情绪分类模型训练方法、情绪预测方法和装置与流程

1.本技术涉及人工智能技术领域，特别是涉及一种情绪分类模型训练方法、情绪预测方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.随着人工智能技术的发展，出现了一种利用人工智能技术分析市场情绪的方法，该方法通过采集与市场参与方相关的文本数据，以及对应的市场情绪数据，对模型进行训练，从而可以通过训练的模型，利用文本数据，对该市场情绪进行预测。
3.传统技术中，在采集文本数据后，首先需要对采集的文本数据进行特征提取，例如通过特征提取模型提取词向量，从而得到文本特征进行模型的训练。然而这种文本特征的提取方法仅仅考虑了文本数据本身的特征，而缺少考虑文本之间的关联关系，因此训练出的模型进行市场情绪分类的准确率较低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高市场情绪分类准确性的情绪分类模型训练方法、情绪预测方法、装置、计算机设备、存储介质和计算机程序产品。
5.第一方面，本技术提供了一种情绪分类模型训练方法，所述方法包括：
6.获取样本参与方对应的样本文本数据，以及获取所述样本文本数据对应的样本标签；所述样本标签用于标识所述样本文本数据对应的市场情绪类型；
7.将所述样本文本数据输入待训练的文本数据分类模型，利用所述文本数据分类模型确定所述样本文本数据中包含的文本分词对应的第一分词向量，以及所述文本分词对应的上文词向量和下文词向量；
8.根据所述文本分词对应的上文词向量和下文词向量，得到所述文本分词对应的第二分词向量；
9.基于所述第一分词向量以及所述第二分词向量，确定所述样本文本数据对应的市场情绪预测概率；
10.根据所述市场情绪预测概率与所述样本标签之间的差异损失对所述文本数据分类模型进行训练，得到情绪分类模型。
11.在其中一个实施例中，所述文本分词对应的上文词向量和下文词向量的数量为多个；所述根据所述文本分词对应的上文词向量和下文词向量，得到所述文本分词对应的第二分词向量，包括：根据所述文本分词对应的多个上文词向量，得到所述文本分词对应的上文均值向量，以及根据所述文本分词对应的多个下文词向量，得到所述文本分词对应的下文均值向量；获取所述上文均值向量对应的第一空间映射向量，以及获取所述下文均值向量对应的第二空间映射向量；根据所述第一空间映射向量以及所述第二空间映射向量，得到所述文本分词对应的第二分词向量。
12.在其中一个实施例中，所述获取所述上文均值向量对应的第一空间映射向量，以
及获取所述下文均值向量对应的第二空间映射向量，包括：获取预设的空间映射变换信息；利用所述空间映射变换信息分别对所述上文均值向量以及所述下文均值向量进行空间映射变换，分别得到所述第一空间映射向量以及所述第二空间映射向量；所述根据所述第一空间映射向量以及所述第二空间映射向量，得到所述文本分词对应的第二分词向量，包括：将所述第二空间映射向量与所述第一空间映射向量进行作差处理，得到所述文本分词对应的第二分词向量。
13.在其中一个实施例中，所述基于所述第一分词向量以及所述第二分词向量，确定所述样本文本数据对应的市场情绪预测概率，包括：获取所述第一分词向量与所述第二分词向量的向量均值，将所述向量均值作为所述文本分词对应的目标分词向量；根据文本分词对应的目标分词向量，获取所述样本文本数据对应的样本文本特征；根据所述样本文本特征，确定所述样本文本数据对应的市场情绪预测概率。
14.在其中一个实施例中，所述将所述样本文本数据输入待训练的文本数据分类模型之前，还包括：根据预设的语句分词语料库，获取所述样本文本数据包含的初始文本分词；获取预设的停用词语料库，利用停用词语料库对所述初始文本分词进行过滤处理，得到所述样本文本数据包含的文本分词；所述将所述样本文本数据输入待训练的文本数据分类模型，包括：将所述样本文本数据包含的文本分词输入所述待训练的文本数据分类模型。
15.在其中一个实施例中，所述获取样本参与方对应的样本文本数据，包括：获取所述样本参与方对应的样本新闻数据，将所述样本新闻数据作为所述样本文本数据；和/或获取所述样本参与方对应的样本视频数据，从所述样本视频数据中提取出对应的音频数据，得到样本音频数据；将所述样本音频数据对应的文本数据作为所述样本文本数据。
16.第二方面，本技术还提供了一种情绪预测方法，所述方法包括：
17.获取在预设时间周期内采集的针对于市场参与方的参与方文本数据；
18.将所述参与方文本数据输入情绪分类模型，通过所述情绪分类模型输出所述市场参与方对应的市场情绪类型；所述情绪分类模型通过如上述的情绪分类模型训练方法得到。
19.第三方面，本技术还提供了一种情绪分类模型训练装置，所述装置包括：
20.样本数据获取模块，用于获取样本参与方对应的样本文本数据，以及获取所述样本文本数据对应的样本标签；所述样本标签用于标识所述样本文本数据对应的市场情绪类型；
21.第一向量获取模块，用于将所述样本文本数据输入待训练的文本数据分类模型，利用所述文本数据分类模型确定所述样本文本数据中包含的文本分词对应的第一分词向量，以及所述文本分词对应的上文词向量和下文词向量；
22.第二向量获取模块，用于根据所述文本分词对应的上文词向量和下文词向量，得到所述文本分词对应的第二分词向量；
23.预测概率获取模块，用于基于所述第一分词向量以及所述第二分词向量，确定所述样本文本数据对应的市场情绪预测概率；
24.分类模型训练模块，用于根据所述市场情绪预测概率与所述样本标签之间的差异损失对所述文本数据分类模型进行训练，得到情绪分类模型。
25.第四方面，本技术还提供了一种情绪预测装置，所述装置包括：
26.预测文本获取模块，用于获取在预设时间周期内采集的针对于市场参与方的参与方文本数据；
27.市场情绪预测模块，用于将所述参与方文本数据输入情绪分类模型，通过所述情绪分类模型输出所述参与方文本数据对应的市场情绪类型；所述情绪分类模型通过如上述的情绪分类模型训练方法得到。
28.第五方面，本技术还提供了一种计算机设备，所述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，所述处理器执行所述计算机程序时实现以下步骤：
29.获取样本参与方对应的样本文本数据，以及获取所述样本文本数据对应的样本标签；所述样本标签用于标识所述样本文本数据对应的市场情绪类型；
30.将所述样本文本数据输入待训练的文本数据分类模型，利用所述文本数据分类模型确定所述样本文本数据中包含的文本分词对应的第一分词向量，以及所述文本分词对应的上文词向量和下文词向量；
31.根据所述文本分词对应的上文词向量和下文词向量，得到所述文本分词对应的第二分词向量；
32.基于所述第一分词向量以及所述第二分词向量，确定所述样本文本数据对应的市场情绪预测概率；
33.根据所述市场情绪预测概率与所述样本标签之间的差异损失对所述文本数据分类模型进行训练，得到情绪分类模型。
34.或者实现以下步骤：
35.获取在预设时间周期内采集的针对于市场参与方的参与方文本数据；
36.将所述参与方文本数据输入情绪分类模型，通过所述情绪分类模型输出所述参与方文本数据对应的市场情绪类型；所述情绪分类模型通过如上述的情绪分类模型训练方法得到。
37.第六方面，本技术还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，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
38.获取样本参与方对应的样本文本数据，以及获取所述样本文本数据对应的样本标签；所述样本标签用于标识所述样本文本数据对应的市场情绪类型；
39.将所述样本文本数据输入待训练的文本数据分类模型，利用所述文本数据分类模型确定所述样本文本数据中包含的文本分词对应的第一分词向量，以及所述文本分词对应的上文词向量和下文词向量；
40.根据所述文本分词对应的上文词向量和下文词向量，得到所述文本分词对应的第二分词向量；
41.基于所述第一分词向量以及所述第二分词向量，确定所述样本文本数据对应的市场情绪预测概率；
42.根据所述市场情绪预测概率与所述样本标签之间的差异损失对所述文本数据分类模型进行训练，得到情绪分类模型。
43.或者实现以下步骤：
44.获取在预设时间周期内采集的针对于市场参与方的参与方文本数据；
45.将所述参与方文本数据输入情绪分类模型，通过所述情绪分类模型输出所述参与
方文本数据对应的市场情绪类型；所述情绪分类模型通过如上述的情绪分类模型训练方法得到。
46.第七方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
47.获取样本参与方对应的样本文本数据，以及获取所述样本文本数据对应的样本标签；所述样本标签用于标识所述样本文本数据对应的市场情绪类型；
48.将所述样本文本数据输入待训练的文本数据分类模型，利用所述文本数据分类模型确定所述样本文本数据中包含的文本分词对应的第一分词向量，以及所述文本分词对应的上文词向量和下文词向量；
49.根据所述文本分词对应的上文词向量和下文词向量，得到所述文本分词对应的第二分词向量；
50.基于所述第一分词向量以及所述第二分词向量，确定所述样本文本数据对应的市场情绪预测概率；
51.根据所述市场情绪预测概率与所述样本标签之间的差异损失对所述文本数据分类模型进行训练，得到情绪分类模型。
52.或者实现以下步骤：
53.获取在预设时间周期内采集的针对于市场参与方的参与方文本数据；
54.将所述参与方文本数据输入情绪分类模型，通过所述情绪分类模型输出所述参与方文本数据对应的市场情绪类型；所述情绪分类模型通过如上述的情绪分类模型训练方法得到。
55.上述情绪分类模型训练方法、情绪预测方法、装置、计算机设备、存储介质和计算机程序产品，通过获取样本参与方对应的样本文本数据，以及获取样本文本数据对应的样本标签；样本标签用于标识样本文本数据对应的市场情绪类型；将样本文本数据输入待训练的文本数据分类模型，利用文本数据分类模型确定样本文本数据中包含的文本分词对应的第一分词向量，以及文本分词对应的上文词向量和下文词向量；根据文本分词对应的上文词向量和下文词向量，得到文本分词对应的第二分词向量；基于第一分词向量以及第二分词向量，确定样本文本数据对应的市场情绪预测概率；根据市场情绪预测概率与样本标签之间的差异损失对文本数据分类模型进行训练，得到情绪分类模型。本技术提供的情绪分类模型训练方法中，在对样本文本数据进行文本特征提取过程中，得到文本分词对应的第一分词向量的同时，还得到文本分词对应的上文词向量和下文词向量，从而利用上文词向量和下文词向量确定出文本分词对应的第二分词向量，并进一步的利用第一分词向量和第二分词向量进行情绪分类模型的训练，相比于传统技术中模型的训练仅考虑文本数据本身的第一分词向量，本技术还引入了由上文词向量和下文词向量得到的第二分词向量进行模型训练，从而考虑了文本之间的关联关系，因此训练出的模型可以提高市场情绪分类的准确率。
附图说明
56.图1为一个实施例中情绪分类模型训练方法的流程示意图；
57.图2为一个实施例中得到文本分词对应的第二分词向量的流程示意图；
58.图3为一个实施例中确定市场情绪预测概率的流程示意图；
59.图4为一个实施例中情绪预测方法的流程示意图；
60.图5为一个应用实例中交易处理方法的流程示意图；
61.图6为一个应用实例中账户管理装置的结构示意图；
62.图7为一个实施例中情绪分类模型训练装置的结构框图；
63.图8为一个实施例中情绪预测装置的结构框图；
64.图9为一个实施例中计算机设备的内部结构图。
具体实施方式
65.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术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技术，并不用于限定本技术。
66.在一个实施例中，如图1所示，提供了一种情绪分类模型训练方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现，该服务器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。本实施例中，该方法包括以下步骤：
67.步骤s101，获取样本参与方对应的样本文本数据，以及获取样本文本数据对应的样本标签；样本标签用于标识样本文本数据对应的市场情绪类型。
68.其中，样本参与方指的是可以用于参与市场经济活动的参与方，例如可以是各种市场机构或者企业等等，市场情绪则指的是整体市场中所有市场参与方的观点的综合展现，该市场情绪可以包含多种类型，用于反映不同的市场发展方向，而样本文本数据则指的是与样本参与方相关的文本数据，该文本数据可以通过基于样本参与方进行搜索采集得到，用于模型新的训练。例如样本参与方可以是某一个企业，而其对应的样本文本数据则可以是通过对该企业的企业名称作为关键字进行检索，将检索到的文本数据则可以作为样本文本数据进行模型训练。而样本标签则指的是针对于样本文本数据所反映的市场情绪类型的标签，该样本标签的类型可以为多种，分别用于表征不同的市场情绪类型。
69.具体来说，服务器可以预先采集多种与市场参与方相关的用于进行模型训练的文本数据，作为样本文本数据，并且还可以得到上述样本文本数据所对应的用于表征该样本文本数据所对应的市场情绪类型的样本标签，该样本标签可以是用户预先对采集的上述样本文本数据进行市场情绪类型的标注得到样本标签，并输入至服务器，从而服务器可以得到用于进行模型训练的样本文本数据，以及该样本文本数据对应的样本标签。
70.步骤s102，将样本文本数据输入待训练的文本数据分类模型，利用文本数据分类模型确定样本文本数据中包含的文本分词对应的第一分词向量，以及文本分词对应的上文词向量和下文词向量。
71.文本数据分类模型指的是未训练的情绪分类模型，本技术可以通过对文本数据分类模型进行训练，使其用于实现市场情绪类型的分类预测，而文本分词则指的是输入至文本数据分类模型中的样本文本数据所对应的分词，文本分词可以是由文本数据分类模型对文本数据进行分词处理得到，也可以是服务器预先对样本文本数据进行分词处理后，输入至文本数据分类模型中。第一分词向量则指的是文本分词对应的分词向量，该分词向量可
以是由文本数据分类模型中携带的文本特征提取模块实现，而文本分词对应的上文词向量和下文词向量则分别代表在文本分词中前文所对应词向量，以及文本分词后文所对应的词向量。
72.具体来说，服务器得到文本数据后，则可以对文本数据中携带有的每一个文本分词进行文本特征的提取，从而得到每一个文本分词所对应的词向量，作为该文本分词的第一分词向量，并且根据顺序分词之间的前后顺序，确定每一个文本分词对应的上文分词以及下文分词，从而确定出上文分词以及下文分词对应的词向量，分别作为上文词向量和下文词向量。
73.例如，输入的样本文本数据中由分词a、分词b以及分词c所组成，并且分词的排列顺序也分别为分词a-分词b-分词c，服务器可以分别获取每一个文本分词所对应的分词向量，以分词b为例，服务器得到的分词b所对应的词向量即可作为分词b的第一分词向量，而分词a对应的词向量则作为分词b的上文词向量，分词c所对应的词向量则作为分词b的下文词向量。
74.步骤s103，根据文本分词对应的上文词向量和下文词向量，得到文本分词对应的第二分词向量。
75.第二分词向量则指的是由文本分词的上文词向量和下文词向量得到的文本分词所对应的词向量，在得到文本分词对应的上文词向量和下文词向量后，则可以利用上文词向量和下文词向量得到一个针对于文本分词所对应的词向量，作为文本分词对应的第二分词向量。
76.步骤s104，基于第一分词向量以及第二分词向量，确定样本文本数据对应的市场情绪预测概率。
77.情绪预测概率则指的是由文本数据分类模型根据输入的第一分词向量以及第二分词向量，预测得到的该样本文本数据属于各市场情绪类型的概率。本步骤中，在得到样本文本数据中文本分词所对应的第一分词向量以及第二分词向量后，则可以利用得到的第一分词向量以及第二分词向量，对样本文本数据所对应的市场情绪类型进行预测，从而得到对应的市场情绪预测概率。
78.步骤s105，根据市场情绪预测概率与样本标签之间的差异损失对文本数据分类模型进行训练，得到情绪分类模型。
79.情绪分类模型则指的是训练完成的市场情绪分类模型，在得到市场情绪预测概率后，则可以基于上述预测概率，与步骤s101中得到的样本文本数据匹配的样本标签构造对应的损失函数，从而得到相应的差异损失，并利用差异损失对文本数据分类模型进行训练，可以是通过改变文本数据分类模型的模型参数，直到差异损失小于一个损失阈值，则停止训练，也可以是预先设定一个训练次数阈值，当训练次数满足该阈值时停止训练，从而得到训练完成情绪分类模型。
80.上述情绪分类模型训练方法中，通过获取样本参与方对应的样本文本数据，以及获取样本文本数据对应的样本标签；样本标签用于标识样本文本数据对应的市场情绪类型；将样本文本数据输入待训练的文本数据分类模型，利用文本数据分类模型确定样本文本数据中包含的文本分词对应的第一分词向量，以及文本分词对应的上文词向量和下文词向量；根据文本分词对应的上文词向量和下文词向量，得到文本分词对应的第二分词向量；
基于第一分词向量以及第二分词向量，确定样本文本数据对应的市场情绪预测概率；根据市场情绪预测概率与样本标签之间的差异损失对文本数据分类模型进行训练，得到情绪分类模型。本技术提供的情绪分类模型训练方法中，在对样本文本数据进行文本特征提取过程中，得到文本分词对应的第一分词向量的同时，还得到文本分词对应的上文词向量和下文词向量，从而利用上文词向量和下文词向量确定出文本分词对应的第二分词向量，并进一步的利用第一分词向量和第二分词向量进行情绪分类模型的训练，相比于传统技术中模型的训练仅考虑文本数据本身的第一分词向量，本技术还引入了由上文词向量和下文词向量得到的第二分词向量进行模型训练，从而考虑了文本之间的关联关系，因此训练出的模型可以提高市场情绪分类的准确率。
81.在一个实施例中，文本分词对应的上文词向量和下文词向量的数量为多个；如图2所示，步骤s103可以进一步包括：
82.步骤s201，根据文本分词对应的多个上文词向量，得到文本分词对应的上文均值向量，以及根据文本分词对应的多个下文词向量，得到文本分词对应的下文均值向量。
83.本实施例中，样本文本数据可以由多个文本分词所组成，因此文本分词所对应的上文词向量以及下文词向量也可以是多个，例如当样本文本数据由7个文本分词所组成时，对于第三个文本分词，其对应的上文分词则可以有2个，而下文分词则可以有4个，对于第四个文本分词，其对应的上文分词则可以有3个，而下文分词也可以有3个，因此文本分词所对应的上文词向量以及下文词向量也可以是多个，即对于第三个文本分词，其对应的上文词向量则可以有2个，而下文词向量则可以有4个，对于第四个文本分词，其对应的上文词向量则可以有3个，而下文词向量也可以有3个。上文均值向量指的是由多个上文词向量进行平均后所得到的均值向量，而下文均值向量则是由多个下文词向量进行平均后所得到的均值向量。
84.例如对于由分词a、分词b、分词c、分词d、分词e、分词f以及分词g所组成的样本文本数据而言，以分词c为例，上文词向量可以包括分词a对应的上文词向量a以及分词b所对应的上文词向量b，下文词向量则可以包括分词d所对应的下文词向量d、分词e所对应的下文词向量e、分词f所对应的下文词向量f以及分词g所对应的下文词向量g，那么该分词c所对应的上文均值向量则是根据上文词向量a以及上文词向量b得到的均值向量，而分词c所对应的下文均值向量则是下文词向量d、下文词向量e、下文词向量f以及下文词向量g得到的均值向量。
85.步骤s202，获取上文均值向量对应的第一空间映射向量，以及获取下文均值向量对应的第二空间映射向量。
86.其中，第一空间映射向量指的是对上文均值向量进行向量空间映射变换后得到的向量，而第二空间映射向量则指的是对上文均值向量进行向量空间映射变换后得到的向量，本实施例中，服务器还可以对上文均值向量以及下文均值向量进行向量空间映射变换，从而分别得到对应的第一空间映射向量以及第二空间映射向量。
87.步骤s203，根据第一空间映射向量以及第二空间映射向量，得到文本分词对应的第二分词向量。
88.最后，服务器还可以利用空间映射向量的空间关系，从而确定出该文本分词对应的分词向量，作为第二分词向量。
89.本实施例中，服务器还可以求得文本分词的上文均值向量以及下文均值向量，并对其进行空间映射变换后，求得第二分词向量，文本分词的第二分词向量提供了一种新的计算方式，可以提高第二分词向量的获取效率。
90.进一步地，步骤s202可以进一步包括：获取预设的空间映射变换信息；利用空间映射变换信息分别对上文均值向量以及下文均值向量进行空间映射变换，分别得到第一空间映射向量以及第二空间映射向量；步骤s203可以进一步包括：将第二空间映射向量与第一空间映射向量进行作差处理，得到文本分词对应的第二分词向量。
91.空间映射变换信息指的是用于对均值向量执行空间映射变换的信息，可以是某个用于对向量进行空间映射变换的矩阵，本实施例中，服务器可以预先设置有用于执行空间映射变换的变换矩阵，并利用该变换矩阵分别对上文均值向量以及下文均值向量进行空间映射变换处理，从而可以分别得到第一空间映射向量以及第二空间映射向量，并且服务器得到第一空间映射向量以及第二空间映射向量后，还可以对第二空间映射向量以及第一空间映射向量进行作差处理，即通过将第二空间映射向量减去第一空间映射向量，从而可以得到文本分词对应的第二分词向量。
92.例如，h可以用于表示上文均值向量，t则可以用于表示下文均值向量，m
rh
则表示空间映射变换矩阵，通过公式h
⊥
＝m
rh
h以及t
⊥
＝m
rh
t，则可以分别计算出第一空间映射向量h
⊥
以及第二空间映射向量t
⊥
，并且根据空间向量关系可知，h
⊥
+f2＝t
⊥
，f2则可以表示文本分词对应的第二分词向量。
93.本实施例中，还可以通过引入预设的空间映射变换矩阵来实现均值向量的空间映射变换，并且得到第一空间映射向量以及第二空间映射向量以后，还可以通过作差的方式得到文本分词对应的第二分词向量，从而可以提高第二分词向量的计算效率。
94.在一个实施例中，如图3所示，步骤s104可以进一步包括：
95.步骤s301，获取第一分词向量与第二分词向量的向量均值，将向量均值作为文本分词对应的目标分词向量。
96.其中，目标分词向量则指的是针对于文本分词最终得到的分词向量，该分词向量是根据第一分词向量以及与第二分词向量的向量均值得到，因此得到的目标分词向量既体现了该文本分词本身的特征，还考虑了该文本分词对于上下文之间的关联关系。具体来说，服务器在得到第一分词向量与第二分词向量后，则可以求取第一分词向量以及第二分词向量之间的向量均值，并将其作为文本分词对应的目标分词向量。
97.步骤s302，根据文本分词对应的目标分词向量，获取样本文本数据对应的样本文本特征；
98.步骤s303，根据样本文本特征，确定样本文本数据对应的市场情绪预测概率。
99.服务器在步骤s301中确定出目标分词向量，则可以进一步利用文本数据分类模型对得到的目标分词向量进行文本特征提取，作为该样本文本数据对应的样本文本特征，并且还可以根据上述样本文本特征，输出该样本文本数据属于不同市场情绪类型的概率，作为样本文本数据对应的市场情绪预测概率。
100.本实施例中，服务器还可以根据第一分词向量以及第二分词向量，得到相应的目标分词向量，并进一步利用第二分词向量执行样本文本数据的特征提取，可以使得提取出的样本文本特征既考虑了每一个文本分词自身的特征，又考虑了文本之间的上下文联系，
从而可以提高输出的市场情绪预测概率的准确性。
101.另外，步骤s102之前，还可以包括：根据预设的语句分词语料库，获取样本文本数据包含的初始文本分词；获取预设的停用词语料库，利用停用词语料库对初始文本分词进行过滤处理，得到样本文本数据包含的文本分词；步骤s102可以进一步包括：将样本文本数据包含的文本分词输入待训练的文本数据分类模型。
102.其中，语句分词语料库是用于执行文本分词处理的文本数据库，而停用词语料库则是用于对样本文本数据中的停用词进行去除的文本数据库。具体来说，服务器在将样本文本数据输入文本数据分类模型之前，还可以先对采集的样本文本数据进行预处理，其中预处理的过程可以包括以下两种，先对样本文本数据进行分词处理，之后再对分词后得到的初始文本分词中可能携带有的停用词进行去除，即先通过预先构建的语句分词语料库，对采集的样本文本数据进行文本分词处理，从而得到样本文本数据包含的初始文本分词，之后还可以利用停用词语料库，对初始文本分词中可能携带的停用词进行过滤处理，从而仅保留不含停用词的初始文本分词，即仅保留样本文本数据对应的文本分词。
103.而在得到样本文本数据包含的文本分词后，服务器还可以直接将上述文本分词输入文本数据分类模型，由文本数据分类模型执行对上述文本分词的第一分词向量获取。
104.本实施例中，在将样本文本数据输入文本数据分类模型之前，还实现了对样本文本数据的预处理，其中预处理过程可以包括利用语句分词语料库执行的文本分词过程，以及利用停用词语料库执行的停用词过滤过程，通过上述预处理过程，可以使得输入的文本分词更具完整性和准确性，从而可以提高模型训练的精准度。
105.在一个实施例中，步骤s101可以进一步包括：获取样本参与方对应的样本新闻数据，将样本新闻数据作为样本文本数据；和/或获取样本参与方对应的样本视频数据，从样本视频数据中提取出对应的音频数据，得到样本音频数据；将样本音频数据对应的文本数据作为样本文本数据。
106.本实施例中，样本文本数据的来源主要是通过以下两个途径，一个是利用样本参与方对应的新闻数据，即样本新闻数据，该新闻数据可以是携带有样本参与方相关信息的新闻数据，例如样本参与方可以是某一个企业，那么该样本新闻数据则可以是携带有企业名称关键字的新闻数据。而另外一个途径则可以是利用样本参与方对应的视频数据，即样本视频数据，该视频数据可以描述样本参与方的相关信息，例如可以是企业介绍相关视频等等。
107.具体来说，服务器可以预先采集针对于样本参与方的样本新闻数据以及样本视频数据，如果是样本新闻数据，服务器则可以将样本新闻数据中的新闻文本作为样本文本数据，输入至文本数据分类模型进行训练，而如果是样本视频数据，则需要先对样本视频中包含的音频进行音频提取，例如可以是通过asr技术将视频中携带的音频数据提取出来，之后还可以对得到的音频数据执行文本数据转换，从而得到样本文本数据，输入至文本数据分类模型进行训练。
108.本实施例中，用于训练的样本文本数据可以是样本参与方对应的样本新闻数据，也可以是从样本参与方的样本视频数据中得到，从而可以提高样本文本数据来源的多样性，进一步提高训练的市场情绪分类模型的准确性，
109.在一个实施例中，如图4所示，提供了一种情绪预测方法，本实施例以该方法应用
于服务器进行举例说明，在本实施例中，该方法可以包括如下步骤：
110.步骤s401，获取在预设时间周期内采集的针对于市场参与方的参与方文本数据。
111.其中，预设时间周期指的是预先设定的用于实现市场情绪预测而采集的文本数据所对应的时间周期，在本实施例进行情绪预测模型训练的过程中，服务器需要首先采集一定时间周期内的时长参与方相关的文本数据，即参与方文本数据，那么该时间周期则可以作为预设时间周期，该预设时间周期可以是一周。具体来说，当服务器需要对市场情绪进行预测时，首先可以采集近一周内市场参与方相关的文本数据，作为参与方文本数据。
112.步骤s402，将参与方文本数据输入情绪分类模型，通过情绪分类模型输出参与方文本数据对应的市场情绪类型；情绪分类模型通过如上任一项实施例所述的情绪分类模型训练方法得到。
113.而在得到参与方文本数据后，则可以将上述参与方文本数据输入预先训练完成的情绪分类模型，该情绪分类模型是通过上述实施例中使用的情绪分类模型训练方法训练得到，并且可以输出参与方文本数据对应的市场情绪类型，从而得到需要预测的市场情绪。
114.上述情绪预测方法中，通过获取在预设时间周期内采集的针对于市场参与方的参与方文本数据；将参与方文本数据输入情绪分类模型，通过情绪分类模型输出参与方文本数据对应的市场情绪类型；情绪分类模型通过如上任一项实施例所述的情绪分类模型训练方法得到。本技术提供的情绪预测方法，可以通过训练完成的情绪分类模型来实现市场情绪的预测，由于使用的情绪分类模型在训练时不仅考虑了文本数据本身的文本特征，还考虑了文本之间的关联关系，因此在通过情绪分类模型来实现市场情绪预测可以提高预测的准确性。
115.在一个应用实例中，还提供了一种交易处理方法，该方法利用人工智能算法技术计算出最符合客户及监管要求的赎回方案，实现活期资源的高效管理。如图5所示，该方法可以包括以下步骤：
116.步骤1：系统获取赎回指令、赎回信息、客户持仓信息。所获取的赎回指令可来源于客户签订的自动化赎回协议执行批量，协议设置账户活期资金最低限额，当账户资金低于最低限额时系统自动发起赎回指令，客户也可通过手机银行、网上银行等渠道发起赎回交易，系统下达赎回指令。所述赎回信息包括客户计划赎回的金额及到账日期要求，所述到账日期要求为界面客户手动输入或协议设置，可包括当天到账、t+n到账，所述客户持仓信息包括产品代码、持仓份额、交易明细、收益率、产品七日年化收益率、万份收益、产品历史价格数据等。
117.步骤2：统接收所有赎回指令，根据赎回模型计算出最佳赎回金额产品及赎回份额。模型输入客户历史赎回偏好、监管要求、赎回金额等信息，输出最佳赎回方案。
118.步骤2.1，系统获取客户持仓产品信息，并依据赎回信息中的到账日期要求进行筛选。若客户要求当天到账，则将赎回方案产品类型筛选出现金管理类产品，若客户要t+n到账，则将赎回方案产品筛选出赎回兑付递延天数≤n的产品客户持仓。
119.步骤2.2，判断产品所属类型。所述产品类型包括现金管理类t+0产品、固定收益类产品和净值型产品。
120.步骤2.3，针对现金管理类t+0产品，系统获取客户持仓未来一个周期内的预测收益(收益预测模块)。1)收益预测模型：获取每一支产品历史的收益数据，包括每只产品每周
每天的历史收益，作为训练的数据。通过训练的样本进行模型的训练，利用机器学习线性回归的算法，预测未来赎回周期内产品每日的收益。例如：利用历史数据中每周一的收益数据作为样本，预测赎回周内周一的产品收益。2)每日收益柱状图：将预测模型输出的预测数据导入origin进行绘图，得到赎回周期内每天每支产品收益的柱状图，通过柱状图可分析每日收益最低产品。3)每日平均收益折线图：根据模型的预测数据，计算每日所有产品的平均收益，导入origin得到周期内每天产品平均收益折线图，通过折现图可以分析平均收益最低的日期。4)数据分析：利用每日平均收益折线图，得到一周内平均收益最低的日期，根据收益最低日期利用每日收益柱状图分析该日收益最低的产品，作为赎回的产品。
121.步骤2.4，针对固定收益类产品，取产品的年化收益率，计算未来一个周期的收益。客户收益＝客户份额*发行价格*对应档次的年化收益率*(登记日-起息日+1)/计算天数，例如客户年化收益率为4.5％，那么收益＝产品份额*4.5％*持有天数/365。
122.步骤2.5，针对权益类产品，获取产品对应的投资股票组合。获取当前经济的最新宏观指标、所述所投向上市企业的财务指标，以及企业的市场情绪，利用机器学习算法学习股票价格，通过预测的股票价格增长值预测客户收益，若所投向包括股票指数，则根据成分股预测值加权获得股指预测价格。
123.步骤2.5.1，获取当前经济的最新宏观指标、所述所投向企业的财务指标、企业的市场情绪以及市场交易数据指标。
124.1、宏观指标数据分析：宏观指标的分析基于以下四个影响因素：通货膨胀率x1、gdp实际增长率x2、政府财政支持增长率x3，货币政策-实际利率x4。采用多元线性分析回归模型来计算，其中α为变量x的系数，可通过存量x变量数据进行计算。宏观指标计算公式：y＝α0+α1x1+α2x2+α3x3+α4x4，y即为宏观指标数据分数。
125.2、财务指标数据分析：根据财务指标影响因子对财务指标数据进行分析。总资产收益率、净资产收益率、资产负债率，作为盈利因子g1；总资产同比增长率、净资产同比增长率，作为增长因子g2；公司总股本、流通股本，作为规模因子g3；现金营运指数、应收账款周转率，作为现金因子g4。基于以上因子进行财务指标的回归分析，财务指标分数计算公式为：p＝β0+β1g1+β2g2+β3g3+β4g4，通过存量f变量数据以及财务指标p分值，计算变量系数β。
126.3、市场情绪数据分析：市场情绪主要通过wind系统，利用企业名称作为关键字查询与企业相关的新闻数据，包括视频数据和文本数据，利用自然语言处理技术预测市场情绪，市场情绪分为积极和消极。获取近一周的企业新闻文档数据并进行以下步骤处理：
127.(1)数据预处理：
128.针对视频数据利用asr技术从视频提取音频，转化为文字进行处理。将转化为文本的视频数据和新闻文本数据根据语句分词语料库并采用基于统计的分词方法，对文本进行分词；基于停用词语料库对分词文本去除停用词，完成文本的预处理。
129.(2)数据特征提取：
130.对分词后的文本进行特征提取，采用基于词向量的特征提取方法。词向量的表示在cbow模型的基础上增加了上下文词向量的输入方式。cbow模型输入层上下文词向量采用的one-hot向量表示，此表示方式缺少对上下文的关联关系，会丢失上下文之间的隐藏信息。因此优化模型cbow-b增加均值向量的输入方式，将上文词向量的均值向量和下文词向量的均值向量，分别作为中间向量的头向量和尾向量。具体操作步骤如下：1)通过cbow模型
得到投影层各输入向量加权求和的均值向量，作为输出层的输入向量f1。2)优化模型cbow-b：将上文均值作为头向量h，下文均值作为尾向量t，计算得到中间向量f。通过空间映射矩阵将头向量和尾向量映射成为空间的形式h
⊥
＝m
rh
h和t
⊥
＝m
rh
t，h
⊥
+f2＝t
⊥
，通过h
⊥
和t
⊥
得到对应的中间向量f2。3)将输出向量f1和f2中间向量的均值向量通过softmax函数输出，得到目标向量。
131.(3)情感分类模型：采用深度学习循环神经网络rnn模型。将预处理的历史新闻数据、视频数据和情绪标签数据(重大利好、一般利好、一般利空、重大利空)作为训练数据，对rnn模型进行训练。获取近一周内企业新闻数据作为预测样本，输入已训练模型，对未来三个月内市场情绪进行预测。
132.(4)市场情绪评分：通过模型预测情绪的分类结果，此分类结果包括各个情绪标签所占的比例。根据预测情绪占比、市场交易指标，对分类情绪进行打分，情绪分值范围[-1,1],得到最后市场情绪指标分值s。
[0133]
步骤2.5.2，利用机器学习算法学习股票价格。通过步骤2.5.1可计算得到影响股票价格或债券价格的各指标得分数据：宏观指标y、财务指标p、市场情绪指标s。将历史各指标得分以及股票的价格，作为训练样本数据，采用机器学习线性回归算法，对股票价格模型进行训练。获取最近一周各指标数据，作为预测样本输入股票价格预测模型对未来一个周期股票的价格进行预测，得到未来一个周期股票的价格。
[0134]
步骤2.5.3，通过预测的股票价格增长值计算客户收益。根据产品所投资比例权重计算产品所获总收益，理财产品总净值＝理财产品认购总金额+理财产品所获总收益-理财产品总税费-理财产品累计终止、赎回和分红总金额。理财产品单位净值＝理财产品总净值/理财产品总存续份额。客户收益与持有产品的时间无关，客户回流资金＝客户份额*净值，收益＝份额*(净值-买入价格)。
[0135]
步骤2.6，针对混合类产品，所投向资产包括债券和股票，根据固定收益类债券和股票的权重加权得到总收益。所述股票收益可基于步骤2.5计算，所述债券收益包括债券票息和资本利得。每期票息收益＝债券面值*票息率，资本利得＝债券现值-债券买入价格。债券现值为未来现金流包括票息和本金根据收益率的折现价格，通过预测债券收益率可预测债券现值。可通过机器学习算法预测债券收益率，输入收益率曲线数据(即当前时间的1-10年到期的零息债券年化到期收益率)、宏观指标(可包括国民生产总值、工业增加值、社会消费品零售总额、进出口总值、居民消费价格指数、房地产价格、固定资产投资、票据承兑量、汇率等指标)、企业信用风险指标(可包括企业信用评级等指标)作为变量作为训练样本数据，采用机器学习线性回归算法，对债券收益率模型进行训练。获取最近一周各指标数据，作为预测样本输入债券收益率预测模型对未来一个周期债券收益率进行预测，得到未来一个周期债券的价格。理财产品总净值＝理财产品认购总金额+理财产品所获总收益-理财产品总税费-理财产品累计终止、赎回和分红总金额。理财产品单位净值＝理财产品总净值/理财产品总存续份额。客户收益与持有产品的时间无关，客户回流资金＝客户份额*净值，客户收益＝份额*(净值-买入价格)。
[0136]
步骤2.7，系统针对赎回产品依据预测客户收益最低原则进行排序，并基于客户的赎回金额计算分摊比例。例如客户持有a产品1万份额、b产品2万份额、c产品1万份额，赎回金额为2.5万，赎回按照赎回收益从小到大排序为a、b、c，则赎回金额分摊到各产品的比例
为：a产品赎回1万份额，占赎回金额的40％；b产品赎回1.5万，占赎回金额的60％；c产品不赎回份额。
[0137]
步骤2.8，根据客户历史赎回方案调整赎回顺序。系统查询赎回方案中最后一只赎回产品的历史方案调整记录，如果无记录就不调整，如果有记录则按照最新一次的调整比例进行调整。所述调整比例具体指如果方案中产品x存在于顺序n，往前调整到顺序m的调整比例＝(n-m)/(n-1)，其中m≤n。
[0138]
例如截止步骤2.6得出的赎回方案最后一只赎回产品为b，查询系统历史调整记录中是否有产品b相关的调整记录，如果客户曾在s300步骤的历史赎回方案(方案中赎回3只产品，产品b排最后一只)中调整产品b的顺序为首位，则往前的调整比例为1，则将本方案中产品b往前调整1位，赎回方案更改为产品b—》产品a。
[0139]
查客户调整记录，是否有取消赎回的产品，如果有则不置入赎回方案中。例如赎回方案仍然是产品a—》产品b，且历史赎回方案中存在客户取消赎回产品b的记录，则将b剔除赎回方案，现有赎回方案更改为产品a—》产品c。
[0140]
如果客户调整记录中有自己主动勾选的产品，替换收益最低的产品。例如赎回方案仍然是产品a—》产品b，且历史赎回方案中存在客户主动勾选产品c进行赎回的记录，则现有赎回方案更改为产品a—》产品c。
[0141]
步骤2.9，系统获取赎回产品相关的监管要求，确定赎回方案。例如系统确定的赎回产品顺序为产品a—》产品b—》产品c，其中产品a和产品b为现金管理类产品，产品c为净值型产品。监管要求现金管理类产品每日赎回限额为1万。为方便理解，设置赎回方案确定赎回产品i的赎回金额为x(i)。假设赎回指令所包含的赎回金额为2.5万时，系统先根据产品a及监管要求x(a)≤1万，x(b)≤1万，得出x(a)＝1万，x(b)＝1万，x(c)＝0.5万。
[0142]
步骤3，获取客户联机方案调整确认结果，调整包括调整顺序、调整比例，发起赎回指令。如图3为一种联机提交赎回申请和调整方案的示意图所示，客户可取消勾选产品则取消赎回该产品，客户可勾选产品则将产品纳入赎回方案中，客户可主动调整赎回顺序。
[0143]
步骤4，系统接收赎回执行指令，根据指令所包含的产品、金额或份额及赎回顺序，完成交易赎回。
[0144]
另外，还提供了一种账户管理装置，如图6所示，具体可以包括：
[0145]
交易管理模块610，用于获取来自客户的交易申请，获取来自赎回计算模块的赎回方案，接收来自客户的方案调整数据，向金融投资综合模块发起最终赎回交易指令及方案，包括：指令收集模块、方案获取模块、赎回方案调整模块、交易指令输出模块。
[0146]
指令收集模块用于系统获取赎回指令、赎回信息、客户持仓信息。
[0147]
方案获取模块用于根据指令调用模型计算方案中的方案存储模块获取相应赎回方案。
[0148]
赎回方案调整模块用于获取客户联机方案调整确认结果，调整包括调整顺序、调整比例，发起赎回指令。
[0149]
交易指令输出模块用于将交易指令发送至金融投资综合模块执行交易。所述交易指令包括所执行的交易类型、交易产品、交易金额。
[0150]
模型计算模块620用于获取模型输入信息，区分产品类型，预测客户持有产品的预期收益，并根据客户历史偏好及监管要求对赎回方案进行调整和存储，向交易管理模块输
出赎回方案，包括：信息获取模块、收益预测模块、赎回方案计算模块、方案存储模块。
[0151]
信息获取模块用于获取模型输入信息，包括产品信息、客户信息、监管要求信息。产品信息可包括基本信息、风险等级、历史收益率及净值信息。客户信息包括客户资产、客户开户信息、客户信贷信息、客户风险等级、已购买的理财产品、购买理财金额占总资产的比例、每只理财产品收益。监管要求信息包括对特定类产品的购买或赎回最高最低限额要求。
[0152]
收益预测模块用于基于产品历史收益信息预测未来赎回周期内产品每日的收益。
[0153]
赎回方案计算模块用于依据收益预测模块计算出产品收益、利用调整模块基于客户偏好以及监管要求对方案进行调整，输出所述相关方案信息至方案存储模块储存，包括系列产品信息、交易类型、交易金额、赎回顺序等。所述收益预测模块包括现金管理类产品收益预测模块、固定收益类产品收益计算模块、权益型产品收益预测模块和混合型产品收益预测模块，分别针对四类产品预测及计算未来一个周期内的持有收益。所述调整模块包括偏好调整模块和监管限额调整模块，分别基于客户偏好以及监管要求对方案进行调整。
[0154]
方案存储模块用于存储客户本期账户管理的购买方案或赎回方案。
[0155]
融投资综合模块630，主要用于接收来自交易管理模块的赎回指令及赎回方案，完成交易执行，包括：交易指令接收模块，交易执行模块、交易结果反馈模块。
[0156]
交易指令接收模块用于接收交易指令并获取交易指令输出模块的交易类型、交易产品、交易金额。
[0157]
交易执行模块根据指令所包含的产品和金额或份额，完成交易赎回。
[0158]
交易结果反馈模块用于执行赎回交易后向交易管理模块和模型计算模块返回交易结果，更新客户持仓信息。
[0159]
上述应用实例，能够结合客户自身需求、监管政策要求，利用人工智能算法技术计算出最符合客户及监管要求的赎回方案，实现客户活期资金的高效管理。
[0160]
应该理解的是，虽然如上所述的各实施例所涉及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，如上所述的各实施例所涉及的流程图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。
[0161]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的情绪分类模型训练方法的情绪分类模型训练装置，以及一种用于实现上述所涉及的情绪预测方法的情绪预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个情绪分类模型训练装置实施例中的具体限定可以参见上文中对于情绪分类模型训练方法的限定，而情绪预测装置实施例中的具体限定可以参见上文中对于情绪预测方法的限定，在此不再赘述。
[0162]
在一个实施例中，如图7所示，提供了一种情绪分类模型训练装置，包括：样本数据获取模块701、第一向量获取模块702、第二向量获取模块703、预测概率获取模块704和分类模型训练模块705，其中：
[0163]
样本数据获取模块701，用于获取样本参与方对应的样本文本数据，以及获取样本文本数据对应的样本标签；样本标签用于标识样本文本数据对应的市场情绪类型；
[0164]
第一向量获取模块702，用于将样本文本数据输入待训练的文本数据分类模型，利用文本数据分类模型确定样本文本数据中包含的文本分词对应的第一分词向量，以及文本分词对应的上文词向量和下文词向量；
[0165]
第二向量获取模块703，用于根据文本分词对应的上文词向量和下文词向量，得到文本分词对应的第二分词向量；
[0166]
预测概率获取模块704，用于基于第一分词向量以及第二分词向量，确定样本文本数据对应的市场情绪预测概率；
[0167]
分类模型训练模块705，用于根据市场情绪预测概率与样本标签之间的差异损失对文本数据分类模型进行训练，得到情绪分类模型。
[0168]
在一个实施例中，文本分词对应的上文词向量和下文词向量的数量为多个；第二向量获取模块703，进一步用于根据文本分词对应的多个上文词向量，得到文本分词对应的上文均值向量，以及根据文本分词对应的多个下文词向量，得到文本分词对应的下文均值向量；获取上文均值向量对应的第一空间映射向量，以及获取下文均值向量对应的第二空间映射向量；根据第一空间映射向量以及第二空间映射向量，得到文本分词对应的第二分词向量。
[0169]
在一个实施例中，第二向量获取模块703，进一步用于获取预设的空间映射变换信息；利用空间映射变换信息分别对上文均值向量以及下文均值向量进行空间映射变换，分别得到第一空间映射向量以及第二空间映射向量；将第二空间映射向量与第一空间映射向量进行作差处理，得到文本分词对应的第二分词向量。
[0170]
在一个实施例中，预测概率获取模块704，进一步用于获取第一分词向量与第二分词向量的向量均值，将向量均值作为所述文本分词对应的目标分词向量；根据文本分词对应的目标分词向量，获取样本文本数据对应的样本文本特征；根据样本文本特征，确定样本文本数据对应的市场情绪预测概率。
[0171]
在一个实施例中，情绪分类模型训练装置，包括：样本数据预处理模块，用于根据预设的语句分词语料库，获取样本文本数据包含的初始文本分词；获取预设的停用词语料库，利用停用词语料库对初始文本分词进行过滤处理，得到样本文本数据包含的文本分词；第一向量获取模块702，进一步用于将样本文本数据包含的文本分词输入待训练的文本数据分类模型。
[0172]
在一个实施例中，样本数据获取模块701，进一步用于获取样本参与方对应的样本新闻数据，将样本新闻数据作为样本文本数据；以及用于获取样本参与方对应的样本视频数据，从样本视频数据中提取出对应的音频数据，得到样本音频数据；将样本音频数据对应的文本数据作为样本文本数据。
[0173]
在一个实施例中，如图8所示，提供了一种情绪预测装置，包括：预测文本获取模块801以及市场情绪预测模块802，其中：
[0174]
预测文本获取模块801，用于获取在预设时间周期内采集的针对于市场参与方的参与方文本数据；
[0175]
市场情绪预测模块802，用于将参与方文本数据输入情绪分类模型，通过情绪分类
模型输出参与方文本数据对应的市场情绪类型；情绪分类模型通过如上任一项实施例所述的情绪分类模型训练方法得到。
[0176]
上述情绪分类模型训练装置以及情绪预测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。
[0177]
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9所示。该计算机设备包括通过系统总线连接的处理器、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和内存储器。该非易失性存储介质存储有操作系统、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系统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样本文本数据。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情绪分类模型训练方法，或者实现一种情绪预测方法。
[0178]
本领域技术人员可以理解，图9中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术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。
[0179]
在一个实施例中，还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上述各方法实施例中的步骤。
[0180]
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，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0181]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0182]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0183]
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，本技术所提供的各实施例中所使用的对存储器、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、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。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等。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。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，
不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0184]
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。
[0185]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。