[发明专利]基于动静态深度表征的协同预测方法

说明书

本发明公开了一种基于动静态深度表征的协同预测方法，包括：获取众筹平台上各项目的相关数据，并提取出其中项目属性数据，划分为动态属性与静态属性；将静态属性转换为向量表征；将动态属性通过预训练的模型进行情感表征与特征连接，并结合双向长短期记忆网络和注意力机制，得到相应的动态特征；将一个项目的向量表征与动态特征协同建模，并通过Softmax层处理，得到预测结果。该方法极大的提高了项目成功融资率预测分类结果的准确性。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于动静态深度表征的协同预测方法。

背景技术

众筹是一个新兴的互联网金融平台，项目的发起者可以通过使用互联网，征求大量平台用户的资金来资助他们的项目。近年来，众筹平台得到了快速发展，并极大地提高了金融市场的资本活力。然而，尽管众筹行业取得了巨大发展，但成功达到预期目标融资金额的众筹项目比例仅为总数的一半左右。而根据众筹平台所具有的“全有或全无”规则，只有在特定时间内收集足够的资金时，项目的筹资才会成功进行交易。同时，如果项目筹资失败，参与该项目的支持者虽然可以收回资金但可能会浪费大量的时间和机会成本。由此可见，一方面，众筹作为一种高效便捷的新型融资方式逐步受到重视并正在快速发展；另一方面，众筹行业目前的整体预期融资额完成率不高。因此为了防止项目发起者和投资者在可能失败的项目上浪费时间和精力，动态追踪众筹项目的筹资过程以及估算其融资成功概率便极其重要。同时深度探究和挖掘影响众筹融资成功的关键因素，构建行之有效的成功率预测与解释模型，对平台提高众筹项目融资的概率，促进众筹行业的发展也具有重大意义。

众筹平台项目成功率预测主要是针对某个众筹项目，根据其固有的一些属性信息，例如：项目发起人信息、项目详情介绍、投资人行为信息等，通过现有的或构建的算法模型进行特征抽取与表征，并由这些抽取出来的特征去训练一个二分类器。最终用该分类器对项目进行融资状态的预测。

在目前的研究工作和专利中，关于项目融资成功率预测的方法主要有以下方法：

1)基于传统机器学习模型的项目特征分析预测的方法。

目前，基于传统机器学习的工作旨在挖掘项目属性与项目融资结果之间的关系，这些属性包含诸如项目目标金额、项目类别、奖励数量、奖励描述、项目持续时间、项目详情、视频是否存在、社交网络中的朋友数量、奖励水平以及项目描述中的句子数量等特征。而传统的一些机器学习方法仅将这些特征归一化后送到机器学习分类器，如支持向量机(SVM)、随机森林(RF)以及K近邻(KNN)等方法，以预测众筹项目是否能够成功融资到足够的资金，达到最终的目标金额。

2)基于社交媒体的外部特征预测方法。

即社交网络特征分析，将项目在Twitter社交媒体上分享的频次与项目的特征联合，用来预测支持者的数量和筹款成功。该方法创新性地使用了众筹平台的外部数据，扩展了项目的属性信息数量以及信息维度，同时结合了传统机器学习方法中常用的特征提取方式，发挥深度学习的性能。这种方法不仅能够充分地提取出项目固有属性具有的特征，还能够通过社交网络的来探索项目的影响力大小。

3)基于文本语义表征的预测方法。

近年来，随着深度学习的快速发展，自然语言理解领域出现了很多令人振奋的研究成果。而考虑到众筹平台上的实际场景后，尽管之前的很多研究已经大大提升了众筹平台上项目的融资预测结果，但是却并没有充分挖掘出项目详情所蕴含的丰富语义信息。因此，有些研究人员便基于主题模型，提出了域约束主题分布模型。该方法设计一个基于文本分析的框架，可以从项目的文本描述中提取潜在的语义信息，并利用随机森林方法预测项目融资的结果。