一种资产配置方法、装置、电子设备及存储介质
阅读：707发布：2020-05-12
专利汇可以提供一种资产配置方法、装置、电子设备及存储介质专利检索，专利查询，专利分析的服务。并且本公开 实施例 公开了一种资产配置方法、装置、 电子 设备及存储介质，该方法包括：获取目标用户的特征数据；对所述特征数据进行预处理，以规范所述特征数据的数据格式；将预处理后的特征数据输入至预先构建的 强化学习 网络模型，以通过所述强化学习网络模型获得针对所述目标用户的资产配置方案。本公开实施例的技术方案，实现了对每个用户进行个性化资产配置的目的。，下面是一种资产配置方法、装置、电子设备及存储介质专利的具体信息内容。
1.一种资产配置方法，其特征在于，包括：
获取目标用户的特征数据；
对所述特征数据进行预处理，以规范所述特征数据的数据格式；
将预处理后的特征数据输入至预先构建的强化学习网络模型，以通过所述强化学习网络模型获得针对所述目标用户的资产配置方案。
2.根据权利要求1所述的方法，其特征在于，所述特征数据包括下述至少一种：年龄、性别、学历、年收入、年支出、交易流水明细及对应的交易类别和持有产品。
3.根据权利要求1所述的方法，其特征在于，当所述特征数据包括性别以及学历时，所述对所述特征数据进行预处理，以规范所述特征数据的数据格式，包括：
分别对所述性别以及学历进行编码处理，以通过数值向量表示所述性别以及学历。
4.根据权利要求1-3任一项所述的方法，其特征在于，还包括：
获取样本用户的特征数据；
对所述样本用户的特征数据进行预处理，以规范所述样本用户的特征数据的数据格式，得到训练样本；
基于所述训练样本对设定强化学习网络进行训练，得到所述强化学习网络模型。
5.根据权利要求4所述的方法，其特征在于，对所述样本用户的特征数据进行预处理，包括：
对特征数据中的学历数据进行求众数处理，以利用求得的众数对缺失学历数据的样本用户的学历数据进行填充；
对特征数据中的年收入数据进行求平均值处理，以利用求得的平均值对年收入数据缺失的样本用户的年收入数据进行填充；
对特征数据中的年支出数据进行求平均值处理，以利用求得的平均值对年支出数据缺失的样本用户的年支出数据进行填充；
基于半监督学习算法对特征数据中的交易流水对应的类别进行确定。
6.根据权利要求1-3任一项所述的方法，其特征在于，所述强化学习网络模型包括状态空间st＝(s ′t ,Kt) 、动作集 奖励函数rt＝pt+ct以 及
其中，st表示t时刻所处的状态，s′t表示当前市场的关联信息，Kt表示目标用户持有资产、年收入以及年支出，at表示t时刻进行资产配置的动作，rt表示在[t,t+1]时段内该资产配置方案的奖励值，pt表示收益或损失，ct表示交易费率，Q(s,a)表示在状态s时，根据策略π，做出动作a所获得的γ折扣长期累计奖励，γ为奖励折扣。
7.一种资产配置装置，其特征在于，包括：
获取模块，用于获取目标用户的特征数据；
预处理模块，用于对所述特征数据进行预处理，以规范所述特征数据的数据格式；
配置模块，用于将预处理后的特征数据输入至预先构建的强化学习网络模型，以通过所述强化学习网络模型获得针对所述目标用户的资产配置方案。
8.根据权利要求7所述的装置，其特征在于，所述特征数据包括下述至少一种：年龄、性别、学历、年收入、年支出、交易流水明细及对应的交易类别和持有产品。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一项所述的资产配置方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6中任一项所述的资产配置方法。
一种资产配置方法、装置、电子设备及存储介质
技术领域
[0001] 本公开实施例涉及计算机技术领域，尤其涉及一种资产配置方法、装置、电子设备及存储介质。
背景技术
[0003] 资产配置与客户风险承受能力之间存在一定的矛盾。比如：理论上客户在资产配置方面应该与其风险承受能力相匹配，但现实中，保守型客户也可以在一定程度内接受一定比例高风险的产品。因此，当客户想要购买少量高风险产品时，则必须自愿更改其风险承受能力等级，而这与客户的初衷是相违背的。其次，目前的资产配置方案大多是通过行内客户经理进行指导帮助，且存在一定的主观性，对于大多数个人资产较少的客户不能提供全面的服务。发明内容
[0004] 本公开实施例提供一种资产配置方法、装置、电子设备及存储介质，实现了对每个用户进行个性化资产配置的目的。
[0005] 第一方面，本公开实施例提供了一种资产配置方法，该方法包括：
[0006] 获取目标用户的特征数据；
[0007] 对所述特征数据进行预处理，以规范所述特征数据的数据格式；
[0008] 将预处理后的特征数据输入至预先构建的强化学习网络模型，以通过所述强化学习网络模型获得针对所述目标用户的资产配置方案。
[0009] 进一步的，所述特征数据包括下述至少一种：年龄、性别、学历、年收入、年支出、交易流水明细及对应的交易类别和持有产品。
[0010] 进一步的，当所述特征数据包括性别以及学历时，所述对所述特征数据进行预处理，以规范所述特征数据的数据格式，包括：
[0011] 分别对所述性别以及学历进行编码处理，以通过数值向量表示所述性别以及学历。
[0012] 进一步的，所述方法还包括：
[0013] 获取样本用户的特征数据；
[0014] 对所述样本用户的特征数据进行预处理，以规范所述样本用户的特征数据的数据格式，得到训练样本；
[0015] 基于所述训练样本对设定强化学习网络进行训练，得到所述强化学习网络模型。
[0016] 进一步的，对所述样本用户的特征数据进行预处理，包括：
[0017] 对特征数据中的学历数据进行求众数处理，以利用求得的众数对缺失学历数据的样本用户的学历数据进行填充；
[0018] 对特征数据中的年收入数据进行求平均值处理，以利用求得的平均值对年收入数据缺失的样本用户的年收入数据进行填充；
[0019] 对特征数据中的年支出数据进行求平均值处理，以利用求得的平均值对年支出数据缺失的样本用户的年支出数据进行填充；
[0021] 进一步的，所述强化学习网络模型包括状态空间st＝(s′t,Kt)、动作集奖励函数rt＝pt+ct以及
[0022] 其中，st表示t时刻所处的状态，s′t表示当前市场的关联信息，Kt表示目标用户持有资产、年收入以及年支出，at表示t时刻进行资产配置的动作，rt表示在[t,t+1]时段内该资产配置方案的奖励值，pt表示收益或损失，ct表示交易费率，Q(s,表示在状态s时，根据策略π，做出动作a所获得的γ折扣长期累计奖励，γ为奖励折扣。
[0023] 第二方面，本公开实施例还提供了一种资产配置装置，该装置包括：
[0024] 获取模块，用于获取目标用户的特征数据；
[0025] 预处理模块，用于对所述特征数据进行预处理，以规范所述特征数据的数据格式；
[0026] 配置模块，用于将预处理后的特征数据输入至预先构建的强化学习网络模型，以通过所述强化学习网络模型获得针对所述目标用户的资产配置方案。
[0027] 第三方面，本公开实施例还提供了一种设备，所述设备包括：
[0028] 一个或多个处理器；
[0029] 存储装置，用于存储一个或多个程序，
[0030] 当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的资产配置方法。
[0031] 第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的资产配置方法。
[0032] 本公开实施例的技术方案，通过获取目标用户的特征数据；对所述特征数据进行预处理，以规范所述特征数据的数据格式；将预处理后的特征数据输入至预先构建的强化学习网络模型，以通过所述强化学习网络模型获得针对所述目标用户的资产配置方案的技术手段，实现了对每个用户进行个性化资产配置的目的。附图说明
[0033] 结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
[0034] 图1为本公开实施例一所提供的一种资产配置方法流程示意图；
[0035] 图2为本公开实施例一所提供的一种特征数据获取流程图示意图；
[0036] 图3为本公开实施例一所提供的一种基于半监督学习算法对特征数据中的交易流水对应的类别进行确定的流程示意图；
[0037] 图4为本公开实施例一所提供的另一种资产配置方法流程示意图；
[0038] 图5为本公开实施例二所提供的一种资产配置装置的结构示意图；
[0039] 图6为本公开实施例三所提供的一种电子设备结构示意图。
具体实施方式
[0040] 下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0041] 应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
[0042] 本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
[0043] 需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0044] 需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0045] 实施例一
[0046] 图1为本公开实施例一所提供的一种资产配置方法流程示意图，该方法可适用于对用户资产进行配置的情况。该方法可以由资产配置装置来执行，该装置可以通过软件和/或硬件的形式实现，通常集成于终端，例如典型的，集成于服务器中。
[0047] 如图1所述，本实施例提供的资产配置方法包括如下步骤：
[0048] 步骤110、获取目标用户的特征数据。
[0049] 其中，所述特征数据包括下述至少一种：年龄、性别、学历、年收入、年支出、交易流水明细及对应的交易类别和持有产品。
[0050] 步骤120、对所述特征数据进行预处理，以规范所述特征数据的数据格式。
[0051] 当所述特征数据包括性别以及学历时，所述对所述特征数据进行预处理，以规范所述特征数据的数据格式，包括：
[0052] 分别对所述性别以及学历进行编码处理，以通过数值向量表示所述性别以及学历。
[0053] 步骤130、将预处理后的特征数据输入至预先构建的强化学习网络模型，以通过所述强化学习网络模型获得针对所述目标用户的资产配置方案。
[0054] 其中，所述资产配置方案具体可以是，若为单一资产，则是持仓的变化，若为多项资产，则是各资产的配置比例。
[0055] 强化学习(Reinforcement Learning，RL)是机器学习的一个重要分支，强化学习的任务通常是用马尔科夫决策过程(MarkovDecision Process，MDP)来描述的，即当机器处于环境E中，状态空间为S，其中每个状态s∈S，机器能采取的动作构成动作空间A，若某个动作a∈A作用在当前状态s上，则潜在的转移函数P将使环境从当前状态按照某种概率转移至另一种状态，同时，环境会根据潜在的奖励(Reward)函数R反馈给机器一个奖赏(或惩罚)，机器通过自主学习，找到能够得到最大奖赏的一组动作集。
[0056] 进一步的，所述方法还包括：
[0057] 获取样本用户的特征数据；
[0058] 对所述样本用户的特征数据进行预处理，以规范所述样本用户的特征数据的数据格式，得到训练样本；
[0059] 基于所述训练样本对设定强化学习网络进行训练，得到所述强化学习网络模型。
[0060] 具体的，从各个源系统获取样本用户各项特征数据，在指定时间推送至大数据节点，经过汇总、求平均等加工后写入HIVE表中。通过PySpark加载特征数据进行预处理。特征数据获取具体流程如图2所示：从客户信息系统获取样本用户的基本信息，例如用户的年龄、学历以及性别等信息；从基金系统以及理财系统获取样本用户的资产持有信息；从客户交易流水系统获取样本用户的交易流水数据等。
[0061] 进一步的，可使用用户身份证号来识别用户年龄。
[0062] 进一步的，对所述样本用户的特征数据进行预处理，包括：
[0063] 对特征数据中的学历数据进行求众数处理，以利用求得的众数对缺失学历数据的样本用户的学历数据进行填充；
[0064] 对特征数据中的年收入数据进行求平均值处理，以利用求得的平均值对年收入数据缺失的样本用户的年收入数据进行填充；
[0065] 对特征数据中的年支出数据进行求平均值处理，以利用求得的平均值对年支出数据缺失的样本用户的年支出数据进行填充；
[0066] 对特征数据中的性别以及学历分别进行编码处理，以利用数值向量进行表示，具体的编码方式可以采用one-hot编码处理。
[0067] 基于半监督学习算法对特征数据中的交易流水对应的类别进行确定。
[0068] 其中，交易流水对应的类别例如是旅行、装修、教育或者日常消费等。所述基于半监督学习算法对特征数据中的交易流水对应的类别进行确定的流程示意图如图3所示，通过利用带有分类标签的样本以及无分类标签的样本对分类器进行训练，分类器训练好之后，将待分类流水样本输入至训练好的分类器，分类器输出带分类标签的流水样本。
[0069] 针对特征数据中的用户持仓信息的处理具体是，若用户只有部分种类投资产品的持仓，则保持该持仓，其它类别投资产品持仓填充为0。
[0070] 最后将所有项特征数据进行归一化和正则化，形成特征向量。
[0071] 所述强化学习网络模型包括状态空间st＝(s′t,Kt)、动作集 奖励函数rt＝pt+ct以及
[0072] 其中，st表示t时刻所处的状态，s′t表示当前市场的关联信息，Kt表示目标用户持有资产、年收入以及年支出，at表示t时刻进行资产配置的动作，rt表示在[t,t+1]时段内该资产配置方案的奖励值，pt表示收益或损失，ct表示交易费率，Q(s,a)表示在状态s时，根据策略π，做出动作a所获得的γ折扣长期累计奖励，为奖励折扣。其中，所述当前市场的关联信息具体包括：沪深300指数、美元黄金指数或者3年期国债票面利率等用于反映资本市场环境的信息。
[0073] 通过上述强化学习网络模型，即可获得最优策略π′，使得该策略下的资产配置方案能够给目标用户带来最优的收益：
[0074] π′s＝maxQ′(s,a)
[0075] 在构建所述强化学习网络模型的过程中，需要确定的输入数据有：状态空间s：即上述的特征向量；动作空间A：若当前用户持有单一资产，则动作为(0,1)，0代表不持有，1代表持有；若客户持有多类资产，则动作为各类资产的所占比例；起始状态s0：状态空间s中随机选择一状态作为当前用户的起始状态；奖励折扣γ：可选设置为0.01。
[0076] 本公开实施例的技术方案，在没有区分用户风险承受能力的情况下，根据用户的基本信息、个人收支情况、消费记录等信息，通过强化学习算法，对用户的资产配置情况进行自学习，最终针对每一位用户形成一套使其收益、风险最为合适的个性化资产配置方案。
[0077] 在上述各技术方案的基础上，参见图4所示的另一种资产配置方法的流程示意图：具体包括：获取特征数据，对特征数据进行加工，构建特征宽表，进而构成状态空间s，通过学习最终得到最优的资产配置方案，即风险、收益均达到最佳状态。
[0078] 实施例二
[0079] 图5为本公开实施例二提供的一种资产配置装置，该装置包括：获取模块510、预处理模块520和配置模块530；
[0080] 其中，获取模块510，用于获取目标用户的特征数据；预处理模块520，用于对所述特征数据进行预处理，以规范所述特征数据的数据格式；配置模块530，用于将预处理后的特征数据输入至预先构建的强化学习网络模型，以通过所述强化学习网络模型获得针对所述目标用户的资产配置方案。
[0081] 在上述技术方案的基础上，所述特征数据包括下述至少一种：年龄、性别、学历、年收入、年支出、交易流水明细及对应的交易类别和持有产品。
[0082] 在上述各技术方案的基础上，当所述特征数据包括性别以及学历时，所述预处理模块520具体用于：
[0083] 分别对所述性别以及学历进行编码处理，以通过数值向量表示所述性别以及学历。
[0084] 在上述各技术方案的基础上，获取模块510还用于：获取样本用户的特征数据；预处理模块520还用于：对所述样本用户的特征数据进行预处理，以规范所述样本用户的特征数据的数据格式，得到训练样本。
[0085] 在上述各技术方案的基础上，还包括训练模块，用于基于所述训练样本对设定强化学习网络进行训练，得到所述强化学习网络模型。
[0087] 在上述各技术方案的基础上，预处理模块520具体用于：对特征数据中的学历数据进行求众数处理，以利用求得的众数对缺失学历数据的样本用户的学历数据进行填充；
[0088] 对特征数据中的年收入数据进行求平均值处理，以利用求得的平均值对年收入数据缺失的样本用户的年收入数据进行填充；
[0089] 对特征数据中的年支出数据进行求平均值处理，以利用求得的平均值对年支出数据缺失的样本用户的年支出数据进行填充；
[0090] 基于半监督学习算法对特征数据中的交易流水对应的类别进行确定。
[0091] 在上述各技术方案的基础上，所述强化学习网络模型包括状态空间st＝(s′t,Kt)、动作集 奖励函数rt＝pt+ct以及
[0092] 其中，st表示t时刻所处的状态，s′t表示当前市场的关联信息，Kt表示目标用户持有资产、年收入以及年支出，at表示t时刻进行资产配置的动作，rt表示在[t,t+1]时段内该资产配置方案的奖励值，pt表示收益或损失，ct表示交易费率，Q(s,表示在状态s时，根据策略π，做出动作a所获得的γ折扣长期累计奖励，γ为奖励折扣。
[0093] 本公开实施例的技术方案，在没有区分用户风险承受能力的情况下，根据用户的基本信息、个人收支情况、消费记录等信息，通过强化学习算法，对用户的资产配置情况进行自学习，最终针对每一位用户形成一套使其收益、风险最为合适的个性化资产配置方案。
[0094] 本公开实施例所提供的资产配置装置可执行本公开任意实施例所提供的资产配置方法，具备执行方法相应的功能模块和有益效果。
[0095] 值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
[0096] 实施例三
[0097] 下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如图6中的终端设备或服务器)400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0098] 如图6所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置406加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备
400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
[0099] 通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置406；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
[0100] 特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序贷款产品，其包括承载在非暂态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装置409从网络上被下载和安装，或者从存储装置406被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。
[0101] 本公开实施例提供的终端与上述实施例提供的资产配置方法属于同一发明构思，未在本公开实施例中详尽描述的技术细节可参见上述实施例，并且本公开实施例与上述实施例具有相同的有益效果。
[0102] 实施例四
[0103] 本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的资产配置方法。
[0104] 需要说明的是，本公开上述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(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，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。而在本公开中，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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
[0105] 在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText Transfer Protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0106] 上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0107] 上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
[0108] 获取目标用户的特征数据；
[0109] 对所述特征数据进行预处理，以规范所述特征数据的数据格式；
[0110] 将预处理后的特征数据输入至预先构建的强化学习网络模型，以通过所述强化学习网络模型获得针对所述目标用户的资产配置方案。
[0111] 可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0112] 附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序贷款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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。
[0113] 描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，可编辑内容显示单元还可以被描述为“编辑单元”。
[0114] 本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准贷款产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
[0115] 在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0116] 以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
[0117] 此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
[0118] 尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 用于在可重构平台中解码数据流的方法和设备 | 2020-05-11 | 484 |
| 一种基于大数据的企业创新专家智库平台 | 2020-05-13 | 668 |
| 一种两线制智能差压控制器变送器数显仪表 | 2020-05-14 | 17 |
| 用于远程检测三色灯状态的单元电路及实现方法 | 2020-05-13 | 630 |
| 面向复杂动力学环境的多航天器任务智能规划与控制方法 | 2020-05-12 | 559 |
| 一种用于酒水饮料的智能销售管理系统 | 2020-05-14 | 138 |
| 基于数据挖掘和工艺模型的优化排程方法、系统、介质及设备 | 2020-05-13 | 902 |
| 一种基于互联网的共享打印（扫描）设备及系统 | 2020-05-08 | 974 |
| 一种基于竞价辅助服务市场的自动发电控制方法及装置 | 2020-05-08 | 107 |
| 一种用于污染场地逐年化风险评估系统的架构方法 | 2020-05-12 | 324 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈