一种基于资讯信息的判断策略生成方法及系统与流程

1.本发明涉及人工智能领域，尤其涉及一种基于资讯信息的判断策略生成方法及系统。


背景技术：

2.随着人工智能技术的高速发展，带动了各行各业的高速发展，资讯行业也越来越多地使用人工智能模型来进行智能分析，为资讯的判断决策给出强化的数据科学支撑。
3.资讯信息有着强烈的时间性和周期性，其信息中包括很深的依赖性，这些特性使得预测和判断趋势走向成为可能，同时这也是目前资讯行业的预测热点和难点。现有方案通常是由人工经验进行资讯预测和分析，人工经验的准确率较低，而且预测难度较大。


技术实现要素：

4.本发明提供了一种基于资讯信息的判断策略生成方法及系统，用于提高判断策略生成的准确率。
5.本发明第一方面提供了一种基于资讯信息的判断策略生成方法，所述基于资讯信息的判断策略生成方法包括：获取当前资讯周期的历史资讯信息，并对所述历史资讯信息进行特征信息提取，得到标准资讯信息；对所述标准资讯信息进行信息分类，得到第一分布信息和第二分布信息，并根据所述第一分布信息生成第一走势数据模型，以及根据所述第二分布信息生成第二走势数据模型；分别对所述第一走势数据模型和所述第二走势数据模型进行数据模型波动检测，得到第一走势波动数据和第二走势波动数据，并根据所述第一走势波动数据和第二走势波动数据构建目标波动向量；分别将所述目标波动向量输入预置的多个波动分析模型进行波动根因分析，生成目标分析结果；根据所述目标分析结果构建下一资讯周期对应的目标判断策略。
6.可选的，在本发明第一方面的第一种实现方式中，所述获取当前资讯周期的历史资讯信息，并对所述历史资讯信息进行特征信息提取，得到标准资讯信息，包括：接收终端发送的资讯信息解析请求，并根据所述资讯信息解析请求生成数据获取地址；根据所述数据获取地址从预置的资讯信息数据库中查询当前资讯周期的历史资讯信息；对所述历史资讯信息进行信息差分，得到多个离散化信息；对所述多个离散化信息进行信息比对和特征筛选，得到标准资讯信息。
7.可选的，在本发明第一方面的第二种实现方式中，所述对所述标准资讯信息进行信息分类，得到第一分布信息和第二分布信息，并根据所述第一分布信息生成第一走势数据模型，以及根据所述第二分布信息生成第二走势数据模型，包括：构建所述标准资讯信息对应的第一分布类和第二分布类；根据所述第一分布类提取所述标准资讯信息对应的第一分布信息，并根据所述第二分布类提取所述标准资讯信息对应的第二分布信息；根据所述第一分布信息生成第一走势数据模型，并根据所述第二分布信息生成第二走势数据模型。
8.可选的，在本发明第一方面的第三种实现方式中，所述分别对所述第一走势数据
模型和所述第二走势数据模型进行数据模型波动检测，得到第一走势波动数据和第二走势波动数据，并根据所述第一走势波动数据和第二走势波动数据构建目标波动向量，包括：获取所述第一走势数据模型对应的多个第一波段数据，以及获取所述第二走势数据模型对应的多个第二波段数据；分别构建每个第一波段数据对应的第一波段函数，并根据每个第一波段数据对应的第一波段函数计算第一走势波动数据；分别构建每个第二波段数据对应的第二波段函数，并根据每个第一波段数据对应的第二波段函数计算第二走势波动数据；对所述第一走势波动数据进行向量转换，得到第一波动向量，并对所述第二走势波动数据进行向量转换，得到第二波动向量；对所述第一波动向量和所述第二波动向量进行向量融合，得到目标波动向量。
9.可选的，在本发明第一方面的第四种实现方式中，所述分别将所述目标波动向量输入预置的多个波动分析模型进行波动根因分析，生成目标分析结果，包括：获取预置的多个波动分析模型中每个波动分析模型对应的权重数据；根据每个波动分析模型对应的权重数据对所述目标波动向量进行向量配置，得到每个波动分析模型对应的目标输入向量；分别将所述目标输入向量输入所述多个波动分析模型进行波动根因分析，得到每个波动分析模型对应的初始分析结果；根据所述权重数据和所述初始分析结果生成目标分析结果。
10.可选的，在本发明第一方面的第五种实现方式中，所述根据所述目标分析结果构建下一资讯周期对应的目标判断策略，包括：根据所述目标分析结果对下一资讯周期进行波动预测，生成波动预测结果；对所述波动预测结果进行判断策略匹配，得到初始判断策略；对所述初始判断策略进行策略调整，生成下一资讯周期对应的目标判断策略。
11.可选的，在本发明第一方面的第六种实现方式中，所述基于资讯信息的判断策略生成方法还包括：对所述目标判断策略和所述历史资讯信息进行关联分析，得到判断策略关联关系；根据所述判断策略关联关系生成优化策略；根据所述优化策略对所述目标判断策略进行优化，得到优化后的目标判断策略。
12.本发明第二方面提供了一种基于资讯信息的判断策略生成系统，所述基于资讯信息的判断策略生成系统包括：获取模块，用于获取当前资讯周期的历史资讯信息，并对所述历史资讯信息进行特征信息提取，得到标准资讯信息；分类模块，用于对所述标准资讯信息进行信息分类，得到第一分布信息和第二分布信息，并根据所述第一分布信息生成第一走势数据模型，以及根据所述第二分布信息生成第二走势数据模型；检测模块，用于分别对所述第一走势数据模型和所述第二走势数据模型进行数据模型波动检测，得到第一走势波动数据和第二走势波动数据，并根据所述第一走势波动数据和第二走势波动数据构建目标波动向量；分析模块，用于分别将所述目标波动向量输入预置的多个波动分析模型进行波动根因分析，生成目标分析结果；构建模块，用于根据所述目标分析结果构建下一资讯周期对应的目标判断策略。
13.可选的，在本发明第二方面的第一种实现方式中，所述获取模块具体用于：接收终端发送的资讯信息解析请求，并根据所述资讯信息解析请求生成数据获取地址；根据所述数据获取地址从预置的资讯信息数据库中查询当前资讯周期的历史资讯信息；对所述历史资讯信息进行信息差分，得到多个离散化信息；对所述多个离散化信息进行信息比对和特征筛选，得到标准资讯信息。
14.可选的，在本发明第二方面的第二种实现方式中，所述分类模块具体用于：构建所
述标准资讯信息对应的第一分布类和第二分布类；根据所述第一分布类提取所述标准资讯信息对应的第一分布信息，并根据所述第二分布类提取所述标准资讯信息对应的第二分布信息；根据所述第一分布信息生成第一走势数据模型，并根据所述第二分布信息生成第二走势数据模型。
15.可选的，在本发明第二方面的第三种实现方式中，所述检测模块具体用于：获取所述第一走势数据模型对应的多个第一波段数据，以及获取所述第二走势数据模型对应的多个第二波段数据；分别构建每个第一波段数据对应的第一波段函数，并根据每个第一波段数据对应的第一波段函数计算第一走势波动数据；分别构建每个第二波段数据对应的第二波段函数，并根据每个第一波段数据对应的第二波段函数计算第二走势波动数据；对所述第一走势波动数据进行向量转换，得到第一波动向量，并对所述第二走势波动数据进行向量转换，得到第二波动向量；对所述第一波动向量和所述第二波动向量进行向量融合，得到目标波动向量。
16.可选的，在本发明第二方面的第四种实现方式中，所述分析模块具体用于：获取预置的多个波动分析模型中每个波动分析模型对应的权重数据；根据每个波动分析模型对应的权重数据对所述目标波动向量进行向量配置，得到每个波动分析模型对应的目标输入向量；分别将所述目标输入向量输入所述多个波动分析模型进行波动根因分析，得到每个波动分析模型对应的初始分析结果；根据所述权重数据和所述初始分析结果生成目标分析结果。
17.可选的，在本发明第二方面的第五种实现方式中，所述构建模块具体用于：根据所述目标分析结果对下一资讯周期进行波动预测，生成波动预测结果；对所述波动预测结果进行判断策略匹配，得到初始判断策略；对所述初始判断策略进行策略调整，生成下一资讯周期对应的目标判断策略。
18.可选的，在本发明第二方面的第六种实现方式中，所述基于资讯信息的判断策略生成系统还包括：优化模块，用于对所述目标判断策略和所述历史资讯信息进行关联分析，得到判断策略关联关系；根据所述判断策略关联关系生成优化策略；根据所述优化策略对所述目标判断策略进行优化，得到优化后的目标判断策略。
19.本发明提供的技术方案中，对历史资讯信息进行特征信息提取，得到标准资讯信息；对标准资讯信息进行信息分类，得到第一分布信息和第二分布信息，并根据第一分布信息生成第一走势数据模型，以及根据第二分布信息生成第二走势数据模型；分别对第一走势数据模型和第二走势数据模型进行数据模型波动检测，得到第一走势波动数据和第二走势波动数据，并根据第一走势波动数据和第二走势波动数据构建目标波动向量；分别将目标波动向量输入多个波动分析模型进行波动根因分析，生成目标分析结果；根据目标分析结果构建下一资讯周期的目标判断策略，本发明通过对历史资讯信息进行分类分析，然后对分布信息进行走势波动分析，并通过多个人工智能模型对波动的根因进行分析，进而提高了目标判断策略的生成准确率。
附图说明
20.图1为本发明实施例中基于资讯信息的判断策略生成方法的一个实施例示意图；图2为本发明实施例中基于资讯信息的判断策略生成方法的另一个实施例示意
图；图3为本发明实施例中基于资讯信息的判断策略生成系统的一个实施例示意图；图4为本发明实施例中基于资讯信息的判断策略生成系统的另一个实施例示意图。
具体实施方式
21.本发明实施例提供了一种基于资讯信息的判断策略生成方法及系统，用于提高判断策略生成的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
22.为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于资讯信息的判断策略生成方法的一个实施例包括：101、获取当前资讯周期的历史资讯信息，并对历史资讯信息进行特征信息提取，得到标准资讯信息；可以理解的是，本发明的执行主体可以为基于资讯信息的判断策略生成系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
23.具体的，通过预置的信息数据库采集历史资讯数据，对历史资讯数据进行特征提取，获得标准资讯信息并结合标准资讯信息等级获取风险数据，后续服务器再根据风险数据对监测信息和共享资讯信息获取到的风险评定值进行修正获取风险校正值，与预设风险评估阈值进行阈值对比判断风险情况。
24.其中，在对历史资讯信息进行特征提取时，服务器对输入的历史资讯信息进行预处理，映射为对应的资讯信息词向量，双向lstm网络对历史资讯信息的资讯信息词向量进行特征提取获取历史资讯信息的语义特征信息，利用历史资讯信息的语义特征信息和注意力机制提取目标属性的特征信息，将特征信息与语义特征信息进行信息融合得到特征信息，得到标准资讯信息。
25.102、对标准资讯信息进行信息分类，得到第一分布信息和第二分布信息，并根据第一分布信息生成第一走势数据模型，以及根据第二分布信息生成第二走势数据模型；需要说明的是，利用由历史资讯信息组成的训练集建立os-elm算法的分类模型，作为对标准资讯信息进行信息分类的初始分类模型，其中，服务器利用在线模糊聚类方法建立结构学习模型，基于历史资讯信息的先验信息估计对标准资讯信息批量增加后数据分布的全局结构，利用分类模型对在标准资讯信息进行标记，并采用批量分类的模式，得到第一分布信息和第二分布信息，并根据第一分布信息生成第一走势数据模型，以及根据第二分布信息生成第二走势数据模型。
26.103、分别对第一走势数据模型和第二走势数据模型进行数据模型波动检测，得到
第一走势波动数据和第二走势波动数据，并根据第一走势波动数据和第二走势波动数据构建目标波动向量；具体的，分别对第一走势数据模型和第二走势数据模型进行数据模型波动检测，其中，服务器对预设数据量的走势数据进行除错和平滑处理得到第一走势波动数据，同时服务器对预设数据量的第二走势数据模型进行除错处理得到第二走势波动数据，对第一走势波动数据进行拟合操作，并根据第一走势波动数据和第二走势波动数据构建目标波动向量。
27.需要说明的是，服务器在根据第一走势波动数据和第二走势波动数据构建目标波动向量时，服务器对波动数据进行预报，获得波动矢量预报数据，根据波动矢量预报数据，构建目标波动向量。
28.104、分别将目标波动向量输入预置的多个波动分析模型进行波动根因分析，生成目标分析结果；需要说明的是，本方法结合独立成分分析算法进行波动根因分析，首先，服务器对其进行因果检验分析，用因果关系图直观表达目标波动向量间的因果影响关系，以此表征波动干扰的传播趋势，利用先验过程知识化简因果关系图，并通过阈值自动搜索方式过滤掉次要因果关系分支，得到波动的主要发展趋势，并进行波动根因分析，生成目标分析结果。
29.105、根据目标分析结果构建下一资讯周期对应的目标判断策略。
30.具体的，对目标分析结果的数据包进行解析，并从数据包中提取匹配信息，利用匹配信息触发策略路由进行匹配，对符合匹配条件的目标分析结果进行重定向，并对于匹配条件的目标分析结果，根据重定向后的目标分析结果表查找对应的策略，并根据查到的策略构建下一资讯周期对应的目标判断策略。
31.本发明实施例中，对历史资讯信息进行特征信息提取，得到标准资讯信息；对标准资讯信息进行信息分类，得到第一分布信息和第二分布信息，并根据第一分布信息生成第一走势数据模型，以及根据第二分布信息生成第二走势数据模型；分别对第一走势数据模型和第二走势数据模型进行数据模型波动检测，得到第一走势波动数据和第二走势波动数据，并根据第一走势波动数据和第二走势波动数据构建目标波动向量；分别将目标波动向量输入多个波动分析模型进行波动根因分析，生成目标分析结果；根据目标分析结果构建下一资讯周期的目标判断策略，本发明通过对历史资讯信息进行分类分析，然后对分布信息进行走势波动分析，并通过多个人工智能模型对波动的根因进行分析，进而提高了目标判断策略的生成准确率。
32.请参阅图2，本发明实施例中基于资讯信息的判断策略生成方法的另一个实施例包括：201、获取当前资讯周期的历史资讯信息，并对历史资讯信息进行特征信息提取，得到标准资讯信息；具体的，接收终端发送的资讯信息解析请求，并根据资讯信息解析请求生成数据获取地址；根据数据获取地址从预置的资讯信息数据库中查询当前资讯周期的历史资讯信息；对历史资讯信息进行信息差分，得到多个离散化信息；对多个离散化信息进行信息比对和特征筛选，得到标准资讯信息。
33.其中，服务器解析终端基于请求信息发起的资讯信息解析请求，从请求解析信息中获取目标应用对应pod-ip列表，查询pod-ip列表中每个pod-ip对应的pod信息，基于全部pod信息以及预设策略从目标应用的全部pod中确定出一个主pod，将请求信息中的pod-ip列表替换为主pod的pod-ip以得到替换后请求信息，根据数据获取地址从预置的资讯信息数据库中查询当前资讯周期的历史资讯信息，其中，服务器在得到替换后请求信息后，根据该替换后请求信息进行获取地址确定，生成该数据获取地址，进一步的，服务器根据该数据获取地址从预置的资讯信息数据库中下载该当前资讯周期的历史资讯信息，并对历史资讯信息进行信息差分，得到多个离散化信息，对多个离散化信息进行信息比对和特征筛选，得到标准资讯信息。
34.其中，在服务器对历史资讯信息进行信息差分时，服务器将待差分历史资讯信息拆解成多个特征词，将多个特征词进行组合，计算每个历史资讯信息与待差分历史资讯信息之间的相似度，根据相似度来选择一个或者多个历史资讯信息作为待差分历史资讯信息的差分结果，得到多个离散化信息，对多个离散化信息进行信息比对和特征筛选，得到标准资讯信息。
35.202、对标准资讯信息进行信息分类，得到第一分布信息和第二分布信息，并根据第一分布信息生成第一走势数据模型，以及根据第二分布信息生成第二走势数据模型；具体的，构建标准资讯信息对应的第一分布类和第二分布类；根据第一分布类提取标准资讯信息对应的第一分布信息，并根据第二分布类提取标准资讯信息对应的第二分布信息；根据第一分布信息生成第一走势数据模型，并根据第二分布信息生成第二走势数据模型。
36.其中，对获取到的标准资讯信息进行筛选和清理，处理无效数据，分析标准资讯信息中每个点的走势，将每个点与前n个值的指数加权移动平均进行比较，得出偏差，采用多维高斯分布来分析在线监测的标准资讯信息的偏差值，从而提取标准资讯信息对应的第一分布信息及与标准资讯信息对应的第二分布信息，同时辅以趋势分析，根据第一分布信息生成第一走势数据模型，并根据第二分布信息生成第二走势数据模型。
37.203、分别对第一走势数据模型和第二走势数据模型进行数据模型波动检测，得到第一走势波动数据和第二走势波动数据，并根据第一走势波动数据和第二走势波动数据构建目标波动向量；具体的，获取第一走势数据模型对应的多个第一波段数据，以及获取第二走势数据模型对应的多个第二波段数据；分别构建每个第一波段数据对应的第一波段函数，并根据每个第一波段数据对应的第一波段函数计算第一走势波动数据；分别构建每个第二波段数据对应的第二波段函数，并根据每个第一波段数据对应的第二波段函数计算第二走势波动数据；对第一走势波动数据进行向量转换，得到第一波动向量，并对第二走势波动数据进行向量转换，得到第二波动向量；对第一波动向量和第二波动向量进行向量融合，得到目标波动向量。
38.其中，服务器获取第一走势数据模型对应的多个第一波段数据，以及获取第二走势数据模型对应的多个第二波段数据，根据第一波段数据及第二波段数据确定对应的波段函数，以及波段函数对应的依赖域，根据波段函数和信赖域确定待分析波段数据的走势波动数据，根据所获取的走势波动数据进行波段划分，将所划分的波段与预先设定的场景进
行匹配，根据预先设定的场景与走势波动变化相似集的对应关系，确定所划分的波段对应的走势波动变化相似集，对第一走势波动数据进行向量转换，得到第一波动向量，并对第二走势波动数据进行向量转换，得到第二波动向量，对第一波动向量和第二波动向量进行向量融合，得到目标波动向量。
39.204、获取预置的多个波动分析模型中每个波动分析模型对应的权重数据；205、根据每个波动分析模型对应的权重数据对目标波动向量进行向量配置，得到每个波动分析模型对应的目标输入向量；206、分别将目标输入向量输入多个波动分析模型进行波动根因分析，得到每个波动分析模型对应的初始分析结果；207、根据权重数据和初始分析结果生成目标分析结果；具体的，服务器通过客观赋权法及熵权法综合计算求得，对多个波动分析模型间的相似度的计算，将综合计算求得的每个波动分析模型的属性值权重，对含缺失属性的每个波动分析模型，运用改进的灰色关联度选取与该数据最相似的k个近邻对象，并用这些对象中相应属性的均值对缺失属性值进行填补，根据每个波动分析模型对应的权重数据对目标波动向量进行向量配置，得到每个波动分析模型对应的目标输入向量，分别将目标输入向量输入多个波动分析模型进行波动根因分析，得到每个波动分析模型对应的初始分析结果，根据权重数据和初始分析结果生成目标分析结果。
40.208、根据目标分析结果构建下一资讯周期对应的目标判断策略。
41.具体的，根据目标分析结果对下一资讯周期进行波动预测，生成波动预测结果；对波动预测结果进行判断策略匹配，得到初始判断策略；对初始判断策略进行策略调整，生成下一资讯周期对应的目标判断策略。
42.其中，服务器根据预测时间隔，计算下一资讯周期的实测波动指数，并计算其均值，同时服务器运用灰色预测模型预测前m个时间隔的数据，其中，m为大于或等于1的正整数，进一步的，服务器运用时间序列预测方法预测第m+1个时间隔的波动预测数据，最终服务器对波动预测结果进行判断策略匹配，得到初始判断策略；对初始判断策略进行策略调整，生成下一资讯周期对应的目标判断策略。
43.可选的，对目标判断策略和历史资讯信息进行关联分析，得到判断策略关联关系；根据判断策略关联关系生成优化策略；根据优化策略对目标判断策略进行优化，得到优化后的目标判断策略。
44.需要说明的是，在关联关系条件约束下，通过计算关联关系的性能干扰度确定判断策略和资讯信息之间关联程度，建立关联关系度量，之后利用所有关联度度量关系式组成关联模型，利用收集的应用性能数据，得到判断策略关联关系，根据判断策略关联关系生成优化策略，根据优化策略对目标判断策略进行优化，得到优化后的目标判断策略。
45.本发明实施例中，对历史资讯信息进行特征信息提取，得到标准资讯信息；对标准资讯信息进行信息分类，得到第一分布信息和第二分布信息，并根据第一分布信息生成第一走势数据模型，以及根据第二分布信息生成第二走势数据模型；分别对第一走势数据模型和第二走势数据模型进行数据模型波动检测，得到第一走势波动数据和第二走势波动数据，并根据第一走势波动数据和第二走势波动数据构建目标波动向量；分别将目标波动向量输入多个波动分析模型进行波动根因分析，生成目标分析结果；根据目标分析结果构建
下一资讯周期的目标判断策略，本发明通过对历史资讯信息进行分类分析，然后对分布信息进行走势波动分析，并通过多个人工智能模型对波动的根因进行分析，进而提高了目标判断策略的生成准确率。
46.上面对本发明实施例中基于资讯信息的判断策略生成方法进行了描述，下面对本发明实施例中基于资讯信息的判断策略生成系统进行描述，请参阅图3，本发明实施例中基于资讯信息的判断策略生成系统一个实施例包括：获取模块301，用于获取当前资讯周期的历史资讯信息，并对所述历史资讯信息进行特征信息提取，得到标准资讯信息；分类模块302，用于对所述标准资讯信息进行信息分类，得到第一分布信息和第二分布信息，并根据所述第一分布信息生成第一走势数据模型，以及根据所述第二分布信息生成第二走势数据模型；检测模块303，用于分别对所述第一走势数据模型和所述第二走势数据模型进行数据模型波动检测，得到第一走势波动数据和第二走势波动数据，并根据所述第一走势波动数据和第二走势波动数据构建目标波动向量；分析模块304，用于分别将所述目标波动向量输入预置的多个波动分析模型进行波动根因分析，生成目标分析结果；构建模块305，用于根据所述目标分析结果构建下一资讯周期对应的目标判断策略。
47.本发明实施例中，对历史资讯信息进行特征信息提取，得到标准资讯信息；对标准资讯信息进行信息分类，得到第一分布信息和第二分布信息，并根据第一分布信息生成第一走势数据模型，以及根据第二分布信息生成第二走势数据模型；分别对第一走势数据模型和第二走势数据模型进行数据模型波动检测，得到第一走势波动数据和第二走势波动数据，并根据第一走势波动数据和第二走势波动数据构建目标波动向量；分别将目标波动向量输入多个波动分析模型进行波动根因分析，生成目标分析结果；根据目标分析结果构建下一资讯周期的目标判断策略，本发明通过对历史资讯信息进行分类分析，然后对分布信息进行走势波动分析，并通过多个人工智能模型对波动的根因进行分析，进而提高了目标判断策略的生成准确率。
48.请参阅图4，本发明实施例中基于资讯信息的判断策略生成系统另一个实施例包括：获取模块301，用于获取当前资讯周期的历史资讯信息，并对所述历史资讯信息进行特征信息提取，得到标准资讯信息；分类模块302，用于对所述标准资讯信息进行信息分类，得到第一分布信息和第二分布信息，并根据所述第一分布信息生成第一走势数据模型，以及根据所述第二分布信息生成第二走势数据模型；检测模块303，用于分别对所述第一走势数据模型和所述第二走势数据模型进行数据模型波动检测，得到第一走势波动数据和第二走势波动数据，并根据所述第一走势波动数据和第二走势波动数据构建目标波动向量；分析模块304，用于分别将所述目标波动向量输入预置的多个波动分析模型进行波动根因分析，生成目标分析结果；
构建模块305，用于根据所述目标分析结果构建下一资讯周期对应的目标判断策略。
49.可选的，所述获取模块301具体用于：接收终端发送的资讯信息解析请求，并根据所述资讯信息解析请求生成数据获取地址；根据所述数据获取地址从预置的资讯信息数据库中查询当前资讯周期的历史资讯信息；对所述历史资讯信息进行信息差分，得到多个离散化信息；对所述多个离散化信息进行信息比对和特征筛选，得到标准资讯信息。
50.可选的，所述分类模块302具体用于：构建所述标准资讯信息对应的第一分布类和第二分布类；根据所述第一分布类提取所述标准资讯信息对应的第一分布信息，并根据所述第二分布类提取所述标准资讯信息对应的第二分布信息；根据所述第一分布信息生成第一走势数据模型，并根据所述第二分布信息生成第二走势数据模型。
51.可选的，所述检测模块303具体用于：获取所述第一走势数据模型对应的多个第一波段数据，以及获取所述第二走势数据模型对应的多个第二波段数据；分别构建每个第一波段数据对应的第一波段函数，并根据每个第一波段数据对应的第一波段函数计算第一走势波动数据；分别构建每个第二波段数据对应的第二波段函数，并根据每个第一波段数据对应的第二波段函数计算第二走势波动数据；对所述第一走势波动数据进行向量转换，得到第一波动向量，并对所述第二走势波动数据进行向量转换，得到第二波动向量；对所述第一波动向量和所述第二波动向量进行向量融合，得到目标波动向量。
52.可选的，所述分析模块304具体用于：获取预置的多个波动分析模型中每个波动分析模型对应的权重数据；根据每个波动分析模型对应的权重数据对所述目标波动向量进行向量配置，得到每个波动分析模型对应的目标输入向量；分别将所述目标输入向量输入所述多个波动分析模型进行波动根因分析，得到每个波动分析模型对应的初始分析结果；根据所述权重数据和所述初始分析结果生成目标分析结果。
53.可选的，所述构建模块305具体用于：根据所述目标分析结果对下一资讯周期进行波动预测，生成波动预测结果；对所述波动预测结果进行判断策略匹配，得到初始判断策略；对所述初始判断策略进行策略调整，生成下一资讯周期对应的目标判断策略。
54.可选的，所述基于资讯信息的判断策略生成系统还包括：优化模块306，用于对所述目标判断策略和所述历史资讯信息进行关联分析，得到判断策略关联关系；根据所述判断策略关联关系生成优化策略；根据所述优化策略对所述目标判断策略进行优化，得到优化后的目标判断策略。
55.本发明实施例中，对历史资讯信息进行特征信息提取，得到标准资讯信息；对标准资讯信息进行信息分类，得到第一分布信息和第二分布信息，并根据第一分布信息生成第一走势数据模型，以及根据第二分布信息生成第二走势数据模型；分别对第一走势数据模型和第二走势数据模型进行数据模型波动检测，得到第一走势波动数据和第二走势波动数据，并根据第一走势波动数据和第二走势波动数据构建目标波动向量；分别将目标波动向量输入多个波动分析模型进行波动根因分析，生成目标分析结果；根据目标分析结果构建下一资讯周期的目标判断策略，本发明通过对历史资讯信息进行分类分析，然后对分布信息进行走势波动分析，并通过多个人工智能模型对波动的根因进行分析，进而提高了目标判断策略的生成准确率。
56.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，
装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
57.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（read-only memory， rom）、随机存取存储器（random access memory，ram）、磁碟或者光盘等各种可以存储程序代码的介质。
58.以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。