[發明專利]電子裝置、債券收益率分析方法及存儲介質

在審

• 申請號: 201810292054.8
• 申請日: 2018-04-03
• 公開（公告）號: CN108830723A
• 公開（公告）日: 2018-11-16
• 發明（設計）人: 李正洋;毛小豪
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06Q40/06
• 分類號: G06Q40/06;G06F17/27;G06K9/62;G06N3/08
• 代理公司: 深圳市沃德知識產權代理事務所(普通合伙) 44347
• 代理人: 于志光;郭夢霞

1.一種電子裝置，其特征在于，所述電子裝置包括存儲器、及與所述存儲器連接的處理器，所述處理器用于執行所述存儲器上存儲的債券收益率分析程序，所述債券收益率分析程序被所述處理器執行時實現如下步驟：

A1、獲取當前需要分析收益率的債券信息；

A2、根據獲取的債券信息，在預先確定的源數據庫中獲取與所述債券信息相匹配的源數據文本；

A3、利用預先訓練完成的文本摘要生成模型對獲取的源數據文本進行關鍵文本抓取，以抓取出關鍵文本信息；

A4、利用預先訓練完成的收益率分析模型對抓取的關鍵文本信息進行收益率分析，以分析出該債券信息對應的債券收益率。

2.如權利要求1所述的電子裝置，其特征在于，所述預先訓練完成的文本摘要生成模型為生成式循環神經網絡模型，所述文本摘要生成模型的訓練過程包括：

E1、獲取預設數量的源數據文本；

F1、將獲取的源數據文本分別根據預定義的數據處理規則進行預處理，以得到各個源數據文本對應的詞向量，并將各個源數據文本對應的詞向量分為第一預設比例的第一訓練子集和第二預設比例的第一測試子集；

G1、利用第一訓練子集中的各個詞向量訓練生成式循環神經網絡，以得到訓練好的文本摘要生成模型；

H1、利用第一測試子集中的各個詞向量對訓練好的文本摘要生成模型進行測試；

I1、若測試通過，則訓練結束；或者，若測試不通過，則增加源數據文本的數量并重新執行上述步驟F1、G1、H1。

3.如權利要求2所述的電子裝置，其特征在于，所述步驟H1包括：

利用訓練好的生成式循環神經網絡模型對第一測試子集中的各個詞向量進行分析，以分別提取出各個詞向量對應的子詞向量；

根據預先確定的詞向量與詞之間的映射關系表，確定提取出的各個子詞向量對應的詞，分別將各個詞向量的所有子詞向量對應的詞按照對應的向量順序進行排列組合，分別得到各個詞向量對應的關鍵文本信息；

利用預先確定的文本相似度分析規則分別分析生成式循環神經網絡模型輸出的各個詞向量對應的關鍵文本信息與預先確定的各個詞向量對應的源數據文本的標準關鍵文本信息之間的相似度；

若分析出的相似度大于預設的第一相似度閾值的概率大于或等于預設的第一概率閾值，則確定測試通過；

或者，若分析出的相似度大于預設的第一相似度閾值的概率小于預設的第一概率閾值，則確定測試不通過。

4.如權利要求1所述的電子裝置，其特征在于，所述預先訓練完成的收益率分析模型為長短記憶循環神經網絡模型，所述收益率分析模型的訓練過程包括：

E2、獲取預設數量的源數據文本；

F2、將獲取的源數據文本分別代入訓練好的文本摘要生成模型，得到各個源數據文本對應的摘要文本，并將得到的各個摘要文本分為第三預設比例的第二訓練子集和第四預設比例的第二測試子集；

G2、利用第二訓練子集中的各個摘要文本訓練長短記憶循環神經網絡，以得到訓練好的收益率分析模型；

H2、利用第二測試子集中的各個摘要文本對訓練好的收益率分析模型進行測試；

I2、若測試通過，則訓練結束；或者，若測試不通過，則增加源數據文本的數量并重復執行上述步驟F2、G2、H2。

5.如權利要求4所述的電子裝置，其特征在于，所述步驟H2包括：

利用訓練好的收益率分析模型對第二測試子集中的各個摘要文本進行分析，以分別分析出各個摘要文本對應的收益率曲線；

根據預先確定的曲線相似度分析規則，分別分析利用訓練好的收益率模型分析出的各個摘要文本對應的收益率曲線與預先確定的各個摘要文本對應的收益率曲線之間的相似度；

若分析出的相似度大于預設的第二相似度閾值的概率大于或等于預設的第二概率閾值，則確定測試通過；

或者，若分析出的相似度大于預設的第二相似度閾值的概率小于預設的第二概率閾值，則確定測試不通過。