对虚拟资源产品的数据分析方法、装置、介质及电子设备与流程

计算;推算;计数设备的制造及其应用技术1.本技术属于计算机技术领域，具体涉及一种对虚拟资源产品的数据分析方法、装置、介质及电子设备。背景技术：2.数据分析是一项提取数据所反映信息的重要工作，例如，数据之间的比对可以反映数据的变化。一般的，从不同的方面对数据进行分析，可以反映出数据在这一方面的变化情况，这些不同的方向体现了不同用户对于数据分析的需求。然而，现有的数据分析方法一般从单一角度对数据进行分析，且难以考虑到不同用户的数据分析需求，这就导致用户得到的数据分析结果较为单一，不同需求的用户难以从所获得的分析数据中快速提取出自己想要的信息，在一定程度上降低了用户的数据分析效率。3.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本技术的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。技术实现要素：4.本技术的目的在于提供一种对虚拟资源产品的数据分析方法、装置、介质及电子设备，以解决相关技术中难以根据不同用户进行数据分析的问题。5.本技术的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本技术的实践而习得。6.根据本技术实施例的一个方面，提供一种对虚拟资源产品的数据分析方法，包括：7.当检测到针对指定对象的数据分析指令时，确定所述数据分析指令对应的当前用户的当前用户类别；其中，所述指定对象包括虚拟资源产品；8.通过多个评价模型分别对所述指定对象进行评分，得到所述指定对象的多个评分；其中，一个评价模型从一个评价维度上对所述指定对象进行评分；9.根据所述当前用户类别对所述多个评分进行融合，得到所述指定对象的综合评分；10.根据所述综合评分和所述多个评分生成所述指定对象的数据分析结果。11.根据本技术实施例的一个方面，提供一种对虚拟资源产品的数据分析装置，包括：12.用户类别确定模块，用于当检测到针对指定对象的数据分析指令时，确定所述数据分析指令对应的当前用户的当前用户类别；其中，所述指定对象包括虚拟资源产品；13.评分模块，用于通过多个评价模型分别对所述指定对象进行评分，得到所述指定对象的多个评分；其中，一个评价模型从一个评价维度上对所述指定对象进行评分；14.评分融合模块，用于根据所述当前用户类别对所述多个评分进行融合，得到所述指定对象的综合评分；15.分析结果生成模块，用于根据所述综合评分和所述多个评分生成所述指定对象的数据分析结果。16.在本技术的一个实施例中，用户类别确定模块包括：17.类别标签确定单元，用于确定所述数据分析指令对应的当前用户是否具有历史用户类别标签；18.第一用户类别确定单元，用于若所述当前用户具有历史用户类别标签，则将所述历史用户类别标签指示的用户类别作为当前用户类别；19.第二用户类别确定单元，用于若所述当前用户不具有历史用户类别标签，则根据所述当前用户针对用户分类问卷的答复信息确定当前用户类别。20.在本技术的一个实施例中，第二用户类别确定单元具体用于：21.当检测到所述当前用户完成用户分类问卷的指令时，确定是否获取到所述当前用户针对用户分类问卷中指定数量的预设问题的答复信息；22.若获取的答复信息对应的预设问题的数量小于所述指定数量，则提示所述当前用户具有未答复问题，并重新显示所述用户分类问卷中所述当前用户未答复的预设问题，直至获取到所述当前用户针对用户分类问卷中指定数量的预设问题的答复信息；23.根据所述指定数量的预设问题的答复信息确定当前用户类别。24.在本技术的一个实施例中，评分融合模块具体用于：25.基于多元线性回归算法构建多个评分融合模型，并根据预设用户类别分别为每个评分融合模型设置模型初始参数；26.通过训练数据分别对设置模型初始参数后的各个评分融合模型进行训练；27.确定所述当前用户类别对应的评分融合模型，并通过所述当前用户类别对应的评分融合模型对所述多个评分进行融合，得到所述指定对象的综合评分。28.在本技术的一个实施例中，所述装置还包括：29.合规检测模块，用于当检测到针对所述指定对象的数据分析请求时，确定所述数据分析请求对应的当前用户是否是合规用户；30.用户变更模块，用于若所述当前用户不是合规用户，则根据所述当前用户针对规约引导信息的反馈信息指示所述当前用户变更为合规用户；31.权限确定模块，用于若所述当前用户是合规用户，则确定所述当前用户的数据分析权限；32.指令生成模块，用于当所述数据分析权限指示所述当前用户具备发出针对所述指定对象的数据分析请求的权限时，生成数据分析指令。33.在本技术的一个实施例中，所述数据分析结果包括文本分析结果和图表分析结果中的至少一种；分析结果生成模块包括：34.文本分析结果生成单元，用于获取所述指定对象的行业信息，并根据所述综合评分和所述行业信息生成所述指定对象的文本分析结果；35.图表分析结果生成单元，用于根据所述多个评分以及各个评分对应的评价维度生成所述指定对象的图表分析结果。36.在本技术的一个实施例中，所述装置还包括：37.相似对象分析模块，用于获取所述指定对象的多个相似对象，并根据所述当前用户类别对应的多个评价模型分别对各个相似对象进行评分，得到各个相似对象的多个评分；根据所述各个相似对象的多个评分和所述指定对象的多个评分生成所述多个相似对象和所述指定对象的数据比对分析结果。38.根据本技术实施例的一个方面，提供一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如以上技术方案中的数据分析方法。39.根据本技术实施例的一个方面，提供一种电子设备，该电子设备包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器执行所述可执行指令使得所述电子设备执行如以上技术方案中的对虚拟资源产品的数据分析方法。40.根据本技术实施例的一个方面，提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行如以上技术方案中的对虚拟资源产品的数据分析方法。41.在本技术实施例提供的技术方案中，通过对用户进行分类，并通过多个评价模型分别对指定对象进行评分，得到指定对象的多个评分；其中，一个评价模型从一个评价维度上对指定对象进行评分；然后根据当前用户类别对多个评分进行融合，得到指定对象的综合评分，最后根据综合评分和多个评分生成数据分析结果；使得数据分析结果能够针对用户类别的不同而进行调整，不仅满足了不同类别用户的不同数据分析需求，同时多个评分和综合评分还可以从不同的评分维度和层面进行数据分析，数据分析更加全面，提高了对产品评估分析的全面性和精确性。42.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。附图说明43.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。44.图1示意性地示出了应用本技术技术方案的示例性系统架构框图。45.图2示意性地示出了本技术一个实施例提供的对虚拟资源产品的数据分析方法的流程图。46.图3示意性地示出了本技术一个实施例提供的对虚拟资源产品的数据分析方法的流程图。47.图4示意性地示出了本技术实施例提供的对虚拟资源产品的数据分析装置的结构框图。48.图5示意性示出了适于用来实现本技术实施例的电子设备的计算机系统结构框图。具体实施方式49.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本技术将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。50.此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本技术的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本技术的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本技术的各方面。51.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。52.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。53.可以理解的是，在本技术的具体实施方式中，涉及到用户信息等相关的数据，当本技术以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。54.图1示意性地示出了应用本技术技术方案的示例性系统架构框图。55.如图1所示，系统架构100可以包括终端设备110、网络120和服务器130。终端设备110可以包括智能手机、平板电脑、笔记本电脑、智能语音交互设备、智能家电、车载终端等等。服务器130可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。网络120可以是能够在终端设备110和服务器130之间提供通信链路的各种连接类型的通信介质，例如可以是有线通信链路或者无线通信链路。56.根据实现需要，本技术实施例中的系统架构可以具有任意数目的终端设备、网络和服务器。例如，服务器130可以是由多个服务器设备组成的服务器群组。另外，本技术实施例提供的技术方案可以应用于终端设备110，也可以应用于服务器130，或者可以由终端设备110和服务器130共同实施，本技术对此不做特殊限定。57.举例而言，本技术实施例由服务器130实施。当服务器130检测到针对指定对象的数据分析指令时，确定数据分析指令对应的当前用户的当前用户类别，其中，数据分析指令可以是用户在终端设备110触发，然后由终端设备110发送至服务器130。接下来服务器130通过多个评价模型分别对指定对象进行评分，得到指定对象的多个评分；其中，一个评价模型从一个评价维度上对指定对象进行评分。然后服务器130根据当前用户类别对多个评分进行融合，得到指定对象的综合评分。最后服务器130根据综合评分和多个评分生成指定对象的数据分析结果。服务器130在得到数据分析结果之后，可以将数据分析结果反馈至终端设备110，进而终端设备110可以通过用户图形界面将数据分析结果展示给用户。58.下面结合具体实施方式对本技术提供的对虚拟资源产品的数据分析方法做出详细说明。59.图2示意性地示出了本技术一个实施例提供的对虚拟资源产品的数据分析方法的流程图，该方法可以由服务器实施，如图1所示的服务器130；该方法也可以由终端设备实施，如图1所示的终端设备110。如图2所示，本技术实施例提供的对虚拟资源产品的数据分析方法包括步骤210至步骤240，具体如下：60.步骤210、当检测到针对指定对象的数据分析指令时，确定数据分析指令对应的当前用户的当前用户类别，其中，指定对象包括虚拟资源产品。61.具体的，数据分析指令是在用户需要对指定对象的数据进行分析以获取相应的数据分析结果时生成的指令，该指定对象可以个人、企业、机构等，例如，数据分析指令可以是针对一个班级的某次考试成绩进行分析而产生的指令，也可以是针对企业的营业额进行分析而产生的指令。当检测到数据分析指令时，将发出该指令的用户记为当前用户。62.除此之外，指定对象还可以包括虚拟资源产品，例如股票、基金、期权以及数字货币等等产品。本方案可用于对上述虚拟资源产品的分析处理，以得出相关的投资结论作为数据分析结果。63.在本技术实施例中，当用户所属类型不同，表明用户针对指定对象的数据分析的侧重点不同，例如，对于企业营业额的数据分析，a产品销售员可能会重点关注a产品的营业额，b产品销售员可能会重点关注b产品的营业额。因此，在检测到数据分析指令时，可以通过确定当前用户对应的当前用户类型来确定数据分析过程中的侧重点，进而使得最终的数据分析结果更加贴合发起数据分析指令的用户的需求。64.在本技术一个实施例中，确定当前用户类别的方法具体包括：确定数据分析指令对应的当前用户是否具有历史用户类别标签；若当前用户具有历史用户类别标签，则将历史用户类别标签指示的用户类别作为当前用户类别；若当前用户不具有历史用户类别标签，则根据当前用户针对用户分类问卷的答复信息确定当前用户类别。65.具体的，由于本技术实施例中的数据分析需根据用户类型进行，若当前用户在历史时刻已经进行过数据分析，则当前用户应具有历史用户类别标签，那么在当前时刻，就可以将该用户的历史用户类别标签所指示的用户类别作为该用户的当前用户类别。若当前用户是首次进行数据分析，则需要对当前用户进行分类，分类方式采用用户分类问卷的形式，即向当前用户展示用户分类问卷(后续简称为分类问卷)，获取当前用户针对用户分类问卷的答复信息，然后基于该答复信息确定当前用户类别。66.在本技术的一个实施例中，用户分类问卷包括多个预设问题，用户针对分类问卷的答复信息就是用户对这些预设问题的答复信息。确定当前用户类别的方式可以是：当检测到当前用户完成用户分类问卷的指令时，确定是否获取到当前用户针对用户分类问卷中指定数量的预设问题的答复信息；若获取的答复信息对应的预设问题的数量小于指定数量，则提示当前用户具有未答复问题，并重新显示用户分类问卷中当前用户未答复的预设问题，直至获取到当前用户针对用户分类问卷中指定数量的预设问题的答复信息；根据指定数量的预设问题的答复信息确定当前用户类别。67.具体而言，当用户完成分类问卷时，会发出一完成用户分类问卷的指令，当检测到该指令时，则表明填写了分类问卷。然而，用户分类问卷包括多个预设问题，用户在确定完成分类问卷时，可能只针对部分预设问题给出了答复信息，若答复信息的数据量不足，则对用户类别的确定将产生较大误差，因此，在用户确定完成分类问卷的情况下，检测用户是否针对指定数量的预设问题(如全部问题、问题总量的80％等)给出了答复信息。若用户未针对指定数量的预设问题给出答复信息，则答复信息的数据量太少，此时将用户未答复的预设问题重新显示，以便用户对该未答复的预设问题给出答复信息。由此保证能够获取足够的答复信息数据量来精确地对用户进行分类。68.在根据答复信息对用户进行分类时，可以先对答复信息进行聚类，确定答复信息的类别，然后根据答复信息的类别确定用户类别。例如，属于第一种类型的答复信息的数量最多，则将用户类型确定为第一类型。又例如，将预设问题的答复信息与预设用户类别建立关联关系，当前用户的答复信息与预设用户类别的答复信息一致时，则认为对应的预设用户类别为当前用户类别。69.在本技术的一个实施例中，在检测到数据分析指令之前，本技术实施例提供的对虚拟资源产品的数据分析方法还包括：当检测到针对指定对象的数据分析请求时，确定数据分析请求对应的当前用户是否是合规用户；若当前用户不是合规用户，则根据当前用户针对规约引导信息的反馈信息指示当前用户变更为合规用户；若当前用户是合规用户，则确定当前用户的数据分析权限；当数据分析权限指示当前用户具备发出针对指定对象的数据分析指令的权限时，生成数据分析指令。70.具体的，数据分析请求是指根据用户选择的数据分析操作所生成的请求，例如，在用户图形界面，用户选择指定对象后，点击相应的数据分析按钮，此时生成数据分析请求。数据分析请求用于生成数据分析指令。合规用户是指符合规定的、合法的用户，合规用户可以是已注册用户、已登记用户、已开户用户等，故确定当前用户是否为合规用户，可以是检测当用户是否注册、登记或开户等。若当前用户不是合规用户，则需要指引当前用户变更为合规用户，否则，当前用户将不能够继续进行数据分析。指引当前用户变更为合规用户的方式是：为当前用户提供规约引导信息，该规约引导信息就是提示当前用户如何变更为合规用户的信息，例如，用户注册引导信息、用户登记引导信息、用户开户引导信息等。获取当前用户根据规约引导信息进行操作时的反馈信息，当该反馈信息正确或合法时，即可将当前用户变更为合规用户。71.在确定当前用户为合规用户时，继续确定当前用户的数据分析权限。数据分析权限为用户可用的数据分析功能的权限，当数据分析权限过低时，用户不能对某些数据进行数据分析。例如，数据分析权限可以划分为：无权限、低级权限和高级权限，无权限不能够进行数据分析，低级权限可以进行部分数据分析，高级权限可以进行全部数据分析。因此，在当前用户的数据分析权限指示当前用户具备发出针对指定对象的数据分析指令的权限时，才生成相应的数据分析指令。72.步骤220、通过多个评价模型分别对指定对象进行评分，得到指定对象的多个评分；其中，一个评价模型从一个评价维度上对指定对象进行评分。73.具体的，评价模型是对指定对象进行评分的模型。在本技术实施例中，对指定对象进行评分的评价模型有多个，每个评价模型可以从一个评价维度上对指定对象进行评分。例如，评价维度a对应评价模型a，使用评价模型a对指定对象进行评分，得到评分a；评价维度b对应评价模型b，使用评价模型b对指定对象进行评分，得到评分b；评价维度c对应评价模型c,使用评价模型c对指定对象进行评分，得到评分c。74.一个评价模型对指定对象进行评分，可以得到指定对象的一个评分，那么，通过多个评价模型分别对指定对象进行评分，就可以得到指定对象的多个评分，各个评分实际上体现了指定对象在各个评价维度的表现。75.在本技术的一个实施例中，在获取评价模型之前，本技术实施例提供的对虚拟资源产品的数据分析方法还包括：基于多元线性回归算法构建多个评价模型，通过训练数据分别对各个评价模型进行训练。76.具体的，评价模型使用多元线性回归算法，多元线性回归算法使得模型具有很高的可解释性，并且计算速度较快。使用训练数据对评价模型进行训练，得到训练好的评价模型，进而可以使用训练好的评价模型对指定对象进行评分。77.步骤230、根据当前用户类别对多个评分进行融合，得到指定对象的综合评分。78.具体的，为了满足不同类别用户的数据分析需求，在得到多个评分之后，本技术技术方案根据当前用户类别对多个评分进行融合，从而得到指定对象的综合评分，如此，使得综合评分与当前用户类别之间具有一定的相关性。79.在本技术的一个实施例中，对多个评分进行融合，可以是多个评分进行统计处理。例如，根据当前用户类别确定各个评分维度的权重，然后根据各个评分维度的权重对多个评分进行加权求和处理，得到指定对象的综合评分。例如，对于第一类用户，评价维度a的权重为α1，评价维度b的权重为β1，评价维度c的权重为γ1，若当前用户类别为第一类用户，则指定对象的综合评分为：α1*a+β1*b+γ1*c。对于第二类用户，评价维度a的权重为α2，评价维度b的权重为β2，评价维度c的权重为γ2，若当前用户类别为第二类用户，则指定对象的综合评分为：α2*a+β2*b+γ2*c。80.在本技术的一个实施例中，可以通过评分融合模型对多个评分进行融合处理，具体过程包括：基于多元线性回归算法构建多个评分融合模型，并根据预设用户类别分别为每个评分融合模型设置模型初始参数；通过训练数据分别对设置模型初始参数后的各个评分融合模型进行训练；确定当前用户类别对应的评分融合模型，并通过当前用户类别对应的评分融合模型对多个评分进行融合，得到指定对象的综合评分。81.具体的，首先基于多元线性回归算法构建多个评分融合模型，评分融合模型与预设用户类别一一对应，即一种预设用户类别对应一个评分融合模型，例如，预设用户类别有3种，则评分融合模型有3种。82.然后根据预设用户类别为对应的评分融合模型设置模型初始参数。一般的，模型初始参数通常是随机确定的，而在本技术实施例中，为了加强评价模型的数据处理精度，模型初始参数为预先设置的，且是根据预设用户类别来设置的，例如，模型初始参数可以是相关人员根据客观数据和经验得到的，不同预设用户类别所对应的评分融合模型的模型初始参数不同。在设置模型初始参数后，可以使用训练数据对评分融合模型进行训练，评分融合模型在训练过程中就可以自适应调整自身的模型参数。评分融合模型的训练数据包括各评分模型输出的评分，还可以包括样本对象的行业信息(如行业排名等)。83.在得到各个预设用户类别对应的训练好的评分融合模型后，对当前用户类别进行评分融合时，首先根据当前用户类别获取对应的评分融合模型，然后使用该评分融合模型对多个评分进行融合处理，得到指定对象的综合评分。84.本技术实施例通过根据预设用户类别为评分融合模型设置模型初始参数的方式，可以解决评分融合模型在使用过程中由于训练数据不足而导致的冷启动问题，即训练数据的数据量较少，难以供评分融合模型进行参数学习，在这种情况下，若直接使用少量的数据对评分融合模型进行训练，则容易导致评分融合模型的数据处理精度低。当为评分融合模型设置一合理的模型初始参数后，使得评分融合模型可以根据较为准确的模型参数对训练数据进行学习，从而提高评分融合模型的数据处理精度。85.步骤240、根据综合评分和多个评分生成指定对象的数据分析结果。86.具体的，在得到综合评分和多个评分后，就可以生成该指定对象的数据分析结果。各个评分是指定对象在各个评价维度上的分析，是下层分析；综合评分实际是从整体上(即宏观上)对指定对象进行了分析，是更为上层的分析。因此，该数据分析结果既体现了从多个评价维度对指定对象进行分析，也可以自上而下(或自下而上)地对指定对象进行分析。87.在本技术的一个实施例中，数据分析结果包括文本分析结果和图表分析结果中的至少一种。文本分析结果是指以文本的形式表示数据分析结果，图表分析结果则是以图形或表格的形式表示数据分析结果。88.在本技术的一个实施例中，生成文本分析结果的过程包括：获取指定对象的行业信息，并根据综合评分和行业信息生成指定对象的文本分析结果。89.具体的，指定对象的行业信息包括指定对象的行业排名和行业评分。将综合评分和行业信息按照设定的模板组合，即可形成文本分析结果。可选的，也可以将综合评分映射为对应的综合评级，然后将综合评级与行业信息按照设定的模板组合，形成文本分析结果。例如，综合评分在4-5分时，映射为a等级(表示优秀)；综合评分在3-4分时，映射为b等级(表示良好)；综合评分在2-3分时，映射为c等级(表示合格)；综合评分在0-2分时，映射为d等级(表示不合格)。90.在本技术的一个实施例中，在映射综合评级之前，可以对综合评分进行标准化处理，如z-score标准化，将综合评分映射到一个数值较小的数据范围内，然后再对标准化后的综合评分进行综合评级映射。91.在本技术的一个实施例中，生成图表分析结果的过程包括：根据多个评分以及各个评分对应的评价维度生成指定对象的图表分析结果。92.具体的，图表分析结果可以是图形，也可以是表格。在本技术实施例中，图表分析结果采用雷达图，雷达图中的一根轴代表一个评价维度，轴的数值则代表对应评价维度的评分。93.将文本分析结果和图表分析结果结合，既可以看到指定对象的综合评分，又可以看到指定对象在各个评价维度上的评分，从而对指定对象进行了自上而下或自下而上的分析，体现出一定的数据分析深度。94.在本技术的一个实施例中，本技术提供的对虚拟资源产品的数据分析方法还包括：获取指定对象的多个相似对象，并根据当前用户类别对应的多个评价模型分别对各个相似对象进行评分，得到各个相似对象的多个评分；根据各个相似对象的多个评分和指定对象的多个评分生成多个相似对象和指定对象的数据比对分析结果。95.进一步的，本实施例中在确定指定对象的相似对象时，相似对象可以包括与指定对象关联的产品等等，例如某一股票对应的基金产品或者衍生品等等。具体的，在确定相似对象时，先获取指定对象的对象信息，对象信息可以为产品标识以及产品信息等信息；之后基于设定的字符对应关系，将上述对象信息进行归一化替换处理，得到数据类型统一的信息；将这些信息串联起来生成字符信息，通过上述字符信息cha_in在数据库中的字符cha_da中依次进行检索，确定相似系数sim(cha_in,cha_da)为：96.97.其中，num()用于表示字符串的字符数量，α、β表示预设的字符因子。98.在计算得到相似系数之后，确定最大相似系数对应的字符信息对应的对象，并将其作为与指定对象对应的相似对象，通过上述方式可以得到精确、全面的相似对象。99.具体而言，就是在对指定对象进行分析之后，还可以获取指定对象的多个相似对象进行分析，然后将各个相似对象的数据分析结果与指定对象的数据分析结果进行比对，生成数据比对分析结果。其中，相似对象的数据分析过程与指定对象的数据分析过程相同，在此不再赘述。100.在本技术实施例提供的技术方案中，通过对用户进行分类，并通过多个评价模型分别对指定对象进行评分，得到指定对象的多个评分；其中，一个评价模型从一个评价维度上对指定对象进行评分；然后根据当前用户类别对多个评分进行融合，得到指定对象的综合评分，最后根据综合评分和多个评分生成数据分析结果；使得数据分析结果能够针对用户类别的不同而进行调整，不仅满足了不同类别用户的不同数据分析需求，同时多个评分和综合评分还可以从不同的评分维度和层面进行数据分析，数据分析更加全面，提高了对产品评估分析的全面性和精确性。101.下面以一个具体实施例来说明本技术实施例提供的对虚拟资源产品的数据分析方法的实施过程。102.图3示意性地示出了本技术一个实施例提供的对虚拟资源产品的数据分析方法的流程图，该方法应用于股票分析的场景，在该场景下，指定对象为用户选中的一只股票，如图3所示，该方法包括：103.步骤301、当检测到针对指定对象的数据分析请求时，确定数据分析请求对应的当前用户是否是合规用户。104.例如，当用户选择某只股票，然后点击相应的数据分析按钮，此时生成数据分析请求。本技术实施例中的合规用户是指已开户用户。当检测到用户针对指定股票的数据分析请求时，确定当前用户是否已开户。105.步骤302、若当前用户不是合规用户，则根据当前用户针对规约引导信息的反馈信息指示当前用户变更为合规用户。106.具体的，若当前用户未开户，则当前用户不是合规用户，此时可以在用户侧展示规约引导信息，例如，在用户所使用的终端设备上展示开户引导弹窗，指引用户进行开户操作。当用户完成开户操作，该用户变更为合规用户。若当前用户未完成开户操作，则当前用户的数据分析请求被拦截。107.步骤303、若当前用户是合规用户，则确定当前用户的数据分析权限；当数据分析权限指示当前用户具备发出针对指定对象的数据分析请求的权限时，生成数据分析指令。108.具体的，在确定当前用户已开户，即当前用户为合规用户时，获取当前用户的数据分析权限。在本技术实施例中，数据分析权限包括三个等级：无权限、低级权限和高级权限。当数据分析权限为无权限时，用户不能够使用数据分析功能，当前用户的数据分析请求被拦截。当数据分析权限为低级权限时，用户可以使用部分数据分析功能，此时判断指定对象的数据分析是否在当前权限范围内。当数据分析权限为高级权限时，用户可以使用全部数据分析功能。109.可选的，当数据分析权限获取失败，则默认当前用户的数据分析权限为无权限。110.步骤304、当检测到针对指定对象的数据分析指令时，确定数据分析指令对应的当前用户是否具有历史用户类别标签。111.具体的，确定当前用户是否具有历史用户类别标签，相当于确定当前用户是否首次使用数据分析功能。若当前用户不是首次使用数据分析功能，则该用户应具有历史用户类别标签；若当前用户是首次使用数据分析功能，则该用户不具有历史用户类别标签。112.步骤305、若当前用户具有历史用户类别标签，则将历史用户类别标签指示的用户类别作为当前用户类别。113.具体的，当用户具有历史用户类别标签时，该历史用户类别标签就是当前用户的当前用户类别。114.步骤306、若当前用户不具有历史用户类别标签，则根据当前用户针对用户分类问卷的答复信息确定当前用户类别。115.具体而言，本步骤包括：当检测到当前用户完成用户分类问卷的指令时，确定是否获取到当前用户针对用户分类问卷中指定数量的预设问题的答复信息；若获取的答复信息对应的预设问题的数量小于指定数量，则提示当前用户具有未答复问题，并重新显示用户分类问卷中当前用户未答复的预设问题，直至获取到当前用户针对用户分类问卷中指定数量的预设问题的答复信息；根据指定数量的预设问题的答复信息确定当前用户类别。116.具体的，步骤306是在当前用户首次使用数据分析功能时，根据用户分类问卷来确定当前用户类别，具体实施过程可以参考前文相关描述，在此不再赘述。117.在本技术实施例中，用户类别(也就是后文的预设用户类别)包括三类：均衡型投资者、基本面型投资者和技术面型投资者。均衡型投资者：对基本面、技术面以及资金面考虑是综合的，即着眼于买卖择时，同时也考虑中长期收益。基本面型投资者：相较于技术面和资金面，其更侧重于关注基本面，是关注标的内在价值和中长期收益的投资者，短期的波动对其来说并不举足轻重。技术面型投资者：相较于基本面，其更侧重于关注技术面和基本面，是关注标的短期买卖不平衡机会的短线投资者。118.示例性的，用户分类问卷包括3个问题(问题1、问题2、问题3)，每个问题对应4个可供选择的答案(答案a、答案b、答案c、答案d)，指定数量的预设问题的答复信息为3个问题的答复信息。当用户给出的答复信息中，3个问题的答案中答案a的数量较多，则确定当前用户类型为基本面型投资者。若3个问题的答案中答案b的数量较多，则确定当前用户类型为技术面型投资者。对于其他情况，则确定当前用户类型为均衡型投资者(可以理解，用户分类可以根据问题和答案的设置灵活调整，此处只是给了根据答复信息对用户进行分类的一种示例)。119.步骤307、通过多个评价模型分别对指定对象进行评分，得到指定对象的多个评分；其中，一个评价模型从一个评价维度上对指定对象进行评分。120.本技术实施例中包括3个评价模型：技术面评价模型、基本面评价模型以及资金面评价模型，分别对应3个评价维度：技术面、基本面和资金面。通过这3个评价模型分别对当前用户选择的指定股票进行评分，得到该股票在这3个评价维度上的评分：技术面评分、基本面评分和资金面评分。121.步骤308、基于多元线性回归算法构建多个评分融合模型，并根据预设用户类别分别为每个评分融合模型设置模型初始参数；通过训练数据分别对设置模型初始参数后的各个评分融合模型进行训练；确定当前用户类别对应的评分融合模型，并通过当前用户类别对应的评分融合模型对多个评分进行融合，得到指定对象的综合评分。122.具体的，评分融合模型的构建过程可以参考前文相关描述，在此不再赘述。在使用评分融合模型对多个评分模型输出的评分数据进行融合处理时，还将当前用户选择股票所在的行业信息作为评分融合模型的输入数据，即，评分融合模型根据行业信息对多个评分进行融合处理，得到综合评分。123.基于评分融合模型和3个评分模型可以看出，本技术实际上采用了多重多元线性回归模型。“多重“指的是在多个层次运用多元线性回归模型，总共分为三层：最高层是综合评分，通过融合三个评价维度的评分得到；中间层是评价维度层，总共有三个评价维度：技术面、基本面以及资金面，每个维度由各自的评分模型得到；最底层是各个维度的评分模型。124.步骤309、获取指定对象的行业信息，并根据综合评分和行业信息生成指定对象的文本分析结果。125.具体的，首先将综合评分映射为综合评级，映射规则为：当综合评分大于4分，则综合评级为s；当综合评分在3-4分，则综合评级为a；当综合评分在2-3分，则综合评级为b；当综合评分在1-2分，则综合评级为c；当综合评分小于1分，则综合评级为d。sabcd依次表示由好到坏。126.文本分析结果根据行业信息(包括行业名称和行业排名)和综合评级按照设定的模板组合，形成文本分析结果。示例性的，文本分析结果的生成模板为：该股票的综合评级为“综合评级”，在“行业名称”行业内排名“行业排名”，“拼接文案”。在该模板内，“综合评级”、“行业名称”和“行业排名”字段均填充当前用户所选择股票对应的值，“拼接文案”字段则是预先设定好的文本信息，可以与“综合评级”字段建立关联关系。例如，“拼接文案”与“综合评级”之间的关系为：当“综合评级”为s时，“拼接文案”为：具有较高的投资价值；当“综合评级”为a时，“拼接文案”为：具有一定的投资价值；当“综合评级”为b、c时，“拼接文案”为：建议保持关注；当“综合评级”为d时，“拼接文案”为：具有保持观望。示例性的，一个文本分析结果为：该股票的综合评级为s，在x行业内排名第一，具有较高的投资价值。127.在本技术的一个实施例中，文本分析结果在终端设备中展示时，“综合评级”、“行业名称”和“行业排名”字段可以高亮显示。综合评级可以单独用颜色表示，例如，在显示页面展示5种颜色的综合评级颜色条，并突出显示当前用户选择股票的综合评级所对应的颜色区域。128.由于综合评分是根据用户类别确定的，那么，当用户类别不同，对于同一指定对象所得到的综合评分就可能不同，对应的综合评级也可能不同，从而使得数据分析结果充分考虑用户的个人需求，有利于提升用户体验。129.步骤310、根据多个评分以及各个评分对应的评价维度生成指定对象的图表分析结果。130.本技术实施例中的图标分析结果是根据多个评分及评价维度生成的雷达图。例如，评分包括技术面评分、基本面评分和资金面评分，雷达图用3个坐标轴分别表示这3个评价维度对应的评分。同时，雷达图的颜色与综合评级的样色保持一致，以便用户通过雷达图也可以获知综合评级。131.将文本分析结果与图表分析结果相结合，不仅为用户提供了宏观层面的股票综合评分作为参考，还保留了各个评分维度的分析参考，数据分析全面而细致。132.步骤311、获取指定对象的多个相似对象，并根据当前用户类别对应的多个评价模型分别对各个相似对象进行评分，得到各个相似对象的多个评分；根据各个相似对象的多个评分和指定对象的多个评分生成多个相似对象和指定对象的数据比对分析结果。133.在本技术实施例中，在生成指定股票的数据分析结果之后，进一步获取该指定股票的相似股票，生成相似股票的雷达图，例如，生成4个相似股票的雷达图，以便将相似股票与指定股票进行比对。134.在本技术的一个实施例中，还可以对指定股票的历史数据进行分析。例如，生成近2个月内，表示指定股票的综合评级变化的图表及股票价格走势的图表。135.应当注意，尽管在附图中以特定顺序描述了本技术中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。136.以下介绍本技术的装置实施例，可以用于执行本技术上述实施例中的对虚拟资源产品的数据分析方法。图4示意性地示出了本技术实施例提供的对虚拟资源产品的数据分析装置的结构框图。如图4所示，该对虚拟资源产品的数据分析装置包括：137.用户类别确定模块410，用于当检测到针对指定对象的数据分析指令时，确定所述数据分析指令对应的当前用户的当前用户类别；138.评分模块420，用于通过多个评价模型分别对所述指定对象进行评分，得到所述指定对象的多个评分；其中，一个评价模型从一个评价维度上对所述指定对象进行评分；139.评分融合模块430，用于根据所述当前用户类别对所述多个评分进行融合，得到所述指定对象的综合评分；140.分析结果生成模块440，用于根据所述综合评分和所述多个评分生成所述指定对象的数据分析结果。141.在本技术的一个实施例中，用户类别确定模块410包括：142.类别标签确定单元，用于确定所述数据分析指令对应的当前用户是否具有历史用户类别标签；143.第一用户类别确定单元，用于若所述当前用户具有历史用户类别标签，则将所述历史用户类别标签指示的用户类别作为当前用户类别；144.第二用户类别确定单元，用于若所述当前用户不具有历史用户类别标签，则根据所述当前用户针对用户分类问卷的答复信息确定当前用户类别。145.在本技术的一个实施例中，第二用户类别确定单元具体用于：146.当检测到所述当前用户完成用户分类问卷的指令时，确定是否获取到所述当前用户针对用户分类问卷中指定数量的预设问题的答复信息；147.若获取的答复信息对应的预设问题的数量小于所述指定数量，则提示所述当前用户具有未答复问题，并重新显示所述用户分类问卷中所述当前用户未答复的预设问题，直至获取到所述当前用户针对用户分类问卷中指定数量的预设问题的答复信息；148.根据所述指定数量的预设问题的答复信息确定当前用户类别。149.在本技术的一个实施例中，评分融合模块430具体用于：150.基于多元线性回归算法构建多个评分融合模型，并根据预设用户类别分别为每个评分融合模型设置模型初始参数；151.通过训练数据分别对设置模型初始参数后的各个评分融合模型进行训练；152.确定所述当前用户类别对应的评分融合模型，并通过所述当前用户类别对应的评分融合模型对所述多个评分进行融合，得到所述指定对象的综合评分。153.在本技术的一个实施例中，所述装置还包括：154.合规检测模块，用于当检测到针对所述指定对象的数据分析请求时，确定所述数据分析请求对应的当前用户是否是合规用户；155.用户变更模块，用于若所述当前用户不是合规用户，则根据所述当前用户针对规约引导信息的反馈信息指示所述当前用户变更为合规用户；156.权限确定模块，用于若所述当前用户是合规用户，则确定所述当前用户的数据分析权限；157.指令生成模块，用于当所述数据分析权限指示所述当前用户具备发出针对所述指定对象的数据分析请求的权限时，生成数据分析指令。158.在本技术的一个实施例中，所述数据分析结果包括文本分析结果和图表分析结果中的至少一种；分析结果生成模块440包括：159.文本分析结果生成单元，用于获取所述指定对象的行业信息，并根据所述综合评分和所述行业信息生成所述指定对象的文本分析结果；160.图表分析结果生成单元，用于根据所述多个评分以及各个评分对应的评价维度生成所述指定对象的图表分析结果。161.在本技术的一个实施例中，所述装置还包括：162.相似对象分析模块，用于获取所述指定对象的多个相似对象，并根据所述当前用户类别对应的多个评价模型分别对各个相似对象进行评分，得到各个相似对象的多个评分；根据所述各个相似对象的多个评分和所述指定对象的多个评分生成所述多个相似对象和所述指定对象的数据比对分析结果。163.本技术各实施例中提供的对虚拟资源产品的数据分析装置的具体细节已经在对应的方法实施例中进行了详细的描述，此处不再赘述。164.图5示意性地示出了用于实现本技术实施例的电子设备的计算机系统结构框图。165.需要说明的是，图5示出的电子设备的计算机系统500仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。166.如图5所示，计算机系统500包括中央处理器501(central processing unit，cpu)，其可以根据存储在只读存储器502(read-only memory，rom)中的程序或者从存储部分508加载到随机访问存储器503(random access memory，ram)中的程序而执行各种适当的动作和处理。在随机访问存储器503中，还存储有系统操作所需的各种程序和数据。中央处理器501、在只读存储器502以及随机访问存储器503通过总线504彼此相连。输入/输出接口505(input/output接口，即i/o接口)也连接至总线504。167.以下部件连接至输入/输出接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(cathode ray tube，crt)、液晶显示器(liquid crystal display，lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至输入/输出接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。168.特别地，根据本技术的实施例，各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如，本技术的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理器501执行时，执行本技术的系统中限定的各种功能。169.需要说明的是，本技术实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(erasable programmable read only memory，eprom)、闪存、光纤、便携式紧凑磁盘只读存储器(compact disc read-only memory，cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。170.附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。171.应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。172.通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本技术实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本技术实施方式的方法。173.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。174.应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!