CN117333076A - 一种基于混合专家模型的估值方法、装置、设备及介质 - Google Patents
一种基于混合专家模型的估值方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117333076A CN117333076A CN202311450657.3A CN202311450657A CN117333076A CN 117333076 A CN117333076 A CN 117333076A CN 202311450657 A CN202311450657 A CN 202311450657A CN 117333076 A CN117333076 A CN 117333076A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- enterprise
- model
- index
- estimation
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 387
- 239000013598 vector Substances 0.000 claims abstract description 210
- 238000013210 evaluation model Methods 0.000 claims abstract description 98
- 238000012545 processing Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000000605 extraction Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 description 18
- 210000002569 neuron Anatomy 0.000 description 17
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 101000630267 Homo sapiens Probable glutamate-tRNA ligase, mitochondrial Proteins 0.000 description 1
- 102100026125 Probable glutamate-tRNA ligase, mitochondrial Human genes 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006583 body weight regulation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012911 target assessment Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于混合专家模型的估值方法、装置、设备及介质。该方法包括：获取待估值企业在多个评估维度下的评估数据；将评估数据输入至预先训练的目标估值模型中，得到对至少两个目标评估指标的评估属性，并基于评估数据和各评估属性，确定待处理特征向量；基于待处理特征向量，确定与待估值企业相对应的估值属性。解决了现有技术中人工处理企业数据进行估值，存在估值准确性差、可靠性低的问题，实现达到提高企业估值准确性和全面性的效果。
Description
技术领域
本发明涉及计算机处理技术领域，尤其涉及一种基于混合专家模型的估值方法、装置、设备及介质。
背景技术
企业估值是指着眼于企业本身，对企业的内在价值进行评估。对企业的准确估值有利于对企业价值进行正确评价，它能够帮助投资者、分析师和管理人员等评估企业的价值和潜在投资回报。
目前的企业估值方法主要采用的是通过人工依据企业数据进行判断的方式。这种方式需要基于人工计算，且不同的计算方法需要获取不同的数据，对其专业知识要求较高，导致数据处理困难，估值准确性差的问题。
发明内容
本发明提供了一种基于混合专家模型的估值方法、装置、设备及介质，以实现提高企业估值的准确性和可靠性。
根据本发明的一方面，提供了一种基于混合专家模型的估值方法，该方法包括：
获取待估值企业在多个评估维度下的评估数据；其中，所述评估维度中包括至少一个评估指标；所述评估指标中包括目标评估指标；
将所述评估数据输入至预先训练的目标估值模型中，得到对至少两个目标评估指标的评估属性，并基于所述评估数据和各所述评估属性，确定待处理特征向量；
基于所述待处理特征向量，确定与所述待估值企业相对应的估值属性。
根据本发明的另一方面，提供了一种基于混合专家模型的估值装置，该装置包括：
数据获取模块，用于获取待估值企业在多个评估维度下的评估数据；其中，所述评估维度中包括至少一个评估指标；所述评估指标中包括目标评估指标；
数据处理模块，用于将所述评估数据输入至预先训练的目标估值模型中，得到对至少两个目标评估指标的评估属性，并基于所述评估数据和各所述评估属性，确定待处理特征向量；
估值属性确定模块，用于基于所述待处理特征向量，确定与所述待估值企业相对应的估值属性。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的基于混合专家模型的估值方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于混合专家模型的估值方法。
本发明实施例的技术方案，通过获取待估值企业在多个评估维度下的评估数据；将评估数据输入至预先训练的目标估值模型中，得到对至少两个目标评估指标的评估属性，并基于评估数据和各评估属性，确定待处理特征向量；基于待处理特征向量，确定与待估值企业相对应的估值属性，解决了现有技术中人工处理企业数据进行估值，存在估值准确性差、可靠性低的问题，实现了通过基于目标估值模型对多评估维度下的评估数据进行处理，预测出多个目标评估指标的评估属性，进而将评估数据与各个评估属性融合在一起，使得待处理特征向量中不仅包含不同维度下的评估信息，还包含对评估指标的评估结果，通过待处理特征向量对待估值企业进行估值，更全面地影响估值属性的确定，从而提高企业估值的准确性和全面性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种基于混合专家模型的估值方法的流程图；
图2是根据本发明实施例二提供的一种基于混合专家模型的估值方法的流程图；
图3是根据本发明实施例二提供的一种基于混合专家模型的估值方法示意图；
图4是根据本发明实施例三提供的一种基于混合专家模型的估值方法的流程图；
图5是根据本发明实施例四提供的一种基于混合专家模型的估值方法的流程图；
图6是根据本发明实施例五提供的一种基于混合专家模型的估值装置的结构示意图；
图7是实现本发明实施例的基于混合专家模型的估值方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本发明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。此外，术语“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。
实施例一
图1是根据本发明实施例一提供的一种基于混合专家模型的估值方法的流程图，本实施例可适用于对企业进行估值的情况，该方法可以由基于混合专家模型的估值装置来执行，该估值装置可以采用硬件和/或软件的形式实现，该估值装置可配置于计算设备中。如图1所示，该方法包括：
S110、获取待估值企业在多个评估维度下的评估数据；评估维度中包括至少一个评估指标；评估指标中包括目标评估指标。
其中，待估值企业可以为需要被估值的企业。评估维度包括但不限于基本信息、财务数据、产品信息、技术数据、团队信息和风险控制信息等各个维度。每个评估维度下包含一个或多个的评估指标，例如，财务数据中包括流动负债、非流动负债、流动资产、非流动资产、收入、利润、成本费用以及现金流等评估指标；团队信息中包括学历构成、团队结构、专业资质及经验构成等评估指标。
具体的，在对某个企业进行估值的过程中，可以将该企业作为待估值企业，进而可以将与待估值企业相关联的各个评估维度下的企业数据作为待处理的评估数据。
在本实施例中，还可以对评估数据进行预处理，将评估数据中的脏数据(比如异常值、错误值、空白信息等脏数据)清洗掉，得到清洗后的评估数据。例如，可以采用预设数据清洗方式(比如删除法、保留法或者平均值替代法等)对评估数据进行异常值处理、缺失值处理、去重处理，再将处理后的数据进行归一化处理，得到处理后的评估数据，以确保数据的准确性和一致性，提高数据的质量，进而提高估值的准确性。
S120、将评估数据输入至预先训练的目标估值模型中，得到对至少两个目标评估指标的评估属性，并基于评估数据和各评估属性，确定待处理特征向量。
其中，目标估值模型用于对企业进行估值。
在本实施例中，可以将评估数据输入至目标估值模型中，首先，模型将评估数据构建成一个企业估值特征向量，该特征向量包含各个评估维度的重要信息。然后，可以根据企业估值特征向量进行指标评估，得到对至少两个目标评估指标的评估属性。可选的，目标评估指标可以是预先设置的，对企业估值有影响价值的评估指标，例如，目标评估指标包含四个，分别为：市销率、市现率、市净率和市盈率。进一步的，为了丰富企业评估数据，可以将基于评估数据构成的企业估值特征向量与对各目标评估指标的评估属性进行拼接，得到一个待处理特征向量，以基于待处理特征向量进行后续的企业估值处理。
示例性的，将估值特征向量与预测的市销率、市现率、市净率和市盈率等目标评估指标的评估属性拼接在一起，如input＝[估值特征向量，P销,P现,P净,P盈]，形成一个更大的输入向量input，作为待处理特征向量。
在本实施例，为了提高估值效率和准确性，可以精细化目标估值模型，通过目标估值模型中不同网络结构处理不同的任务。可选的，目标估值模型中包括指标评估模型和企业估值模型。相应的，将评估数据输入至预先训练的目标估值模型中，得到对至少两个目标评估指标的评估属性，并基于评估数据和各评估属性，确定待处理特征向量，包括：基于目标估值模型中的指标评估模型对评估数据进行处理，得到对至少两个目标评估指标的评估属性；基于目标估值模型中的企业估值模型对评估数据和各评估属性进行拼接，得到待处理特征向量。
其中，指标评估模型用于评估特定的估值指标，即评估目标评估指标。企业估值模型用于基于输入的数据评估对整个企业进行估值，确定企业的最终估值。
具体的，可以通过指标评估模型对评估数据进行处理，对特定的估值指标进行评估，得到对各目标评估指标的评估属性。进一步的，将各评估属性和评估数据输入至企业估值模型中，通过企业估值模型对各评估属性和评估数据进行拼接，拼接成待处理特征向量，使得待处理特征向量中不仅包含企业的数据，还包含对估值指标的评估属性，进而提高企业估值模型基于待处理特征向量对企业进行估值的准确性。
S130、基于待处理特征向量，确定与待估值企业相对应的估值属性。
本实施例中，在确定待处理特征向量之后，企业估值模型可以基于待处理特征向量对待估值企业的估值属性。该估值属性可以用于表征企业的价值，例如，运营产生价值、股权价值、市场潜力价值、推荐度价值等等，可以以评分等形式进行表示。
本实施例的技术方案，通过获取待估值企业在多个评估维度下的评估数据；将评估数据输入至预先训练的目标估值模型中，得到对至少两个目标评估指标的评估属性，并基于评估数据和各评估属性，确定待处理特征向量；基于待处理特征向量，确定与待估值企业相对应的估值属性，解决了现有技术中人工处理企业数据进行估值，存在估值准确性差、可靠性低的问题，实现了通过基于目标估值模型对多评估维度下的评估数据进行处理，预测出多个目标评估指标的评估属性，进而将评估数据与各个评估属性融合在一起，使得待处理特征向量中不仅包含不同维度下的评估信息，还包含对评估指标的评估结果，通过待处理特征向量更全面地影响估值结果对与待估值企业的估值属性，从而提高企业估值的准确性和全面性。
实施例二
图2是根据本发明实施例二提供的一种基于混合专家模型的估值方法的流程图，在前述实施例的基础上，对S120作进一步的细化。其具体的实施方式可以参见本实施例技术方案。其中，与上述实施例相同或者相应的技术术语在此不再赘述。
如图2所示，该方法具体包括如下步骤：
S210、获取待估值企业在多个评估维度下的评估数据；评估维度中包括至少一个评估指标；评估指标中包括目标评估指标。
S220、基于指标评估模型中的各专家提取网络分别对评估数据进行处理，得到多个第一评估向量。
其中，专家提取网络用于从企业估值特征向量中提取不同维度的特征，不同维度可以是指专家评估感兴趣的维度，即专家评估维度，每个专家提取网络所关联的专家评估维度不同。
具体的，可以将评估数据分别输入至每个专家提取网络中，各不同的专家提取网络基于评估数据进行不同特定维度特征的提取，输出的特征向量即作为第一评估向量。示例性的，参见图3，指标评估模型中包含四个专家提取网络，分别为专家提取网络1、专家提取网络2、专家提取网络3和专家提取网络4。各不同的专家提取网络提取不同维度的特征，生成预测向量，即作为第一评估向量。
可选的，每个专家提取网络可以都是多层感知器(MLP)网络，专家提取网络中包含有输入层(Input Layer)、隐藏层(Hidden Layer)和输出层(Output Layer)。输入层作为数据的输入。隐藏层用于处理输入特征的层次，隐藏层包含多个神经元。每个神经元都有权重和偏差，其输出是通过激活函数(如ReLU、Sigmoid等)计算得出的。由输出层生成专家提取网络的预测向量，即第一评估向量。
举个例子：输入层接收评估数据的企业估值特征向量。这个特征向量的维度是n，输入层的神经元数也是n，n是一个超参数，n的数值可根据实际企业样本特征维度进行设置。假设隐藏层有m个神经元，那么对于第i个神经元，m也是超参数，神经元的输入为：其中，ωij是连接输入层的第j个神经元和隐藏层的第i个神经元之间的权重，xj是输入特征向量的第j个分量，bi是第i个神经元的偏差。然后，通过激活函数得到隐藏层的输出ai：ai＝activation(zi)。假设预测向量的维度是p，p同样是超参数，输出层的神经元数即是p。对于输出层的第k个神经元，其输入为隐藏层的输出：其中，ωkj是连接隐藏层的第i个神经元和输出层的第k个神经元之间的权重，ai是隐藏层的第i个神经元的输出，bk是第k个神经元的偏差。通过输入层、隐藏层和输出层的神经元之间的权重、偏差和激活函数，专家提取网络能够从输入的企业估值特征向量中提取特定维度的特征，并生成预测向量作为第一评估向量。
S230、基于指标评估模型中的各第一门控网络分别对评估数据进行处理，得到多个第一权重向量。
为了根据不同情况自动地选择不同专家提取模型的预测，可设置多个第一门控网络，第一门控网络用于动态地调整不同专家提取模型在指标评估模型中的权重，以便根据情况选择不同的第一评估向量进行后续的估值。
在本实施例中，可以将评估数据分别输入至每个第一门控网络中，各不同的第一门控网络分别基于评估数据生成不同的权重分布向量，作为第一权重向量。示例性的，继续参见图3，指标评估模型中包含四个第一门控网络，分别为第一门控网络1、第一门控网络2、第一门控网络3和第一门控网络4。基于各不同的第一门控网络生成四个不同的第一权重向量，每个第一权重向量可中包含四个权重。这些第一门控网络的输出分别为向量gk(x)，k与指标评估模型中的指标评估网络相对应。
可选的，第一门控网络的输入层和隐藏层可采用与专家提取网络相同的网络结构。在本实施例中，第一门控网络可以通过输入层、隐藏层和输出层的神经元之间的权重、偏差和softmax激活函数，生第一权重向量。其中，第一门控网络的输出层可使用softmax层来生成权重分布，在输出层生成第一门控网络的门控向量之后，门控向量再经过softmax激活函数，将其转换为一个权重分布(即第一权重向量)，以确保第一权重向量中的各个权重的总和为1。这样，后续可以通过第一权重向量中的各个权重来调整不同专家提取网络的输出结果，使得在多家提取网络中，不同专家的预测能够以合适的权重进行组合。Softmax函数的公式可以为：
S240、基于指标评估模型中的各指标评估网络对多个第一评估向量和多个第一权重向量进行处理，得到对至少两个目标评估指标的评估属性。
其中，每个指标评估网络所关联的目标评估指标不同，也就是说，不同的指标评估网络可以从输入信息中提取不同目标评估指标下的特征，例如，市销率、市现率、市净率和市盈率等评估指标。
在本实施例中，可以将所有的第一评估向量进行组合，再通过每个第一权重向量分别对组合的评估数据进行加权处理，得到多个加权处理后的特征数据分别输入至不同的指标评估网络，进而基于指标评估网络进行指标评估，输出相关联的目标评估指标的评估属性。或者，还可以是将加权处理后的特征数据进行整合，得到整合后的特征数据，将整合后的特征数据分别输入至不同的指标评估网络，进而基于指标评估网络进行指标评估，输出相关联的目标评估指标的评估属性。
需要说明的是，各不同的指标评估网络负责不同的估值指标的评估，为了提高权重调控的强度的同时，保证评估精度，可以通过将不同第一门控网络输出权重调整后的评估数据输入至不同的指标评估网络进行指标的评估。
在本实施例中，基于指标评估模型中的各指标评估网络对多个第一评估向量和多个第一权重向量进行处理，得到对至少两个目标评估指标的评估属性，包括：基于各第一评估向量确定待使用向量；对待使用向量分别与各第一权重向量进行处理，得到多个第二评估向量；为各指标评估网络分配不同的第二评估向量，并基于指标评估网络对分配的第二评估向量进行处理，得到与其相关联的目标评估指标相对应的评估属性。
在实际应用中，可以将不同专家提取网络输出的第一评估向量进行整合，得到整合后的数据作为待使用向量。待使用向量分别与各第一权重向量进行点乘运算，得到多个第二评估向量，例如，计算公式可以是 其中，gk(x)＝softmax(Wgkx)，Wgk∈Rn×d；fk(x)表示第k个指标评估网络的输入，即第二评估向量；Wgk表示第k个第一门控网络输出的第一权重向量，n是专家提取网络的个数，d是特征的维度，fi(x)为第i个专家提取网络输出的第一评估向量。将不同的第二评估向量输入至不同的指标评估网络中，指标评估网络对输入的第二评估向量进行处理，得到指标评估网络所关联的目标评估指标相对应的评估属性。
示例性的，可以继续参见图3，指标评估模型中包含四个指标评估网络，分别为指标评估网络1、指标评估网络2指标评估网络3和指标评估网络4，接收向量fk(x)作为输入。每个指标评估网络负责从输入信息中提取企业估值的各个指标的特征进行评估，例如，计算可以是：yk＝hk(fk(x))，yk为对目标评估指标的评估属性，hk为指标评估网络中的计算函数。
S250、基于评估数据和各评估属性，确定待处理特征向量。
S260、基于待处理特征向量，确定与待估值企业相对应的估值属性。
需要说明的是，上述S220至S230可以顺序执行，也可以并行执行，具体的执行顺序不做限定，上述顺序只是对各步骤中技术方案进行解释的顺序，不是各步骤的执行顺序。
本实施例的技术方案，通过使用不同的专家提取网络提取评估数据不同的维度特征的数据，挖掘特定领域的信息，得到多个第一评估向量，通过多第一门控网络基于评估数据计算权重，得到多个第一权重向量。进一步的，通过第一权重向量自适应权重调整第一评估向量，实现对不同的专家提取网络预测的加权，基于加权后的数据进行指标评估，提高对目标评估指标评估的准确性。
实施例三
图4是根据本发明实施例三提供的一种基于混合专家模型的估值方法的流程图，在前述实施例的基础上，对S130作进一步的细化。其具体的实施方式可以参见本实施例技术方案。其中，与上述实施例相同或者相应的技术术语在此不再赘述。
如图4所示，该方法具体包括如下步骤：
S310、获取待估值企业在多个评估维度下的评估数据；评估维度中包括至少一个评估指标；评估指标中包括目标评估指标。
S320、将评估数据输入至预先训练的目标估值模型中，得到对至少两个目标评估指标的评估属性，并基于评估数据和各评估属性，确定待处理特征向量。
S330、基于企业估值模型中的第二门控网络对待处理特征向量进行处理，得到第二权重向量。
继续参见图3，可以将待处理特征向量输入至第二门控网络中，通过第二门控网络计算权重，得到第二权重向量，使得通过第二权重向量对目标评估指标的评估结果进行加权组合。
S340、基于企业估值模型中的各专家预测网络分别对待处理特征向量进行处理，得到相应目标评估指标所对应的评估结果。
其中，专家预测网络用于预测对评估指标的估值结果，即评估结果。不同的专家预测网络关联不同的目标评估指标。
在本实施例中，可以将待处理特征向量分别输入至各专家预测网络中，通过专家预测网络基于输入数据进行估值，得到对与之相关联的目标评估指标的评估结果。示例性的，继续参见图3，企业估值模型中包含四个专家预测网络，分别为专家预测网络1、专家预测网络2、专家预测网络3和专家预测网络4。使用四个专家预测网络分别预测对市销率、市现率、市净率和市盈率的评估结果，评估结果E分别为：E销＝ExpertA(Input)、E现＝ExpertB(Input)、E净＝ExpertC(Input)、E盈＝ExpertD(Input)，Input表示为待处理特征向量。
S350、基于各评估结果和第二权重向量，确定与待估值企业相对应的估值属性。
在本实施例中，可以将各评估结果与第二权重向量进行加权处理，将得到的内积结果作为对待估值企业最终的企业估值结果，即估值属性。例如，估值属性FinalValuation＝Gate·(E销+E现+E净+E盈)，Gate表示为第二权重向量。
本实施例的技术方案，通过基于所述企业估值模型中的第二门控网络对所述待处理特征向量进行处理，得到第二权重向量，通过所述企业估值模型中的各专家预测网络分别对所述待处理特征向量进行处理，得到相应目标评估指标所对应的评估结果，进而通过权重的计算融合不同的评估结果，从而生成更准确和可靠的企业估值属性。
实施例四
图5是根据本发明实施例四提供的一种基于混合专家模型的估值方法的流程图，在前述实施例的基础上，还可以预先训练得到目标估值模型。其具体的实施方式可以参见本实施例技术方案。其中，与上述实施例相同或者相应的技术术语在此不再赘述。
如图5所示，该方法具体包括如下步骤：
S410、训练得到目标估值模型中的指标评估模型。
在本实施例中，训练得到目标估值模型中的指标评估模型，包括：获取多个第一样本；其中，第一样本中包括待处理企业数据以及相应的指标评估标签；将第一样本中的待处理企业数据输入至指标评估模型中，基于指标评估模型中的各专家提取网络分别对待处理企业数据进行处理，得到多个待使用企业向量；基于指标评估模型中的各第一门控网络分别对待处理企业数据进行处理，得到多个待使用权重向量；基于指标评估模型中的各指标评估网络对多个待使用企业向量和多个待使用权重向量进行处理，得到指标评估属性；基于指标评估属性和与待处理企业数据相对应的指标评估标签，确定损失值；基于损失值对指标评估模型中的模型参数进行修正，以得到训练好的指标评估模型。
为了提高模型的准确性，可以尽可能多而丰富的获取第一样本。第一样本中的待处理企业数据可以为各种不同类型的企业的数据。指标评估标签可以是对多个评估指标估值结果标注的标签，如指标评分。需要说明的是，对每一个第一样本的处理方式都是相同的，因此，以对其中一个第一样本处理为例来说明。例如，该第一样本中包含一个企业的待处理企业数据和对多个评估指标的评估标签。
在本实施例中，可以将第一样本中的待处理企业数据输入至指标评估模型中，指标评估模型中的各不同的专家提取网络基于待处理企业数据进行不同特定维度特征的提取，输出的特征向量即作为待使用企业向量。指标评估模型中的各不同的第一门控网络基于待处理企业数据生成不同的权重分布向量，作为待使用权重向量。将所有的待使用企业向量进行组合，再通过每个待使用权重向量分别对组合的数据进行加权处理，得到不同的权重处理后的企业数据分别输入至不同的指标评估网络，进而基于指标评估网络进行特定指标评估，输出对相关联的评估指标的指标评估属性。进一步的，可以使用指标评估模型中的损失函数对指标评估属性和与待处理企业数据相对应的指标评估标签进行损失处理，比较预测值与样本中真实的指标评估标签之间的差异，进而计算出对应的损失值，可以基于损失值对指标评估模型中的模型参数进行修正，以调整网络参数以最小化预测误差。
可选的，指标评估模型中的损失函数是均方误差(Mean Squared Error，MSE)，其计算公式为：其中，N是第一样本数量，ytrue,i是第i个第一样本的真实的指标评估标签，ypred,i是预测的第i个第一样本的指标评估属性，MSE1的结果为损失值。在本实施例中，可以通过损失函数衡量预测值与真实值之间的平方差，对较大的误差给予更大的惩罚，通过最小化损失函数，使得指标评估模型的预测将更加接近对指标的真实估值，从而提高估值的准确性。
在上述技术方案的基础上，还可以在基于损失值对指标评估模型中的模型参数进行修正的过程中，通过优化算法(比如，梯度下降法、梯度优化器等)调整指标评估模型中的模型参数，使损失函数最小化。例如，通过迭代训练样本，根据损失函数的梯度信息来更新模型参数，不断更新模型参数，以逐步降低损失函数的误差值，使模型预测值逐渐接近真实值。模型训练完成后，指标评估模型将具有良好的预测能力，可以用于估算未知企业的市销率、市现率、市净率和市盈率等评估指标，从而支持投资决策和企业估值。
S420、训练得到目标估值模型中的企业估值模型。
在本实施例中，训练得到目标估值模型中的企业估值模型，包括：确定多个第二样本；第二样本中包括待处理企业数据以及与待处理企业数据相对应的指标评估属性和企业估值标签；将待处理企业数据以及与待处理企业数据相对应的指标评估属性输入至企业估值模型中，确定企业特征向量，基于企业估值模型中的第二门控网络对企业特征向量进行处理，得到待处理权重向量；基于企业估值模型中的各专家预测网络分别对企业特征向量进行处理，得到指标评估结果；基于各指标评估结果和待处理权重向量，确定企业估值结果；基于企业估值结果以及与待处理企业数据相对应的企业估值标签，确定误差值；基于误差值对企业估值模型中的模型参数进行修正，以得到训练好的企业估值模型。
为了提高模型的准确性，可以尽可能多而丰富的获取第二样本。第二样本中的待处理企业数据可以与第一样本中的待处理企业数据相同，第二样本中的指标评估属性是基于指标评估模型确定的。可以将待处理企业数据输入至指标评估模型中，输出指标评估属性，将指标评估属性与该待处理企业数据作为第二样本。第二样本中的企业估值标签可以是对企业估值结果标注的标签，企业评分。需要说明的是，对每一个第二样本的处理方式都是相同的，因此，以对其中一个第二样本处理为例来说明。例如，该第二样本中包含一个企业的待处理企业数据、指标评估模型基于待处理企业数据输出的指标评估属性以及对企业的评估标签。
在本实施例中，可以将第二样本中的待处理企业数据以及相应的指标评估属性输入至企业估值模型中，企业估值模型将基于待处理企业数据构成的估值特征向量与对各指标评估属性进行拼接，得到一个整合后的企业特征向量。通过企业估值模型中的第二门控网络基于企业特征向量计算权重，得到待处理权重向量，通过企业估值模型中各不同的专家预测网络基于企业特征向量进行估值，得到对与之相关联的评估指标的评估结果。将各指标评估结果与待处理权重向量进行加权处理，将得到的内积结果作为预测的企业估值结果。进一步的，通过企业估值模型中的损失函数对企业估值结果和与待处理企业数据相对应的企业估值标签进行损失处理，比较预测值与样本中真实的企业估值标签之间的差异，进而计算出对应的误差值，可以基于误差值对企业估值模型中的模型参数进行修正，以调整网络参数以最小化预测误差。
可选的，企业估值模型中的损失函数是均方误差(Mean Squared Error，MSE)。其计算公式为：其中，N是第二样本数量，ttrue,i是第i个第二样本的真实的企业估值标签，tpred,i是预测的第i个第二样本的企业估值结果，MSE2的结果为误差值。
S430、基于指标评估模型和企业估值模型确定目标估值模型。
本实施例的技术方案，通过基于第一样本中的待处理企业数据以及相应的指标评估标签对指标评估模型进行预训练，基于指标评估模型对待处理企业数据进行处理后生成的指标评估属性、待处理企业数据以及企业估值标签确定第二样本，通过第二样本对企业估值模型进行预训练，实现精细化预测估值指标，并将对不同指标的预测结果结合训练企业估值模型，提高模型估值精确性和可靠性。
实施例五
图6是根据本发明实施例五提供的一种基于混合专家模型的估值装置的结构示意图。如图6所示，该装置包括：数据获取模块510、数据处理模块520和估值属性确定模块530。
其中，数据获取模块510，用于获取待估值企业在多个评估维度下的评估数据；其中，所述评估维度中包括至少一个评估指标；所述评估指标中包括目标评估指标；数据处理模块520，用于将所述评估数据输入至预先训练的目标估值模型中，得到对至少两个目标评估指标的评估属性，并基于所述评估数据和各所述评估属性，确定待处理特征向量；估值属性确定模块530，用于基于所述待处理特征向量，确定与所述待估值企业相对应的估值属性。
本实施例的技术方案，通过获取待估值企业在多个评估维度下的评估数据；将评估数据输入至预先训练的目标估值模型中，得到对至少两个目标评估指标的评估属性，并基于评估数据和各评估属性，确定待处理特征向量；基于待处理特征向量，确定与待估值企业相对应的估值属性，解决了现有技术中人工处理企业数据进行估值，存在估值准确性差、可靠性低的问题，实现了通过基于目标估值模型对多评估维度下的评估数据进行处理，预测出多个目标评估指标的评估属性，进而将评估数据与各个评估属性融合在一起，使得待处理特征向量中不仅包含不同维度下的评估信息，还包含对评估指标的评估结果，通过待处理特征向量更全面地影响估值结果对与待估值企业的估值属性，从而提高企业估值的准确性和全面性。
在上述装置的基础上，可选的，所述数据处理模块520，包括评估属性确定单元和待处理特征向量确定单元。
评估属性确定单元，用于基于所述目标估值模型中的指标评估模型对所述评估数据进行处理，得到对至少两个目标评估指标的评估属性；
待处理特征向量确定单元，用于基于所述目标估值模型中的企业估值模型对所述评估数据和各所述评估属性进行拼接，得到待处理特征向量。
在上述装置的基础上，可选的，所述评估属性确定单元，包括第一评估向量确定子单元、第一权重向量确定子单元和评估属性确定子单元。
第一评估向量确定子单元，用于基于所述指标评估模型中的各专家提取网络分别对所述评估数据进行处理，得到多个第一评估向量；其中，每个所述专家提取网络所关联的专家评估维度不同；
第一权重向量确定子单元，用于基于所述指标评估模型中的各第一门控网络分别对所述评估数据进行处理，得到多个第一权重向量；
评估属性确定子单元，用于基于所述指标评估模型中的各指标评估网络对所述多个第一评估向量和所述多个第一权重向量进行处理，得到对至少两个目标评估指标的评估属性；其中，每个所述指标评估网络所关联的目标评估指标不同。
在上述装置的基础上，可选的，所述评估属性确定子单元，包括待使用向量确定小单元、第二评估向量确定小单元和评估属性确定小单元。
待使用向量确定小单元，用于基于各所述第一评估向量确定待使用向量；
第二评估向量确定小单元，用于对所述待使用向量分别与各所述第一权重向量进行处理，得到多个第二评估向量；
评估属性确定小单元，用于为各所述指标评估网络分配不同的所述第二评估向量，并基于所述指标评估网络对分配的所述第二评估向量进行处理，得到与其相关联的所述目标评估指标相对应的评估属性。
在上述装置的基础上，可选的，所述目标估值模型中的企业估值模型包括第二门控网络和多个专家预测网络，每个所述专家预测网络所关联的目标评估指标不同；所述估值属性确定模块530，包括第二权重向量确定单元、评估结果确定单元和估值属性确定单元。
第二权重向量确定单元，用于基于所述企业估值模型中的第二门控网络对所述待处理特征向量进行处理，得到第二权重向量；
评估结果确定单元，用于基于所述企业估值模型中的各专家预测网络分别对所述待处理特征向量进行处理，得到相应目标评估指标所对应的评估结果；
估值属性确定单元，用于基于各所述评估结果和所述第二权重向量，确定与所述待估值企业相对应的估值属性。
在上述装置的基础上，可选的，所述装置还包括：目标估值模型确定模块，所述目标估值模型确定模块包括指标评估模型确定模块和企业估值模型确定模块。其中，
所述指标评估模型确定模块包括指标评估标签确定单元、待使用企业向量确定单元、待使用权重向量确定单元、指标评估属性确定单元、损失值确定单元和指标评估模型确定单元。
指标评估标签确定单元，用于获取多个第一样本；其中，所述第一样本中包括待处理企业数据以及相应的指标评估标签；
待使用企业向量确定单元，用于将所述第一样本中的待处理企业数据输入至所述指标评估模型中，基于所述指标评估模型中的各专家提取网络分别对所述待处理企业数据进行处理，得到多个待使用企业向量；
待使用权重向量确定单元，用于基于所述指标评估模型中的各第一门控网络分别对所述待处理企业数据进行处理，得到多个待使用权重向量；
指标评估属性确定单元，用于基于所述指标评估模型中的各指标评估网络对所述多个待使用企业向量和所述多个待使用权重向量进行处理，得到指标评估属性；
损失值确定单元，用于基于所述指标评估属性和与所述待处理企业数据相对应的指标评估标签，确定损失值；
指标评估模型确定单元，用于基于所述损失值对所述指标评估模型中的模型参数进行修正，以得到训练好的指标评估模型。
在上述装置的基础上，可选的，所述企业估值模型确定模块包括第二样本确定单元、待处理权重向量确定单元、指标评估结果确定单元、企业估值结果确定单元、误差值确定单元和企业估值模型确定单元。
第二样本确定单元，用于确定多个第二样本；所述第二样本中包括所述待处理企业数据以及与所述待处理企业数据相对应的指标评估属性和企业估值标签；
待处理权重向量确定单元，用于将所述待处理企业数据以及与所述待处理企业数据相对应的指标评估属性输入至所述企业估值模型中，确定企业特征向量，基于所述企业估值模型中的第二门控网络对所述企业特征向量进行处理，得到待处理权重向量；
指标评估结果确定单元，用于基于所述企业估值模型中的各专家预测网络分别对所述企业特征向量进行处理，得到指标评估结果；
企业估值结果确定单元，用于基于各所述指标评估结果和所述待处理权重向量，确定企业估值结果；
误差值确定单元，用于基于所述企业估值结果以及与所述待处理企业数据相对应的企业估值标签，确定误差值；
企业估值模型确定单元，用于基于所述误差值对所述企业估值模型中的模型参数进行修正，以得到训练好的企业估值模型。
本发明实施例所提供的基于混合专家模型的估值装置可执行本发明任意实施例所提供的基于混合专家模型的估值方法，具备执行方法相应的功能模块和有益效果。
实施例六
图7是实现本发明实施例的基于混合专家模型的估值方法的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如基于混合专家模型的估值方法。
在一些实施例中，基于混合专家模型的估值方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的基于混合专家模型的估值方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于混合专家模型的估值方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种基于混合专家模型的估值方法，其特征在于，包括：
获取待估值企业在多个评估维度下的评估数据；其中，所述评估维度中包括至少一个评估指标；所述评估指标中包括目标评估指标；
将所述评估数据输入至预先训练的目标估值模型中，得到对至少两个目标评估指标的评估属性，并基于所述评估数据和各所述评估属性，确定待处理特征向量；
基于所述待处理特征向量，确定与所述待估值企业相对应的估值属性。
2.根据权利要求1所述的方法，其特征在于，所述将所述评估数据输入至预先训练的目标估值模型中，得到对至少两个目标评估指标的评估属性，并基于所述评估数据和各所述评估属性，确定待处理特征向量，包括：
基于所述目标估值模型中的指标评估模型对所述评估数据进行处理，得到对至少两个目标评估指标的评估属性；
基于所述目标估值模型中的企业估值模型对所述评估数据和各所述评估属性进行拼接，得到待处理特征向量。
3.根据权利要求2所述的方法，其特征在于，所述基于所述目标估值模型中的指标评估模型对所述评估数据进行处理，得到对至少两个目标评估指标的评估属性，包括：
基于所述指标评估模型中的各专家提取网络分别对所述评估数据进行处理，得到多个第一评估向量；其中，每个所述专家提取网络所关联的专家评估维度不同；
基于所述指标评估模型中的各第一门控网络分别对所述评估数据进行处理，得到多个第一权重向量；
基于所述指标评估模型中的各指标评估网络对所述多个第一评估向量和所述多个第一权重向量进行处理，得到对至少两个目标评估指标的评估属性；其中，每个所述指标评估网络所关联的目标评估指标不同。
4.根据权利要求3所述的方法，其特征在于，所述基于所述指标评估模型中的各指标评估网络对所述多个第一评估向量和所述多个第一权重向量进行处理，得到对至少两个目标评估指标的评估属性，包括：
基于各所述第一评估向量确定待使用向量；
对所述待使用向量分别与各所述第一权重向量进行处理，得到多个第二评估向量；
为各所述指标评估网络分配不同的所述第二评估向量，并基于所述指标评估网络对分配的所述第二评估向量进行处理，得到与其相关联的所述目标评估指标相对应的评估属性。
5.根据权利要求1所述的方法，其特征在于，所述目标估值模型中的企业估值模型包括第二门控网络和多个专家预测网络，每个所述专家预测网络所关联的目标评估指标不同；所述基于所述待处理特征向量，确定与所述待估值企业相对应的估值属性，包括：
基于所述企业估值模型中的第二门控网络对所述待处理特征向量进行处理，得到第二权重向量；
基于所述企业估值模型中的各专家预测网络分别对所述待处理特征向量进行处理，得到相应目标评估指标所对应的评估结果；
基于各所述评估结果和所述第二权重向量，确定与所述待估值企业相对应的估值属性。
6.根据权利要求1所述的方法，其特征在于，还包括：
训练得到所述目标估值模型中的指标评估模型；其中，
所述训练得到所述目标估值模型中的指标评估模型，包括：
获取多个第一样本；其中，所述第一样本中包括待处理企业数据以及相应的指标评估标签；
将所述第一样本中的待处理企业数据输入至所述指标评估模型中，基于所述指标评估模型中的各专家提取网络分别对所述待处理企业数据进行处理，得到多个待使用企业向量；
基于所述指标评估模型中的各第一门控网络分别对所述待处理企业数据进行处理，得到多个待使用权重向量；
基于所述指标评估模型中的各指标评估网络对所述多个待使用企业向量和所述多个待使用权重向量进行处理，得到指标评估属性；
基于所述指标评估属性和与所述待处理企业数据相对应的指标评估标签，确定损失值；
基于所述损失值对所述指标评估模型中的模型参数进行修正，以得到训练好的指标评估模型。
7.根据权利要求6所述的方法，其特征在于，还包括：
训练得到所述目标估值模型中的企业估值模型；其中，
所述训练得到所述目标估值模型中的企业估值模型，包括：
确定多个第二样本；所述第二样本中包括所述待处理企业数据以及与所述待处理企业数据相对应的指标评估属性和企业估值标签；
将所述待处理企业数据以及与所述待处理企业数据相对应的指标评估属性输入至所述企业估值模型中，确定企业特征向量，基于所述企业估值模型中的第二门控网络对所述企业特征向量进行处理，得到待处理权重向量；
基于所述企业估值模型中的各专家预测网络分别对所述企业特征向量进行处理，得到指标评估结果；
基于各所述指标评估结果和所述待处理权重向量，确定企业估值结果；
基于所述企业估值结果以及与所述待处理企业数据相对应的企业估值标签，确定误差值；
基于所述误差值对所述企业估值模型中的模型参数进行修正，以得到训练好的企业估值模型。
8.一种基于混合专家模型的估值装置，其特征在于，包括：
数据获取模块，用于获取待估值企业在多个评估维度下的评估数据；其中，所述评估维度中包括至少一个评估指标；所述评估指标中包括目标评估指标；
数据处理模块，用于将所述评估数据输入至预先训练的目标估值模型中，得到对至少两个目标评估指标的评估属性，并基于所述评估数据和各所述评估属性，确定待处理特征向量；
估值属性确定模块，用于基于所述待处理特征向量，确定与所述待估值企业相对应的估值属性。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的基于混合专家模型的估值方法。
10.一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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于混合专家模型的估值方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311450657.3A CN117333076A (zh) | 2023-11-02 | 2023-11-02 | 一种基于混合专家模型的估值方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311450657.3A CN117333076A (zh) | 2023-11-02 | 2023-11-02 | 一种基于混合专家模型的估值方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117333076A true CN117333076A (zh) | 2024-01-02 |
Family
ID=89291756
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311450657.3A Pending CN117333076A (zh) | 2023-11-02 | 2023-11-02 | 一种基于混合专家模型的估值方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117333076A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575827A (zh) * | 2024-01-16 | 2024-02-20 | 之江实验室科技控股有限公司 | 一种企业报告的智能可视化管理系统及方法 |
-
2023
- 2023-11-02 CN CN202311450657.3A patent/CN117333076A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575827A (zh) * | 2024-01-16 | 2024-02-20 | 之江实验室科技控股有限公司 | 一种企业报告的智能可视化管理系统及方法 |
| CN117575827B (zh) * | 2024-01-16 | 2024-05-03 | 之江实验室科技控股有限公司 | 一种企业报告的智能可视化管理系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117333076A (zh) | 一种基于混合专家模型的估值方法、装置、设备及介质 | |
| CN115147687A (zh) | 学生模型训练方法、装置、设备及存储介质 | |
| CN114821063A (zh) | 语义分割模型的生成方法及装置、图像的处理方法 | |
| CN112528159B (zh) | 一种特征质量评估方法、装置、电子设备及存储介质 | |
| CN115759283A (zh) | 一种模型解释方法、装置、电子设备以及存储介质 | |
| CN115759751A (zh) | 一种企业风险预测方法、装置、存储介质、电子设备及产品 | |
| CN115359322A (zh) | 一种目标检测模型训练方法、装置、设备和存储介质 | |
| CN115170195A (zh) | 信息处理方法和装置、电子设备、计算机可读介质 | |
| CN113052512A (zh) | 风险预测方法、装置和电子设备 | |
| CN118246938A (zh) | 基于因子的机器学习估值方法、装置、设备及介质 | |
| CN117217777A (zh) | 一种基于对比学习的估值方法、装置、设备及介质 | |
| CN117808342A (zh) | 基于交叉信息传递的估值方法、装置、设备及介质 | |
| CN117273738A (zh) | 一种金融交易的风险评估方法、装置、设备、介质及产品 | |
| CN117808545A (zh) | 基于注意力机制的多任务排序方法、装置、设备及介质 | |
| CN117609797A (zh) | 基于知识图谱的估值方法、装置、电子设备及存储介质 | |
| CN116882836A (zh) | 基于时序注意力的估值方法、装置、电子设备及存储介质 | |
| CN117934137A (zh) | 一种基于模型融合的不良资产回收预测方法、装置及设备 | |
| CN117474669A (zh) | 一种贷款逾期预测方法、装置、设备及存储介质 | |
| CN115600129A (zh) | 信息识别方法、装置、电子设备及存储介质 | |
| CN118246932A (zh) | 基于因子的深度学习估值方法、装置、设备及介质 | |
| Kalva et al. | Optimizing Technical Analysis and Stock Price Analysis Using: BLRM-QNDNL | |
| CN117611323A (zh) | 一种基于融资客户授信预测方法、装置、电子设备及介质 | |
| CN117670518A (zh) | 一种供应链融资的贷后预警方法、装置、电子设备及介质 | |
| CN117573983A (zh) | 一种融资方案的推荐方法、装置、电子设备及存储介质 | |
| CN117808507A (zh) | 数据资产估值方法、装置、电子设备及存储介质 |
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 |