CN118014601A - 对象价值信息发送方法、装置、设备和计算机可读介质 - Google Patents

Abstract

本公开的实施例公开了对象价值信息发送方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括：获取对象资产信息、业务相关信息、对象投入信息和价值流转信息；生成资产价值评价信息、至少一个业务信息组、投入量级信息和流转量级信息；生成第一对象价值预测信息；获取历史对象资产信息序列、历史业务相关信息序列、历史对象价值投入信息序列和历史价值流转信息序列；生成第二对象价值预测信息；生成针对当前时间下的对象价值预测信息；对对象价值预测信息进行预测信息校验，以生成校验结果；将校验结果和对象价值预测信息发送至对象价值展示端。该实施方式可以准确、高效地生产针对价值流转对象的对象价值预测信息。

Description

对象价值信息发送方法、装置、设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及对象价值信息发送方法、装置、设备和计算机可读介质。

背景技术

目前，在各种领域中，价值流转对象的体现价值的确定成为当前主要发展方向之一。对于价值流转对象的对象价值信息的确定，通常采用的方式为：首先，获取价值流转对象在当前时间段的各项资产情况和价值变化数据。然后，通过相关专家，人为根据各项资产情况和价值变化数据，来分析价值流转对象对应的对象价值信息。

然而，当采用上述方式，经常会存在如下技术问题一：

相关专家确定对象价值信息存在片面性，导致所确定的对象价值信息不够精准、且不够高效。

在采用技术方案来解决上述技术问题一的过程中，往往又会伴随着如下技术问题二如何基于评价信息来精准地生成对象价值预测信息。针对上述技术问题二，常规的解决方案一般是：直接基于评价信息对应的评价特征来生成后续的对象价值预测信息。然而，上述常规解决方案依然存在如下问题：直接基于评价信息对应的评价特征来生成后续的对象价值预测信息，存在特征计算量较大的问题。

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对象价值信息发送方法、装置、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对象价值信息发送方法，包括：获取价值流转对象在当前时间下的对象资产信息、业务相关信息、对象投入信息和价值流转信息；生成针对上述对象资产信息的资产价值评价信息、上述业务相关信息对应的至少一个业务信息组、上述对象投入信息对应的投入量级信息和价值流转信息对应的流转量级信息，其中，业务信息组包括：业务信息对应的业务级别信息和业务信息对应的业务运转评价信息；根据上述对象资产信息、上述资产价值评价信息、上述至少一个业务信息组、上述对象投入信息、上述投入量级信息、上述价值流转信息和上述流转量级信息，利用流转对象价值预测信息生成模型，生成第一对象价值预测信息；获取价值流转对象对应的、目标历史时间段内的历史对象资产信息序列、历史业务相关信息序列、历史对象价值投入信息序列和历史价值流转信息序列；生成针对上述历史对象资产信息序列、上述历史业务相关信息序列、上述历史对象价值投入信息序列和上述历史价值流转信息序列的第二对象价值预测信息；根据上述第一对象价值预测信息和上述第二对象价值预测信息，生成针对当前时间下的对象价值预测信息；对上述对象价值预测信息进行预测信息校验，以生成校验结果；将上述校验结果和上述对象价值预测信息发送至对象价值展示端。

第二方面，本公开的一些实施例提供了一种对象价值信息发送装置，包括：第一获取单元，被配置成获取价值流转对象在当前时间下的对象资产信息、业务相关信息、对象投入信息和价值流转信息；第一生成单元，被配置成生成针对上述对象资产信息的资产价值评价信息、上述业务相关信息对应的至少一个业务信息组、上述对象投入信息对应的投入量级信息和价值流转信息对应的流转量级信息，其中，业务信息组包括：业务信息对应的业务级别信息和业务信息对应的业务运转评价信息；第二生成单元，被配置成根据上述对象资产信息、上述资产价值评价信息、上述至少一个业务信息组、上述对象投入信息、上述投入量级信息、上述价值流转信息和上述流转量级信息，利用流转对象价值预测信息生成模型，生成第一对象价值预测信息；第二获取单元，被配置成获取价值流转对象对应的、目标历史时间段内的历史对象资产信息序列、历史业务相关信息序列、历史对象价值投入信息序列和历史价值流转信息序列；第三生成单元，被配置成生成针对上述历史对象资产信息序列、上述历史业务相关信息序列、上述历史对象价值投入信息序列和上述历史价值流转信息序列的第二对象价值预测信息；第四生成单元，被配置成根据上述第一对象价值预测信息和上述第二对象价值预测信息，生成针对当前时间下的对象价值预测信息；校验单元，被配置成对上述对象价值预测信息进行预测信息校验，以生成校验结果；发送单元，被配置成将上述校验结果和上述对象价值预测信息发送至对象价值展示端。

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如第一方面中任一实现方式描述的方法。

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如第一方面中任一实现方式描述的方法。

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对象价值信息发送方法，可以准确、高效地生产针对价值流转对象的对象价值预测信息。具体来说，造成相关的对象价值预测信息不够精确、高效的原因在于：相关专家确定对象价值信息存在片面性，导致所确定的对象价值信息不够精准、且不够高效。基于此，本公开的一些实施例的对象价值信息发送方法，首先，获取价值流转对象在当前时间下的对象资产信息、业务相关信息、对象投入信息和价值流转信息，以作为基础数据集，来用于后续对象价值信息的生成。然后，生成针对上述对象资产信息的资产价值评价信息、上述业务相关信息对应的至少一个业务信息组、上述对象投入信息对应的投入量级信息和价值流转信息对应的流转量级信息。其中，业务信息组包括：业务信息对应的业务级别信息和业务信息对应的业务运转评价信息。在这里，通过生成资产价值评价信息、至少一个业务信息组、投入量级信息和流转量级信息，便于后续从数据评价和数据量级归类的角度来获取更多的、有用于后续生成对象价值信息的特征信息，保障对象价值信息的生成精准性。接着，根据上述对象资产信息、上述资产价值评价信息、上述至少一个业务信息组、上述对象投入信息、上述投入量级信息、上述价值流转信息和上述流转量级信息，利用流转对象价值预测信息生成模型，可以精准、高效地生成第一对象价值预测信息。在这里，通过利用流转对象价值预测信息生成模型，在考虑较多角度的特征信息的情况下，可以准确地生成第一对象价值预测信息。进而，获取价值流转对象对应的、目标历史时间段内的历史对象资产信息序列、历史业务相关信息序列、历史对象价值投入信息序列和历史价值流转信息序列，以从历史基础数据集的角度上，来预测后续对象价值信息。进一步地，可以精准地生成针对上述历史对象资产信息序列、上述历史业务相关信息序列、上述历史对象价值投入信息序列和上述历史价值流转信息序列的第二对象价值预测信息。再接着，根据上述第一对象价值预测信息和上述第二对象价值预测信息，通过多角度条件下生成的多个对象价值预测信息来进行综合考虑，可以准确地生成针对当前时间下的对象价值预测信息。紧接着，对上述对象价值预测信息进行预测信息校验，以生成校验结果，以保障所生成对象机制预测信息的可靠性。最后，将上述校验结果和上述对象价值预测信息发送至对象价值展示端。综上，通过多角度条件下生成的多个对象价值预测信息来进行综合考虑，可以准确地生成针对当前时间下的对象价值预测信息。

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是根据本公开的对象价值信息发送方法的一些实施例的流程图；

图2是根据本公开的对象价值信息发送装置的一些实施例的结构示意图；

图3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对象价值信息发送方法的一些实施例的流程100。该对象价值信息发送方法，包括以下步骤：

步骤101，获取价值流转对象在当前时间下的对象资产信息、业务相关信息、对象投入信息和价值流转信息。

在一些实施例中，上述对象价值信息发送方法的执行主体可以通过有线连接方式或者无线连接方式来获取价值流转对象在当前时间下的对象资产信息、业务相关信息、对象投入信息和价值流转信息。其中，上述价值流转对象可以是进行价值流转的对象。实践中，针对征信场景，价值流转可以是交易来往。对应价值流转对象可以是具有交易来往的商户。商户可以是个人商户，也可以是企业商户。具体不再限定。对象资产信息可以是对象对应的资产信息。实践中，对象资产信息可以是商户的账户可用资金数额，业务相关信息可以是价值流转对象正在进行的各个业务的相关信息。实践中，业务相关信息可以包括：业务信息和业务关联主体信息。对象投入信息可以是价值流转对象所投入的价值付出信息。实践中，针对征信场景，对象投入信息可以是商户在当前时间下所投资的各个项目所付出的资金预估值。价值流转信息可以是价值流转对象所带来的价值收获信息。实践中，针对征信场景，价值流转信息可以是商户所带来的利润。

步骤102，生成针对上述对象资产信息的资产价值评价信息、上述业务相关信息对应的至少一个业务信息组、上述对象投入信息对应的投入量级信息和价值流转信息对应的流转量级信息。

在一些实施例中，上述执行主体可以生成针对上述对象资产信息的资产价值评价信息、上述业务相关信息对应的至少一个业务信息组、上述对象投入信息对应的投入量级信息和价值流转信息对应的流转量级信息。其中，资产价值评价信息可以是对对象资产信息进行资产评价的信息。例如，资产价值评价信息可以是：“价值流转对象剩余资产处于红线”。业务信息组包括：业务信息对应的业务级别信息和业务信息对应的业务运转评价信息。至少一个业务信息组中的业务信息组与至少一个业务信息中的业务信息存在一一对应关系。至少一个业务信息可以是价值流转对象所关联的至少一个业务对应的业务信息。业务级别信息可以表征业务信息的重要程度。业务级别信息越高，表征业务信息对应业务越重要。实践中，可以将业务级别分为10级，级别越高，表征业务越重要。业务运转评价信息可以表征业务当前运转情况。例如，业务运转评价信息可以是“业务当前运转不佳，存在业务丢失的风险”。投入量级信息可以表征对象投入信息对应的投入量级。投入量级信息对应数值越高，表征所投入的量级越高。流转量级信息可以是表征价值流转信息对应的流转量级。流转量级信息数值越大，表征所带来的利润量级越高。

步骤103，根据上述对象资产信息、上述资产价值评价信息、上述至少一个业务信息组、上述对象投入信息、上述投入量级信息、上述价值流转信息和上述流转量级信息，利用流转对象价值预测信息生成模型，生成第一对象价值预测信息。

在一些实施例中，上述执行主体可以根据上述对象资产信息、上述资产价值评价信息、上述至少一个业务信息组、上述对象投入信息、上述投入量级信息、上述价值流转信息和上述流转量级信息，利用流转对象价值预测信息生成模型，生成第一对象价值预测信息。其中，流转对象价值预测信息生成模型可以是生成流转对象价值预测信息的神经网络模型。流转对象价值预测信息可以是预测当前时间下价值流转对象对应的对象价值信息。对象价值信息可以表征价值流转对象所能体现的价值信息。实践中，对象价值信息可以是价值流转对象所能带来的利润信息，还可以是价值流转对象对应的潜在社会价值。

在一些实施例的一些可选的实现方式中，上述根据上述对象资产信息、上述资产价值评价信息、上述至少一个业务信息组、上述对象投入信息、上述投入量级信息、上述价值流转信息和上述流转量级信息，利用流转对象价值预测信息生成模型，生成第一对象价值预测信息，可以包括以下步骤：

第一步，对上述对象资产信息进行向量转换，以生成对象资产向量。其中，对象资产向量可以表征对象资产信息对应数值语义信息。

作为示例，上述执行主体可以利用独热编码来对上述对象资产信息进行向量转换，以生成对象资产向量。

第二步，对上述至少一个业务信息组中的至少一个业务级别信息进行向量转换，以生成至少一个业务级别向量。其中，至少一个业务级别向量中的业务级别向量与至少一个业务级别信息中的业务级别信息存在一一对应关系。业务级别向量可以表征对应业务级别信息的数字特征信息。

作为示例，上述执行主体可以利用独热编码来对上述至少一个业务信息组中的至少一个业务级别信息进行向量转换，以生成至少一个业务级别向量。

第三步，对上述对象投入信息进行向量转换，以生成对象投入向量。其中，对象投入向量可以表征对象投入信息对应的投入特征信息。

作为示例，上述执行主体可以通过词嵌入模型，对上述对象投入信息进行向量转换，以生成对象投入向量。其中，对象投入向量可以表征对象投入信息对应的投入特征信息。

第四步，对上述价值流转信息进行向量转换，以生成价值流转向量。价值流转向量可以表征价值流转信息对应的流转特征信息。具体实现方式不再赘述。

第五步，依据目标向量拼接方式，对上述对象资产向量、上述至少一个业务级别向量、上述对象投入向量和价值流转向量进行拼接，以生成第一拼接向量。其中，目标向量拼接方式可以是对象资产向量在最左侧、至少一个业务级别向量在对象资产向量的右侧、对象投入向量在至少一个业务级别向量的右侧、且价值流转向量在最后侧的拼接方式。

第六步，提取针对上述第一拼接向量的、表征各位置向量之间关联关系的第一关联关系向量，得到至少一个第一关联关系向量。其中，上述至少一个第一关联关系向量包括：表征上述对象资产向量与上述至少一个业务级别向量之间语义关系的关联关系向量、表征上述对象资产向量与上述对象投入向量之间语义关系的关联关系向量、表征上述对象资产向量与上述价值流转向量之间语义关系的关联关系向量、表征上述对象投入向量与上述至少一个业务级别向量之间语义关系的关联关系向量、表征价值流转向量与上述至少一个业务级别向量之间语义关系的关联关系向量、表征上述对象投入向量与上述价值流转向量之间语义关系的关联关系向量。

作为示例，上述执行主体可以利用多层串联连接的卷积神经网络模型，来提取针对上述第一拼接向量的、表征各位置向量之间关联关系的第一关联关系向量，得到至少一个第一关联关系向量。

第七步，将上述第一拼接向量输入至上述流转对象价值预测信息生成模型包括的第一注意力机制模型，以生成第一注意力信息。其中，第一注意力机制模型可以是提取第一拼接向量中的、用于后续生成第一对象价值预测信息的特征信息的注意力特征信息。第一注意力信息可以是向量形式的信息，表征第一拼接向量中的、用于后续生成第一对象价值预测信息的特征信息。第一注意力机制模型可以是Transformer模型中的多头注意力机制模型。

第八步，将上述至少一个第一关联关系向量输入至上述流转对象价值预测信息生成模型包括的第二注意力机制模型，以生成第二注意力信息。其中，第二注意力机制模型可以是提取至少一个第一关联关系向量中的、用于后续生成第一对象价值预测信息的特征信息的注意力特征信息。第二注意力信息可以是向量形式的信息，表征至少一个第一关联关系向量中的、用于后续生成第一对象价值预测信息的特征信息。第二注意力机制模型可以是Transformer模型中的多头注意力机制模型。

第九步，将上述第一注意力信息和上述第二注意力信息输入至上述流转对象价值预测信息生成模型包括的多层串联连接的卷积神经网络，以生成第一注意力关联信息。其中，第一注意力关联信息可以表征第一注意力信息和第二注意力信息之间的关联特征信息。第一注意力关联信息可以是向量形式的信息。

第十步，将上述第一注意力关联信息输入至上述流转对象价值预测信息生成模型包括的全连接层，以输出第一注意力关联系数。其中，第一注意力关联系数可以是0-1之间的数值。第一注意力关联系数越大，表征上述第一注意力信息和上述第二注意力信息之间的特征信息越密切。

第十一步，响应于确定上述第一注意力关联系数大于目标数值，将上述第一注意力信息和上述第二注意力信息输入至上述流转对象价值预测信息生成模型包括的第一对象价值预测向量生成模型，以生成第一初始对象价值预测向量。其中，目标数值可以是预先设置的数值。例如，目标数值可以是0.5。第一对象价值预测向量生成模型可以是seq2seq模型。

第十二步，对上述资产价值评价信息进行向量转换，以生成资产价值评价向量。其中，资产价值评价向量可以表征资产价值评价信息对应资产价值语义特征信息。具体实现方式不再赘述。

第十三步，对上述至少一个业务信息组中的至少一个业务运转评价信息进行向量转换，以生成至少一个业务运转评价向量。其中，至少一个业务运转评价向量中的业务运转评价向量与至少一个业务运转评价信息中的业务运转评价信息存在一一对应关系。业务运转评价向量可以表征业务运转评价信息的运转评价语义特征信息。

第十四步，对上述投入量级信息进行向量转换，以生成投入量级向量。其中，投入量级向量可以表征投入量级信息的投入量级语义特征信息。

第十五步，对上述流转量级信息进行向量转换，以生成流转量级向量。其中，流转量级向量可以表征流转量级信息的流转量级语义特征信息。

第十六步，依据上述目标向量拼接方式，对上述资产价值评价向量、上述至少一个业务运转评价向量、上述投入量级向量和上述流转量级向量进行拼接，以生成第二拼接向量。具体第二拼接向量的生成方式可以参见第一拼接向量的生成。

第十七步，提取针对上述第二拼接向量的、表征各位置向量之间关联关系的关联关系向量，得到至少一个第二关联关系向量。其中，上述至少一个第二关联关系向量包括：表征上述资产价值评价向量与上述至少一个业务运转评价向量之间语义关系的关联关系向量、表征上述资产价值评价向量与上述投入量级向量之间语义关系的关联关系向量、表征上述资产价值评价向量与上述流转量级向量之间语义关系的关联关系向量、表征上述至少一个业务运转评价向量与上述投入量级向量之间语义关系的关联关系向量、表征至少一个业务运转评价向量与上述流转量级向量之间语义关系的关联关系向量、表征上述投入量级向量与上述流转量级向量之间语义关系的关联关系向量。至少一个第二关联关系向量的生成可以参见至少一个第一关联关系向量的生成。

第十八步，将上述第二拼接向量输入至上述流转对象价值预测信息生成模型包括的第三注意力机制模型，以生成第三注意力信息。第三注意力机制模型可以参见第一注意力机制模型的解释。

第十九步，将上述至少一个第二关联关系向量输入至上述流转对象价值预测信息生成模型包括的第四注意力机制模型，以生成第四注意力信息。第四注意力机制模型可以参见第二注意力机制模型的解释。

第二十步，将上述第三注意力信息和上述第四注意力信息输入至上述流转对象价值预测信息生成模型包括的多层串联连接的卷积神经网络，以生成第二注意力关联信息。第二注意力关联信息可以参见第一注意力关系信息的生成。

第二十一步，将上述第二注意力关联信息输入至上述流转对象价值预测信息生成模型包括的全连接层，以输出第二注意力关联系数。第二注意力关联系数可以参见第一注意力关系系数的生成。

第二十二步，响应于确定上述第二注意力关联系数大于目标数值，将上述第三注意力信息和上述第四注意力信息输入至上述流转对象价值预测信息生成模型包括的第二对象价值预测向量生成模型，以生成第二初始对象价值预测向量。

第二十三步，根据上述第一初始对象价值预测向量和上述第二初始对象价值预测向量，生成上述第一对象价值预测信息。

作为示例，首先，上述执行主体可以将第一初始对象价值预测向量和上述第二初始对象价值预测向量进行向量拼接，以生成第三拼接向量。然后，将上述第三拼接向量输入至多层串联连接的循环神经网络模型中，以生成第一对象价值预测信息。

在一些实施例的一些可选的实现方式中，步骤还包括：

第一步，响应于确定上述第一注意力关联系数小于或等于上述目标数值、或上述第二注意力关联系数小于或等于上述目标数值，将上述第一注意力信息输入至上述流转对象价值预测信息生成模型包括的第三对象价值预测向量生成模型，以生成第三初始对象价值预测向量。

第三对象价值预测向量生成模型可以是seq2seq模型。

第二步，将上述第三注意力信息输入至上述流转对象价值预测信息生成模型包括的第四对象价值预测向量生成模型，以生成第四初始对象价值预测向量。第四对象价值预测向量生成模型可以是seq2seq模型。

第三步，根据上述第三对象价值预测向量和上述第四初始对象价值预测向量，生成上述第一对象价值预测信息。

作为示例，首先，上述执行主体可以将上述第三对象价值预测向量和上述第四初始对象价值预测向量进行向量拼接，得到第四拼接向量。然后，将第四拼接向量输入至多层串联连接的循环神经网络模型中，以生成第一对象价值预测信息。

考虑到上述常规解决方案的问题，面对上述技术问题二：直接基于评价信息对应的评价特征来生成后续的对象价值预测信息，存在特征计算量较大的问题。结合所拥有的优势/技术现状，可以决定采用如下解决方案。

在一些实施例的一些可选的实现方式中，上述根据上述对象资产信息、上述资产价值评价信息、上述至少一个业务信息组、上述对象投入信息、上述投入量级信息、上述价值流转信息和上述流转量级信息，利用流转对象价值预测信息生成模型，生成第一对象价值预测信息，可以包括以下步骤：

第一步，将上述对象资产信息、上述业务相关信息、上述对象投入信息和上述价值流转信息输入至上述流转对象价值预测信息生成模型，以生成候选对象价值预测信息。

第二步，确定上述候选对象价值预测信息对应的资产价值评价标准信息、至少一个业务标准信息组、投入量级标准信息和流转量级标准信息。其中，资产价值评价标准信息可以是在候选对象价值预测信息下，对价值流转对象在资产价值评价方面的标准评价信息。至少一个业务标准信息组可以是在候选对象价值预测信息下，对价值流转对象在业务信息方面的标准业务信息。投入量级标准信息可以是在候选对象价值预测信息下，对价值流转对象在投入量级方面的标准投入量级信息。流转量级标准信息可以是在候选对象价值预测信息下，对价值流转对象在流转量级方面的标准流转量级信息。

第三步，确定上述资产价值评价标准信息与上述资产价值评价信息之间的信息差是否小于第一数值、至少一个业务信息组与至少一个业务标准信息组之间的信息差是否小于第二数值、投入量级信息与投入量级标准信息之间的信息差是否小于第三数值、以及流转量级信息与流转量级标准信息之间的信息差是否小于第四数值。

第四步，响应于确定信息差大于或等于第一数值、且信息差大于或等于第二数值，将上述对象资产信息和上述资产价值评价信息进行信息绑定，得到第一绑定信息，以及将至少一个业务信息组和业务相关信息进行信息绑定，得到第二绑定信息。

第五步，将第一绑定信息、第二绑定信息、上述对象投入信息和上述价值流转信息输入至上述流转对象价值预测信息生成模型，以生成第一对象价值预测信息。

第六步，响应于确定信息差大于或等于第二数值、信息差大于或等于第二数值、且信息差大于或等于第三数值，将上述对象资产信息和上述资产价值评价信息进行信息绑定，得到第一绑定信息，以及将至少一个业务信息组和业务相关信息进行信息绑定，得到第二绑定信息，以及将对象投入信息和投入量级标准信息进行信息绑定，得到第三绑定信息。

第七步，将第一绑定信息、第二绑定信息、第三绑定信息和价值流转信息输入至上述流转对象价值预测信息生成模型，以生成第一对象价值预测信息。

上述在一些实施例的一些可选的实现方式中以及可选的内容，作为本公开的一个发明点，解决了背景技术二提及的技术问题“直接基于评价信息对应的评价特征来生成后续的对象价值预测信息，存在特征计算量较大的问题”。基于此，首先，本公开，首先，通过直接将上述对象资产信息、上述业务相关信息、上述对象投入信息和上述价值流转信息输入至上述流转对象价值预测信息生成模型，以准确地生成候选对象价值预测信息。然后，通过确定候选对象价值预测信息对应的资产价值评价标准信息、至少一个业务标准信息组、投入量级标准信息和流转量级标准信息，来与上述资产价值评价信息、上述至少一个业务信息组、上述投入量级信息和上述流转量级信息进行对比，以进一步确定候选对象价值预测信息的准确性。基于所对比出的结果，对存在偏差的信息的绑定，以及结合其余不存在偏差的信息，再次输入至流转对象价值预测信息生成模型，可以得到更为精准地候选对象价值预测信息。由此，该实现方式可以减少直接资产价值评价标准信息、至少一个业务标准信息组、投入量级标准信息和流转量级标准信息输入至流转对象价值预测信息生成模型所带来的特征计算量，且可以精准地生成第一对象价值预测信息。

步骤104，获取价值流转对象对应的、目标历史时间段内的历史对象资产信息序列、历史业务相关信息序列、历史对象价值投入信息序列和历史价值流转信息序列。

在一些实施例中，上述执行主体可以获取价值流转对象对应的、目标历史时间段内的历史对象资产信息序列、历史业务相关信息序列、历史对象价值投入信息序列和历史价值流转信息序列。其中，目标历史时间段可以是预先设置的历史时间段。

步骤105，生成针对上述历史对象资产信息序列、上述历史业务相关信息序列、上述历史对象价值投入信息序列和上述历史价值流转信息序列的第二对象价值预测信息。

在一些实施例中，上述执行主体可以生成针对上述历史对象资产信息序列、上述历史业务相关信息序列、上述历史对象价值投入信息序列和上述历史价值流转信息序列的第二对象价值预测信息。

在一些实施例的一些可选的实现方式中，上述生成针对上述历史对象资产信息序列、上述历史业务相关信息序列、上述历史对象价值投入信息序列和上述历史价值流转信息序列的第二对象价值预测信息，可以包括以下步骤：

第一步，利用对象资产预测信息生成模型，生成针对上述历史对象资产信息序列的、上述当前时间下的对象资产预测信息，作为目标对象资产预测信息。其中，对象资产预测信息生成模型可以是生成对象资产预测信息的神经网络模型。对象资产预测信息可以是价值流转对象在当前时间下的、所预测的对象资产信息。实践中，对象资产预测信息生成模型可以是循环神经网络模型。

第二步，利用业务相关价值预测信息生成模型，生成针对上述历史业务相关信息序列的、上述当前时间下的业务相关价值预测信息，作为目标业务相关价值预测信息。其中，业务相关价值预测信息生成模型可以是生成业务相关价值预测信息的神经网络模型。

第三步，利用对象价值投入预测信息生成模型，生成针对上述历史对象价值投入信息序列的、上述当前时间下的对象投入预测信息，作为目标对象价值投入预测信息。其中，对象价值投入预测信息生成模型可以是对象价值投入预测信息的神经网络模型。目标对象价值投入预测信息可以是价值流转对象在当前时间下的、所预测的对象价值投入信息。

第四步，利用价值流转预测信息生成模型，生成针对上述历史价值流转信息序列的、上述当前时间下的价值流转预测信息，作为目标价值流转预测信息。

第五步，根据上述目标对象资产预测信息、上述目标业务相关价值预测信息、上述目标对象价值投入预测信息和上述目标价值流转预测信息，生成上述当前时间下的、表征上述价值流转对象对应价值信息的第一对象价值信息。

第六步，将上述历史对象资产信息序列、上述历史业务相关信息序列、上述历史对象价值投入信息序列和上述历史价值流转信息序列在至少一个历史时间节点进行信息融合，以生成融合信息序列。其中，至少一个历史时间节点可以是历史时间段中的、预先设置的至少一个历史时间点。

第七步，利用对象价值预测信息生成模型，生成针对上述融合信息序列的第二对象价值信息。

第八步，根据上述第一对象价值信息和上述第二对象价值信息，生成实际对象价值信息。

作为示例，上述执行主体可以将第一对象价值信息和第二对象价值信息进行加权求和，以生成实际对象价值信息。

可选地，上述利用业务相关价值预测信息生成模型，生成针对上述历史业务相关信息序列的、上述当前时间下的业务相关价值预测信息，作为目标业务相关价值预测信息，可以包括以下步骤：

第一步，对于上述历史业务相关信息序列中的每个历史业务相关信息，执行以下生成步骤：

第一子步骤，确定上述历史业务相关信息对应的至少一个业务信息对应的至少一个业务级别信息。其中，至少一个业务信息中的业务信息与至少一个业务级别信息中的业务级别信息存在一一对应关系。

第二子步骤，确定上述至少一个业务级别信息中的每个业务级别信息对应的初始得分，得到至少一个初始得分。

作为示例，上述执行主体可以赋予每个业务级别信息对应的、预先设置的初始得分，得到至少一个初始得分。

第三子步骤，对于每个业务级别信息对应的业务运转评价信息，对上述业务级别信息对应的初始得分进行分数调整，得到调整分数。

作为示例，对于每个业务级别信息对应的业务运转评价信息，首先，确定上述业务运转评价信息对应的评价好坏程度信息。然后，生成评价好坏程度信息对应的分数调整信息。最后，将上述分数调整信息和对应的初始得分进行相加，得到调整分数。

第四子步骤，对所得到的至少一个调整分数进行相加，得到相加分数。

第二步，根据所得到的相加分数序列，利用上述业务相关价值预测信息生成模型，生成上述目标业务相关价值预测信息。

作为示例，上述执行主体可以将相加分数序列输入至上述业务相关价值预测信息生成模型，以生成目标业务相关价值预测信息。

步骤106，根据上述第一对象价值预测信息和上述第二对象价值预测信息，生成针对当前时间下的对象价值预测信息。

在一些实施例中，上述执行主体可以根据上述第一对象价值预测信息和上述第二对象价值预测信息，生成针对当前时间下的对象价值预测信息。

在一些实施例的一些可选的实现方式中，上述根据上述第一对象价值预测信息和上述第二对象价值预测信息，生成针对当前时间下的对象价值预测信息，可以包括以下步骤：

第一步，生成针对上述第一对象价值预测信息和上述第二对象价值预测信息的预测区间。

作为示例，上述执行主体可以将第一对象价值预测信息和上述第二对象价值预测信息中的最小值作为区间下限值，将第一对象价值预测信息和上述第二对象价值预测信息中的最大值作为区间上限值，生成预测区间。

第二步，对上述预测区间进行区间微调，以生成微调后预测区间。

作为示例，上述执行主体可以对预测区间的下限进行第一数值的下降，以及对预测区间的上限进行第二数值的提高，以生成微调后预测区间。

第三步，将上述微调后预测区间作为上述对象价值预测信息。

步骤107，对上述对象价值预测信息进行预测信息校验，以生成校验结果。

在一些实施例中，上述执行主体可以对上述对象价值预测信息进行预测信息校验，以生成校验结果。其中，校验结果可以是以下之一：表征对象价值预测信息校验无误的结果，表征对象价值预测信息校验有误的结果。

作为示例，首先，上述执行主体获取历史时间段内的历史对象价值预测信息序列。然后，确定对象价值预测信息是否与上述历史对象价值预测信息序列对应的价值预测信息平均值之间的差值小于预定数值。最后，响应于确定小于，生成表征对象价值预测信息校验无误的结果。响应于确定大于或等于，生成表征对象价值预测信息校验有误的结果。

步骤108，将上述校验结果和上述对象价值预测信息发送至对象价值展示端。

在一些实施例中，上述执行主体可以将上述校验结果和上述对象价值预测信息发送至对象价值展示端。其中，对象价值展示端可以是展示对象价值相关信息的终端。

在一些实施例的一些可选的实现方式中，在步骤108之后，步骤还包括：

第一步，根据上述对象价值预测信息，生成对象处理策略信息。

作为示例，上述执行主体可以利用关联关系表，来从关联关系表征确定出与上述对象价值预测信息相对应的对象处理策略信息。

第二步，将上述对象价值预测信息和上述对象处理策略信息发送至对象价值处理端，以供目标人员进行处理策略调整或确认。

第三步，响应于接收到针对上述对象处理策略信息的调整策略信息，执行上述调整策略信息对应的处理策略。

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对象价值信息发送方法，可以准确、高效地生产针对价值流转对象的对象价值预测信息。具体来说，造成相关的对象价值预测信息不够精确、高效的原因在于：相关专家确定对象价值信息存在片面性，导致所确定的对象价值信息不够精准、且不够高效。基于此，本公开的一些实施例的对象价值信息发送方法，首先，获取价值流转对象在当前时间下的对象资产信息、业务相关信息、对象投入信息和价值流转信息，以作为基础数据集，来用于后续对象价值信息的生成。然后，生成针对上述对象资产信息的资产价值评价信息、上述业务相关信息对应的至少一个业务信息组、上述对象投入信息对应的投入量级信息和价值流转信息对应的流转量级信息。其中，业务信息组包括：业务信息对应的业务级别信息和业务信息对应的业务运转评价信息。在这里，通过生成资产价值评价信息、至少一个业务信息组、投入量级信息和流转量级信息，便于后续从数据评价和数据量级归类的角度来获取更多的、有用于后续生成对象价值信息的特征信息，保障对象价值信息的生成精准性。接着，根据上述对象资产信息、上述资产价值评价信息、上述至少一个业务信息组、上述对象投入信息、上述投入量级信息、上述价值流转信息和上述流转量级信息，利用流转对象价值预测信息生成模型，可以精准、高效地生成第一对象价值预测信息。在这里，通过利用流转对象价值预测信息生成模型，在考虑较多角度的特征信息的情况下，可以准确地生成第一对象价值预测信息。进而，获取价值流转对象对应的、目标历史时间段内的历史对象资产信息序列、历史业务相关信息序列、历史对象价值投入信息序列和历史价值流转信息序列，以从历史基础数据集的角度上，来预测后续对象价值信息。进一步地，可以精准地生成针对上述历史对象资产信息序列、上述历史业务相关信息序列、上述历史对象价值投入信息序列和上述历史价值流转信息序列的第二对象价值预测信息。再接着，根据上述第一对象价值预测信息和上述第二对象价值预测信息，通过多角度条件下生成的多个对象价值预测信息来进行综合考虑，可以准确地生成针对当前时间下的对象价值预测信息。紧接着，对上述对象价值预测信息进行预测信息校验，以生成校验结果，以保障所生成对象机制预测信息的可靠性。最后，将上述校验结果和上述对象价值预测信息发送至对象价值展示端。综上，通过多角度条件下生成的多个对象价值预测信息来进行综合考虑，可以准确地生成针对当前时间下的对象价值预测信息。

进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种对象价值信息发送装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该对象价值信息发送装置具体可以应用于各种电子设备中。

如图2所示，一种对象价值信息发送装置200包括：第一获取单元201、第一生成单元202、第二生成单元203、第二获取单元204、第三生成单元205、第四生成单元206、校验单元207和发送单元208。其中，第一获取单元201，被配置成获取价值流转对象在当前时间下的对象资产信息、业务相关信息、对象投入信息和价值流转信息；第一生成单元202，被配置成生成针对上述对象资产信息的资产价值评价信息、上述业务相关信息对应的至少一个业务信息组、上述对象投入信息对应的投入量级信息和价值流转信息对应的流转量级信息，其中，业务信息组包括：业务信息对应的业务级别信息和业务信息对应的业务运转评价信息；第二生成单元203，被配置成根据上述对象资产信息、上述资产价值评价信息、上述至少一个业务信息组、上述对象投入信息、上述投入量级信息、上述价值流转信息和上述流转量级信息，利用流转对象价值预测信息生成模型，生成第一对象价值预测信息；第二获取单元204，被配置成获取价值流转对象对应的、目标历史时间段内的历史对象资产信息序列、历史业务相关信息序列、历史对象价值投入信息序列和历史价值流转信息序列；第三生成单元205，被配置成生成针对上述历史对象资产信息序列、上述历史业务相关信息序列、上述历史对象价值投入信息序列和上述历史价值流转信息序列的第二对象价值预测信息；第四生成单元206，被配置成根据上述第一对象价值预测信息和上述第二对象价值预测信息，生成针对当前时间下的对象价值预测信息；校验单元207，被配置成对上述对象价值预测信息进行预测信息校验，以生成校验结果；发送单元208，被配置成将上述校验结果和上述对象价值预测信息发送至对象价值展示端。

可以理解的是，该对象价值信息发送装置200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对象价值信息发送装置200及其中包含的单元，在此不再赘述。

下面参考图3，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，电子设备)300的结构示意图。图3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3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

通常，以下装置可以连接至I/O接口305：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306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，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3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309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301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上述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(HyperText 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：获取价值流转对象在当前时间下的对象资产信息、业务相关信息、对象投入信息和价值流转信息；生成针对上述对象资产信息的资产价值评价信息、上述业务相关信息对应的至少一个业务信息组、上述对象投入信息对应的投入量级信息和价值流转信息对应的流转量级信息，其中，业务信息组包括：业务信息对应的业务级别信息和业务信息对应的业务运转评价信息；根据上述对象资产信息、上述资产价值评价信息、上述至少一个业务信息组、上述对象投入信息、上述投入量级信息、上述价值流转信息和上述流转量级信息，利用流转对象价值预测信息生成模型，生成第一对象价值预测信息；获取价值流转对象对应的、目标历史时间段内的历史对象资产信息序列、历史业务相关信息序列、历史对象价值投入信息序列和历史价值流转信息序列；生成针对上述历史对象资产信息序列、上述历史业务相关信息序列、上述历史对象价值投入信息序列和上述历史价值流转信息序列的第二对象价值预测信息；根据上述第一对象价值预测信息和上述第二对象价值预测信息，生成针对当前时间下的对象价值预测信息；对上述对象价值预测信息进行预测信息校验，以生成校验结果；将上述校验结果和上述对象价值预测信息发送至对象价值展示端。

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获取单元、第一生成单元、第二生成单元、第二获取单元、第三生成单元、第四生成单元、校验单元和发送单元。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，第一获取单元还可以被描述为“获取价值流转对象在当前时间下的对象资产信息、业务相关信息、对象投入信息和价值流转信息的单元”。

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 (10)

1.一种对象价值信息发送方法，包括：

获取价值流转对象在当前时间下的对象资产信息、业务相关信息、对象投入信息和价值流转信息；

生成针对所述对象资产信息的资产价值评价信息、所述业务相关信息对应的至少一个业务信息组、所述对象投入信息对应的投入量级信息和价值流转信息对应的流转量级信息，其中，业务信息组包括：业务信息对应的业务级别信息和业务信息对应的业务运转评价信息；

根据所述对象资产信息、所述资产价值评价信息、所述至少一个业务信息组、所述对象投入信息、所述投入量级信息、所述价值流转信息和所述流转量级信息，利用流转对象价值预测信息生成模型，生成第一对象价值预测信息；

获取价值流转对象对应的、目标历史时间段内的历史对象资产信息序列、历史业务相关信息序列、历史对象价值投入信息序列和历史价值流转信息序列；

生成针对所述历史对象资产信息序列、所述历史业务相关信息序列、所述历史对象价值投入信息序列和所述历史价值流转信息序列的第二对象价值预测信息；

根据所述第一对象价值预测信息和所述第二对象价值预测信息，生成针对当前时间下的对象价值预测信息；

对所述对象价值预测信息进行预测信息校验，以生成校验结果；

将所述校验结果和所述对象价值预测信息发送至对象价值展示端。

2.根据权利要求1所述的方法，其中，所述方法还包括：

根据所述对象价值预测信息，生成对象处理策略信息；

将所述对象价值预测信息和所述对象处理策略信息发送至对象价值处理端，以供目标人员进行处理策略调整或确认；

响应于接收到针对所述对象处理策略信息的调整策略信息，执行所述调整策略信息对应的处理策略。

3.根据权利要求2所述的方法，其中，所述生成针对所述历史对象资产信息序列、所述历史业务相关信息序列、所述历史对象价值投入信息序列和所述历史价值流转信息序列的第二对象价值预测信息，包括：

利用对象资产预测信息生成模型，生成针对所述历史对象资产信息序列的、所述当前时间下的对象资产预测信息，作为目标对象资产预测信息；

利用业务相关价值预测信息生成模型，生成针对所述历史业务相关信息序列的、所述当前时间下的业务相关价值预测信息，作为目标业务相关价值预测信息；

利用对象价值投入预测信息生成模型，生成针对所述历史对象价值投入信息序列的、所述当前时间下的对象投入预测信息，作为目标对象价值投入预测信息；

利用价值流转预测信息生成模型，生成针对所述历史价值流转信息序列的、所述当前时间下的价值流转预测信息，作为目标价值流转预测信息；

根据所述目标对象资产预测信息、所述目标业务相关价值预测信息、所述目标对象价值投入预测信息和所述目标价值流转预测信息，生成所述当前时间下的、表征所述价值流转对象对应价值信息的第一对象价值信息；

将所述历史对象资产信息序列、所述历史业务相关信息序列、所述历史对象价值投入信息序列和所述历史价值流转信息序列在至少一个历史时间节点进行信息融合，以生成融合信息序列；

利用对象价值预测信息生成模型，生成针对所述融合信息序列的第二对象价值信息；

根据所述第一对象价值信息和所述第二对象价值信息，生成实际对象价值信息。

4.根据权利要求3所述的方法，其中，所述根据所述对象资产信息、所述资产价值评价信息、所述至少一个业务信息组、所述对象投入信息、所述投入量级信息、所述价值流转信息和所述流转量级信息，利用流转对象价值预测信息生成模型，生成第一对象价值预测信息，包括：

对所述对象资产信息进行向量转换，以生成对象资产向量；

对所述至少一个业务信息组中的至少一个业务级别信息进行向量转换，以生成至少一个业务级别向量；

对所述对象投入信息进行向量转换，以生成对象投入向量；

对所述价值流转信息进行向量转换，以生成价值流转向量；

依据目标向量拼接方式，对所述对象资产向量、所述至少一个业务级别向量、所述对象投入向量和价值流转向量进行拼接，以生成第一拼接向量；

提取针对所述第一拼接向量的、表征各位置向量之间关联关系的第一关联关系向量，得到至少一个第一关联关系向量，其中，所述至少一个第一关联关系向量包括：表征所述对象资产向量与所述至少一个业务级别向量之间语义关系的关联关系向量、表征所述对象资产向量与所述对象投入向量之间语义关系的关联关系向量、表征所述对象资产向量与所述价值流转向量之间语义关系的关联关系向量、表征所述对象投入向量与所述至少一个业务级别向量之间语义关系的关联关系向量、表征价值流转向量与所述至少一个业务级别向量之间语义关系的关联关系向量、表征所述对象投入向量与所述价值流转向量之间语义关系的关联关系向量；

将所述第一拼接向量输入至所述流转对象价值预测信息生成模型包括的第一注意力机制模型，以生成第一注意力信息；

将所述至少一个第一关联关系向量输入至所述流转对象价值预测信息生成模型包括的第二注意力机制模型，以生成第二注意力信息；

将所述第一注意力信息和所述第二注意力信息输入至所述流转对象价值预测信息生成模型包括的多层串联连接的卷积神经网络，以生成第一注意力关联信息；

将所述第一注意力关联信息输入至所述流转对象价值预测信息生成模型包括的全连接层，以输出第一注意力关联系数；

响应于确定所述第一注意力关联系数大于目标数值，将所述第一注意力信息和所述第二注意力信息输入至所述流转对象价值预测信息生成模型包括的第一对象价值预测向量生成模型，以生成第一初始对象价值预测向量；

对所述资产价值评价信息进行向量转换，以生成资产价值评价向量；

对所述至少一个业务信息组中的至少一个业务运转评价信息进行向量转换，以生成至少一个业务运转评价向量；

对所述投入量级信息进行向量转换，以生成投入量级向量；

对所述流转量级信息进行向量转换，以生成流转量级向量；

依据所述目标向量拼接方式，对所述资产价值评价向量、所述至少一个业务运转评价向量、所述投入量级向量和所述流转量级向量进行拼接，以生成第二拼接向量；

提取针对所述第二拼接向量的、表征各位置向量之间关联关系的关联关系向量，得到至少一个第二关联关系向量，其中，所述至少一个第二关联关系向量包括：表征所述资产价值评价向量与所述至少一个业务运转评价向量之间语义关系的关联关系向量、表征所述资产价值评价向量与所述投入量级向量之间语义关系的关联关系向量、表征所述资产价值评价向量与所述流转量级向量之间语义关系的关联关系向量、表征所述至少一个业务运转评价向量与所述投入量级向量之间语义关系的关联关系向量、表征至少一个业务运转评价向量与所述流转量级向量之间语义关系的关联关系向量、表征所述投入量级向量与所述流转量级向量之间语义关系的关联关系向量；

将所述第二拼接向量输入至所述流转对象价值预测信息生成模型包括的第三注意力机制模型，以生成第三注意力信息；

将所述至少一个第二关联关系向量输入至所述流转对象价值预测信息生成模型包括的第四注意力机制模型，以生成第四注意力信息；

将所述第三注意力信息和所述第四注意力信息输入至所述流转对象价值预测信息生成模型包括的多层串联连接的卷积神经网络，以生成第二注意力关联信息；

将所述第二注意力关联信息输入至所述流转对象价值预测信息生成模型包括的全连接层，以输出第二注意力关联系数；

响应于确定所述第二注意力关联系数大于目标数值，将所述第三注意力信息和所述第四注意力信息输入至所述流转对象价值预测信息生成模型包括的第二对象价值预测向量生成模型，以生成第二初始对象价值预测向量；

根据所述第一初始对象价值预测向量和所述第二初始对象价值预测向量，生成所述第一对象价值预测信息。

5.根据权利要求4所述的方法，其中，所述方法还包括：

响应于确定所述第一注意力关联系数小于或等于所述目标数值、或所述第二注意力关联系数小于或等于所述目标数值，将所述第一注意力信息输入至所述流转对象价值预测信息生成模型包括的第三对象价值预测向量生成模型，以生成第三初始对象价值预测向量；

将所述第三注意力信息输入至所述流转对象价值预测信息生成模型包括的第四对象价值预测向量生成模型，以生成第四初始对象价值预测向量；

根据所述第三对象价值预测向量和所述第四初始对象价值预测向量，生成所述第一对象价值预测信息。

6.根据权利要求5所述的方法，其中，所述根据所述第一对象价值预测信息和所述第二对象价值预测信息，生成针对当前时间下的对象价值预测信息，包括：

生成针对所述第一对象价值预测信息和所述第二对象价值预测信息的预测区间；

对所述预测区间进行区间微调，以生成微调后预测区间；

将所述微调后预测区间作为所述对象价值预测信息。

7.根据权利要求6所述的方法，其中，所述利用业务相关价值预测信息生成模型，生成针对所述历史业务相关信息序列的、所述当前时间下的业务相关价值预测信息，作为目标业务相关价值预测信息，包括：

对于所述历史业务相关信息序列中的每个历史业务相关信息，执行以下生成步骤：

确定所述历史业务相关信息对应的至少一个业务信息对应的至少一个业务级别信息；

确定所述至少一个业务级别信息中的每个业务级别信息对应的初始得分，得到至少一个初始得分；

对于每个业务级别信息对应的业务运转评价信息，对所述业务级别信息对应的初始得分进行分数调整，得到调整分数；

对所得到的至少一个调整分数进行相加，得到相加分数；

根据所得到的相加分数序列，利用所述业务相关价值预测信息生成模型，生成所述目标业务相关价值预测信息。

8.一种对象价值信息发送装置，包括：

第一获取单元，被配置成获取价值流转对象在当前时间下的对象资产信息、业务相关信息、对象投入信息和价值流转信息；

第一生成单元，被配置成生成针对所述对象资产信息的资产价值评价信息、所述业务相关信息对应的至少一个业务信息组、所述对象投入信息对应的投入量级信息和价值流转信息对应的流转量级信息，其中，业务信息组包括：业务信息对应的业务级别信息和业务信息对应的业务运转评价信息；

第二生成单元，被配置成根据所述对象资产信息、所述资产价值评价信息、所述至少一个业务信息组、所述对象投入信息、所述投入量级信息、所述价值流转信息和所述流转量级信息，利用流转对象价值预测信息生成模型，生成第一对象价值预测信息；

第二获取单元，被配置成获取价值流转对象对应的、目标历史时间段内的历史对象资产信息序列、历史业务相关信息序列、历史对象价值投入信息序列和历史价值流转信息序列；

第三生成单元，被配置成生成针对所述历史对象资产信息序列、所述历史业务相关信息序列、所述历史对象价值投入信息序列和所述历史价值流转信息序列的第二对象价值预测信息；

第四生成单元，被配置成根据所述第一对象价值预测信息和所述第二对象价值预测信息，生成针对当前时间下的对象价值预测信息；

校验单元，被配置成对所述对象价值预测信息进行预测信息校验，以生成校验结果；

发送单元，被配置成将所述校验结果和所述对象价值预测信息发送至对象价值展示端。

9.一种电子设备，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1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。