[发明专利]一种数据集的基于机器学习的动态定价方法

说明书

本发明实施例提供了一种数据集的基于机器学习的动态定价方法，采用LSTM模型作为动态定价模型，包括：A1、获取销售方提供的数据集的历史交易信息以及对所述历史交易信息从多个彼此不同的价值衡量维度提取数据集交易时状态数据的自定义配置参数；A2、根据所述自定义配置参数从历史交易信息中提取状态数据按照动态定价模型的输入需求配置为所需的训练数据，所述训练数据中设定时间区内的定价、状态数据与收益按照对应关系进行配置；A3、用训练数据训练所述动态定价模型学习根据定价和多个彼此不同的价值衡量维度对应的状态数据预测收益的能力以提供建议定价，本发明的动态定价模型能根据数据集的不同的价值衡量维度合理地为销售方提供建议定价。

技术领域

本发明涉及数据交易定价领域，具体来说涉及交易标的为数据集的交易市场的配套技术领域，更具体地说，涉及一种数据集的基于机器学习的动态定价方法。

背景技术

随着大数据技术的日益发展，数据本身也成为了一种商品，具有极高的交易价值。2008年，全球数据交易市场就已经着手开始建立。近年来，伴随着区块链等新兴技术的崛起，各国政府政策大力扶持，加之资本注入，使得大数据交易市场在底层技术的驱动下呈现加快发展的趋势。根据上海经济和信息化委员会的统计，全球目前有五大顶级大数据交易平台，分别是：Factual、BDEX(Big Data Exchange)、Infochimps、Data Plaza和中国贵阳大数据交易所。

数据交易定价技术的探讨主要分为基于查询、基于机器学习两种，但是两种技术的学术讨论都不够深入，还没有成为主流。

基于查询的定价技术是指待交易的数据存储在数据库中，消费者通过精确的查询语句进行查询，获得满足条件、且经过一定程度预处理的数据，即：具体的数据元组。例如，授权公告号为CN105824919B的中国专利文献公开了一种数据查询操作定价的动态调整方法及装置，该发明中考虑到计算资源的分配情况，根据每种资源在不同时间段的已分配资源信息，对数据查询操作定价动态调整，从而更合理的对数据查询操作定价。基于查询的定价技术的优点在于可以精确地为数据元组进行定价，缺点在于难以为围绕数据的配套服务进行定价，并且无法面向开放化的交易市场，只能满足小众的查询服务。而且此场景中数据的限定条件较多，更新数据后极有可能不满足查询需求，因此数据更新服务很少面向基于查询的定价进行适配。

基于机器学习的定价技术泛指通过机器学习的方式，为数据制定尽可能满足多方需求的价格。基于机器学习的定价技术主要面对以数据集为交易标的，在后续更新时，可以对数据集进行整体更新，例如更新最新数据、补充数据量等等，都可以在原数据集的基础上进行整体更新、迭代；其优点在于一般定价方为第三方，可以斡旋多方利益，使得双方获利同时尽可能最优，并且对于配套服务的定价有较高的参考价值，缺点在于交易标的一般为数据集，无法精确到某一条数据元组，并且由于是第三方定价，是否具有足够的动力驱使市场(数据销售方)采用它，存在不小的疑问。

精确到具体算法，基于机器学习的定价策略以研究者Niyato提出的斯坦克尔伯格(Stackelberg)博弈方法结合机器学习的方式最为常见。但是，当面对价格波动剧烈、数据集本身更新频繁大的数据交易市场时，该定价策略存在以下问题：首先，该定价策略无法体现市场频繁的变化，无法体现出一个开放的市场不断变化的成交形势对价格的动态需求，并在成熟的市场上，每个数据产品本身随着迭代、更新，也在不断变化；其次，该算法无法体现出不同数据的差异性，数据产品具有其内在的价值维度，该价值维度应该映射在其定价上；最后，该算法试图从第三方的角度，同时为买卖双方的利益考量，但是此时一方面该第三方是否有足够的可信性，卖方又是否有足够的驱动力选择该算法为自己的商品定价存疑。

随着数据交易产业的发展，未来的数据交易市场中，数据方面的市场交易将越来越活跃，越来越开放，形成类似于股票、期货等交易市场的高频次交易的格局。现有的定价技术无法结合多方面的状态来合理地动态定价。

发明内容