本发明属于金融app产品评估技术领域，更具体地，涉及一种金融app产品发布周期的评估方法。
背景技术：
随着经济的发展，金融app产品app受到了大家的青睐，期待更多的金融app产品发布。目前，金融app产品的发布周期是以开发产品的开发模式、功能量、团队规模、人员技能、预算成本等因素来确定的，这种评估方法受不确定因素影响，评估的准确度较低，且计算方法繁琐，给工作人员带来了较大的工作量。
因此，特别需要一种方便简单、准确度较高的金融app产品发布周期的智能评估方法。
技术实现要素：
本发明的目的是提出一种智能的方便简单、准确度较高的金融app产品发布周期的评估方法。
为了实现上述目的，本发明提供一种金融app产品发布周期的评估方法，包括：
步骤1：获取应用市场的金融app产品的基础数据；
步骤2：定义所述金融app产品的评估指标及其所占权重参数；
步骤3：基于所述基础数据、所述评估指标及其所占权重参数，获取建模数据；
步骤4：对所述建模数据进行层次聚类，建立评估模型；
步骤5：切割所述评估模型，获取多个集群；
步骤6：对所述集群分别进行密度聚类，获取最终核心点，确定所述金融app产品的评估结果。
优选的，所述评估指标包括下载量、评分、评价量，所述权重参数包括下载量所占权重参数ud、评分所占权重参数us、评价量所占权重参数uac。
优选的，所述步骤3包括：
步骤3.1：删除所述基础数据中的无效数据、重复数据，补全不完整的数据，获得修整后的基础数据；
步骤3.2：基于修整后的基础数据，获得下载量建模数据、评分建模数据、评价量建模数据和更新时间建模数据。
优选的，将修整后的基础数据下载量d进行对数转换并乘以权重参数ud后得到下载量建模数据，td(n)＝ud*lnd(n)；将修整后的基础数据评分s进行对数转换并乘以权重参数us后得到评分建模数据，ts(n)＝us*lns(n)；将修整后的基础数据评价量ac进行对数转换并乘以权重参数uac后得到评价量建模数据，tac(n)＝uac*log4ac(n)；将修整后的基础数据更新时间u，与其对应金融app产品上次采集的更新时间进行差值计算，获得所述金融app产品的发布周期c，c(n)＝u新(n)-u旧(n)。
优选的，所述步骤4包括：
步骤4.1：基于所述下载量建模数据、评分建模数据、评价量建模数据，获得初始距离矩阵，其中，所述初始距离矩阵的矩阵元素为(td(n)，ts(n)，tac(n))；
步骤4.2：计算所述初始距离矩阵两个矩阵元素之间的相似度k；
步骤4.3：确定所述相似度k最小的两个矩阵元素，并将所述两个矩阵元素合并为一个矩阵元素；
步骤4.4：将合并矩阵元素后的距离矩阵和合并矩阵元素前的距离矩阵以树状形式展示，并将合并矩阵元素后的距离矩阵作为新的初始距离矩阵；
步骤4.5：重复执行步骤步骤4.2-步骤4.4，直到合并为一个矩阵元素为止，获取最终的树形评估模型。
优选的，采用曼哈顿距离方法计算两个矩阵元素之间的相似度k。
优选的，计算所述相似度k采用的公式如下：
k(n，n-1)＝|td(n)-td(n-1)|+|ts(n)-ts(n-1)|+|tac(n)-tac(n-1)|。
优选的，计算相似度k最小的两个矩阵元素的平均值，将所述平均值作为合并后的矩阵元素。
优选的，所述树形评估模型切割为集群的个数范围为4-6。
优选的，对每个集群按照所述发布周期c存在噪音的数据中形成簇，迭代多次确定最终核心点，以最终核心点为圆心，预设长度为半径作圆，计算所述圆内的点数，其中，所述点数为所述金融app产品的评估结果。
本发明的有益效果在于：本发明的金融app产品发布周期的评估方法通过获取上线后应用市场的金融app产品的基础数据，基于评估指标及其所占权重参数获取建模数据，对建模数据进行层次聚类，建立评估模型，由专家对评估模型进行切割，获取多个集群，对每个集群分别进行密度聚类，获取最终核心点，从而确定金融app产品的评估结果，根据金融app产品应用市场的数据实现了智能确定金融app产品的评估结果，不同于传统评估方法，通过分析app上线后运营数据进行后评估，反向指导产品团队，为团队研发提供有效的指导，准确度高，同时减少了工作人员的工足量，操作简单方便，提高了工作效率。
本发明的方法具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施例中将是显而易见的，或者将在并入本文中的附图和随后的具体实施例中进行详细陈述，这些附图和具体实施例共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施方式中，相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的一种金融app产品发布周期的评估方法的流程图。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
根据本发明的一种金融app产品发布周期的评估方法，包括：
步骤1：获取应用市场的金融app产品的基础数据；
步骤2：定义金融app产品的评估指标及其所占权重参数；
步骤3：基于基础数据、评估指标及其所占权重参数，获取建模数据；
步骤4：对建模数据进行层次聚类，建立评估模型；
步骤5：切割评估模型，获取多个集群；
步骤6：对集群分别进行密度聚类，获取最终核心点，确定金融app产品的评估结果。
具体地，对已经投放市场上线后的金融app产品进行评估，搭建scrapy环境，编写爬虫程序，抓取已经应用市场的金融app产品的基础数据，包括应用名称、下载量、评论量、评分、更新时间，基于基础数据、评估指标及其所占权重参数获取建模数据，对建模数据进行层次聚类，生成评估模型，专家将评估模型切割为多个集群，对每个集群分别进行密度聚类，获取最终核心点，从而确定金融app产品的评估结果。
根据示例性的实施方式，金融app产品发布周期的评估方法根据金融app产品应用市场的数据实现了智能确定金融app产品的评估结果，不同于传统评估方法，通过分析app上线后运营数据进行后评估，反向指导产品团队，为团队研发提供有效的指导，准确度高，同时减少了工作人员的工足量，操作简单方便，提高了工作效率。
作为优选方案，评估指标包括下载量、评分、评价量，权重参数包括下载量所占权重参数ud、评分所占权重参数us、评价量所占权重参数uac。
具体的，定义下载量、评分、评论量三个评估指标，分别标记为td、ts、tac，定义评估指标所占权重参数，分别标记为ud、us、uac。
作为优选方案，步骤3包括：
步骤3.1：删除基础数据中的无效数据、重复数据，补全不完整的数据，获得修整后的基础数据；
步骤3.2：基于修整后的基础数据，获得下载量建模数据、评分建模数据、评价量建模数据和更新时间建模数据。
作为优选方案，将修整后的基础数据下载量d进行对数转换并乘以权重参数ud后得到下载量建模数据，td(n)＝ud*lnd(n)；将修整后的基础数据评分s进行对数转换并乘以权重参数us后得到评分建模数据，ts(n)＝us*lns(n)；将修整后的基础数据评价量ac进行对数转换并乘以权重参数uac后得到评价量建模数据，tac(n)＝uac*log4ac(n)；将修整后的基础数据更新时间u，与其对应金融app产品上次采集的更新时间进行差值计算，获得金融app产品的发布周期c，c(n)＝u新(n)-u旧(n)。
具体的，安装anaconda，使用其所集成的pandas工具对采集的基础数据进行清洗，将采集到的基础数据转换为可供建立模型的建模数据。
(1)删除采集的基础数中的无效数据、重复数据，补全不完整的数据，获得修整后的基础数据。
(2)下载量数据转换，获得下载量建模数据：将修整后的基础数据下载量(downloads)记为符号d，进行对数转换并乘以权重参数ud后得到评估指标td，td(n)＝ud*lnd(n)，td也是下载量建模数据。
(3)评分数据转换，获得评分建模数据：将修整后的基础数据评分(score)记为符号s，乘以权重参数us后得到评估指标ts，ts(n)＝us*lns(n)，ts也是评分建模数据。
(4)评价量数据转换，获得评价量建模数据：将修整后的基础数据评价量(amountofcomment)记为符号ac，进行对数转换并乘以权重参数uac后得到评估指标tac，tac(n)＝uac*log4ac(n)，tac也是评价量建模数据。
(5)更新时间数据转换，更新时间建模数据：将修整后的基础数据更新时间(updatetime)记为符号u，与其对应app上次采集的更新时间进行差值计算，得到app的发布周期(cycle)记为符号c，c(n)＝u新(n)-u旧(n)，c也是更新时间建模数据。
作为优选方案，步骤4包括：
步骤4.1：基于下载量建模数据、评分建模数据、评价量建模数据，获得初始距离矩阵，其中，初始距离矩阵的矩阵元素为(td(n)，ts(n)，tac(n))；
步骤4.2：计算初始距离矩阵两个矩阵元素之间的相似度k；
步骤4.3：确定相似度k最小的两个矩阵元素，并将两个矩阵元素合并为一个矩阵元素；
步骤4.4：将合并矩阵元素后的距离矩阵和合并矩阵元素前的距离矩阵以树状形式展示，并将合并矩阵元素后的距离矩阵作为新的初始距离矩阵；
步骤4.5：重复执行步骤步骤4.2-步骤4.4，直到合并为一个矩阵元素为止，获取最终的树形评估模型。
作为优选方案，采用曼哈顿距离方法计算两个矩阵元素之间的相似度k。
作为优选方案，计算相似度k采用的公式如下：
k(n，n-1)＝|td(n)-td(n-1)|+|ts(n)-ts(n-1)|+|tac(n)-tac(n-1)|。
作为优选方案，计算相似度k最小的两个矩阵元素的平均值，将平均值作为合并后的矩阵元素。
具体的，基于下载量建模数据、评分建模数据、评价量建模数据，建立初始距离矩阵，其中，初始距离矩阵的矩阵元素为(td(n)，ts(n)，tac(n))；将样本中每个矩阵元素定义为一类，把相似度一致的类聚合到一起，采用曼哈顿距离方法计算类与类之间的距离，也叫作相似度k，k(n，n-1)＝|td(n)-td(n-1)|+|ts(n)-ts(n-1)|+|tac(n)-tac(n-1)|，找出距离最近的两个类，合并为一个类，计算相似度k最小的两个矩阵元素的平均值，将平均值作为合并后的矩阵元素；将合并矩阵元素后的距离矩阵和合并矩阵元素前的距离矩阵以树状形式展示，并将合并矩阵元素后的距离矩阵作为新的初始距离矩阵；重复计算新的初始距离矩阵两个矩阵元素之间的相似度k，找出相似度k最小的两个矩阵元素，合并为一个矩阵元素，将合并矩阵元素后的距离矩阵再次作为新的初始距离矩阵，再和原来之前的初始距离矩阵以树形展示在一起，重合计算、合并，直至合并为一个矩阵元素为止，获取最终的树形评估模型。
作为优选方案，树形评估模型切割为集群的个数范围为4-6。
具体的，由业务经验丰富的专家观察、切割最终的树形评估模型，形成分割后的集群，一般来说形成4到6个集群是比较理想的情况。
作为优选方案，对每个集群按照所述发布周期c存在噪音的数据中形成簇，迭代多次确定最终核心点，以最终核心点为圆心，预设长度为半径作圆，计算圆内的点数，其中，点数为金融app产品的评估结果。
具体的，对分割后的各集群进行密度聚类，按照发布周期c在存在噪音的数据中形成簇，定义邻域大小和密度阈值，进行多次迭代确定最终核心点，以最终核心点为圆心，预设长度为半径作圆，计算圆内的点数，其中，点数为金融app产品的评估结果。
实施例
图1示出了根据本发明的一个实施例的一种金融app产品发布周期的评估方法的流程图。
如图1所示，金融app产品发布周期的评估方法，包括：
步骤1：获取应用市场的金融app产品的基础数据；
步骤2：定义金融app产品的评估指标及其所占权重参数；
其中，评估指标包括下载量、评分、评价量，权重参数包括下载量所占权重参数ud、评分所占权重参数us、评价量所占权重参数uac；
步骤3：基于基础数据、评估指标及其所占权重参数，获取建模数据；
其中，步骤3包括：
步骤3.1：删除基础数据中的无效数据、重复数据，补全不完整的数据，获得修整后的基础数据；
步骤3.2：基于修整后的基础数据，获得下载量建模数据、评分建模数据、评价量建模数据和更新时间建模数据；
其中，将修整后的基础数据下载量d进行对数转换并乘以权重参数ud后得到下载量建模数据，td(n)＝ud*lnd(n)；将修整后的基础数据评分s进行对数转换并乘以权重参数us后得到评分建模数据，ts(n)＝us*lns(n)；将修整后的基础数据评价量ac进行对数转换并乘以权重参数uac后得到评价量建模数据，tac(n)＝uac*log4ac(n)；将修整后的基础数据更新时间u，与其对应金融app产品上次采集的更新时间进行差值计算，获得金融app产品的发布周期c，c(n)＝u新(n)-u旧(n)；
步骤4：对建模数据进行层次聚类，建立评估模型；
其中，步骤4包括：
步骤4.1：基于下载量建模数据、评分建模数据、评价量建模数据，获得初始距离矩阵，其中，初始距离矩阵的矩阵元素为(td(n)，ts(n)，tac(n))；
步骤4.2：计算初始距离矩阵两个矩阵元素之间的相似度k；
其中，采用曼哈顿距离方法计算两个矩阵元素之间的相似度k；
其中，计算相似度k采用的公式如下：
k(n，n-1)＝|td(n)-td(n-1)|+|ts(n)-ts(n-1)|+|tac(n)-tac(n-1)|；
步骤4.3：确定相似度k最小的两个矩阵元素，并将两个矩阵元素合并为一个矩阵元素；
其中，计算相似度k最小的两个矩阵元素的平均值，将平均值作为合并后的矩阵元素；
步骤4.4：将合并矩阵元素后的距离矩阵和合并矩阵元素前的距离矩阵以树状形式展示，并将合并矩阵元素后的距离矩阵作为新的初始距离矩阵；
步骤4.5：重复执行步骤步骤4.2-步骤4.4，直到合并为一个矩阵元素为止，获取最终的树形评估模型；
步骤5：切割评估模型，获取多个集群；
其中，树形评估模型切割为集群的个数范围为4-6；
步骤6：对集群分别进行密度聚类，获取最终核心点，确定金融app产品的评估结果；
其中，对每个集群按照所述发布周期c存在噪音的数据中形成簇，迭代多次确定最终核心点，以最终核心点为圆心，预设长度为半径作圆，计算圆内的点数，其中，点数为所述金融app产品的评估结果。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。