发明内容
基于此,有必要针对上述技术问题,提供一种能够提高交易安全性的分仓账户识别方法、装置、计算机设备和存储介质。
一种分仓账户方法,所述方法包括:
获取目标时间段内基于待识别账户进行数据操作所产生的操作记录信息;
根据所述操作记录信息计算得到分仓识别指标对应的指标值;
将计算所得的指标值输入神经元模型,以使所述神经元模型根据所述分仓识别指标对应的权重值对各所述指标值进行加权计算,并通过所述神经元模型的激活函数对加权计算所得的和值进行处理,得到所述待识别账户的识别分数;所述权重值包括预设权重值和变动权重值;所述变动权重值是根据所述分仓识别指标对应的指标值与目标指标值的比例所确定;所述激活函数是对初始激活函数的输出最大值和变化率进行调整后所得;
当所述识别分数大于分数阈值时,确定所述待识别账户为分仓账户。
在一个实施例中,所述分仓识别指标包括次数型指标和均值型指标;所述根据所述操作记录信息计算得到分仓识别指标对应的指标值包括:
当所述分仓识别指标为次数型指标时,根据所述操作记录信息统计所述待识别账户在所述目标时间段内触发所述分仓识别指标对应的识别条件的触发次数,并将所述触发次数作为所述分仓识别指标对应的指标值;
当所述分仓识别指标为均值型指标时,根据所述操作记录信息统计所述待识别账户对应的分仓识别指标在所述目标时间段内的指标均值,并将所述指标均值作为所述分仓识别指标对应的指标值。
在一个实施例中,所述权重值包括预设权重值和变动权重值;所述将计算所得的指标值输入神经元模型,以使所述神经元模型根据所述分仓识别指标对应的权重值对各所述指标值进行加权计算包括:
若所述指标值大于或等于目标指标值,则将计算所得的指标值输入神经元模型,以使所述神经元模型根据所述分仓识别指标对应的预设权重值对各所述指标值进行加权计算;
若所述指标值小于所述目标指标值,则将计算所得的指标值输入神经元模型,以使所述神经元模型根据所述分仓识别指标对应的变动权重值对各所述指标值进行加权计算。
在一个实施例中,所述方法还包括:
当所述分仓识别指标为次数型指标时,根据次数型权重确定函数确定所述变动权重值;
所述次数型权重确定函数为
,其中,D为所述变动权重值,
为所述指标值,
为根据所述分仓识别指标对应的触发阈值确定的参数;
当所述分仓识别指标为均值型指标时,根据均值型权重确定函数确定所述变动权重值;
所述均值型权重确定函数为
,其中,D为所述变动权重值,
为所述指标值与所述分仓识别指标对应的触发阈值间的比值。
在一个实施例中,所述初始激活函数为:
,其中,t为所述激活函数的输入变量。
一种分仓账户识别装置,所述装置包括:
获取模块,用于获取目标时间段内基于待识别账户进行数据操作所产生的操作记录信息;
指标值计算模块,用于根据所述操作记录信息计算得到分仓识别指标对应的指标值;
加权计算模块,用于将计算所得的指标值输入神经元模型,以使所述神经元模型根据所述分仓识别指标对应的权重值对各所述指标值进行加权计算,并通过所述神经元模型的激活函数对加权计算所得的和值进行处理,得到所述待识别账户的识别分数;所述权重值包括预设权重值和变动权重值;所述变动权重值是根据所述分仓识别指标对应的指标值与目标指标值的比例所确定;所述激活函数是对初始激活函数的输出最大值和变化率进行调整后所得;
确定模块,用于当所述识别分数大于分数阈值时,确定所述待识别账户为分仓账户。
在一个实施例中,所述分仓识别指标包括次数型指标和均值型指标;所述指标计算模块,还用于:
当所述分仓识别指标为次数型指标时,根据所述操作记录信息统计所述待识别账户在所述目标时间段内触发所述分仓识别指标对应的识别条件的触发次数,并将所述触发次数作为所述分仓识别指标对应的指标值;
当所述分仓识别指标为均值型指标时,根据所述操作记录信息统计所述待识别账户对应的分仓识别指标在所述目标时间段内的指标均值,并将所述指标均值作为所述分仓识别指标对应的指标值。
在一个实施例中,所述权重值包括预设权重值和变动权重值;所述加权计算模块,还用于:
若所述指标值大于或等于目标指标值,则将计算所得的指标值输入神经元模型,以使所述神经元模型根据所述分仓识别指标对应的预设权重值对各所述指标值进行加权计算;
若所述指标值小于所述目标指标值,则将计算所得的指标值输入神经元模型,以使所述神经元模型根据所述分仓识别指标对应的变动权重值对各所述指标值进行加权计算。
在一个实施例中,所述装置还包括:
所述确定模块,当所述分仓识别指标为次数型指标时,还用于根据次数型权重确定函数确定所述变动权重值;
所述次数型权重确定函数为
,其中,D为所述变动权重值,
为所述指标值,
为根据所述分仓识别指标对应的触发阈值确定的参数;
所述确定模块,当所述分仓识别指标为均值型指标时,还用于根据均值型权重确定函数确定所述变动权重值;
所述均值型权重确定函数为
,其中,D为所述变动权重值,
为所述指标值与所述分仓识别指标对应的触发阈值间的比值。
在一个实施例中,所述初始激活函数为:
,其中,t为所述激活函数的输入变量。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现所述分仓账户识别方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现所述分仓账户识别方法的步骤。
上述实施例中,服务器获取操作记录信息,并根据操作记录信息计算得到分仓识别指标对应的指标值。然后,服务器将计算所得的指标值输入神经元模型,以使神经元模型根据分仓识别指标对应的权重值对各指标值进行加权计算,以通过多个分仓识别指标对待识别账户是否是分仓账户进行综合判断,提高了识别的准确性。并且,服务器通过神经元模型的激活函数对加权计算所得的和值进行处理,以使最终所得的识别分数更加符合实际业务场景中分仓账户的真实情况,进一步提高了识别的准确性,从而提高了交易安全性。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的分仓账户识别方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。服务器104从终端102获取目标时间段内基于待识别账户进行数据操作所产生的操作记录信息,并根据操作记录信息计算得到分仓识别指标对应的指标值。然后服务器104将计算所得的指标值输入神经元模型,以使神经元模型根据分仓识别指标对应的权重值对各指标值进行加权计算,并通过神经元模型的激活函数对加权计算所得的和值进行处理,得到待识别账户的识别分数。当识别分数大于分数阈值时,服务器104确定待识别账户为分仓账户。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种分仓账户识别方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202,服务器获取目标时间段内基于待识别账户进行数据操作所产生的操作记录信息。
其中,待识别账户是用于进行资源交换的账户。待识别账户可以是通过资源交换客户端注册的账户,其中,资源交换客户端可以是安装在终端上的应用程序。
其中,数据操作包括资源交换操作、资源转移操作、资源申报操作等。操作记录信息是用于对数据操作进行记录的信息。例如,操所记录信息可以是委托流水信息、资源转移信息、资源转移后余额信息、进行数据操作的操作设备信息等。
例如,用户通过资源交换客户端注册了账户A,将账户A作为待识别账户,服务器获取基于账户A进行资源交换操作的资源转移信息,资源转移信息可以包括转移标的物数量、价格、资源转移时间等。
S204,服务器根据操作记录信息计算得到分仓识别指标对应的指标值。
其中,分仓识别指标是用于识别分仓账户的指标。其中,分仓账户是通过分仓软件从总帐户中分离出的子帐户,各个分仓账户可以接收用户发送的交易指令,并将交易指令发送至总账户以通过总帐户对交易指令进行处理。例如,对交易指令进行处理可以是服务器通过总帐户对交易指令进行委托报单。其中,分仓账户的表现特征包括持仓和交易数量高、持仓标的变动频繁、成交量大、在目标时段内对单一标的物进行大量反向交易、最高申报金额与最低申报金额之差较大、交易频繁且周转率高、个股买卖平衡度接近统计均值、持仓标的数随大盘指数的变化而变化、资源申报和资源转移的频率高。
其中,服务器配置的分仓识别指标包括:持仓标的数指标、交易标的数指标、持仓标的重合率指标、成交量指标、反向交易指标、申报量指标、交易周期指标、个股买卖平衡度指标、持仓标的数变化指标、资源申报及转移指标等。
服务器根据操作记录信息计算得到分仓识别指标对应的指标值,例如,服务器根据操作记录信息中的持仓标的数量信息计算得到持仓标的数指标的指标值。例如,操作记录信息包括持仓标的物种类信息,服务器根据时间段1和时间段2内产生的持仓标的物种类信息计算得到待识别账户在时间段1和时间段2内所持有标的物的重合率,所得到的重合率即为持仓标的重合率指标的指标值。
S206,服务器将计算所得的指标值输入神经元模型,以使神经元模型根据分仓识别指标对应的权重值对各指标值进行加权计算,并通过神经元模型的激活函数对加权计算所得的和值进行处理,得到待识别账户的识别分数;权重值包括预设权重值和变动权重值;变动权重值是根据分仓识别指标对应的指标值与目标指标值的比例所确定;激活函数是对初始激活函数的输出最大值和变化率进行调整后所得。
其中,神经元模型是用于对指标值进行数学计算的模型,例如可以是MP神经元模型。其中,激活函数是用于对加权计算所得的和值进行非线性映射的函数,包括Sigmoid函数、Tanh函数、Relu函数、Softmax函数等。
其中,初始激活函数的取值范围是[0,1],服务器对初始激活函数的输出最大值和变化率进行调整,例如,服务器可以分别调整初始激活函数的分子和分母上参数的系数。服务器将加权计算所得的和值输入激活函数,也就是将所得的和值作为激活函数的输入变量,通过激活函数将该输入变量映射为输出值。
其中,预设权重值是服务器预先设置的固定权重值,例如,服务器将该权重值设为1。变动权重值是服务器根据待识别账户对应的分仓识别指标的指标值设置的权重值。服务器可以根据分仓识别指标对应的指标值与目标指标值的比例确定变动权重值。
例如,如图3所示的神经元模型,
、
为各分仓识别指标的指标值,
、
为各分仓识别指标对应的权重值。服务器将
、
输入神经元模型,以使神经元模型根据权重值对各指标值进行加权计算,然后用激励函数对加权计算所得的和值进行映射,得到待识别账户的识别分数。
S208,当识别分数大于分数阈值时,服务器确定待识别账户为分仓账户。
其中,服务器可以针对各个待识别账户设置不同的分数阈值,或者也可以在不同的时间段对待识别账户对应的分数阈值进行调整。
在一个实施例中,服务器在确定待识别账户为分仓账户之后,产生报警信息。报警信息可以是视音频形式报警信息,也可以是文字形式报警信息。
上述实施例中,服务器获取操作记录信息,并根据操作记录信息计算得到分仓识别指标对应的指标值。然后,服务器将计算所得的指标值输入神经元模型,以使神经元模型根据分仓识别指标对应的权重值对各指标值进行加权计算,以通过多个分仓识别指标对待识别账户是否是分仓账户进行综合判断,提高了识别的准确性。并且,服务器通过神经元模型的激活函数对加权计算所得的和值进行处理,以使最终所得的识别分数更加符合实际业务场景中的变化情况,进一步提高了识别的准确性,从而提高了交易安全性。
在一个实施例中,分仓识别指标包括次数型指标和均值型指标;如图4所示,S204具体包括如下步骤:
S402,当分仓识别指标为次数型指标时,服务器根据操作记录信息统计待识别账户在目标时间段内触发分仓识别指标对应的识别条件的触发次数,并将触发次数作为分仓识别指标对应的指标值。
S404,当分仓识别指标为均值型指标时,服务器根据操作记录信息统计待识别账户对应的分仓识别指标在目标时间段内的指标均值,并将指标均值作为分仓识别指标对应的指标值。
其中,次数型指标是用于根据待识别账户在目标时间段内触发识别条件的次数对待识别账户是否是分仓账户进行识别的指标,例如,交易标的数指标、成交量指标等。其中,均值型指标是用于根据该指标在目标时间段内的统计均值对待识别账户是否是分仓账户进行识别的指标,例如,持仓标的重合率指标。
例如,操作记录信息为待识别账户所交易标的物数量信息,次数型指标为交易标的数指标,该交易标的数指标对应的识别条件为“交易标的数小于200”,若待识别账户在目标时间段内有15次交易的交易标的数超过了200(也即,有15次交易触发了识别条件),则待识别账户的交易标的数指标的指标值为15。
在一个实施例中,权重值包括预设权重值和变动权重值;将计算所得的指标值输入神经元模型,以使神经元模型根据分仓识别指标对应的权重值对各指标值进行加权计算包括:若指标值大于或等于目标指标值,则将计算所得的指标值输入神经元模型,以使神经元模型根据分仓识别指标对应的预设权重值对各指标值进行加权计算;若指标值小于目标指标值,则将计算所得的指标值输入神经元模型,以使神经元模型根据分仓识别指标对应的变动权重值对各指标值进行加权计算。
其中,预设权重值是服务器预先设置的固定权重值,例如,服务器将该权重值设为1。变动权重值是服务器根据待识别账户对应的分仓识别指标的指标值设置的权重值。
在一个实施例中,服务器根据对识别结果的影响程度确定各个分仓识别指标的权重值,所设置的权重值与该分仓识别指标对识别结果的影响程度成正比,并且服务器可以对各个分仓识别指标的权重值进行调整。
在一个实施例中,当待识别账户的分仓识别指标的指标值大于或等于目标指标值时,服务器将该分仓识别指标对应的权重值设置为固定权重值,例如,固定权重值可以是最高权重值1;当待识别账户的分仓识别指标的指标值小于目标指标值时,服务器将该分仓识别指标对应的权重值设置为变动权重值,例如,服务器可以根据分仓识别指标的指标值与目标指标值的比例确定变动权重值。
上述实施例中,服务器基于操作记录信息得到次数型指标和均值型指标的指标值,由于,操作记录信息为基于目标时间段内对待识别账户进行数据操作所得,所以,服务器对指标值的计算方式包含了数据操作在时间维度对待识别账户的影响,所得到的指标值更加准确,从而提高了识别结果的准确性。
在一个实施例中,当分仓识别指标为次数型指标时,根据次数型权重确定函数确定变动权重值;次数型权重确定函数为
,其中,D为变动权重值,
为指标值,
为根据分仓识别指标对应的触发阈值确定的参数;当分仓识别指标为均值型指标时,根据均值型权重确定函数确定变动权重值;均值型权重确定函数为
,其中,D为变动权重值,
为指标值与分仓识别指标对应的触发阈值间的比值。
其中,当待识别账户的指标值小于目标指标值时,若分仓识别指标为次数型指标,对于该次数型指标,服务器根据次数型权重确定函数确定该次数型指标对应的变动权重值;若分仓识别指标为均值型指标,对于该均值型指标,服务器根据均值型权重确定函数确定该均值型指标对应的变动权重值。
在一个实施例中,当分仓识别指标为次数型指标时,若待识别账户的指标值为0时,服务器将该次数型指标对应的变动权重值设置为0;若待识别账户的指标值大于0时,服务器根据次数型权重确定函数确定变动权重值;次数型权重确定函数为
,其中,D为变动权重值,
为指标值,
为根据分仓识别指标对应的触发阈值确定的参数。
在一个实施例中,服务器根据在次数型指标对应的触发条件中配置的触发阈值设置
。例如,次数型指标为交易标的数指标,交易标的数指标对应的触发条件为待识别账户在X天内的达标次数大于等于预设触发阈值,其中,达标次数为待识别账户在X天内所交易标的数大于预设阈值的次数,预设触发阈值例如可以是X/6。例如,当X=30时,预设触发阈值为X/6=5,若指标值p= X/6=5,服务器将
设置为1,则
,从而变动权重值为1。
在一个实施例中,均值型指标为持仓标的重合率指标,当待识别账户在目标时间段内的平均值为0时,服务器将该均值型指标对应的权重值设置为0;当待识别账户在目标时间段内的平均值大于0时,服务器根据均值型权重确定函数确定变动权重值。例如,当持仓标的重合率指标对应的触发条件为待识别账户在X天内的持仓标的重合率平均值大于或等于15,则15为触发条件对应的阈值,当待识别账户的指标值为10时,b=0.667,服务器根据公式
得到对应的变动权重。
在一个实施例中,如图3所示,当待识别账户的指标值小于目标指标值时,服务器根据次数型权重确定函数或均值型权重确定函数确定分仓识别指标对应的权重值,相当于对权重值增加偏置,用增加偏置后的权重值对指标值进行加权计算,使计算所得的和值更加准确,提高了识别结果的准确性。
上述实施例中,服务器将权重值分为预设权重值和变动权重值,当待识别账户的指标值大于或等于目标指标值时,用预设权重值对指标值进行加权计算;当待识别账户的指标值小于目标指标值时,用变动权重值对指标值进行加权计算。从而将未达到目标指标值的指标值也计入加权计算的结果,全面考虑了各待识别指标对识别结果的影响,识别结果更加准确。
在一个实施例中,激活函数是服务器对初始激活函数的输出最大值和变化率进行调整后得到的,初始激活函数为:
,其中,t为激活函数的输入变量。
其中,初始激活函数的取值范围是[0,1],服务器对初始激活函数的输出最大值和变化率进行调整,例如,服务器可以分别调整初始激活函数的分子和分母上参数的系数。服务器将加权计算所得的和值输入激活函数,也就是将所得的和值作为激活函数的输入变量,通过激活函数将该输入变量映射为输出值。
上述实施例中,服务器对初始激活函数进行调整,以改变激活函数的取值范围和变化率,从而通过激活函数对加权计算所得的和值进行映射所得的识别分数更加符合实际业务场景中分仓账户的真实情况,提高了识别的准确性,进一步的,提高了交易安全性。
应该理解的是,虽然图2、4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种分仓账户识别装置,包括:获取模块502、指标值计算模块504、加权计算模块506和确定模块508,其中:
获取模块502,用于获取目标时间段内基于待识别账户进行数据操作所产生的操作记录信息;
指标值计算模块504,用于根据操作记录信息计算得到分仓识别指标对应的指标值;
加权计算模块506,用于将计算所得的指标值输入神经元模型,以使神经元模型根据分仓识别指标对应的权重值对各指标值进行加权计算,并通过神经元模型的激活函数对加权计算所得的和值进行处理,得到待识别账户的识别分数;所述权重值包括预设权重值和变动权重值;所述变动权重值是根据所述分仓识别指标对应的指标值与目标指标值的比例所确定;所述激活函数是对初始激活函数的输出最大值和变化率进行调整后所得;
确定模块508,用于当识别分数大于分数阈值时,确定待识别账户为分仓账户。
上述实施例中,服务器获取操作记录信息,并根据操作记录信息计算得到分仓识别指标对应的指标值。然后,服务器将计算所得的指标值输入神经元模型,以使神经元模型根据分仓识别指标对应的权重值对各指标值进行加权计算,以通过多个分仓识别指标对待识别账户是否是分仓账户进行综合判断,提高了识别的准确性。并且,服务器通过神经元模型的激活函数对加权计算所得的和值进行处理,以使最终所得的识别分数更加符合实际业务场景中分仓账户的真实情况,进一步提高了识别的准确性,从而提高了交易安全性。
在一个实施例中,分仓识别指标包括次数型指标和均值型指标;指标计算模块504,还用于:
当分仓识别指标为次数型指标时,根据操作记录信息统计待识别账户在目标时间段内触发分仓识别指标对应的识别条件的触发次数,并将触发次数作为分仓识别指标对应的指标值;
当分仓识别指标为均值型指标时,根据操作记录信息统计待识别账户对应的分仓识别指标在目标时间段内的指标均值,并将指标均值作为分仓识别指标对应的指标值。
在一个实施例中,权重值包括预设权重值和变动权重值;加权计算模块506,还用于:
若指标值大于或等于目标指标值,则将计算所得的指标值输入神经元模型,以使神经元模型根据分仓识别指标对应的预设权重值对各指标值进行加权计算;
若指标值小于目标指标值,则将计算所得的指标值输入神经元模型,以使神经元模型根据分仓识别指标对应的变动权重值对各指标值进行加权计算。
在一个实施例中,装置还包括:
确定模块508,当分仓识别指标为次数型指标时,还用于根据次数型权重确定函数确定变动权重值;次数型权重确定函数为
,其中,D为变动权重值,
为指标值,
为根据分仓识别指标对应的触发阈值确定的参数;
确定模块508,当分仓识别指标为均值型指标时,还用于根据均值型权重确定函数确定变动权重值;均值型权重确定函数为
,其中,D为变动权重值,
为指标值与分仓识别指标对应的触发阈值间的比值。
在一个实施例中,初始激活函数为:
,其中,t为激活函数的输入变量。
关于分仓账户识别装置的具体限定可以参见上文中对于分仓账户识别方法的限定,在此不再赘述。上述分仓账户识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储分仓账户识别数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种分仓账户识别方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取目标时间段内基于待识别账户进行数据操作所产生的操作记录信息;根据操作记录信息计算得到分仓识别指标对应的指标值;将计算所得的指标值输入神经元模型,以使神经元模型根据分仓识别指标对应的权重值对各指标值进行加权计算,并通过神经元模型的激活函数对加权计算所得的和值进行处理,得到待识别账户的识别分数;权重值包括预设权重值和变动权重值;变动权重值是根据分仓识别指标对应的指标值与目标指标值的比例所确定;激活函数是对初始激活函数的输出最大值和变化率进行调整后所得;当识别分数大于分数阈值时,确定待识别账户为分仓账户。
在一个实施例中,分仓识别指标包括次数型指标和均值型指标;处理器执行计算机程序时还实现以下步骤:当分仓识别指标为次数型指标时,根据操作记录信息统计待识别账户在目标时间段内触发分仓识别指标对应的识别条件的触发次数,并将触发次数作为分仓识别指标对应的指标值;当分仓识别指标为均值型指标时,根据操作记录信息统计待识别账户对应的分仓识别指标在目标时间段内的指标均值,并将指标均值作为分仓识别指标对应的指标值。
在一个实施例中,权重值包括预设权重值和变动权重值;处理器执行计算机程序时还实现以下步骤:若指标值大于或等于目标指标值,则将计算所得的指标值输入神经元模型,以使神经元模型根据分仓识别指标对应的预设权重值对各指标值进行加权计算;若指标值小于目标指标值,则将计算所得的指标值输入神经元模型,以使神经元模型根据分仓识别指标对应的变动权重值对各指标值进行加权计算。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:当分仓识别指标为次数型指标时,根据次数型权重确定函数确定变动权重值;次数型权重确定函数为
,其中,D为变动权重值,
为指标值,
为根据分仓识别指标对应的触发阈值确定的参数;当分仓识别指标为均值型指标时,根据均值型权重确定函数确定变动权重值;均值型权重确定函数为
,其中,D为变动权重值,
为指标值与分仓识别指标对应的触发阈值间的比值。
在一个实施例中,初始激活函数为:
,其中,t为激活函数的输入变量。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取目标时间段内基于待识别账户进行数据操作所产生的操作记录信息;根据操作记录信息计算得到分仓识别指标对应的指标值;将计算所得的指标值输入神经元模型,以使神经元模型根据分仓识别指标对应的权重值对各指标值进行加权计算,并通过神经元模型的激活函数对加权计算所得的和值进行处理,得到待识别账户的识别分数;权重值包括预设权重值和变动权重值;变动权重值是根据分仓识别指标对应的指标值与目标指标值的比例所确定;激活函数是对初始激活函数的输出最大值和变化率进行调整后所得;当识别分数大于分数阈值时,确定待识别账户为分仓账户。
在一个实施例中,分仓识别指标包括次数型指标和均值型指标;计算机程序被处理器执行时还实现以下步骤:当分仓识别指标为次数型指标时,根据操作记录信息统计待识别账户在目标时间段内触发分仓识别指标对应的识别条件的触发次数,并将触发次数作为分仓识别指标对应的指标值;当分仓识别指标为均值型指标时,根据操作记录信息统计待识别账户对应的分仓识别指标在目标时间段内的指标均值,并将指标均值作为分仓识别指标对应的指标值。
在一个实施例中,权重值包括预设权重值和变动权重值;计算机程序被处理器执行时还实现以下步骤:若指标值大于或等于目标指标值,则将计算所得的指标值输入神经元模型,以使神经元模型根据分仓识别指标对应的预设权重值对各指标值进行加权计算;若指标值小于目标指标值,则将计算所得的指标值输入神经元模型,以使神经元模型根据分仓识别指标对应的变动权重值对各指标值进行加权计算。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:当分仓识别指标为次数型指标时,根据次数型权重确定函数确定变动权重值;次数型权重确定函数为
,其中,D为变动权重值,
为指标值,
为根据分仓识别指标对应的触发阈值确定的参数;当分仓识别指标为均值型指标时,根据均值型权重确定函数确定变动权重值;均值型权重确定函数为
,其中,D为变动权重值,
为指标值与分仓识别指标对应的触发阈值间的比值。
在一个实施例中,初始激活函数为:
,其中,t为激活函数的输入变量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。