资源匹配方法、装置和计算机设备

技术领域

本申请涉及智能策略领域，特别是涉及到资源匹配方法、装置和计算机设备。

背景技术

全局优化算法有着广泛的应用，实际中存在许多问题都可以转化为最优化问题，如方案规划、最短路径规划、最短时间规划等，这类问题都是求一个最优解。通过随机初始化一个近似解，然后通过寻找下一个更优解的反复迭代方式，只能求出近似的全局解，且无收敛性保证，属于不确定性的全局优化算法,无法实现通过求解最优解，则无法精准匹配适合于当前用户的最佳匹配方案。

发明内容

本申请的主要目的为解决业务量大时数据库运行障碍，无法快速响应业务需求的技术问题。

本申请提出一种资源匹配方法，包括：

获取当前用户选定的资源匹配目标，以及所述当前用户对应的用户信息属性；

根据所述用户信息属性和资源匹配目标，构建资源匹配模型；

根据预设的初始点，计算所述资源匹配模型当前对应的局部最优解；

调用预设的罚函数，将所述资源匹配模型转化为指定函数；

根据所述局部最优解，通过填充曲线极小化所述指定函数，确定所述指定函数对应的全局最优解；

根据所述全局最优解，匹配与所述用户信息属性和资源匹配目标相对应的资源匹配方案。

优选地，所述资源匹配模型包括投资组合模型，所述用户信息属性包括用户的风险级别、预选定的多个投资项目以及各所述投资项目分别对应的收益区间，所述根据所述用户信息属性和资源匹配目标，构建资源匹配模型的步骤，包括：

获取所述当前用户预选定的多个投资项目以及预设的期望收益数据；

判断所述当前用户预选定的多个投资项目，是否均与所述当前用户的风险级别相对应；

若是，则将所述当前用户预选定的多个投资项目分别对应的资金比例，组合成资金协方差矩阵；

将各所述投资项目分别对应的收益区间，组合成投资项目的资产收益率；

根据所述期望收益数据、资产协方差矩阵以及资产收益率构建投资组合对应的资源匹配模型。

优选地，调用预设的罚函数，将所述资源匹配模型转化为指定函数的步骤，包括：

获取所述资产协方差矩阵对应的投资资产比例向量，所述期望收益数据对应的资产的期望收益向量，以及所述资产收益率对应的资产收益率向量；

根据所述投资资产比例向量、资产的期望收益向量以及资产收益率向量分别对应的变量，构建约束关系函数；

通过所述约束关系函数和预设罚函数的辅助函数，组成所述罚函数；

根据所述罚函数将所述资源匹配模型转化为F(x,λ)＝f(x)+λP(x)，其中，F(x,λ)表示指定函数，λ表示罚函数系数，P(x)表示罚函数，f(x)表示投资组合的资源匹配模型，

优选地，所述根据所述局部最优解，通过填充曲线极小化所述指定函数，确定所述指定函数对应的全局最优解的步骤，包括：

在空间[u,V]

通过所述填充曲线的辅助函数，确定所述指定函数的遍历区间；

根据所述局部最优解，在所述遍历区间上迭代极小化所述指定函数；

判断是否达到终止迭代的预设条件；

若是，则将终止迭代前所述指定函数的极小值作为所述全局最优解。

优选地，在空间[u,V]

获取空间的取值对应的空间跨度s,其中，s＝V-u；

根据所述空间跨度，构建所述填充曲线的辅助函数

优选地，所述根据所述局部最优解，在所述遍历区间上迭代极小化所述指定函数的步骤，包括：

通过预设的无穷级数定义参数方程，

根据所述参数方程以及所述局部最优解，以指定步长在所述遍历区间上寻找小于所述局部最优解的第一指定解；

根据所述参数方程以及所述第一指定解，以所述指定步长在所述遍历区间上寻找小于所述第一指定解的第二指定解；

按照所述第一指定解和第二指定解的寻找方式，迭代寻找所述遍历区间上的极小化值，直至迭代终止。

本申请还提供了一种资源匹配装置，包括：

获取模块，用于获取当前用户选定的资源匹配目标，以及所述当前用户对应的用户信息属性；

构建模块，用于根据所述用户信息属性和资源匹配目标，构建资源匹配模型；

计算模块，用于根据预设的初始点，计算所述资源匹配模型当前对应的局部最优解；

转化模块，用于调用预设的罚函数，将所述资源匹配模型转化为指定函数；

确定模块，用于根据所述局部最优解，通过填充曲线极小化所述指定函数，确定所述指定函数对应的全局最优解；

匹配模块，用于根据所述全局最优解，匹配与所述用户信息属性和资源匹配目标相对应的资源匹配方案。

本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。

本申请通过填充曲线进行全局最优解的解决方式，并基于区间划分、区间搜索，确定局部极小值的方式，确定最优解，实现精准、快速匹配适合于当前用户的最佳资源匹配方案。

附图说明

图1本申请一实施例的资源匹配方法流程示意图；

图2本申请一实施例的资源匹配装置结构示意图；

图3本申请一实施例的计算机设备内部结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

参照图1，本实施例的资源匹配方法，包括：

S1：获取当前用户选定的资源匹配目标，以及所述当前用户对应的用户信息属性；

S2：根据所述用户信息属性和资源匹配目标，构建资源匹配模型；

S3：根据预设的初始点，计算所述资源匹配模型当前对应的局部最优解；

S4：调用预设的罚函数，将所述资源匹配模型转化为指定函数；

S5：根据所述局部最优解，通过填充曲线极小化所述指定函数，确定所述指定函数对应的全局最优解；

S6：根据所述全局最优解，匹配与所述用户信息属性和资源匹配目标相对应的资源匹配方案。

本申请实施例中优化资源匹配用于投资推荐系统，投资组合是研究配置各种不同的金融资产，对资产资源进行最优配置，可抽象成最优化问题。各类投资项目的组合模型是为了寻找与用户选定的资源匹配目标相对应，比如用户选定的资源匹配目标为具有较高收益和低风险的最佳投资组合。上述资源匹配目标包括用户投资的预期收益和支撑的风险等级组成。上述用户信息属性包括但不限于用户的风险级别、优先选定的投资类型、预选定的多个投资项目以及预选定的各投资项目分别对应的收益区间。然后依据上述用户信息属性和资源匹配目标，作为资源匹配模型的参考因素，代入模型架构中形成对应的资源匹配模型，以优化最终推荐的投资项目及各投资项目的资金比例。上述投资项目包括但不限于各种股票、基金、债券等。上述的资源匹配模型涉及多个参考因素，为多维因素下的优化问题，本申请通过罚函数将多维的资源匹配模型转化为一维的指定函数，以便在区间上进行求解。本申请在求解指定函数的过程中，通过填充曲线分区间进行求解，通过区间逐步缩小、逐步迭代逼近的方式进行极小化，以最终获取整个区间上的极小值，确定全局最优解，并根据全局最优解确定选定的各个投资项目的资金占比，将与用户投资目标、投资意图匹配的低风险、高收益的投资组合，向用户进行推荐。本申请通过罚函数将多维因素的资源匹配模型，转化为一维的指定函数，以便在区间上通过填充曲线进行全局最优解的解决方式，并基于区间划分、区间搜索，确定局部极小值的方式，得到全局最优解，实现精准、快速匹配适合于当前用户的最佳资源匹配方案。

进一步地，所述资源匹配模型包括投资组合模型，所述用户信息属性包括用户的风险级别、预选定的多个投资项目以及各所述投资项目分别对应的收益区间，所述根据所述用户信息属性和资源匹配目标，构建资源匹配模型的步骤S2，包括：

S21：获取所述当前用户预选定的多个投资项目以及预设的期望收益数据；

S22：判断所述当前用户预选定的多个投资项目，是否均与所述当前用户的风险级别相对应；

S23：若是，则将所述当前用户预选定的多个投资项目分别对应的资金比例，组合成资金协方差矩阵；

S24：将各所述投资项目分别对应的收益区间，组合成投资项目的资产收益率；

S25：根据所述期望收益数据、资产协方差矩阵以及资产收益率构建投资组合对应的资源匹配模型。

本申请实施例中，投资组合模型表示为

进一步地，调用预设的罚函数，将所述资源匹配模型转化为指定函数的步骤S4，包括：

S40：获取所述资产协方差矩阵对应的投资资产比例向量，所述期望收益数据对应的资产的期望收益向量，以及所述资产收益率对应的资产收益率向量；

S41：根据投资资产比例向量、资产的期望收益向量以及资产收益率向量分别对应的变量，构建约束关系函数；

S42：通过所述约束关系函数和预设罚函数的辅助函数，组成所述罚函数；

S43：根据所述罚函数将所述资源匹配模型转化为F(x,λ)＝f(x)+λP(x)，其中，F(x,λ)表示指定函数，λ表示罚函数系数，P(x)表示罚函数，f(x)表示投资组合的资源匹配模型，

本申请的罚函数P(x)的定义为:

进一步地，所述根据所述局部最优解，通过填充曲线极小化所述指定函数，确定所述指定函数对应的全局最优解的步骤S5，包括：

S51：在空间[u,V]

S52：通过所述填充曲线的辅助函数，确定所述指定函数的遍历区间；

S53：根据所述局部最优解，在所述遍历区间上迭代极小化所述指定函数；

S54：判断是否达到终止迭代的预设条件；

S55：若是，则将终止迭代前所述指定函数的极小值作为所述全局最优解。

上述的遍历区间跟空间跨度相关，遍历区间表示为区间[0,ns]，其中s表示空间[u,V]

进一步地，在空间[u,V]

S511:获取空间的取值对应的空间跨度s,其中，s＝V-u；

S512:根据所述空间跨度，构建所述填充曲线的辅助函数

本申请通过无穷级数构造填充曲线的辅助函数，填充曲线的辅助函数如上所示，为关于变量t的多项式分段函数，且节点是连续可微的，对于空间中任意点x∈[0,1]

进一步地，所述根据所述局部最优解，在所述遍历区间上迭代极小化所述指定函数的步骤S53，包括：

S521：通过预设的无穷级数定义参数方程，

S522：根据所述参数方程以及所述局部最优解，以指定步长在所述遍历区间上寻找小于所述局部最优解的第一指定解；

S523：根据所述参数方程以及所述第一指定解，以所述指定步长在所述遍历区间上寻找小于所述第一指定解的第二指定解；

S524：按照所述第一指定解和第二指定解的寻找方式，迭代寻找所述遍历区间上的极小化值，直至迭代终止。

本申请实施例中，无穷级数优选k＝10，兼顾计算量小，精度高。上述一维曲线在取k＝20时是连续可微的，误差较小。当k＝20时，表示取无穷级数的前20项，一般取无穷级数的前10项时已经和真实值是精确靠近了，误差为1/2

本申请在求解过程中，摒弃了利用积分函数求解的思路，采用区间划分、区间搜索的方式逐步逼近的方式求解，完成迭代寻找遍历区间上的极小值问题，极大地降低了计算量，加快响应效率。具体过程是找到一个局部极小点后，再遍历区间[0,ns]，选取的间隔较小，找到比当前局部极小点更小的点x**，即满足f(x**)

上述极小化值对应的向量，为满足当前用户预期的各投资项目的资金占比，将上述资金占比导入预先设定的推荐模板，得到资源匹配的优化方案。

参照图2，本实施例的资源匹配装置，包括：

获取模块1，用于获取当前用户选定的资源匹配目标，以及所述当前用户对应的用户信息属性；

构建模块2，用于根据所述用户信息属性和资源匹配目标，构建资源匹配模型；

计算模块3，用于根据预设的初始点，计算所述资源匹配模型当前对应的局部最优解；

转化模块4，用于调用预设的罚函数，将所述资源匹配模型转化为指定函数；

确定模块5，用于根据所述局部最优解，通过填充曲线极小化所述指定函数，确定所述指定函数对应的全局最优解；

匹配模块6，用于根据所述全局最优解，匹配与所述用户信息属性和资源匹配目标相对应的资源匹配方案。

本申请实施例中装置部分的解释，参照方法部分的对应解释，不赘述。

进一步地，所述资源匹配模型包括投资组合模型，所述用户信息属性包括用户的风险级别、预选定的多个投资项目以及各所述投资项目分别对应的收益区间，构建模块2，包括：

第一获取单元，用于获取所述当前用户预选定的多个投资项目以及预设的期望收益数据；

判断单元，用于判断所述当前用户预选定的多个投资项目，是否均与所述当前用户的风险级别相对应；

第一组合单元，用于若是，则将所述当前用户预选定的多个投资项目分别对应的资金比例，组合成资金协方差矩阵；

第二组合单元，用于将各所述投资项目分别对应的收益区间，组合成投资项目的资产收益率；

第一构建单元，用于根据所述期望收益数据、资产协方差矩阵以及资产收益率构建投资组合对应的资源匹配模型。

进一步地，转化模块4，包括：

第二获取单元，用于获取所述资产协方差矩阵对应的投资资产比例向量，所述期望收益数据对应的资产的期望收益向量，以及所述资产收益率对应的资产收益率向量；

第二构建单元，用于根据投资资产比例向量、资产的期望收益向量以及资产收益率向量分别对应的变量，构建约束关系函数；

组成单元，用于通过所述约束关系函数和预设罚函数的辅助函数，组成所述罚函数；

转化单元，用于根据所述罚函数将所述资源匹配模型转化为F(x,λ)＝f(x)+λP(x)，其中，F(x,λ)表示指定函数，λ表示罚函数系数，P(x)表示罚函数，f(x)表示投资组合的资源匹配模型，

进一步地，确定模块5，包括：

构造单元，用于在空间[u,V]

确定单元，用于通过所述填充曲线的辅助函数，确定所述指定函数的遍历区间；

迭代单元，用于根据所述局部最优解，在所述遍历区间上迭代极小化所述指定函数；

判断单元，用于判断是否达到终止迭代的预设条件；

作为单元，用于若是，则将终止迭代前所述指定函数的极小值作为所述全局最优解。

进一步地，构造单元，包括：

获取子单元，用于获取空间的取值对应的空间跨度s,其中，s＝V-u；

构建子单元，用于根据所述空间跨度，构建所述填充曲线的辅助函数

进一步地，迭代单元，包括：

定义子单元，用于通过预设的无穷级数定义参数方程，

第一寻找子单元，用于根据所述参数方程以及所述局部最优解，以指定步长在所述遍历区间上寻找小于所述局部最优解的第一指定解；

第二寻找子单元，用于根据所述参数方程以及所述第一指定解，以所述指定步长在所述遍历区间上寻找小于所述第一指定解的第二指定解；

迭代子单元，用于按照所述第一指定解和第二指定解的寻找方式，迭代寻找所述遍历区间上的极小化值，直至迭代终止。

参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储资源匹配过程需要的所有数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现资源匹配方法。

上述处理器执行上述资源匹配方法，包括：获取当前用户选定的资源匹配目标，以及所述当前用户对应的用户信息属性；根据所述用户信息属性和资源匹配目标，构建资源匹配模型；根据预设的初始点，计算所述资源匹配模型当前对应的局部最优解；调用预设的罚函数，将所述资源匹配模型转化为指定函数；根据所述局部最优解，通过填充曲线极小化所述指定函数，确定所述指定函数对应的全局最优解；根据所述全局最优解，匹配与所述用户信息属性和资源匹配目标相对应的资源匹配方案。

上述计算机设备，通过填充曲线进行全局最优解的解决方式，并基于区间划分、区间搜索，确定局部极小值的方式，确定最优解，实现精准、快速匹配适合于当前用户的最佳资源匹配方案。

在一个实施例中，所述资源匹配模型包括投资组合模型，所述用户信息属性包括用户的风险级别、预选定的多个投资项目以及各所述投资项目分别对应的收益区间，上述处理器根据所述用户信息属性和资源匹配目标，构建资源匹配模型的步骤，包括：获取所述当前用户预选定的多个投资项目以及预设的期望收益数据；判断所述当前用户预选定的多个投资项目，是否均与所述当前用户的风险级别相对应；若是，则将所述当前用户预选定的多个投资项目分别对应的资金比例，组合成资金协方差矩阵；将各所述投资项目分别对应的收益区间，组合成投资项目的资产收益率；根据所述期望收益数据、资产协方差矩阵以及资产收益率构建投资组合对应的资源匹配模型。

在一个实施例中，上述处理器调用预设的罚函数，将所述资源匹配模型转化为指定函数的步骤，包括：获取所述资产协方差矩阵对应的投资资产比例向量，所述期望收益数据对应的资产的期望收益向量，以及所述资产收益率对应的资产收益率向量；根据投资资产比例向量、资产的期望收益向量以及资产收益率向量分别对应的变量，构建约束关系函数；通过所述约束关系函数和预设罚函数的辅助函数，组成所述罚函数；根据所述罚函数将所述资源匹配模型转化为F(x,λ)＝f(x)+λP(x)，其中，F(x,λ)表示指定函数，λ表示罚函数系数，P(x)表示罚函数，f(x)表示投资组合的资源匹配模型，

在一个实施例中，上述处理器根据所述局部最优解，通过填充曲线极小化所述指定函数，确定所述指定函数对应的全局最优解的步骤，包括：在空间[u,V]

在一个实施例中，上述处理器在空间[u,V]

在一个实施例中，上述处理器根据所述局部最优解，在所述遍历区间上迭代极小化所述指定函数的步骤，包括：通过预设的无穷级数定义参数方程，

本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。

本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现资源匹配方法，包括：获取当前用户选定的资源匹配目标，以及所述当前用户对应的用户信息属性；根据所述用户信息属性和资源匹配目标，构建资源匹配模型；根据预设的初始点，计算所述资源匹配模型当前对应的局部最优解；调用预设的罚函数，将所述资源匹配模型转化为指定函数；根据所述局部最优解，通过填充曲线极小化所述指定函数，确定所述指定函数对应的全局最优解；根据所述全局最优解，匹配与所述用户信息属性和资源匹配目标相对应的资源匹配方案。

上述计算机可读存储介质，通过填充曲线进行全局最优解的解决方式，并基于区间划分、区间搜索，确定局部极小值的方式，确定最优解，实现精准、快速匹配适合于当前用户的最佳资源匹配方案。

在一个实施例中，所述资源匹配模型包括投资组合模型，所述用户信息属性包括用户的风险级别、预选定的多个投资项目以及各所述投资项目分别对应的收益区间，上述处理器根据所述用户信息属性和资源匹配目标，构建资源匹配模型的步骤，包括：获取所述当前用户预选定的多个投资项目以及预设的期望收益数据；判断所述当前用户预选定的多个投资项目，是否均与所述当前用户的风险级别相对应；若是，则将所述当前用户预选定的多个投资项目分别对应的资金比例，组合成资金协方差矩阵；将各所述投资项目分别对应的收益区间，组合成投资项目的资产收益率；根据所述期望收益数据、资产协方差矩阵以及资产收益率构建投资组合对应的资源匹配模型。

在一个实施例中，上述处理器调用预设的罚函数，将所述资源匹配模型转化为指定函数的步骤，包括：获取所述资产协方差矩阵对应的投资资产比例向量，所述期望收益数据对应的资产的期望收益向量，以及所述资产收益率对应的资产收益率向量；根据投资资产比例向量、资产的期望收益向量以及资产收益率向量分别对应的变量，构建约束关系函数；通过所述约束关系函数和预设罚函数的辅助函数，组成所述罚函数；根据所述罚函数将所述资源匹配模型转化为F(x,λ)＝f(x)+λP(x)，其中，F(x,λ)表示指定函数，λ表示罚函数系数，P(x)表示罚函数，f(x)表示投资组合的资源匹配模型，

在一个实施例中，上述处理器根据所述局部最优解，通过填充曲线极小化所述指定函数，确定所述指定函数对应的全局最优解的步骤，包括：在空间[u,V]

在一个实施例中，上述处理器在空间[u,V]

在一个实施例中，上述处理器根据所述局部最优解，在所述遍历区间上迭代极小化所述指定函数的步骤，包括：通过预设的无穷级数定义参数方程，

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。