[發明專利]面向投融資領域機構發展趨勢的評估方法、裝置和設備

在審

• 申請號: 202010061611.2
• 申請日: 2020-01-17
• 公開（公告）號: CN111275556A
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 徐佳慧;裴樂琪;季書帆
• 申請（專利權）人: 徐佳慧
• 主分類號: G06Q40/06
• 分類號: G06Q40/06;G06N3/08;G06N3/04;G06F16/338
• 代理公司: 北京知呱呱知識產權代理有限公司 11577
• 代理人: 康震

1.一種面向投融資領域機構發展趨勢的評估方法，其特征在于，包括：

根據投融資新聞、投資關系和創業機構的屬性得到所述創業機構的特征和樣本詞向量；

對所述創業機構的特征和所述樣本詞向量進行預處理得到所有樣本的特征矩陣；

根據所述特征矩陣構建面向投融資領域機構發展趨勢的初始深度學習模型；

將所述所有樣本分為訓練樣本和測試樣本，根據所述訓練樣本對所述初始深度學習模型進行訓練，并使用所述測試樣本進行測試，得到面向投融資領域機構發展趨勢的標準深度學習模型；

根據所述標準深度學習模型對所述所有樣本進行創業機構發展趨勢值的預測，并輸出預測結果。

2.根據權利要求1所述的面向投融資領域機構發展趨勢的評估方法，其特征在于，所述根據投融資新聞、投資關系和創業機構的屬性得到所述創業機構的特征和所述創業機構的樣本詞向量，具體包括：

選取投融資新聞文本，采用訓練模式為Skip-gram的Word2Vec算法對其進行訓練，獲得所述創業機構的樣本詞向量；

從投資關系有向圖中計算所述創業機構的相關指標，所述創業機構的相關指標包括網絡效率指標值；

根據當前年份與創業機構成立時間差和時間差系數得到所述創業機構的成立時間差衰減值，并根據歷年的投資輪次離散特征屬性通過One-Hot編碼生成投資輪次離散特征向量，所屬投資領域離散特征屬性通過One-Hot編碼生成投資領域離散特征向量；

逐一統計出各年份獲得過投資的創業機構標記為1，未獲得過投資的創業機構標記為0。

3.根據權利要求2所述的面向投融資領域機構發展趨勢的評估方法，其特征在于，所述創業機構的相關指標還包括各節點關聯性指標值、各節點的介數指標值、各節點的中心度指標值、各節點度指標值和各節點聚類指標。

4.根據權利要求3所述的面向投融資領域機構發展趨勢的評估方法，其特征在于，對所述創業機構的特征和所述創業機構的樣本詞向量進行預處理得到所述所有樣本的特征矩陣，具體包括：

對所述網絡效率指標值、所述各節點關聯性指標值、所述各節點的介數指標值、所述各節點的中心度指標值、所述各節點度指標值、所述各節點聚類指標和所述成立時間差衰減值進行標準化處理得到七個歸一化數據；

對所述七個歸一化數據進行拼接得到第一特征向量；

對所述投資輪次離散特征向量和所述投資領域離散特征向量進行拼接得到第二特征向量；

對所述樣本詞向量、所述第一特征向量和所述第二特征向量進行拼接得到所述特征矩陣。

5.根據權利要求4所述的面向投融資領域機構發展趨勢的評估方法，其特征在于，根據所述特征矩陣構建所述初始深度學習模型，具體包括：

對所述第二特征向量進行數據壓縮轉換得到稠密向量；

對所述樣本詞相連、所述第一特征向量和所述稠密向量進行拼接得到輸入層向量；

將所述輸入層向量輸入到全連接層訓練得到深度神經網絡輸出向量；

對所述輸入層向量進行特征組合得到組合特征向量，并訓練所述組合特征向量的權重，設置注意力網絡的激活函數，輸出高階特征組合層輸出向量；

將所述深度神經網絡輸出向量和所述高階特征組合層輸出向量進行拼接得到所述初始深度學習模型的預測值向量。

6.根據權利要求5所述的面向投融資領域機構發展趨勢的評估方法，其特征在于，從所述所有樣本中隨機選擇70％的樣本作為所述訓練樣本，將所述所有樣本中剩余的30％的樣本作為所述測試樣本。

7.根據權利要求6所述的面向投融資領域機構發展趨勢的評估方法，其特征在于，根據所述訓練樣本對所述初始深度學習模型進行訓練，并使用所述測試樣本進行測試，得到面向投融資領域機構發展趨勢的標準深度學習模型，具體包括：

將所述訓練樣本的特征矩陣輸入到所述初始深度學習模型中設置損失函數為交叉熵損失函數，并添加正則化項后進行模型訓練，并使用所述測試樣本進行測試，得到所述標準深度學習模型。