具体实施方式

在各种实施例的以下描述中，参照了附图，这些附图形成了本文的一部分，并且通过说明的方式示出了可以实践本公开的各种实施例。应当理解，还可以利用其他实施例并且可以进行结构和功能上的修改。

图1表示根据本公开的一个说明性实施例可以使用的一种特定编程计算设备101(例如，计算机服务器)的框图。计算机服务器101可以有一个处理器103，用于控制服务器及其相关组件的整体操作，相关组件包括RAM 105、ROM 107、输入/输出模块109和存储器115。

输入/输出(I/O)109可以包括麦克风、键盘、触摸屏、相机和/或触控笔，设备101的用户可以通过这些设备提供输入，并且还可以包括扬声器(用于提供音频输出)和视频显示设备(用于提供文本、视听和/或图形输出)中的一个或多个。还可以包括用户和/或其他设备用以向设备101提供输入的其他I/O设备。软件可以存储在存储器115和/或存储装置中以向处理器103提供计算机可读指令以使服务器101能够执行各种技术功能。例如，存储器115可以存储服务器101使用的软件，例如操作系统117、应用程序119和相关联的数据库121。或者，服务器101计算机可执行的一些或全部指令可以体现在硬件或固件中(未示出)。如下文所详细描述的，数据库121可以提供与供应商和顾客相关联的特征的集中存储，允许位于多个物理位置的不同元素之间进行功能相互操作。

服务器101可以在支持连接到一个或多个远程计算机(例如终端141和151)的网络环境中操作。终端141和151可以是个人计算机或服务器，其包括许多或所有上述与服务器101相关的元件。图1中描绘的网络连接包括局域网(LAN)125和广域网(WAN)129，但也可以包括其他网络。当在LAN网络环境中使用时，计算机101通过网络接口或适配器123连接到LAN 125。当在WAN网络环境中使用时，服务器101可以包括调制解调器127或用于建立连接到WAN 129的通信的其他装置，例如因特网131。应当理解，所示的网络连接仅用于说明，可以使用在计算机之间建立通信链接的其他方式。假定存在各种协议，例如TCP/IP、以太网、FTP、HTTP等等。

计算设备101和/或终端141或151也可以是包括各种其他组件的移动终端，例如电池、扬声器和天线(未示出)。

本公开可与许多其他通用或专用计算系统环境或配置一起操作。可能适合与本公开一起使用的计算系统、环境和/或配置的示例包括但不限于个人计算机、服务器计算机、手持或膝上型设备、多处理器系统、基于微处理器的系统、基于云的系统、机顶盒、可编程消费电子产品、网络PC、小型计算机、大型计算机、移动计算设备，例如智能手机、可穿戴计算设备、平板电脑、包括任何上述系统或设备的分布式计算环境，等等。

可以在由计算机执行的诸如程序模块之类的计算机可执行指令的背景中描述本公开。通常，程序模块包括执行特定任务或实现特定计算机数据类型的例程、程序、对象、组件、数据结构等。本公开还可以在分布式计算环境中实践，其中任务由通过通信网络链接的远程处理设备执行。在分布式计算环境中，程序模块可以位于本地和远程计算机存储介质中，包括内存存储设备。

参照图2，显示用于实施根据本公开的方法的一个说明性系统200。如图所示，系统200可以包括一个或多个工作站201。工作站201可以是本地的或远程的，并且通过一个或多个通信链路202连接到计算机网络203、210，计算机网络203、210通过通信链路205链接到服务器204。在系统200中，服务器204可以是任何合适的服务器、处理器、计算机或数据处理设备，或它们的组合。计算机网络203可以是任何合适的计算机网络，包括互联网、内联网、广域网(WAN)、局域网(LAN)、无线网络、数字用户线(DSL)网络、帧中继网络、异步传输模式(ATM)网络、虚拟专用网络(VPN)或任何这些网络的任意组合。通信链路202和205可以是适合于工作站201和服务器204之间通信的任何通信链路，例如网络链路、拨号链路、无线链路、硬连线链路等。

图3显示根据一种或多种实施方式经配置用于数据处理的一个系统300。可以在采用亚马逊网络服务(AWS)的基于云的计算架构的背景中描述本公开。尽管如此，也可以使用其他商业上提供的基于云的服务，例如Microsoft Azure和Google Cloud。系统300API组件可以在AWS云中提供，已经被构建为通过使用选择的技术以弹性方式进行扩展而没有任何遗留依赖关系。在所述系统300和方法的一些实施方式中，主要持久数据存储属于AmazonDynamoDB，这是一种支持键值和文档数据结构的完全托管的专有NoSQL数据库服务，可在其中存储内容、交互、配置文件和其他非财务信息。在所述系统300和方法的一些实施方式中，社交图数据(即用户之间的关系)存储在Amazon Neptune——一个完全托管的图数据库。在所述系统300和方法的一些实施方式中，可扩展性由充当只读内存数据库的多个Redis(Redis Labs的远程字典服务器)集群支持。在所述系统300和方法的一些实施方式中，数据存储在Amazon Redshift——一个云数据仓库——并且报告能力是用Tableau BI工具集构建的。在所述系统300和方法的一些实施方式中，API组件(包括守护进程和引擎)在node.js中编码，用Python编码的AI守护进程(使用Google TensorFlow进行聚类)除外。在一些实施方式中，可以实现聚类算法(一旦获得配置文件向量，几乎可以应用任何聚类算法)和机器学习。在所述系统300和方法的一些实施方式中，一些API组件在AWS Lambda(无服务器计算)上执行，允许高度可扩展能力响应用户数据库交互和系统故障/警告。

在一些实施方式中，系统300可以包括一个或多个计算平台302。计算平台302可以配置为根据客户端/服务器架构、对等架构和/或其他架构与一个或多个远程平台304进行通信。远程平台304可以配置为经由计算平台302和/或根据客户端/服务器架构、对等架构和/或其他架构与其他远程平台进行通信。用户可以通过远程平台304访问系统300。

在所述系统300和方法的一些实施方式中，提供了用户注册、配置文件创建和维护。在所述系统300和方法的一些实施方式中，向用户提供安全数据库、发现机制和仪器监视列表维护。在系统300和方法的一些实施方式中，本技术能够实现工具数据库与多个经纪/托管系统的同步。在所述系统300和方法的一些实施方式中，本技术通过允许发现和关注系统中的其他用户来实现社交图功能。在所述系统300和方法的一些实施方式中，社交功能允许在媒体馈送700上发贴，点赞、评论和分享帖子——经由允许关系维护的社交图数据库。在所述系统300和方法的一些实施方式中，通过具有“空中下载”基础设施技术的移动事件管理组件实现向客户端设备传送事件通知。在所述系统300和方法的一些实施方式中，可以使用双向外部社交网络交互来从媒体馈送700共享资源到其他社交网络以及将外部内容共享到媒体馈送700。

所述系统300和方法的一些实施方式使得能够使用PPAD引擎2000(见图20)向用户传递实时价格数据的市场数据以及向客户传递价格和游戏头寸盈亏警报的通知。在一些实施方式中，可以提供向移动客户端(例如，智能手机、可穿戴计算设备、平板电脑)传递图表和技术分析的历史市场数据。

在所述系统300和方法的一些实施方式中，使用配置文件和推荐引擎(模块308)单独地将媒体内容例如新闻、评论、日历、基本数据、研究和社区情绪和量身定制的新闻、评论和研究内容递送到每个用户的馈送700。用户还可以搜索所有历史新闻文章和社区帖子。通过所述系统300，一些实施方式提供从基本工具数据计算的“一目了然”的工具分数。另外，可以在每个工具的基础上向用户提供实时的用户社区情绪和交易准确与否的情况。

计算平台302可由机器可读指令306配置。机器可读指令306可包括一个或多个指令模块或引擎。所述指令模块可以包括计算机程序模块。所述指令模块可以包括量子推荐引擎/模块308、媒体消费模块310、社交媒体交互模块312和游戏化模块314、匹配模块316和/或其他指令模块中的一个或多个。

所述模块308、310、312、314、316和其他模块实现包含可由另一个软件系统执行的函数/子例程的API，例如电子邮件和互联网访问控制。API表示一种应用程序编程接口。本公开所述系统和方法可以在各种技术计算环境中实现，包括简单对象访问协议(SOAP)或在具象状态传输(REST)中。REST是万维网的软件架构风格。REST API是可以发布的联网API，以允许各种客户端(例如移动应用程序)与组织的软件服务和内容集成。如本领域技术人员所理解的，许多常用应用程序使用REST API工作。

参照图3，量子推荐引擎/模块308接收来自媒体消费模块312的媒体消费属性数据、来自社交媒体交互模块314的媒体交互属性数据和来自游戏化模块314的游戏交互属性数据以为所述系统300的每个用户生成至少一个用户配置文件向量。“属性数据”包括计算机可读形式的ASCII字符或二进制编译的数据，例如生物统计数据。ASCII字符或二进制数据可以在系统300的软件中操作。

参照图3、6和7，媒体消费模块310实现关于用户的媒体消费的属性数据。属性数据320与唯一用户ID 322相关。媒体消费分析可以包括指示用户阅读新闻文章、查看金融工具价格、历史图表、技术图表、金融日历、研究报告等的媒体属性记录324的存储。媒体消费模块310可以是实现包含函数/子例程的API的软件系统。

参照图3、6和8，社交媒体交互模块312在所述系统300和外部网络内实现关于用户的社交媒体交互800的社交属性数据326。社交媒体交互分析可以包括社交属性记录存储，如用户关注谁；谁在关注该用户；用户发布的帖子、点赞、评论、内部和外部分享；用户所在的私人联盟以及这些私人联盟的其他成员中谁在系统中。社交媒体交互模块312可以是实现包含函数/子例程的API的软件系统。

参照图3、6、9、10和11，游戏化模块314实现关于用户玩游戏的游戏属性数据328。游戏化分析可以包括用户在他们的观察列表环境1100和他们的投资组合900中拥有的工具，以及用户购买或出售什么工具。在游戏化模块314中，使用具有观察列表属性数据的观察列表环境1100实现虚拟投资组合管理游戏，使用用户联盟属性数据证券和个人在全球数字虚拟幻想联盟环境1000中竞争。通过这种方式，系统300的用户可以有机地了解到投资是关于随着时间的推移能产生一致的资本回报以及在没有过度交易的情况下采用多样化概念。在一些实施方式中，所述系统300使用户能够创建和管理他们自己的私人联盟并邀请他们的朋友、同事和同学与他们竞争。在一些实施方式中，群聊功能使私人联盟的成员能够在他们之间进行交流。他们可以在这些私人联盟中与群聊通信的用户进一步合作。通过这种方式，用户可以了解如何以无风险的方式进行投资。在一些实施方式中，模块314包括数字奖杯——由技术平台奖励以表彰用户在各种潜在交互中所取得的进步或成就。游戏化模块314可以是实现包含函数/子例程的API的软件系统。

参照图3和图6，匹配模块316实现属性数据332，以用于将每个用户的配置文件与自动索引的内容进行匹配。可以使用根据本公开的机器学习技术对内容编索引。然后通过包括通知和用户的媒体馈送700在内的各种发布技术向用户提供具有最强匹配的内容。在一些实施方式中，匹配模块316实现用于将用户与其他用户进行匹配的属性数据。配置文件中具有相似兴趣的用户会被“介绍”给彼此，成为建议关注的人。这样做是为了鼓励参与和点对点学习。在一些实施方式中，匹配模块316实施用于匹配的属性数据以包括产品，例如金融产品。用户配置文件的部分或全部组成部分，包括他们的兴趣、财务表现、风险和行为特征，可用于将用户与具有相似特征的金融产品进行匹配。匹配模块316可以是实现包含函数/子例程的API的软件系统。

继续参考图3，在本公开的一个实施方式，量子推荐引擎/模块308中，所述系统300用量子力学波函数代表用户(他们的兴趣)。然后根据用户与推荐内容的交互所产生的时间依赖性势，在时间上传播波函数。在推荐的时候，会生成一个配置文件向量，系统会推荐与用户配置文件向量相近的内容。在一种实施方式中，系统300可以用波函数表示内容。在此种情况下，重叠积分的计算足以找到内容推荐的最佳匹配。系统300会假设用户处于量子环境中，生成用户交互的配置文件向量。在另一实施方式中，量子推荐引擎308基于用户的数据交互处于量子环境中的假设上提供推荐引擎。量子力学的应用可用于创建配置文件/推荐。

在一种操作中，当用户参与系统300内的媒体内容时，相关联的量子力学波函数会受到干扰。这种干扰会导致可观察量(例如，用户的兴趣)出现波动。这些可能被解释为多重人格之间的情绪波动，即使在没有互动的情况下，多重人格也会导致用户兴趣出现轻微变化。推荐媒体内容(例如金融内容)的一个要点是内容与消费者兴趣的相关性在时间上是敏感的，也就是说，当有更多最近的媒体内容可用时，一次可能相关的内容很容易变得无关紧要。任何时间点的可用媒体内容也可以考虑从一个小时间段到另一个时间段的消费者/用户兴趣出现的变化。

模块308的一些实施方式可以包括数据采集组件(DAC)。所述组件可以用Node.JS编写，负责从AWS DynamoDB或任何其他相关数据仓库中提取数据，并创建要在所述模块308的任何组件中使用的用户数据。所述组件还负责分解将来自所述引擎的分析器组件(PC)的配置文件数据转换为有用的人员向量(PV)，从而不仅可以在引擎的推荐组件(RC)中使用，还可以在所述系统300的任何其他模块中使用。

模块308的一些实施方式可以包括分析器组件(PC)。在所述组件中会发生多计算任务。它负责在多度量环境中分析用户。在一种实施方式中，它能够作为服务器端生态系统中的独立单元，允许任何服务器端单元直接获取配置文件张量。PC实现了多种线预测模型以及量子力学(QM)。在一种实施方式中，PC是用Python编写的，但是计算密集型部分是用C/F95编写的。然后将PC生成的配置文件张量发送回DAC，以通过对配置文件张量进行切片来生成配置文件向量(PV)。

系统300的一些实施方式可以包括内容生成组件(CGC)：其目的是分析流入的内容并将它们与相关的工具符号和/或部门绑定。所述组件还分析资料并提取情感。

系统300的一些实施方式可以包括推荐器组件(RC)：所述组件可以用Python编程语言编写，并且是内容数据与配置文件数据一起分析的地方。RC还负责将推荐内容发送给用户。

在图12中，模块308中的操作1200基于用户处于量子环境中以创建USER_QPROFILE的假设来实现剖析。参照图12，对于系统300的推荐列表上的每个USER(用户)，系统可以加载现有的USER_QPROFILE，不然USER_QPROFILE是建立在基于用户偏好的初始量子数据的基础之上。图12中提供了操作1200的过程流程，USER_QPROFILE基于传播的波函数和USER(用户)投资组合中特定金融工具的捕获势中心在预定时间间隔内更新。根据一种或多种实施方式，操作1200可由一个或多个硬件处理器执行，硬件处理器由包括与模块308相同或相似的模块在内的机器可读指令配置。

参照图13，模块308中的操作1300实现量子力学函数。参照图13，所述操作1300处理用户的量子数据(每个工具的波函数ψ_s和捕获势中心q_cs)。在所述流程中，如果存在USERQPROFILE，则CONTENT CONTAINER(内容容器)包含规范化的内容向量和要推荐给用户的内容数N。结果输出包括要推荐给每个用户的N个内容ID。根据一种或多种实施方式，操作1300可由一个或多个硬件处理器执行，该硬件处理器由包括与模块308相同或相似的模块在内的机器可读指令配置。

下面用模块308讨论本公开实现量子力学的框架。用户对特定金融工具的兴趣可以由质量为m的非相对量子粒子表示，该量子粒子被限制在长度为L的一维无限深势阱中运动，其边界由下列方程给出

这里ζ是广义坐标，表示用户对金融工具的兴趣。算子ζ^衡量用户对金融工具(或其他产品)的兴趣，对应于量子力学中的位置算子x^，因此算子ζ^是厄米算子。类似地，衡量用户兴趣变化速度的算子Λ对应于量子力学中的动量算子，它也是厄米算子，由下式得出

用户在给定时刻对ζ和ζ+dζ感兴趣的概率是其中Ψ(ζ,t)是表示用户兴趣的归一化波函数。为了区分用户对金融工具的负面兴趣和正面兴趣，势阱被细分为两个大小相等的区域。正区域由ζ<ζ_c表示，负区域由ζ>ζ_c表示，其中ζ_c是L/2。

用户在给定时间t对金融工具的兴趣由-1和1之间的数字定义，并由下式给出

其中<ζ^(t)>是时刻t时用户兴趣的期望值，计算方式为下式

然后可以很容易地从方程(3)中算出用户对金融工具的兴趣的百分比，并公式为

用户兴趣的时间依赖性由位移势函数建模，其形式为

其中U₀和a分别是与位移势的深度和宽度相关的参数。方程(5)中的时间相关函数d(t)在通过给定反馈驱动用户兴趣方面起着重要作用。如果以系统支持至少一个束缚态的方式选择，那么位移势也可作为将用户兴趣定位到较小空间区域的手段。通过首先将d(0)设置为某个坐标ζ₀，该坐标对应于用户对金融工具的期望初始兴趣，其公式为方程(2)，从而完全在一个束缚态或这些束缚态的线性组合中得出初始波函数，因为t＝0，即在基态的情况下，其关于ζ₀对称，条件是只要ζ₀充分远离边界。选择一个合适的参数a，设置ζ₀＝ζ_c为零初始兴趣或ζ₀＝ζ_c(1-x/100)为用户对金融工具的期望百分之x初始兴趣。

t＝0时用户兴趣的特征态ψ_n(ζ)和特征能E_n通过求解与时间无关的薛定谔方程获得，

方程(6)中的哈密顿量H由下式给出：

其中V^con(ζ)＝Vcon(ζ)，V^drift(ζ，0)＝Vdrift(ζ，0)，h是约化普朗克常数，m是用户兴趣的“质量”。方程(6)可以通过在由N个点组成的均匀间隔空间网格上离散方程(7)中的哈密顿量来用数值求解。如果网格间距为δζ，其中δζ<<1，则坐标ζ_j等于jδζ，其中j＝0,...,N-1且ζ₀＝0且ζ_N-1＝L。应用于ψ(ζ)的离散化哈密顿量然后可以使用二阶中心导数公式写为

其中索引j表示空间坐标ζj处的函数值。根据以下边界条件，方程(8)可以三对角对称矩阵形式改写：

ψ(0)＝ψ0＝0，且ψ(L)＝ψN-1＝0。

方程9

改写为

其中

且

方程(10)中的系数矩阵的特征值(特征能)可以通过调用线性代数包，例如市售的LAPACK(http://www.netlib.org/lapack)很容易地找到。为了找到方程(10)中给出的哈密顿量的特征向量(特征态)，可以根据方程(9)中给出的边界条件部署打靶法或松弛法[2]。用户对金融工具的兴趣的初始波函数可以写成所有这些特征态的叠加，因为它们在希尔伯特空间中形成了一个完整的集合：

其中ψ_n(ζ)是对应于第n个特征能的第n个特征态，|a_n|²是在第n个本征态中找到系统的概率，可以从下式计算得出

一旦获得了用户对金融工具的兴趣的初始波函数，它就会从ti-1时最后一次推荐会话的时刻传播到t_i时的下一个推荐会话。如果在这两个连续推荐会话的时间间隔Δt内在t＝t’时给出反馈，则时间依赖性势V_drift的中心d(t)沿给定反馈的方向运动，其公式为，

d(t)←d(t)-δf₊，

方程15

如果反馈是正向的，并且

d(t)←d(t)+δf_-，

方程16

如果反馈是负向的。参数δf₊和δf_-远小于无限深势阱L的大小。波函数的时间传播可以通过应用时间演化算子来实现，其公式为

应用到波函数Ψ(ζ,t_i-1)与

其中

如果将时间间隔Δt细分为具有δt间隔的有限数量的时间步长，则方程(17)中的时间演化算子可以写为

其中，对于足够小的时间步长δt，算子U^可以近似为

为了以数值方式传播波函数，方程(21)中的时间演化算子进一步通过Pade′近似来逼近。Pade′近似得到公式

将方程(22)应用于波函数Ψ(ζ,t)得到公式

那么

使用二阶导数的中心导数公式对方程(24)进行离散化得到公式

其中

上述等式中的上下标k和j分别表示在时间t＝kδt和坐标ζ＝jδζ时的函数值。方程(25)给出了一个线性方程组，其中Ψ^k+1代表Ψ(ζ,t+δt)并且是方程组的未知数。然而，方程(25)可以求解，方法就为将其改写为三对角对称矩阵形式，即

方程(29)中给出的线性方程组是根据方程(9)中给出的边界条件编写的，并且需要在从t_i-1时的上次推荐时间开始到t_i时的下一个推荐时间的每个时间步长中进行求解。

在下一个推荐会话开始时，使用方程(2)从代表金融工具(或其他产品)的波函数中为用户生成配置文件向量，然后在配置文件向量和所有金融内容向量或其他内容向量之间执行相似性匹配。通过使用匹配模块316向用户推荐与配置文件向量最相似的内容向量。

配置文件模拟示例

参照图14和15，初始兴趣基于所述系统300上用户的观察列表1100中金融工具的顺序。捕获势的空间分布将“兴趣”定位在兴趣空间中的某个区域。随着时间的推移，用户对金融工具的兴趣会慢慢减弱。给出反馈的那一刻，代表用户对特定金融工具兴趣的波函数受到干扰，从而导致用户对该工具的兴趣产生波动。

在本示例中，通过应用模块308的算法来生成配置文件向量以与内容向量进行比较。

在本示例中，使用以下常数：

-a₀＝5.29177

-L＝30a₀

-m₀＝1.129

-δu＝-0.3

-δq＝1

-δλ＝0.0055

空间网格点和时间网格点的数量分别取1000和1440。

假设工具空间(普通股)的维度为5，具有以下工具及其各自的索引号FORD(0)，TESLA(1)，INTEL(2)，NVIDIA(3)，APPLE(4)。

假设用户在系统300中他/她的观察列表和用户数据记录中具有TESLA和INTEL。在这个例子中，代表用户对每个工具的兴趣的波函数被选为系统的基态。对于已经在用户的观察列表中的工具，初始兴趣被选为10％(q_c＝ζ₀＝71.4389，如上述操作1200和操作1300所述)，而对于其他工具，则选为零(q_c＝ζ₀＝L/2＝79.3766，如操作1200和操作1300中所述)。

表1

表1表示两个连续推荐会话之间的反馈(FB)动作的时间表以及在第二个推荐会话开始时他们各自的兴趣水平。

用户在两个连续推荐会话之间提供的反馈动作列表在表1中给出。配置文件向量由5个分量组成，对应于工具空间中的每个工具，被定义为其中，求和指数i运行{FORD,TESLA,INTEL,NVIDIA,APPLE}，使得而其前提假设就是是正交向量。在这种情况下，第二次推荐会话开始时的配置文件向量是

内容向量也以类似的方式定义。对于每个内容向量通过简单地使用余弦定理来检查相似性。将内容向量与配置文件向量最接近的内容推荐给用户。图22中提供了一个配置文件向量可视化的一个示例。

通过参考和/或使用神经网络来描述各种示例性构造的一些方面。量子推荐引擎/模块308可以配置为用机器深度学习控制器进行电子化处理。神经网络的各种结构元素包括层(输入层、输出层和隐藏层)、每个层的节点(或单元)以及节点之间的连接。每个节点都连接到其他节点并具有节点值(或权重)，而每个连接也可以具有权重。初始节点值和连接可以是随机的或统一的。在使用训练数据集进行训练后，节点值/权重可以为负、正、小、大或零。计算机网络203、201可以结合可用的Tensorflow(https://www.tensorflow.org)或Neuroph软件开发平台(通过引用并入本文)的各种机器智能(MI)中立网络500(见图5)的功能。参考图5，神经网络500通常布置在充当模拟中子的节点处理单元的“层”中，使得存在输入层508，代表进入网络的输入场。为了提供自动化机器学习处理，具有机器学习规则集的一个或多个隐藏层509处理输入数据。一个输出层511提供网络数据的处理结果。

在一些其他构造中，量子推荐引擎/模块308实现深度学习机器学习技术，实现学习方法的描述，该描述允许机器被给予原始数据并确定数据分类所需的描述。深度学习是机器学习的一个子集，它使用一组算法，使用具有多个处理层(包括线性和非线性转换)的深度图对数据中的高级抽象进行建模。虽然许多机器学习系统都带有初始特征和/或网络权重，以通过机器学习网络的学习和更新进行修改，但深度学习网络会训练自己以识别“好的”特征，从而进行分析。使用多层架构，使用深度学习技术的机器比使用传统机器学习技术的机器能更好地处理原始数据。使用不同的评估或抽象层有助于检查高度相关值组或独特主题组的数据。

深度学习使用反向传播算法确定数据集中的结构，反向传播算法用于改变深度学习机的内部参数(例如，节点权重)。深度学习机器可以利用各种多层架构和算法。例如，机器学习涉及识别用于训练网络的特征，而深度学习处理原始数据以识别感兴趣的特征，而无需进行外部识别。

在一些实施方式中，机器学习控制器处理模块308，神经网络环境中的深度学习包括被称为神经元的众多互连节点。从外部源激活的输入神经元根据与由机器参数控制的那些其他神经元的连接来激活其他神经元。神经网络基于其自身的参数以某种方式反应。学习改进了机器参数，进而改进了网络中神经元之间的连接，从而使神经网络以期望的方式反应。

机器学习控制器处理模块308的一种实施方式包括深度学习技术，该技术可以使用卷积过滤器来利用卷积神经网络分段数据，从而定位和识别数据中的习得的、可观察的特征。CNN架构的每个过滤器或层都会对输入数据进行转换，以增加数据的选择性和不变性。这种对数据的抽象使机器能够专注于它试图分类的数据中的特征，而忽略不相关的背景信息。

深度学习基于以下理解进行操作，即许多数据集包括包含低级特征在内的高级特征。例如，在检查图像时，与寻找物体相比，寻找边缘更有效，这些边缘形成装饰图案，形成部分，形成正在寻找的物体。这些特征层次结构可以在许多不同形式的数据中找到，例如语音和文本等。

学习到的可观察特征包括机器在受监督的学习期间所学习的对象和可量化的规律。配备一个很大的分类良好数据集的机器能够更好地区分和提取与成功分类新数据相关的特征。利用迁移学习的深度学习机器可以将数据特征正确连接到经人类专家确认的某些分类。相反，当人类专家告知为不正确的分类时，同一台机器可以更新分类参数。例如，设置和/或其他配置信息可以通过学习设置和/或其他配置信息的的使用来进行指导，并且随着系统使用得越多(例如，重复和/或由多个用户使用)，对于给定的示例训练数据集，可以减少设置和/或其他配置信息的许多变化和/或其他可能性。

例如，可以在一组专家分类的数据上训练示例深度学习神经网络。这组数据为神经网络构建了第一个参数，这将进入受监督的学习阶段。在受监督的学习阶段，可以测试神经网络是否实现了预期的行为。

一旦已经实现了期望的神经网络行为(例如，模块308已经被训练为根据指定的阈值等进行操作)，模块308就可以部署使用(例如，用“真实的"数据等测试机器)。在操作过程中，可以确认或拒绝神经网络分类(例如，由专家用户、专家系统、参考数据库等进行确认或拒绝)以继续改进神经网络行为。然后，示例神经网络处于迁移学习状态，因为确定神经网络行为的分类参数会根据正在进行的交互进行更新。在某些示例中，神经网络可以向另一个过程提供直接反馈。在某些示例中，神经网络输出被缓冲(例如，通过云等)且经过验证的数据，之后才能将数据提供给另一个过程。

API架构

参照图16，在一些实施方式中，所述系统300采用AWS Elastic Beanstalk负载平衡集群，该集群具有“自动缩放”功能，容纳在虚拟私有云(VPC)中以实现稳健的安全性。当现有服务器的用户超过其容量的一定百分比时，所述集群会自动“添加”新服务器。与系统300的通信是经过SSL加密的，且需使用有时间限制的客户端令牌进行验证。亚马逊基础架构通过Route 53 DNS提供网络入侵和网络攻击保护；使用VPC和负载均衡器也能实现此功能。

数据流技术

参照图17，在一些实施方式中，所述系统300和相关联的客户端框架能够根据实施要求(在云上或本地)与多个流数据提供商一起工作，例如PubNub、Lightstreamer或Kaazing。PubNub用于以“节流”方式向本地移动客户端分发实时和延迟的市场数据，进而优化数据费用。在一些实施方式中，自定义索引数据馈送和投资组合游戏评估是实时数据流的一部分。

缓存结构

参考图18，在一些实施方式中，系统300使用多个Redis内存数据库集群来提高系统的性能(这也允许消除单点故障)。所述实施方式允许快速对象存储，可以“很好地”扩展以进行用户访问(“令牌”)管理。所述实施方式可为调查和馈送项目实现高写入吞吐量。所述实施方式可实现实时游戏头寸和工具的最新价格。所述实施方式可实现对对象成员的原子操作，例如游戏价格和头寸以及实时馈送结构。所述实施方式可实现自定义索引计算。在另一个实施方式中，API、内容守护进程、PPAD引擎2000(见图20)和市场数据分布使用单独的AWS Redis实例来避免单点故障并执行更好的负载分布。所述系统300还实现分布式作业队列。每当API调用将任务推送到队列时，该“任务”将被恰好一个工作人员弹出并执行。例如，系统300的实时馈送700与这样的作业队列一起工作。

数据仓库

参考图19，在一些实施方式中，系统300在AWS Redshift集群上实施并且由三个或更多个数据组(例如，每日数据快照、用户事件和日志、报告)组成。每日数据快照中，每天的生产数据表快照由AWS Data Pipelines复制到数据仓库。实时和近实时用户事件和日志包括所有服务器HTTPS通信日志、客户端应用程序内事件日志以及聊天和实时市场数据日志。每日、每周和每月报告的聚合中，在AWS Data Pipelines上为用户、会话、游戏、工具、购买和其他重要交互执行聚合。

参考图20，在一些实施方式中，具有游戏化模块314的系统300采用价格和投资组合头寸利润警报引擎2000，其任务是向用户发送(以移动设备通知的形式)关于用户预测的(在具有游戏化模块314的游戏中)安全价格显著变化和损益头寸大幅变化方面的警报。在一些实施方式中，如果工具的最新价格超过52周的新低/高，则所述系统300绘制图表并将其作为推文发布到媒体馈送700(例如，#invstream)。

在一些实施方式中，计算平台302、远程平台304和/或外部资源340可以经由一个或多个电子通信链接可行地链接。例如，可以至少部分地通过诸如因特网和/或其他网络之类的网络来建立这种电子通信链接。应当理解，这并非旨在进行限制，并且本公开的范围包括将计算平台302、远程平台304和/或外部资源340通过一些其他通讯媒体可行地进行链接的实施方式。

给定的远程平台304可以包括一个或多个配置为执行计算机程序模块的处理器。所述计算机程序模块可以配置为使与给定远程平台304关联的专家或用户能够与系统300和/或外部资源340接口，和/或提供在本文归因于远程平台304的其他功能。在非限制性示例中，给定的远程平台304和/或给定的计算平台302可以包括服务器、台式计算机、膝上型计算机、手持计算机、平板计算平台、上网本、智能手机、游戏机和/或其他计算平台中的一个或多个。

外部资源340可以包括系统300外部的信息源、参与系统300的外部实体和/或其他资源。在一些实施方式中，本文归因于外部资源340的一些或全部功能可以由系统300中包括的资源提供。

计算平台302可以包括电子存储器330、一个或多个处理器318和/或其他组件。计算平台302可以包括通信线路或端口以实现与网络和/或其他计算平台的信息交换。图3中显示计算平台302并非旨在进行限制。计算平台302可以包括一起操作的多个硬件、软件和/或固件组件，以提供这里归因于计算平台302的功能。例如，计算平台302可以由作为计算平台302一起运行的计算平台云实现。

电子存储器330可以包括以电子方式存储信息的非暂时性存储介质。电子存储器330的电子存储介质可以包括系统存储和/或可移动存储中的一个或者两者，系统存储与计算平台302一体(即，基本上不可移动)提供，而可移动存储以可移动方式经由例如端口(例如，USB端口、火线端口等)或驱动器(例如，磁盘驱动器等)连接到计算平台302。电子存储器330可以包括光学可读存储介质(例如，光盘等)、磁性可读存储介质(例如，磁带、磁性硬盘驱动器、软盘驱动器等)、基于电荷的存储介质(例如，EEPROM、RAM等)、固态存储介质(例如，闪存驱动器等)和/或其他电子化可读存储介质中的一种或多种。电子存储器330可以包括一个或多个虚拟存储资源(例如，云存储、虚拟专用网络和/或其他虚拟存储资源)。电子存储器330可以存储软件算法、由处理器318确定的信息、从计算平台302接收的信息、从远程平台304接收的信息和/或启用计算平台302以如本文所述发挥作用的其他信息。

处理器318可以配置为在计算平台302中提供信息处理能力。因此，处理器318可以包括数字处理器、模拟处理器、设计用于处理信息的数字电路、设计用于处理信息的模拟电路、状态机和/或用于电子化处理信息的其他机制中的一个或多个。尽管处理器318在图3中显示为一个单一实体，这仅用于说明。在一些实施方式中，处理器318可以包括多个处理单元。这些处理单元可以以实体位于同一设备内，或者处理器318可以代表协同操作的多个设备的处理功能。处理器318可以配置为执行模块308、310、312、314、316和/或其他模块。处理器318可以配置为通过软件、硬件、固件、或软件、硬件和/或固件的某种组合、和/或用于在处理器318上配置处理能力的其他机制执行模块308、310、312、314和/或316和/或其他模块。如本文所使用的，所述术语“模块”可以指执行归因于该模块功能的任何组件或组件集。这可以包括在处理器可读指令、处理器可读指令、电路、硬件、存储介质或任何其他组件的执行期间运行的一个或多个物理处理器。

应当理解，虽然模块308、310、312、314和316在图3中显示为在单个处理单元内实现，但在处理器318包括多个处理单元的实施方式中，模块308、310、312、314和/或316中的一个或多个可以远离其他模块进行远程实现。下面描述的由不同模块308、310、312、314和/或316提供的功能的描述是为了说明，而不旨在进行限制，因为模块308、310、312、314和/或316可以提供比描述更多或更少的功能。例如，可以消除模块308、310、312、314和/或316中的一个或多个，并且一些或全部功能可以由模块308、310、312、314和/或316中的其他模块提供。举另一示例，处理器318可以配置为执行一个或多个其它模块，这些其它模块可以执行以下归因于模块308、310、312、314和/或316中一个模块的一些或全部功能。

图4图示了根据一种或多种实施方式进行数据处理的一种方法400。下面呈现的方法400的操作旨在进行说明。在一些实施方式中，方法400可以通过一个或多个未描述的其它操作和/或不包括一个或多个所讨论的操作来完成。此外，方法400操作在图4中显示且在下面进行描述的顺序并非旨在进行限制。

在一些实施方式中，方法400可以在一个或多个处理设备(例如，数字处理器、模拟处理器、设计用于处理信息的数字电路、设计用于处理信息的模拟电路、状态机和/或其他电子化处理信息的机制)实现。一个或多个处理设备可以包括为响应于电子化存储在电子存储介质上的指令而执行方法400的一个或全部操作的一个或多个设备。一个或多个处理设备可以包括通过硬件、固件和/或软件配置的一个或多个设备，以专门设计用于执行方法400的一个或多个操作。

图4示出了根据一种或多种实施方式的方法400。操作402可包括从计算机可读用户数据记录集中生成媒体消费数据。根据一种或多种实施方式，操作402可由包括与模块310相同或相似的模块在内的机器可读指令配置的一个或多个硬件处理器来执行。

操作404可以包括电子化处理计算机可读用户数据记录集以生成社交交互数据。根据一种或多种实施方式，操作404可包括与模块312相同或相似的模块在内的机器可读指令配置的一个或多个硬件处理器来执行。

操作406可以包括电子化处理计算机可读用户数据记录集以生成游戏交互数据。根据一种或多种实施方式，操作406可包括与模块314相同或相似的模块在内的机器可读指令配置的一个或多个硬件处理器来执行。

操作408可以包括用量子推荐模块电子化处理媒体消费数据、媒体交互数据和游戏交互数据。根据一种或多种实施方式，操作408可包括与模块308相同或相似的模块在内的机器可读指令配置的一个或多个硬件处理器来执行。

操作410可以包括生成与至少一个用户数据记录或每一个用户数据记录相关联的计算机可读用户配置文件向量或基于量子的配置文件向量。根据一种或多种实施方式，操作410可包括与模块308相同或相似的模块在内的机器可读指令配置的一个或多个硬件处理器来执行。

操作412可以包括电子化处理用户配置文件向量以生成匹配参数。根据一种或多种实施方式，操作412可包括与模块316相同或相似的模块在内的机器可读指令配置的一个或多个硬件处理器来执行。

图21显示可以实现本公开某些方面的一个数字计算环境300'的示意图。在一些实施方式中，提供了一个投资组合页面，显示客户的投资组合和投资组合的历史表现。在一些实施方式中，提供了显示客户所关注的金融工具的监视列表。在一些实施方式中，提供了一个客户可以发现要关注或投资的新工具的部分。在一些实施方式中，提供了一个工具中心，客户可以在其中查看每种金融工具的基本数据，社区情绪，历史、比较和技术图表，以及专门的包括每种金融工具的新闻文章、研究报告和活动日历在内的新闻提要。在某些实施方式中，提供了一个客户可以执行交易“交易屏幕”。在一些实施方式中，提供了一个排行榜页面，客户可以在其中找到社区内表现最好的人。在一些实施方式中，提供了跟踪记录功能，如描述其表现的客户投资组合的分析，隐形投资授权，基于金融因素分析的投资风格，用户投资交易历史的行为分析，衡量用户在确定其投资决策进入和退出时机方面是否成功的衡量标准。在一些实施方式中，为用户提供了开设银行和经纪账户并使用连接的借记卡支付他们的资金或将她的资金投资于广泛的金融资产和加密货币的能力。在一些实施方式中，提供了交易历史和过滤器，即用户可以查看她的银行或投资交易、过滤它们并深入探究到特定交易细节的能力。

本公开的各方面通过在单个用户体验中集成个性化内容、金融市场的游戏化、社交特征和电子商务能力中的一个或多个来提供丰富的用户体验。系统300,300’推动客户参与并帮助客户在金融投资环境中建立信心、知识和财富。它克服了在普及投资方面已经发现的问题。尽管基于当前被认为是最实用和优选的实施方式出于说明的目的描述了本技术，但是本公开的各方面可以应用于许多其他垂直行业，在这些垂直行为技术平台或服务提供商寻求创造最大的客户参与、个性化和便利。

尽管基于当前被认为是最实用和优选的实施方式出于说明的目的详细描述了本技术，但是应当理解，这样的细节仅用于说明并且该技术并不限于所公开的实施方式，相反，其目的在于涵盖在所附权利要求的精神和范围内进行的修改和等效替换。例如，应当理解，本技术预计在可能的范围内，任何实施方式的一个或多个特征可以与任何其他实施方式的一个或多个特征相组合。