CN109034915B - 一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统 - Google Patents

Abstract

本发明公开了一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统，包括：人工智能单元，用于根据人工神经网络模型和采集到的与电子商务系统运行相关联的数据构建人工智能模型；然后根据人工智能模型为电子商务系统的用户提供交易相关操作的提示、情况的预测和/或信息的匹配。

Description

一种可应用数字资产或积分作为交易媒介的人工智能型电子 商务系统

技术领域

本发明涉及人工智能电子商务领域，特别是一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统。

背景技术

目前，各类电子商务系统仍缺乏智能性，未能实现客户智能定购、支付媒介选择建议、客户需求精准预测、商品智能推广推送、系统自管理、采购/卖出风险提示、商家存货智能管理、价格波动预测提示、二手物品智能评估转卖、快速交易匹配等功能。从而，买卖双方不得不花费大量的时间寻找交易对象，效率低下。

同时，随着互联网、区块链、物联网的发展，库存单、提货单、票据、积分等数字资产日益盛行。然而，目前并没有对各类数字资产统一管理的支付账号管理系统(电子钱包)，也缺乏利用各类数字资产作为交换媒介的电子商务系统，以实现各类实物之间、数字资产之间、数字资产与实物或服务以及数字资产与法定货币之间的合理交换。缺乏数字资产或积分作为交换媒介，导致了实物交换的零和游戏，致使整个交换生态的效率降低。同时，这也导致数字资产代表的价值，如算力价值、获利凭证价值、信用价值、推广价值等价值无法以实物或法定货币的价值进行认定。从而导致了数字资产价格低估。

此外，电子商务系统普遍信用体系仍不健全，伪造交易、恶意拖欠、物品造假、伪造评论等现象时有发生，给参与交易的双方带来了一定的风险或损失。

人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工神经网络(ARTIFICIAL NEURAL NETWORK，简称ANN)是一种运算模型，是人工智能在计算机上实现的一种模拟人类思考的逻辑方法。人工神经网络模型由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(Activation Function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

数字资产是一种以数据作为基础的具有一定价值的资产，包括但不限于各种积分、数字期权、数字期货、库存单、提货单、票据等，其对法定货币的价格具有波动性。

数字积分(Reward Points，简称：积分)系统是一种发行机构利用计算机、互联网等各类技术，通过让目标人群完成一个或多个特定的任务，给予目标人群获得相应奖励或权利的激励手段。

数字积分是在数字积分系统中，积分获取者领取奖励的一种权利凭证。数字积分可泛指各类积分、打折券、优惠券、代金券、团购券、抽奖券、优先购买权、优先服务权以及落户权等所有发行机构为鼓励被发行对象完成某种行为以领取某种奖励或成果的数字化权利凭证。其对法定货币的价格具有波动性。

区块链(Block Chain)技术是利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算方式。一般说来，区块链系统由数据层、网络层、共识层、激励层、合约层和应用层组成。其中，数据层封装了底层数据区块以及相关的数据加密和时间戳等基础数据和基本算法；网络层则包括分布式组网机制、数据传播机制和数据验证机制等；共识层主要封装网络节点的各类共识算法；激励层将经济因素集成到区块链技术体系中来，主要包括经济激励的发行机制和分配机制等；合约层主要封装各类脚本、算法和智能合约，是区块链可编程特性的基础；应用层则封装了区块链的各种应用场景和案例。该模型中，基于时间戳的链式区块结构、分布式节点的共识机制、基于共识算力的经济激励和灵活可编程的智能合约是区块链技术最具代表性的创新点。

就目前电子商务体系而言，存在三个问题。

一、当前的电子商务系统仍不够智能化，缺乏人工智能体系支持

电子商务系统在智能化领域仍有长足的进步空间，并未实现交易数据和相关数据的智能化充分利用。例如，买卖双方交易适合彼此的物品仍需要花费较长的时间；商家或个人仍然无法准确预测市场需求，从而出现货品冗余或物品闲置；商家也无法根据市场的偏好预测未来的需求而进行新产品或新服务的创新。

二、国内缺乏以数字资产作为交易媒介的电子商务系统。

应用数字资产作为交易媒介的电子商务系统还不常见，此外，服务数字资产作为交易媒介的支付、价格提示、清算结算、账户管理体系等配套技术体系仍属于空白。

三、电子商务系统信用体系仍需要加强

信用体系整体仍然较弱，仍存在伪造交易、商业欺诈、恶意拖欠以及虚假评论等现象，导致买卖双方的交易选择被误导，从而造成损失。

此外，如何利用数字资产的特点，增加电子商务系统的智能性，并加强信用体系的建立，也是本发明的核心。

因鉴于此，特提出此发明。

发明内容

本发明的目的是提供一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统。能够为电子商务系统的至少部分功能实现基于人工智能的提示、预测或匹配。

为实现上述目的，本发明实施例提供一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统，包括：

人工智能单元，用于根据人工神经网络模型和采集到的与电子商务系统运行相关联的数据构建人工智能模型；然后根据人工智能模型为电子商务系统的用户提供交易相关操作的提示、情况的预测和/或信息的匹配。

进一步地，所述人工智能分析单元包括信息收集感知模块、计算模块和智能存储模块，所述根据人工神经网络模型和采集到的与电子商务系统运行相关联的数据构建人工智能模型包括：

利用信息收集感知模块收集数据；

选取经济运行和交易相关数据中的核心相关指标，作为输入神经元节点；

调用计算模块，形成神经元网络模型；

向神经元网络模型中输入收集到的历史数据，根据预定的算法训练出人工智能模型。

进一步地，所述选取经济运行和交易相关数据中的核心相关指标，作为输入神经元节点的同时，还在计算机中设置成相关变量；每个变量都在智能存储模块中具有特定的地址和逻辑存储空间。

进一步地，所述调用计算模块，形成神经元网络模型包括：

为输入变量节点、隐含变量节点以及输出变量节点之间的相互影响附加连接路径，即权重值，以评估其中一个变量或几个变量发生变化后，对其他变量的影响，并进行量化。

进一步地，所述向神经元网络模型中输入收集到的历史数据，根据预定的算法训练出人工智能模型包括：

输入海量历史数据，按照逻辑顺序整理各类变量，路径权重以及结果数据；结果数据包括求购者的意向需求、商品的需求量、资产和商品的交易价格、自动快速匹配交易、风险评估以及系统自身运行效率和安全性提示节点中的至少一种节点；

数据输入成功后，计算机自行运算，以结果数据为函数，利用线性回归或者非线性回归的数学模型训练方法，寻找确定适合各类变量之间的模型函数关系；计算机通过比较不同的函数图像与散点图的拟合度，确定最佳的函数关系，并存储在智能存储单元中；

训练模型的过程中，利用反传网络算法，在得到模型输出的同时，将误差返回给神经网络的每个层级和节点，各个节点修正权重后重新获取输入参数，进行模型检验，直至误差降低至预设的范围；获得有效的各层节点权重值和函数关系后，将这些数据在相应的存储空间中进行数据更新。

进一步地，所述计算模块还包括判断决策模块，在进行模型检验后，当根据可靠模型需要进行决策时，判断决策模块应用模拟退火算法，对系统的最优判断进行迭代检验，确保决策为全局最优。

进一步地，所述计算模块包括系统学习优化模块、创新预测模块、分析比较运算模块、法律道德管理模块和判断决策模块中的至少一种；其中：

所述系统学习优化模块用于利用反传算法执行自学习过程；

所述创新预测模块利用人工智能算法，基于当前的数据和信息，对事物进行创新尝试，以及对事物的进行发展预测；

所述分析比较运算模块用于在明确目标后，基于采集的数据，采用适当的方法，进行分析、比较和运算，以便决策和表达模块输出结果；

所述法律道德管理模块根据人类现行的法律、道德倾向、舆情的相关信息和数据，对人类的行为进行分析和推演，以便给出和更合理的输出；同时对人工智能的建议行为进行约束，避免出现极端行为；

所述判断决策模块用于应用模拟退火算法，对系统的最优判断进行迭代检验，确保决策为全局最优。

进一步地，还包括数字资产或积分管理逻辑单元，所述数字资产或积分管理逻辑单元用于执行以下步骤：

接收客户对于数字资产或积分的操作指令，所述指令内包含指示符，该指示符用于指示网络节点设备内存储的对应该数字资产的信息；根据指示符寻找与客户行为匹配数字资产或积分数据；

根据匹配的机构存储数据，确认客户对数字资产或积分的操作行为，确认后，调整客户的数字资产或积分数量信息，并形成操作。

进一步地，所述数字资产或积分管理逻辑单元还用于执行以下三种操作中的至少一种：

第三方支付操作：客户在利用数字资产或积分购买商品时，可先将数字资产或积分付款至电子商务系统，交易达成后，电子商务系统指示调减买方客户逻辑存储单元内的相应的数字资产或积分，同时调增买方逻辑存储单元内的数字资产或积分；

人工智能提示操作，用于对数字资产和积分的价格进行管理，根据个人风险和收益的偏好信息，提示买卖双方各类数字资产或积分的价格变化趋势，并分别建议买卖双方交易采用的资产或积分的种类；

数字资产流转操作，任何接入电子商务系统的客户的数字资产发生变更事件，则电子商务系统需首先要确认资产或积分的受让方具有此类资产或积分的账户，并且通过与第三方数字资产或积分交易平台进行信息交互，调减出让方的转让数字资产或积分，调增受让方数字资产或积分，并留存相关记录。

进一步地，还包括区块链模块，所述区块链模块将电子商务系统作为发送节点，将应用区块链服务的机构新数据记录区块节点全网进行广播；接收节点利用共识算法对收到的数据解密，并进行记录信息检验，检验信息是否符合整体区块内共识的要求，通过检验后，数据记录将被纳入一个区块中；全网所有接收节点对区块执行共识算法；区块通过共识算法过程后被正式纳入区块链中存储。

本发明提供的电子商务系统，将采集到的海量与电子商务系统运行有关数据，输入人工神经网络训练，得到人工智能模型，可以用于为电子商务系统提供人工智能分析运算功能。人工智能分析运算功能大致可以分为对操作的提示、情况的预测和信息的匹配三种。具体地，根据输入的数据类型，可能实现的功能可以有多种，如基于历史的交易数据、偏好数据、价格数据，销售数据，物流数据，法律信息数据、投诉建议数据等，可以为客户提供智能定购、客户需求预测、商品智能推送、系统自管理、相关信息甄别并抓取、买入/卖出风险提示、二手物品智能评估转卖、商家存货智能管理、法律道德风险提示、客户关系智能管理、价格波动预测、快速交易匹配等功能，实现了电子商务平台的人工智能化运行。

附图说明

图1为本发明实施例提供电子商务系统的架构图；

图2为本发明实施例所用人工神经网络的M-P模型示意图；

图3为本发明实施例所用人工神经网络的多层神经网络形成过程示意图；

图4为人工神经网络模拟现实中因果叠加效应示意图；

图5为反传网络优化过程示意图。

具体实施方式

下面将参考附图中示出的若干示例性实施方式来描述本发明的原理和精神。应当理解，描述这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。

如图1所示，本电子商务系统主要包括信息收集感知模块、模拟记忆存储模块(即智能存储模块)、分析比较运算模块、系统学习优化模块、创新预测模块、法律道德管理模块、判断决策模块、行动表达模块等人工智能模块，这些人工智能模块可集成为人工智能单元。核心智能模型通过人工神经网络(ARTIFICIAL NEURAL NETWORK，简称ANN)模型实现。根据输入人工神经网络的具体数据类型，电子商务系统可以在电子商务体系中的求购者需求预测、商品需求量预测、自动快速匹配交易、资产和商品价格预测以及风险评估等领域进行应用。

人工神经网络形成智能功能主要通过如下步骤实现：

S1：电子商务系统利用信息收集感知模块，主动或者被动的收集海量数据，数据来源包括本电子商务系统内部产生的，也包括互联网、传感器以及其他数据源产生的数据。除被动接收客户的需求数据和收入数据外，系统根据使用者需求，或者自身增效需求，自动智能利用网络爬虫等技术收集相关数据；

S2：系统选取经济运行和交易相关数据中的核心相关指标，比如宏观经济数据、企业运行数据、消费数据、社会舆情、企业信用、个人信息等数据作为输入节点(神经元)，并在计算机中设置成相关变量；类似的，计算机也可选取某种物品价格、生产数量、需求数量等变量作为输入节点。每个变量都有在智能存储模块中具有特定的地址和逻辑存储空间，每增加一个神经元节点变量，就会增加一个逻辑存储单元；

S3：调用分析比较运算模块、系统学习优化模块、创新预测模块、法律道德管理模块、判断决策等模块中的程序和装置，形成神经元网络模型，为输入变量节点、隐含变量节点以及输出变量节点之间的相互影响附加连接路径，即权重值，以评估其中一个变量或几个变量发生变化后，对其他变量的影响，并进行量化，是否会产生回馈效应及量化效果等现象。相关路径(权重)的描述与相关的变量具有邻近的逻辑存储单元，每条报文中均含有对应变量的信息，方便计算机指令寻址权重与其相关的变量进行运算；

S4：需要在计算机内智能存储模块设计结果逻辑存储单元，此单元按时间序列或逻辑序列排序，方便计算机寻找结果。

S5：系统主动或被动输入海量历史数据，按照时间序列、因果序列等逻辑顺序整理，包括节点的各类变量，路径权重以及结果数据。结果数据主要是以求购者的意向需求、商品的需求量、资产和商品的交易价格、自动快速匹配交易、风险评估以及系统自身运行效率和安全性提示等节点组成。数据均按照上述逻辑存储空间，按照时间序列、逻辑序列排序。

S6：数据输入成功后，计算机自行运算，以结果数据为函数，利用各类线性回归或者非线性回归等数学模型训练方法，寻找确定适合各类变量之间的模型函数关系。注意，函数可能是多极值函数，即某个事物不一定只有一种最佳答案。计算机通过比较不同的函数图像与散点图的拟合度，确定最佳的函数关系，并存储在函数逻辑单元中。

S7：训练模型的过程中，计算机利用反传网络(Back Propagation)算法，在得到模型输出的同时，将误差返回给神经网络的每个层级和节点，各个节点修正权重后重新获取输入参数，进行模型检验，直至误差降低至可接受范围。获得有效的各层节点权重值和函数关系后，计算机将这些数据在相应的存储空间中进行数据更新。

S8：系统根据可靠模型，需要进行决策时，判断决策模块应用模拟退火算法(Simulated Annealing，SA)，对系统的最优判断进行迭代检验，确保决策为全局最优。避免系统陷入具备最优。

S9：当计算机接收到新的输入层自变量数值时，即可以根据推算的函数关系预测输出层节点的数值(结果)。

此外，本电子商务系统具备人工智能的自学习功能，主要由系统学习优化模块利用反传算法执行：当有新的目标节点(结果)数据产生，计算机可以自动收集结果数据，并根据变量的变化重新推算函数关系，提高模型的拟合度；也可自动抓取或人工增加其他变量进行分析，计算变量与目标节点(结果)相关性，如果变量对目标节点(结果)有影响，则需要加入此类变量重新推算函数模型，如果没有影响则无需推算。

在上述步骤S1-S9中，所称的人工神经网络模型，是本电商系统人工智能功能实现的主要支撑模型。该模型的具体框架主要采用麦卡洛克-皮特斯模型(McCulloch-PittsModel，简称MP模型)建立，具体说明如下：

图2所示为M-P模型的示意图。

结合M-P模型示意图来看，对于某一个神经元j(并非变量，在这里j只是起到标识某个神经元的作用)，它可能接受同时接受了许多个输入信号，用x_i表示，由于生物神经元具有不同的突触性质和突触强度，所以对神经元的影响不同，我们用权值w_ij来表示，其正负模拟了生物神经元中突出的兴奋和抑制，其大小则代表了突出的不同连接强度。由于累加性，我们对全部输入信号进行累加整合，相当于生物神经元中的膜电位，其值为：

神经元激活与否取决于某一阈值电平，即只有当其输入总和超过阈值时，神经元才被激活而发放脉冲，否则神经元不会发生输出信号。整个过程可以用下面这个函数来表示：

由此，可以看出

每个神经元都是一个多输入单输出的信息处理单元神经元输入分兴奋性输入和抑制性输入两种类型；

神经元具有空间整合特性和阈值特性；

神经元输入与输出间有固定的时滞，主要取决于突触延搁；

忽略时间整合作用和不应期；

神经元本身是非时变的，即其突触时延和突触强度均为常数。

上例中传输函数可以是线性或者非线性函数。根据结论模型函数拟合度需要，可以用特定的传输函数满足神经元要解决的特定问题。

通常，神经元网络由多个，多层神经元组成。一个神经元有不止一个输入。具有R个输入的神经元如下图所示。其输入p₁,p₂,…,p_R分别对应权值矩阵w的元素w_1,1,w_1,2,…,w_1,R

神经元有一个偏置值b，它与所有输入的加权和累加，从而形成净输入n，其矩阵形表达为：

n＝w_1，1p₁+w_1，2p₂+...+w_1，Rp_R+b.

输出表达为：

a＝f(W_p+b).

则多层多神经元形成的网络示意图如图3所示：

则根据图3，每个本商务系统中涉及的数据，均可以作为输入，也可以作为输出。通过海量的数据积累，通过线性或非线性回归及规划，即可得到各层级各个神经元的函数。其中根据拟合度，每个神经元的常用函数，将在如下函数列表中进行选取：

需要注意的是，上述多层级多神经元图中，存在叠加因果的效应，即一件事物的阶段性结果会对这件事的下一步发展的成因造成影响。针对此现象，本发明神经元网络具备递归网络的特点，可将部分或全部输出作为某个层级网络的输入，从而模拟现实中因果叠加效应，得到更准确的输出或神经元函数模型。(如图4所示)

在上述神经网络形成各类模型的过程中，会存在误差，导致最后的输出发生偏差。为了帮助输出结果和模型更为准确，本电商系统应用反传网络(Back Propagation，简称:BP网络)算法对神经网络系统进行了优化，确保模型训练更为准确，减少误差。具体过程为：各个神经元的模型学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出(教师信号)不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。(如图5所示)。术语initial condition指的是初始条件，recurrent layer指的是人工神经网络的循环层。

此外，在最优选择的决策方面，本电商系统在人工神经网络的基础上，应用了模拟退火及其改进算法，以帮助本系统高效率的脱离局部极值，快速找到全局最优决策。

假设电商系统神经元模型函数关系已经训练准确，并需要找到最小值(比如最低价格)，模拟退火及其改进算法新解的产生和接受可分为如下四个步骤：

第一步是由一个已经在神经元网络中的函数从当前解产生一个位于解空间的新解，此解即代表神经网络可能的决策；为便于后续的计算和接受，减少算法耗时，通常选择由当前新解经过简单地变换即可产生新解的方法，如对构成新解的全部或部分元素进行置换、互换等，注意到产生新解的变换方法决定了当前新解的邻域结构，因而对冷却进度表的选取有一定的影响。

第二步是计算与新解所对应的目标函数差。因为目标函数差仅由变换部分产生，所以目标函数差的计算按增量计算。

第三步是判断新解是否被接受,判断的依据是一个接受准则，最常用的接受准则是Metropolis准则:若ΔT<0则接受S′作为新的当前解S，否则以概率exp(-ΔT/T)接受S′作为新的当前解S。

第四步是当新解被确定接受时，用新解代替当前解，这只需将当前解中对应于产生新解时的变换部分予以实现，同时修正目标函数值即可。此时，当前解实现了一次迭代。可在此基础上开始下一轮试验。而当新解被判定为舍弃时，则在原当前解的基础上继续下一轮试验。

模拟退火及其改进算法与初始值无关，算法求得的解与初始解状态S(是算法迭代的起点)无关；模拟退火及其改进算法具有渐近收敛性，已在理论上被证明是一种以概率l收敛于全局最优解的全局优化算法；模拟退火及其改进算法具有并行性。

通过上述方法，即可高效率的找到在确定函数关系的模型下，神经元网络的全局化极限值，从而做出最优决策，而避免陷入部分最优决策陷阱。

在上述功能的辅助下，根据输入的数据的具体类型，如基于历史交易数据、用户偏好数据、商品和服务的价格数据，销售数据，物流数据，法律信息数据、投诉建议数据等，本电子商务系统能够用于实现客户智能定购、客户需求预测、商品智能推送、系统自管理、相关信息甄别并抓取、买入/卖出风险提示、二手物品智能评估转卖、商家存货智能管理、法律道德风险提示、客户关系智能管理、价格波动预测、快速交易匹配等功能。下文叙述了电子商务系统可能实现的诸多功能，应当理解的是，不同的功能需要在构建人工智能模型时输入对应的数据。本实施例中只介绍具体的结果数据，可以根据这些结果数据相应地在构建模型时输入用于深度学习的输入数据。

买方用户可以利用自身偏好，采用语音、文字、表单选择等多种方式对本电子商务系统描述自己的产品需求，系统将实现商品智能选取和智能推送。同时，用户也可以屏蔽当前不想获得的信息，避免浪费时间和骚扰。

系统可提示卖方用户相应的客户需求情况，以及市场整体的需求关注，为卖方提供商品存货数量参考。同时，提示卖方进行各类商品的潜在买方用户的收入、偏好、年龄等特点，可进行广告精准投放。

系统可根据买卖双方对商品的需求和描述，智能推送商品信息，帮助买卖双方快速成交。

系统可根据市场供需舆情、经济因素、季节因素等相关数据，包括汇率、利率、通胀率、大宗商品价格、数字资产价格、求购者特点、系统运行情况、人口数量、城市化率、人均收入水平、商品关注度、评论数量、季节性、气候、商品历史成交价格等进行综合分析，提示用户数字资产、各类积分或者各类商品价格波动趋势。建议用户购买、投资某类商品或资产，也可建议用户转卖某类商品或资产。

系统可以根据用户输入的数据，智能提示用户易消耗物品的定期采购；也可根据时尚潮流，提示用户进行品牌消费；可根据用户的采购习惯，了解用户偏好，推进适当价位的商品；可自动推荐性价比最高的商品；

系统可体提供智能咨询功能，商家在出售产品时，可以获取类似产品的相关信息，包括商品规格、功能、材质、价格、市场定位、用户反馈等等，帮助商家对商品定位、定价及功能进行充分调研，避免盲目投入。

本电子商务系统具备人工智能升级接口，对上述未列举的其他智能功能可根据需求自动升级，也可学习第三方开源代码，或者外接第三方设备，帮助本电子商务系统升级成长。

上述各个模块可以理解为程序模块或软硬结合的模块，结合各个模块或单元的执行步骤和流程，本领域技术人员可以通过编制程序，采用相应的软件、硬件的等来实现各项功能。

另一方面，本电子商务系统还支持一种或多种数字资产或积分作为交易媒介和支付工具，并在此基础上形成如下相应的电子商务功能：

<电子交易市场>

此交易市场以网络为工具，以电子商务的模式进行交易。个人、商户以及其他机构通过计算机网络在相应的电子平台上进行各类商品的挂牌发布、商品描述、定价、采购、线上成交、付款结算等操作。但除现金外，本电子商务系统支持应用数字资产或积分对商品定价、支付、结算等相关功能，方便用户使用数字资产或积分作为支付手段完成商品的购买或销售。

<商品回收、寄售与典当>

本电子商务系统支持各类回收、典当或寄售企业和在平台上进行开户，从事回收与寄售业务，并支持采用数字资产或积分对各类商品和服务进行回收和寄售的支付服务。商品和服务的回收价格根据数字资产和积分对货币的价格进行波动，系统将自动实时进行调整。

<网络营销>

除了以法定货币、实物、服务或者某种权利作为激励手段外，本电子商务系统支持以数字资产或积分作为个人或商户在本系统内进行营销活动的支付工具。营销活动包括购买网站广告位置、根据客户偏好投放、竞价排名等等，此类推广费用均可采用数字资产或积分作为激励手段进行购买支付。

<数字资产和积分数量标价波动>

因数字资产和积分的价格浮动，除了货币标价以外，在商品货币价格固定的情况下，本电子商务系统内各类采用可用数字资产或积分采购的商品所对应的以数字资产和积分的数量表示的价格是波动的，每次价格的调整可在系统支持的最小时间单位内(比如毫秒)完成。

<支付账号管理系统(电子钱包)>

每一类数字资产或积分均有其自身的账号管理系统，本电子商务系统为各类数字资产或者积分提供统一的支付账号管理系统，此系统具有唯一的用户地址。任何一类数字资产只需要绑定该地址即可与本电子商务系统的账号绑定，可以实现各类数字资产分或积分的类管理，包括支付、转账、收款等功能均可通过转账到本电子商务系统的统一支付地址即可完成，系统将根据报文特征信息自动分类。

<供应链管理与信贷信息服务>

本电子商务系统中，物流管理的支付均可采用数字资产或者积分进行支付，同样物流、仓储的机构也可对其物流服务采用数字资产或积分进行标价。同时，企业和个人可以利用数字资产和积分对供应链各个环节进行信贷的信息服务，帮助资金方和项目方完成对接。

<电子数据交换(EDI)>

本电子商务系统对数字资产或积分交易发生的相关订单、发货单、发票等商业文档在企业与企业、个人与个人间通过通信网络自动地传输和处理。

<存货管理与信贷信息服务>

本电子商务系统应用数字资产或积分对存货的价值进行管理，根据物品的价格波动建立电子仓单，并利用货币、数字资产或积分为交易媒介对电子仓单进行交易，从而帮助企业快速处理存货。同时，系统支持利用仓单进行融资信息发布功能，支持各类投资人利用货币、数字资产和积分进行投资。

<第三方支付平台>

本电子商务系统支持货币、数字资产和积分的第三方支付平台服务，客户可将数字资产和积分质押在第三方支付平台上，待收到商品后确认收货再对卖方放宽。

<数字资产互换>

本电子商务系统支持各类数字资产和积分的交换，但系统本身不支持发布兑换需求、搓合成交等功能，需要和第三方交易平台进行数据对接，接收到第三方交易平台发出的互换指令、互换数量、互换价格等信息并告知互换账号和地址信息才可完成。

<清算结算系统>

除了对货币外，本电子商务系统具备对物品和数字资产及积分、数字资产和积分之间的清算和结算功能。

实现上述功能需要本电子商务系统具备如下模块：支付账户管理模块、第三方支付模块、价格管理单元、信息记录模块、对外互换接口以及安全管理模块。

本电子商务系统收到客户买卖商品、转账、充值、提取等对于数字资产或积分的操作指令后，信息内包含指示符，该指示符用于指示该网络节点设备内存储的对应该数字资产的信息；本电子商务系统控制云服务器接收网络节点的会话指示信息，寻找客户行为匹配数字资产或积分数据；

本电子商务系统根据匹配的机构存储数据，确认客户对数字资产或积分的操作行为，确认后，调整客户的数字资产或积分数量信息，并形成操作；

本电子商务系统具备第三方支付模块，用于客户在利用数字资产或积分购买商品时，可先将数字资产或积分付款至本电子商务系统，同时本电子商务系统通知卖方发货；客户收到商品后确认收货或者在一定时间内未进行退货操作，系统即视为交易达成，指示调减买方客户逻辑存储单元内的相应的数字资产或积分，同时调增买方逻辑存储单元内的数字资产或积分。

本电子商务系统可应用人工智能，价格管理单元用于对数字资产和积分的价格进行管理，根据个人风险和收益的偏好不同，提示买卖双方各类数字资产或积分的价格变化趋势，并分别建议买卖双方交易采用的资产或积分的种类。

支付账户管理模块用于：如任何接入本电子商务系统的客户的数字资产发生过户、转让、更名以及赠送等事件，则电子商务系统需首先要确认资产或积分的受让方具有此类资产或积分的账户，并且通过对外互换接口与第三方数字资产或积分交易平台进行信息交互，调减出让方的转让数字资产或积分，调增受让方数字资产或积分，信息记录模块用于留存相关记录。信息的交易安全可以用安全管理模块来管理。

此外，电子商务系统可根据个体机构的需求提供积分和电子商务系统数据的区块链应用服务。区块链的工作流程主要通过区块链模块，按照如下步骤执行：电子商务系统的软硬件系统作为发送节点将应用区块链服务的机构新数据(如某个物品销量、销售额、数字资产或积分总量等)记录区块节点全网进行广播，数据整体均是经过严格加密的；接收节点利用共识算法对收到的数据解密，并进行记录信息检验，检验信息是否符合整体区块内共识的要求，通过检验后，数据记录将被纳入一个区块中；全网所有接收节点对区块执行共识算法(工作量证明、权益证明等)，工作量或者权益通过积分等支付；区块通过共识算法过程后被正式纳入区块链中存储，全网节点均表示接受该区块，而表示接受的方法，就是将该区块的随机散列值视为最新的区块散列值，新区块的制造将以该区块链为基础进行延长。通过这种方法，将应用区块链技术的各个机构在电子商务系统中的数据记录公开、不可篡改，并由区块中的多个节点进行公开记录，从而使机构的核心数据及记录公开透明，增加机构的信用。

电子商务系统将为所有应用该系统的机构提供统一的公共区块链技术，包括公有区块链、联盟区块链和私有区块链等服务架构，任何需要区块链服务的机构均可应用服务系统提供的区块链技术服务。有需要应用区块链的机构需要按照电子商务系统的要求进行技术调整、激励政策确认等相关准备工作即可将自身在服务、交易方面的数据接入区块链系统，从而实现公开透明、不可篡改的数据账本。

另一方面，结合上述这种方法，为了帮助本电子商务系统的使用方提高效率，本发明还提供了一种装置，集成了本电子商务系统的功能，并具备USB、SD卡等各类主流硬件接口，帮助本电子商务系统升级、学习并成长。

在下文的实施例中，均以本电子商务系统作为应用。

实施例一

客户A是本电商系统的注册用户，其主要目的希望是利用本电商系统给孩子买到合适的玩具。

客户打开本电商系统，电商系统询问：“您好，有什么可以帮您？”

客户用语音回答：“我想买个玩具给我孩子。”

系统传感器收集到客户语音后，进行信息采样，并与语音文字识别库进行比对，转换为文字后形成文字，输入本电商系统。

本电商系统利用神经网络系统，在收到输入信息后，识别为中文语句。

之后，本系统将语句中每个文字作为输入，调用文字与词性对应库识别词性，并对应句子中的主语、谓语、宾语、定语、状语、补语以及各类组合短语，综合抓取句子核心词汇。

系统根据核心词汇或词组“我”、“想买”，“个”，“玩具”，“给我孩子”分别作为核心条件进行匹配，系统根据词组对应表，识别代词“我”为客户本人，主语，即行为实施主体；识别“想买”为动词，谓语，代表购买动作；识别量词“个”为数量含义；识别名词“玩具”为宾语，代表谓语实施的对象；识别“给我孩子”作为补语，对谓语和宾语进行补充说明，其中给“孩子”是名词，说明宾语实施的对象。

人工神经网络将上述词汇作为变量输入各层神经元，根据神经元内储存的模型，形成如下输出结果：

每个问题都形成填空或者选择题目，由客户A进行选择性回答。结果如下：

客户A回答的结果如下：

孩子年龄？答：7岁

孩子性别？答：女

是否上学？答：是

兴趣爱好是什么？答：美术、唱歌

对什么过敏？答：巧克力

不喜欢什么？答：恐龙

目标价格区间是多少？答：100-200人民币或同价值数字资产或积分。

对玩具产地是否有要求？答：无

希望玩具什么材质？答：木质

是否需要环保？答：是

是否接受个人卖家？答：是

是否接受非全新？答：否

希望玩几年？答：1年内

系统根据答案作为神经元网络输入变量，模型对此类变量进行运算后，形成输出条件，并以这些条件匹配计算机内的控制模块，进行相应操作。计算机在本电商系统内搜索符合条件的商品，按神经元输入的兴奋与抑制因素，选取符合条件的商品作为输出，并按匹配度进行排序。同时根据商品特点，展示多种分类和排序页面。提示用户选择商品。

如果系统按照抑制因素，并未选取到合适的商品，便会输出提示未发现商品，并告知用户哪个抑制性输入导致了没有适当的输出，并询问客户A是否可以改变此条件。如下所示：

经检索，本电商系统未发现符合上述要求的商品，则输出结果：

“对不起，没有您想要的商品。因为未发现有根据您的条件，未发现有木质类玩具，可否接受其他材质？”

客户A选择：“接受其他任何材质”。

系统调整输入后重新检索，输出结果如下：

上述表格中每种商品均是系统自动比较同类产品得出的最优惠价格；同时系统可以根据上述表格每个字段进行排序，帮助客户A完成选择。

客户A选择购买《冰雪奇缘电子游戏》，并希望采用积分X支付货款。系统自动调用客户A的数字资产与积分管理系统，在客户A的支付账号中发现1250个积分X，当前积分X的价格为1.5元人民币/分，则系统提示用户需要支付80个积分作为货款。

然而，根据客户A的设定，系统在选择支付媒介前，需要预测此媒介价格趋势。因此，系统检索积分X的发行机构情况以及影响积分X价格波动的相关因素。经过检索，系统发现如下因素：

积分X发行机构RRR，目前公开业绩良好，业绩预增15％；

积分X发行机构RRR所处行业发展良好，社会总投入增加5％；

积分X使用者连续3个月持续增加，复合增长率4％；

整体宏观经济数据向好，季度GDP同比增加4％，通胀增加1％，就业率增加1％，用电量增加1％；

积分X同行业的竞争对手正在促销，销售商品降价10％；

近期，社会舆情评论对于积分X和其发行机构RRR并无负面报道，并且有正面的采访和评论

系统将上述因素作为神经网络输入变量组，输入至积分X的价格预测模型。经过计算机核心运算单元的运算，在达到上述条件情况下，获得积分X在1个月内价格上涨的概率为65％，价格下跌的概率为25％，价格持平的概率为10％。

在客户A的账户中，还有一类数字资产Y。

经系统类似于上述分析，数字资产Y在一个月内价格上涨的概率为20％，价格持平的概率为60％，下跌的概率为20％。

则系统以积分X和数字资产Y的价格波动概率输入人工神经元网络，根据决策判断模块中的神经元模型，发现积分X的上涨概率已经超过阀值，则系统得到推荐用户使用数字资产Y进行支付的输出。

同时系统计算出数字资产Y当前市价为0.8元/个，则需要支付150个数字资产Y。

则系统利用表达展示模块，告知客户A：

“根据系统测算，因积分X在1个月内价格看涨，其看涨概率为65％，持平概率为10％，下跌概率为25％；

建议您采用数字资产Y进行支付，其看涨概率为20％，持平概率为60％，下跌概率为20％。”

客户A选择接受系统建议。确认使用数字资产Y进行支付，系统调减客户A账户中的150数字资产Y，调增系统第三方支付平台中的150数字资产Y，并告知商家客户A已经预支付，请发货。商家甲收到系统通知后，进行发货，并将发货进程显示在系统上。客户A收到商家甲的货品并检查后，确认收货，则系统调减第三方支付账户逻辑存储单元中的150数字资产Y，调增商家甲在系统账户中的150数字资产Y。

同时，根据客户A设定的提示功能，触发系统对客户A的购买行为进行检索。检索后，系统发现上次客户A购买餐巾纸的时间到现在已经27天。根据客户的历史购买习惯，每31天在系统上购买一次餐巾纸。则本电商系统的人工智能功能应用信息输入、智能比较模块，以客户历史输入的餐巾纸检索条件：

材质：纯木浆；

价格：小于5元/包；

规格：100抽；

品牌使用人数：大于10000；

包邮：是；

采购数量：5包；

进行互联网检索。

检索结果利用表达展示模块告知用户：

“您的餐巾纸还有3天就用完了，是否需要继续采购5包。

根据您的条件，本次推荐的品牌是：

1.TTT牌，5包总价23元，8折促销中；

2.UUU牌，5包总价22元，9折促销中；

请您选择。”

客户A选择UUU牌，并选择人民币支付。则系统调减客户A账户中的22元人民币，调增系统第三方支付平台中的22元人民币，并告知商家乙客户A已经预支付，请发货。商家乙收到系统通知后，进行发货，并将发货进程显示在系统上。客户A收到商家乙的货品并检查后，确认收货，则系统调减第三方支付账户逻辑存储单元中的22元人民币，调增商家乙在系统账户中的22元人民币。

云技术增效服务通过系统人工智能预测模型，预测未来系统访问量、购买量、兑换量等综合指标，结论发现某商家或个人其预测评价指标已经超过当前服务系统软件和硬件承受阀值范围，则管理模块向云计算增效模块发出增加资源配置信息。云计算增效模块根据管理模块预测的流量需求，检索硬件系统资源情况，发现某商家甲目前数据流量平稳，存在硬件资源闲置的情况。增效模块向管理模块、运算模块和判断模块提交减少商家甲硬件资源分配的申请，并明确资源需求量。运算模块和判断模块经过预测判断后，确认商家甲逻辑资源分配在未来不会增长过快以至超过阀值，并将结论发送给管理模块，管理模块确认后向增效模块发送调整许可，增效模块即按照申请增加商家乙的服务资源配置，减少商家甲的服务资源配置。

智能增效系统选择资源池内的计算机资源配给过程如下：

所述资源池主要包括虚拟计算资源池、虚拟网络资源池和虚拟存储资源池。其中，虚拟计算资源池由一台或多台物理主机(21-2n)通过虚拟化技术形成，主要包含CPU、内存等资源；虚拟网络资源池由各种路由器、交换机、防火墙、负载均衡(LoadBalance,LB)器等网络设备通过虚拟化技术形成，主要包含网络带宽等资源；存储资源池由各种存储设备通过虚拟化技术形成，主要包含存储容量、存储I/O等资源，所述存储设备可以为本地存储、IPSAN、网络附加存储(Network Attached Storage，NAS)、对象存储等。资源池中包括若干主机(Host)，主机上承载有多个VM，并为其分配虚拟资源。可以相互进行VM迁移的主机组成一个迁移域。一个HOST上的VM共享计算资源(CPU或内存等)、存储资源(本地存储或存储I/O)和网络资源(网络I/O)。当一个HOST不能满足其承载VM所需资源的时候，会造成VM的QoS下降，需要进行MV的迁移以保障VM的QoS。

如资源饱和，则进行报警，提示人为干预。

实施例二

商户B是一家快销品公司，商品为一款新配方牙膏。

商户B在本电商系统进行网上开店，需要本电商系统实现：

1.建立自己商品的销售模型

2.根据不同的定价策略，预测牙膏的需求量

系统根据询问：

“您好，有什么可以帮您？”

商户B：“我是商家，我卖新配方的牙膏。我需要预测牙膏销量，制定价格策略。”

与实施案例一中类似，系统利用传感器对语音采样，并将结果视为神经网络输入，神经网络的函数为中文语音采样结果和文字对比库进行识别，属于分析比较模块。识别完成后，系统翻译成文字，作为下一层神经元的输入。下一层神经元中的模型是语法对比库，可以将句子按语法分解。分解后的词汇与短语作为下一层神经元的输入。下一层神经元中的模型是语义识别，将分解的字、词汇、短语与计算机的控制指令、数据字段建立联系。

本电商系统在识别商户B的语言后，利用神经元网络中的对照表模型，形成如下语句，利用展示模块询问商户B：

“好的，了解了。请问您的牙膏特点，包括：

价格区间？

功能？

面对人群？

每支规格？

成分？”

商户B回答：

“价格区间？答：3-9元

功能？答：美白防蛀

面对人群？答：中老年

每支规格？答：120g

成分？答：纯中药”

系统根据商户B的回答，将答案文字输入至神经元网络中的分析比较模型中，系统搜索整个国际互联网网络，找到3个类似的产品。系统输出：

“您好，我们为您找到了3个类似产品分别是HHH、JJJ和LLL。请您选择一个作为我们参考的对象。”

商户B选择JJJ作为参考对象。

系统检索到JJJ的销售数据如下：

本电商系统应用神经元网络模式，以获得神经元网络中的模型

根据上述数据，可得利用多元非线性回归制定最后一层神经元模型，则回归模型为：

其中X₁为相关支出，X₂为价格，y为销量。

获得此模型后，系统自动采用反传网络算法，检查模型的拟合度，并进行调整，减少误差。

给定P组样本(X₁,T₁；X₂,T₂；…,X_p,T_p)。这里X_i为n_i维输入矢量，T_i为n₀维期望的输出矢量，i＝1,2,…,P，假设矢量y和o分别表示网络的输出层和隐含层的输出矢量。则训练过程可分为

1)选η>0，E_max作为最大容许误差，并将权系数W^l、θ^l,l＝1,2,…,L，初始化成某一小的随机权矩阵

p←1,E←0

2)训练开始

根据

计算出各隐含层神经元的激励输出和各输出层神经元的激励输出。

3)计算误差

E←[(t_k-y_k)²/2]+E,k＝1,2,…,n₀

4)计算出广义误差

5)调整权阵列系数

6)若p＜P,p←p+1，转第2)步，否则转第7)步；

7)若E＜E_max，结束，否则E←0,p←1，转第2)步；

根据上述反传网络算法，将初始误差带入反传网络中，对神经元网络各个层级的权重阵列进行调整，修正模型。

经测算，标准差为4.5362，说误差可以接受，明模型的显著性较好。此函数将储存在此神经元中，作为此神经元的函数。

本电商系统接受此获得此模型后，系统应用模拟退火及其改进算法寻找全局最优极值：

因商户B需要了解如何制定价格可以达到最大销量，因此需要寻找全局极大值。

1)初始化：初始温度T(充分大)，温度下限T min(充分小)，初始解状态(x1,x2)(是算法迭代的起点)，每个T值的迭代次数L；

2)对l＝1,2,...,L l＝1,2,...,L做第3至第6步；

3)产生新解(x1,x2)_new:(x1,x2_new＝x1+Δx1,x2+Δx2)；

4)利计算增量Δy＝f((x1,x2)_new)-f(x1,x2)，其中f(x1,x2)为优化目标；

5)若Δy>0则接受(x1,x2)_new作为新的当前解，否则以概率exp(-Δy/(kT))接受(x1,x2)_new作为新的当前解；

6)如果满足终止条件则输出当前解作为最优解，结束程序。(终止条件通常取为连续若干个新解都没有被接受时终止算法。)；

7)T逐渐减少，且T>T min T>Tmin，然后转第2步。

根据上述算法求得，

当相关支出水平X₁为732元，而物品定价X₂为7.1910元时，输出函数得到需求量的极大值，为68.5775。

根据商户B选择的商品面对人群为中老年，系统自动抓取互联网数据，获得客户B选择的区域内，此类人群的相关支出水平为839元，完全可以覆盖极值点。

因此，系统将提示商户B：

“您好，根据您的选择，我们测算出，在您定价为7.19元时，需求量可以达到最大值，为68万个。如果遇到支出变化、竞争等情况，需要到时另行测算。”

本电商系统将此模型和极值作为数据保存在智能存储单元中，系统根据一定的时间周期，主动在本系统内以及其他互联网系统抓取数据，重新训练、学习、更新此模型。并在适当的周期内提示商户B模型和极值的变化，建议商户B进行调整。同时，在授权的情况下，其他商户需要进行类似分析时，可提供参考。

商户B确认以7元作为商品价格，同时希望支持积分VVV和数字资产NNN作为购买支付手段。则系统根据商户B的输入，以VVV和NNN作为输入，搜索本电商系统和网络，核算其人民币对应当前价格，最后输出如下：

VVV：0.7元/分，建议商户B每个商品标价10VVV；

NNN：1.4元/分，建议商户B每个商品标价5NNN；

则在此时间段内，此商品在商户的商城内将出现三个标价7元人民币、10VVV和5NNN，客户可以用三种支付手段中任意一种购买。也三种资产以任意比例组合购买。同时，系统实时抓取VVV和NNN的价格波动情况，调整商品购买所需的此两种支付媒介的数量。

实施例三

客户C购买了一个KKK牌手机，价格1000元。

客户D购买LLL机构的短期英语培训课程，价格1200元。

出于某种原因，客户C和客户D均需要转让自己的手机和课程。

客户C告知系统：“我想转让手机。”

类似于案例一和案例二，系统利用信息采集中的语音识别功能对客户C的意图进行分析，并回复客户：

“您好，系统收到您的需求，为了确定合理的转让价格，请回答以下问题：

手机品牌？

支持的运营商？

手机型号？

手机内存？

手机成色？

是否正常使用？

是否有异常的功能？如摄像头损坏？

是否有划痕，变形？

客户C收到问题后进行如下回答：

手机品牌：KKK

支持的运营商：全网通

手机型号：AX79

手机内存：64G

手机成色：全新未开封

是否正常使用：是

是否有异常的功能？如摄像头损坏：无

是否有划痕，变形：无

客户C回答完问题后，进行提交。系统将客户C的选择作为输入，利用神经元网络中的近似的遴选函数进行数据筛选，并将选择结果作为输出。

经过神经元网络筛选发现，根据上述约束条件，最近最类似的成交记录为，

序号

品牌

运营商

型号

内存

成色

正常

异常

划痕

原价

价格

1

SSS

全网

X98

64

全新

是

无

无

999

850

2

FFF

全网

3800

64

95新

是

无

1条

1000

930

3

KKK

全网

VT87

64

9新

是

无

2条

980

790

人工神经网络系统利用分析比较模块的相关函数，自动识别客户C的KKK牌手机要优于记录3中的VT87。因此价格应该大于790元。系统对三个类似记录价格求取平均值，则获得推荐客户C的转让价格为：857元。则系统告知客户C：

“您好，经过系统比较，最近类似的成交记录如下：

序号

品牌

运营商

型号

内存

成色

正常

异常

划痕

原价

价格

1

SSS

全网

X98

64

全新

是

无

无

999

850

2

FFF

全网

3800

64

95新

是

无

1条

1000

930

3

KKK

全网

VT87

64

9新

是

无

2条

980

790

推荐您的转让价格为：857元，包邮。感谢。”

客户C接受了系统给予的建议价格，系统按照闲置货品转让流程自动、手动上传相关图片，引导客户完成货品描述，并进行货品发布。

发布之后，系统利用神经元网络，将客户的手机条件作为输入，启用自动启动搜索功能函数，搜索对此类手机且类似条件的其他客户求购需求，并以求购此手机或类似的意向客户为输出。在被允许的情况下，系统利用展示模块对对此款或类似手机有兴趣的客户进行信息推送。

在系统推送信息的人群中，包括客户D。客户D最近正希望更换手机，做过类似信息的搜索。类似的，客户D正在转让自己在某个培训机构的课程，系统经过类似客户C的询问和比较后，建议客户D此类培训课程转让价格为1050元。

客户D收到关于客户C的手机转让信息后，进行查看，并告知客户C需要购买客户C的手机。客户C收到客户D的信息后，应用系统的即时通信系统与客户D进行沟通。系统利用即时通信系统完成个沟通，并将沟通信息存储在智能存储模块。同时，系统向客户C显示，客户D正在出售其培训课程以及包括价格在内的其他转让条件。

经过沟通，客户C与客户D达成如下意向：

客户D确认以800元购买客户C的手机；

客户C确认以950元购买客户D的课程；

双方确认以等价值的TTT积分作为支付手段；

则系统检索积分TTT的价格为0.5元/分，在系统的提示下，客户D支付1600积分TTT至本电商系统，客户C支付1900积分TTT至本电商系统，系统作为第三方交易平台，调减客户C1900个TTT积分，调减客户D1600个TTT积分，并将此类积分的数字信息存储在智能存储模块的相应逻辑单元中。同时客户C和客户D分别发货，并向对方标明发货状态。客户C和客户D分别收到对方货品后，点击确认收货，则系统调增客户C账户内1600个TTT积分，调增客户D账户1900个TTT积分。

在上述交易过程中系统检索到，TTT积分发行机构E及其社群，对系统提交了区块链记录需求，则本电商系统及其分支机构，作为区块链的节点，自动进行区块链记录工作，具体过程如下：

发行机构E需要将自身的积分发放、兑换等积分相关数据应用区块链技术进行公开，机构E以自身发放的积分作为区块链网络节点的记账奖励。

区块链的工作流程主要包括如下步骤：本服务系统联系区块链网络节点，告知机构E的数据记录需求以及奖励条件，并将自身也可作为网络节点之一。区块链节点接受机构E的奖励需求后，向本电商系统确认，成为候选节点。服务系统作为发送节点将应用区块链服务的机构戊和机构己的数据记录向候选区块节点全网进行广播，数据整体均是经过严格加密的；接收节点利用共识算法对收到的数据解密，并进行记录信息检验，检验信息是否符合整体区块内共识的要求，通过检验后，数据记录将被纳入一个区块中；全网所有接收节点对区块执行共识算法(工作量证明、权益证明等)，工作量或者权益通过积分、法定货币等支付；区块通过共识算法过程后被正式纳入区块链中存储，全网候选节点均表示接受该区块，而表示接受的方法，就是将该区块的随机散列值视为最新的区块散列值，新区块的制造将以该区块链为基础进行延长。通过这种方法，将应用区块链技术的各个机构在服务系统中的数据记录公开、不可篡改，并由区块中的多个节点进行公开记录，从而使机构E的核心数据及记录公开透明，增加机构E的信用。

本电商系统为所有应用该系统的机构提供统一的公共区块链技术，包括公有区块链、联盟区块链和私有区块链等服务架构，任何需要区块链服务的机构均可应用服务系统提供的区块链技术服务。有需要应用区块链的机构需要按照服务系统的要求进行技术调整、激励政策确认等相关准备工作即可将自身在服务、交易方面的数据接入区块链系统，从而实现公开透明、不可篡改的数据账本。

本文中应用了具体个例对发明构思进行了详细阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离该发明构思的前提下，所做的任何显而易见的修改、等同替换或其他改进，均应包含在本发明的保护范围之内。

Claims (8)

1.一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统，其特征在于，包括： 人工智能单元，用于根据人工神经网络模型和采集到的与电子商务系统运行相关联的数据构建人工智能模型；然后根据人工智能模型为电子商务系统的用户提供交易相关操作的提示、情况的预测和/或信息的匹配；所述人工智能单元包括信息收集感知模块、计算模块和智能存储模块，所述根据人工神经网络模型和采集到的与电子商务系统运行相关联的数据构建人工智能模型包括：利用信息收集感知模块收集数据； 选取经济运行和交易相关数据中的核心相关指标，作为输入神经元节点； 调用计算模块，形成神经元网络模型；向神经元网络模型中输入收集到的历史数据，根据预定的算法训练出人工智能模型；

所述向神经元网络模型中输入收集到的历史数据，根据预定的算法训练出人工智能模型包括： 输入海量历史数据，按照逻辑顺序整理各类变量，路径权重以及结果数据；结果数据包括求购者的意向需求、商品的需求量、资产和商品的交易价格、自动快速匹配交易、风险评估以及系统自身运行效率和安全性提示节点中的至少一种节点； 数据输入成功后，计算机自行运算，以结果数据为函数，利用线性回归或者非线性回归的数学模型训练方法，寻找确定适合各类变量之间的模型函数关系；计算机通过比较不同的函数图像与散点图的拟合度，确定最佳的函数关系，并存储在智能存储单元中； 训练模型的过程中，利用反传网络算法，在得到模型输出的同时，将误差返回给神经网络的每个层级和节点，各个节点修正权重后重新获取输入参数，进行模型检验，直至误差降低至预设的范围；获得有效的各层节点权重值和函数关系后，将这些数据在相应的存储空间中进行数据更新。

2.根据权利要求1所述的可应用数字资产或积分作为交易媒介的人工智能型电子商务系统，其特征在于，所述选取经济运行和交易相关数据中的核心相关指标，作为输入神经元节点的同时，还在计算机中设置成相关变量；每个变量都在智能存储模块中具有特定的地址和逻辑存储空间。

3.根据权利要求1所述的可应用数字资产或积分作为交易媒介的人工智能型电子商务系统，其特征在于，所述调用计算模块，形成神经元网络模型包括：为输入变量节点、隐含变量节点以及输出变量节点之间的相互影响附加连接路径，即权重值，以评估其中一个变量或几个变量发生变化后，对其他变量的影响，并进行量化。

4.根据权利要求1所述的可应用数字资产或积分作为交易媒介的人工智能型电子商务系统，其特征在于，所述计算模块还包括判断决策模块，在进行模型检验后，当根据可靠模型需要进行决策时，判断决策模块应用模拟退火算法，对系统的最优判断进行迭代检验，确保决策为全局最优。

5.根据权利要求1-3任一所述的可应用数字资产或积分作为交易媒介的人工智能型电子商务系统，其特征在于，所述计算模块包括系统学习优化模块、创新预测模块、分析比较运算模块、法律道德管理模块和判断决策模块中的至少一种；其中： 所述系统学习优化模块用于利用反传算法执行自学习过程； 所述创新预测模块利用人工智能算法，基于当前的数据和信息，对事物进行创新尝试，以及对事物的进行发展预测； 所述分析比较运算模块用于在明确目标后，基于采集的数据，采用适当的方法，进行分析、比较和运算，以便决策和表达模块输出结果； 所述法律道德管理模块根据人类现行的法律、道德倾向、舆情的相关信息和数据，对人类的行为进行分析和推演，以便给出和更合理的输出；同时对人工智能的建议行为进行约束，避免出现极端行为； 所述判断决策模块用于应用模拟退火算法，对系统的最优判断进行迭代检验，确保决策为全局最优。

6.根据权利要求1所述的可应用数字资产或积分作为交易媒介的人工智能型电子商务系统，其特征在于，还包括数字资产或积分管理逻辑单元，所述数字资产或积分管理逻辑单元用于执行以下步骤： 接收客户对于数字资产或积分的操作指令，所述操作指令内包含指示符，该指示符用于指示网络节点设备内存储的对应该数字资产的信息；根据指示符寻找与客户行为匹配数字资产或积分数据； 根据匹配的机构存储数据，确认客户对数字资产或积分的操作行为，确认后，调整客户的数字资产或积分数量信息，并形成操作。

7.根据权利要求6所述的可应用数字资产或积分作为交易媒介的人工智能型电子商务系统，其特征在于，所述数字资产或积分管理逻辑单元还用于执行以下三种操作中的至少一种： 第三方支付操作：客户在利用数字资产或积分购买商品时，可先将数字资产或积分付款至电子商务系统，交易达成后，电子商务系统指示调减买方客户逻辑存储单元内的相应的数字资产或积分，同时调增买方逻辑存储单元内的数字资产或积分； 人工智能提示操作，用于对数字资产和积分的价格进行管理，根据个人风险和收益的偏好信息，提示买卖双方各类数字资产或积分的价格变化趋势，并分别建议买卖双方交易采用的资产或积分的种类； 数字资产流转操作，任何接入电子商务系统的客户的数字资产发生变更事件，则电子商务系统需首先要确认资产或积分的受让方具有此类资产或积分的账户，并且通过与第三方数字资产或积分交易平台进行信息交互，调减出让方的转让数字资产或积分，调增受让方数字资产或积分，并留存相关记录。

8.根据权利要求1所述的可应用数字资产或积分作为交易媒介的人工智能型电子商务系统，其特征在于，还包括区块链模块，所述区块链模块将电子商务系统作为发送节点，将应用区块链服务的机构新数据记录区块节点全网进行广播；接收节点利用共识算法对收到的数据解密，并进行记录信息检验，检验信息是否符合整体区块内共识的要求，通过检验后，数据记录将被纳入一个区块中；全网所有接收节点对区块执行共识算法；区块通过共识算法过程后被正式纳入区块链中存储。

Images