基于分类模型的目标产品分类方法、装置、设备和介质与流程

1.本技术涉及人工智能技术领域，特别是涉及一种基于分类模型的目标产品分类方法、装置、设备和介质。


背景技术：

2.证券投资基金是指通过发售基金份额募集资金形成独立的基金财产，由基金管理人管理、基金托管人托管，以资产组合方式进行证券投资，基金份额持有人按其所持份额享受收益和承担风险的投资工具。
3.传统技术中，对于基金的管理以及评价通常是根据字段来进行简单的分类，例如根据基金的可投资标的类型、基于投资标的行业、基于投资标的所属板块等等。
4.上述基金分类方式虽然可以简单地根据特定的字段将基金划分为多类，但是由于基金的数据较多，仅仅根据字段进行分类智能化水平不高。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提高智能化水平的基于分类模型的目标产品分类方法、装置、设备和介质。
6.一种基于分类模型的目标产品分类方法，所述方法包括：
7.获取目标产品的产品数据；
8.根据所述产品数据计算得到各目标产品对应的目标指标；
9.获取各所述产品数据的时间维度，并计算各所述时间维度的初始跨度；
10.根据计算得到的初始跨度得到最大跨度，通过所述最大跨度统一各所述时间维度，并根据统一后的时间维度修正所述目标指标；
11.将各所述目标产品所对应的修正后的目标指标输入至预先训练完成的分类模型中，得到各所述目标产品对应的分类结果。
12.在其中一个实施例中，所述将各所述目标产品所对应的修正后的目标指标输入至预先训练完成的分类模型中，得到各所述目标产品对应的分类结果之后，包括：
13.接收针对所述分类结果的评价；
14.当所述评价为分类结果错误时，则获取分类结果错误的目标产品的产品数据，并提取评价中的分类标签；
15.根据所述分类结果错误的目标产品的产品数据以及所述分类标签对所述分类模型重新进行训练。
16.在其中一个实施例中，所述获取分类结果错误的目标产品的产品数据之后，还包括：
17.通过预先训练完成的分类模型，计算分类结果错误的目标产品的产品数据对应的第一特征向量；
18.通过预先训练完成的分类模型，计算样本数据中样本产品的样本数据对应的第二
特征向量；
19.计算所述第一特征向量和所述第二特征向量的相似度，并输出相似度满足预设阈值的第二特征向量所对应的样本数据；
20.对所输出的样本数据进行重新打标；
21.所述根据所述分类结果错误的目标产品的产品数据以及所述分类标签对所述分类模型重新进行训练，包括：
22.根据所述分类结果错误的目标产品的产品数据以及所述分类标签、重新打标的样本数据对所述分类模型重新进行训练。
23.在其中一个实施例中，所述分类模型的训练方式包括：
24.获取样本数据，所述样本数据包括样本产品以及样本产品的标签；
25.根据所述样本产品对应的样本数据计算得到样本指标；
26.根据所述样本指标以及样本产品的标签进行训练得到分类模型。
27.在其中一个实施例中，所述将各所述目标产品所对应的修正后的目标指标输入至预先训练完成的分类模型中，得到各所述目标产品对应的分类结果之后，包括：
28.根据产品标的对每一分类结果中的目标产品进行分类。
29.一种基于分类模型的目标产品分类装置，所述装置包括：
30.产品数据获取模块，用于获取目标产品的产品数据；
31.目标指标计算模块，用于根据所述产品数据计算得到各目标产品对应的目标指标；
32.修正模块，用于获取各所述产品数据的时间维度，并计算各所述时间维度的初始跨度；根据计算得到的初始跨度得到最大跨度，通过所述最大跨度统一各所述时间维度，并根据统一后的时间维度修正所述目标指标；
33.分类模块，用于将各所述目标产品所对应的修正后的目标指标输入至预先训练完成的分类模型中，得到各所述目标产品对应的分类结果。
34.在其中一个实施例中，所述装置包括：
35.接收模块，用于接收针对所述分类结果的评价；
36.提取模块，用于当所述评价为分类结果错误时，则获取分类结果错误的目标产品的产品数据，并提取评价中的分类标签；
37.重新训练模块，用于根据所述分类结果错误的目标产品的产品数据以及所述分类标签对所述分类模型重新进行训练。
38.在其中一个实施例中，所述装置还包括：
39.第一特征向量计算模块，用于通过预先训练完成的分类模型，计算分类结果错误的目标产品的产品数据对应的第一特征向量；
40.第二特征向量计算模块，用于通过预先训练完成的分类模型，计算样本数据中样本产品的样本数据对应的第二特征向量；
41.相似度计算模块，用于计算所述第一特征向量和所述第二特征向量的相似度，并输出相似度满足预设阈值的第二特征向量所对应的样本数据；
42.打标模块，用于对所输出的样本数据进行重新打标；
43.所述重新训练模块用于根据所述分类结果错误的目标产品的产品数据以及所述
分类标签、重新打标的样本数据对所述分类模型重新进行训练。
44.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的任意一个实施例中的方法的步骤。
45.一种计算机存储介质，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上述的任意一个实施例中的方法的步骤。
46.上述基于分类模型的目标产品分类方法、装置、设备和介质，在获取到目标产品的产品数据后，对产品数据进行时间维度上的统一，并根据统一后的时间维度修正目标指标，从而保证了所有的目标产品在时间维度上的统一，保证了数据质量，这样再通过训练完成的分类模型进行处理得到分类结果，不需要人工进行计算等，提高了智能化水平。
附图说明
47.图1为一个实施例中基于分类模型的目标产品分类方法的应用场景图；
48.图2为一个实施例中基于分类模型的目标产品分类方法的流程示意图；
49.图3为一个实施例中基于分类模型的目标产品分类方法的训练流程示意图；
50.图4为一个实施例中基于分类模型的目标产品分类装置的结构框图；
51.图5为一个实施例中计算机设备的内部结构图。
具体实施方式
52.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。
53.本技术提供的基于分类模型的目标产品分类方法，可以应用于如图1所示的应用环境中。其中，数据库102通过网络与服务器104通过网络进行通信。服务器104从数据库102中获取目标产品的产品数据；根据产品数据计算得到各目标产品对应的目标指标；获取各产品数据的时间维度，统一各时间维度，并根据统一后的时间维度修正目标指标；将各目标产品所对应的修正后的目标指标输入至预先训练完成的分类模型中，得到各目标产品对应的分类结果。这样在获取到目标产品的产品数据后，对产品数据进行时间维度上的统一，并根据统一后的时间维度修正目标指标，从而保证了所有的目标产品在时间维度上的统一，保证了数据质量，这样再通过训练完成的分类模型进行处理得到分类结果，不需要人工进行计算等，提高了智能化水平。其中，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。
54.在一个实施例中，如图2所示，提供了一种基于分类模型的目标产品分类方法，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：
55.s202：获取目标产品的产品数据。
56.具体地，目标产品是指待分类的产品，例如其为金融产品，具体地为至少一种基金产品。产品数据是指待分类的产品的产品数据，其可以是一段时间内待分类产品的市场数据，通过收集该些市场数据，并与对应的目标产品的产品标识进行关联存储，优选地，该产品数据可以为自基金产品成立以来所产生的所有的市场数据。
57.s204：根据产品数据计算得到各目标产品对应的目标指标。
58.具体地，目标指标是根据产品数据计算得到的，其可以是与目标产品相关的任何目标指标，例如以基金产品为例，其可以包括但不限于基金报告中的原始指标、衍生指标，以及市场和宏观指标，比如基金行情数据、持仓行业配置、持股集中度、换手率、市场行业指数、m2增幅等。
59.其中目标指标的计算是根据预先设置的规则进行的，服务器将产品数据输入至预先设置的规则中即可以得到目标指标。
60.服务器根据所获取的产品数据对每一基金进行计算得到目标指标，其中可选地，为了提高处理效率，服务器可以并行计算得到每一基金对应的目标指标。
61.此外，在一个优选的实施例中，由于各个目标指标之间存在依赖关系，服务器可以先获取到目标指标的依赖关系，然后根据依赖关系确定各个目标指标之间的计算顺序，最后根据该计算顺序依次计算同一个基金所对应的各个目标指标。具体地，依赖关系是指各个指标之间的计算的先后顺序，例如a指标的计算依赖于b指标，则服务器优先计算b指标，在计算完成后，再计算a指标。
62.s206：获取各产品数据的时间维度，并计算各时间维度的初始跨度；根据计算得到的初始跨度得到最大跨度，通过最大跨度统一各时间维度，并根据统一后的时间维度修正目标指标。
63.具体地，时间维度是由于各个产品的成立时间不同所导致的，有一些产品成立时间较短，因此其时间维度仅为月，而有的产品成立时间较早，其时间维度为年，为了保证各个产品的时间维度的统一。服务器可以先获取到各产品数据对应的时间维度，并读取时间维度的初始跨度，若是初始跨度均为月，而未达到年，则直接统一时间维度为月，若是有的初始跨度为月，有的初始跨度为年，则为了保证数据质量，优先统一时间维度为年，也就是说根据计算得到的初始跨度得到最大跨度，通过最大跨度统一各时间维度。
64.例如，服务器根据各个目标指标计算年化目标指标，以确保数据质量。例如当目标指标为年化指标时，则直接获取到目标指标即可，当目标指标不是年化指标，例如是月化指标，则根据规则，例如乘以12的方式得到年化指标。
65.优选地，在计算得到各个目标指标后，服务器还将各个目标指标封装入预先设计的数据结构中，该预先设计的数据结构将各个目标指标进行分类，从而确定各个目标指标的存储位置。例如数据结构中的一部分用于表征数据类型，另外一部分用于存储目标指标，这样服务器获取目标指标的类型，存储至对应的数据结构中，然后再将该数据结构存储至对应的存储位置。
66.这样当服务器在计算得到目标指标后，可以将各个目标指标存入至对应的存储位置，并输出所计算的目标指标，从而用户可以通过观察各个存储位置的目标指标，来确定计算的处理程度，进而预估计算完成时间。
67.s208：将各目标产品所对应的修正后的目标指标输入至预先训练完成的分类模型中，得到各目标产品对应的分类结果。
68.具体地，分类模型是预先进行训练得到的，其可以是根据不同的产品以及对应的产品标签进行训练得到的。
69.其中，服务器将计算得到的目标指标输入至预先训练完成的分类模型中，得到各目标产品对应的分类结果，其中可选地，该分类模型先根据目标指标计算得到深维度的特
征向量，然后根据该特征向量对目标产品进行分类得到分类结果，优选地，服务器根据特征向量中的每一项的值以及每一项对应的权重进行计算从而得到目标产品属于各个分类的概率，选取概率最大的分类作为该目标产品的分类结果。
70.上述目标产品分类方法，在获取到目标产品的产品数据后，对产品数据进行时间维度上的统一，并根据统一后的时间维度修正目标指标，从而保证了所有的目标产品在时间维度上的统一，保证了数据质量，这样再通过训练完成的分类模型进行处理得到分类结果，不需要人工进行计算等，提高了智能化水平。
71.在其中一个实施例中，将各目标产品所对应的修正后的目标指标输入至预先训练完成的分类模型中，得到各目标产品对应的分类结果之后，包括：接收针对分类结果的评价；当评价为分类结果错误时，则获取分类结果错误的目标产品的产品数据，并提取评价中的分类标签；根据分类结果错误的目标产品的产品数据以及分类标签对分类模型重新进行训练。
72.具体地，分类结果的评价是指针对当前分类结果进行判断，以确定该分类结果是否正确。其中服务器输出各个目标产品的分类结果后，通过人工来进行处理，以确定该分类结果是否正确，若是分类结果错误，则说明分类模型还需要进行重新训练，因此根据用户输入的分类标签和该分类结果错误的目标产品的产品数据对分类模型进行重新训练，以给模型分类结果增加是否准确的标签，用人和机器相结合的方式，由机器解决大数据量的问题，人来纠正机器模型预测分类出来的偏差。
73.在其中一个实施例中，获取分类结果错误的目标产品的产品数据之后，还包括：通过预先训练完成的分类模型，计算分类结果错误的目标产品的产品数据对应的第一特征向量；通过预先训练完成的分类模型，计算样本数据中样本产品的样本数据对应的第二特征向量；计算第一特征向量和第二特征向量的相似度，并输出相似度满足预设阈值的第二特征向量所对应的样本数据；对所输出的样本数据进行重新打标；根据分类结果错误的目标产品的产品数据以及分类标签对分类模型重新进行训练，包括：根据分类结果错误的目标产品的产品数据以及分类标签、重新打标的样本数据对分类模型重新进行训练。
74.具体地，分类模型是包括特征提取模块和分类模块的，通过特征提取模块提取输入的产品数据的特征向量，然后将所提取的特征向量输入至分类模块从而进行分类。在本实施例中为了方便，直接采用模型的特征提取模块来计算得到目标产品的产品数据对应的第一特征向量和样本产品的样本数据对应的第二特征向量，这样第一特征向量和第二特征向量的维度和生成标准是一致的，从而第一特征向量和第二特征向量才具有可比性。且直接采用模型的特征提取模块，符合模型的处理标准，更进一步地提高后续处理的准确性。计算所述第一特征向量和所述第二特征向量的相似度的步骤，可以是计算第一特征向量和第二特征向量的余弦值或者差值等，这样可以简化操作。这样通过相同的特征提取模块来计算得到目标产品的产品数据对应的第一特征向量和样本产品的样本数据对应的第二特征向量，这样第一特征向量和第二特征向量的维度和生成标准是一致的，从而第一特征向量和第二特征向量才具有可比性。
75.其中，需要说明的是此处的预设阈值可以是预先设置的，或者是用户根据需要选取的，在实际应用中，服务器可以是直接获取到默认的阈值，从而直接输出大于该阈值的所有的模型训练样本。
76.在其他的实施例中，服务器获取预设的数量等级，例如10、50、100、200等，并获取到该预设的数量等级所对应的相似度的值，例如服务器将目标产品的产品数据对应的第一特征向量和样本产品的样本数据对应的第二特征向量的相似度进行排序，然后获取每个数量等级所对应的样本数据，进而服务器计算每个数量等级中排序最后的一个样本数据所对应的相似度，并分别输出该些相似度和样本数据的数量，以及其的对应关系。从而用户可以衡量工作量，以获取到最符合要求的样本数据的数量，并进行选择，从而服务器可以根据所选择的样本数据的数量来确定相似度的阈值。进而根据该预设阈值获取到需要二次判定的模型训练样本，并输出。上述实施例中，通过设置阈值，来选取对应的样本数据，并输出，以进行二次判定。
77.这样，服务器不仅获取到分类结果为错误的标签，还对样本数据中一开始分类可能存在错误的数据进行了重新分类，并根据该些重新打标的数据进行模型的重新训练，这样在一次错误训练中可以获取到数量满足要求的数据对模型进行重新训练，提高模型训练的速度。
78.在其中一个实施例中，分类模型的训练方式包括：获取样本数据，样本数据包括样本产品以及样本产品的标签；根据样本产品对应的样本数据计算得到样本指标；根据样本指标以及样本产品的标签进行训练得到分类模型。
79.具体地，结合图3所示，在该实施例中，以基金产品为例进行说明，首先选择当前市场上公认的并有鲜明不同基金管理风格的基金管理人作为基准，比如张坤、葛兰、冯明远等等，用他们的代表基金作为数据标杆，放入神经网络模型中训练，以拟合他们对应的管理风格的分类。
80.具体地，提取基金研究所需的各种指标，包括基金报告中的原始指标、衍生指标，以及市场和宏观指标，比如基金行情数据、持仓行业配置、持股集中度、换手率、市场行业指数、m2增幅等，然后根据各个基金管理人的管理风格标签对该些基金进行打标，进而根据打标后的数据用nn方法进行训练，根据管理风格的分类标记数据，训练出分类模型。
81.在其中一个实施例中，将各目标产品所对应的修正后的目标指标输入至预先训练完成的分类模型中，得到各目标产品对应的分类结果之后，包括：根据产品标的对每一分类结果中的目标产品进行分类。
82.具体地，对于模型给出的分类结果，可以作为基础数据直接应用于基金投资研究的实际场景中，通过进一步的分类比较和筛选，从而在相同的基金管理方法的类别中，选择出合适的基金，以期望在当前的市场情态下获得可靠的收益。
83.其中可选地，服务器根据标的，例如基于可投资标的类型、基于投资标的行业、基于投资标的所属板块等等对每一分类下的目标产品进行分类，以精细化各个目标产品的产品画像。
84.需要强调的是，为进一步保证上述产品数据、目标指标以及分类结果的私密和安全性，上述产品数据、目标指标以及分类结果还可以存储于一区块链的节点中。
85.应该理解的是，虽然图2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中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
86.在一个实施例中，如图4所示，提供了一种目标产品分类装置，包括：产品数据获取模块100、目标指标计算模块200、修正模块300和分类模块400，其中：
87.产品数据获取模块100，用于获取目标产品的产品数据；
88.目标指标计算模块200，用于根据产品数据计算得到各目标产品对应的目标指标；
89.修正模块300，用于获取各产品数据的时间维度，并计算各时间维度的初始跨度；根据计算得到的初始跨度得到最大跨度，通过最大跨度统一各时间维度，并根据统一后的时间维度修正目标指标；
90.分类模块400，用于将各目标产品所对应的修正后的目标指标输入至预先训练完成的分类模型中，得到各目标产品对应的分类结果。
91.在其中一个实施例中，上述目标产品分类装置还可以包括：
92.接收模块，用于接收针对分类结果的评价；
93.提取模块，用于当评价为分类结果错误时，则获取分类结果错误的目标产品的产品数据，并提取评价中的分类标签；
94.重新训练模块，用于根据分类结果错误的目标产品的产品数据以及分类标签对分类模型重新进行训练。
95.在其中一个实施例中，上述目标产品分类装置还可以包括：
96.第一特征向量计算模块，用于通过预先训练完成的分类模型，计算分类结果错误的目标产品的产品数据对应的第一特征向量；
97.第二特征向量计算模块，用于通过预先训练完成的分类模型，计算样本数据中样本产品的样本数据对应的第二特征向量；
98.相似度计算模块，用于计算第一特征向量和第二特征向量的相似度，并输出相似度满足预设阈值的第二特征向量所对应的样本数据；
99.打标模块，用于对所输出的样本数据进行重新打标；
100.重新训练模块用于根据分类结果错误的目标产品的产品数据以及分类标签、重新打标的样本数据对分类模型重新进行训练。
101.在其中一个实施例中，上述目标产品分类装置还可以包括：
102.样本获取模块，用于获取样本数据，样本数据包括样本产品以及样本产品的标签；
103.样本指标计算模块，用于根据样本产品对应的样本数据计算得到样本指标；
104.训练模块，用于根据样本指标以及样本产品的标签进行训练得到分类模型。
105.在其中一个实施例中，上述目标产品分类装置还可以包括：
106.再分类模块，用于根据产品标的对每一分类结果中的目标产品进行分类。
107.关于基于分类模型的目标产品分类装置的具体限定可以参见上文中对于基于分类模型的目标产品分类方法的限定，在此不再赘述。上述基于分类模型的目标产品分类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。
108.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5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、网络接口和数据库。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产品数据、目标指标以及分类结果。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基于分类模型的目标产品分类方法。
109.本领域技术人员可以理解，图5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。
110.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，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取目标产品的产品数据；根据产品数据计算得到各目标产品对应的目标指标；获取各产品数据的时间维度，并计算各时间维度的初始跨度；根据计算得到的初始跨度得到最大跨度，通过最大跨度统一各时间维度，并根据统一后的时间维度修正目标指标；将各目标产品所对应的修正后的目标指标输入至预先训练完成的分类模型中，得到各目标产品对应的分类结果。
111.在一个实施例中，处理器执行计算机程序时所实现的将各目标产品所对应的修正后的目标指标输入至预先训练完成的分类模型中，得到各目标产品对应的分类结果之后，包括：接收针对分类结果的评价；当评价为分类结果错误时，则获取分类结果错误的目标产品的产品数据，并提取评价中的分类标签；根据分类结果错误的目标产品的产品数据以及分类标签对分类模型重新进行训练。
112.在一个实施例中，处理器执行计算机程序时所实现的获取分类结果错误的目标产品的产品数据之后，还包括：通过预先训练完成的分类模型，计算分类结果错误的目标产品的产品数据对应的第一特征向量；通过预先训练完成的分类模型，计算样本数据中样本产品的样本数据对应的第二特征向量；计算第一特征向量和第二特征向量的相似度，并输出相似度满足预设阈值的第二特征向量所对应的样本数据；对所输出的样本数据进行重新打标；处理器执行计算机程序时所实现的根据分类结果错误的目标产品的产品数据以及分类标签对分类模型重新进行训练，包括：根据分类结果错误的目标产品的产品数据以及分类标签、重新打标的样本数据对分类模型重新进行训练。
113.在一个实施例中，处理器执行计算机程序时所实现的分类模型的训练方式包括：获取样本数据，样本数据包括样本产品以及样本产品的标签；根据样本产品对应的样本数据计算得到样本指标；根据样本指标以及样本产品的标签进行训练得到分类模型。
114.在一个实施例中，处理器执行计算机程序时所实现的将各目标产品所对应的修正后的目标指标输入至预先训练完成的分类模型中，得到各目标产品对应的分类结果之后，包括：根据产品标的对每一分类结果中的目标产品进行分类。
115.在一个实施例中，提供了一种计算机存储介质，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：获取目标产品的产品数据；根据产品数据计算得到各目标产品对应的目标指标；获取各产品数据的时间维度，并计算各时间维度的初始跨度；根据计算得到的初始跨度得到最大跨度，通过最大跨度统一各时间维度，并根据统一后的时间
维度修正目标指标；将各目标产品所对应的修正后的目标指标输入至预先训练完成的分类模型中，得到各目标产品对应的分类结果。
116.在一个实施例中，计算机程序被处理器执行时所实现的将各目标产品所对应的修正后的目标指标输入至预先训练完成的分类模型中，得到各目标产品对应的分类结果之后，包括：接收针对分类结果的评价；当评价为分类结果错误时，则获取分类结果错误的目标产品的产品数据，并提取评价中的分类标签；根据分类结果错误的目标产品的产品数据以及分类标签对分类模型重新进行训练。
117.在一个实施例中，计算机程序被处理器执行时所实现的获取分类结果错误的目标产品的产品数据之后，还包括：通过预先训练完成的分类模型，计算分类结果错误的目标产品的产品数据对应的第一特征向量；通过预先训练完成的分类模型，计算样本数据中样本产品的样本数据对应的第二特征向量；计算第一特征向量和第二特征向量的相似度，并输出相似度满足预设阈值的第二特征向量所对应的样本数据；对所输出的样本数据进行重新打标；计算机程序被处理器执行时所实现的根据分类结果错误的目标产品的产品数据以及分类标签对分类模型重新进行训练，包括：根据分类结果错误的目标产品的产品数据以及分类标签、重新打标的样本数据对分类模型重新进行训练。
118.在一个实施例中，计算机程序被处理器执行时所实现的分类模型的训练方式包括：获取样本数据，样本数据包括样本产品以及样本产品的标签；根据样本产品对应的样本数据计算得到样本指标；根据样本指标以及样本产品的标签进行训练得到分类模型。
119.在一个实施例中，计算机程序被处理器执行时所实现的将各目标产品所对应的修正后的目标指标输入至预先训练完成的分类模型中，得到各目标产品对应的分类结果之后，包括：根据产品标的对每一分类结果中的目标产品进行分类。
120.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
121.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、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
122.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。
123.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，本技术专利的保护范围应以所附权利要求为准。