数据处理方法、装置、计算机设备和存储介质与流程

1.本技术涉及人工智能技术领域，特别是涉及一种数据处理方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术：

2.在一些比较复杂的交易数据处理场景中，基于现有的数据处理方法，用户通常需要先通过邮件、电话等方式与操作人员(或工作人员)进行交互，以详细地描述出自己的针对交易数据的处理需求，然后由操作人员根据该用户所描述出的处理需求，人工配置相匹配的指令组合(或操作策略)。再根据上述指令组合，为该用户进行具体的交易数据的数据处理。
3.可见基于上述方法，具体实施时，往往需要耗费大量的人力成本进行人工处理，导致数据处理成本相对较高。此外，基于上述方法所提供给用户的指令组合依赖于操作人员的个人能力和知识储备，导致所生成并提供给用户的指令组合容易存在人为主观误差，影响后续数据处理的准确度。

技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够避免所生成并提供给用户的指令组合容易存在人为主观误差的数据处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种数据处理方法。所述方法包括：
6.获取多个虚拟产品各自的产品特征和虚拟产品的所属发行对象的运营特征；
7.将虚拟产品相应的产品特征和运营特征输入至虚拟产品相应的收益预测模型和风险预测模型，输出虚拟产品被购置时相应的预测收益因子和预测风险因子；
8.根据虚拟产品相应的预测收益因子和预测风险因子，确定虚拟产品相应的收益风险比；
9.获取各虚拟产品在所有虚拟产品中的当前配置占比，基于各虚拟产品相应的收益风险比，对当前配置占比进行迭代更新，直至达到迭代更新截止条件，获得各虚拟产品相应的最终配置占比。
10.在其中一个实施例中，获取多个虚拟产品各自的产品特征和虚拟产品的所属发行对象的运营特征，包括：
11.获取多个虚拟产品各自的初始产品特征和虚拟产品的所属发行对象的初始运营特征；
12.对各虚拟产品相应的初始产品特征和初始运营特征依次作缺失值补全处理、数据格式统一处理、异常和重复数据的去除处理、以及数据拼接和合并处理，获得各虚拟产品相应的产品特征和运营特征。
13.在其中一个实施例中，虚拟产品相应的收益预测模型和风险预测模型的确定过
程，包括：
14.确定虚拟产品所属的簇类型，将簇类型相应的收益预测模型和风险预测模型作为虚拟产品相应的收益预测模型和风险预测模型；
15.其中，不同簇类型是通过对多个样本虚拟产品进行聚类所得到的，不同簇类型相应的收益预测模型和风险预测模型是基于相应聚类下的样本虚拟产品所训练得到的。
16.在其中一个实施例中，根据虚拟产品相应的预测收益因子和预测风险因子，确定虚拟产品相应的收益风险比，包括：
17.将各虚拟产品的预测收益因子从大至小进行排序，选取排序前第一预设数量个虚拟产品，构成第一虚拟产品集合；
18.将各虚拟产品的预测风险因子从小至大进行排序，选取排序前第二预设数量个虚拟产品，构成第二虚拟产品集合；
19.针对第一虚拟产品集合与第二虚拟产品集合间的交集，确定交集中各虚拟产品相应的预测收益因子与无风险虚拟产品的收益因子间的差异，根据交集中各虚拟产品相应的差异与预测风险因子间的差距程度，确定交集中各虚拟产品相应的收益风险比。
20.在其中一个实施例中，基于各虚拟产品相应的收益风险比，对当前配置占比进行迭代更新，包括：
21.根据各虚拟产品相应的收益风险比和当前配置占比，获取各虚拟产品相应的自适应函数值，自适应函数值用于表示相应虚拟产品的当前配置占比在下一次迭代更新中被更新的可能程度；
22.根据各虚拟产品相应的自适应函数值在所有虚拟产品的自适应函数值总和中的占比，确定各虚拟产品的当前配置占比在下一次迭代更新中被更新的更新概率；
23.基于各虚拟产品相应的更新概率，确定下一次迭代更新中的目标虚拟产品，并在下一次迭代更新中，对目标虚拟产品的当前配置占比进行更新。
24.在其中一个实施例中，当前配置占比是通过二进制编码进行表示的；相应地，对目标虚拟产品的当前配置占比进行更新，包括：
25.对目标虚拟产品的当前配置占比相应的二进制编码进行更新，将更新的二进制编码转化为十进制数值；
26.将目标虚拟产品相应的十进制数值在所有虚拟产品的当前配置占比相应的十进制数值之和中的占比，确定为目标虚拟产品更新后的当前配置占比。
27.第二方面，本技术还提供了一种数据处理装置。所述装置包括：
28.特征获取模块，用于获取多个虚拟产品各自的产品特征和虚拟产品的所属发行对象的运营特征；
29.预测收益因子和预测风险因子确定模块，用于将虚拟产品相应的产品特征和运营特征输入至虚拟产品相应的收益预测模型和风险预测模型，输出虚拟产品被购置时相应的预测收益因子和预测风险因子；
30.收益风险比确定模块，用于根据虚拟产品相应的预测收益因子和预测风险因子，确定虚拟产品相应的收益风险比；
31.最终配置占比获取模块，用于获取各虚拟产品在所有虚拟产品中的当前配置占比，基于各虚拟产品相应的收益风险比，对当前配置占比进行迭代更新，直至达到迭代更新
截止条件，获得各虚拟产品相应的最终配置占比。
32.第三方面，本技术还提供了一种计算机设备。所述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以下步骤：
33.获取多个虚拟产品各自的产品特征和虚拟产品的所属发行对象的运营特征；
34.将虚拟产品相应的产品特征和运营特征输入至虚拟产品相应的收益预测模型和风险预测模型，输出虚拟产品被购置时相应的预测收益因子和预测风险因子；
35.根据虚拟产品相应的预测收益因子和预测风险因子，确定虚拟产品相应的收益风险比；
36.获取各虚拟产品在所有虚拟产品中的当前配置占比，基于各虚拟产品相应的收益风险比，对当前配置占比进行迭代更新，直至达到迭代更新截止条件，获得各虚拟产品相应的最终配置占比。
37.第四方面，本技术还提供了一种计算机可读存储介质。所述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以下步骤：
38.获取多个虚拟产品各自的产品特征和虚拟产品的所属发行对象的运营特征；
39.将虚拟产品相应的产品特征和运营特征输入至虚拟产品相应的收益预测模型和风险预测模型，输出虚拟产品被购置时相应的预测收益因子和预测风险因子；
40.根据虚拟产品相应的预测收益因子和预测风险因子，确定虚拟产品相应的收益风险比；
41.获取各虚拟产品在所有虚拟产品中的当前配置占比，基于各虚拟产品相应的收益风险比，对当前配置占比进行迭代更新，直至达到迭代更新截止条件，获得各虚拟产品相应的最终配置占比。
42.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
43.获取多个虚拟产品各自的产品特征和虚拟产品的所属发行对象的运营特征；
44.将虚拟产品相应的产品特征和运营特征输入至虚拟产品相应的收益预测模型和风险预测模型，输出虚拟产品被购置时相应的预测收益因子和预测风险因子；
45.根据虚拟产品相应的预测收益因子和预测风险因子，确定虚拟产品相应的收益风险比；
46.获取各虚拟产品在所有虚拟产品中的当前配置占比，基于各虚拟产品相应的收益风险比，对当前配置占比进行迭代更新，直至达到迭代更新截止条件，获得各虚拟产品相应的最终配置占比。
47.上述数据处理方法、装置、计算机设备、存储介质和计算机程序产品，通过获取多个虚拟产品各自的产品特征和虚拟产品的所属发行对象的运营特征；将虚拟产品相应的产品特征和运营特征输入至虚拟产品相应的收益预测模型和风险预测模型，输出虚拟产品被购置时相应的预测收益因子和预测风险因子；根据虚拟产品相应的预测收益因子和预测风险因子，确定虚拟产品相应的收益风险比；获取各虚拟产品在所有虚拟产品中的当前配置占比，基于各虚拟产品相应的收益风险比，对当前配置占比进行迭代更新，直至达到迭代更新截止条件，获得各虚拟产品相应的最终配置占比。以提高提供给用户的指令组合的稳定性和适用性，避免所生成并提供给用户的指令组合容易存在人为主观误差，影响后续数据
处理的准确度。
附图说明
48.图1为一个实施例中数据处理方法的流程示意图；
49.图2为又一个实施例中数据处理方法的流程示意图；
50.图3为另一个实施例中数据处理方法的流程示意图；
51.图4为一个实施例中数据处理装置的结构框图；
52.图5为一个实施例中计算机设备的内部结构图。
具体实施方式
53.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术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技术，并不用于限定本技术。
54.在一些比较复杂的交易数据处理场景中，基于现有的数据处理方法，用户通常需要先通过邮件、电话等方式与操作人员(或工作人员)进行交互，以详细地描述出自己的针对交易数据的处理需求，然后由操作人员根据该用户所描述出的处理需求，人工配置相匹配的指令组合(或操作策略)。再根据上述指令组合，为该用户进行具体的交易数据的数据处理。
55.可见基于上述方法，具体实施时，往往需要耗费大量的人力成本进行人工处理，导致数据处理成本相对较高。此外，基于上述方法所提供给用户的指令组合依赖于操作人员的个人能力和知识储备，导致所生成并提供给用户的指令组合容易存在人为主观误差，影响后续数据处理的准确度。
56.针对上述相关技术中存在的问题，本技术实施例提供了一种数据处理方法，该方法可以应用于服务器中，也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，服务器可以用独立的服务器或者是多个服务器组成的服务器集来实现。终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。需要说明的是，本技术各实施例中提及的“多个”等的数量均指代“至少两个”的数量，比如，“多个”指“至少两个”。
57.在一个实施例中，如图1所示，提供了一种业数据处理方法，本实施例以该方法应用于服务器进行举例说明，该方法包括以下步骤：
58.102、获取多个虚拟产品各自的产品特征和虚拟产品的所属发行对象的运营特征。
59.其中，虚拟产品可以是金融产品；产品特征可以包括金融产品代码、产品类型、投资方向、投资比、下行波动率和收益率等。所属发行对象可以是公司；运营特征可以包括流动性比率、资产负债比率和负债收入比率等。
60.104、将虚拟产品相应的产品特征和运营特征输入至虚拟产品相应的收益预测模型和风险预测模型，输出虚拟产品被购置时相应的预测收益因子和预测风险因子。
61.其中，收益预测模型和风险预测模型可以为循环神经网络模型，也可以为广义相
加模型，还可以为长短期记忆模型，本技术实施例对此不作限定。收益预测模型可以包括混合输入层、隐藏层、注意力机制层和输出层，风险预测模型同理，此处不再赘述。
62.具体地，将虚拟产品相应的产品特征和运营特征输入至虚拟产品相应的收益预测模型，输出虚拟产品被购置时相应的预测收益因子。将虚拟产品相应的产品特征和运营特征输入至虚拟产品相应的风险预测模型，输出拟产品被购置时相应的预测风险因子。
63.需要说明的是，在步骤104之前，可以基于五折交叉验证法对收益预测模型和风险预测模型进行训练。
64.需要说明的是，预测收益因子可以是虚拟产品在预设时间段之后的收益率，预测风险因子可以是虚拟产品在预设时间段之后的下行波动率，其中，预设时间段可以是三天，也可以是一周，具体根据用户实际需求设定，本技术实施例对此不作具体限定。
65.106、根据虚拟产品相应的预测收益因子和预测风险因子，确定虚拟产品相应的收益风险比。
66.具体地，服务器可以根据虚拟产品相应的预测收益因子和预测风险因子，确定多个虚拟产品中虚拟产品相应的收益风险比。
67.具体地，步骤106包括但不限于：确定多个虚拟产品中各虚拟产品相应的预测收益因子与无风险虚拟产品的收益因子间的差异，根据多个虚拟产品中各虚拟产品相应的差异与预测风险因子间的差距程度，确定多个虚拟产品中中各虚拟产品相应的收益风险比。
68.108、获取各虚拟产品在所有虚拟产品中的当前配置占比，基于各虚拟产品相应的收益风险比，对当前配置占比进行迭代更新，直至达到迭代更新截止条件，获得各虚拟产品相应的最终配置占比。
69.在步骤108之前，可以包括：获取多个虚拟产品中收益风险比大于阈值的目标虚拟产品。以避免所生成并提供给用户的指令组合容易存在人为主观误差，影响后续数据处理的准确度。
70.相应地，步骤108可以包括：服务器获取目标虚拟产品中各虚拟产品在所有虚拟产品中的当前配置占比，基于目标虚拟产品中各虚拟产品相应的收益风险比，对当前配置占比进行迭代更新，直至达到迭代更新截止条件，获得目标虚拟产品中各虚拟产品相应的最终配置占比。其中，此处的所有虚拟产品指的是所有目标虚拟产品。
71.可以理解的是，提供给用户的指令组合指的是各虚拟产品相应的最终配置占比。
72.需要说明的是，相比获得多个虚拟产品中各虚拟产品相应的最终配置占比，获得目标虚拟产品中各虚拟产品相应的最终配置占比，提供给用户的指令组合的准确度更高。
73.上述数据处理方法中，通过获取多个虚拟产品各自的产品特征和虚拟产品的所属发行对象的运营特征；将虚拟产品相应的产品特征和运营特征输入至虚拟产品相应的收益预测模型和风险预测模型，输出虚拟产品被购置时相应的预测收益因子和预测风险因子；根据虚拟产品相应的预测收益因子和预测风险因子，确定虚拟产品相应的收益风险比；获取各虚拟产品在所有虚拟产品中的当前配置占比，基于各虚拟产品相应的收益风险比，对当前配置占比进行迭代更新，直至达到迭代更新截止条件，获得各虚拟产品相应的最终配置占比。以提高提供给用户的指令组合的稳定性和适用性，避免所生成并提供给用户的指令组合容易存在人为主观误差，影响后续数据处理的准确度。
74.在一个实施例中，如图2所示，步骤102包括：
75.202、获取多个虚拟产品各自的初始产品特征和虚拟产品的所属发行对象的初始运营特征。
76.204、对各虚拟产品相应的初始产品特征和初始运营特征依次作缺失值补全处理、数据格式统一处理、异常和重复数据的去除处理、以及数据拼接和合并处理，获得各虚拟产品相应的产品特征和运营特征。
77.例如，当前时刻为4月，风险预测模型的输入为当前时刻前3个月内的多个虚拟产品各自的产品特征和虚拟产品的所属发行对象的运营特征，获取到多个虚拟产品各自在1月和2月的产品特征以及在1月至3月的运营特征。由于多个虚拟产品各自在3月的产品特征存在缺失，可以基于1月和2月的产品特征对3月的产品特征进行线性插值，从而补全缺失值。
78.其中，数据格式统一处理指的是对多个虚拟产品各自的初始产品特征和虚拟产品的所属发行对象的初始运营特征进行统一精度处理。例如，初始产品特征中的投资比、下行波动率和收益率分别为0.8523、0.666和0.888，进行统一精度处理后，初始产品特征中的投资比、下行波动率和收益率分别为0.85、0.67和0.89。
79.其中，数据拼接和合并指的是去除多个虚拟产品各自的初始产品特征和虚拟产品的所属发行对象的初始运营特征中相关性较高的特征。例如，初始产品特征包含净值和收益率，由于净值的变化可以转化为收益率，说明净值和收益率之间的相关性较高，因此去除净值。
80.本实施例中，通过获取多个虚拟产品各自的初始产品特征和虚拟产品的所属发行对象的初始运营特征；对各虚拟产品相应的初始产品特征和初始运营特征依次作缺失值补全处理、数据格式统一处理、异常和重复数据的去除处理、以及数据拼接和合并处理，获得各虚拟产品相应的产品特征和运营特征。从而获得比较准确的各虚拟产品相应的产品特征和运营特征。
81.在一个实施例中，虚拟产品相应的收益预测模型和风险预测模型的确定过程，包括：
82.确定虚拟产品所属的簇类型，将簇类型相应的收益预测模型和风险预测模型作为虚拟产品相应的收益预测模型和风险预测模型。
83.其中，不同簇类型是通过对多个样本虚拟产品进行聚类所得到的，不同簇类型相应的收益预测模型和风险预测模型是基于相应聚类下的样本虚拟产品所训练得到的。
84.需要说明的是，不同簇类型可以是通过k均值聚类算法对多个样本虚拟产品进行聚类所得到的。
85.本实施例中，通过确定虚拟产品所属的簇类型，将簇类型相应的收益预测模型和风险预测模型作为虚拟产品相应的收益预测模型和风险预测模型。由于针对不同簇类型的产品，建立了不同簇类型相应的收益预测模型和风险预测模型，从而提高虚拟产品相应的预测收益因子和预测风险因子的精确性。
86.在一个实施例中，如图3所示，步骤106包括：
87.302、将各虚拟产品的预测收益因子从大至小进行排序，选取排序前第一预设数量个虚拟产品，构成第一虚拟产品集合。
88.其中，第一预设数量可以为200，具体可以根据实际情况设定。
89.304、将各虚拟产品的预测风险因子从小至大进行排序，选取排序前第二预设数量个虚拟产品，构成第二虚拟产品集合。
90.其中，第二预设数量可以为200，具体可以根据实际情况设定。
91.306、针对第一虚拟产品集合与第二虚拟产品集合间的交集，确定交集中各虚拟产品相应的预测收益因子与无风险虚拟产品的收益因子间的差异，根据交集中各虚拟产品相应的差异与预测风险因子间的差距程度，确定交集中各虚拟产品相应的收益风险比。
92.其中，无风险虚拟产品指的是收益率稳定但较低的虚拟产品，具体地，可以为国债。
93.具体地，针对第一虚拟产品集合与第二虚拟产品集合间的交集，确定交集中各虚拟产品相应的预测收益因子与无风险虚拟产品的收益因子间的差异，根据交集中各虚拟产品相应的差异与预测风险因子间的比值，将交集中各虚拟产品相应的比值作为各虚拟产品相应的收益风险比。
94.为了便于理解，收益风险比的确定过程可参考如下公式(1)：
[0095][0096]
其中，e
(t,i)
为交集中第i个虚拟产品未来在t时间段相应的预测收益因子，σ
(t,i)
为交集中第i个虚拟产品在未来t时间段相应的预测风险因子，r
t
为在未来t时间段内的无风险虚拟产品的收益因子，θ
(i,t)
为交集中第i个虚拟产品在未来t时间段的收益风险比。需要说明的是，t时间段可以为任意时间段范围，如1天、3天、1周和2周等，本技术实施例对此不作具体限定。
[0097]
可以理解的是，在步骤306之后，可以包括：获取交集中收益风险比大于阈值的目标虚拟产品。以避免所生成并提供给用户的指令组合容易存在人为主观误差，影响后续数据处理的准确度。
[0098]
相应地，步骤108可以包括：服务器获取目标虚拟产品中各虚拟产品在所有虚拟产品中的当前配置占比，基于目标虚拟产品中各虚拟产品相应的收益风险比，对当前配置占比进行迭代更新，直至达到迭代更新截止条件，获得目标虚拟产品中各虚拟产品相应的最终配置占比。其中，此处的所有虚拟产品指的是所有目标虚拟产品。
[0099]
本实施例中，通过将各虚拟产品的预测收益因子从大至小进行排序，选取排序前第一预设数量个虚拟产品，构成第一虚拟产品集合；将各虚拟产品的预测风险因子从小至大进行排序，选取排序前第二预设数量个虚拟产品，构成第二虚拟产品集合，并对第一虚拟产品集合与第二虚拟产品集合间的交集，由于只需要计算交集中各虚拟产品相应的收益风险比，从而减小计算量，提高数据处理的效率。
[0100]
在一个实施例中，基于各虚拟产品相应的收益风险比，对当前配置占比进行迭代更新，包括：
[0101]
根据各虚拟产品相应的收益风险比和当前配置占比，获取各虚拟产品相应的自适应函数值，自适应函数值用于表示相应虚拟产品的当前配置占比在下一次迭代更新中被更新的可能程度。
[0102]
其中，第一次迭代更新过程中，各虚拟产品相应的当前配置占比是随机设定的。需要说明的是，随机设定的各虚拟产品相应的当前配置占比之和需等于1。
[0103]
其中，根据各虚拟产品相应的收益风险比和当前配置占比，获取各虚拟产品相应的自适应函数值可以包括：对于各虚拟产品中任一虚拟产品，获取任一虚拟产品的收益风险比的平方值，获取任一虚拟产品的当前配置占比与平方值的乘积，将该乘积作为任一虚拟产品相应的自适应函数值。
[0104]
具体地，各虚拟产品相应的自适应函数值的获取过程可参考如下公式(2)：
[0105][0106]
其中，ωi为各虚拟产品中第i个虚拟产品相应的当前配置占比，θ
(i,t)
为各虚拟产品中第i个虚拟产品相应的收益风险比，fi(θ)为各虚拟产品中第i个虚拟产品相应的自适应函数值。
[0107]
根据各虚拟产品相应的自适应函数值在所有虚拟产品的自适应函数值总和中的占比，确定各虚拟产品的当前配置占比在下一次迭代更新中被更新的更新概率。
[0108]
具体地，服务器获取多个虚拟产品的自适应函数值总和，对于各虚拟产品中任一虚拟产品，获取任一虚拟产品相应的自适应函数值与自适应函数值总和之间的比值，将该比值作为任一虚拟产品的当前配置占比在下一次迭代更新中被更新的更新概率。
[0109]
确定各虚拟产品的当前配置占比在下一次迭代更新中被更新的更新概率可参考如下公式(3)：
[0110][0111]
其中，pi为各虚拟产品中第i个虚拟产品的当前配置占比在下一次迭代更新中被更新的更新概率fi为各虚拟产品中第i个虚拟产品相应的自适应函数值，n为多个虚拟产品的产品数量。
[0112]
基于各虚拟产品相应的更新概率，确定下一次迭代更新中的目标虚拟产品，并在下一次迭代更新中，对目标虚拟产品的当前配置占比进行更新。
[0113]
其中，服务器可以将各虚拟产品的更新概率从大至小进行排序，选取排序前第三预设数量个虚拟产品，构成第三虚拟产品集合，将第三虚拟产品集合中的虚拟产品作为目标虚拟产品。需要说明的是，此处的目标虚拟产品指的是下一次需要进行迭代更新的虚拟产品，与上述实施例中提到的目标虚拟产品不同。
[0114]
本实施例中，通过根据各虚拟产品相应的收益风险比和当前配置占比，获取各虚拟产品相应的自适应函数值，自适应函数值用于表示相应虚拟产品的当前配置占比在下一次迭代更新中被更新的可能程度；根据各虚拟产品相应的自适应函数值在所有虚拟产品的自适应函数值总和中的占比，确定各虚拟产品的当前配置占比在下一次迭代更新中被更新的更新概率；基于各虚拟产品相应的更新概率，确定下一次迭代更新中的目标虚拟产品，并在下一次迭代更新中，对目标虚拟产品的当前配置占比进行更新。从而提高提供给用户的指令组合的稳定性和适用性，避免所生成并提供给用户的指令组合容易存在人为主观误
差，影响后续数据处理的准确度。
[0115]
在一个实施例中，当前配置占比是通过二进制编码进行表示的；相应地，对目标虚拟产品的当前配置占比进行更新，包括：
[0116]
对目标虚拟产品的当前配置占比相应的二进制编码进行更新，将更新的二进制编码转化为十进制数值。
[0117]
其中，可以对目标虚拟产品的当前配置占比相应的二进制编码进行交叉变异，从而实现对目标虚拟产品的当前配置占比相应的二进制编码进行更新。
[0118]
例如，包括两个目标虚拟产品，分别为目标虚拟产品a和目标虚拟产品b，目标虚拟产品a的当前配置占比相应的二进制编码为0010，目标虚拟产品b的当前配置占比相应的二进制编码为0110，交叉变异后目标虚拟产品a的当前配置占比相应的二进制编码为1001，目标虚拟产品b的当前配置占比相应的二进制编码为1011。对应的，更新后的目标虚拟产品a的当前配置占比相应的十进制数值为9，更新后的目标虚拟产品b的当前配置占比相应的十进制数值为11。
[0119]
将目标虚拟产品相应的十进制数值在所有虚拟产品的当前配置占比相应的十进制数值之和中的占比，确定为目标虚拟产品更新后的当前配置占比。
[0120]
可以理解的是，各虚拟产品中除目标虚拟产品之外，其它虚拟产品的当前配置占比为上一次迭代更新过程中的配置占比。
[0121]
具体地，服务器获取目标虚拟产品的当前配置占比相应的十进制数值的总和，对于目标虚拟产品中任一虚拟产品，获取任一虚拟产品相应的十进制数值与总和之间的比值，将该比值作为目标虚拟产品更新后的当前配置占比。
[0122]
目标虚拟产品更新后的当前配置占比的过程可参考如下公式(4)：
[0123][0124]
其中，di为目标虚拟产品中第i个虚拟产品相应的十进制数值，ωi为目标虚拟产品中第i个虚拟产品更新后的当前配置占比，n为目标虚拟产品的虚拟产品个数。
[0125]
本实施例中，通过对目标虚拟产品的当前配置占比相应的二进制编码进行更新，将更新的二进制编码转化为十进制数值；将目标虚拟产品相应的十进制数值在所有虚拟产品的当前配置占比相应的十进制数值之和中的占比，确定为目标虚拟产品更新后的当前配置占比。由于对目标虚拟产品的当前配置占比进行不断迭代更新，从而提高提供给用户的指令组合的稳定性和适用性，避免所生成并提供给用户的指令组合容易存在人为主观误差，影响后续数据处理的准确度。
[0126]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0127]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的数据处理方法的数据处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个数据处理装置实施例中的具体限定可以参见上文中对于数据处理方法的限定，在此不再赘述。
[0128]
在一个实施例中，如图4所示，提供了一种数据处理装置，包括：特征获取模块402、预测收益因子和预测风险因子确定模块404、收益风险比确定模块406和最终配置占比获取模块408，其中：
[0129]
特征获取模块402，用于获取多个虚拟产品各自的产品特征和虚拟产品的所属发行对象的运营特征；
[0130]
预测收益因子和预测风险因子确定模块404，用于将虚拟产品相应的产品特征和运营特征输入至虚拟产品相应的收益预测模型和风险预测模型，输出虚拟产品被购置时相应的预测收益因子和预测风险因子；
[0131]
收益风险比确定模块406，用于根据虚拟产品相应的预测收益因子和预测风险因子，确定虚拟产品相应的收益风险比；
[0132]
最终配置占比获取模块408，用于获取各虚拟产品在所有虚拟产品中的当前配置占比，基于各虚拟产品相应的收益风险比，对当前配置占比进行迭代更新，直至达到迭代更新截止条件，获得各虚拟产品相应的最终配置占比。
[0133]
在一个实施例中，特征获取模块402，包括：
[0134]
特征获取单元，用于获取多个虚拟产品各自的初始产品特征和虚拟产品的所属发行对象的初始运营特征；
[0135]
特征处理单元，用于对各虚拟产品相应的初始产品特征和初始运营特征依次作缺失值补全处理、数据格式统一处理、异常和重复数据的去除处理、以及数据拼接和合并处理，获得各虚拟产品相应的产品特征和运营特征。
[0136]
在一个实施例中，该装置，还包括：
[0137]
预测模型确定模块，用于确定虚拟产品所属的簇类型，将簇类型相应的收益预测模型和风险预测模型作为虚拟产品相应的收益预测模型和风险预测模型；
[0138]
其中，不同簇类型是通过对多个样本虚拟产品进行聚类所得到的，不同簇类型相应的收益预测模型和风险预测模型是基于相应聚类下的样本虚拟产品所训练得到的。
[0139]
在一个实施例中，收益风险比确定模块406，包括：
[0140]
预测收益因子排序单元，用于将各虚拟产品的预测收益因子从大至小进行排序，选取排序前第一预设数量个虚拟产品，构成第一虚拟产品集合；
[0141]
预测风险因子排序单元，用于将各虚拟产品的预测风险因子从小至大进行排序，选取排序前第二预设数量个虚拟产品，构成第二虚拟产品集合；
[0142]
差异确定单元，用于针对第一虚拟产品集合与第二虚拟产品集合间的交集，确定交集中各虚拟产品相应的预测收益因子与无风险虚拟产品的收益因子间的差异，根据交集中各虚拟产品相应的差异与预测风险因子间的差距程度，确定交集中各虚拟产品相应的收益风险比。
[0143]
在一个实施例中，最终配置占比获取模块408，包括：
[0144]
自适应函数值获取单元，用于根据各虚拟产品相应的收益风险比和当前配置占
比，获取各虚拟产品相应的自适应函数值，自适应函数值用于表示相应虚拟产品的当前配置占比在下一次迭代更新中被更新的可能程度；
[0145]
更新概率确定单元，用于根据各虚拟产品相应的自适应函数值在所有虚拟产品的自适应函数值总和中的占比，确定各虚拟产品的当前配置占比在下一次迭代更新中被更新的更新概率；
[0146]
更新单元，用于基于各虚拟产品相应的更新概率，确定下一次迭代更新中的目标虚拟产品，并在下一次迭代更新中，对目标虚拟产品的当前配置占比进行更新。
[0147]
在一个实施例中，更新单元，包括：
[0148]
十进制数值转化子单元，用于对目标虚拟产品的当前配置占比相应的二进制编码进行更新，将更新的二进制编码转化为十进制数值；
[0149]
当前配置占比确定子单元，用于将目标虚拟产品相应的十进制数值在所有虚拟产品的当前配置占比相应的十进制数值之和中的占比，确定为目标虚拟产品更新后的当前配置占比。
[0150]
上述数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0151]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备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。该内存储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多个虚拟产品各自的产品特征和虚拟产品的所属发行对象的运营特征、虚拟产品被购置时相应的预测收益因子和预测风险因子、以及各虚拟产品相应的最终配置占比数据。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一种数据处理方法。
[0152]
本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0153]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0154]
获取多个虚拟产品各自的产品特征和虚拟产品的所属发行对象的运营特征；
[0155]
将虚拟产品相应的产品特征和运营特征输入至虚拟产品相应的收益预测模型和风险预测模型，输出虚拟产品被购置时相应的预测收益因子和预测风险因子；
[0156]
根据虚拟产品相应的预测收益因子和预测风险因子，确定虚拟产品相应的收益风险比；
[0157]
获取各虚拟产品在所有虚拟产品中的当前配置占比，基于各虚拟产品相应的收益风险比，对当前配置占比进行迭代更新，直至达到迭代更新截止条件，获得各虚拟产品相应的最终配置占比。
[0158]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0159]
获取多个虚拟产品各自的初始产品特征和虚拟产品的所属发行对象的初始运营特征；
[0160]
对各虚拟产品相应的初始产品特征和初始运营特征依次作缺失值补全处理、数据格式统一处理、异常和重复数据的去除处理、以及数据拼接和合并处理，获得各虚拟产品相应的产品特征和运营特征。
[0161]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0162]
确定虚拟产品所属的簇类型，将簇类型相应的收益预测模型和风险预测模型作为虚拟产品相应的收益预测模型和风险预测模型；
[0163]
其中，不同簇类型是通过对多个样本虚拟产品进行聚类所得到的，不同簇类型相应的收益预测模型和风险预测模型是基于相应聚类下的样本虚拟产品所训练得到的。
[0164]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0165]
将各虚拟产品的预测收益因子从大至小进行排序，选取排序前第一预设数量个虚拟产品，构成第一虚拟产品集合；
[0166]
将各虚拟产品的预测风险因子从小至大进行排序，选取排序前第二预设数量个虚拟产品，构成第二虚拟产品集合；
[0167]
针对第一虚拟产品集合与第二虚拟产品集合间的交集，确定交集中各虚拟产品相应的预测收益因子与无风险虚拟产品的收益因子间的差异，根据交集中各虚拟产品相应的差异与预测风险因子间的差距程度，确定交集中各虚拟产品相应的收益风险比。
[0168]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0169]
根据各虚拟产品相应的收益风险比和当前配置占比，获取各虚拟产品相应的自适应函数值，自适应函数值用于表示相应虚拟产品的当前配置占比在下一次迭代更新中被更新的可能程度；
[0170]
根据各虚拟产品相应的自适应函数值在所有虚拟产品的自适应函数值总和中的占比，确定各虚拟产品的当前配置占比在下一次迭代更新中被更新的更新概率；
[0171]
基于各虚拟产品相应的更新概率，确定下一次迭代更新中的目标虚拟产品，并在下一次迭代更新中，对目标虚拟产品的当前配置占比进行更新。
[0172]
在一个实施例中，当前配置占比是通过二进制编码进行表示的；相应地，处理器执行计算机程序时还实现以下步骤：
[0173]
对目标虚拟产品的当前配置占比相应的二进制编码进行更新，将更新的二进制编码转化为十进制数值；
[0174]
将目标虚拟产品相应的十进制数值在所有虚拟产品的当前配置占比相应的十进制数值之和中的占比，确定为目标虚拟产品更新后的当前配置占比。
[0175]
在一个实施例中，提供了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以下步骤：
[0176]
获取多个虚拟产品各自的产品特征和虚拟产品的所属发行对象的运营特征；
[0177]
将虚拟产品相应的产品特征和运营特征输入至虚拟产品相应的收益预测模型和风险预测模型，输出虚拟产品被购置时相应的预测收益因子和预测风险因子；
[0178]
根据虚拟产品相应的预测收益因子和预测风险因子，确定虚拟产品相应的收益风险比；
[0179]
获取各虚拟产品在所有虚拟产品中的当前配置占比，基于各虚拟产品相应的收益风险比，对当前配置占比进行迭代更新，直至达到迭代更新截止条件，获得各虚拟产品相应的最终配置占比。
[0180]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0181]
获取多个虚拟产品各自的初始产品特征和虚拟产品的所属发行对象的初始运营特征；
[0182]
对各虚拟产品相应的初始产品特征和初始运营特征依次作缺失值补全处理、数据格式统一处理、异常和重复数据的去除处理、以及数据拼接和合并处理，获得各虚拟产品相应的产品特征和运营特征。
[0183]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0184]
确定虚拟产品所属的簇类型，将簇类型相应的收益预测模型和风险预测模型作为虚拟产品相应的收益预测模型和风险预测模型；
[0185]
其中，不同簇类型是通过对多个样本虚拟产品进行聚类所得到的，不同簇类型相应的收益预测模型和风险预测模型是基于相应聚类下的样本虚拟产品所训练得到的。
[0186]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0187]
将各虚拟产品的预测收益因子从大至小进行排序，选取排序前第一预设数量个虚拟产品，构成第一虚拟产品集合；
[0188]
将各虚拟产品的预测风险因子从小至大进行排序，选取排序前第二预设数量个虚拟产品，构成第二虚拟产品集合；
[0189]
针对第一虚拟产品集合与第二虚拟产品集合间的交集，确定交集中各虚拟产品相应的预测收益因子与无风险虚拟产品的收益因子间的差异，根据交集中各虚拟产品相应的差异与预测风险因子间的差距程度，确定交集中各虚拟产品相应的收益风险比。
[0190]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0191]
根据各虚拟产品相应的收益风险比和当前配置占比，获取各虚拟产品相应的自适应函数值，自适应函数值用于表示相应虚拟产品的当前配置占比在下一次迭代更新中被更新的可能程度；
[0192]
根据各虚拟产品相应的自适应函数值在所有虚拟产品的自适应函数值总和中的占比，确定各虚拟产品的当前配置占比在下一次迭代更新中被更新的更新概率；
[0193]
基于各虚拟产品相应的更新概率，确定下一次迭代更新中的目标虚拟产品，并在下一次迭代更新中，对目标虚拟产品的当前配置占比进行更新。
[0194]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0195]
对目标虚拟产品的当前配置占比相应的二进制编码进行更新，将更新的二进制编码转化为十进制数值；
[0196]
将目标虚拟产品相应的十进制数值在所有虚拟产品的当前配置占比相应的十进制数值之和中的占比，确定为目标虚拟产品更新后的当前配置占比。
[0197]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0198]
获取多个虚拟产品各自的产品特征和虚拟产品的所属发行对象的运营特征；
[0199]
将虚拟产品相应的产品特征和运营特征输入至虚拟产品相应的收益预测模型和
风险预测模型，输出虚拟产品被购置时相应的预测收益因子和预测风险因子；
[0200]
根据虚拟产品相应的预测收益因子和预测风险因子，确定虚拟产品相应的收益风险比；
[0201]
获取各虚拟产品在所有虚拟产品中的当前配置占比，基于各虚拟产品相应的收益风险比，对当前配置占比进行迭代更新，直至达到迭代更新截止条件，获得各虚拟产品相应的最终配置占比。
[0202]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0203]
获取多个虚拟产品各自的初始产品特征和虚拟产品的所属发行对象的初始运营特征；
[0204]
对各虚拟产品相应的初始产品特征和初始运营特征依次作缺失值补全处理、数据格式统一处理、异常和重复数据的去除处理、以及数据拼接和合并处理，获得各虚拟产品相应的产品特征和运营特征。
[0205]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0206]
确定虚拟产品所属的簇类型，将簇类型相应的收益预测模型和风险预测模型作为虚拟产品相应的收益预测模型和风险预测模型；
[0207]
其中，不同簇类型是通过对多个样本虚拟产品进行聚类所得到的，不同簇类型相应的收益预测模型和风险预测模型是基于相应聚类下的样本虚拟产品所训练得到的。
[0208]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0209]
将各虚拟产品的预测收益因子从大至小进行排序，选取排序前第一预设数量个虚拟产品，构成第一虚拟产品集合；
[0210]
将各虚拟产品的预测风险因子从小至大进行排序，选取排序前第二预设数量个虚拟产品，构成第二虚拟产品集合；
[0211]
针对第一虚拟产品集合与第二虚拟产品集合间的交集，确定交集中各虚拟产品相应的预测收益因子与无风险虚拟产品的收益因子间的差异，根据交集中各虚拟产品相应的差异与预测风险因子间的差距程度，确定交集中各虚拟产品相应的收益风险比。
[0212]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0213]
根据各虚拟产品相应的收益风险比和当前配置占比，获取各虚拟产品相应的自适应函数值，自适应函数值用于表示相应虚拟产品的当前配置占比在下一次迭代更新中被更新的可能程度；
[0214]
根据各虚拟产品相应的自适应函数值在所有虚拟产品的自适应函数值总和中的占比，确定各虚拟产品的当前配置占比在下一次迭代更新中被更新的更新概率；
[0215]
基于各虚拟产品相应的更新概率，确定下一次迭代更新中的目标虚拟产品，并在下一次迭代更新中，对目标虚拟产品的当前配置占比进行更新。
[0216]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0217]
对目标虚拟产品的当前配置占比相应的二进制编码进行更新，将更新的二进制编码转化为十进制数值；
[0218]
将目标虚拟产品相应的十进制数值在所有虚拟产品的当前配置占比相应的十进制数值之和中的占比，确定为目标虚拟产品更新后的当前配置占比。
[0219]
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，所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，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0220]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0221]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：

1.一种数据处理方法，其特征在于，所述方法包括：获取多个虚拟产品各自的产品特征和所述虚拟产品的所属发行对象的运营特征；将所述虚拟产品相应的产品特征和运营特征输入至所述虚拟产品相应的收益预测模型和风险预测模型，输出所述虚拟产品被购置时相应的预测收益因子和预测风险因子；根据所述虚拟产品相应的预测收益因子和预测风险因子，确定所述虚拟产品相应的收益风险比；获取各虚拟产品在所有虚拟产品中的当前配置占比，基于各虚拟产品相应的收益风险比，对所述当前配置占比进行迭代更新，直至达到迭代更新截止条件，获得各虚拟产品相应的最终配置占比。2.根据权利要求1所述的方法，其特征在于，所述获取多个虚拟产品各自的产品特征和所述虚拟产品的所属发行对象的运营特征，包括：获取多个虚拟产品各自的初始产品特征和所述虚拟产品的所属发行对象的初始运营特征；对各虚拟产品相应的初始产品特征和初始运营特征依次作缺失值补全处理、数据格式统一处理、异常和重复数据的去除处理、以及数据拼接和合并处理，获得各虚拟产品相应的产品特征和运营特征。3.根据权利要求1所述的方法，其特征在于，所述虚拟产品相应的收益预测模型和风险预测模型的确定过程，包括：确定所述虚拟产品所属的簇类型，将所述簇类型相应的收益预测模型和风险预测模型作为所述虚拟产品相应的收益预测模型和风险预测模型；其中，不同簇类型是通过对多个样本虚拟产品进行聚类所得到的，不同簇类型相应的收益预测模型和风险预测模型是基于相应聚类下的样本虚拟产品所训练得到的。4.根据权利要求1所述的方法，其特征在于，所述根据所述虚拟产品相应的预测收益因子和预测风险因子，确定所述虚拟产品相应的收益风险比，包括：将各虚拟产品的预测收益因子从大至小进行排序，选取排序前第一预设数量个虚拟产品，构成第一虚拟产品集合；将各虚拟产品的预测风险因子从小至大进行排序，选取排序前第二预设数量个虚拟产品，构成第二虚拟产品集合；针对所述第一虚拟产品集合与所述第二虚拟产品集合间的交集，确定所述交集中各虚拟产品相应的预测收益因子与无风险虚拟产品的收益因子间的差异，根据所述交集中各虚拟产品相应的差异与预测风险因子间的差距程度，确定所述交集中各虚拟产品相应的收益风险比。5.根据权利要求1所述的方法，其特征在于，所述基于各虚拟产品相应的收益风险比，对所述当前配置占比进行迭代更新，包括：根据各虚拟产品相应的收益风险比和当前配置占比，获取各虚拟产品相应的自适应函数值，所述自适应函数值用于表示相应虚拟产品的当前配置占比在下一次迭代更新中被更新的可能程度；根据各虚拟产品相应的自适应函数值在所有虚拟产品的自适应函数值总和中的占比，确定各虚拟产品的当前配置占比在下一次迭代更新中被更新的更新概率；
基于各虚拟产品相应的更新概率，确定下一次迭代更新中的目标虚拟产品，并在下一次迭代更新中，对目标虚拟产品的当前配置占比进行更新。6.根据权利要求5所述的方法，其特征在于，所述当前配置占比是通过二进制编码进行表示的；相应地，所述对目标虚拟产品的当前配置占比进行更新，包括：对目标虚拟产品的当前配置占比相应的二进制编码进行更新，将更新的二进制编码转化为十进制数值；将所述目标虚拟产品相应的十进制数值在所有虚拟产品的当前配置占比相应的十进制数值之和中的占比，确定为所述目标虚拟产品更新后的当前配置占比。7.一种数据处理装置，其特征在于，所述装置包括：特征获取模块，用于获取多个虚拟产品各自的产品特征和所述虚拟产品的所属发行对象的运营特征；预测收益因子和预测风险因子确定模块，用于将所述虚拟产品相应的产品特征和运营特征输入至所述虚拟产品相应的收益预测模型和风险预测模型，输出所述虚拟产品被购置时相应的预测收益因子和预测风险因子；收益风险比确定模块，用于根据所述虚拟产品相应的预测收益因子和预测风险因子，确定所述虚拟产品相应的收益风险比；最终配置占比获取模块，用于获取各虚拟产品在所有虚拟产品中的当前配置占比，基于各虚拟产品相应的收益风险比，对所述当前配置占比进行迭代更新，直至达到迭代更新截止条件，获得各虚拟产品相应的最终配置占比。8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

技术总结

本申请涉及一种数据处理方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取多个虚拟产品各自的产品特征和虚拟产品的所属发行对象的运营特征；将虚拟产品相应的产品特征和运营特征输入至虚拟产品相应的收益预测模型和风险预测模型，输出虚拟产品被购置时相应的预测收益因子和预测风险因子；根据虚拟产品相应的预测收益因子和预测风险因子，确定虚拟产品相应的收益风险比；获取各虚拟产品在所有虚拟产品中的当前配置占比，基于各虚拟产品相应的收益风险比，对当前配置占比进行迭代更新，直至达到迭代更新截止条件，获得各虚拟产品相应的最终配置占比。从而避免所生成并提供给用户的指令组合容易存在人为主观误差。主观误差。主观误差。