[發明專利]產品價值排序的預測方法、裝置、設備及存儲介質

在審

• 申請號: 202210315347.X
• 申請日: 2022-03-28
• 公開（公告）號: CN114676780A
• 公開（公告）日: 2022-06-28
• 發明（設計）人: 劉連臣;楊之旭
• 申請（專利權）人: 清華大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q40/04
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 黃德海

本申請涉及數據處理技術領域，特別涉及一種產品價值排序的預測方法、裝置、設備及存儲介質，其中，方法包括：獲取多個產品的當前交易數據；將多個產品的當前交易數據輸入至預設的產品價值預測模型中，得到每個產品的實際價值特征，并基于每個產品的實際價值特征預測目標時長內的價值排序預測結果，其中，預設的產品價值預測模型基于產品交易記錄數據對神經網絡進行多次不同的排序預測訓練得到。由此，解決了目前產品價值排序的預測準確性較差及預測效率較低等問題。

技術領域

本申請涉及數據處理技術領域，特別涉及一種產品價值排序的預測方法、裝置、設備及存儲介質。

背景技術

對于一些產品而言，投資者總是期待以超越競爭者的能力認識市場，以獲得超額收益，因此，對一些產品市場的量化分析和預測，以確定產品價值排序有助于投資者認識這一復雜系統的定價規律和影響因素。

然而，產品價值影響因素過多且模式復雜，輸入特征無法表征全部影響因素，從而引起忽略變量偏差，特別是在使用機器學習模型對產品價值排序進行預測時，這種偏差由于模型的擬合能力更強更易被放大，使得機器學習模型預測表現降級甚至失效。因此，相關技術中的模型在產品價值排序的預測時的預測準確性較差，預測效率較低。

發明內容

本申請提供一種產品價值排序的預測方法、裝置、電子設備及存儲介質，以解決目前產品價值排序的預測準確性較差及預測效率較低等問題。

本申請第一方面實施例提供一種產品價值排序的預測方法，包括以下步驟：獲取多個產品的當前交易數據；將所述多個產品的當前交易數據輸入至預設的產品價值預測模型中，得到每個產品的實際價值特征，并基于所述每個產品的實際價值特征預測目標時長內的價值排序預測結果，其中，所述預設的產品價值預測模型基于產品交易記錄數據對神經網絡進行多次不同的排序預測訓練得到。

進一步地，在將所述多個產品的當前交易數據輸入至預設的產品價值預測模型中，得到每個產品的實際價值特征之前，還包括：采集所述產品交易記錄數據，利用所述產品交易記錄數據構建產品的配對樣本數據集，其中，所述配對樣本數據集劃分為訓練集和驗證集；構建初始預測模型，利用所述訓練集對所述初始預測模型進行一次迭代訓練，直到每輪迭代過程中所述訓練集和所述驗證集的皮爾森相關系數均值同步下降時，結束所述一次迭代訓練；利用所述配對樣本數據集對所述預測模型進行二次迭代訓練，直到二次迭代訓練的迭代次數達到所述一次迭代訓練的總迭代次數時，結束所述二次迭代訓練，得到所述產品價值預測模型。

進一步地，所述初始預測模型包括循環神經網絡LSTM和由單層全連接網絡構成的比較器，其中，所述利用所述訓練集對所述預測模型進行一次迭代訓練，直到每輪迭代過程中所述訓練集和所述驗證集的皮爾森相關系數均值同步下降時，結束所述一次迭代訓練，包括：將所述訓練集中一對訓練樣本輸入至兩個相同LSTM中，輸出所述訓練樣本的排序分數；分別將兩個相同LSTM輸出的排序分數輸入至所述比較器，輸出兩個排序分數的大小關系，基于所述訓練集中所有訓練樣本的大小關系生成所述訓練集的排序結果；計算每輪迭代過程中所述訓練集的排序結果的皮爾森相關系數均值，并同步計算所述驗證集的排序結果的皮爾森相關系數均值；判斷所述訓練集和所述驗證集的皮爾森相關系數均值是否同步下降，如果是，則結束迭代訓練，否則繼續迭代訓練。

進一步地，所述利用所述產品交易記錄數據構建產品的配對樣本數據集，包括：利用所述產品交易記錄數據構建產品池，并計算每支產品的交易時間截面特征向量；從所述產品池內選擇滿足目標條件的多個配對樣本，并基于所述多個配對樣本和所述每支產品的交易時間截面特征向量構建所述配對樣本數據集。

進一步地，所述從所述產品池內選擇滿足目標條件的多個配對樣本，包括：計算所述產品池內在同一目標預測時刻的任意兩支產品的當前價值差值；判斷所述當前價值差值是否大于篩選閾值；如果所述當前價值差值大于所述篩選閾值，則將所述當前價值差值大于所述篩選閾值的兩支產品組成一個配對樣本。