【技术实现步骤摘要】
本专利技术属于数据处理的，尤其涉及一种金融数据的查询方法、查询装置和存储介质。
技术介绍
1、金融数据是指与经济和金融市场相关的各种信息和指标。这些数据通常用于分析和评估金融机构、市场趋势、经济状况和投资决策等方面。金融数据对于金融从业者、投资者、政策制定者和研究人员等都具有重要意义。通过分析和解读金融数据，人们可以更好地了解经济和金融市场的运作，制定相应的投资策略和政策干预。此外，金融数据也为风险管理提供了重要依据，帮助金融机构评估并监控其财务状况和交易风险。
2、金融数据通常具有复杂的结构和关联关系。它们可以是多维度的，包含大量的指标和变量。金融数据往往需要进行多层次、多条件的查询才能获取所需信息。
3、对于语义查询而言，由于金融数据复杂的结构和关联关系，导致较难实现语义查询功能。
技术实现思路
1、有鉴于此，本专利技术实施例提供了一种金融数据的查询方法、查询装置和存储介质，以解决对于语义查询而言，由于金融数据复杂的结构和关联关系，导致较难实现语义查询功能的技术问题。
2、本专利技术实施例的第一方面提供了一种金融数据的查询方法，所述金融数据的查询方法包括：
3、获取由用户输入的初始查询语句，对所述初始查询语句进行预处理，得到多个有序词语；
4、获取多个所述有序词语各自对应的多个词语特征；所述多个词语特征包括当前词语词性、第一邻接词语词性、第二邻接词语词性，当前词语与第一邻接词语的第一词间距，当前词语与第二邻接词语的第二
5、基于所述词语特征，构建每个所述有序词语对应的词语向量；
6、将所述词语向量构成的词语矩阵代入隐含分布函数中，得到当前查询语句对应的查询语义框架；所述查询语义框架包括股票数据语义框架、债券数据语义框架、外汇数据语义框架、期货数据语义框架、指数数据语义框架、基金数据语义框架和宏观经济数据语义框架；所述查询语义框架由多个有序词语位置构成，每个所述有序词语位置对应不同的预设词性、预设词库和查询条件类型；所述隐含分布函数用于将高维的所述词语矩阵降维到低维的语义空间；
7、基于所述查询语义框架中多个有序词语位置、多个所述有序词语位置各自对应的预设词性和预设词库以及所述有序词语位置的数量，构建特征矩阵；
8、将多个所述词语向量和所述特征矩阵输入预先训练的语义识别模型中，得到每个所述有序词语与每个所述有序词语位置之间对应关系；
9、根据所述对应关系，提取每个所述有序词语位置对应的有序词语以及查询条件类型；所述查询条件类型包括时间、地区、机构和数据类型；
10、基于所述有序词语和所述查询条件类型，在数据库中查询对应的金融数据。
11、进一步地，所述语义识别模型包括两个输入层、隐藏层和多个输出层；所述隐藏层包括第一卷积网络层、第二卷积网络层和第三卷积网络层；
12、第一输入层与第一卷积网络层连接；
13、第二输入层与第二卷积网络层连接；
14、所述第一卷积网络层包括第一卷积块，所述第一卷积块包括第一卷积层、第一批量归一化层和第一激活函数；
15、所述第二卷积网络层包括多个第二卷积块，所述第二卷积块包括第二卷积层、第二批量归一化层和第二激活函数；
16、所述第二卷积网络层与dropout层连接；
17、将所述第一卷积网络层和所述dropout层输出的特征数据进行融合，得到融合数据；
18、所述第三卷积网络层用于处理所述融合数据；所述第三卷积网络层包括多个第三卷积块，多个所述第三卷积块包括第三卷积层、第三批量归一化层和第三激活函数；其中，相邻的第三卷积块之间的采用残差连接层连接；
19、所述第三卷积网络层与扁平化层连接；
20、所述扁平化层与多个全连接层连接；
21、所述多个全连接层分别与所述多个输出层连接。
22、进一步地，所述将多个所述词语向量和所述特征矩阵输入预先训练的语义识别模型中，得到每个所述有序词语与每个所述有序词语位置之间对应关系的步骤包括：
23、将多个所述词语向量输入第一输出层，将所述特征矩阵输入第二输入层，经过所述隐藏层处理，得到由多个所述输出层各自输出的多个匹配概率；其中，每个所述输出层用于输出不同的有序词语与所述有序词语位置之间的匹配概率；
24、根据多个所述有序词语位置各自对应的所述匹配概率，得到所述对应关系。
25、进一步地，所述根据多个所述有序词语位置各自对应的所述匹配概率，得到所述对应关系的步骤包括：
26、获取每个所述有序词语与每个所述有序词语位置之间的匹配概率；
27、匹配每个所述有序词语位置的最大匹配概率对应的目标词语向量；
28、将所述目标词语向量与对应的所述有序词语位置，建立对应关系。
29、进一步地，所述将所述词语向量构成的词语矩阵代入隐含分布函数中，得到当前查询语句对应的查询语义框架的步骤包括：
30、将所述词语向量构成的词语矩阵代入隐含分布函数中；
31、采用交替最小二乘法求解所述隐含分布函数中的三个最小化张量；
32、将所述三个最小化张量代入聚合函数，得到结果值；
33、根据所述结果值对应的数值区间，匹配对应的查询语义框架；其中，不同的数值区间对应不同的查询语义框架。
34、进一步地，所述隐含分布函数如下：
35、
36、其中，表示所述词语矩阵，、和表示分解得到的三个低秩的张量，表示最小化、和，表示张量的弗罗贝尼乌斯范数，、和表示正则化参数，用于控制张量的稀疏性，表示所述有序词语的数量，表示所述查询语义框架的数量，表示所述词语特征的数量，表示张量中的第行第列，表示张量中的第行第列，表示张量中的第行第列，表示张量积。
37、进一步地，所述交替最小二乘法的公式如下：
38、其中，表示张量的哈达玛积，表示的转置矩阵，表示的转置矩阵，表示的转置矩阵。
39、进一步地所述聚合函数如下：
40、
41、其中，f表示所述聚合函数的结果值。
42、本专利技术实施例的第二方面提供了一种金融数据的查询装置，包括：
43、获取单元，用于获取由用户输入的初始查询语句，对所述初始查询语句进行预处理，得到多个有序词语；
44、第一提取单元，用于获取多个所述有序词语各自对应的多个词语特征；所述多个词语特征包括当前词语词性、第一邻接词语词性、第二邻接词语词性，当前词语与第一邻接词语的第一词间距，当前词语与第二邻接词语的第二词间距；所述第一词间距和第二词间距是指在所述多个有序词语中两个词语之间相隔的字符量；所述本文档来自技高网...
【技术保护点】
1.一种金融数据的查询方法，其特征在于，所述金融数据的查询方法包括：
2.如权利要求1所述的金融数据的查询方法，其特征在于，所述语义识别模型包括两个输入层、隐藏层和多个输出层；所述隐藏层包括第一卷积网络层、第二卷积网络层和第三卷积网络层；
3.如权利要求2所述的金融数据的查询方法，其特征在于，所述将多个所述词语向量和所述特征矩阵输入预先训练的语义识别模型中，得到每个所述有序词语与每个所述有序词语位置之间对应关系的步骤包括：
4.如权利要求3所述的金融数据的查询方法，其特征在于，所述根据多个所述有序词语位置各自对应的所述匹配概率，得到所述对应关系的步骤包括：
5.如权利要求1所述的金融数据的查询方法，其特征在于，所述将所述词语向量构成的词语矩阵代入隐含分布函数中，得到当前查询语句对应的查询语义框架的步骤包括：
6.如权利要求5所述的金融数据的查询方法，其特征在于，所述隐含分布函数如下：
7.如权利要求5所述的金融数据的查询方法，其特征在于，所述交替最小二乘法的公式如下：
8.如权利要求5所述的金融数
9.一种金融数据的查询装置，其特征在于，用于应用权利要求1至7中任一项所述的金融数据的查询方法；
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
...【技术特征摘要】
1.一种金融数据的查询方法，其特征在于，所述金融数据的查询方法包括：
2.如权利要求1所述的金融数据的查询方法，其特征在于，所述语义识别模型包括两个输入层、隐藏层和多个输出层；所述隐藏层包括第一卷积网络层、第二卷积网络层和第三卷积网络层；
3.如权利要求2所述的金融数据的查询方法，其特征在于，所述将多个所述词语向量和所述特征矩阵输入预先训练的语义识别模型中，得到每个所述有序词语与每个所述有序词语位置之间对应关系的步骤包括：
4.如权利要求3所述的金融数据的查询方法，其特征在于，所述根据多个所述有序词语位置各自对应的所述匹配概率，得到所述对应关系的步骤包括：
5.如权利要求1所述的金融数据的查询方法，其特...
【专利技术属性】
技术研发人员：贺璟璐，
申请(专利权)人：深圳迅策科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。