CN116188220B - 基于云学习的财务培训方法、系统、设备及存储介质 - Google Patents

基于云学习的财务培训方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN116188220B
CN116188220B CN202310440620.6A CN202310440620A CN116188220B CN 116188220 B CN116188220 B CN 116188220B CN 202310440620 A CN202310440620 A CN 202310440620A CN 116188220 B CN116188220 B CN 116188220B
Authority
CN
China
Prior art keywords
training
target object
information
vector
financial
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310440620.6A
Other languages
English (en)
Other versions
CN116188220A (zh
Inventor
张子荣
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.)
Shenzhen Yicai Information Technology Co ltd
Original Assignee
Shenzhen Yicai Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Yicai Information Technology Co ltd filed Critical Shenzhen Yicai Information Technology Co ltd
Priority to CN202310440620.6A priority Critical patent/CN116188220B/zh
Publication of CN116188220A publication Critical patent/CN116188220A/zh
Application granted granted Critical
Publication of CN116188220B publication Critical patent/CN116188220B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G06Q50/2057—Career enhancement or continuing education service
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本公开提供基于云学习的财务培训方法、系统、设备及存储介质，包括从云端服务器中获取目标对象与历史培训课程的交互行为信息，并基于所述云端服务器将不同目标对象的多个所述交互行为信息构建为多个交互行为图谱；根据所述多个交互行为图谱，以及所述目标对象的属性信息，将所述多个交互行为图谱以及所述目标对象的属性信息映射至所述云端服务器的虚拟空间，通过图卷积计算构建所述目标对象的第一表征向量；基于所述云端服务器中预存的财务培训课程对应的第二表征向量，确定所述第一表征向量与所述第二表征向量的匹配度，并将满足预设条件的匹配度对应的财务培训课程推送至所述目标对象，并评估所述目标对象对所推送的财务培训课程的培训效果。

Description

基于云学习的财务培训方法、系统、设备及存储介质
技术领域
本公开涉及培训技术领域，尤其涉及一种基于云学习的财务培训方法、系统、设备及存储介质。
背景技术
随着培训的人数不断增加，凭借人力和半人力去进行财务培训管理工作的方式已经不能适应当前发展的需要，培训管理工作中出现的数据量大、时效性强、通过数据分析做出评价决策等，这些在现有的财务培训管理系统中基本上都没有完全实现。
一些地区还采用纸质和电子报表等比较传统的方式进行数据汇总、统计和管理，很难保证培训数据的准确性和规范性，管理成本也居高不下。在培训考核评价方面，由于各个地区的考核指标和评价方法的标准不统一，人才质量差异性较大，财务培训工作还有众多问题需要去解决和完善。
公开于本申请背景技术部分的信息仅仅旨在加深对本申请的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本公开实施例提供一种基于云学习的财务培训方法、系统、设备及存储介质，至少能够解决现有技术中的部分问题。
本公开实施例的第一方面，
提供一种基于云学习的财务培训方法，包括：
从云端服务器中获取目标对象与历史培训课程的交互行为信息，并基于所述云端服务器将不同目标对象的多个所述交互行为信息构建为多个交互行为图谱；
根据所述多个交互行为图谱，以及所述目标对象的属性信息，将所述多个交互行为图谱以及所述目标对象的属性信息映射至所述云端服务器的虚拟空间，通过图卷积计算构建所述目标对象的第一表征向量；
基于所述云端服务器中预存的财务培训课程对应的第二表征向量，确定所述第一表征向量与所述第二表征向量的匹配度，并将满足预设条件的匹配度对应的财务培训课程推送至所述目标对象，并评估所述目标对象对所推送的财务培训课程的培训效果。
在一种可选的实施方式中，
所述通过图卷积计算构建所述目标对象的第一表征向量包括：
将所述多个交互行为图谱拆分为多个子行为图谱，将所述目标对象的属性信息与所述多个子行为图谱中的节点进行图卷积计算，确定所述目标对象的属性信息对应的节点向量；
基于所述节点向量以及所述目标对象的属性信息在所述多个子行为图谱中的交互次数，通过行为权重聚合算法确定所述节点向量的权重值；
根据所述节点向量的权重值对所述目标对象的属性信息进行聚合，确定所述目标对象的第一表征向量。
在一种可选的实施方式中，
所述方法还包括构建所述云端服务器中预存的财务培训课程对应的第二表征向量：
将所述财务培训课程对应的标签信息输入预先构建的特征提取模型中，基于所述特征提取模型初始卷积核的偏置参数以及卷积步长，进行卷积操作得到卷积向量矩阵；
将所述卷积向量矩阵输入所述特征提取模型的池化层，进行最大池化操作，确定所述卷积向量矩阵对应的全连接矩阵；
所述全连接矩阵经过所述特征提取模型的全连接层后输出所述第二表征向量。
在一种可选的实施方式中，
所述评估所述目标对象对所推送的财务培训课程的培训效果包括：
获取所述目标对象对所推送的财务培训课程的培训行为信息，并将所述培训行为信息输入预先构建的培训效果评估模型，通过所述培训效果评估模型输出培训效果评价值，其中，所述培训效果评估模型基于改进的人工神经网络模型构建，用于输出所述培训效果评估模型的输入向量的评估结果；
所述通过所述培训效果评估模型输出培训效果评价值之前，所述方法还包括训练所述培训效果评估模型：
基于预先获取的训练数据集，将所述训练数据集分解为输入信息与期望输出信息，并将所述输入信息输入待训练的培训效果评估模型；
将所述培训效果评估模型的网络权值参数以及阈值参数构建为参数键值对，根据所述参数键值对以及所述待训练的培训效果评估模型的目标函数确定实际输出信息；
根据所述期望输出信息与所述实际输出信息的输出误差，迭代优化所述待训练的培训效果评估模型，直至所述输出误差满足预设误差条件和/或达到最大迭代次数。
在一种可选的实施方式中，
所述迭代优化所述待训练的培训效果评估模型包括：
按照如下公式所示的优化损失目标函数进行迭代优化：
Figure SMS_1
其中，LOSS表示优化损失目标函数的输出值，
Figure SMS_2
表示损失函数，L表示训练数据集，/>
Figure SMS_3
表示更新前的键值对，/>
Figure SMS_4
表示更新后的键值对，/>
Figure SMS_5
、F分别表示网络权值参数以及阈值参数，/>
Figure SMS_6
表示训练权重值，/>
Figure SMS_7
表示所有可训练参数集合。
在一种可选的实施方式中，
所述云端服务器中搭载有多级云平台，其中，
每级所述云平台中存储有不同的历史培训课程；所述每级云平台包括开放端口，用于加入适用于此级云平台的财务培训内容；
所述云平台中高一级别的云平台进行培训课程更新时，由上至下逐级分发至低一级别的云平台。
本公开实施例的第二方面，
提供一种基于云学习的财务培训系统，包括：
第一单元，用于从云端服务器中获取目标对象与历史培训课程的交互行为信息，并基于所述云端服务器将不同目标对象的多个所述交互行为信息构建为多个交互行为图谱；
第二单元，用于根据所述多个交互行为图谱，以及所述目标对象的属性信息，将所述多个交互行为图谱以及所述目标对象的属性信息映射至所述云端服务器的虚拟空间，通过图卷积计算构建所述目标对象的第一表征向量；
第三单元，用于基于所述云端服务器中预存的财务培训课程对应的第二表征向量，确定所述第一表征向量与所述第二表征向量的匹配度，并将满足预设条件的匹配度对应的财务培训课程推送至所述目标对象，并评估所述目标对象对所推送的财务培训课程的培训效果。
本公开实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本公开实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明实施例使用不同类型的边来表示不同的交互行为，可以实现用户与课程间交互信息最大程度的保留，确保模型的抽象不会造成信息的明显损失。本发明实施例基于节点特征信息的初始化，以增加节点包含的语义信息，提升后续向量计算过程的可解释性。
通过将所述多个交互行为图谱以及所述目标对象的属性信息映射至所述云端服务器的虚拟空间能够使得交互行为图谱和目标对象的属性信息在虚拟空间中，沿着目标对象进行信息的传播，能够从交互行为图谱中挖掘更多与目标对象本身相关的信息，实现信息聚合，加强信息之间的关联性，有利于后续实现更为精准地内容推荐。
本申请通过计算各个行为对应的计算权重，对于从各个行为子图中得到的目标对象的表征向量，将行为语义及数据稀疏度纳入目标对象表征聚合过程，不同的交互行为对推荐结果的影响程度有所不同，这种差异既源于行为自身的语义信息，也源于行为数据在所有交互数据中的比重，通过本申请的方法能够加强向量的表达。
本申请的评价方法得到的评价结果相对科学、合理，接近实际的评价，并且在确定指标权重矢量时，引入了综合指标权重矢量进行加权，消除标量之间的相关性，减少评价的工作量，并且通过权矢量和模糊矩阵进行匹配，降低了超模糊现象出现的概率且提高了计算速度。
附图说明
图1为本公开实施例基于云学习的财务培训方法的流程示意图；
图2为本公开实施例基于云学习的财务培训系统的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本公开的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。
应当理解，在本公开中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本公开中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，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。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本公开中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本公开的技术方案进行详细说明。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不再赘述。
图1为本公开实施例基于云学习的财务培训方法的流程示意图，如图1所示，所述方法包括：
S101.从云端服务器中获取目标对象与历史培训课程的交互行为信息，并基于所述云端服务器将不同目标对象的多个所述交互行为信息构建为多个交互行为图谱;
示例性地，本申请中目标对象可以包括参与财务培训的员工，每个参与培训的员工在系统中都会有自己的培训信息，例如什么时间受过什么培训等等，历史记录都会保存。
历史培训课程交互行为信息可以包括参与财务培训的员工进行财务培训的具体课程，参与财务培训课程的次数以及时间，在财务培训课程中所进行的交互操作，例如重复播放某一课程，甚至是重复某一课程中的某一段视频、针对视频中的内容进行文字批注、收藏财务培训课程等。
云计算，它是基于现有的信息网络，利用虚拟化以及分布式计算等一些核心技术，对大规模的存储、网络和计算统一管理和智能调度，能够为用户提供按需使用的服务模式。
本发明实施例中云端服务器可以存有多种财务培训课程，以供本地服务器调用，不同类型财务培训课程能够满足本地服务器不同目标对象的培训需求。
示例性地，基于所述云端服务器将不同目标对象的多个所述交互行为信息构建为多个交互行为图谱包括：
将用户与课程的交互行为信息表示为无向图，G=(W,E)，其中，W表示交互行为图谱中节点集合，包括用户节点u和课程节点v，E表示交互行为图谱中边的集合。
进一步地，根据连接边的类型，可以从交互行为图谱中提取各个交互行为对应的子图：
Figure SMS_8
其中，G表示交互行为图谱，
Figure SMS_9
表示第k种行为对应的交互行为子图谱，/>
Figure SMS_10
表示交互行为类型总数，/>
Figure SMS_11
表示第k种交互行为。
相比于将交互行为建模为矩阵，将其量化为图片，能够避免更多信息损失。本发明实施例使用不同类型的边来表示不同的交互行为，可以实现用户与课程间交互信息最大程度的保留，确保模型的抽象不会造成信息的明显损失。本发明实施例基于节点特征信息的初始化，以增加节点包含的语义信息，提升后续向量计算过程的可解释性。
S102.根据所述多个交互行为图谱，以及所述目标对象的属性信息，将所述多个交互行为图谱以及所述目标对象的属性信息映射至所述云端服务器的虚拟空间，通过图卷积计算构建所述目标对象的第一表征向量；
示例性地，所述目标对象的属性信息可以包括目标对象的ID信息、培训时长、参加培训次数、培训反馈信息以及培训标签信息，其中，培训标签信息可以进一步包括已培训课程中财务类型、较为偏好的财务课程等。
通过将所述多个交互行为图谱以及所述目标对象的属性信息映射至所述云端服务器的虚拟空间能够使得交互行为图谱和目标对象的属性信息在虚拟空间中，沿着目标对象进行信息的传播，能够从交互行为图谱中挖掘更多与目标对象本身相关的信息，实现信息聚合，加强信息之间的关联性，有利于后续实现更为精准地内容推荐。
在一种可选的实施方式中，
所述通过图卷积计算构建所述目标对象的第一表征向量包括：
将所述多个交互行为图谱拆分为多个子行为图谱，将所述目标对象的属性信息与所述多个子行为图谱中的节点进行图卷积计算，确定所述目标对象的属性信息对应的节点向量；
基于所述节点向量以及所述目标对象的属性信息在所述多个子行为图谱中的交互次数，通过行为权重聚合算法确定所述节点向量的权重值；
根据所述节点向量的权重值对所述目标对象的属性信息进行聚合，确定所述目标对象的第一表征向量。
示例性地，将所述目标对象的属性信息与所述多个子行为图谱中的节点进行图卷积计算如下公式所示：
Figure SMS_12
其中，
Figure SMS_13
表示目标对象的属性信息为u对应的节点向量，/>
Figure SMS_14
表示第k种交互行为，
Figure SMS_15
表示目标对象的属性信息为u和第k种交互行为的线性聚合参数，Y（.）表示卷积映射操作函数，/>
Figure SMS_16
表示目标对象的属性信息对应的初始化向量，/>
Figure SMS_17
表示子行为图谱中的节点对应的初始化向量。
通过行为权重聚合算法确定所述节点向量的权重值如下公式所示：
Figure SMS_18
其中，Q表示所述节点向量的权重值，M表示所述节点向量在所述多个子行为图谱中的交互次数，
Figure SMS_19
表示所述节点向量对应的语义参数，N表示所述目标对象的属性信息在所述多个子行为图谱中的交互次数，/>
Figure SMS_20
表示目标对象的属性信息对应的初始化向量，/>
Figure SMS_21
表示目标对象的属性信息对应的语义参数。
根据所述节点向量的权重值对所述目标对象的属性信息进行聚合，确定所述目标对象的第一表征向量如下公式所示：
Figure SMS_22
其中，D表示所述目标对象的第一表征向量，
Figure SMS_23
表示交互行为类型总数，/>
Figure SMS_24
表示第i种线性变化系数，Q表示所述节点向量的权重值，/>
Figure SMS_25
表示目标对象的属性信息对应的初始化向量。
本申请通过计算各个行为对应的计算权重，对于从各个行为子图中得到的目标对象的表征向量，将行为语义及数据稀疏度纳入目标对象表征聚合过程，不同的交互行为对推荐结果的影响程度有所不同，这种差异既源于行为自身的语义信息，也源于行为数据在所有交互数据中的比重，通过本申请的方法能够加强向量的表达。
S103.基于所述云端服务器中预存的财务培训课程对应的第二表征向量，确定所述第一表征向量与所述第二表征向量的匹配度，并将满足预设条件的匹配度对应的财务培训课程推送至所述目标对象，并评估所述目标对象对所推送的财务培训课程的培训效果。
示例性地，通过确定所述第一表征向量与所述第二表征向量的匹配度，能够为目标对象推送符合其需求的财务培训课程，能够有效避免千篇一律的课程推荐，根据匹配度的优先级做到个性化推荐、精准推荐。
现有的培训效果评价方法包括：
专家打分法是分别征求本领域有权威的专家对评价的对象进行打分，在专家分别单独给评价对象打分的基础上，再进行加权统计处理，来确定评价的最终结果，该方法优点在于在某些应用领域可以发挥个人的创造能力，但其主观性太强，在一定程度上，限制 它的应用范围。
主成分分析法是多元统计分析方法中的一部分，它将多个评价指标转化为几个包含原来大部分信息的少数几个综合指标，分析得到的几个少数指标就可以对它进行加权，从而计算综合评价值。它的优点是能消除标量之间的相关性，减少了评价的工作量，缺点是权数的确定存在人为性。
本申请的评价方法得到的评价结果相对科学、合理，接近实际的评价，并且在确定指标权重矢量时，引入了综合指标权重矢量进行加权，消除标量之间的相关性，减少评价的工作量，并且通过权矢量和模糊矩阵进行匹配，降低了超模糊现象出现的概率且提高了计算速度。
在一种可选的实施方式中，
所述方法还包括构建所述云端服务器中预存的财务培训课程对应的第二表征向量：
将所述财务培训课程对应的标签信息输入预先构建的特征提取模型中，基于所述特征提取模型初始卷积核的偏置参数以及卷积步长，进行卷积操作得到卷积向量矩阵；
将所述卷积向量矩阵输入所述特征提取模型的池化层，进行最大池化操作，确定所述卷积向量矩阵对应的全连接矩阵；
所述全连接矩阵经过所述特征提取模型的全连接层后输出所述第二表征向量。
现有的推荐系统研究大多沿用深度学习思想下的端到端开发模式，将推荐过程简单划分为“输入-黑盒-输出”这 3 个环节，核心步骤，如数据处理、实体表征、输出预测都被包含在了“黑盒”之中．而从软件工程角度分析，像这样不同步骤的实现模块高度耦合、边界模糊，将严重损害软件可扩展性、可移植性，极大地增加了运维成本。
一方面，它们无法充分利用非评分的隐式交互数据．或者将其无视团，或者通过简单映射将其转换为数值门,造成了信息的损失；另一方面，许多推荐系统仍沿用了电商和视频推荐算法的设计思想，以交互热度、用户偏好指导推荐算法训练预测，忽视了背后关键的知识关联。换言之，系统将难以基子学习认知规律提供推荐，不利于用户知识体系完善，无益于学习效果提升。
示例性地，本申请可以基于特征提取模型构建第二表征向量，其中，特征提取模型可以包括深度神经网络模型、人工智能网络模型等。可以在特征提取模型的输入层输入财务培训课程对应的标签信息，产生课程基本信息特征；对课程基本信息特征做卷积处理，初始化卷积核的参数和偏置参数，指定卷积的大小和步长，进行卷积操作得到卷积向量矩阵;然后，将卷积后的向量矩阵数据输入池化层以获得课程的全连接矩阵，此处池化层选用最大池化，激活函数选用ReLU函数：最后，通过全连接层输出学习第二表征向量。
在一种可选的实施方式中，
所述评估所述目标对象对所推送的财务培训课程的培训效果包括：
获取所述目标对象对所推送的财务培训课程的培训行为信息，并将所述培训行为信息输入预先构建的培训效果评估模型，通过所述培训效果评估模型输出培训效果评价值，其中，所述培训效果评估模型基于改进的人工神经网络模型构建，用于输出所述培训效果评估模型的输入向量的评估结果；
所述通过所述培训效果评估模型输出培训效果评价值之前，所述方法还包括训练所述培训效果评估模型：
基于预先获取的训练数据集，将所述训练数据集分解为输入信息与期望输出信息，并将所述输入信息输入待训练的培训效果评估模型；
将所述培训效果评估模型的网络权值参数以及阈值参数构建为参数键值对，根据所述参数键值对以及所述待训练的培训效果评估模型的目标函数确定实际输出信息；
根据所述期望输出信息与所述实际输出信息的输出误差，迭代优化所述待训练的培训效果评估模型，直至所述输出误差满足预设误差条件和/或达到最大迭代次数。
示例性地，所述培训效果评估模型基于改进的人工神经网络模型构建，用于输出所述培训效果评估模型的输入向量的评估结果。具体地，本发明实施例的培训效果评估模型可以是改进后的BP神经网络模型。
本发明实施例对培训效果评估模型的训练过程如下：
将所述训练数据集分解为输入信息与期望输出信息，并将所述输入信息输入待训练的培训效果评估模型，其中，输入信息可以是无标签数据，期望输出信息可以是进行标记后的数据。
进一步地，输入信息和期望输出信息是根据网络结构分解得出的，获取神经网络权值以及阈值的初始值，得到的神经网络信号正向传递的输出结果，比较期望输出信息与所述实际输出信息的输出误差，若误差达不到要求，则进入优化神经网络权值的计算过程，调整神经网络的本地权值。对本地数据进行循环训练，满足设定的要求，最后输出结果。
所述培训效果评估模型的网络权值参数以及阈值参数构建为参数键值对中的相同键值进行规约化操作，并对阈值参数和网络权值参数对应的字符串值进行逐步分解，把相同位置的字符串转成对应的数值，再相加求平均值，将相加求平均值的结果保存，并重新进行迭代，直至所述输出误差满足预设误差条件和/或达到最大迭代次数。
在一种可选的实施方式中，
所述迭代优化所述待训练的培训效果评估模型包括：
按照如下公式所示的优化损失目标函数进行迭代优化：
Figure SMS_26
其中，LOSS表示优化损失目标函数的输出值，
Figure SMS_27
表示损失函数，L表示训练数据集，/>
Figure SMS_28
表示更新前的键值对，/>
Figure SMS_29
表示更新后的键值对，/>
Figure SMS_30
、F分别表示网络权值参数以及阈值参数，/>
Figure SMS_31
表示训练权重值，/>
Figure SMS_32
表示所有可训练参数集合。
在一种可选的实施方式中，
所述云端服务器中搭载有多级云平台，其中，
每级所述云平台中存储有不同的历史培训课程；所述每级云平台包括开放端口，用于加入适用于此级云平台的财务培训内容；
所述云平台中高一级别的云平台进行培训课程更新时，由上至下逐级分发至低一级别的云平台。
本公开实施例的第二方面，
提供一种基于云学习的财务培训系统，图2为本公开实施例基于云学习的财务培训系统的结构示意图，包括：
第一单元，用于从云端服务器中获取目标对象与历史培训课程的交互行为信息，并基于所述云端服务器将不同目标对象的多个所述交互行为信息构建为多个交互行为图谱；
第二单元，用于根据所述多个交互行为图谱，以及所述目标对象的属性信息，将所述多个交互行为图谱以及所述目标对象的属性信息映射至所述云端服务器的虚拟空间，通过图卷积计算构建所述目标对象的第一表征向量；
第三单元，用于基于所述云端服务器中预存的财务培训课程对应的第二表征向量，确定所述第一表征向量与所述第二表征向量的匹配度，并将满足预设条件的匹配度对应的财务培训课程推送至所述目标对象，并评估所述目标对象对所推送的财务培训课程的培训效果。
本公开实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本公开实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、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。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。
注意，除非另有直接说明，否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此，除非另有明确说明，否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下，进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头，该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。
最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，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，或者对其中部分或者全部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公开各实施例技术方案的范围。

Claims (9)

1.一种基于云学习的财务培训方法，其特征在于，包括：
从云端服务器中获取目标对象与历史培训课程的交互行为信息，并基于所述云端服务器将不同目标对象的多个所述交互行为信息构建为多个交互行为图谱；
根据所述多个交互行为图谱，以及所述目标对象的属性信息，将所述多个交互行为图谱以及所述目标对象的属性信息映射至所述云端服务器的虚拟空间，通过图卷积计算构建所述目标对象的第一表征向量；
所述通过图卷积计算构建所述目标对象的第一表征向量包括：
将所述多个交互行为图谱拆分为多个子行为图谱，将所述目标对象的属性信息与所述多个子行为图谱中的节点进行图卷积计算，确定所述目标对象的属性信息对应的节点向量；
基于所述节点向量以及所述目标对象的属性信息在所述多个子行为图谱中的交互次数，通过行为权重聚合算法确定所述节点向量的权重值；
根据所述节点向量的权重值对所述目标对象的属性信息进行聚合，确定所述目标对象的第一表征向量；
基于所述云端服务器中预存的财务培训课程对应的第二表征向量，确定所述第一表征向量与所述第二表征向量的匹配度，并将满足预设条件的匹配度对应的财务培训课程推送至所述目标对象，并评估所述目标对象对所推送的财务培训课程的培训效果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括构建所述云端服务器中预存的财务培训课程对应的第二表征向量：
将所述财务培训课程对应的标签信息输入预先构建的特征提取模型中，基于所述特征提取模型初始卷积核的偏置参数以及卷积步长，进行卷积操作得到卷积向量矩阵；
将所述卷积向量矩阵输入所述特征提取模型的池化层，进行最大池化操作，确定所述卷积向量矩阵对应的全连接矩阵；
所述全连接矩阵经过所述特征提取模型的全连接层后输出所述第二表征向量。
3.根据权利要求1所述的方法，其特征在于，所述评估所述目标对象对所推送的财务培训课程的培训效果包括：
获取所述目标对象对所推送的财务培训课程的培训行为信息，并将所述培训行为信息输入预先构建的培训效果评估模型，通过所述培训效果评估模型输出培训效果评价值，其中，所述培训效果评估模型基于改进的人工神经网络模型构建，用于输出所述培训效果评估模型的输入向量的评估结果。
4.根据权利要求3所述的方法，其特征在于，所述通过所述培训效果评估模型输出培训效果评价值之前，所述方法还包括训练所述培训效果评估模型：
基于预先获取的训练数据集，将所述训练数据集分解为输入信息与期望输出信息，并将所述输入信息输入待训练的培训效果评估模型；
将所述培训效果评估模型的网络权值参数以及阈值参数构建为参数键值对，根据所述参数键值对以及所述待训练的培训效果评估模型的目标函数确定实际输出信息；
根据所述期望输出信息与所述实际输出信息的输出误差，迭代优化所述待训练的培训效果评估模型，直至所述输出误差满足预设误差条件和/或达到最大迭代次数。
5.根据权利要求4所述的方法，其特征在于，所述迭代优化所述待训练的培训效果评估模型包括：
按照如下公式所示的优化损失目标函数进行迭代优化：
Figure QLYQS_1
；
其中，LOSS表示优化损失目标函数的输出值，
Figure QLYQS_2
（.）表示损失函数，L表示训练数据集，
Figure QLYQS_3
表示更新前的键值对，/>
Figure QLYQS_4
表示更新后的键值对，/>
Figure QLYQS_5
、F分别表示网络权值参数以及阈值参数，/>
Figure QLYQS_6
表示训练权重值，/>
Figure QLYQS_7
表示所有可训练参数集合。
6.根据权利要求1所述的方法，其特征在于，所述云端服务器中搭载有多级云平台，其中，
每级所述云平台中存储有不同的历史培训课程；所述每级云平台包括开放端口，用于加入适用于此级云平台的财务培训内容；
所述云平台中高一级别的云平台进行培训课程更新时，由上至下逐级分发至低一级别的云平台。
7.一种基于云学习的财务培训系统，其特征在于，包括：
第一单元，用于从云端服务器中获取目标对象与历史培训课程的交互行为信息，并基于所述云端服务器将不同目标对象的多个所述交互行为信息构建为多个交互行为图谱；
第二单元，用于根据所述多个交互行为图谱，以及所述目标对象的属性信息，将所述多个交互行为图谱以及所述目标对象的属性信息映射至所述云端服务器的虚拟空间，通过图卷积计算构建所述目标对象的第一表征向量；
所述通过图卷积计算构建所述目标对象的第一表征向量包括：
将所述多个交互行为图谱拆分为多个子行为图谱，将所述目标对象的属性信息与所述多个子行为图谱中的节点进行图卷积计算，确定所述目标对象的属性信息对应的节点向量；
基于所述节点向量以及所述目标对象的属性信息在所述多个子行为图谱中的交互次数，通过行为权重聚合算法确定所述节点向量的权重值；
根据所述节点向量的权重值对所述目标对象的属性信息进行聚合，确定所述目标对象的第一表征向量；
第三单元，用于基于所述云端服务器中预存的财务培训课程对应的第二表征向量，确定所述第一表征向量与所述第二表征向量的匹配度，并将满足预设条件的匹配度对应的财务培训课程推送至所述目标对象，并评估所述目标对象对所推送的财务培训课程的培训效果。
8.一种基于云学习的财务培训设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至6中任意一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
CN202310440620.6A 2023-04-23 2023-04-23 基于云学习的财务培训方法、系统、设备及存储介质 Active CN116188220B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310440620.6A CN116188220B (zh) 2023-04-23 2023-04-23 基于云学习的财务培训方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310440620.6A CN116188220B (zh) 2023-04-23 2023-04-23 基于云学习的财务培训方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN116188220A CN116188220A (zh) 2023-05-30
CN116188220B true CN116188220B (zh) 2023-07-07

Family

ID=86434752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310440620.6A Active CN116188220B (zh) 2023-04-23 2023-04-23 基于云学习的财务培训方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116188220B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107293169A (zh) * 2017-08-10 2017-10-24 苏州华源教育信息科技有限公司 一种远程授课培训系统
CN107886244A (zh) * 2017-11-10 2018-04-06 郑州云海信息技术有限公司 一种基于公有云的企业智慧培训系统
CN109411067A (zh) * 2018-11-08 2019-03-01 昆明医科大学第附属医院 一种专科护士培训效果评价系统及方法
CN109741222A (zh) * 2018-12-28 2019-05-10 云峰核信科技(武汉)股份有限公司 一种核电厂培训管理系统
CN109905429A (zh) * 2017-12-08 2019-06-18 中国石油化工股份有限公司 用于班组安全培训的云平台装置及系统
CN112085560A (zh) * 2020-08-19 2020-12-15 王娟 一种基于云计算的智能教育方法及系统
CN112598555A (zh) * 2021-01-06 2021-04-02 吉林农业科技学院 一种基于大数据分析的课程培训方法
CN112990705A (zh) * 2021-03-15 2021-06-18 湖北省子牙童趣教育科技有限公司 一种个性化推荐课程的在线培训平台
CN113837908A (zh) * 2021-09-26 2021-12-24 北京永信至诚科技股份有限公司 一种基于课程的网络培训系统与方法
CN114722281A (zh) * 2022-04-07 2022-07-08 平安科技（深圳）有限公司 基于用户画像及用户选课行为的培训课程配置方法、装置
CN114722182A (zh) * 2022-03-04 2022-07-08 中国人民大学 一种基于知识图谱的在线课推荐方法及系统
CN114896498A (zh) * 2022-05-16 2022-08-12 咪咕文化科技有限公司 课程推荐方法、系统、终端及存储介质
CN115659061A (zh) * 2022-09-29 2023-01-31 深圳市度易科技有限公司 一种基于多级素质评价的综合素养管理系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107293169A (zh) * 2017-08-10 2017-10-24 苏州华源教育信息科技有限公司 一种远程授课培训系统
CN107886244A (zh) * 2017-11-10 2018-04-06 郑州云海信息技术有限公司 一种基于公有云的企业智慧培训系统
CN109905429A (zh) * 2017-12-08 2019-06-18 中国石油化工股份有限公司 用于班组安全培训的云平台装置及系统
CN109411067A (zh) * 2018-11-08 2019-03-01 昆明医科大学第附属医院 一种专科护士培训效果评价系统及方法
CN109741222A (zh) * 2018-12-28 2019-05-10 云峰核信科技(武汉)股份有限公司 一种核电厂培训管理系统
CN112085560A (zh) * 2020-08-19 2020-12-15 王娟 一种基于云计算的智能教育方法及系统
CN112598555A (zh) * 2021-01-06 2021-04-02 吉林农业科技学院 一种基于大数据分析的课程培训方法
CN112990705A (zh) * 2021-03-15 2021-06-18 湖北省子牙童趣教育科技有限公司 一种个性化推荐课程的在线培训平台
CN113837908A (zh) * 2021-09-26 2021-12-24 北京永信至诚科技股份有限公司 一种基于课程的网络培训系统与方法
CN114722182A (zh) * 2022-03-04 2022-07-08 中国人民大学 一种基于知识图谱的在线课推荐方法及系统
CN114722281A (zh) * 2022-04-07 2022-07-08 平安科技（深圳）有限公司 基于用户画像及用户选课行为的培训课程配置方法、装置
CN114896498A (zh) * 2022-05-16 2022-08-12 咪咕文化科技有限公司 课程推荐方法、系统、终端及存储介质
CN115659061A (zh) * 2022-09-29 2023-01-31 深圳市度易科技有限公司 一种基于多级素质评价的综合素养管理系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于云平台的医师培训管理系统";陈勇;《中国优秀硕士学位论文全文数据库 信息科技辑》;I138-379 *
"我国高速动车组列车驾驶实作培训考核体系研究";郭树祥;《交通世界》;第186-189页 *

Also Published As

Publication number Publication date
CN116188220A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN110796190B (zh) 具有深度学习特征的指数建模
CN110366734B (zh) 优化神经网络架构
CN110175628A (zh) 一种基于自动搜索与知识蒸馏的神经网络剪枝的压缩算法
CN110503192A (zh) 资源有效的神经架构
CN114048331A (zh) 一种基于改进型kgat模型的知识图谱推荐方法及系统
CN108376132A (zh) 相似试题的判定方法及系统
US20190286978A1 (en) Using natural language processing and deep learning for mapping any schema data to a hierarchical standard data model (xdm)
US20180285769A1 (en) Artificial immune system for fuzzy cognitive map learning
Cao et al. A bat-inspired approach to define transition rules for a cellular automaton model used to simulate urban expansion
CN112632351B (zh) 分类模型的训练方法、分类方法、装置及设备
US20190228297A1 (en) Artificial Intelligence Modelling Engine
CN116010684A (zh) 物品推荐方法、装置及存储介质
CN110737730B (zh) 基于无监督学习的用户分类方法、装置、设备及存储介质
Izquierdo et al. Fuzzy logic for social simulation using NetLogo
CN114298851A (zh) 基于图表征学习的网络用户社交行为分析方法、装置及存储介质
CN115359321A (zh) 一种模型训练方法、装置、电子设备及存储介质
CN112463989A (zh) 一种基于知识图谱的信息获取方法及系统
CN114168819B (zh) 一种基于图神经网络的岗位匹配方法及装置
CN113326384A (zh) 一种基于知识图谱的可解释推荐模型的构建方法
WO2021186338A1 (en) System and method for determining solution for problem in organization
CN110489435B (zh) 基于人工智能的数据处理方法、装置、及电子设备
CN111143573B (zh) 基于用户反馈信息进行知识图谱目标节点预测的方法
CN116188220B (zh) 基于云学习的财务培训方法、系统、设备及存储介质
CN116703682A (zh) 一种基于深度学习的政务数据平台
CN114818682B (zh) 基于自适应实体路径感知的文档级实体关系抽取方法

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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Cloud learning based financial training methods, systems, devices, and storage media

Granted publication date: 20230707

Pledgee: Shenzhen small and medium sized small loan Co.,Ltd.

Pledgor: Shenzhen Yicai Information Technology Co.,Ltd.

Registration number: Y2024980011951