评估因子选择模型的训练方法、装置、设备及存储介质与流程

1.本技术属于大数据技术领域，尤其涉及一种评估因子选择模型的训练方法、装置、设备及存储介质。


背景技术：

2.在金融服务行业中，通过数学和计算机算法模型对固定字长进行价值评估，能够有效提高相关评估机构的业务效率，并降低评估机构的运营成本。
3.现有很多评估机构通过收集样本数据，利用不同的评估模型并结合专家经验对固定资产进行价值评估，但由于不同评估机构收集样本的来源和侧重点不同，对于模型训练而言可能会产生极端训练样本，并且所采用的评估因子或评估因子对应的参数设置也有所不同，若针对同一固定资产，不同评估机构会产生不同评估结果，而且依赖专家经验无法避免外界因素的干扰，导致无法准确地确定适用于固定资产的评估机构以及对应的评估因子。


技术实现要素：

4.本技术实施例提供了一种评估因子选择模型的训练方法、装置、设备及存储介质，能够评估因子选择模型的训练方法、装置、设备及存储介质。
5.第一方面，本技术实施例提供了一种评估因子选择模型的训练方法，该方法包括：
6.获取固定资产对应的实际价值，以及目标地域单位对应的多个价值评估结果，目标地域单位为固定资产所处的地域单位，多个价值评估结果为多个评估机构分别采用不同评估因子对目标地域单位中的固定资产进行价值评估所得的评估结果；
7.对多个价值评估结果进行加权处理，得到地域单位对应的固定资产评估价值；
8.从多个评估机构中选取实际价值与固定资产评估价值之间相差最小的评估机构，得到固定资产对应的目标评估机构；
9.将目标评估机构所采用的目标评估因子作为固定资产对应的样本标签，构建与固定资产对应的训练样本；
10.利用训练样本对决策树模型进行训练，得到评估因子选择模型，评估因子选择模型用于选取固定资产对应的评估因子。
11.在第一方面的一些可实现方式中，对多个价值评估结果进行加权处理，得到地域单位对应的固定资产评估价值，包括：
12.获取多个价值评估结果对应的置信度，置信度根据价值评估结果对应的评估来源确定得到的；
13.将置信度作为对应的价值评估结果的权重，利用权重对价值评估结果进行加权处理，得到多个价值评估结果对应的加权价值评估结果；
14.根据多个价值评估结果对应的加权价值评估结果，确定固定资产评估价值。
15.在第一方面的一些可实现方式中，从多个评估机构中选取实际价值与固定资产评
估价值之间相差最小的评估机构，得到固定资产对应的目标评估机构，包括：
16.根据固定资产评估价值和每个评估机构所采用的评估因子的取值，计算每个评估机构对固定资产进行价值评估所得的目标固定资产评估价值；
17.利用每个评估机构对应的目标固定资产评估价值和实际价值，计算每个评估机构对固定资产进行价值评估的差值比；
18.对比每个评估机构对应的差值比的大小，将差值比最小的评估机构确定为固定资产对应的目标评估机构。
19.在第一方面的一些可实现方式中，训练样本包括多个，利用训练样本对决策树模型进行训练，得到评估因子选择模型，包括：
20.将多个训练样本输入决策树模型中，得到每个训练样本对应的梯度值，梯度值用于衡量训练样本对应的损失函数值；
21.根据每个训练样本对应的梯度值，对多个训练样本进行排序，得到排序结果；
22.根据排序结果从多个训练样本中选取目标训练样本；
23.在目标训练样本对应的损失函数值满足预设训练停止条件的情况下，停止训练，得到评估因子选择模型。
24.在第一方面的一些可实现方式中，根据排序结果从多个训练样本中选取目标训练样本，包括：
25.根据排序结果，按照第一预设比例对多个训练样本进行划分，得到第一训练样本集合和第二训练样本集合；
26.从第二训练样本集合中随机选取第二预设比例的训练样本，得到第一目标训练样本；
27.利用预设权重系数对第一目标训练样本进行加权处理，预设权重系数是根据第一预设比例和第二预设比例确定得到的；
28.将加权后的第一目标训练样本和第一训练样本集合中的第二目标训练样本进行合并，得到目标训练样本。
29.第二方面，本技术实施例提供了一种评估因子的选择方法，该方法包括：
30.获取待评估固定资产所处的地域单位的多个价值评估结果，多个价值评估结果为多个评估机构分别采用不同评估因子对地域单位中的固定资产进行价值评估所得的评估结果；
31.将多个价值评估结果输入评估因子选择模型，得到待评估固定资产对应的评估标签，评估因子选择模型是根据第一方面任意一项所述的方法训练得到的评估因子选择模型；
32.基于评估标签，将评估标签标注的评估机构所采用的评估因子确定为待评估固定资产的目标评估因子。
33.在第二方面的一些可实现方式中，将评估标签标注的评估机构所采用的评估因子确定为待评估固定资产的目标评估因子之后，该方法还包括：
34.根据目标评估因子对应的取值和待评估固定资产所处的地域单位的固定资产评估价值，计算待评估固定资产的固定资产评估价值。
35.第三方面，本技术实施例提供了一种评估因子选择模型的训练装置，该装置包括：
36.第一获取模块，用于获取固定资产对应的实际价值，以及目标地域单位对应的多个价值评估结果，目标地域单位为固定资产所处的地域单位，多个价值评估结果为多个评估机构分别采用不同评估因子对目标地域单位中的固定资产进行价值评估所得的评估结果；
37.加权模块，用于对多个价值评估结果进行加权处理，得到地域单位对应的固定资产评估价值；
38.选取模块，用于从多个评估机构中选取实际价值与固定资产评估价值之间相差最小的评估机构，得到固定资产对应的目标评估机构；
39.构建模块，用于将目标评估机构所采用的目标评估因子作为固定资产对应的样本标签，构建与固定资产对应的训练样本；
40.训练模块，用于利用训练样本对决策树模型进行训练，得到评估因子选择模型，评估因子选择模型用于选取固定资产对应的评估因子。
41.第四方面，本技术实施例提供了一种评估因子的选择装置，该装置包括：
42.第二获取模块，用于获取待评估固定资产所处的地域单位的多个价值评估结果，多个价值评估结果为多个评估机构分别采用不同评估因子对地域单位中的固定资产进行价值评估所得的评估结果；
43.输入模块，用于将多个价值评估结果输入评估因子选择模型，得到待评估固定资产对应的评估标签，评估因子选择模型是根据第一方面任意一项所述的方法训练得到的评估因子选择模型；
44.确定模块，用于基于评估标签，将评估标签标注的评估机构所采用的评估因子确定为待评估固定资产的目标评估因子。
45.第五方面，本技术实施例提供了一种电子设备，该设备包括：处理器以及存储有计算机程序指令的存储器；
46.处理器执行计算机程序指令时实现如第一方面任意一项所述的评估因子选择模型的训练方法，或者如第二方面任意一项所述的评估因子的选择方法。
47.第六方面，本技术实施例提供了一种计算机存储介质，该计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面任意一项所述的评估因子选择模型的训练方法，或者如第二方面任意一项所述的评估因子的选择方法。
48.第七方面，本技术实施例提供了一种计算机程序产品，该计算机程序产品中的指令由电子设备的处理器执行时，电子设备能够执行第一方面任意一项所述的评估因子选择模型的训练方法，或者如第二方面任意一项所述的评估因子的选择方法。
49.本技术实施例的评估因子选择模型的训练方法、装置、设备及存储介质，对固定资产所处的目标地域单位对应的多个价值评估结果进行加权处理，得到地域单位的固定资产评估价值，并从多个评估机构中选取实际价值雨固定资产评估价值之前相差最小的评估机构，作为固定资产对应的目标评估机构，以将目标评估机构所采用的目标评估因子作为样本标签，构建训练样本，然后利用构建所得的训练样本对决策树模型进行训练，得到用于选取固定资产对应的评估因子的评估因子选择模型。本技术实施例的训练样本综合了多个评估机构所采用的评估因子，在不依赖专家经验的同时从固定资产所处的地域单位的角度综合考虑各方面因素，避免了样本来源单一的问题，从而避免了极端样本的产生，并且利用标
签逻辑构建训练样本训练决策树模型，使得训练得到的评估因子选择模型能够更为准确地确定适用于固定资产的目标评估机构，进而选择目标评估机构所采用的目标评估因子进行价值评估。
附图说明
50.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
51.图1是本技术实施例提供的一种评估因子选择模型的训练方法的流程示意图；
52.图2是本技术实施例提供的一种固定资产评估价值的确定方法的流程示意图；
53.图3是本技术实施例提供的一种置信度获取方法的流程示意图；
54.图4是本技术实施例提供的一种目标评估机构的确定方法的流程示意图；
55.图5是本技术实施例提供的一种模型训练方法的流程示意图；
56.图6是本技术实施例提供的一种目标训练样本的选取方法的流程示意图；
57.图7是本技术实施例提供的一种评估因子的选择方法的流程示意图；
58.图8是本技术实施例提供的一种评估因子选择模型的训练装置的结构示意图；
59.图9是本技术实施例提供的一种评估因子的选择装置的结构示意图；
60.图10是本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
61.下面将详细描述本技术的各个方面的特征和示例性实施例，为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本技术进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本技术，而不是限定本技术。对于本领域技术人员来说，本技术可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本技术的示例来提供对本技术更好的理解。
62.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、方法、物品或者设备不仅包括那些要素，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、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
63.本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
64.在金融服务行业中，通过数学和计算机算法模型对固定字长进行价值评估，能够有效提高相关评估机构的业务效率，并降低评估机构的运营成本。
65.现有很多评估机构，各有各自的评估方法。但由于评估方法多依赖于专家经验以及样本来源的偏重不同，在不同的地域单位有各自的优势。针对同一固定资产，在选择不同评估机构的评估因子时，如何整合不同评估机构的评估能力，为固定资产选择更为合适的
评估因子也是亟待解决的问题。
66.为了解决现有技术问题，本技术实施例提供了一种评估因子选择模型的训练方法、装置、设备及存储介质。下面首先对本技术实施例所提供的评估因子选择模型的训练方法进行介绍。
67.图1示出了本技术实施例提供的一种评估因子选择模型的训练方法的流程示意图。如图1所示，该方法具体包括如下步骤：
68.s101、获取固定资产对应的实际价值，以及目标地域单位对应的多个价值评估结果，目标地域单位为固定资产所处的地域单位，多个价值评估结果为多个评估机构分别采用不同评估因子对目标地域单位中的固定资产进行价值评估所得的评估结果；
69.s102、对多个价值评估结果进行加权处理，得到地域单位对应的固定资产评估价值；
70.s103、从多个评估机构中选取实际价值与固定资产评估价值之间相差最小的评估机构，得到固定资产对应的目标评估机构；
71.s104、将目标评估机构所采用的目标评估因子作为固定资产对应的样本标签，构建与固定资产对应的训练样本；
72.s105、利用训练样本对决策树模型进行训练，得到评估因子选择模型，评估因子选择模型用于选取固定资产对应的评估因子。
73.由此，根据本技术实施例的评估因子选择模型的训练方法，对固定资产所处的目标地域单位对应的多个价值评估结果进行加权处理，得到地域单位的固定资产评估价值，并从多个评估机构中选取实际价值雨固定资产评估价值之前相差最小的评估机构，作为固定资产对应的目标评估机构，以将目标评估机构所采用的目标评估因子作为样本标签，构建训练样本，然后利用构建所得的训练样本对决策树模型进行训练，得到用于选取固定资产对应的评估因子的评估因子选择模型。本技术实施例的训练样本综合了多个评估机构所采用的评估因子，在不依赖专家经验的同时从固定资产所处的地域单位的角度综合考虑各方面因素，避免了样本来源单一的问题，从而避免了极端样本的产生，并且利用标签逻辑构建训练样本训练决策树模型，使得训练得到的评估因子选择模型能够更为准确地确定适用于固定资产的目标评估机构，进而选择目标评估机构所采用的目标评估因子进行价值评估。
74.在一些实施例中，在s101中，示例性的，固定资产可以是房屋等资产，目标地域单位可以是固定资产所处的地域，例如小区等。
75.在一些实施例中，在s102中，如图2所示，该方法具体可以包括如下步骤：
76.s201、获取多个价值评估结果对应的置信度，置信度根据价值评估结果对应的评估来源确定得到的；
77.s202、将置信度作为对应的价值评估结果的权重，利用权重对价值评估结果进行加权处理，得到多个价值评估结果对应的加权价值评估结果；
78.s203、根据多个价值评估结果对应的加权价值评估结果，确定固定资产评估价值。
79.作为一种示例，在s201中，如图3所示，置信度是通过级联模型计算得到的，级联模型包括估值模型、拟合置信度模型和级联置信度计算模型。其中，估值模型使用随机森林或深度学习模型，能够根据地域单位的地域特征、地域单位中固定资产的成交时间等得到如
估值结果1和估值结果2，并对其判断得到初始置信度1和置信度2；拟合置信度模型是对不同评估机构采用不同的估值模型所得到的估值结果及对应的置信度进行可信度评判，得到拟合置信度；级联置信度计算模型以拟合置信度为输入，对不同评估机构的结果进行拟合加权，最终得到多个价值评估结果对应的置信度。
80.作为一种示例，在s202和s203中，将每个价值评估结果对应的置信度作为价值评估结果的权重，并对多个价值评估结果进行加权处理，得到对应的加权价值评估结果，以确定固定资产评估价值。示例性的，可利用置信度与价值评估结果相乘做加权处理，然后再相加得到固定资产评估价值。
81.由此，根据级联模型通过多个评估机构的价值评估结果计算固定资产评估价值，合理选择结合机制，相比独立的评估机构所得评估结果的可靠性和准确性更高。
82.在一些实施例中，在s103中，如图4所示，该方法具体可以包括如下步骤：
83.s401、根据固定资产评估价值和每个评估机构所采用的评估因子的取值，计算每个评估机构对固定资产进行价值评估所得的目标固定资产评估价值；
84.s402、利用每个评估机构对应的目标固定资产评估价值和实际价值，计算每个评估机构对固定资产进行价值评估的差值比；
85.s403、对比每个评估机构对应的差值比的大小，将差值比最小的评估机构确定为固定资产对应的目标评估机构。
86.作为一种示例，在s401中，评估机构所采用的评估因子，评估因子的划分及其对应的取值如下表1所示：
87.表1评估因子示意表
[0088][0089][0090]
示例性的，固定资产评估价值例如为x，一套朝向东，精装修，有电梯楼层6楼的套房目标固定资产评估价值为x*a1*b3*c5。
[0091]
作为一种示例，在s402中，差值比可利用如下公式(1)计算：
[0092][0093]
作为一种示例，在s403中，利用上述公式(1)分别计算评估机构a和评估机构b的差
值比，若评估机构a的差值比小于评估机构b的差值比，则将评估机构a确定为固定资产对应的目标评估机构。诸如此类，不管评估机构有几个，选择差值比最小的评估机构即可。
[0094]
由此，通过比较多个评估机构对应的评估价值以及实际价值，可从多个评估机构中选择适用于固定资产的目标评估机构，以便更为准确的对固定资产进行样本标注。
[0095]
在一些实施例中，在s104中，将目标评估机构所采用的评估因子作为固定资产对应的目标评估因子，以从固定资产所处的地域单位的角度进行综合考虑，得到最适用于固定资产的评估因子。
[0096]
在一些实施例中，在s105中，如图5所示，该方法具体可以包括如下步骤：
[0097]
s501、将多个训练样本输入决策树模型中，得到每个训练样本对应的梯度值，梯度值用于衡量训练样本对应的损失函数值；
[0098]
s502、根据每个训练样本对应的梯度值，对多个训练样本进行排序，得到排序结果；
[0099]
s503、根据排序结果从多个训练样本中选取目标训练样本；
[0100]
s504、在目标训练样本对应的损失函数值满足预设训练停止条件的情况下，停止训练，得到评估因子选择模型。
[0101]
在一些实施例中，在s501中，决策树模型基于lightgbm算法，是一个梯度boosting框架，具有如下优势：(1)更快的训练效率；(2)低内存使用；(3)更高的准确率；(4)支持并行化学习；(5)可以处理大规模数据。
[0102]
示例性的，将多个训练样本输入决策树模型，同时输入的还有入参特征，如下表2所示：
[0103]
表2入参特征示意表
[0104][0105]
在一些实施例中，在s502中，示例性的，可按照梯度值对多个训练样本进行降序排列，得到排序结果。其中，梯度值越大表示模型越欠学习，若大梯度的样本能够预测准确，则对模型增益的贡献将会更大。
[0106]
在一些实施例中，在s503中，如图6所示，该方法具体可以包括如下步骤：
[0107]
s601、根据排序结果，按照第一预设比例对多个训练样本进行划分，得到第一训练样本集合和第二训练样本集合；
[0108]
s602、从第二训练样本集合中随机选取第二预设比例的训练样本，得到第一目标训练样本；
[0109]
s603、利用预设权重系数对第一目标训练样本进行加权处理，预设权重系数根据第一预设比例和第二预设比例确定得到的；
[0110]
s604、将加权后的第一目标训练样本和第一训练样本集合中的第二目标训练样本进行合并，得到目标训练样本。
[0111]
作为一种示例，在s601中，第一预设比例可以为a％，a可根据实际情况进行取值，按照a％划分，得到第一训练样本集合为前a％的样本，剩余的(1-a)*100％的样本则为第二训练样本集合。
[0112]
作为一种示例，在s602和s603中，从含有(1-a)*100％的样本的第二训练样本集合中，随机选取第二预设比例b*(1-a)*100％个训练样本，并利用预设权重系数(1-a)/b进行加权处理，以将加权后的第一目标训练样本和第一训练样本集合中的第二目标训练样本进行合并，得到目标训练样本，并利用目标训练样本训练模型。
[0113]
在一些实施例中，在s504中，预设训练停止条件可以是设置迭代步数，也可以是损失函数值小于某一预设阈值时即可停止训练。
[0114]
由此，对决策树模型进行迭代训练，直至达到迭代次数或模型收敛为止，得到评估因子选择模型。在模型训练过程中综合了多个评估机构的评估方法和评估结果，并结合置信度更加容易准确确定固定资产对应的评估因子。并且由于lightgbm算法适用于多分类，标签逻辑和模型输出逻辑也适用于多分类，所以本技术实施例提供的训练方法也同样适用于两个以上的评估机构。
[0115]
在一些实施例中，本技术实施例提供了一种评估因子的选择方法，如图7所示，该方法具体可以包括如下步骤：
[0116]
s701、获取待评估固定资产所处的地域单位的多个价值评估结果，多个价值评估结果为多个评估机构分别采用不同评估因子对地域单位中的固定资产进行价值评估所得的评估结果；
[0117]
s702、将多个价值评估结果输入评估因子选择模型，得到待评估固定资产对应的评估标签，评估因子选择模型是根据第一方面任意一项所述的方法训练得到的评估因子选择模型；
[0118]
s703、基于评估标签，将评估标签标注的评估机构所采用的评估因子确定为待评估固定资产的目标评估因子。
[0119]
在一些实施例中，可利用训练得到的评估因子选择模型对待评估固定资产进行预测，选择适用于待评估资产对应的评估机构和目标评估因子。
[0120]
作为一种示例，在s703之后，该方法还包括：根据目标评估因子对应的取值和待评估固定资产所处的地域单位的固定资产评估价值，计算待评估固定资产的固定资产评估价值。
[0121]
由此，将待评估固定资产的固定资产评估价值的确定进行拆分，利用目标评估因子和待评估固定资产所处的地域单位的固定资产评估价值进行确定。由于地域单位的固定
资产评估价值也是依据地域单位的地域特征进行估值得到的，目标评估因子的选择也综合了多个评估机构，使得估值结果更具有准确性和稳定性。
[0122]
需要说明的是，上述本技术实施例描述的应用场景是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定。本领域技术人员可知，随着新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题同样适用。
[0123]
基于相同的发明构思，本技术提供了一种评估因子选择模型的训练装置，具体结合图8进行详细说明。
[0124]
图8示出了本技术实施例提供的一种评估因子选择模型的训练装置，如图8所示，该评估因子选择模型的训练装置800可以包括：
[0125]
第一获取模块801，用于获取固定资产对应的实际价值，以及目标地域单位对应的多个价值评估结果，目标地域单位为固定资产所处的地域单位，多个价值评估结果为多个评估机构分别采用不同评估因子对目标地域单位中的固定资产进行价值评估所得的评估结果；
[0126]
加权模块802，用于对多个价值评估结果进行加权处理，得到地域单位对应的固定资产评估价值；
[0127]
选取模块803，用于从多个评估机构中选取实际价值与固定资产评估价值之间相差最小的评估机构，得到固定资产对应的目标评估机构；
[0128]
构建模块804，用于将目标评估机构所采用的目标评估因子作为固定资产对应的样本标签，构建与固定资产对应的训练样本；
[0129]
训练模块805，用于利用训练样本对决策树模型进行训练，得到评估因子选择模型，评估因子选择模型用于选取固定资产对应的评估因子。
[0130]
由此，根据本技术实施例提供的一种评估因子选择模型的训练装置，对固定资产所处的目标地域单位对应的多个价值评估结果进行加权处理，得到地域单位的固定资产评估价值，并从多个评估机构中选取实际价值雨固定资产评估价值之前相差最小的评估机构，作为固定资产对应的目标评估机构，以将目标评估机构所采用的目标评估因子作为样本标签，构建训练样本，然后利用构建所得的训练样本对决策树模型进行训练，得到用于选取固定资产对应的评估因子的评估因子选择模型。本技术实施例的训练样本综合了多个评估机构所采用的评估因子，在不依赖专家经验的同时从固定资产所处的地域单位的角度综合考虑各方面因素，避免了样本来源单一的问题，从而避免了极端样本的产生，并且利用标签逻辑构建训练样本训练决策树模型，使得训练得到的评估因子选择模型能够更为准确地确定适用于固定资产的目标评估机构，进而选择目标评估机构所采用的目标评估因子进行价值评估。
[0131]
在一些实施例中，上述加权模块802具体包括如下子模块：
[0132]
获取子模块，用于获取多个价值评估结果对应的置信度，置信度根据价值评估结果对应的评估来源确定得到的；
[0133]
加权子模块，用于将置信度作为对应的价值评估结果的权重，利用权重对价值评估结果进行加权处理，得到多个价值评估结果对应的加权价值评估结果；
[0134]
确定子模块，用于根据多个价值评估结果对应的加权价值评估结果，确定固定资
产评估价值。
[0135]
在一些实施例中，上述选取模块803具体包括如下子模块：
[0136]
第一计算子模块，用于根据固定资产评估价值和每个评估机构所采用的评估因子的取值，计算每个评估机构对固定资产进行价值评估所得的目标固定资产评估价值；
[0137]
第二计算子模块，用于利用每个评估机构对应的目标固定资产评估价值和实际价值，计算每个评估机构对固定资产进行价值评估的差值比；
[0138]
对比子模块，用于对比每个评估机构对应的差值比的大小，将差值比最小的评估机构确定为固定资产对应的目标评估机构。
[0139]
在一些实施例中，训练样本包括多个，上述训练模块805具体包括如下子模块：
[0140]
输入子模块，用于将多个训练样本输入决策树模型中，得到每个训练样本对应的梯度值，梯度值用于衡量训练样本对应的损失函数值；
[0141]
排序子模块，用于根据每个训练样本对应的梯度值，对多个训练样本进行排序，得到排序结果；
[0142]
选取子模块，用于根据排序结果从多个训练样本中选取目标训练样本；
[0143]
训练子模块，用于在目标训练样本对应的损失函数值满足预设训练停止条件的情况下，停止训练，得到评估因子选择模型。
[0144]
在一些实施例中，上述选取子模块具体包括如下单元：
[0145]
划分单元，用于根据排序结果，按照第一预设比例对多个训练样本进行划分，得到第一训练样本集合和第二训练样本集合；
[0146]
选取单元，用于从第二训练样本集合中随机选取第二预设比例的训练样本，得到第一目标训练样本；
[0147]
加权单元，用于利用预设权重系数对第一目标训练样本进行加权处理，预设权重系数是根据第一预设比例和第二预设比例确定得到的；
[0148]
合并单元，用于将加权后的第一目标训练样本和第一训练样本集合中的第二目标训练样本进行合并，得到目标训练样本。
[0149]
本技术实施例提供了一种评估因子的选择装置，如图9所示，该评估因子的选择装置900具体包括如下模块：
[0150]
第二获取模块901，用于获取待评估固定资产所处的地域单位的多个价值评估结果，多个价值评估结果为多个评估机构分别采用不同评估因子对地域单位中的固定资产进行价值评估所得的评估结果；
[0151]
输入模块902，用于将多个价值评估结果输入评估因子选择模型，得到待评估固定资产对应的评估标签，评估因子选择模型是根据第一方面任意一项所述的方法训练得到的评估因子选择模型；
[0152]
确定模块903，用于基于评估标签，将评估标签标注的评估机构所采用的评估因子确定为待评估固定资产的目标评估因子。
[0153]
在一些实施例中，上述评估因子的选择装置900还包括以下模块：
[0154]
计算模块，用于根据目标评估因子对应的取值和待评估固定资产所处的地域单位的固定资产评估价值，计算待评估固定资产的固定资产评估价值。
[0155]
图8所示的评估因子选择模型的训练装置中的各个单元，具有实现图1至图6所示
的评估因子选择模型的训练方法的功能，并达到相应的技术效果，为简洁描述，在此不再赘述。
[0156]
图9所示的评估因子的选择装置中的各个单元，具有实现图7所示的评估因子的选择方法的功能，并达到相应的技术效果，为简洁描述，在此不再赘述。
[0157]
图10示出了本技术实施例提供的一种电子设备的硬件结构示意图。
[0158]
该电子设备1000可以包括处理器1001以及存储有计算机程序指令的存储器1002。
[0159]
具体地，上述处理器1001可以包括中央处理器(cpu)，或者特定集成电路(application specific integrated circuit，asic)，或者可以被配置成实施本技术实施例的一个或多个集成电路。
[0160]
存储器1002可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器1002可包括硬盘驱动器(hard disk drive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器1002可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器1002可在综合网关容灾设备的内部或外部。在特定实施例中，存储器1002是非易失性固态存储器。
[0161]
存储器1002可包括只读存储器(rom)，随机存取存储器(ram)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器1002包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本技术的第一方面的评估因子选择模型的训练方法，或者第二方面的评估因子的选择方法所描述的操作。
[0162]
处理器1001通过读取并执行存储器1002中存储的计算机程序指令，以实现上述实施例中的任意一种评估因子选择模型的训练方法或评估因子的选择方法。
[0163]
在一个示例中，电子设备1000还可包括通信接口1003和总线1004。其中，如图10所示，处理器1001、存储器1002、通信接口1003通过总线1004连接并完成相互间的通信。
[0164]
通信接口1003，主要用于实现本技术实施例中各模块、装置、单元和/或设备之间的通信。
[0165]
总线1004包括硬件、软件或两者，将电子设备1000的部件彼此耦接在一起。举例来说而非限制，总线1004可包括加速图形端口(agp)或其他图形总线、增强工业标准架构(eisa)总线、前端总线(fsb)、超传输(ht)互连、工业标准架构(isa)总线、无限带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围组件互连(pci)总线、pci-express(pci-x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线1004可包括一个或多个总线。尽管本技术实施例描述和示出了特定的总线，但本技术考虑任何合适的总线或互连。
[0166]
该电子设备1000可以实现结合图1和图8描述的评估因子选择模型的训练方法和装置，或者图7和图9描述的评估因子的选择方法和装置。
[0167]
另外，结合上述实施例中的评估因子选择模型的训练方法或者评估因子的选择方法，本技术实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机
程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种评估因子选择模型的训练方法或者评估因子的选择方法。
[0168]
需要明确的是，本技术并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本技术的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本技术的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
[0169]
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本技术的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
[0170]
还需要说明的是，本技术中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本技术不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
[0171]
上面参考根据本技术的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本技术的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，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，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
[0172]
以上所述，仅为本技术的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。

技术特征：
1.一种评估因子选择模型的训练方法，其特征在于，包括：获取固定资产对应的实际价值，以及目标地域单位对应的多个价值评估结果，所述目标地域单位为所述固定资产所处的地域单位，所述多个价值评估结果为多个评估机构分别采用不同评估因子对所述目标地域单位中的固定资产进行价值评估所得的评估结果；对所述多个价值评估结果进行加权处理，得到所述地域单位对应的固定资产评估价值；从所述多个评估机构中选取所述实际价值与所述固定资产评估价值之间相差最小的评估机构，得到所述固定资产对应的目标评估机构；将所述目标评估机构所采用的目标评估因子作为所述固定资产对应的样本标签，构建与所述固定资产对应的训练样本；利用所述训练样本对决策树模型进行训练，得到评估因子选择模型，所述评估因子选择模型用于选取所述固定资产对应的评估因子。2.根据权利要求1所述的方法，其特征在于，所述对所述多个价值评估结果进行加权处理，得到所述地域单位对应的固定资产评估价值，包括：获取所述多个价值评估结果对应的置信度，所述置信度根据所述价值评估结果对应的评估来源确定得到的；将所述置信度作为对应的所述价值评估结果的权重，利用所述权重对所述价值评估结果进行加权处理，得到所述多个价值评估结果对应的加权价值评估结果；根据所述多个价值评估结果对应的加权价值评估结果，确定所述固定资产评估价值。3.根据权利要求1所述的方法，其特征在于，所述从所述多个评估机构中选取所述实际价值与所述固定资产评估价值之间相差最小的评估机构，得到所述固定资产对应的目标评估机构，包括：根据所述固定资产评估价值和每个所述评估机构所采用的评估因子的取值，计算每个所述评估机构对所述固定资产进行价值评估所得的目标固定资产评估价值；利用每个所述评估机构对应的所述目标固定资产评估价值和所述实际价值，计算每个所述评估机构对所述固定资产进行价值评估的差值比；对比每个所述评估机构对应的差值比的大小，将所述差值比最小的评估机构确定为所述固定资产对应的所述目标评估机构。4.根据权利要求1所述的方法，其特征在于，所述训练样本包括多个，所述利用所述训练样本对决策树模型进行训练，得到评估因子选择模型，包括：将多个训练样本输入所述决策树模型中，得到每个所述训练样本对应的梯度值，所述梯度值用于衡量所述训练样本对应的损失函数值；根据每个所述训练样本对应的梯度值，对所述多个训练样本进行排序，得到排序结果；根据所述排序结果从所述多个训练样本中选取目标训练样本；在所述目标训练样本对应的损失函数值满足预设训练停止条件的情况下，停止训练，得到所述评估因子选择模型。5.根据权利要求4所述的方法，其特征在于，所述根据所述排序结果从所述多个训练样本中选取目标训练样本，包括：根据所述排序结果，按照第一预设比例对所述多个训练样本进行划分，得到第一训练
样本集合和第二训练样本集合；从所述第二训练样本集合中随机选取第二预设比例的训练样本，得到第一目标训练样本；利用预设权重系数对所述第一目标训练样本进行加权处理，所述预设权重系数是根据所述第一预设比例和所述第二预设比例确定得到的；将加权后的第一目标训练样本和所述第一训练样本集合中的第二目标训练样本进行合并，得到所述目标训练样本。6.一种评估因子的选择方法，其特征在于，包括：获取待评估固定资产所处的地域单位的多个价值评估结果，所述多个价值评估结果为多个评估机构分别采用不同评估因子对所述地域单位中的固定资产进行价值评估所得的评估结果；将所述多个价值评估结果输入评估因子选择模型，得到所述待评估固定资产对应的评估标签，所述评估因子选择模型是根据权利要求1-5任意一项所述的方法训练得到的评估因子选择模型；基于所述评估标签，将所述评估标签标注的评估机构所采用的评估因子确定为所述待评估固定资产的目标评估因子。7.根据权利要求6所述的方法，其特征在于，所述将所述评估标签标注的评估机构所采用的评估因子确定为所述待评估固定资产的目标评估因子之后，所述方法还包括：根据所述目标评估因子对应的取值和所述待评估固定资产所处的地域单位的固定资产评估价值，计算所述待评估固定资产的固定资产评估价值。8.一种评估因子选择模型的训练装置，其特征在于，包括：第一获取模块，用于获取固定资产对应的实际价值，以及目标地域单位对应的多个价值评估结果，所述目标地域单位为所述固定资产所处的地域单位，所述多个价值评估结果为多个评估机构分别采用不同评估因子对所述目标地域单位中的固定资产进行价值评估所得的评估结果；加权模块，用于对所述多个价值评估结果进行加权处理，得到所述地域单位对应的固定资产评估价值；选取模块，用于从所述多个评估机构中选取所述实际价值与所述固定资产评估价值之间相差最小的评估机构，得到所述固定资产对应的目标评估机构；构建模块，用于将所述目标评估机构所采用的目标评估因子作为所述固定资产对应的样本标签，构建与所述固定资产对应的训练样本；训练模块，用于利用所述训练样本对决策树模型进行训练，得到评估因子选择模型，所述评估因子选择模型用于选取所述固定资产对应的评估因子。9.一种评估因子的选择装置，其特征在于，包括：第二获取模块，用于获取待评估固定资产所处的地域单位的多个价值评估结果，所述多个价值评估结果为多个评估机构分别采用不同评估因子对所述地域单位中的固定资产进行价值评估所得的评估结果；输入模块，用于将所述多个价值评估结果输入评估因子选择模型，得到所述待评估固定资产对应的评估标签，所述评估因子选择模型是根据权利要求1-5任意一项所述的方法
训练得到的评估因子选择模型；确定模块，用于基于所述评估标签，将所述评估标签标注的评估机构所采用的评估因子确定为所述待评估固定资产的目标评估因子。10.一种电子设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；所述处理器执行所述计算机程序指令时实现如权利要求1-5任意一项所述的评估因子选择模型的训练方法，或者权利要求6-7任意一项所述的评估因子的选择方法。11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-5任意一项所述的评估因子选择模型的训练方法，或者权利要求6-7任意一项所述的评估因子的选择方法。12.一种计算机程序产品，其特征在于，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1-5任意一项所述的评估因子选择模型的训练方法，或者权利要求6-7任意一项所述的评估因子的选择方法。

技术总结
本申请公开了一种评估因子选择模型的训练方法、装置、设备及存储介质，涉及大数据技术领域。该方法包括：获取固定资产对应的实际价值，以及目标地域单位对应的多个价值评估结果；对多个价值评估结果进行加权处理，得到地域单位对应的固定资产评估价值；从多个评估机构中选取实际价值与固定资产评估价值之间相差最小的评估机构，得到固定资产对应的目标评估机构；将目标评估机构所采用的目标评估因子作为固定资产对应的样本标签，构建与固定资产对应的训练样本；利用训练样本对决策树模型进行训练，得到评估因子选择模型。根据本申请实施例，能够准确地确定适用于固定资产的目标评估机构，进而选择目标评估机构所采用的目标评估因子进行价值评估。估因子进行价值评估。估因子进行价值评估。


技术研发人员：张睿为 韩滢 陈卫 陈旭明
受保护的技术使用者：建信金融科技有限责任公司
技术研发日：2023.06.19
技术公布日：2023/9/7