理,即对第一数据、第二数据和第三数据相应的第一特征进行特征交叉处理,得到第二特征,再将第二特征与第一特征进行特征衍生处理,得到第三特征,将第一特征、第二特征和第三特征进行组合,得到流向分布特征。
步骤S720,基于第三数据计算样本产品资源在平均收益维度上的第一收益、样本产品资源在随机收益维度上的第二收益以及样本产品资源在最大收益维度上卖出的第三收益,并基于第一收益、第二收益和第三收益得到样本产品资源的涨幅特征。
本申请实施例中,第三数据表征样本产品资源的涨跌,即第三数据记录了样本产品资源在预设时间段内的价格变动情况。根据第三数据能够计算出第一收益、第二收益和第三收益,其中第一收益为样本产品资源未来N天内任意一天卖出的收益期望,第二收益为样本产品资源在规定时间段后卖出的收益期望,第三收益为样本产品资源在最理想状况下能获得的收益期望。
可选地,第一收益是在假定样本产品资源在T0日买入,在未来的N天内,分别在T1、T2、...、TN日卖出样本产品资源,得到的不同的收益率P1、P2、...、PN,再根据每天的收益率计算得到的。第一收益可通过公式表示,其中,FAP表示第一收益,N表示未来N天,N为大于等于1的整数,i表示第i天,i为小于等于N的整数,Pi为样本产品资源在第i天卖出的收益。
第二收益是假定样本产品资源在T0日买入,那么在第TN日卖出样本产品资源,得到的收益率PN。
第三收益是假定样本产品资源在T0日买入,那么在T1、T2、...、TN日卖出样本产品资源,得到的每天的收益率P1、P2、...、PN中值最大的那边的收益率,第三收益可通过公式FMP=max({P1,P2,...,PN})表示。
步骤S730,将流向分布特征和涨幅特征输入至决策树模型中进行迭代训练,得到预测模型。
本申请实施例中,将样本产品资源的流向分布特征和涨幅特征输入至决策树模型中进行迭代训练,使得训练好的预测模型能够根据目标产品资源的目标特征预测到未来N天内是否有收益。
在一实施例中,在对决策树模型进行训练得到预测模型后,可按照每周、月、年等时间周期的滑动窗口对预测模型进行更新,使得每次更新后的预测模型能够更加适应各种产品资源的预测。
步骤S230,基于目标产品资源的预测收益概率值以及其他产品资源的预测收益概率值,确定目标产品资源的走向趋势。
本申请实施例中,预测模型根据目标特征输出的预测收益概率值为一个数值,对这个预测收益概率值进行标准化,标准化时考虑其他产品资源所对应的预测收益概率值的分布,将目标产品资源的预测收益概率值分级为“上涨”、“无明显趋势”以及“下跌”三种走向趋势。
步骤S240,基于走向趋势以及目标产品资源的原始解读信息,得到目标产品资源的目标解读信息。
本申请实施例中,目标产品资源具有相应的原始解读信息,该原始解读信息是根据原始数据得到的,将走向趋势插入到原始解读信息的相应位置上,使得形成完整的目标解读信息展示在目标产品资源的解读页面上,如目标解读信息为:近期,筹码最大获利价差为X,主力成交占比持续下降,目标产品资源的股价在未来N天内可能下跌,其中的下跌即为经过计算得到的走向趋势。
本实施例中,对目标产品资源的原始特征进行特征构建,得到目标特征,目标特征相对于原始特征而言,信息量更多,根据目标特征去确定目标产品资源的预测收益概率值能够更加准确,同时,还根据预设收益概率值得到走向趋势,基于走向趋势与原始解读信息得到目标解读信息,用户通过查看目标解读信息了解到目标产品资源在未来的走向,在对目标产品资源做相应的决策时,可以结合目标解读信息进行,而不用依靠人为经验去查看目标产品资源的数据信息后,再归纳总结做出决策。
在本申请的一个实施例中,参见图8,在步骤S240中基于走向趋势以及目标产品资源的原始解读信息,得到目标产品资源的目标解读信息,包括步骤S810和步骤S820,详细介绍如下:
步骤S810,通过预设的分析描述算法对原始解读信息进行处理,得到处理后的原始解读信息。
本实施例中,预先设置有分析描述算法,该分析描述算法基于支持向量回归(Support Vector Regression,SVR)得到的,支持向量回归模型是由支持向量机演变而来的用于回归的机器学习模型,由于该模型具有较好的预测性能,且该模型的推导过程是在凸集上求解拉格朗日对偶方程的解,是一个二次优化问题,利用该模型得到的解为全局最优解。经过分析描述算法处理后的原始解读信息,能够更加通顺、准确的对目标产品资源进行描述。
步骤S820,将走向趋势和处理后的原始解读信息进行合并,得到目标产品资源的目标解读信息。
本申请实施例中,将走向趋势插入到处理后的原始解读信息的固定位置,形成一句完成的话,即可得到目标产品资源的目标解读信息。
以下对本申请实施例的一个具体应用场景进行详细说明:
可选实施例中,请参阅图9,图9是根据一示例性实施例示出的一种产品资源的数据处理方法的流程图,该产品资源的数据处理方法包括步骤S910至步骤S9130,详细介绍如下;
步骤S910,基于样本数据的第三数据计算样本产品资源在平均收益维度上的第一收益、样本产品资源在随机收益维度上的第二收益以及样本产品资源在最大收益维度上卖出的第三收益,并基于第一收益、第二收益和第三收益得到样本产品资源的涨幅特征。
本申请实施例中,如步骤S910描述,根据样本数据的第三数据计算出第一收益、第二收益和第三收益,第一收益、第二收益和第三收益在前述均已描述,在此不重复描述。
步骤S920,基于样本产品资源的第一数据、第二数据和第三数据进行特征构建处理,得到样本产品资源的流向分布特征。
本申请实施例中,对第一数据、第二数据和第三数据相应的第一特征进行特征交叉处理,得到第二特征,再将第二特征与第一特征进行特征衍生处理,得到第三特征,将第一特征、第二特征和第三特征进行组合,得到流向分布特征。
步骤S930,将流向分布特征和涨幅特征输入至决策树模型中进行迭代训练,得到预测模型。
本申请实施例中,将样本产品资源的流向分布特征和涨幅特征输入到决策树模型中进行迭代训练,使得训练好的预测模型能够根据目标产品资源的目标特征得到目标产品资源在未来N天内是否有可能获利的预测收益概率值。
步骤S940,从目标产品资源的原始数据中提取原始特征,并基于原始特征进行特征构建处理,得到目标特征。
本申请实施例中,将目标产品资源的原始特征提取出来后,再根据原始特征进行如前述一致的特征构建处理,得到对应的目标特征。
步骤S950,将目标特征输入到训练好的预测模型中得到目标产品资源在多个维度上的预测收益概率值。
本申请实施例中,将目标特征输入到基于决策树模型训练好的预测模型中进行计算,得到对应的预测收益概率值,
步骤S960,基于目标产品资源的预测收益概率值以及其他产品资源的预测收益概率值,确定目标产品资源的走向趋势。
本申请实施例中,预测模型根据目标特征输出的预测收益概率值为一个数值,对这个预测收益概率值依据其他产品资源所对应的预测收益概率值的分布,将目标产品资源的预测收益概率值分级为“上涨”、“无明显趋势”以及“下跌”三种走向趋势。
步骤S970,从预测模型含有的目标产品资源的多条可选决策路径中,获取目标决策路径。
本申请实施例中,决策树模型中具有多条决策路径,每条决策路径中均有一个叶节点,目标产品资源会最终被分类到的正确的叶节点,正确的叶节点所对应的决策路径则为目标产品资源的目标决策路径。
步骤S980,基于目标决策路径上的节点属性确定目标产品资源的原始解读信息。
本申请实施例中,决策树模型中的各个节点具有对应的节点属性,这些节点属性决定了后续节点如何分裂,根据目标决策路径的节点属性能够确定出得到预测收益概率值的判断条件,对其进行归纳处理,得到目标产品资源的原始解读信息,该原始解读信息是对目标产品资源的综合解读内容。
步骤S990,通过预设的分析描述算法对原始解读信息进行处理,得到处理后的原始解读信息。
本申请实施例中,经过分析描述算法处理后的原始解读信息,能够更加通顺、准确的对目标产品资源进行描述。
步骤S9100,将走向趋势和处理后的原始解读信息进行合并,得到目标产品资源的目标解读信息。
本申请实施例中,处理后的原始解读信息中有专门放置走向趋势的空缺,直接将走向趋势插入到原始解读信息中即可形成一句完整的文字,即为目标解读信息。用户可以通过直接查看目标解读信息了解到未来N天是否有可能获利,进而对目标产品资源做出相关的决策。
步骤S9110,将目标产品资源的目标决策路径与各个历史产品资源的历史决策路径进行匹配。
本申请实施例中,为了更好的便于用户对目标产品资源做出相关决策,将目标产品资源的目标决策路径和历史产品资源的历史决策路径进行匹配,历史产品资源的历史决策路径与目标产品资源吃目标决策路径采用同样的方式得到的,直接将两者进行匹配,可以很好的确定出与目标产品资源较为相似的一个历史产品资源。
步骤S9120,获取与目标决策路径相匹配的历史决策路径对应的历史产品资源作为目标产品资源的参考产品资源,以基于参考产品资源的信息确定对目标产品资源的相关决策。
本申请实施例中,目标决策路径与历史决策路径匹配,代表两者在决策树模型中经过相同的路径,直接将与目标决策路径匹配的历史决策路径所对应的历史产品资源作为目标产品资源的参考产品资源,参考产品资源的历史决策路径同样用于确定未来N天是否有可能获利,但参考产品资源的得到历史决策路径的基础上,具有真实的未来N天的相应数据,因此,用户可以通过查看历史产品资源真实的未来N天的相应数据做出决策。
步骤S9130,将目标解读信息和参考产品资源作为输出结果展示在目标产品资源的解读页面。
本申请实施例中,将目标解读信息和参考产品资源一起展示给用户,用户可以直观的查看到最终的结果,同时解读页面上还可设置参考产品资源的跳转按钮,使得用户可以由解读页面跳转到参考产品资源的相应页面上,更加全面的观察参考产品资源。
本申请实施例提供的技术方案,通过训练好的预测模型对目标产品资源的目标特征进行处理,得到预测收益概率值,并对预测收益概率值根据其他产品资源的预测收益概率值进行处理,得到走向趋势,将走向趋势插入到由目标决策路径得到的原始解读信息中,形成目标解读信息,能够很好的依据目标产品资源的信息,依靠算法来得到目标解读信息,在提高信息的转换率和接收率的同时,提升了有效信息的信息量,而不是依靠人为经验进行归纳,用户依靠目标解读信息能够更加准确的做出相关决策,同时,本实施例还为目标产品资源提供了一个参考产品资源,用户可以结合目标解读信息和参考产品资源来做出相关决策。
请参阅图10,本申请一示例性实施例提供了一种产品资源的数据处理装置,其特征在于,包括:
提取模块1010,配置为从目标产品资源的原始数据中提取原始特征,并基于原始特征进行特征构建处理,得到目标特征;
第一确定模块1020,配置为基于目标特征确定目标产品资源的预测收益概率值;
第二确定模块1030,配置为基于目标产品资源的预测收益概率值以及其他产品资源的预测收益概率值,确定目标产品资源的走向趋势;
目标解读信息模块1040,配置为基于走向趋势以及目标产品资源的原始解读信息,得到目标产品资源的目标解读信息。
在一示例性实施例中,原始特征的数量为多个;提取模块1010,包括:
第一处理子模块,配置为对多个原始特征进行特征交叉处理,得到交叉特征;
第二处理子模块,配置为对原始特征和交叉特征进行特征衍生处理,得到衍生特征;
组合子模块,配置为将原始特征、交叉特征以及衍生特征进行组合,得到目标特征。
在一示例性实施例中,第一确定模块1020,包括:
输入子模块,配置为将目标特征输入至训练好的预测模型中,得到目标产品资源在多个维度上的预测收益概率值;
装置还包括:
第一获取模块,配置为从预测模型含有的目标产品资源的多条可选决策路径中,获取目标决策路径;
第三确定模块,配置为基于目标决策路径上的节点属性确定目标产品资源的原始解读信息。
在一示例性实施例中,装置还包括:
匹配模块,配置为将目标产品资源的目标决策路径与各个历史产品资源的历史决策路径进行匹配;
第二获取模块,配置为获取与目标决策路径相匹配的历史决策路径对应的历史产品资源作为目标产品资源的参考产品资源,以基于参考产品资源的信息确定对目标产品资源的相关决策。
在一示例性实施例中,装置,还包括:
第三获取模块,配置为获取样本产品资源的训练样本数据;
特征模块,配置为基于训练样本数据得到样本产品资源的流向分布特征以及涨幅特征;
训练模块,配置为将流向分布特征和涨幅特征输入至决策树模型中进行迭代训练,得到预测模型。
在一示例性实施例中,训练样本数据包括表征样本产品资源流向的第一数据、表征样本产品资源分布的第二数据以及表征样本产品资源涨跌的第三数据;特征模块,包括:
特征构建子模块,配置为基于第一数据、第二数据和第三数据进行特征构建处理,得到样本产品资源的流向分布特征;以及,
计算子模块,配置为基于第三数据计算样本产品资源在平均收益维度上的第一收益、样本产品资源在随机收益维度上的第二收益以及样本产品资源在最大收益维度上卖出的第三收益,并基于第一收益、第二收益和第三收益得到样本产品资源的涨幅特征。
在一示例性实施例中,目标解读信息模块1040,包括:
第三处理子模块,配置为通过预设的分析描述算法对原始解读信息进行处理,得到处理后的原始解读信息;
合并子模块,配置为将走向趋势和处理后的原始解读信息进行合并,得到目标产品资源的目标解读信息。
需要说明的是,上述实施例所提供的装置与上述实施例所提供的方法属于同一构思,其中各个模块和子模块执行操作的具体方式已经在方法实施例中进行了详细描述,此处不再赘述。
本申请的实施例还提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现上述各个实施例中提供的产品资源的数据处理方法。
图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图11示出的电子设备的计算机系统1100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11所示,计算机系统1100包括中央处理单元(Central Processing Unit,CPU)1101,其可以根据存储在只读存储器(Read-Only Memory,ROM)1102中的程序或者从储存部分1108加载到随机访问存储器(Random Access Memory,RAM)1103中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 1103中,还存储有系统操作所需的各种程序和数据。CPU 1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(Input/Output,I/O)接口1105也连接至总线1104。
以下部件连接至I/O接口1105:包括键盘、鼠标等的输入部分1106;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1107;包括硬盘等的储存部分1108;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1110上,以便于从其上读出的计算机程序根据需要被安装入储存部分1108。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。在该计算机程序被中央处理单元(CPU)1101执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的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或者是上述两者的任意组合。计算机可读存储介质例如可以是电、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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,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。而在本申请中,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计算机程序。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。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如前所述的方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的,也可以是单独存在,而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各个实施例中提供的方法。
上述内容,仅为本申请的较佳示例性实施例,并非用于限制本申请的实施方案,本领域普通技术人员根据本申请的主要构思和精神,可以十分方便地进行相应的变通或修改,故本申请的保护范围应以权利要求书所要求的保护范围为准。
Claims (10)
1.一种产品资源的数据处理方法,其特征在于,包括:
从目标产品资源的原始数据中提取原始特征,并基于所述原始特征进行特征构建处理,得到目标特征;
基于所述目标特征确定所述目标产品资源的预测收益概率值;
基于所述目标产品资源的预测收益概率值以及其他产品资源的预测收益概率值,确定所述目标产品资源的走向趋势;
基于所述走向趋势以及所述目标产品资源的原始解读信息,得到所述目标产品资源的目标解读信息。
2.如权利要求1所述的方法,其特征在于,所述原始特征的数量为多个;所述基于所述原始特征进行特征构建处理,得到目标特征,包括:
对所述多个原始特征进行特征交叉处理,得到交叉特征;
对所述原始特征和所述交叉特征进行特征衍生处理,得到衍生特征;
将所述原始特征、所述交叉特征以及所述衍生特征进行组合,得到所述目标特征。
3.如权利要求1所述的方法,其特征在于,所述基于所述目标特征确定所述目标产品资源的预测收益概率值,包括:
将所述目标特征输入至训练好的预测模型中,得到所述目标产品资源在多个维度上的预测收益概率值;
在所述基于所述走向趋势以及所述目标产品资源的原始解读信息,得到所述目标产品资源的目标解读信息之前,所述方法还包括:
从所述预测模型含有的所述目标产品资源的多条可选决策路径中,获取目标决策路径;
基于所述目标决策路径上的节点属性确定所述目标产品资源的原始解读信息。
4.如权利要求3所述的方法,其特征在于,在从所述预测模型含有的所述目标产品资源的多条可选决策路径中,获取目标决策路径之后,所述方法还包括:
将所述目标产品资源的目标决策路径与各个历史产品资源的历史决策路径进行匹配;
获取与所述目标决策路径相匹配的历史决策路径对应的历史产品资源作为所述目标产品资源的参考产品资源,以基于所述参考产品资源的信息确定对所述目标产品资源的相关决策。
5.如权利要求3所述的方法,其特征在于,在所述将所述目标特征输入至训练好的预测模型中,得到所述产品资源在多个维度上的预测收益概率值之前,所述方法还包括:
获取样本产品资源的训练样本数据;
基于所述训练样本数据得到所述样本产品资源的流向分布特征以及涨幅特征;
将所述流向分布特征和所述涨幅特征输入至决策树模型中进行迭代训练,得到所述预测模型。
6.如权利要求5所述的方法,其特征在于,所述训练样本数据包括表征所述样本产品资源流向的第一数据、表征所述样本产品资源分布的第二数据以及表征所述样本产品资源涨跌的第三数据;所述基于所述训练样本数据得到所述样本产品资源的流向分布特征以及涨幅特征,包括:
基于所述第一数据、所述第二数据和所述第三数据进行特征构建处理,得到所述样本产品资源的流向分布特征;以及,
基于所述第三数据计算所述样本产品资源在平均收益维度上的第一收益、所述样本产品资源在随机收益维度上的第二收益以及所述样本产品资源在最大收益维度上卖出的第三收益,并基于所述第一收益、第二收益和第三收益得到所述样本产品资源的涨幅特征。
7.如权利要求1至6中任一项所述的方法,其特征在于,所述基于所述走向趋势以及所述目标产品资源的原始解读信息,得到所述目标产品资源的目标解读信息,包括:
通过预设的分析描述算法对所述原始解读信息进行处理,得到处理后的原始解读信息;
将所述走向趋势和所述处理后的原始解读信息进行合并,得到所述目标产品资源的目标解读信息。
8.一种产品资源的数据处理装置,其特征在于,包括:
提取模块,配置为从目标产品资源的原始数据中提取原始特征,并基于所述原始特征进行特征构建处理,得到目标特征;
第一确定模块,配置为基于所述目标特征确定所述目标产品资源的预测收益概率值;
第二确定模块,配置为基于所述目标产品资源的预测收益概率值以及其他产品资源的预测收益概率值,确定所述目标产品资源的走向趋势;
目标解读信息模块,配置为基于所述走向趋势以及所述目标产品资源的原始解读信息,得到所述目标产品资源的目标解读信息。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现如权利要求1至7中任一项所述的产品资源的数据处理方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行权利要求1至7中任一项所述的产品资源的数据处理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210353762.4A CN114897607A (zh) | 2022-04-02 | 2022-04-02 | 产品资源的数据处理方法及装置、电子设备、存储介质 |
PCT/CN2022/140756 WO2023185125A1 (zh) | 2022-04-02 | 2022-12-21 | 产品资源的数据处理方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210353762.4A CN114897607A (zh) | 2022-04-02 | 2022-04-02 | 产品资源的数据处理方法及装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897607A true CN114897607A (zh) | 2022-08-12 |
Family
ID=82715612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210353762.4A Pending CN114897607A (zh) | 2022-04-02 | 2022-04-02 | 产品资源的数据处理方法及装置、电子设备、存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114897607A (zh) |
WO (1) | WO2023185125A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023185125A1 (zh) * | 2022-04-02 | 2023-10-05 | 富途网络科技(深圳)有限公司 | 产品资源的数据处理方法及装置、电子设备、存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178498B (zh) * | 2019-12-09 | 2023-08-22 | 北京邮电大学 | 一种股票波动预测方法及装置 |
CN111476418A (zh) * | 2020-04-08 | 2020-07-31 | 智谭(浙江)信息科技有限公司 | 基于深度神经网络和多任务学习的股票数据波动预测方法 |
CN111489259A (zh) * | 2020-04-16 | 2020-08-04 | 江苏知诺智能科技有限公司 | 一种基于深度学习的股票市场风险预测智能实现方法 |
CN111563821A (zh) * | 2020-05-12 | 2020-08-21 | 电子科技大学 | 一种基于支持向量机量化投资的金融股票涨跌预测方法 |
CN112365075A (zh) * | 2020-11-19 | 2021-02-12 | 中国科学院深圳先进技术研究院 | 一种股票价格走势预测方法、系统、终端以及存储介质 |
CN113095484A (zh) * | 2021-04-07 | 2021-07-09 | 华南师范大学 | 基于lstm神经网络的股票价格预测方法 |
CN113919944A (zh) * | 2021-09-07 | 2022-01-11 | 暨南大学 | 基于强化学习算法与时间序列模型的股票交易方法及系统 |
CN114091789A (zh) * | 2021-12-15 | 2022-02-25 | 中国平安人寿保险股份有限公司 | 项目数据波动预测方法、装置、计算机设备和存储介质 |
CN114897607A (zh) * | 2022-04-02 | 2022-08-12 | 富途网络科技(深圳)有限公司 | 产品资源的数据处理方法及装置、电子设备、存储介质 |
-
2022
- 2022-04-02 CN CN202210353762.4A patent/CN114897607A/zh active Pending
- 2022-12-21 WO PCT/CN2022/140756 patent/WO2023185125A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023185125A1 (zh) * | 2022-04-02 | 2023-10-05 | 富途网络科技(深圳)有限公司 | 产品资源的数据处理方法及装置、电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023185125A1 (zh) | 2023-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107040397B (zh) | 一种业务参数获取方法及装置 | |
CN112270547A (zh) | 基于特征构造的金融风险评估方法、装置和电子设备 | |
CN116541610B (zh) | 一种推荐模型的训练方法及装置 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN111582645B (zh) | 基于因子分解机的app风险评估方法、装置和电子设备 | |
CN111429161A (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
CN112328869A (zh) | 一种用户贷款意愿的预测方法、装置及计算机系统 | |
CN115423040A (zh) | 互动营销平台的用户画像识别方法及ai系统 | |
WO2023185125A1 (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN111225009A (zh) | 用于生成信息的方法和装置 | |
CN111582649B (zh) | 基于用户app独热编码的风险评估方法、装置和电子设备 | |
CN112785095A (zh) | 贷款预测方法、装置、电子设备和计算机可读存储介质 | |
CN114036921A (zh) | 一种政策信息匹配方法和装置 | |
CN116756281A (zh) | 知识问答方法、装置、设备和介质 | |
CN112446777A (zh) | 一种信用评估方法、装置、设备及存储介质 | |
CN114429384B (zh) | 基于电商平台的产品智能推荐方法及系统 | |
CN115905472A (zh) | 商机业务处理方法、装置、服务器及计算机可读存储介质 | |
CN116186541A (zh) | 一种推荐模型的训练方法及装置 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN111815204A (zh) | 风险评估方法、装置以及系统 | |
CN112036951A (zh) | 基于cnn模型的商机推荐方法、系统、电子设备及介质 | |
CN112307334A (zh) | 信息推荐方法、信息推荐装置、存储介质与电子设备 | |
US11941076B1 (en) | Intelligent product sequencing for category trees | |
CN116932905A (zh) | 产品推荐方法、装置、设备、介质和程序产品 | |
CN113807379A (zh) | 数据处理装置的获取方法及装置、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 |