基于迁移学习的艺术品估值方法、装置、电子设备和介质与流程

1.本公开涉及人工智能技术领域，更具体地，涉及一种基于迁移学习的艺术品估值方法、装置、电子设备和介质。


背景技术：

2.在经济活动中，常常需要对艺术品进行估值。例如，以艺术品作为抵押贷款中的抵押物。由于艺术品的价值构成是多元化、多层次的，很难从多个维度对艺术品价值进行评估，导致艺术品的估值计量复杂困难。目前主要选择从市场价值角度对其进行估值，即以艺术品的市场交易价值作为其估值基准。
3.现行艺术品估值方法主要有：市场公允价值法，市场比较法等。其主要思路是从事先已分类的同类艺术品中选取参考标的物，即参考与之“相似”的艺术品的价值大小，通过参考标的物的价值大小，增长幅度等指标来进行估值。
4.在实现本公开构思的过程中，发明人发现现有技术中至少存在如下问题：
5.现有的以市场交易价值作为其估值基准的评价维度较为单一，且艺术品都是非标准化的，很难在市场中找到与待估值的艺术品一模一样的参考标的物。其次，现有的估值方法中，无论是市场公允价值法，还是市场比较法，关键参数的估计都严重依赖价值评估人员的经验、阅历、专业知识。同一件艺术品估值往往因为评估人不同而不同。因而现有的艺术品估值具有波动大、随机性强、难以量化的特点。


技术实现要素：

6.有鉴于此，本公开的实施例提供了一种基于迁移学习的艺术品估值方法、装置、电子设备和介质。通过本公开实施例提供的基于迁移学习的艺术品估值方法、装置、电子设备和介质，可在一定程度上解决艺术品估值受评估人主观影响过大的问题，为艺术品估值建立一套基本客观的算法模型，实现从多个维度对艺术品价值进行评估。本公开实施例提供的基于迁移学习的艺术品估值方法突破了评估人员经验、阅历、专业知识的限制，能够对艺术品进行更为准确、客观地估值。
7.本公开的一个方面提供了一种基于迁移学习的艺术品估值方法，包括：基于预设的分类规则，将多个艺术品样本分类，提取第一源域样本和第一目标域样本；获取艺术品特征项，对所述特征项数量化，获取第一源域样本特征数据、第一目标域样本特征数据以及待估值艺术品特征数据；根据流形学习算法，以及所述第一源域样本特征数据和所述待估值艺术品特征数据，计算所述第一源域样本与所述待估值艺术品的相似度；判断所述第一源域样本与所述待估值艺术品的相似度是否小于相似度阈值，将小于相似度阈值的第一源域样本迁移至目标域中，标记为第二目标域样本；标记未被迁移至目标域中的第一源域样本为第二源域样本，将所述第一目标域样本和所述第二目标域样本共同构成目标域训练样本，将所述第二源域样本和所述目标域训练样本共同构成训练数据集样本；对所述训练数据集样本进行训练，获取艺术品估值模型；以及利用所述艺术品估值模型对所述待估值艺
术品进行估值。
8.在某些实施例中，所述特征项包括艺术品创作年代、艺术品种类、艺术品题材、作者知名度、艺术品稀缺程度、艺术品创作工艺类型中的至少两种。
9.在某些实施例中，所述对特征项数量化包括：对于每一个特征项，按照所述第一源域样本与所述待估值艺术品在该特征项维度的接近程度为所述第一源域样本特征项进行赋值；其中，按照接近程度从高到底，由小到大的方式进行所述赋值。
10.在某些实施例中，所述流形学习算法包括等距离映射算法；所述判断所述第一源域样本与所述待估值艺术品的相似度是否小于相似度阈值包括：选取所述第一源域样本中的任意样本作为待判断第一源域样本；以pi表示所述待判断第一源域样本的第i个特征项的量化值，ci表示所述待估值艺术品的第i个特征项的量化值；基于所述等距离映射算法获得相似度公式；基于所述相似度计算公式计算所述待判断第一源域样本与所述待估值艺术品的相似度，并判断所述待判断第一源域样本与所述待估值艺术品的相似度是否小于相似度阈值；其中，所述相似度计算公式为n为第一源域样本的个数；以及，取d(p，c)的中位数为所述相似度阈值。
11.在某些实施例中，对所述训练数据集样本进行训练包括：基于tradaboost算法，对所述训练数据集样本进行训练。
12.在某些实施例中，所述基于tradaboost算法，对所述训练数据集样本进行训练，获取艺术品估值模型包括：基于预设的决策树算法训练样本，得到第一决策树模型；对所述第一决策树模型进行持续迭代训练，获得迭代后的第l决策树模型，所述l为迭代训练次数；以及根据所述第一决策树模型至所述第l决策树模型获得艺术品估值模型。
13.在某些实施例中，基于预设的决策树算法训练样本，得到第一决策树模型包括：获取训练数据集样本特征数据和样本价值数据；初始化训练数据集样本权重，获取第一样本权重向量；根据所述第一样本权重向量对所述训练数据集样本进行处理，获得第一权重处理样本；以及根据第一权重处理样本特征数据，第一权重处理样本价值，利用预设的决策树算法训练样本，得到第一决策树模型。
14.在某些实施例中，对第一决策树模型进行持续迭代训练包括：根据所述训练得到的第一决策树模型对所述第一权重处理样本进行基于模型的价值评估，获得第一决策树模型样本估值；根据所述第一权重处理样本价值，以及所述第一决策树模型样本估值计算得到第一决策树模型样本估值的第一整体误差；基于所述第一决策树模型样本估值的第一整体误差更新第一权重处理样本权重，得到第二样本权重向量；以及基于所述第二样本权重向量对所述第一权重处理样本进行持续迭代训练。
15.在某些实施例中，所述基于所述第二样本权重向量对所述第一权重处理样本进行持续迭代训练包括：根据所述第二样本权重向量对所述第一权重处理样本进行处理，获得第二权重处理样本；根据第二权重处理样本特征数据，第二权重处理样本价值，以及预设的决策树算法对样本进行迭代训练，得到第二决策树模型；根据与由第一决策树模型获得第一决策树模型样本估值的整体误差相同的方法获得第二决策树模型样本估值的整体误差；根据所述第二决策树模型样本估值的整体误差更新权重向量，进行持续迭代训练；以及获得迭代l次后的第l决策树模型以及第l决策树模型样本估值的整体误差，其中，所述持续迭
代训练的次数不超过预设的迭代次数。
16.在某些实施例中，在获得迭代l次后的第l决策树模型以及第l决策树模型样本估值的整体误差后，所述方法还包括：根据所述第一决策树模型样本估值的整体误差至所述第l决策树模型样本估值的整体误差获得第一估值参数至第l估值参数；以及根据所述第一决策树模型至所述第l决策树模型，以及所述第一估值参数至所述第l估值参数获得艺术品估值模型，其中，所述艺术品估值模型为所述第一决策树模型至所述第l决策树模型的线性组合。
17.本公开的另一个方面提供了一种装置，包括：第一获取模块，配置为基于预设的分类规则，将多个艺术品样本分类，提取第一源域样本和第一目标域样本；第一处理模块，配置为获取艺术品特征项，将所述特征项数量化，获取第一源域样本特征数据、第一目标域样本特征数据以及待估值艺术品特征数据；第二处理模块，配置为根据流形学习算法，以及所述第一源域样本特征数据和所述待估值艺术品特征数据，计算所述第一源域样本与所述待估值艺术品的相似度；判断所述第一源域样本与所述待估值艺术品的相似度是否小于相似度阈值；第二获取模块，配置为将小于相似度阈值的所述第一源域样本迁移至目标域中，获取第二目标域样本；标记未被迁移至目标域中的所述第一源域样本为第二源域样本，所述第一目标域样本和所述第二目标域样本共同构成目标域训练样本；所述第二源域样本和所述目标域训练样本共同构成训练数据集样本；第三处理模块，配置为对所述训练数据集样本进行训练，获取艺术品估值模型；估值模块，配置为利用所述艺术品估值模型对所述待估值艺术品进行估值。
18.本公开的另一方面提供了一种电子设备，包括一个或多个处理器以及存储装置，其中，所述存储装置用于存储可执行指令，所述可执行指令在被所述处理器执行时，实现如上所述的基于迁移学习的艺术品估值方法。
19.本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
20.本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
21.在本公开的实施例中，借鉴了迁移学习中关于实例的迁移学习方法。通过选取艺术品特征项并将特征项数量化，实现了从多个维度对艺术品价值进行评估，提高了艺术品估值的准确性和客观性。
附图说明
22.通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
23.图1示意性示出了根据本公开实施例的可以应用方法、装置的示例性系统架构；
24.图2示意性示出了根据本公开实施例的基于迁移学习的艺术品估值方法的流程图；
25.图3示意性示出了等距离映射算法的原理；
26.图4示意性示出了tradaboost算法的原理；
27.图5示意性示出了根据本公开具体实施例的对训练数据集样本进行训练的方法的
流程图；
28.图6示意性示出了根据本公开具体实施例第一决策树模型的训练方法的流程图；
29.图7示意性示出了根据本公开具体实施例对第一决策树模型进行持续迭代训练的方法的流程图；
30.图8示意性示出了根据本公开具体实施例得到艺术品估值模型的方法的流程图；
31.图9示意性示出了根据本公开实施例的装置的框图；以及
32.图10示意性示出了根据本公开实施例的电子设备的方框图。
具体实施方式
33.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
34.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
35.在使用类似于“a、b或c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b或c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。
36.在经济活动中，常常需要对艺术品进行估值。例如，以艺术品作为抵押贷款中的抵押物。抵押贷款中抵押物估值成为关键，直接影响贷款的安全性。因此，如何对艺术品这类特殊的抵押物进行有效准确地估值至关重要。由于艺术品的价值构成是多元化、多层次的，很难从多个维度对艺术品抵押物价值进行评估，导致艺术品的估值计量复杂而困难。目前主要选择从市场价值角度对其进行估值，即以艺术品的市场交易价值作为其估值基准。上述评价维度相对单一，并且由于艺术品都是非标准化的，很难在市场中找到与待估值的艺术品一模一样的参考标的物，难以仅凭上述估值基准进行艺术品价值的准确衡量。
37.现行艺术品估值方法主要有：市场公允价值法，市场比较法等。其主要思路是从事先已分类的同类艺术品中选取参考标的物，即参考与之“相似”的艺术品的价值大小，通过参考标的物的价值大小，增长幅度等指标来进行估值。由于现行的艺术品估值依靠人工进行，这类方法严重依赖价值评估人员的经验、阅历、专业知识。同一件艺术品估值往往因为评估人不同而不同。因而现有的艺术品估值具有波动大、随机性强，难以量化的特点。当涉及以艺术品作为抵押物时，也导致基于艺术品抵押物估值之上的信贷业务风险较大。
38.本公开的实施例提供了一种基于迁移学习的艺术品估值方法、装置、电子设备和介质。该基于迁移学习的艺术品估值方法包括：基于预设的分类规则，将多个艺术品样本分类，提取第一源域样本和第一目标域样本；获取艺术品特征项，对所述特征项数量化，获取
第一源域样本特征数据、第一目标域样本特征数据以及待估值艺术品特征数据；根据流形学习算法，以及所述第一源域样本特征数据和所述待估值艺术品特征数据，计算所述第一源域样本与所述待估值艺术品的相似度；判断所述第一源域样本与所述待估值艺术品的相似度是否小于相似度阈值，将小于相似度阈值的第一源域样本迁移至目标域中，获得第二目标域样本；标记未被迁移至目标域中的第一源域样本为第二源域样本，所述第一目标域样本和所述第二目标域样本共同构成目标域训练样本，所述第二源域样本和所述目标域训练样本共同构成训练数据集样本；对所述训练数据集样本进行训练，获取艺术品估值模型；以及利用所述艺术品估值模型对所述待估值艺术品进行估值。
39.需要说明的是，本公开实施例提供的基于迁移学习的艺术品估值方法、装置、系统和电子设备可用于人工智能技术在艺术品价值评估相关方面，也可用于除人工智能之外的多种领域，如金融领域等。本公开实施例提供的基于迁移学习的艺术品估值方法、装置、系统和电子设备的应用领域不做限定。
40.以下将结合附图及其说明文字围绕实现本公开的至少一个目的的上述操作进行阐述。
41.银行在为客户办理抵押贷款时，客户提供的抵押物中包含部分艺术品，如中国古典绘画艺术品。为了确保抵押贷款的安全性，银行请评估机构的估价师对客户提供的艺术品进行估值。基于通常的做法，估价师采用以市场价值作为评价指标，以市场比较法或市场公允价值法作为评价方法的估值方法对拟估值艺术品进行价值评定。然而，在估值的过程中，由于目前市场上没有与客户所提供的绘画艺术品具有较高吻合度的，如出自同一艺术家、或同一种类、同一朝代、相近主题、相似艺术表现手法的参考标的物，导致估价师难以给出待估值艺术品的价值评定结果。即使汇集多名估价师共同对该艺术品进行价值评估，由于参考标的物的限制，以及不同估价师的经验和专业背景的差异，评价结果相差甚远，难以达成统一。
42.因此，有必要建立一套艺术品估值模型，从多个维度对艺术品价值进行评估，并且打破评估人员的经验、阅历、专业知识的限制，使得估值结果更为客观和准确。从而降低基于艺术品抵押物估值之上的信贷业务风险。
43.图1示意性示出了根据本公开实施例的可以应用方法、装置的示例性系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
44.如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
45.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送信息等。终端设备101、102、103可以具有价值评估请求、艺术品特征信息等录入功能，例如可录入待估价艺术品的类型、创作年代、国别、朝代、题材、作者知名度、作品稀缺程度等特征信息。此外，终端设备101、102、103上还可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等应用(仅为示例)。
46.终端设备101、102、103包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机等等。
47.服务器105可以解析用户信息数据集合以得到艺术品特征数据信息。服务器105可以为数据库服务器、后台管理服务器、服务器集群等。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如艺术品估值结果数据信息等)反馈给终端设备。
48.需要说明的是，本公开实施例所提供的方法一般可以由服务器105执行。相应地，本公开实施例所提供的装置一般可以设置于服务器105中。
49.应该理解，终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
50.本公开的实施例提供了一种基于迁移学习的艺术品估值方法。迁移学习是使用已有的知识对不同但有一定相关领域问题进行求解的一种新的机器学习方法。迁移学习具体算法可分为四种：一是基于关系的迁移，思路是将源域学习逻辑关系网络应用到目标域中。二是基于实例的迁移，思路是对源域的实例进行加权后迁移。三是基于特征的迁移，思路是将源域和目标域变换到一个特征空间，完成迁移。四是基于模型的迁移。
51.如果训练数据和测试数据分布不一致，或由于特定因素影响样本本身的数据分布，一般会导致传统的机器学习效果较差。针对艺术品估值问题的特点，本公开实施例选择基于实例的迁移。首先确定源域和目标域的范围，再建立一定的规则将源域中“合格”的参考标的物映射到目标域，最终利用映射后的源域和目标域中的样本训练得到估值模型，利用该估值模型对艺术品进行估值。
52.图2示意性示出了根据本公开实施例的基于迁移学习的艺术品估值方法的流程图。
53.如图2所示，该方法可以包括操作s201～操作s209。
54.在操作s201，基于预设的分类规则，将多个艺术品样本分类，提取第一源域样本和第一目标域样本。
55.在本实施例中，预设的分类规则可以为现有的艺术品分类规则。例如，将艺术品分为绘画艺术品、雕塑艺术品、书法艺术品、陶瓷艺术品等大类。每个大类可分为若干小类，比如绘画艺术品分为西方绘画艺术作品、中国古典绘画作品、现当代中国绘画作品等。每个小类又可分为若干大组，例如中国古典绘画作品又可以进一步分为中国古典人物画、中国古典风景画等。每个大组还可以分为若干小组，例如中国古典人物画还可以分为唐代人物画，明朝人物画等。由此，每件艺术品就拥有艺术品种类(绘画、书法等)、创作地域(中国或西方)、创作时期(古典或现代)、创作题材(人物、风景等)等多个特征。对于任意一件待估值艺术品，为了合理控制参考标的物的范围，需合理确定用于训练估值模型的源域和目标域样本范围。例如，可以将待估值艺术品所属小类的艺术品样本作为源域，所属小组的艺术品样本作为目标域。比如要对《历代帝王图》进行估值，可以用同为唐代人物画的作品作为第一目标域样本，以中国古典绘画作品作为第一源域样本。如果中国古典绘画作品样本数量过少，可以适当扩大第一源域样本选择范围，比如扩大到中国古典书法作品。
56.在操作s202，获取艺术品特征项，对所述特征项数量化，获取第一源域样本特征数据、第一目标域样本特征数据以及待估值艺术品特征数据。
57.在本公开实施例中，为了建立可以从多个维度对艺术品进行估值的模型，选取一个或多个艺术品特征项。所选取的特征项可以是对艺术品价值影响最大的特征项。
58.在一些具体的实施例中，典型的特征项可以是艺术品创作年代、艺术品种类、艺术品题材、作者知名度、艺术品稀缺程度和艺术品创作工艺类型。为了合理控制参考标的物范围，可以选取上述艺术品特征项中的至少两种。为了评价样本特征与待估值艺术品特征的接近程度，可以将所述特征项进行赋值以数量化，得到第一源域样本特征数据、第一目标域样本特征数据以及待估值艺术品特征数据。
59.在一些具体的实施例中，对特征项数量化包括：对于每一个特征项，按照第一源域样本与待估值艺术品在该特征项维度的接近程度为第一源域样本特征项进行赋值；其中，按照接近程度从高到底，由小到大的方式进行所述赋值。
60.在一个示例中，赋值过程可以按照下面的描述进行。
61.特征1：艺术品创作年代
62.按照样本朝代离艺术品朝代越接近，得分越低的标准为样本创作年代赋值。
63.朝代唐朝宋朝元朝南北朝...赋值1232...
64.特征2：艺术品种类
65.按照样本种类离艺术品种类越接近，得分越低的标准为样本种类赋值。
66.种类绘画瓷器书法金银金属类....赋值1324....
67.特征3：艺术品题材
68.按照样本题材离艺术品种类越接近，得分越低的标准为样本题材赋值。
69.题材人物肖像非人物人物其他赋值132
70.特征4：作者知名度
71.按照样本知名度越高，得分越低的标准为作者知名度赋值。
72.作者知名度高中低赋值123
73.特征5：样本艺术品稀缺程度
74.按照样本艺术品稀缺程度越高，得分越低的标准为样本艺术品稀缺程度赋值。
75.稀缺程度稀缺一般普通赋值123
76.特征6：样本艺术品创作工艺类型(以绘画作品为例)
77.国别纸本设色油彩其他赋值135
78.在一个示例中，假设样本a为《授经图》，唐代，作者展子虔，人物画，估值2亿。根据分类规则，样本a为第一目标域样本。根据所述的赋值过程，其特征数据为{授经图，1，1，1，2，1，1，2亿}。
79.在操作s203，根据流形学习算法，以及第一源域样本特征数据和待估值艺术品特
征数据，计算第一源域样本与待估值艺术品的相似度。
80.在本实施例中，利用流形学习算法评估第一源域样本与待估值艺术品的相似度。流形学习是一种非线性降维算法，其目的是挖掘嵌入在高维数据空间中的低维光滑流形。假设数据是均匀采样于一个高维欧氏空间中的低维流形，流形学习就是从高维采样数据中恢复低维流形结构，即找到高维空间中的低维流形，并求出相应的嵌入映射，以实现数据降维或数据可视化。流形学习算法具有一些共同的特征：首先构造流形上样本点的局部邻域结构，然后用这些局部邻域结构来将样本点全局的映射到一个低维空间。由此，可以利用流形学习中特征数据的距离来控制参考标的物范围，对样本分类进行迁移，实现样本精度的提升。可以选择的流形学习算法包括但不限于等距离映射算法(isomap)，局部线性嵌入算法lle，laplician特征映射算法(le)，局部切空间排列算法(ltsa)，最大差异展开算法(mvu)等。
81.在一些具体实施例中，应用等距离映射算法作为第一源域每个艺术品样本与待估值的艺术品的相似性大小的度量标准。
82.图3示意性示出了等距离映射算法的原理。
83.如图3所示，a为欧式距离示意图，b为测地距离示意图，c为降维后示意图。等距离映射算法通过引入测地线距离来表示潜在流形上点与点之间的距离，并在降维过程中保持该距离不变。测地距离反映数据在流形上的真实距离差异。等距离映射算法可以在保持流形测试距离的前提下将数据点映射到二维欧式空间中，可以保持流形的几何性质，进而精确提取艺术品隐含在高维空间的本质特征。
84.在操作s204，判断第一源域样本与待估值艺术品的相似度是否小于相似度阈值。
85.在操作s205，将小于相似度阈值的第一源域样本迁移至目标域中，获得第二目标域样本。
86.在操作s206，标记未被迁移至目标域中的第一源域样本为第二源域样本。
87.在操作s207，将第一目标域样本和第二目标域样本标记为目标域训练样本，将第二源域样本和目标域训练样本标记为训练数据集样本。
88.在本实施例中，通过设定相似度阈值作为距离的评价指标，对第一源域样本进行迁移，提高了用于训练估值模型的训练数据集的精度。
89.在一些具体的实施例中，应用等距离映射算法判断第一源域样本与所述待估值艺术品的相似度是否小于相似度阈值包括：选取第一源域样本中的任意样本作为待判断第一源域样本；以p
i
表示待判断第一源域样本的第i个特征项的量化值，c
i
表示待估值艺术品的第i个特征项的量化值；基于等距离映射算法获得相似度公式；基于所述相似度计算公式计算所述待判断第一源域样本与所述待估值艺术品的相似度，并判断所述待判断第一源域样本与所述待估值艺术品的相似度是否小于相似度阈值；其中，所述相似度计算公式为n为第一源域样本的个数；以及，取d(p，c)的中位数为所述相似度阈值。基于上述过程，筛选出小于相似度阈值的第一源域样本，将上述筛选出的第一源域样本迁移至目标域中，与第一目标域样本一起构成第二目标域样本。上述过程提高了样本数据选择的准确度，利于提高估值模型的精度。
90.在操作s208，对训练数据集样本进行训练，获取艺术品估值模型。
91.在本实施例中，对训练数据集样本进行训练的算法包括但不限于cart、knn、lvq、som、gbdt、tradaboost、svm，随机森林，boosting，gbm，bagging，stacking中的一种或多种。在一些具体的实施例中，可以利用集成学习算法进行训练。其中，集成学习算法可以采用adaboost算法，tradaboost算法，gbdt算法，随机森林算法等。可以理解的是，上述集成学习算法仅为示意性示例，迭代训练过程还可以选用其他可构建弱分类器的算法，以及对弱分类器基于一定优化策略组合得到强分类器的迭代算法，以提高艺术品估值模型的客观性和准确性。
92.在一些具体的实施例中，可以基于traaaboost算法，对所述训练数据集样本进行训练。
93.图4示意性示出了tradaboost算法的原理。
94.如图4所示，(a)图为目标域，带有监督的标注数据量较少，无法通过样本数据训练构造出稳定可靠的分类器。(b)图为辅助域。若能通过一定方法找到(b)中的辅助数据，则可以通过训练构造出精确度较高的分类器。在实际中，往往源域数据和目标域数据差异较大，若不加选择直接拿来训练，很容易形成(c)中的分类器，误差较大。tradaboost算法思想是通过增加误分类的目标域训练数据的权重，同时减小误分类源域训练数据的权重，寻找到合适的辅助数据，使得分类面朝正确的方向移动，如(d)图所示。
95.在本公开具体实施例中，经过基于流形学习算法的迁移，此时训练数据集中一共包含了n m个样本。其中，样本<x1，y1>，<x2，y2>，<x3，y3>，..，<x
m
，y
m
>为m个目标域训练样本。<x
m 2
，y
m 2
>
…
，<x
m n
，y
m n
>为n个第二源域样本。在一个示例中，对于待估值的《历代帝王图》，可以选取同为唐代人物画的《步辇图》、《送子天王图》等作为目标域训练样本，选取《富山春居图》、《长江积雪图》等中国古典绘画作品为第二源域样本。其中，x
i
为第i个样本的特征向量，x
i
＝{p1，p2…
p6}；y
i
为该样本的市场交易价值或确定的估值。通过tradaboost算法，对于第二源域中误差较大的样本，通过降低权重的方法来避免负迁移；对于目标域中误差较大的样本，提升其权重以增强正迁移。最终通过改变第二源域和目标域中每个样本的权重，不断对决策树模型进行优化迭代，得到最终的艺术品估值算法。
96.图5示意性示出了根据本公开具体实施例的对训练数据集样本进行训练的方法的流程图。
97.如图5所示，该方法可以包括操作s501～操作s503。
98.在操作s501，基于预设的决策树算法训练样本，得到第一决策树模型。
99.在操作s502，对第一决策树模型进行持续迭代训练，获得迭代后的第l决策树模型，其中，l为迭代训练次数。
100.在操作s503，根据第一决策树模型至第l决策树模型获得艺术品估值模型。
101.在本公开的示例性实施例中，预设的决策树算法可以为cart回归树算法。
102.图6示意性示出了根据本公开具体实施例第一决策树模型的训练方法的流程图。
103.如图6所示，该方法可以包括操作s601～操作s604。
104.在操作s601中，获取训练数据集样本特征数据和样本价值数据。
105.在操作s602中，初始化训练数据集样本权重，获取第一样本权重向量。
106.在本公开具体实施例中，初始化训练数据集样本权重的方法可以为构建样本权重
向量作为初始化数据，可以取即取每一件样本的初始权重相同。其中，l为模型迭代训练次数。此处l＝1。
107.在操作s603中，根据所述第一样本权重向量对所述训练数据集样本进行处理，获得第一权重处理样本。
108.在本公开具体实施例中，利用第一样本权重向量为训练数据集样本赋值，例如，将第i件样本的初始化权重与第i件样品的特征向量相乘，得到第一权重处理样本。
109.在操作s604中，根据第一权重处理样本特征数据，第一权重处理样本价值，利用预设的决策树算法训练样本，得到第一决策树模型。
110.在一个示例中，利用cart回归树算法作为预设的决策树算法对训练数据集样本进行训练，得到第一决策树模型，其训练过程如下：
111.step1：对于样本i，x
i
为输入值(经初始化权重向量处理后的样本i的特征值)，y
′
i
为输出值(样本i的标记，在此处为估值)。对于每一个特征变量j选择最优切分点s，选择切分的依据是：
[0112][0113]
选择使式(1)取得最小值的对(j，s)。式(1)中，r1(j，s)，r2(j，s)为根据对(j，s)切分出的两个区域，c1为r1(j，s)区域数据样本输出均值，c2为r2(j，s)区域数据样本输出均值。
[0114]
step2：用选定的(j，s)划分区域并计算出相应的输出值：
[0115]
r1(j，s)＝{x|x
(j)
≤s}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0116]
r2(j，s)＝{x|x
(j)
＞s}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0117][0118]
式(4)中，n
m
为第m个区域中的样本个数，cm为第m个区域中数据样本输出均值。
[0119]
step3：对step1和step2循环，继续对两个子区域r1(j，s)，r2(j，s)进行划分，直到满足停止条件。停止条件可以为寻找到对于每一个特征项j的最优切分点s。
[0120]
step4：基于m个特征项寻找到的m个最优切分点，将输出空间划分为m个区域r1，r2…
r
m
，生成第一决策树：
[0121][0122]
式(5)即为第一决策树模型的具体形式。
[0123]
i为第m个区域的样本集合函数。
[0124]
图7示意性示出了根据本公开具体实施例对第一决策树模型进行持续迭代训练的方法的流程图。
[0125]
如图7所示，该方法可以包括操作s701～操作s705。
[0126]
在操作s701，根据训练得到的第一决策树模型对所述第一权重处理样本进行基于模型的价值评估，获得第一决策树模型样本估值。
[0127]
在本公开具体实施例中，将每一个经第一权重向量处理的样本输入到第一决策树模型中，获得的输出值即为每一个经第一权重向量处理的样本的估值。
[0128]
在操作s702中，根据第一权重处理样本价值，以及所述第一决策树模型样本估值计算得到第一决策树模型样本估值的第一整体误差。
[0129]
在本公开具体实施例中，第一整体误差的计算公式为：
[0130][0131][0132]
其中，ε
l
为第一整体误差；rf
l
(x
i
)为样本x
i
的第一决策树模型样本估值，为第i个样本估值相对误差，此时有l＝1。
[0133]
在操作s703中，基于第一决策树模型样本估值的第一整体误差更新第一权重处理样本权重，得到第二样本权重向量；
[0134]
在本公开具体实施例中，根据第一整体误差计算得到第一估值参数
[0135][0136]
根据第一估值参数计算得到估值调整系数
[0137][0138]
根据第一估值参数及估值调整系数更新所有第一权重处理样本权重，得到第二样本处理权重样本权重向量
[0139][0140][0141]
式(10)为更新后第i个目标域样本第二样本处理权重(1＜i＜m)，以及更新后第i个第二源域样本第二样本处理权重(m 1＜i＜m n)，此时有l＝2。
[0142]
在操作s704，基于所述第二样本权重向量对所述第一权重处理样本进行持续迭代训练。在本公开具体实施例中，根据更新后的第二样本处理权重样本权重向量返回到操作s602中，进行持续迭代训练。持续迭代训练过程可以为，根据第二样本权重向量对所述第一权重处理样本进行处理，获得第二权重处理样本。根据第二权重处理样本特征数据，第二权重处理样本价值，以及预设的决策树算法对样本进
行迭代训练，得到第二决策树模型。根据与由第一决策树模型获得第一决策树模型样本估值的整体误差相同的方法获得第二决策树模型样本估值的整体误差。根据第二决策树模型样本估值的整体误差更新权重向量，进行持续迭代训练。其中，所述持续迭代训练的次数不超过预设的迭代次数。预设的迭代次数可以为l次。预设的迭代次数可以基于经验设定。另一方面，也可不预设迭代次数，根据预设的整体误差阈值β进行迭代。当满足整体误差ε
l
＞β时，进行迭代。其中，整体误差阈值β可基于经验设定。在操作s705，在迭代l次后，获得第l决策树模型以及第l决策树模型样本估值的整体误差。
[0143]
图8示意性示出了根据本公开具体实施例得到艺术品估值模型的方法的流程图。
[0144]
如图8所示，该方法可以包括操作s801～操作s802。
[0145]
在操作s801，根据第一决策树模型样本估值的整体误差至第l决策树模型样本估值的整体误差获得第一估值参数至第l估值参数。
[0146]
在操作s802，根据第一决策树模型至第l决策树模型，以及第一估值参数至第l估值参数获得艺术品估值模型。
[0147]
根据本公开具体实施例，艺术品估值模型可以为所述第一决策树模型至所述第l决策树模型的线性组合。
[0148]
在一些具体的实施例中，艺术品估值公式为集合回归器f(x)，其具体形式为：
[0149][0150]
式(11)中，α
l
为第l估值参数，rf
l
(x)为第l决策树模型。
[0151]
返回参照图2，在操作s209，利用所述艺术品估值模型对所述待估值艺术品进行估值。
[0152]
根据本公开具体实施例，在得到估值模型f(x)后，将待估值艺术品的特征向量输入f(x)，则输出结果即为其估值。
[0153]
在一个示例中，将《历代帝王图》按照6个特征输入f(x)，则输出结果即为其估值。
[0154]
根据本公开具体实施例，通过改变样本权重调整模型参数，提高误分类样本的信息学习程度，使得估值模型不断迭代优化，降低模型误差。f(x)为一系列决策树模型的线性组合，最大化整体样本学习覆盖度，减少了过拟合现象的发生，获得了较高精度的艺术品估值模型。
[0155]
图9示意性示出了根据本公开实施例的装置的框图。
[0156]
如图9所示，本公开的另一个方面提供了一种艺术品估值装置900，该装置900可以包括：
[0157]
第一获取模块901，配置为基于预设的分类规则，将多个艺术品样本分类，提取第一源域样本和第一目标域样本。
[0158]
第一处理模块902，配置为获取艺术品特征项，将所述特征项数量化，获取第一源域样本特征数据、第一目标域样本特征数据以及待估值艺术品特征数据。
[0159]
第二处理模块903，配置为根据流形学习算法，以及所述第一源域样本特征数据和所述待估值艺术品特征数据，计算所述第一源域样本与所述待估值艺术品的相似度。
[0160]
判断模块904，配置为判断所述第一源域样本与所述待估值艺术品的相似度是否小于相似度阈值。
[0161]
第一标记模块905，配置为将小于相似度阈值的所述第一源域样本迁移至目标域中，标记为第二目标域样本。
[0162]
第二标记模块906，配置为标记未被迁移至目标域中的所述第一源域样本为第二源域样本。
[0163]
第三标记模块907，配置为将所述第一目标域样本和所述第二目标域样本标记为目标域训练样本；将所述第二源域样本和所述目标域训练样本标记为训练数据集样本。
[0164]
第三处理模块908，配置为对所述训练数据集样本进行训练，获取艺术品估值模型。
[0165]
估值模块909，配置为利用所述艺术品估值模型对待估值艺术品进行估值。
[0166]
需要说明的是，装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似。
[0167]
根据本公开的实施例的模块、单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0168]
例如，第一获取模块901、第一处理模块902、第二处理模块903、判断模块904、第一标记模块905、第二标记模块906、第三标记模块907、第三处理模块908和估值模块909中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一获取模块901、第一处理模块902、第二处理模块903、判断模块904、第一标记模块905、第二标记模块906、第三标记模块907、第三处理模块908和估值模块909中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块901、第一处理模块902、第二处理模块903、判断模块904、第一标记模块905、第二标记模块906、第三标记模块907、第三处理模块908和估值模块909中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0169]
图10示意性示出了根据本公开实施例的电子设备的方框图。图10示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0170]
如图10所示，根据本公开实施例的电子设备1000包括处理器1001，其可以根据存储在只读存储器(rom)1002中的程序或者从存储部分908加载到随机访问存储器(ram)1003中的程序而执行各种适当的动作和处理。处理器1001例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))，等等。处理器1001还可以包括用于缓存用途的板载存储器。处理器1001可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
[0171]
在ram 1003中，存储有电子设备1000操作所需的各种程序和数据。处理器1001、rom 1002以及ram 1003通过总线1004彼此相连。处理器1001通过执行rom 1002和/或ram 1003中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom 1002和ram 1003以外的一个或多个存储器中。处理器1001也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
[0172]
根据本公开的实施例，电子设备1000还可以包括输入/输出(i/o)接口1005，输入/输出(i/o)接口1005也连接至总线1004。电子设备1000还可以包括连接至i/o接口1005的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至i/o接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
[0173]
根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0174]
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
[0175]
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 1002和/或ram 1003和/或rom 1002和ram 1003以外的一个或多个存储器。
[0176]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代
表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0177]
本公开还提供了一种计算机程序产品，该计算机程序产品包括一个或者多个程序。上述方法可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0178]
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
[0179]
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。