System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及数据处理,尤其是一种基于深度学习的数据资产估值方法、装置及电子设备。
技术介绍
1、数据资产估值是指对数据作为一种新型生产要素的价值进行评估的过程,它可以帮助企业和组织认识和利用数据的潜在价值,提升数据的使用效率和效果,促进数据的交易和流通,推动数字经济的发展。
2、然而,传统的估值方法是直接根据固定的模板来计算企业的数据资产估值,该方式无法适应变动的市场,不能灵活且准确地确定出企业的数据资产。
技术实现思路
1、为解决上述现有技术问题,本专利技术实施例提供一种基于深度学习的数据资产估值方法、装置及电子设备。
2、第一方面,本申请实施例提供一种基于深度学习的数据资产估值方法,包括:获取企业对应的多项企业资产数据;将所述企业资产数据输入至自适应权重网络模型中,得到与每个数据特征向量对应的自适应权重;其中,所述自适应权重网络模型的处理过程包括:基于所述企业资产数据,构建所述数据特征向量;将所述数据特征向量输入至多层感知机,并将所述多层感知机的输出神经元拼接成目标向量;其中,拼接过程包括向量转置;基于所述目标向量以及所述自适应权重网络模型的网络参数,确定与每个所述数据特征向量对应的自适应权重;且所述自适应权重网络模型的网络参数每隔预设周期通过周期内的多个企业的多项样本企业资产数据进行调整;基于每个所述数据特征向量以及每个所述数据特征向量对应的自适应权重,预测所述企业的数据资产估值。
3、在第一方面的一种可选的实施方式中,针对所述多层感知机
4、在第一方面的一种可选的实施方式中,在对每一层神经元的输出进行归一化之后,所述方法还包括:将每一层神经元的处理后的输出进行缩放和平移处理,得到最终输出;将所述最终输出传递到下一层神经元;其中,所述缩放和平移处理的计算公式为:;表示该层第个神经元的最终输出;为缩放因子;为平移因子;和的维度与该层神经元的个数相同。
5、在第一方面的一种可选的实施方式中,所述企业资产数据的数据类型包括:数据结构化程度、数据行业分类、数据分类标签、数据规模度、数据时效度、数据一致性、数据完整度、数据冗余度、数据资源价格、数据应用价值度、数据稀缺性中的至少三种。
6、在第一方面的一种可选的实施方式中,所述基于所述企业资产数据,构建所述数据特征向量,包括:响应于所述企业资产数据对应数值型的数据,直接使用所述企业资产数据的原始值构建所述数据特征向量,或对所述企业资产数据进行归一化变化后,构建所述数据特征向量;响应于所述企业资产数据对应类别型的数据,采用独热编码对所述企业资产数据进行离散化,构建所述数据特征向量。
7、在第一方面的一种可选的实施方式中,所述目标向量的计算公式为:;其中,表示所述目标向量,表示该层第个神经元的输出;表示转置;表示该层第个神经元的输出;自适应权重的计算公式为:;其中,表示所述自适应权重;的维度为;的取值为(0,1);表示sigmoid函数;表示权重矩阵,的维度为;为偏置项,的维度为。
8、在第一方面的一种可选的实施方式中,通过如下步骤构建所述自适应权重网络模型,包括:获取目标企业对应的多项样本企业资产数据;基于所述样本企业资产数据构造初始自适应权重网络模型;基于所述多项样本企业资产数据,并结合平滑的l1损失函数,对所述初始自适应权重网络模型进行训练;基于adabound优化器,调整学习率,对所述初始自适应权重网络模型的网络参数进行优化,得到所述自适应权重网络模型。
9、在第一方面的一种可选的实施方式中,所述获取企业对应的多项企业资产数据,包括:获取所述企业对应的多项初始企业资产数据;对所述初始企业资产数据进行预处理;其中,所述预处理包括异常数据剔除处理以及缺失值填补;所述缺失值填补包括均值填补、中位数填补、众数填补、随机森林填补中的至少一种。
10、第二方面,本申请实施例提供一种基于深度学习的数据资产估值装置,包括:获取模块,用于获取企业对应的多项企业资产数据;处理模块,用于将所述企业资产数据输入至自适应权重网络模型中,得到与每个数据特征向量对应的自适应权重;其中,所述自适应权重网络模型的处理过程包括:基于所述企业资产数据,构建所述数据特征向量;将所述数据特征向量输入至多层感知机,并将所述多层感知机的输出神经元拼接成目标向量;其中,拼接过程包括向量转置;基于所述目标向量以及所述自适应权重网络模型的网络参数,确定与每个所述数据特征向量对应的自适应权重;且所述自适应权重网络模型的网络参数每隔预设周期通过周期内的多个企业的多项样本企业资产数据进行调整;预测模块,用于基于每个所述数据特征向量以及每个所述数据特征向量对应的自适应权重,预测所述企业的数据资产估值。
11、第三方面,本申请实施例提供一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面实施例中任一项所述的方法。
12、本专利技术的有益效果包括:
13、第一、本申请实施例引入企业资产数据对应的数据特征向量的自适应权重,即,通过训练好的自适应权重网络模型即可输出与每个数据特征向量的自适应权重,然后,结合自适应权重来预测出该企业的数据资产估值,相较于传统的根据固定的模板来计算企业的数据资产估值,结合由模型输出的自适应权重可以提高企业资产估值的准确性以及合理性,更符合市场情况。
14、第二、本申请实施例中,针对自适应权重网络模型的网络参数每隔预设周期通过周期内的多个企业的多项样本企业资产数据进行调整,即,针对自适应权重网络模型的网络参数会动态更新,进而随着市场的变化,可以动态地调整企业资产估值,通过该方式,可以提高数据资产估值的灵活性,使企业资产估值更加符合当前市场行情。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的数据资产估值方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的数据资产估值方法,其特征在于,针对所述多层感知机,所述方法还包括:
3.根据权利要求2所述的基于深度学习的数据资产估值方法,其特征在于,在对每一层神经元的输出进行归一化之后,所述方法还包括:
4.根据权利要求1所述的基于深度学习的数据资产估值方法,其特征在于,所述企业资产数据的数据类型包括:数据结构化程度、数据行业分类、数据分类标签、数据规模度、数据时效度、数据一致性、数据完整度、数据冗余度、数据资源价格、数据应用价值度、数据稀缺性中的至少三种。
5.根据权利要求4所述的基于深度学习的数据资产估值方法,其特征在于,所述基于所述企业资产数据,构建所述数据特征向量,包括:
6.根据权利要求1所述的基于深度学习的数据资产估值方法,其特征在于,所述目标向量的计算公式为:;
7.根据权利要求1所述的基于深度学习的数据资产估值方法,其特征在于,通过如下步骤构建所述自适应权重网络模型,包括:
8.根据权利要求1所述
9.一种基于深度学习的数据资产估值装置,其特征在于,包括:
10.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的方法。
...【技术特征摘要】
1.一种基于深度学习的数据资产估值方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的数据资产估值方法,其特征在于,针对所述多层感知机,所述方法还包括:
3.根据权利要求2所述的基于深度学习的数据资产估值方法,其特征在于,在对每一层神经元的输出进行归一化之后,所述方法还包括:
4.根据权利要求1所述的基于深度学习的数据资产估值方法,其特征在于,所述企业资产数据的数据类型包括:数据结构化程度、数据行业分类、数据分类标签、数据规模度、数据时效度、数据一致性、数据完整度、数据冗余度、数据资源价格、数据应用价值度、数据稀缺性中的至少三种。
5.根据权利要求4所述的基于深度学习的数据资产估值方法,其特征在于,所述基...
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。