CN117808342A - 基于交叉信息传递的估值方法、装置、设备及介质 - Google Patents
基于交叉信息传递的估值方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117808342A CN117808342A CN202311716021.9A CN202311716021A CN117808342A CN 117808342 A CN117808342 A CN 117808342A CN 202311716021 A CN202311716021 A CN 202311716021A CN 117808342 A CN117808342 A CN 117808342A
- Authority
- CN
- China
- Prior art keywords
- matrix
- feature
- vector
- determining
- relation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012546 transfer Methods 0.000 title claims description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 514
- 239000013598 vector Substances 0.000 claims abstract description 317
- 238000012545 processing Methods 0.000 claims abstract description 99
- 238000004590 computer program Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 15
- 230000009901 attention process Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 238000007499 fusion processing Methods 0.000 description 11
- 238000013507 mapping Methods 0.000 description 11
- 238000010606 normalization Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000002860 competitive effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000041200 Nobia Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction 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
- 230000006872 improvement Effects 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
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012827 research and development 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
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于交叉信息传递的估值方法、装置、设备及介质。该方法包括:获取待估值企业的第一估值数据,并基于第一估值数据,确定与待估值企业相对应的对标企业;基于第一估值数据以及与各对标企业相对应的第二估值数据,确定特征向量矩阵;基于第一估值数据、与各对标企业相对应的第二估值数据以及预先确定的属性关系矩阵,确定特征关系矩阵;基于特征向量矩阵和特征关系矩阵,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可靠性的效果。
Description
技术领域
本发明涉及计算机处理技术领域,尤其涉及一种基于交叉信息传递的估值方法、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。对于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,进而将基于人工计算的估值信息提供给用户。这种方式基于人工计算的估值方法,对其专业知识要求较高,存在估值准确性差的问题。
发明内容
本发明提供了一种基于交叉信息传递的估值方法、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,提供了一种基于交叉信息传递的估值方法,该方法包括:
获取待估值企业的第一估值数据,并基于所述第一估值数据,确定与所述待估值企业相对应的对标企业;
基于所述第一估值数据以及与各所述对标企业相对应的第二估值数据,确定特征向量矩阵;
基于所述第一估值数据、与各所述对标企业相对应的第二估值数据以及预先确定的属性关系矩阵,确定特征关系矩阵;
基于所述特征向量矩阵和所述特征关系矩阵,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,提供了一种基于交叉信息传递的估值装置,该装置包括:
对标企业确定模块,用于获取待估值企业的第一估值数据,并基于所述第一估值数据,确定与所述待估值企业相对应的对标企业;
特征向量矩阵确定模块,用于基于所述第一估值数据以及与各所述对标企业相对应的第二估值数据,确定特征向量矩阵;
特征关系矩阵确定模块,用于基于所述第一估值数据、与各所述对标企业相对应的第二估值数据以及预先确定的属性关系矩阵,确定特征关系矩阵;
估值属性确定模块,用于基于所述特征向量矩阵和所述特征关系矩阵,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交叉信息传递的估值方法。
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交叉信息传递的估值方法。
本发明实施例的技术方案,通过获取待估值企业的第一估值数据,并基于第一估值数据,确定与待估值企业相对应的对标企业;基于第一估值数据以及与各对标企业相对应的第二估值数据,确定特征向量矩阵;基于第一估值数据、与各对标企业相对应的第二估值数据以及预先确定的属性关系矩阵,确定特征关系矩阵;基于特征向量矩阵和特征关系矩阵,确定与待估值企业相对应的估值属性,解决了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,实现了通过使用待估值企业的估值数据,融合与待估值企业相对应的对标企业的估值数据,得到特征向量矩阵,从而提高估值特征信息的丰富性。同时,使用属性关系矩阵确定能够表征不同企业特征间关系的特征关系矩阵,进而依据特征关系矩阵,捕捉不同特征之间的关系时,提取特征向量矩阵中的特征信息,将提取的特征映射到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。
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交叉信息传递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交叉信息传递的估值方法的流程图;
图3是根据本发明实施例二所提供的一种基于交叉信息传递的估值方法示意图;
图4是根据本发明实施例三提供的一种基于交叉信息传递的估值装置的结构示意图;
图5是实现本发明实施例的基于交叉信息传递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交叉信息传递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,该方法可以由基于交叉信息传递的估值装置来执行,该基于交叉信息传递的估值装置可以采用硬件和/或软件的形式实现,该基于交叉信息传递的估值装置可配置于计算设备中。如图1所示,该方法包括:
S110、获取待估值企业的第一估值数据,并基于第一估值数据,确定与待估值企业相对应的对标企业。
本实施例中,待估值企业可以为需要被估值的企业。估值数据可以是多个企业估值维度下的数据。例如,估值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。
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使用的第一估值数据。对于待估值企业来说,其第一估值数据是表征其企业内在特征的数据。为了提高估值的准确性,可以引入外部特征信息,来丰富估值数据,此时可以结合待估值企业的第一估值数据,选取一些与待估值企业匹配度高的其他企业作为对标企业,相应的,可以将与对标企业相对应的估值数据作为第二估值数据。
为了提高估值的准确性,在获取到估值数据之后,还可以对估值数据进行预处理,将估值数据中的脏数据(如异常值、错误值、空白信息等脏数据)清洗掉,得到清洗后的估值数据。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)对估值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,得到处理后的估值数据,以确保数据的准确性和一致性,提高数据的质量,从而提高企业估值精度。
示例性的,选取企业估值相关维度,包括行业环境、团队人员、竞争能力、资产负债、盈利能力、抗风险度等6个大维度,每个大维度下可细分为若干指标维度。例如,行业环境维度数据包括待估值企业的行业周期、行业类型、行业壁垒、竞争状况等;团队维度数据包括待估值企业内对象的基本信息;竞争能力维度数据包括市场占有率、客户增长率、推广方式、产品类型、研发占比等;资产负债维度数据包括流动负债、非流动负债、流动资产、非流动资产等;进一步地,盈利能力维度数据包括企业利润、成本费用、资金流等;抗风险度维度数据包括杠杆比率、偿债能力、流动性及净资产等。进一步地,对行业环境、团队人员、竞争能力、资产负债、盈利能力、抗风险度和相关标签数据进行异常值处理、缺失值处理,再对处理后的数据进行归一化处理,得到待使用的估值数据。
在本实施例中,基于第一估值数据,确定与待估值企业相对应的对标企业,包括:获取至少两个待比对企业的第三估值数据;基于第一估值数据和第三估值数据,从待比对企业中确定对标企业,并确定对标企业的第二估值数据。
具体的,可以获取若干个企业的企业估值数据作为待比对企业的第三估值数据,进而,分别对第一估值数据与每一个第三估值数据进行相似度处理,根据相似度结果,确定待估值企业与各待比对企业之间的相似度。可以将相似度高于预设阈值的待比对企业作为对标企业,或者,将相似度由大到小排序,将排在前面预设数量的待比对企业作为对标企业。对标企业的第二估值数据即为相应待比对企业的第三估值数据。
示例性的,可以使用KNN(k-nearest neighbors)算法计算第一估值数据与每一个第三估值数据的距离(如欧式距离),选取距离最近的4个待比对企业作为对标企业,对标企业用于后面交叉信息传递的计算。
S120、基于第一估值数据以及与各对标企业相对应的第二估值数据,确定特征向量矩阵。
在本实施例中,可以将第一估值数据与各对标企业的第二估值数据进行整合,整合一个序列。进而,可以利用编码器将序列中的每个企业的估值数据中的各个指标数据编码为向量,如将每个指标数据映射到高维的嵌入向量空间,得到指标数据的高维向量表示。通过各指标数据的向量表示,构成一个特征向量矩阵。例如,特征向量矩阵可记作{msi},其中msi表示为第s个企业的第i个指标特征的向量表示。
可选的,编码器可以为三个结构相同的Block堆叠得到的Encoder,用于对估值数据进行特征提取,对数据进行编码。示例性的,编码得到的特征向量矩阵的维度为[s,r,c],其中,s是待估值企业和对标企业的数量,r是每个指标特征的维度,c是每个指标特征的嵌入维度。比如,维度为5×20×32,表示5个企业,20个指标特征,每个指标特征的嵌入维度为32。
S130、基于第一估值数据、与各对标企业相对应的第二估值数据以及预先确定的属性关系矩阵,确定特征关系矩阵。
其中,属性关系矩阵用于描述不同企业特征之间的关系。例如,属性关系矩阵中可以包含不同估值指标特征间的关系值,通过关系值来表征两个估值指标特征间的关联关系。比如,可以通过估值指标所属的估值维度来区别不同的指标特征间的关联关系。
在本实施例中,可以预先构建属性关系矩阵,依据属性关系矩阵,确定第一估值数据以及各对标企业的第二估值数据,所有估值数据中各指标特征之间的关系值。进而,将每个关系值做向量嵌入处理,将每个关系值映射到高维的嵌入向量空间,得到关系值的高维向量表示,相应的,得到特征关系矩阵。例如,特征关系矩阵的维度为[r,r,c],其中,r是每个指标特征的维度,c是每个指标特征的嵌入维度。对于特征关系矩阵记作{zij},其中zij表示为第i个指标特征和第j个指标特征关系的向量表示,特征关系矩阵为对称矩阵。
在本实施例中,可以预先确定属性关系矩阵,确定属性关系矩阵的实现方式可以是:确定多个估值维度;其中,每个估值维度中包括不同的估值指标;不同估值维度下的估值指标之间的关系值为预设第一参数;同一估值维度下不同的估值指标之间的关系值为预设第二参数;同一估值指标的关系值为预设第三参数;基于各关系值,生成属性关系矩阵。
具体的,可以选取出一些有益于企业估值的相关维度作为估值维度,每个估值维度下包括不同的估值指标。进而,为不同估值维度下的估值指标之间的关系值赋为预设第一参数;为同一估值维度下不同的估值指标之间的关系值赋为预设第二参数;为同一估值指标的关系值赋为预设第三参数。为了提升不同维度数据、不同指标数据之间的关联关系,可以设置预设第一参数大于预设第二参数,预设第二参数大于预设第三参数,参数值表示两个估值指标之间的距离,参数值越大代表关系越远,从而有助于挖掘不同企业特征之间的相互作用。
示例性的,属性关系矩阵构造规则为:对于行业环境、团队人员、竞争能力、资产负债、盈利能力、抗风险度,这些一级估值维度中:不同维度之间的指标特征关系值设为1.0(即预设第一参数);同一维度内的不同指标特征关系值设为0.5(即预设第二参数);同一指标特征的关系值取0.0(即预设第三参数)。关系值表示关系的远近程度,属性关系矩阵为对称矩阵。
需要说明的是,上述S120至S130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。
S140、基于特征向量矩阵和特征关系矩阵,确定与待估值企业相对应的估值属性。
在本实施例,可以通过包含企业特征信息的特征向量矩阵,以及包含企业特征关系信息的特征关系矩阵,对待估值企业进行评估,确定其估值属性。该估值属性可以用于表征待估值企业的价值,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。示例性的,基于特征向量矩阵和特征关系矩阵,执行多头注意力计算,其中嵌入维度数c取32,注意力头数h取8,得到对待估值企业进行估值的估值属性。
本实施例的技术方案,通过获取待估值企业的第一估值数据,并基于第一估值数据,确定与待估值企业相对应的对标企业;基于第一估值数据以及与各对标企业相对应的第二估值数据,确定特征向量矩阵;基于第一估值数据、与各对标企业相对应的第二估值数据以及预先确定的属性关系矩阵,确定特征关系矩阵;基于特征向量矩阵和特征关系矩阵,确定与待估值企业相对应的估值属性,解决了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,实现了通过使用待估值企业的估值数据,融合与待估值企业相对应的对标企业的估值数据,得到特征向量矩阵,从而提高估值特征信息的丰富性。同时,使用属性关系矩阵确定能够表征不同企业特征间关系的特征关系矩阵,进而依据特征关系矩阵,捕捉不同特征之间的关系时,提取特征向量矩阵中的特征信息,将提取的特征映射到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交叉信息传递的估值方法的流程图,在前述实施例的基础上,对S140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、获取待估值企业的第一估值数据,并基于第一估值数据,确定与待估值企业相对应的对标企业。
S220、基于第一估值数据以及与各对标企业相对应的第二估值数据,确定特征向量矩阵。
S230、基于第一估值数据、与各对标企业相对应的第二估值数据以及预先确定的属性关系矩阵,确定特征关系矩阵。
S240、依据特征关系矩阵对特征向量矩阵进行处理,确定与特征向量矩阵相对应的待使用特征矩阵,并基于待使用特征矩阵和特征关系矩阵,确定待处理关系矩阵。
需要说明的是,特征关系矩阵中包含各估值指标特征之间关系的向量表示,特征向量矩阵中包含每个估值指标特征的向量表示。在实际应用中,可以在对特征向量矩阵中的每个指标特征的向量处理时,可以融入与该指标特征相关联的关系的向量表示,考虑特征关系因素,提高特征提取的有效性和丰富性,从而得到对指标特征的向量处理后的向量。相应的,可以对每个指标特征向量处理后的向量组成的向量矩阵作为待使用特征矩阵。进一步的,可以将待使用特征矩阵融合到特征关系矩阵上,通过企业特征来更好的捕捉企业指标特征之间的关联关系,得到融合后的矩阵作为待处理关系矩阵。例如,将待使用特征矩阵的第i行第j列分量,与特征关系矩阵的第i行第j列的分量相加,得到融合后的待处理关系矩阵。
在本实施例中,依据特征关系矩阵对特征向量矩阵进行处理,确定与特征向量矩阵相对应的待使用特征矩阵,包括:依据特征关系矩阵,对特征向量矩阵进行行注意力处理,得到第一特征矩阵;基于第一特征矩阵和特征向量矩阵,确定第二特征矩阵;对第二特征矩阵进行列注意力处理,得到第三特征矩阵;基于第三特征矩阵和第二特征矩阵,确定第四特征矩阵;对第四特征矩阵进行线性变换,得到第五特征矩阵;基于第四特征矩阵和第五特征矩阵,确定与特征向量矩阵相对应的待使用特征矩阵。
在本实施例中,可以通过注意力机制捕捉特征向量矩阵中各特征向量之间的行级关系,对特征向量矩阵进行行注意力处理,同时,融入与相应指标特征相关联的关系的向量,得到第一特征矩阵。进一步的,可以将第一特征矩阵和特征向量矩阵作加权融合处理,得到第二特征矩阵。通过注意力机制捕捉第二特征矩阵中各特征向量之间的列级关系,对第二特征矩阵进行列注意力处理,得到第三特征矩阵。将第三特征矩阵和第二特征矩阵作加权融合处理,得到第四特征矩阵。进一步的,可以利用多层感知器学习第四特征矩阵中各特征向量之间的关系,对第四特征矩阵进行线性变换,得到第五特征矩阵。将第四特征矩阵和第五特征矩阵作加权融合处理,得到与特征向量矩阵相对应的待使用特征矩阵。
示例性的,参见图3,可以将特征向量矩阵和特征关系矩阵作为特征行注意力处理模块的输入,通过自注意力机制捕捉特征之间的行级关系,输出第一特征矩阵;将第一特征矩阵和特征向量矩阵作加权融合,得到第二特征矩阵;将第二特征矩阵作为特征列注意力处理模块的输入,通过自注意力机制捕捉特征之间的列级关系,输出第三特征矩阵;将第三特征矩阵和第二特征矩阵作加权融合理,得到第四特征矩阵。将第四特征矩阵输入至特征MLP处理模块学习特征之间的关系,得到第五特征矩阵。将第四特征矩阵和第五特征矩阵作加权融合处理,得到待使用特征矩阵。此种设置的好处在于,通过交叉信息传递的方式,不断的提取特征信息,提高特征提取精度,从而提高企业估值的准确性和全面性。
在本实施例中,依据特征关系矩阵,对特征向量矩阵进行行注意力处理,得到第一特征矩阵,包括:在当前次的行注意力处理中,对于特征向量矩阵中的各特征向量,对当前特征向量进行注意力处理,得到与当前特征向量相对应的查询向量、键向量以及值向量;基于特征关系矩阵中与当前特征向量对应的指标特征相关联的各关系向量,确定偏置项;基于与当前特征向量相对应的查询向量、键向量以及偏置项,确定待使用向量;基于当前特征向量、待使用向量以及值向量,确定与当前特征向量相对应的输出向量;基于多次的行注意力处理后得到的与当前特征向量相对应的输出向量,确定与当前特征向量相对应的目标向量;基于与各特征向量相对应的目标向量,确定第一特征矩阵。
在本实施例中,可以依据特征关系矩阵,对特征向量矩阵进行多次的行注意力处理,每次的行注意力处理的实现方式均相同,可以以其中任一次行注意力处理作为当前次行注意力处理进行说明。在每次的行注意力处理中,确定特征向量矩阵中的与每个特征向量相对应的输出向量的方式相同,也可以以确定其中任一个特征向量的输出向量为例进行说明。
具体的,在当前次的行注意力处理中,可以对注意力模型中的每一层的神经元进行层归一化处理,通过层归一化(Layer Normalization)计算每一层神经元的均值和标准差,然后对它们进行归一化处理,使得每一层的输出具有相同的尺度,从而加速模型的收敛速度并提高模型的性能。进而使用注意力模型中的没有偏置项的线性层(Linearnobias)对当前特征向量进行注意力处理,得到与当前特征向量相对应的查询向量Q、键向量K以及值向量V。通过当前特征向量对应的指标特征,从特征关系矩阵中查找与该指标特征相关联的各关系向量,每个关系向量表示该指标特征与其他指标特征之间的关系,进而对各关系向量进行归一化处理,再使用没有偏置项的线性层对归一化处理后的关系向量进行处理,得到与每个关系向量相对应的偏置项。进一步的,可以使用对当前特征向量所对应的查询向量和键向量进行内积处理,得到内积数据,将内积数据与偏置项进行相加,再经激活函数对相加数据进行处理,得到待使用向量。使用线性层(Linear)对当前特征向量进行处理,再使用激活函数对处理后的当前特征向量进行处理,得到输出数据。进一步的,通过各待使用向量、值向量以及输出数据,确定与当前特征向量相对应的输出向量。相应的,得到多次的行注意力处理后与当前特征向量相对应的输出向量。可以各输出向量进行拼接,得到拼接向量,可以将拼接向量作为与当前特征向量相对应的目标向量。相应的,得到与特征向量矩阵中每个特征向量相对应的目标向量,构成第一特征矩阵。
示例性的,依据特征关系矩阵对特征向量矩阵进行行注意力处理,得到第一特征矩阵的实现过程可参见公式(1)-(7):
msi←LayerNorm(msi)(1)
其中,msi表示为第s个企业的第i个指标特征的特征向量;zij表示为第i个指标特征和第j个指标特征间关系的关系向量,q、k、v分别表示为查询向量、键向量、值向量;g代表门控,控制第h个头(即第h次注意力)的输出;b为标量,代表偏置项;为第h个头的输出向量;m′ si为msi的目标向量;c为模型参数。LayerNorm表示层归一化;LinearNoBias表示没有偏置项的线性层,Linear表示线性层;sigmoid为激活函数;concat表示拼接函数。
在本实施例中,对第二特征矩阵进行列注意力处理,得到第三特征矩阵,包括:在当前次的列注意力处理中,对于特征向量矩阵中的各特征向量,对当前特征向量进行注意力处理,得到与当前特征向量相对应的查询向量、键向量以及值向量;基于与当前特征向量相对应的查询向量、键向量,确定待处理向量;基于当前特征向量、待处理向量以及值向量,确定与当前特征向量相对应的输出向量;基于多次的列注意力处理后得到的与当前特征向量相对应的输出向量,确定与当前特征向量相对应的目标输出向量;基于与各特征向量相对应的目标输出向量,确定第三特征矩阵。
具体的,可以使用公式(8)-(13)对第二特征矩阵进行列注意力处理,得到第三特征矩阵。
msi←LayerNorm(msi)(8)
公式(13)中的m’ si即为与msi相对应的目标输出向量。
在本实施例中,基于多层感知器(MLP)对第四特征矩阵进行线性变换,得到第五特征矩阵的实现方式可以是:对于第四特征矩阵{msi}的维度为[s,r,c]。对第四特征矩阵进行一次线性变换,先将数据映射到[s,r,4c],再经过一次非线性变换和又一次线性变换将数据映射回[s,r,c],最终处理得到的矩阵可作为第五特征矩阵。
在本实施例中,基于待使用特征矩阵和特征关系矩阵,确定待处理关系矩阵,包括:对待使用特征矩阵进行处理,得到待处理特征矩阵;基于待处理特征矩阵和特征关系矩阵,确定第一关系矩阵;对第一关系矩阵进行行注意力处理,得到第二关系矩阵;基于第一关系矩阵和第二关系矩阵,确定第三关系矩阵;对第三关系矩阵进行列注意力处理,得到第四关系矩阵;基于第三关系矩阵和第四关系矩阵,确定第五关系矩阵;对第五关系矩阵进行线性变换,得到第六关系矩阵;基于第五关系矩阵和第六关系矩阵,确定待处理关系矩阵。
具体的,可以对待使用特征矩阵进行向量映射处理,得到待处理特征矩阵。进一步的,可以将待处理特征矩阵与特征关系矩阵中的同一行同一列的向量相加,得到第一关系矩阵,例如,将待处理特征矩阵中第i行第j列的向量与特征关系矩阵中第i行第j列的向量相加。进一步的,可以通过注意力机制捕捉第一关系矩阵中各向量之间的行级关系,对第一关系矩阵进行行注意力处理,得到第二关系矩阵。进而,将第一关系矩阵和第二关系矩阵作加权融合处理,得到第三关系矩阵。通过注意力机制捕捉第三关系矩阵中各向量之间的列级关系,对第三关系矩阵进行列注意力处理,得到第四关系矩阵。进而,将第三关系矩阵和第四关系矩阵作加权融合处理,得到第五关系矩阵。利用多层感知器学习第五关系矩阵中各向量之间的关系,对第五关系矩阵进行线性变换,得到第六关系矩阵。将第五关系矩阵和第六关系矩阵作加权融合处理,得到待处理关系矩阵。
示例性的,继续参见图3,可以将待使用特征矩阵作为外积映射模块的输入,输出待处理特征矩阵。对待处理特征矩阵和特征关系矩阵进行加权融合处理,得到第一关系矩阵。将第一关系矩阵作为关系行注意力处理模块的输入,输出第二关系矩阵。对第一关系矩阵和第二关系矩阵进行加权融合处理,得到第三关系矩阵。将第三关系矩阵作为关系列注意力处理模块的输入,得到第四关系矩阵。对第三关系矩阵和第四关系矩阵进行加权融合处理,得到第五关系矩阵。将第五关系矩阵作为关系MLP处理模块的输入,得到第六关系矩阵。对第五关系矩阵和第六关系矩阵进行加权融合处理,得到待处理关系矩阵。
在本实施例中,对待使用特征矩阵进行处理,得到待处理特征矩阵,包括:对于待使用特征矩阵中同一行不同列的两个特征向量,对两个特征向量进行外积处理,得到待平均向量;对待平均向量按预设方向进行平均处理,得到待展平向量;对待展平向量进行展平处理,得到与两个特征向量相对应的目标处理向量;基于各目标处理向量,得到待处理特征矩阵。
其中,预设方向可以为S方向,S方向可以是一个向量,也可以是一个轴(如沿着行或列方向)。
在本实施例中,可以取待使用特征矩阵中同一行不同列的两个特征向量做外积计算,得到待平均向量。进而,可以使用means()函数对待平均向量按预设方向进行平均处理,得到待展平向量。使用flatten()函数对待展平向量作展平操作,得到一个向量,可以将该向量作为与这两个特征向量相对应的目标处理向量,也可以使用一个线性层对该向量进行处理,将处理得到的向量作为与这两个特征向量相对应的目标处理向量。相应的,可以得到所有的同一行不同列的两个特征向量的目标处理向量。进一步的,可以将同一行不同列的两个特征向量中其中一个列索引作为待处理特征矩阵的行索引,另一个列索引作为待处理特征矩阵的列索引,将这两个特征向量对应的目标处理向量作为待处理特征矩阵的行索引、列索引位置上的特征向量。
示例性的,可以使用公式(14)-(17)对待使用特征矩阵进行处理,得到待处理特征矩阵。
msi←LayerNorm(msi);{msj}←LayerNorm(msj)(14)
asi,bsi=Linear(msi);asj,bsj=Linear(msj)(15)
oij=flatten(means(asi·bsj)) (16)
zij=Linear(oij) (17)
其中,公式(14)中的msi表示为第s个企业的第i个指标特征的特征向量,即,第s行第i列的特征向量。zij表示待处理特征矩阵中第i行第j列的特征向量,以使将待处理特征矩阵中的zij与特征关系矩阵中第i行第j列的特征向量相加,得到第一关系矩阵。
在本实施例中,可以使用公式(18)-(24)对第一关系矩阵进行行注意力处理,得到第二关系矩阵。
zij←LayerNorm(zij)(18)
其中,公式(18)为第一关系矩阵中第i行第j列的特征向量,公式(23)为z′ ij第二关系矩阵中第i行第j列的特征向量。
在本实施例中,对第三关系矩阵进行列注意力处理,得到第四关系矩阵的过程中,可以将第三关系矩阵对角线下方向量复制到对角线上方,形成对称矩阵,得到第四关系矩阵。
在本实施例中,基于多层感知器对第五关系矩阵进行线性变换,得到第六关系矩阵的实现方式可以是:对于第五关系矩阵{zij}的维度为[r,r,c]。对第五关系矩阵进行一次线性变换,先将数据映射到[r,r,4c],再经过一次非线性变换和又一次线性变换将数据映射回[r,r,c],最终处理得到的矩阵可作为第六关系矩阵。
S250、基于待处理关系矩阵更新特征关系矩阵,并基于待使用特征矩阵更新特征向量矩阵,重新执行确定与特征向量矩阵相对应的待使用特征矩阵,以及确定待处理关系矩阵的操作。
继续参见图3,在得到待处理关系矩阵之后,可以将待处理关系矩阵作为新的特征关系矩阵,得到更新后的特征关系矩阵。在得到待使用特征矩阵之后,可以将待使用特征矩阵作为新的特征向量矩阵,得到更新后的特征向量矩阵。基于更新后的特征关系矩阵和/或更新后的特征向量矩阵,返回S240步骤,重新执行确定与特征向量矩阵相对应的待使用特征矩阵,以及确定待处理关系矩阵的操作,以此进行迭代操作。可以在达到预设迭代次数(例如,3次,可自定义设置)时,结束迭代操作,得到最终的待使用特征矩阵,以基于待使用特征矩阵,确定与待估值企业相对应的估值属性。
S260、基于待使用特征矩阵,确定与待估值企业相对应的估值属性。
在本实施例中,可以从待使用特征矩阵中选取出与待估值企业相对应的企业估值向量,将该企业估值向量输入至预先训练好的估值模型中,预测待估值企业的估值结果,得到与待估值企业相对应的估值属性。
可选的,估值模型可以是使用多层感知器(MLP)构建一个估值MLP网络。该MLP网络包括多个隐藏层,用于学习特征向量到估值结果的映射。估值模型可以是使用relu激活函数,隐藏层大小和层数为超参数。估值模型的损失函数为:Loss=∑(|y-f(xi)|/y),其中,y表示真实值,f(xi)表示通过模型预测的预测值,xi为编码后的待估值企业特征向量。
示例性的,参见图3,经过编码处理后待使用特征矩阵为{msi},待估值企业在矩阵第一行,取{m1i}作为企业估值向量,企业估值向量的维度为[1,r,c],r是指标特征的维度数,c是指标特征的嵌入维度。可以将企业估值向量作为估值模型的输入,通过MLP网络进行前向传播,可以使用reshape()函数将企业估值向量重塑成[1,r*c]维度,然后送入MLP,经过多个隐藏层和一个输出层得到估值属性。reshape()函数可以改变一个数组的形状,而不会改变数组中的数据。
本实施例的技术方案,通过依据特征关系矩阵中不同特征间的关系,对特征向量矩阵进行处理,确定与特征向量矩阵相对应的待使用特征矩阵,进而,基于待使用特征矩阵和特征关系矩阵,确定待处理关系矩阵。将待处理关系矩阵作为新的特征关系矩阵,将待使用特征矩阵作为新的特征向量矩阵,重新执行确定与特征向量矩阵相对应的待使用特征矩阵,以及确定待处理关系矩阵的操作,提高特征提取效果,进而,通过最终的待使用特征矩阵,确定与待估值企业相对应的估值属性,提高企业估值的准确性。
实施例三
图4是根据本发明实施例三提供的一种基于交叉信息传递的估值装置的结构示意图。如图4所示,该装置包括:对标企业确定模块310、特征向量矩阵确定模块320、特征关系矩阵确定模块330和估值属性确定模块340。
其中,对标企业确定模块310,用于获取待估值企业的第一估值数据,并基于所述第一估值数据,确定与所述待估值企业相对应的对标企业;特征向量矩阵确定模块320,用于基于所述第一估值数据以及与各所述对标企业相对应的第二估值数据,确定特征向量矩阵;特征关系矩阵确定模块330,用于基于所述第一估值数据、与各所述对标企业相对应的第二估值数据以及预先确定的属性关系矩阵,确定特征关系矩阵;估值属性确定模块340,用于基于所述特征向量矩阵和所述特征关系矩阵,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的第一估值数据,并基于第一估值数据,确定与待估值企业相对应的对标企业;基于第一估值数据以及与各对标企业相对应的第二估值数据,确定特征向量矩阵;基于第一估值数据、与各对标企业相对应的第二估值数据以及预先确定的属性关系矩阵,确定特征关系矩阵;基于特征向量矩阵和特征关系矩阵,确定与待估值企业相对应的估值属性,解决了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,实现了通过使用待估值企业的估值数据,融合与待估值企业相对应的对标企业的估值数据,得到特征向量矩阵,从而提高估值特征信息的丰富性。同时,使用属性关系矩阵确定能够表征不同企业特征间关系的特征关系矩阵,进而依据特征关系矩阵,捕捉不同特征之间的关系时,提取特征向量矩阵中的特征信息,将提取的特征映射到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,所述对标企业确定模块310,包括第三估值数据确定单元和对标企业确定单元。
第三估值数据确定单元,用于获取至少两个待比对企业的第三估值数据;
对标企业确定单元,用于基于所述第一估值数据和所述第三估值数据,从所述待比对企业中确定对标企业,并确定所述对标企业的第二估值数据。
在上述装置的基础上,可选的,所述估值属性确定模块340,包括矩阵确定单元、矩阵更新单元和估值属性确定单元。
矩阵确定单元,用于依据所述特征关系矩阵对所述特征向量矩阵进行处理,确定与所述特征向量矩阵相对应的待使用特征矩阵,并基于所述待使用特征矩阵和所述特征关系矩阵,确定待处理关系矩阵;
矩阵更新单元,用于基于所述待处理关系矩阵更新所述特征关系矩阵,并基于所述待使用特征矩阵更新所述特征向量矩阵,重新执行确定与所述特征向量矩阵相对应的待使用特征矩阵,以及确定待处理关系矩阵的操作;
估值属性确定单元,用于基于所述待使用特征矩阵,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,所述矩阵确定单元,包括第一特征矩阵确定单元、第二特征矩阵确定单元、第三特征矩阵确定单元、第四特征矩阵确定单元、第五特征矩阵确定单元和待使用特征矩阵确定单元。
第一特征阵确定单元,用于依据所述特征关系矩阵,对所述特征向量矩阵进行行注意力处理,得到第一特征矩阵;
第二特征矩阵确定单元,用于基于所述第一特征矩阵和所述特征向量矩阵,确定第二特征矩阵;
第三特征矩阵确定单元,用于对所述第二特征矩阵进行列注意力处理,得到第三特征矩阵;
第四特征矩阵确定单元,用于基于所述第三特征矩阵和所述第二特征矩阵,确定第四特征矩阵;
第五特征矩阵确定单元,用于对所述第四特征矩阵进行线性变换,得到第五特征矩阵;
待使用特征矩阵确定单元,用于基于所述第四特征矩阵和所述第五特征矩阵,确定与所述特征向量矩阵相对应的待使用特征矩阵。
在上述装置的基础上,可选的,所述第一特征矩阵确定单元,包括注意力处理子单元、偏置项确定子单元、待使用向量确定子单元、输出向量确定子单元、目标向量确定子单元和第一特征矩阵确定子单元。
注意力处理子单元,用于在当前次的行注意力处理中,对于所述特征向量矩阵中的各特征向量,对当前特征向量进行注意力处理,得到与所述当前特征向量相对应的查询向量、键向量以及值向量;
偏置项确定子单元,用于基于所述特征关系矩阵中与所述当前特征向量对应的指标特征相关联的各关系向量,确定偏置项;
待使用向量确定子单元,用于基于与所述当前特征向量相对应的查询向量、键向量以及所述偏置项,确定待使用向量;
输出向量确定子单元,用于基于所述当前特征向量、所述待使用向量以及所述值向量,确定与所述当前特征向量相对应的输出向量;
目标向量确定子单元,用于基于多次的行注意力处理后得到的与所述当前特征向量相对应的输出向量,确定与所述当前特征向量相对应的目标向量;
第一特征矩阵确定子单元,用于基于与各所述特征向量相对应的目标向量,确定第一特征矩阵。
在上述装置的基础上,可选的,所述矩阵确定单元,包括待处理特征矩阵确定单元、第一关系矩阵确定单元、第二关系矩阵确定单元、第三关系矩阵确定单元、第四关系矩阵确定单元、第五关系矩阵确定单元、第六关系矩阵确定单元和待处理关系矩阵确定单元。
待处理特征矩阵确定单元,用于对所述待使用特征矩阵进行处理,得到待处理特征矩阵;
第一关系矩阵确定单元,用于基于所述待处理特征矩阵和所述特征关系矩阵,确定第一关系矩阵;
第二关系矩阵确定单元,用于对所述第一关系矩阵进行行注意力处理,得到第二关系矩阵;
第三关系矩阵确定单元,用于基于所述第一关系矩阵和所述第二关系矩阵,确定第三关系矩阵;
第四关系矩阵确定单元,用于对所述第三关系矩阵进行列注意力处理,得到第四关系矩阵;
第五关系矩阵确定单元,用于基于所述第三关系矩阵和所述第四关系矩阵,确定第五关系矩阵;
第六关系矩阵确定单元,用于对所述第五关系矩阵进行线性变换,得到第六关系矩阵;
待处理关系矩阵确定单元,用于基于所述第五关系矩阵和所述第六关系矩阵,确定待处理关系矩阵。
在上述装置的基础上,可选的,所述待处理特征矩阵确定单元,包括待平均向量确定子单元、待展平向量确定子单元、目标处理向量确定子单元和待处理特征矩阵确定子单元。
待平均向量确定子单元,用于对于所述待使用特征矩阵中同一行不同列的两个特征向量,对所述两个特征向量进行外积处理,得到待平均向量;
待展平向量确定子单元,用于对所述待平均向量按预设方向进行平均处理,得到待展平向量;
目标处理向量确定子单元,用于对所述待展平向量进行展平处理,得到与所述两个特征向量相对应的目标处理向量;
待处理特征矩阵确定子单元,用于基于各所述目标处理向量,得到待处理特征矩阵。
在上述装置的基础上,可选的,所述装置还包括:属性关系矩阵确定模块,所述属性关系矩阵确定模块包括估值维度确定单元、关系值确定单元和属性关系矩阵确定单元。
估值维度确定单元,用于确定多个估值维度;其中,每个所述估值维度中包括不同的估值指标;
关系值确定单元,用于不同估值维度下的估值指标之间的关系值为预设第一参数;同一估值维度下不同的估值指标之间的关系值为预设第二参数;同一估值指标的关系值为预设第三参数;其中,所述预设第一参数大于所述预设第二参数,所述预设第二参数大于所述预设第三参数;
属性关系矩阵确定单元,用于基于各所述关系值,生成属性关系矩阵。
本发明实施例所提供的基于交叉信息传递的估值装置可执行本发明任意实施例所提供的基于交叉信息传递的估值方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备10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5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,例如基于交叉信息传递的估值方法。
在一些实施例中,基于交叉信息传递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交叉信息传递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交叉信息传递的估值方法。
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)
1.一种基于交叉信息传递的估值方法,其特征在于,包括:
获取待估值企业的第一估值数据,并基于所述第一估值数据,确定与所述待估值企业相对应的对标企业;
基于所述第一估值数据以及与各所述对标企业相对应的第二估值数据,确定特征向量矩阵;
基于所述第一估值数据、与各所述对标企业相对应的第二估值数据以及预先确定的属性关系矩阵,确定特征关系矩阵;
基于所述特征向量矩阵和所述特征关系矩阵,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,所述基于所述第一估值数据,确定与所述待估值企业相对应的对标企业,包括:
获取至少两个待比对企业的第三估值数据;
基于所述第一估值数据和所述第三估值数据,从所述待比对企业中确定对标企业,并确定所述对标企业的第二估值数据。
3.根据权利要求1所述的方法,其特征在于,所述基于所述特征向量矩阵和所述特征关系矩阵,确定与所述待估值企业相对应的估值属性,包括:
依据所述特征关系矩阵对所述特征向量矩阵进行处理,确定与所述特征向量矩阵相对应的待使用特征矩阵,并基于所述待使用特征矩阵和所述特征关系矩阵,确定待处理关系矩阵;
基于所述待处理关系矩阵更新所述特征关系矩阵,并基于所述待使用特征矩阵更新所述特征向量矩阵,重新执行确定与所述特征向量矩阵相对应的待使用特征矩阵,以及确定待处理关系矩阵的操作;
基于所述待使用特征矩阵,确定与所述待估值企业相对应的估值属性。
4.根据权利要求3所述的方法,其特征在于,所述依据所述特征关系矩阵对所述特征向量矩阵进行处理,确定与所述特征向量矩阵相对应的待使用特征矩阵,包括:
依据所述特征关系矩阵,对所述特征向量矩阵进行行注意力处理,得到第一特征矩阵;
基于所述第一特征矩阵和所述特征向量矩阵,确定第二特征矩阵;
对所述第二特征矩阵进行列注意力处理,得到第三特征矩阵;
基于所述第三特征矩阵和所述第二特征矩阵,确定第四特征矩阵;
对所述第四特征矩阵进行线性变换,得到第五特征矩阵;
基于所述第四特征矩阵和所述第五特征矩阵,确定与所述特征向量矩阵相对应的待使用特征矩阵。
5.根据权利要求4所述的方法,其特征在于,所述依据所述特征关系矩阵,对所述特征向量矩阵进行行注意力处理,得到第一特征矩阵,包括:
在当前次的行注意力处理中,对于所述特征向量矩阵中的各特征向量,对当前特征向量进行注意力处理,得到与所述当前特征向量相对应的查询向量、键向量以及值向量;
基于所述特征关系矩阵中与所述当前特征向量对应的指标特征相关联的各关系向量,确定偏置项;
基于与所述当前特征向量相对应的查询向量、键向量以及所述偏置项,确定待使用向量;
基于所述当前特征向量、所述待使用向量以及所述值向量,确定与所述当前特征向量相对应的输出向量;
基于多次的行注意力处理后得到的与所述当前特征向量相对应的输出向量,确定与所述当前特征向量相对应的目标向量;
基于与各所述特征向量相对应的目标向量,确定第一特征矩阵。
6.根据权利要求3所述的方法,其特征在于,所述基于所述待使用特征矩阵和所述特征关系矩阵,确定待处理关系矩阵,包括:
对所述待使用特征矩阵进行处理,得到待处理特征矩阵;
基于所述待处理特征矩阵和所述特征关系矩阵,确定第一关系矩阵;
对所述第一关系矩阵进行行注意力处理,得到第二关系矩阵;
基于所述第一关系矩阵和所述第二关系矩阵,确定第三关系矩阵;
对所述第三关系矩阵进行列注意力处理,得到第四关系矩阵;
基于所述第三关系矩阵和所述第四关系矩阵,确定第五关系矩阵;
对所述第五关系矩阵进行线性变换,得到第六关系矩阵;
基于所述第五关系矩阵和所述第六关系矩阵,确定待处理关系矩阵。
7.根据权利要求6所述的方法,其特征在于,所述对所述待使用特征矩阵进行处理,得到待处理特征矩阵,包括:
对于所述待使用特征矩阵中同一行不同列的两个特征向量,对所述两个特征向量进行外积处理,得到待平均向量;
对所述待平均向量按预设方向进行平均处理,得到待展平向量;
对所述待展平向量进行展平处理,得到与所述两个特征向量相对应的目标处理向量;
基于各所述目标处理向量,得到待处理特征矩阵。
8.根据权利要求1所述的方法,其特征在于,还包括:
确定属性关系矩阵;其中,
所述确定属性关系矩阵,包括:
确定多个估值维度;其中,每个所述估值维度中包括不同的估值指标;
不同估值维度下的估值指标之间的关系值为预设第一参数;
同一估值维度下不同的估值指标之间的关系值为预设第二参数;
同一估值指标的关系值为预设第三参数;其中,所述预设第一参数大于所述预设第二参数,所述预设第二参数大于所述预设第三参数;
基于各所述关系值,生成属性关系矩阵。
9.一种基于交叉信息传递的估值装置,其特征在于,包括:
对标企业确定模块,用于获取待估值企业的第一估值数据,并基于所述第一估值数据,确定与所述待估值企业相对应的对标企业;
特征向量矩阵确定模块,用于基于所述第一估值数据以及与各所述对标企业相对应的第二估值数据,确定特征向量矩阵;
特征关系矩阵确定模块,用于基于所述第一估值数据、与各所述对标企业相对应的第二估值数据以及预先确定的属性关系矩阵,确定特征关系矩阵;
估值属性确定模块,用于基于所述特征向量矩阵和所述特征关系矩阵,确定与所述待估值企业相对应的估值属性。
10.一种电子设备,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1-8中任一项所述的基于交叉信息传递的估值方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311716021.9A CN117808342A (zh) | 2023-12-13 | 2023-12-13 | 基于交叉信息传递的估值方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311716021.9A CN117808342A (zh) | 2023-12-13 | 2023-12-13 | 基于交叉信息传递的估值方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117808342A true CN117808342A (zh) | 2024-04-02 |
Family
ID=90424252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311716021.9A Pending CN117808342A (zh) | 2023-12-13 | 2023-12-13 | 基于交叉信息传递的估值方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117808342A (zh) |
-
2023
- 2023-12-13 CN CN202311716021.9A patent/CN117808342A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | DeepTrader: a deep reinforcement learning approach for risk-return balanced portfolio management with market conditions Embedding | |
CN111737954B (zh) | 文本相似度确定方法、装置、设备和介质 | |
CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN115796310A (zh) | 信息推荐及模型训练方法、装置、设备和存储介质 | |
CN114782719B (zh) | 一种特征提取模型的训练方法、对象检索方法以及装置 | |
Liang | Optimization of quantitative financial data analysis system based on deep learning | |
CN114240555A (zh) | 训练点击率预测模型和预测点击率的方法和装置 | |
CN112908429A (zh) | 一种药物与靶点间的相关性确定方法、装置及电子设备 | |
CN112528159B (zh) | 一种特征质量评估方法、装置、电子设备及存储介质 | |
CN117333076A (zh) | 一种基于混合专家模型的估值方法、装置、设备及介质 | |
Zhang et al. | RSVRs based on feature extraction: a novel method for prediction of construction projects’ costs | |
CN116244619A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN117808342A (zh) | 基于交叉信息传递的估值方法、装置、设备及介质 | |
CN112559640B (zh) | 图谱表征系统的训练方法及装置 | |
CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
CN113361402B (zh) | 识别模型的训练方法、确定准确率的方法、装置和设备 | |
CN115018009B (zh) | 对象描述方法、网络模型的训练方法及装置 | |
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 | |
CN114331379B (zh) | 用于输出待办任务的方法、模型训练方法和装置 | |
CN116188875B (zh) | 图像分类方法、装置、电子设备、介质和产品 | |
CN117217777A (zh) | 一种基于对比学习的估值方法、装置、设备及介质 | |
Qiu | [Retracted] Systematic Risk Analysis of Semiconductor Global Market Based on Deep Feature Fusion K‐Means Algorithm | |
CN114282101A (zh) | 产品推荐模型的训练方法、装置、电子设备及存储介质 | |
CN117808545A (zh) | 基于注意力机制的多任务排序方法、装置、设备及介质 |
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 |