一种画作评估方法及系统

1.本发明涉及人工智能技术领域，特别是涉及一种画作评估方法及系统。


背景技术：

2.画作时序数据很难获得，同一拍品多次拍卖的情况较少出现，传统处理方法的计算公式中所需的类似品质画作、重复出售数据等历史时间节点的交易数据目前呈现分布稀缺、离散的特点，数据基础是目前画作估值计算方法根本上的研究瓶颈。传统多因素统计方法面对画作外部数据影响因素复杂的情况下，数据动态关系很难通过享乐回归这种简单的线性回归模型来捕捉，面对画作数据估计这种时序性强、非线性问题处理能力不足。
3.一般而言，画作处理方法包括传统经济学方法和传统多因素统计方法，传统经济学方法又包括同类比较法、双重销售法、平均价值法等，此类方法经常通过比较艺术品与市面上已经出售的且类似品质的画作，根据计算公式由出售记录推导当前待评估艺术品的市场价值、收益、变化额等数值化数据。而传统多因素统计方法通过对画作进行数据特征挖掘，利用灰色关联、享乐回归等线性回归方法，挖掘艺术家、颜色等各种维度特征之间的动态关系以及与画作目标指标的关系，达到最终评估的目的。目前画作评估的准确性仍待提升，如何缓解评估结果波动，是本领域的重要研究课题之一。


技术实现要素：

4.本发明的目的是提供一种画作评估方法及系统，可提升评估画作目标指标数据准确性，进而提高画作评估的准确性。
5.为实现上述目的，本发明提供了如下方案：
6.一种画作评估方法，包括：
7.根据按照时间划分下的历史成交画作数据集和待评估画作，采用基于triplet network的画作数据分类模型，确定按时间区间划分下的与待评估画作相似的目标指标画作集合；目标指标包括：画作在市场交易中常见的价格、收益、变化额以及交易额；
8.根据按时间区间划分下的与待评估画作相似的目标指标画作集合，采用基于多模态模型的画作时序变量生成模型，确定按时间区间划分下的模拟目标指标数据集合；
9.根据按时间区间划分下的模拟目标指标数据集合，采用基于长短期记忆神经网络的画作数据预测模型，确定待评估画作的目标指标数据；
10.根据待评估画作的目标指标数据进行画作评估。
11.可选地，所述根据按照时间划分下的历史成交画作数据集和待评估画作，采用基于triplet network的画作数据分类模型，确定按时间区间划分下的与待评估画作相似的目标指标画作集合，之前还包括：
12.采用使用python爬虫技术确定按照时间划分下的历史成交画作数据集。
13.可选地，所述根据按照时间划分下的历史成交画作数据集和待评估画作，采用基于triplet network的画作数据分类模型，确定按时间区间划分下的与待评估画作相似的
目标指标画作集合，具体包括：
14.根据按照时间划分下的历史成交画作数据集和待评估画作，采用基于triplet network的画作数据分类模型分别确定历史成交画作分类特征向量集和待评估画作特征向量；
15.确定待评估画作特征向量与历史成交画作分类特征向量集中每一分类特征向量的距离，得到距离集合；
16.对距离集合进行排序，确定按时间区间划分下的与待评估画作相似的目标指标画作集合。
17.可选地，所述根据按时间区间划分下的与待评估画作相似的目标指标画作集合，采用基于多模态模型的画作时序变量生成模型，确定按时间区间划分下的模拟目标指标数据集合，具体包括：
18.根据按时间区间划分下的与待评估画作相似的目标指标画作集合确定画作集合特征；
19.根据画作集合特征和待评估画作特征，采用基于多模态模型的画作时序变量生成模型，确定按时间区间划分下的模拟目标指标数据集合。
20.可选地，所述根据按时间区间划分下的模拟目标指标数据集合，采用基于长短期记忆神经网络的画作数据预测模型，确定待评估画作的目标指标数据，具体包括：
21.对按时间区间划分下的模拟目标指标数据集合进行时间顺序排列，确定待评估画作的模拟目标指标数据时间序列；
22.根据待评估画作的模拟目标指标数据时间序列，采用用基于长短期记忆神经网络的画作数据预测模型，确定待评估画作的目标指标数据。
23.可选地，所述对按时间区间划分下的模拟目标指标数据集合进行时间顺序排列，确定待评估画作的模拟目标指标数据时间序列，之后还包括：
24.对待评估画作的模拟目标指标数据时间序列进行填充处理；填充处理包括：回填、正向填充以及填充空段。
25.一种画作评估系统，包括：
26.数据分类模块，用于根据按照时间划分下的历史成交画作数据集和待评估画作，采用基于triplet network的画作数据分类模型，确定按时间区间划分下的与待评估画作相似的目标指标画作集合；目标指标包括：画作在市场交易中常见的价格、收益、变化额以及交易额；
27.模拟目标指标数据集合确定模块，用于根据按时间区间划分下的与待评估画作相似的目标指标画作集合，采用基于多模态模型的画作时序变量生成模型，确定按时间区间划分下的模拟目标指标数据集合；
28.待评估画作的目标指标数据确定模块，用于根据按时间区间划分下的模拟目标指标数据集合，采用基于长短期记忆神经网络的画作数据预测模型，确定待评估画作的目标指标数据；
29.画作评估模块，用于根据待评估画作的目标指标数据进行画作评估。
30.一种画作评估系统，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如所述的一种画
作评估方法。
31.根据本发明提供的具体实施例，本发明公开了以下技术效果：
32.本发明所提供的一种画作评估方法及系统，利用基于triplet network的画作数据分类模型和基于多模态模型的画作时序生成模型组合，以生成按时间区间划分下的模拟目标指标数据集合，进而，解决可用数据稀缺的问题。利用长短期记忆神经网络模型深度学习方法对待评估画作的目标指标数据进行训练，能够有效的捕捉动态时序特征与其画作目标指标数据之间的关系，从而达到提升评估画作目标指标数据准确性的目的。
附图说明
33.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
34.图1为本发明所提供的一种画作评估方法流程示意图；
35.图2为基于triplet network的画作数据分类模型处理原理示意图；
36.图3为基于多模态模型的画作时序变量生成模型处理原理示意图；
37.图4为基于长短期记忆神经网络的画作数据预测模型处理原理示意图。
具体实施方式
38.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
39.本发明的目的是提供一种画作评估方法及系统，可提升评估画作目标指标数据准确性，进而提高画作评估的准确性。
40.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
41.本发明基于triplet network-multimodal network-lstm模型的画作评估方法由多个模型集成实现。其中包括基于三元组损失函数网络(triplet network)的画作数据分类模型、基于多模态网络(multimodal network)的画作时序生成模型以及基于长短期记忆神经网络模型(long and short-termmemory neural network,lstm)的画作时序处理模型。
42.本案说明书全文中提及的“正向”、“反向”等用语用来修饰训练画作在确定分类类别中的关系。举例而言，若文中描述目标画作的正向画作，则应该被解释成该正向画作属于目标画作同一类别的画作样本。本案说明书全文中提及的按时间区间划分操作，要求选择固定时间区间，时间间隔一般选择3个月，要求时间区间等间隔，各个时间区间按时序顺序划分。提及的按目标指标区间划分操作时，目标指标数据间隔根据目标指标数据区间分位数选择，要求选择固定目标指标数据区间，各个目标指标数据区间从小到大顺序划分。另外，凡可能之处，在附图及实施方式中使用按时间划分/按目标指标区间划分的操作代表相
同或类似部分。不同实施例中使用相同说明或使用按目标指标数据划分/按时间区间划分的操作可以相互参照相关说明。
43.图1为本发明所提供的一种画作评估方法流程示意图。如图1所示，本发明所提供的一种画作评估方法，包括：
44.s101，根据按照时间划分下的历史成交画作数据集pin和待评估画作，采用基于tripletnetwork的画作数据分类模型，确定按时间区间划分下的与待评估画作相似的目标指标画作集合pt；目标指标包括：画作在市场交易中常见的价格、收益、变化额以及交易额；
45.s101之前还包括：
46.采用使用python爬虫技术抓取国内外代表性的艺术品以及画作拍卖网站。通过对画作名称进行分词处理，筛选出单副平面的、现当代中国书画为主的画作数据集合，剔除画作信息不全、画作目标指标数据异常等类型的画作，确定按照时间划分下的历史成交画作数据集。
47.s101具体包括：
48.根据按照时间划分下的历史成交画作数据集和待评估画作，采用基于triplet network的画作数据分类模型分别确定历史成交画作分类特征向量集v
p
和待评估画作特征向量va；
49.确定待评估画作特征向量与历史成交画作分类特征向量集中每一分类特征向量的距离，得到距离集合；其中，距离计算可以包括余弦相似度计算方法或是其他距离计算方法。其中余弦相似度的公式由向量的点积和向量的长度组成，具体公式可以表示为：
[0050][0051]
对距离集合进行排序，确定按时间区间划分下的与待评估画作相似的目标指标画作集合。
[0052]
如图2所示，按目标指标数据进行划分下的训练数据集，考虑生成足够三元组训练集模型。依照实际设计，三元组训练样本生成需要从同一个类中选出两个正向画作，从另一个类中选出一个反向，组合成所需的画作三元训练组。通过将三元组中的每个元素(样本)输入到一个参数共享的网络神经d，得到输出三个图片的特征，正向向量、靶向量以及反向向量分别记为dp、da和dn，利用损失函数，da-dp为目标画作与正向画作的距离，da
–
dn为反向画作与目标画作的距离。通过学习，会使目标画作与正向画作的距离尽可能的小，使目标画作与的反向画作的距离尽可能大。神经网络d依照实际设计有所不同。举例来说，网络d可以设计为共11层，采取卷积层和池化层依次交替的模型结构，所有的卷积核都使用3*3的大小，池化都使用大小为2*2，步长为2的最大池化，卷积层深度依次为32、64、128、256、28，以及1层flatten层，将多维的输入一维化，作为在卷积层到全连接层的过渡。本实施例并不限制的神经网络d的实施细节，依照实际设计，神经网络可以按照上方描述进行设计，当然也可以采取vgg16、vgg19等现成的网络模型。该模型最终输出的是一维化的分类向量，可以直接用于画作目标指标数据分类，或者用于进一步的计算画作间的目标指标数据分类向量距离。损失函数依照实际设计有所不同，举例来说，整个画作相似度计算模型的损失函数定义为：
[0053]
loss(a，p，n)＝max{0，[d(p)-d(a)]-[d(n)-d(a)]}；
[0054]
本实施例并不限制损失函数的实施细节，依照实际设计，损失函数可以按照上方描述进行设计，当然也可以考虑采取进一步复杂混合的损失函数，比如数值特征与图像特征复合的损失函数。
[0055]
s102，根据按时间区间划分下的与待评估画作相似的目标指标画作集合，采用基于多模态模型的画作时序变量生成模型，确定按时间区间划分下的模拟目标指标数据集合cr；
[0056]
s102具体包括：
[0057]
根据按时间区间划分下的与待评估画作相似的目标指标画作集合确定画作集合特征；画作集合特征包括收集最相似相关图片、目标指标数值最大相关图片、目标指标数值最小相关图片以及处理画作最大目标指标数值数据、画作最小经济目标指标数值数据、最相似画作目标指标数值等画作集合特征。
[0058]
根据画作集合特征和待评估画作特征，采用基于多模态模型的画作时序变量生成模型，确定按时间区间划分下的模拟目标指标数据集合。
[0059]
如图3所示，基于多模态的画作时序变量生成模型中使用的模型原理如图所示，构建画作集合特征过程中对时间区间划分下的画作的相似目标指标数据画作集合pt获取集合画作特征，同目标评估画作特征一起输入到基于多模态的画作时序变量生成模型中。我们将特征按类型进行分类，数值输入分为一类，图像数据分为一类。第一个分支将是一个简单的多层感知器(mlp)，旨在处理数值输入。多层感知器由3层组成，包括带有relu的输入层激活的全连接输入层、同样使用relu激活的全连接的隐藏层以及带有线性激活的可选回归输出层。数值数据在训练之前执行最小-最大缩放到范围[0，1]。第二个分支将是一个卷积神经网络，用于对图像数据进行操作。先加载、调整图像大小一致，再将包含每条记录的四张图像以列表形式进行拼接，输入到卷积神经网络中。卷积神经网络包括conv卷积层、relu激活层、bn批量归一层以及pool汇合层，将bn放在relu之后会产生更高的准确度和更低的损失。同时也需要将图像的像素强度缩放到[0，1]范围。通过将前两个分支输出进行向量拼接，将组合输入到网络中的最后一层是基于mlp和cnn分支的输出8-4-1fc全联接层(因为2个分支的都输出一个4-dim fc层，然后我们将它们连接起来以创建一个8-dim向量)。一个relu激活层和一个线性激活层(旨在回归评估)形成最终的多输入keras模型，最终输出单个评估值。为了找到作为模型训练的目标值，需要计算处于在时间区间划分下的相似画作集合的画作销售平均目标指标数据，用以其当作待评估的模拟目标画作历史成交目标指标数据，其计算公式为：
[0060][0061]
s103，根据按时间区间划分下的模拟目标指标数据集合，采用基于长短期记忆神经网络的画作数据预测模型，确定待评估画作的目标指标数据；
[0062]
s103具体包括：
[0063]
对按时间区间划分下的模拟目标指标数据集合进行时间顺序排列，确定待评估画作的模拟目标指标数据时间序列；
[0064]
考虑到可能出现因为某一时间区间中收集数据空缺，导致时间序列出现缺失值的情况，对待评估画作的模拟目标指标数据时间序列进行填充处理；填充处理包括：回填、正
向填充以及填充空段。其中，回填法被将相邻前一时间区间中的模拟生成指标数据填补到序列空缺。
[0065]
根据待评估画作的模拟目标指标数据时间序列，采用用基于长短期记忆神经网络的画作数据预测模型，确定待评估画作的目标指标数据。
[0066]
对于所述的基于长短期记忆神经网络的画作经济时序处理模型所需的画作集合特征，需要对相似目标指标数据对应的画作集合进行图像拼接、数值处理等画像操作获得。
[0067]
如图4所示，针对输入的画作模拟目标指标数据时间序列，本公开采用lstm神经网络去模拟画作模拟目标指标数据的时间序列特征。用x表示当前状态下数据的输入，y为当前节点状态下的输出，相对于某一节点来说，左侧的h表示接收到的上一个节点的输入，右侧的h表示传递到下一个节点的输出，左侧的c表示接收到的上一个节点的输入状态，右侧的c表示传输给下一个状态的输出状态。lstm内部主要有三个阶段，包括忘记阶段、选择记忆阶段以及输出阶段，其中通过“门”(输出门、控制门、遗忘门)结构实现进行控制信息的特性。在修正权重的过程中，输出y是通过h变化得到，c用来控制变化的过程那些误差需要忘记，那些误差需要长期保持，长短期记忆神经网络在处理时序问题时有更好的表现。
[0068]
s104，根据待评估画作的目标指标数据进行画作评估。
[0069]
本公开所实现的效果：
[0070]
1、本公开是结合画作数据分类步骤和多模态画作时序处理步骤结合，通过基于tripletnetwork的画作数据分类模型使得能够找到可靠的相似目标指标数据画作样本，通过基于多模态的画作时序生成模型将相似目标指标数据画作样本转化为画作模拟目标指标数据；这提供了一种生成大量重复出售数据的手段，能够解决相关画作研究中研究样本缺少的情况，提高了绘画作品目标指标时序数据预测模型建立的效率。
[0071]
2、本公开选择使用深度学习方法对画作目标指标数据进行评估，摆脱了传统方法对画作经济时序处理问题拟合较差的情况，基于长短期记忆神经网络模型的画作目标指标时序处理模型通过挖掘画作价值时间序列的时序特征，是符合画作目标指标数据变化的客观规律的，实现某一以艺术品作品在不同时间点进行差异化评估需求，即动态评估需求。同时利用通过基于triplet network的画作目标指标数据分类模型对画作目标指标数据进行一个范围上的选择，通过基于多模态的画作时序生成模型对画作目标指标数据进行较为粗略的评估，再利用基于长短期记忆神经网络模型的画作目标指标时序处理模型对粗略的评估目标指标数据进行一个动态调整，实现提升画作目标指标时序处理模型的准确性的目的。
[0072]
作为另一具体的实施例，本发明还提供一种画作评估系统，包括：
[0073]
数据分类模块，用于根据按照时间划分下的历史成交画作数据集和待评估画作，采用基于tripletnetwork的画作数据分类模型，确定按时间区间划分下的与待评估画作相似的目标指标画作集合；目标指标包括：画作在市场交易中常见的价格、收益、变化额以及交易额；
[0074]
模拟目标指标数据集合确定模块，用于根据按时间区间划分下的与待评估画作相似的目标指标画作集合，采用基于多模态模型的画作时序变量生成模型，确定按时间区间划分下的模拟目标指标数据集合；
[0075]
待评估画作的目标指标数据确定模块，用于根据按时间区间划分下的模拟目标指
标数据集合，采用基于长短期记忆神经网络的画作数据预测模型，确定待评估画作的目标指标数据；
[0076]
画作评估模块，用于根据待评估画作的目标指标数据进行画作评估。
[0077]
为了执行上述实施例对应的方法，以实现相应的功能和技术效果，本发明还提供一种画作评估系统，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现所述的一种画作评估方法。
[0078]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0079]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种画作评估方法，其特征在于，包括：根据按照时间划分下的历史成交画作数据集和待评估画作，采用基于tripletnetwork的画作数据分类模型，确定按时间区间划分下的与待评估画作相似的目标指标画作集合；目标指标包括：画作在市场交易中常见的价格、收益、变化额以及交易额；根据按时间区间划分下的与待评估画作相似的目标指标画作集合，采用基于多模态模型的画作时序变量生成模型，确定按时间区间划分下的模拟目标指标数据集合；根据按时间区间划分下的模拟目标指标数据集合，采用基于长短期记忆神经网络的画作数据预测模型，确定待评估画作的目标指标数据；根据待评估画作的目标指标数据进行画作评估。2.据权利要求1所述的一种画作评估方法，其特征在于，所述根据按照时间划分下的历史成交画作数据集和待评估画作，采用基于tripletnetwork的画作数据分类模型，确定按时间区间划分下的与待评估画作相似的目标指标画作集合，之前还包括：采用使用python爬虫技术确定按照时间划分下的历史成交画作数据集。3.根据权利要求1所述的一种画作评估方法，其特征在于，所述根据按照时间划分下的历史成交画作数据集和待评估画作，采用基于triplet network的画作数据分类模型，确定按时间区间划分下的与待评估画作相似的目标指标画作集合，具体包括：根据按照时间划分下的历史成交画作数据集和待评估画作，采用基于tripletnetwork的画作数据分类模型分别确定历史成交画作分类特征向量集和待评估画作特征向量；确定待评估画作特征向量与历史成交画作分类特征向量集中每一分类特征向量的距离，得到距离集合；对距离集合进行排序，确定按时间区间划分下的与待评估画作相似的目标指标画作集合。4.根据权利要求1所述的一种画作评估方法，其特征在于，所述根据按时间区间划分下的与待评估画作相似的目标指标画作集合，采用基于多模态模型的画作时序变量生成模型，确定按时间区间划分下的模拟目标指标数据集合，具体包括：根据按时间区间划分下的与待评估画作相似的目标指标画作集合确定画作集合特征；根据画作集合特征和待评估画作特征，采用基于多模态模型的画作时序变量生成模型，确定按时间区间划分下的模拟目标指标数据集合。5.根据权利要求1所述的一种画作评估方法，其特征在于，所述根据按时间区间划分下的模拟目标指标数据集合，采用基于长短期记忆神经网络的画作数据预测模型，确定待评估画作的目标指标数据，具体包括：对按时间区间划分下的模拟目标指标数据集合进行时间顺序排列，确定待评估画作的模拟目标指标数据时间序列；根据待评估画作的模拟目标指标数据时间序列，采用用基于长短期记忆神经网络的画作数据预测模型，确定待评估画作的目标指标数据。6.根据权利要求5所述的一种画作评估方法，其特征在于，所述对按时间区间划分下的模拟目标指标数据集合进行时间顺序排列，确定待评估画作的模拟目标指标数据时间序列，之后还包括：对待评估画作的模拟目标指标数据时间序列进行填充处理；填充处理包括：回填、正向
填充以及填充空段。7.一种画作评估系统，其特征在于，包括：数据分类模块，用于根据按照时间划分下的历史成交画作数据集和待评估画作，采用基于tripletnetwork的画作数据分类模型，确定按时间区间划分下的与待评估画作相似的目标指标画作集合；目标指标包括：画作在市场交易中常见的价格、收益、变化额以及交易额；模拟目标指标数据集合确定模块，用于根据按时间区间划分下的与待评估画作相似的目标指标画作集合，采用基于多模态模型的画作时序变量生成模型，确定按时间区间划分下的模拟目标指标数据集合；待评估画作的目标指标数据确定模块，用于根据按时间区间划分下的模拟目标指标数据集合，采用基于长短期记忆神经网络的画作数据预测模型，确定待评估画作的目标指标数据；画作评估模块，用于根据待评估画作的目标指标数据进行画作评估。8.一种画作评估系统，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-6中任一项所述的一种画作评估方法。

技术总结
本发明公开一种画作评估方法及系统，涉及人工智能技术领域，该方法包括根据按照时间划分下的历史成交画作数据集和待评估画作，采用基于Tripletnetwork的画作数据分类模型，确定按时间区间划分下的与待评估画作相似的目标指标画作集合；根据与待评估画作相似的目标指标画作集合，采用基于多模态模型的画作时序变量生成模型，确定按时间区间划分下的模拟目标指标数据集合；根据按时间区间划分下的模拟目标指标数据集合，采用基于长短期记忆神经网络的画作数据预测模型，确定待评估画作的目标指标数据；根据待评估画作的目标指标数据进行画作评估。本发明可提升评估画作目标指标数据准确性，进而提高画作评估的准确性。进而提高画作评估的准确性。进而提高画作评估的准确性。


技术研发人员：倪渊 邹萌 张健 董飞星
受保护的技术使用者：北京信息科技大学
技术研发日：2023.02.22
技术公布日：2023/7/12