CN116186020A - 特征信息处理方法、装置、电子设备和计算机可读介质 - Google Patents
特征信息处理方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN116186020A CN116186020A CN202310479432.4A CN202310479432A CN116186020A CN 116186020 A CN116186020 A CN 116186020A CN 202310479432 A CN202310479432 A CN 202310479432A CN 116186020 A CN116186020 A CN 116186020A
- Authority
- CN
- China
- Prior art keywords
- feature
- information
- target
- feature matrix
- matrix
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F12/00—Accessing, addressing or allocating within memory systems or architectures
- G06F12/02—Addressing or allocation; Relocation
- G06F12/08—Addressing or allocation; Relocation in hierarchically structured memory systems, e.g. virtual memory systems
- G06F12/0802—Addressing of a memory level in which the access to the desired data or data block requires associative addressing means, e.g. caches
- G06F12/0877—Cache access modes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Accounting & Taxation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Memory System Of A Hierarchy Structure (AREA)
Abstract
本公开的实施例公开了特征信息处理方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:根据目标虚拟物品对应的物品索引标签和特征构建时间段,确定目标虚拟物品对应的目标特征矩阵;确定目标虚拟物品在特征构建时间段内的物品流转特征矩阵;对目标特征矩阵和物品流转特征矩阵进行特征关联,得到关联后特征矩阵;确定预先构建的策略信息树中、与目标虚拟物品对应的策略信息,作为目标策略信息,得到目标策略信息集合;根据关联后特征矩阵和目标策略信息集合,生成针对目标虚拟物品的评价信息;将评价信息和关联后特征矩阵缓存至高速缓存中。该实施方式降低了缓存资源的占用以及缓存资源的浪费。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及特征信息处理方法、装置、电子设备和计算机可读介质。
背景技术
针对虚拟物品(如,股票,债券等),随着相关业务的不断开展,相应的数据的规模也在逐渐增大。如何将大体量的数据转换为标准化的数据特征,对于虚拟物品的分析评价尤为重要。目前,在进行数据特征处理时,通常采用的方式为:将数据全部加载至缓存中,并通过人工的方式进行数据特征梳理。
然而,发明人发现,当采用上述方式时,经常会存在如下技术问题:
第一,数据往往存在一定数据冗余,采用将全量数据加载至缓存的方式,随着数据体量的增加,占用的缓存资源也会增加,同时冗余数据也会造成缓存资源的浪费;
第二,数据特征的提取往往需要设置采集频率,当采集频率较高时,会导致数据体量极大,从而占用较多的存储资源;
第三,在进行虚拟物品推荐时,往往未结合受众的抗风险能力,导致无法针对虚拟物品进行精准推荐,以及推荐流量的有效分配。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了特征信息处理方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种特征信息处理方法,该方法包括:根据目标虚拟物品对应的物品索引标签和特征构建时间段,确定上述目标虚拟物品对应的目标特征矩阵,其中,上述目标特征矩阵包括随时间变化的多个特征向量;确定上述目标虚拟物品在上述特征构建时间段内的物品流转特征矩阵;对上述目标特征矩阵和上述物品流转特征矩阵进行特征关联,得到关联后特征矩阵;确定预先构建的策略信息树中、与上述目标虚拟物品对应的策略信息,作为目标策略信息,得到目标策略信息集合;根据上述关联后特征矩阵和上述目标策略信息集合,生成针对上述目标虚拟物品的评价信息,其中,上述评价信息包括:第一评价信息和第二评价信息;将上述评价信息和上述关联后特征矩阵缓存至高速缓存中。
第二方面,本公开的一些实施例提供了一种特征信息处理装置,装置包括:第一确定单元,被配置成根据目标虚拟物品对应的物品索引标签和特征构建时间段,确定上述目标虚拟物品对应的目标特征矩阵,其中,上述目标特征矩阵包括随时间变化的多个特征向量;第二确定单元,被配置成确定上述目标虚拟物品在上述特征构建时间段内的物品流转特征矩阵;特征关联单元,被配置成对上述目标特征矩阵和上述物品流转特征矩阵进行特征关联,得到关联后特征矩阵;第三确定单元,被配置成确定预先构建的策略信息树中、与上述目标虚拟物品对应的策略信息,作为目标策略信息,得到目标策略信息集合;生成单元,被配置成根据上述关联后特征矩阵和上述目标策略信息集合,生成针对上述目标虚拟物品的评价信息,其中,上述评价信息包括:第一评价信息和第二评价信息;缓存单元,被配置成将上述评价信息和上述关联后特征矩阵缓存至高速缓存中。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的特征信息处理方法,降低了冗余数据对于缓存资源的占用,提高了缓存资源的使用效率。具体来说,造成缓存资源存在浪费的原因在于:数据往往存在一定数据冗余,采用将全量数据加载至缓存的方式,随着数据体量的增加,占用的缓存资源也会增加,同时冗余数据也会造成缓存资源的浪费。基于此,本公开的一些实施例的特征信息处理方法,首先,根据目标虚拟物品对应的物品索引标签和特征构建时间段,确定上述目标虚拟物品对应的目标特征矩阵,其中,上述目标特征矩阵包括随时间变化的多个特征向量。实践中,由于虚拟产品数量众多,且虚拟产品所对应的特征数据随着时间变化也在不断增加,因此,需要根据虚拟物品对应的索引标签和特征构建时间段,来获取目标虚拟产品在特征构建时间段内的特征数据。以初步降低缓存资源的体量,以减少后续缓存资源的占用。其次,确定上述目标虚拟物品在上述特征构建时间段内的物品流转特征矩阵。实践中,虚拟产品往往对应有价值相关操作,因此需要确定在特征构建时间段内的物品流转特征矩阵。同时,通过特征构建时间段对物品流转特征的数据体量进行约束,进一步降低后续缓存资源的占用。接着,对上述目标特征矩阵和上述物品流转特征矩阵进行特征关联,得到关联后特征矩阵。通过特征关联,实现了特征矩阵的合并,以降低冗余信息的数量。进一步,确定预先构建的策略信息树中、与上述目标虚拟物品对应的策略信息,作为目标策略信息,得到目标策略信息集合。实践中,不同的虚拟物品往往对应的不同的策略信息,因此,需要获取目标虚拟物品对应的策略信息。接着,根据上述关联后特征矩阵和上述目标策略信息集合,生成针对上述目标虚拟物品的评价信息,其中,上述评价信息包括:第一评价信息和第二评价信息。由此,生成针对目标物品的评价信息。最后,将上述评价信息和上述关联后特征矩阵缓存至高速缓存中。实践中,考虑到评价信息往往对应有较高的访问频次,因此,将评价信息加载至高速缓存中,避免了从外存读取评价信息到高速缓存所存在的时间消耗。同时,相较于全量数据,关联后特征矩阵是经过冗余信息剔除的特征矩阵,数据体量远小于全量数据,因此,能够大幅度的降低缓存资源的占用,以及缓存资源的浪费。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的特征信息处理方法的一些实施例的流程图;
图2是策略信息树的树形结构示意图;
图3是根据本公开的特征信息处理装置的一些实施例的结构示意图;
图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
参考图1,示出了根据本公开的特征信息处理方法的一些实施例的流程100。该特征信息处理方法,包括以下步骤:
步骤101,根据目标虚拟物品对应的物品索引标签和特征构建时间段,确定目标虚拟物品对应的目标特征矩阵。
在一些实施例中,特征信息处理方法的执行主体(例如,计算设备)可以根据目标虚拟物品对应的物品索引标签和特征构建时间段,确定目标虚拟物品对应的目标特征矩阵。其中,目标虚拟物品可以是可执行价值相关操作的虚拟物品。实践中,目标虚拟物品可以是金融产品。例如,目标虚拟物品可以是但不限于以下任意一种:股票,债券,基金,期货,期权。例如,价值相关操作可以是买入操作。价值相关操作还可以是卖出操作。物品索引标签可以是用于标识虚拟物品唯一性的索引标签。实践中,物品索引标签可以由虚拟物品编号和价值相关操作可执行区域代码构成。具体的,价值相关操作可执行区域代码可以表征虚拟产品的交易市场代码。例如,物品索引标签可以是“600030.SH”,其中,“600030”为虚拟物品编号。“SH”为价值相关操作可执行区域代码。特征构建时间段可以是特征截取时间段。例如,特征构建时间段可以包括:起始时间和结束时间。又如,特征构建时间段可以由时间序列构成。如,特征构建时间段可以是[20230101,20230102,20230103]。目标特征矩阵可以包括随时间变化的多个特征向量。具体的,目标特征矩阵可以表征目标虚拟物品在特征构建时间段内的多个特征向量。特征向量可以由目标虚拟物品的基础属性构成。实践中,目标虚拟物品对应的基础属性可以包括但不限于以下至少一项:数据获取时间,物品索引标签,虚拟物品名称,发行机构名称,虚拟物品类型,交易市场名称,市场评级,虚拟物品估值,虚拟物品市净值,虚拟物品股息率。例如,特征向量可以是[“1681797326.0126445”,“600030.SH”,“600030”,“XX机构”,“股票”,“XX交易所”,“A股”,“19.9”,“1.23”,“37.02”]。
作为示例,首先,上述执行主体可以根据物品索引标签,检索出目标虚拟物品对应的全部特征向量。然后,当特征构建时间段包括:起始时间和结束时间时,上述执行主体可以将起始时间到结束时间作为时间范围,从目标虚拟物品对应的全部特征向量中筛选出对应的数据获取时间在特征构建时间段范围内的特征向量,并根据数据获取时间的先后顺序,构成上述目标特征矩阵。当特征构建时间段可以由时间序列构成时,上述执行主体可以依次确定时间序列中每个时间对应的特征向量,并根据数据获取时间的先后顺序,构成上述目标特征矩阵。
需要说明的是,上述计算设备可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。应该理解,计算设备的数目根据实现需要,可以具有任意数目。
在一些实施例的一些可选的实现方式中,上述根据目标虚拟物品对应的物品索引标签和特征构建时间段,确定上述目标虚拟物品对应的目标特征矩阵,可以包括以下步骤:
第一步,根据上述物品索引标签,确定预先构建的虚拟物品特征矩阵中的、与上述目标虚拟物品对应的特征向量,作为候选特征向量,得到候选特征向量序列。
其中,虚拟物品特征矩阵可以包括多个虚拟物品随时间变化的多个特征向量。实践中,上述执行主体可以以物品索引标签为检索词,从虚拟物品特征矩阵中检索出与上述目标虚拟物品对应的特征向量,作为候选特征向量,得到候选特征向量序列。其中,候选特征向量序列中的候选特征向量有序。
第二步,根据上述特征构建时间段,对上述候选特征向量序列进行向量区间截取,得到截取后候选特征向量序列。
作为示例,候选特征向量序列可以是[候选特征向量A,候选特征向量B,候选特征向量C,候选特征向量D]。候选特征向量A对应的数据获取时间可以是“20230101”。候选特征向量B对应的数据获取时间可以是“20230102”。候选特征向量C对应的数据获取时间可以是“20230103”。候选特征向量D对应的数据获取时间可以是“20230104”。特征构建时间段可以是[20230102,20230104]。因此,截取后候选特征向量序列可以是[候选特征向量B,候选特征向量C,候选特征向量D]。
第三步,根据上述截取后候选特征向量序列,生成上述目标特征矩阵。
其中,上述执行主体可以根据截取后候选特征向量序列中的截取后候选特征向量对应的数据获取时间的先后顺序,对截取后候选特征向量序列中的截取后候选特征向量进行矩阵化,得到上述目标特征矩阵。
作为示例,截取后候选特征向量序列可以是[候选特征向量B,候选特征向量C,候选特征向量D]。目标特征矩阵可以是[[候选特征向量B],[候选特征向量C],[候选特征向量D]]。
步骤102,确定目标虚拟物品在特征构建时间段内的物品流转特征矩阵。
在一些实施例中,上述执行主体可以确定目标虚拟物品在特征构建时间段内的物品流转特征矩阵。其中,物品流转特征矩阵可以表征目标虚拟物品随时间变化的多个价值相关操作特征向量。价值相关操作特征向量可以由目标虚拟物品的价值相关操作基础属性构成。实践中,价值相关操作基础属性可以包括但不限于以下至少一项:价值相关操作执行时间,物品索引标签,发行机构名称,发行部门名称,结算主体名称,交易账户账号,流通标识,虚拟物品持有状态,结算币种,数量,成本,盈亏值。
作为示例,首先,上述执行主体可以确定在特征构建时间段内的、目标虚拟物品执行价值相关操作时的价值相关操作基础属性的属性值,以得到多个价值相关操作特征向量,以及根据价值相关操作特征向量包括的价值相关操作执行时间的先后顺序,构建上述物品流转特征矩阵。
步骤103,对目标特征矩阵和物品流转特征矩阵进行特征关联,得到关联后特征矩阵。
在一些实施例中,上述执行主体可以对目标特征矩阵和物品流转特征矩阵进行特征关联,得到关联后特征矩阵。
作为示例,首先,上述执行主体可以将数据获取时间和价值相关操作执行时间相同的特征向量和价值相关操作特征向量进行拼接,得到候选关联后特征矩阵。然后,上述执行主体可以对候选关联后特征矩阵中的价值相关操作基础属性对应的属性值和基础属性对应的属性值进行属性值去重,以生成上述关联后特征矩阵。
在一些实施例的一些可选的实现方式中,上述执行主体对上述目标特征矩阵和上述物品流转特征矩阵进行特征关联,得到关联后特征矩阵,可以包括以下步骤:
在时间对齐的条件下,确定上述目标特征矩阵和上述物品流转特征矩阵的笛卡尔积,作为上述关联后特征矩阵。
作为示例,目标特征矩阵可以是矩阵A。物品流转特征矩阵可以是矩阵B。关联后特征矩阵可以是矩阵C。其中,矩阵C=矩阵A×矩阵B。
步骤104,确定预先构建的策略信息树中、与目标虚拟物品对应的策略信息,作为目标策略信息,得到目标策略信息集合。
在一些实施例中,上述执行主体可以确定预先构建的策略信息树中、与目标虚拟物品对应的策略信息,作为目标策略信息,得到目标策略信息集合。其中,策略信息树可以包括多个策略信息。上述执行主体可以根据策略信息的隶属关系或执行顺序,确定策略信息在策略信息树中的位置。策略信息可以表征虚拟物品执行价值相关操作时的执行策略。具体的,策略信息可以包括为达到价值相关操作目的、针对至少一个虚拟物品的至少一个价值相关操作。例如,目标策略信息可以包括:转股套利策略,期现套利策略。
作为示例,上述执行主体可以根据物品索引标识,对上述策略信息树进行策略信息检索,以得到上述目标策略信息集合。
可选地,策略信息树为多叉树。上述策略信息树中的树节点可以包括:策略信息和父节点标识。其中,父节点标识表征树节点的父节点的节点标识。上述目标策略信息集合中的目标策略信息对应的信息类型包括:第一信息类型和第二信息类型。其中,第一信息类型表征目标虚拟物品直接适用于策略信息。第二信息类型表征,第一信息类型的树节点至根节点之间路径上的树节点包括的策略信息的类型。
在一些实施例的一些可选的实现方式中,上述执行主体确定预先构建的策略信息树中、与上述目标虚拟物品对应的策略信息,作为目标策略信息,得到目标策略信息集合,可以包括以下步骤:
第一步,确定上述目标虚拟物品对应的判定条件组。
其中,判定条件组可以包括预先设置的、用于判定策略信息是否是适用于上述目标虚拟物品的判定条件。例如,上述执行主体可以从配置文件中读取目标虚拟物品对应的判定条件组。又如,上述执行主体还可以实时获取用户实时配置的、针对目标虚拟物品的判断条件组。
第二步,对于上述策略信息树中的每个策略信息,响应于确定上述策略信息满足上述判定条件组,将上述策略信息确定为目标策略信息。
其中,满足上述判定条件组的策略信息的信息类型为第一信息类型。
作为示例,如图2所示的策略信息树的树形结构示意图,其中,图2所示的策略信息树包括:策略信息A、策略信息B、策略信息C、策略信息D、策略信息E、策略信息F、策略信息G、策略信息H、策略信息I和策略信息J。其中,策略信息A对应的树节点为根节点。策略信息A对应的节点为策略信息B对应的树节点、策略信息C对应的树节点、策略信息D对应的树节点、策略信息E对应的树节点的父节点。策略信息C对应的树节点为策略信息F对应的树节点的父节点。策略信息F对应的树节点为策略信息G对应的树节点、策略信息H对应的树节点、策略信息I对应的树节点的父节点。策略信息H对应的树节点为策略信息J对应得树节点的父节点。策略信息J可以满足上述判定条件组,因此,目标策略信息可以是策略信息J,即策略信息J的信息类型为第一信息类型。
第二步,以上述目标策略信息集合中、信息类型为第一信息类型的目标策略信息对应的树节点为起始节点、上述策略信息树的根节点为结束节点,根据上述策略信息树中的树节点包括的父节点标识,对上述策略信息树进行递归回溯,得到目标策略信息。
其中,上述起始节点至上述结束节点对应路径上的树节点包括的策略信息的信息类型为第二信息类型。实践中,上述执行主体可以通过递归算法,对上述策略信息树进行递归回溯,得到目标策略信息。
作为示例,进一步参考图2,策略信息J对应的树节点可以是起始节点。策略信息A对应的树节点可以是结束节点。起始节点至结束节点的树路径上可以包括:策略信息A、策略信息C、策略信息F、策略信息H、策略信息J。其中,策略信息A、策略信息C、策略信息F、策略信息H的信息类型为第二信息类型。
步骤105,根据关联后特征矩阵和目标策略信息集合,生成针对目标虚拟物品的评价信息。
在一些实施例中,上述执行主体可以根据关联后特征矩阵和目标策略信息集合,生成针对目标虚拟物品的评价信息。其中,评价信息可以包括:第一评价信息和第二评价信息。第一评价信息可以表征对目标虚拟物品在特征构建时间段内的特征评价结果。第二评价信息可以表征目标虚拟物品对应的目标策略信息在特征构建时间段内的策略评价结果。
作为示例,上述执行主体可以根据关联后特征矩阵,确定目标虚拟物品在特征构建时间段内的资产特征总收益。当资产特征总收益大于资产特征总收益阈值时,生成正向评价的第一评价信息。当资产特征总收益小于等于资产特征总收益阈值时,生成负向评价的第一评价信息。
作为又一示例,对于目标策略信息集合中的每个目标策略信息,上述执行主体可以确定目标策略信息的收益率,当收益率大于基准收益率时,生成正向评价的第二评价信息。当收益率小于等于基准收益率时,生成负向评价的第二评价信息。具体的,上述执行主体还可以计算目标策略信息对应的跟踪误差,夏普比率,信息比率等,以生成用于评价目标策略谢谢你的第二评价信息。
在一些实施例的一些可选的实现方式中,上述执行主体根据上述关联后特征矩阵和上述目标策略信息集合,生成针对上述目标虚拟物品的评价信息,可以包括以下步骤:
第一步,根据上述关联后特征矩阵,确定上述目标虚拟物品在上述特征构建时间段内的价值属性净值。
实践中,价值属性净值可以表征目标虚拟物品在特征构建时间段内的净利润值。例如,上述执行主体可以将上述关联后特征矩阵包括的多个盈亏值的和确定为价值属性净值。
第二步,根据上述价值属性净值,确定上述第一评价信息。
作为示例,当价值属性净值大于价值属性净值阈值时,生成正向评价的第一评价信息。当价值属性净值小于等于价值属性净值阈值时,生成正向评价的第一评价信息。
第三步,对于上述目标策略信息集合中的每个目标策略信息,执行以下处理步骤:
第一子步骤,确定上述目标策略信息对应的基准评价曲线。
例如,基准评价曲线可以表征交易市场对应的基准业绩曲线。
第二子步骤,根据上述关联后特征矩阵,生成针对上述目标评价信息的特征曲线。
例如,上述执行主体可以根据关联后特征矩阵,确定执行目标策略信息策略后的实际业绩曲线,作为特征曲线。
第三子步骤,根据上述基准评价曲线和上述特征曲线,生成上述目标策略信息对应的第二评价信息。
例如,当特征曲线位于基准评价曲线上方时,生成正向评价的第二评价信息。当特征曲线位于基准评价曲线下方时,生成负向评价的第二评价信息。
步骤106,将评价信息和关联后特征矩阵缓存至高速缓存中。
在一些实施例中,上述执行主体可以将评价信息和关联后特征矩阵缓存至高速缓存中。其中,高速缓存可以是上述执行主体包括的内存。
可选地,上述方法还包括:
第一步,生成针对上述关联后特征矩阵的物品流转特征曲线。
其中,物品流转特征曲线可以表征目标虚拟物品在特征构建时间段内的盈亏值曲线。实践中,物品流转特征曲线的横轴对应时间。纵轴对应盈亏值。
第二步,确定上述物品流转特征曲线在上述特征构建时间段包括的每个特征构建采样点的曲线斜率,得到曲线斜率序列。
其中,特征构建采样点对应特征构建时间段包括的时间点。例如,特征构建时间段可以是[20230101,20230102,20230103,20230104]。则上述执行主体可以确定物品流转特征曲线中时间点为“20230101”对应的曲线斜率、物品流转特征曲线中时间点为“20230102”对应的曲线斜率、物品流转特征曲线中时间点为“20230103”对应的曲线斜率、物品流转特征曲线中时间点为“20230104”对应的曲线斜率,得到上述曲线斜率序列,其中,上述曲线斜率序列有序。
第三步,通过预先训练的目标预测模型包括的分割模型和上述曲线斜率序列,对上述关联后特征矩阵进行矩阵分割,得到分割后特征矩阵序列。
其中,上述分割模型是用于确定关联后特征矩阵的分割的模型。实践中,上述分割模型可以是包括:AE(Auto Encoder,自编码器)模型和判别模型。其中,判别模型可以是二分类模型。判别模型的分类结果可以包括:特征压缩分类结果和特征扩充分类结果。上述分割后特征矩阵序列包括:待特征压缩的分割后特征矩阵组和待特征扩充的分割后特征矩阵组。
作为示例,首先,上述执行主体可以通过分割模型,对曲线斜率序列中的曲线斜率进行聚类。例如,曲线斜率序列可以是[0.1,0.11,0.4,0.7]。则,“0.1”和“0.11”对应一个类中心。“0.4”对应一个类中心。“0.7”对应一个类中心。其中,“0.1”和“0.11”对应的类别标签为特征压缩分类结果。“0.4”对应的类别标签为特征扩充分类结果。“0.7”对应的类别标签为特征扩充分类结果。因此,上述执行主体可以将时间区间为[20230101,20230102]对应的子矩阵确定为待特征压缩的分割后特征矩阵。将时间为[20230103]对应的子矩阵确定为待特征扩充的分割后特征矩阵。将时间为[20230104]对应的子矩阵确定为待特征扩充的分割后特征矩阵。
第四步,通过上述目标预测模型包括的特征压缩模型,对上述待特征压缩的分割后特征矩阵组中的每个待特征压缩的分割后特征矩阵进行特征矩阵压缩,以生成压缩后特征矩阵,得到压缩后特征矩阵组。
实践中,上述特征压缩模型可以是FPN(Feature Pyramid Networks,特征金字塔网络)模型。
第五步,通过上述目标预测模型包括的特征扩充模型,对上述待特征扩充的分割后特征矩阵组中的每个待特征扩充的分割后特征矩阵进行特征矩阵扩充,以生成扩充后特征矩阵,得到扩充后特征矩阵组。
实践中,特征扩充模型可以是特征插样模型。具体的,对于待特征扩充的分割后特征矩阵中的每两个相邻的特征向量,上述特征扩充模型可以根据两个相邻的特征向量,确定均值特征向量,并将均值特征向量***两个相邻的特征向量之间。
作为示例,两个相邻的特征向量可以是特征向量A和特征向量B,其中,均值特征向量=(特征向量A+特征向量B)/2。
第六步,通过上述目标预测模型包括的特征融合模型,对上述压缩后特征矩阵组和上述扩充后特征矩阵组进行特征融合,得到融合后特征矩阵。
其中,特征融合模型用于将压缩后特征矩阵和扩充后特征矩阵,依时序进行拼接,得到上述融合后特征矩阵。
作为示例,压缩后特征矩阵组包括压缩后特征矩阵A。扩充后特征矩阵组包括扩充后特征矩阵B和扩充后特征矩阵C。其中,压缩后特征矩阵A对应的时间区间为[20230101,20230102]。扩充后特征矩阵B对应的时间为[20230103]。扩充后特征矩阵C对应的时间为[20230104]。
第七步,将上述融合后特征矩阵输入上述目标预测模型包括的时序型预测模型,生成针对上述目标虚拟物品的预测物品流转信息。
其中,时序型预测模型可以是RNN(Recurrent Neural Network,循环神经网络)模型。预测物品流转信息可以表征目标虚拟物品的预测流转量或预测盈亏值。
上述第一步至第七步,作为本公开的一个发明点,解决了背景技术提及的技术问题二,即“数据特征的提取往往需要设置采集频率,当采集频率较高时,会导致数据体量极大,从而占用较多的存储资源”。实践中,可以以天为采集频率进行数据特征的采集,也可以以更小的采集频率如小时进行数据特征的采集。但上述两种方式均为设置固定的采样频率,进行数据特征采样。而虚拟物品对应的数据特征的变化往往具有不确定性,即,可能在较大的时间尺度内数据变化不明显,或在较小的时间尺度内频繁变化,由此可以发现,固定采集频率可能会导致数据特征过采样,从而导致数据特征的体量极大,由此占用较多的存储资源。也可能导致数据特征采样不足,从而导致得到的数据特征无法表征目标虚拟物品的变化情况。因此,本公开设计了分割模型,以根据物品流转曲线的变化情况,对物品流转曲线变化较缓、变化较多对应的矩阵进行分割,即针对变化较缓部分对应的矩阵,可以理解为数据特征波动不明显,可以进行特征压缩,针对变化较多部分对应的矩阵,可以理解为数据特征波动明显,可以进行特征扩充,以突出特征变化细节。接着,通过上述目标预测模型包括的特征压缩模型,对上述待特征压缩的分割后特征矩阵组中的每个待特征压缩的分割后特征矩阵进行特征矩阵压缩,以生成压缩后特征矩阵。以及,通过上述目标预测模型包括的特征扩充模型,对上述待特征扩充的分割后特征矩阵组中的每个待特征扩充的分割后特征矩阵进行特征矩阵扩充,以生成扩充后特征矩阵,得到扩充后特征矩阵组。进一步,通过上述目标预测模型包括的特征融合模型,对上述压缩后特征矩阵组和上述扩充后特征矩阵组进行特征融合,得到融合后特征矩阵。以此得到依时序拼接得到的融合后特征矩阵。最后,将上述融合后特征矩阵输入上述目标预测模型包括的时序型预测模型,生成针对上述目标虚拟物品的预测物品流转信息。考虑到融合后特征矩阵为典型的包含时序特征的矩阵,因此设计了时序型预测模型进行预测物品流转信息的生成。通过此种方式解决了固定采集频率所造成的数据特征的体量和质量不稳定的问题,即当数据特征体量较大时,可以进行特征压缩,以减少存储资源占用。当数据体量较小时,可以进行特征扩充,以使得更好的表征目标虚拟物品的特征变化,使得生成的融合后特征矩阵能够好地表达目标虚拟物品的特征变化,侧面提高了预测的准确性。
可选地,上述方法还包括:
第一步,通过预先训练的推荐评价信息生成模型包括的特征粗提取模型,对上述关联后特征矩阵进行特征粗提取,得到特征粗提取后特征矩阵。
其中,特征粗提取模型可以复用目标预测模型包括的:分割模型、特征压缩模型和特征扩充模型。
第二步,通过上述推荐评价信息生成模型包括的特征细提取模型,对上述特征粗提取后特征矩阵进行特征细提取,得到特征细提取后特征矩阵。
其中,特征细提取模型可以是LSTM(Long short-term memory,长短时记忆)模型。
第三步,将上述预测物品流转信息和上述特征细提取后特征矩阵输入上述推荐评价信息生成模型包括的推荐度确定模型,生成针对上述目标虚拟物品的推荐评价信息。
其中,推荐评价信息包括:推荐度数值和推荐风险等级。实践中,推荐度数值可以是推荐风险等级对应的准确率。具体的,上述推荐度确定模型可以是残差神经网络模型。
第四步,确定初始对象信息集合。
其中,上述初始对象信息集合中的初始对象信息包括:对象画像和对象标识。实践中,上述执行主体可以从预先构建的用户画像库中,获取上述初始对象信息集合。
第五步,对于上述初始对象信息集合中的每个初始对象信息,根据上述初始对象信息包括的对象画像和预先训练的抗风险能力预测模型,确定上述初始对象信息对应对象的抗风险能力信息。
其中,抗风险能力信息表征初始对象信息对应对象的抗风险能力,具体可以通过抗风险能力等级表征。抗风险能力预测模型包括:图神经网络模型和分类层。分类层的结果为抗风险能力等级。
第六步,从上述初始对象信息集合中筛选出对应的抗风险能力信息与上述推荐风险等级匹配的初始对象信息,作为候选对象信息,得到候选对象信息集合。
第七步,根据上述推荐度数值,确定上述目标虚拟物品的推荐流量。
实践中,首先,上述执行主体可以根据上述推荐度数值,可以确定目标虚拟物品在待推荐虚拟物品序列中的位置。然后,上述执行主体可以将总推荐流量自待推荐虚拟物品序列的开始位置进行衰减式的推荐流量分配,当分配至目标虚拟物品时,将分配的推荐流量,确定为上述目标虚拟物品的推荐流量。
第八步,对于上述候选对象信息集合中的每个候选对象信息,根据上述候选对象信息包括的抗风险能力信息,确定推荐权重。
实践中,上述执行主体可以根据预先配置的抗风险能力-推荐权重映射表,确定推荐权重。
第九步,根据得到的推荐权重集合和推荐流量,确定上述候选对象信息集合中的每个候选对象信息对应的推荐子流量。
作为示例,推荐权重集合包括:推荐权重A、推荐权重B和推荐权重C。候选对象信息A对应的推荐权重A,则候选对象信息A对应的推荐子流量=推荐流量×(推荐权重A)/(推荐权重A+推荐权重B+推荐权重C)。
第十步,对于上述候选对象信息集合中的每个候选对象信息,向与上述候选对象信息包括的对象标识绑定的终端推送目标推荐信息。
其中,上述目标推荐信息是对上述目标虚拟物品进行物品介绍的信息。上述目标推荐信息的信息推荐流量与上述候选对象信息对应的推荐子流量相同。
上述第一步至第十步,作为本公开的一个发明点,解决了背景技术提及的技术问题三,即“在进行虚拟物品推荐时,往往未结合受众的抗风险能力,导致无法针对虚拟物品进行精准推荐,以及推荐流量的有效分配”。基于此,首先,本公开通过预先训练的推荐评价信息生成模型包括的特征粗提取模型,对上述关联后特征矩阵进行特征粗提取,得到特征粗提取后特征矩阵,以达到特征粗提取的目的,与此同时,考虑到目标预测模型包括的分割模型、特征压缩模型和特征扩充模型能够达到特征粗提取的目的,同时模型复用也可以降低模型的训练资源(如,计算资源)的消耗和模型使用成本,因此,本公开的特征提取模型可以复用目标预测模型包括的分割模型、特征压缩模型和特征扩充模型。其次,通过上述推荐评价信息生成模型包括的特征细提取模型,对上述特征粗提取后特征矩阵进行特征细提取,得到特征细提取后特征矩阵,以达到特征细提取,以及降低特征维度和体量的目的。接着,将上述预测物品流转信息和上述特征细提取后特征矩阵输入上述推荐评价信息生成模型包括的推荐度确定模型,生成针对上述目标虚拟物品的推荐评价信息。以此得到准确的推荐评价信息。进一步,确定初始对象信息集合,其中,上述初始对象信息集合中的初始对象信息包括:对象画像和对象标识。接着,对于上述初始对象信息集合中的每个初始对象信息,根据上述初始对象信息包括的对象画像和预先训练的抗风险能力预测模型,确定上述初始对象信息对应对象的抗风险能力信息。由此实现对对象的抗风险能力的确定。此外,从上述初始对象信息集合中筛选出对应的抗风险能力信息与上述推荐风险等级匹配的初始对象信息,作为候选对象信息,得到候选对象信息集合。接着,根据上述推荐度数值,确定上述目标虚拟物品的推荐流量。实践中,当推荐度较低,但分配较多的推荐流量时,会造成流量浪费,当推荐度较高,但分配较少的推荐流量时,会造成虚拟物品的曝光度较低。因此,需要结合目标虚拟物品的推荐度数值,确定相应的推荐流量。除此之外,对于上述候选对象信息集合中的每个候选对象信息,根据上述候选对象信息包括的抗风险能力信息,确定推荐权重,以及根据得到的推荐权重集合和推荐流量,确定上述候选对象信息集合中的每个候选对象信息对应的推荐子流量。实践中,不同的对象的抗风险能力不同,即针对相同的虚拟物品的接受能力往往不同,例如,采用均分式的流量分配也会造成推荐流量的浪费。最后,对于上述候选对象信息集合中的每个候选对象信息,向与上述候选对象信息包括的对象标识绑定的终端推送目标推荐信息,其中,上述目标推荐信息是对上述目标虚拟物品进行物品介绍的信息,上述目标推荐信息的信息推荐流量与上述候选对象信息对应的推荐子流量相同。由此实现了虚拟物品进行精准推荐,以及推荐流量的有效分配。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的特征信息处理方法,降低了冗余数据对于缓存资源的占用,提高了缓存资源的使用效率。具体来说,造成缓存资源存在浪费的原因在于:数据往往存在一定数据冗余,采用将全量数据加载至缓存的方式,随着数据体量的增加,占用的缓存资源也会增加,同时冗余数据也会造成缓存资源的浪费。基于此,本公开的一些实施例的特征信息处理方法,首先,根据目标虚拟物品对应的物品索引标签和特征构建时间段,确定上述目标虚拟物品对应的目标特征矩阵,其中,上述目标特征矩阵包括随时间变化的多个特征向量。实践中,由于虚拟产品数量众多,且虚拟产品所对应的特征数据随着时间变化也在不断增加,因此,需要根据虚拟物品对应的索引标签和特征构建时间段,来获取目标虚拟产品在特征构建时间段内的特征数据。以初步降低缓存资源的体量,以减少后续缓存资源的占用。其次,确定上述目标虚拟物品在上述特征构建时间段内的物品流转特征矩阵。实践中,虚拟产品往往对应有价值相关操作,因此需要确定在特征构建时间段内的物品流转特征矩阵。同时,通过特征构建时间段对物品流转特征的数据体量进行约束,进一步降低后续缓存资源的占用。接着,对上述目标特征矩阵和上述物品流转特征矩阵进行特征关联,得到关联后特征矩阵。通过特征关联,实现了特征矩阵的合并,以降低冗余信息的数量。进一步,确定预先构建的策略信息树中、与上述目标虚拟物品对应的策略信息,作为目标策略信息,得到目标策略信息集合。实践中,不同的虚拟物品往往对应的不同的策略信息,因此,需要获取目标虚拟物品对应的策略信息。接着,根据上述关联后特征矩阵和上述目标策略信息集合,生成针对上述目标虚拟物品的评价信息,其中,上述评价信息包括:第一评价信息和第二评价信息。由此,生成针对目标物品的评价信息。最后,将上述评价信息和上述关联后特征矩阵缓存至高速缓存中。实践中,考虑到评价信息往往对应有较高的访问频次,因此,将评价信息加载至高速缓存中,避免了从外存读取评价信息到高速缓存所存在的时间消耗。同时,相较于全量数据,关联后特征矩阵是经过冗余信息剔除的特征矩阵,数据体量远小于全量数据,因此,能够大幅度的降低缓存资源的占用,以及缓存资源的浪费。
进一步参考图3,作为对上述各图所示方法的实现,本公开提供了一种特征信息处理装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该特征信息处理装置具体可以应用于各种电子设备中。
如图3所示,一些实施例的特征信息处理装置300包括:第一确定单元301、第二确定单元302、特征关联单元303、第三确定单元304、生成单元305和缓存单元306。其中,第一确定单元301,被配置成根据目标虚拟物品对应的物品索引标签和特征构建时间段,确定上述目标虚拟物品对应的目标特征矩阵,其中,上述目标特征矩阵包括随时间变化的多个特征向量;第二确定单元302,被配置成确定上述目标虚拟物品在上述特征构建时间段内的物品流转特征矩阵;特征关联单元303,被配置成对上述目标特征矩阵和上述物品流转特征矩阵进行特征关联,得到关联后特征矩阵;第三确定单元304,被配置成确定预先构建的策略信息树中、与上述目标虚拟物品对应的策略信息,作为目标策略信息,得到目标策略信息集合;生成单元305,被配置成根据上述关联后特征矩阵和上述目标策略信息集合,生成针对上述目标虚拟物品的评价信息,其中,上述评价信息包括:第一评价信息和第二评价信息;缓存单元306,被配置成将上述评价信息和上述关联后特征矩阵缓存至高速缓存中。
可以理解的是,该特征信息处理装置300中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于特征信息处理装置300及其中包含的单元,在此不再赘述。
下面参考图4,其示出了适于用来实现本公开的一些实施例的电子设备(例如,计算设备)400的结构示意图。图4示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器402中的程序或者从存储装置408加载到随机访问存储器403中的程序而执行各种适当的动作和处理。在随机访问存储器403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、只读存储器402以及随机访问存储器403通过总线404彼此相连。输入/输出接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从只读存储器402被安装。在该计算机程序被处理装置401执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:根据目标虚拟物品对应的物品索引标签和特征构建时间段,确定上述目标虚拟物品对应的目标特征矩阵,其中,上述目标特征矩阵包括随时间变化的多个特征向量;确定上述目标虚拟物品在上述特征构建时间段内的物品流转特征矩阵;对上述目标特征矩阵和上述物品流转特征矩阵进行特征关联,得到关联后特征矩阵;确定预先构建的策略信息树中、与上述目标虚拟物品对应的策略信息,作为目标策略信息,得到目标策略信息集合;根据上述关联后特征矩阵和上述目标策略信息集合,生成针对上述目标虚拟物品的评价信息,其中,上述评价信息包括:第一评价信息和第二评价信息;将上述评价信息和上述关联后特征矩阵缓存至高速缓存中。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、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、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/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操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一确定单元、第二确定单元、特征关联单元、第三确定单元、生成单元和缓存单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第二确定单元还可以被描述为“确定上述目标虚拟物品在上述特征构建时间段内的物品流转特征矩阵的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种特征信息处理方法,包括:
根据目标虚拟物品对应的物品索引标签和特征构建时间段,确定所述目标虚拟物品对应的目标特征矩阵,其中,所述目标特征矩阵包括随时间变化的多个特征向量;
确定所述目标虚拟物品在所述特征构建时间段内的物品流转特征矩阵;
对所述目标特征矩阵和所述物品流转特征矩阵进行特征关联,得到关联后特征矩阵;
确定预先构建的策略信息树中、与所述目标虚拟物品对应的策略信息,作为目标策略信息,得到目标策略信息集合;
根据所述关联后特征矩阵和所述目标策略信息集合,生成针对所述目标虚拟物品的评价信息,其中,所述评价信息包括:第一评价信息和第二评价信息;
将所述评价信息和所述关联后特征矩阵缓存至高速缓存中。
2.根据权利要求1所述的方法,其中,所述根据目标虚拟物品对应的物品索引标签和特征构建时间段,确定所述目标虚拟物品对应的目标特征矩阵,包括:
根据所述物品索引标签,确定预先构建的虚拟物品特征矩阵中的、与所述目标虚拟物品对应的特征向量,作为候选特征向量,得到候选特征向量序列;
根据所述特征构建时间段,对所述候选特征向量序列进行向量区间截取,得到截取后候选特征向量序列;
根据所述截取后候选特征向量序列,生成所述目标特征矩阵。
3.根据权利要求2所述的方法,其中,所述策略信息树为多叉树,所述策略信息树中的树节点包括:策略信息和父节点标识,所述目标策略信息集合中的目标策略信息对应的信息类型包括:第一信息类型和第二信息类型;以及
所述确定预先构建的策略信息树中、与所述目标虚拟物品对应的策略信息,作为目标策略信息,得到目标策略信息集合,包括:
确定所述目标虚拟物品对应的判定条件组;
对于所述策略信息树中的每个策略信息,响应于确定所述策略信息满足所述判定条件组,将所述策略信息确定为目标策略信息,其中,满足所述判定条件组的策略信息的信息类型为第一信息类型;
以所述目标策略信息集合中、信息类型为第一信息类型的目标策略信息对应的树节点为起始节点、所述策略信息树的根节点为结束节点,根据所述策略信息树中的树节点包括的父节点标识,对所述策略信息树进行递归回溯,得到目标策略信息,其中,所述起始节点至所述结束节点对应路径上的树节点包括的策略信息的信息类型为第二信息类型。
4.根据权利要求3所述的方法,其中,所述根据所述关联后特征矩阵和所述目标策略信息集合,生成针对所述目标虚拟物品的评价信息,包括:
根据所述关联后特征矩阵,确定所述目标虚拟物品在所述特征构建时间段内的价值属性净值;
根据所述价值属性净值,确定所述第一评价信息;
对于所述目标策略信息集合中的每个目标策略信息,执行以下处理步骤:
确定所述目标策略信息对应的基准评价曲线;
根据所述关联后特征矩阵,生成针对所述评价信息的特征曲线;
根据所述基准评价曲线和所述特征曲线,生成所述目标策略信息对应的第二评价信息。
5.根据权利要求4所述的方法,其中,所述对所述目标特征矩阵和所述物品流转特征矩阵进行特征关联,得到关联后特征矩阵,包括:
在时间对齐的条件下,确定所述目标特征矩阵和所述物品流转特征矩阵的笛卡尔积,作为所述关联后特征矩阵。
6.一种特征信息处理装置,包括:
第一确定单元,被配置成根据目标虚拟物品对应的物品索引标签和特征构建时间段,确定所述目标虚拟物品对应的目标特征矩阵,其中,所述目标特征矩阵包括随时间变化的多个特征向量;
第二确定单元,被配置成确定所述目标虚拟物品在所述特征构建时间段内的物品流转特征矩阵;
特征关联单元,被配置成对所述目标特征矩阵和所述物品流转特征矩阵进行特征关联,得到关联后特征矩阵;
第三确定单元,被配置成确定预先构建的策略信息树中、与所述目标虚拟物品对应的策略信息,作为目标策略信息,得到目标策略信息集合;
生成单元,被配置成根据所述关联后特征矩阵和所述目标策略信息集合,生成针对所述目标虚拟物品的评价信息,其中,所述评价信息包括:第一评价信息和第二评价信息;
缓存单元,被配置成将所述评价信息和所述关联后特征矩阵缓存至高速缓存中。
7.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至5中任一所述的方法。
8.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310479432.4A CN116186020B (zh) | 2023-04-28 | 2023-04-28 | 特征信息处理方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310479432.4A CN116186020B (zh) | 2023-04-28 | 2023-04-28 | 特征信息处理方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116186020A true CN116186020A (zh) | 2023-05-30 |
CN116186020B CN116186020B (zh) | 2023-07-04 |
Family
ID=86452737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310479432.4A Active CN116186020B (zh) | 2023-04-28 | 2023-04-28 | 特征信息处理方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116186020B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170243295A1 (en) * | 2016-02-22 | 2017-08-24 | AlphaVee Solutions Ltd. | Graphical user interface for displaying dynamic strategies |
CN108280104A (zh) * | 2017-02-13 | 2018-07-13 | 腾讯科技(深圳)有限公司 | 目标对象的特征信息提取方法及装置 |
CN111597356A (zh) * | 2020-05-27 | 2020-08-28 | 上海乂学教育科技有限公司 | 智能化教育知识图谱构建***与方法 |
CN112632397A (zh) * | 2021-01-04 | 2021-04-09 | 同方知网(北京)技术有限公司 | 基于多类型学术成果画像及混合推荐策略的个性化推荐方法 |
CN113435960A (zh) * | 2021-06-04 | 2021-09-24 | 北京沃东天骏信息技术有限公司 | 虚拟物品显示方法、装置、电子设备和计算机可读介质 |
TW202247079A (zh) * | 2021-05-27 | 2022-12-01 | 鄭匡祐 | 投資交易系統 |
-
2023
- 2023-04-28 CN CN202310479432.4A patent/CN116186020B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170243295A1 (en) * | 2016-02-22 | 2017-08-24 | AlphaVee Solutions Ltd. | Graphical user interface for displaying dynamic strategies |
CN108280104A (zh) * | 2017-02-13 | 2018-07-13 | 腾讯科技(深圳)有限公司 | 目标对象的特征信息提取方法及装置 |
CN111597356A (zh) * | 2020-05-27 | 2020-08-28 | 上海乂学教育科技有限公司 | 智能化教育知识图谱构建***与方法 |
CN112632397A (zh) * | 2021-01-04 | 2021-04-09 | 同方知网(北京)技术有限公司 | 基于多类型学术成果画像及混合推荐策略的个性化推荐方法 |
TW202247079A (zh) * | 2021-05-27 | 2022-12-01 | 鄭匡祐 | 投資交易系統 |
CN113435960A (zh) * | 2021-06-04 | 2021-09-24 | 北京沃东天骏信息技术有限公司 | 虚拟物品显示方法、装置、电子设备和计算机可读介质 |
Non-Patent Citations (3)
Title |
---|
LEVAN EFREMIDZE ET AL.: "Entropy trading strategies reveal inefficiencies in Japanese stock market", 《INTERNATIONAL REVIEW OF ECONOMICS & FINANCE》, pages 464 - 477 * |
王哲 等: "面向监管报送数据治理的元数据血缘图谱研究", 《中国金融电脑》, pages 58 - 62 * |
韩博阳: "基于中国股票股价关联效应的量化投资策略研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》, pages 159 - 227 * |
Also Published As
Publication number | Publication date |
---|---|
CN116186020B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113393306A (zh) | 产品推荐方法、装置、电子设备及计算机可读介质 | |
CN111127214A (zh) | 资产组合的方法和装置 | |
CN112836128A (zh) | 信息推荐方法、装置、设备和存储介质 | |
US20210349920A1 (en) | Method and apparatus for outputting information | |
CN116186020B (zh) | 特征信息处理方法、装置、电子设备和计算机可读介质 | |
CN111259975B (zh) | 分类器的生成方法及装置、文本的分类方法及装置 | |
CN112948584A (zh) | 短文本分类方法、装置、设备以及存储介质 | |
CN111754984B (zh) | 文本选取的方法、装置、设备和计算机可读介质 | |
CN111582456B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN112860999A (zh) | 信息推荐方法、装置、设备和存储介质 | |
US11734602B2 (en) | Methods and systems for automated feature generation utilizing formula semantification | |
CN113111133A (zh) | 用户分类的方法和装置 | |
CN113284027A (zh) | 团伙识别模型的训练方法、异常团伙识别方法及装置 | |
CN111783808A (zh) | 用于生成信息的方法和装置 | |
CN116823407B (zh) | 产品信息推送方法、装置、电子设备和计算机可读介质 | |
US11880765B2 (en) | State-augmented reinforcement learning | |
CN117077982B (zh) | 项目物资调度方法、装置、电子设备和可读介质 | |
CN116384945B (zh) | 一种项目管理方法和*** | |
CN117689252A (zh) | 数据产品相关信息存储方法、装置、设备和介质 | |
CN118211858A (zh) | 层级信息生成方法、装置、设备、介质和程序产品 | |
CN117520410A (zh) | 业务数据处理方法、装置、电子设备和计算机可读介质 | |
CN117951517A (zh) | 节点分类模型的训练方法、装置、电子设备及存储介质 | |
CN118014601A (zh) | 对象价值信息发送方法、装置、设备和计算机可读介质 | |
CN114911925A (zh) | 一种区块链地址分类方法和装置 | |
CN116975580A (zh) | 一种信息评估方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |