CN111652668B - 一种区块链供应链金融系统 - Google Patents

一种区块链供应链金融系统 Download PDF

Info

Publication number
CN111652668B
CN111652668B CN202010296606.XA CN202010296606A CN111652668B CN 111652668 B CN111652668 B CN 111652668B CN 202010296606 A CN202010296606 A CN 202010296606A CN 111652668 B CN111652668 B CN 111652668B
Authority
CN
China
Prior art keywords
unit
information
user
commodity
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010296606.XA
Other languages
English (en)
Other versions
CN111652668A (zh
Inventor
陈大东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Xiaoliyu Technology Co ltd
Original Assignee
Zhuhai Xiaoliyu Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhuhai Xiaoliyu Technology Co ltd filed Critical Zhuhai Xiaoliyu Technology Co ltd
Priority to CN202010296606.XA priority Critical patent/CN111652668B/zh
Publication of CN111652668A publication Critical patent/CN111652668A/zh
Application granted granted Critical
Publication of CN111652668B publication Critical patent/CN111652668B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0607—Regulated
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/18—Payment architectures involving self-service terminals [SST], vending machines, kiosks or multimedia terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4014—Identity check for transactions
    • G06Q20/40145—Biometric identity checks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0609—Buyer or seller confidence or verification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Computer Security & Cryptography (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种区块链供应链金融系统，包括区块链供应链模块、区块链金融模块和智能零售终端模块；区块链供应链模块包括商品信息采集单元和商品信息存储单元；区块链金融模块包括风控单元、借款人信息单元和资金单元；借款人信息单元根据用户信息对用户进行模型建立；智能零售终端模块包括零售终端、服务器、物联网平台以及用户端；零售终端包括网络单元、中控单元、支付识别模块以及智能终端交互模块；服务器包括数据处理单元、数据存储单元以及智能终端导购模块；物联网平台包括Lot网络单元、Lot消息单元以及Lot规则单元。本发明提高资金的流转利用率，减少资金周转的环节，让供应商和终端机主之间商品以及资金交易更加方便，提高消费者成交量。

Description

一种区块链供应链金融系统
技术领域
本发明涉及无人售货机技术领域，具体涉及一种区块链供应链金融系统。
背景技术
随着消费模式的转变，无人售货机越来越多的出现在人们的生活中。无人售货机能充分补充人力资源的不足，适应消费环境和消费模式的变化。无人售货机可以24小时全天候营业，投入资本少、面积小，其新颖的购物模式，方便快捷的购物方式吸引了大量具有好奇心和购物欲的年轻人。
但是对于现在的无人售货机，终端机主的商品模式分为使用自己的资金进货，有库存积压的风险；和供应商签订合同，先拿货，销售回笼资金后再进行资金结算，存在一个货款周转麻烦的风险；消费者消费的时候存在一个暂时无力支付的场景；以及消费者无法得知商品来源，对于正品存疑。
发明内容
有鉴于此，为了解决现有技术中的上述问题，本发明提出一种区块链供应链金融系统。
本发明通过以下技术手段解决上述问题：
一种区块链供应链金融系统，包括区块链供应链模块、区块链金融模块和智能零售终端模块；
所述区块链供应链模块包括商品信息采集单元和商品信息存储单元；
所述区块链金融模块包括风控单元、借款人信息单元和资金单元；
所述商品信息采集单元用于采集商品信息，并将商品信息发送到数据存储单元中进行存储；
所述商品信息存储单元用于存储商品信息；
所述商品信息存储单元用于存储商品信息；
所述风控单元用于对借款人进行风险控制和风险提示，通过风控决策引擎借助模型得出决策，对借款人行为进行风险控制和风险提示；
所述资金单元用于解决借款人的贷款以及供应商销售回款；
所述借款人信息单元用于根据智能零售终端模块的用户信息对借款人进行模型建立；
所述智能零售终端模块包括零售终端、服务器、物联网平台以及用户端；
所述零售终端包括网络单元、中控单元、支付识别模块以及智能终端交互模块；
所述服务器包括数据处理单元、数据存储单元以及智能终端导购模块；
所述物联网平台包括Lot网络单元、Lot消息单元以及Lot规则单元；
所述网络单元用于提供网络连接；负责和Lot网络单元建立socket长连接，发送从中控单元获取的机器信息至Lot消息单元；网络单元成功连接Lot网络单元后，向服务器数据处理单元请求终端所属的商品数据，通过中控单元展示给用户；
所述中控单元用于接收通过Lot网络单元转发的数据处理单元处理后的运营人员发出的指令，解析指令操作机器，并且向Lot网络单元发送反馈信息；
所述支付识别模块用于通过用户购买商品的支付识别用户信息；
所述智能终端交互模块用于和用户进行语音对话，用户语音指令发出后，将语音指令转换后的文字指令，并将文字指令和用户信息发送至智能终端导购模块；
所述智能终端导购模块用于根据用户信息获取用户的购物信息，通过购物信息的比对以及智能分析预测用户未来的购物清单，匹配优惠劵，根据文字指令给用户推荐购物信息；
所述用户端用于显示推荐的购物信息；
所述数据处理单元用于处理api请求并且从数据存储单元中查询数据；接收运营人员发出的指令，进行处理后，将指令信息存储到数据存储单元，并且向Lot网络单元发出处理后的指令；接收Lot消息单元发送的机器状态变化消息并进行机器状态处理，同时存储到数据存储单元中；
所述数据存储单元用于存储业务数据；
所述Lot网络单元用于提供稳定的Lot连接服务连接零售终端和服务器；接收数据处理单元处理后的运营人员发出的指令，并将指令通过网络单元转发到中控单元；接受中控单元的反馈信息，根据Lot规则单元预设的规则判断是否要转发到数据处理单元；
所述Lot消息单元用于发送消息到零售终端以及数据处理单元；接收网络单元发送的机器信息，校验通过后，会定时下发心跳消息给网络单元负责维护socket连接，连接成功后，每次机器状态变化，会发送状态消息给服务器的数据处理单元进行机器状态处理；
所述Lot规则单元用于设定消息转发规则。
进一步地，所述商品信息存储单元使用分布式一致性算法对商品信息进行存储，具体为：
假设有n个提交者，每个编号为i(0<＝i<n)，提议编号的任何值s都大于它已知的最大值，并且满足：
s％n＝i得出s＝m*n+i
提交者已知的最大值来自两部分：提交者自己对编号自增后的值和接收到批准者的拒绝后所得到的值；
以3个提交者P1、P2、P3为例，开始m＝0,编号分别为0，1，2；
1)、P1提交的时候发现了P2已经提交，P2编号为1大于P1的0，因此P1重新计算编号：P1＝1*3+1＝4；
2)、P3以编号2提交，发现小于P1的4，因此P3重新编号：P3＝1*3+2＝5。
进一步地，所述借款人信息单元使用了决策树算法对用户进行模型建立，具体为：
采取信息增益这个量作为纯度的度量，选取是的信息增益最大的特征进行分裂；
信息熵是代表随机变量的复杂度，条件熵代表在某一个条件下，随机变量的复杂度；选取的信息增益为信息熵-条件熵；
当前样本集合D中的第K类样本所占的比例为pk(k＝1,2,3…,|y|)，则D的信息熵定义为
Figure BDA0002452419040000041
离散属性a有V个可能的取值{a1,a2,a3,，，，，a v}，样本集合中，属性a上取值为av的样本集合，记为Dv；
用属性a对样本集D进行划分所获取的信息增益为：
Figure BDA0002452419040000042
当决策树中选择最优划分属性按照信息增益最大来进行时，决策树属于ID3决策树。
进一步地，所述商品信息包括商品的名称、产地、生产产商、成分、品种、生产日期及保质期限信息；
所述零售终端包括蓝牙通信单元，所述用户端包括蓝牙单元，零售终端的蓝牙通信单元用于提供连接用户端的蓝牙单元的功能，在网络单元故障的情况下，提供有限度的网络连接服务；
所述支付识别模块包括：
摄像头，用于获取用户的图像，并将图像信息发送给微信刷脸支付单元；
微信刷脸支付单元，用于接收图像信息，通过图像信息进行用户购买商品的刷脸支付，并识别用户信息。
进一步地，所述智能终端交互模块包括：
语音设备单元，用于提供声音的输入和输出；
声音识别单元，用于使用智能语音交互进行实时语音识别；
问题记录单元，用于记录用户的对话信息做语义分析提供热词模型给自学习平台进行机器学习，提高声音识别的准确度；
自学习平台单元，用于使用深度学习算法进行机器学习，提高识别率；
电商单元，用于将声音转换后的文字信息，并将文字信息和用户信息发送至智能终端导购模块。
进一步地，所述声音识别单元使用LMS自适应滤波降噪算法来进行信号降噪，LMS自适应滤波降噪算法具体为：
1)、给定W(0)，且1＜μ＜1/λmax；
2)、计算输出值：y(k)＝w(k)Tx(k)；
3)、计算估计误差：e(k)＝d(k)-y(k)；
4)、权重更新：w(k+1)＝w(k)+μe(k)x(k)；
其中w为自适应录波器加权系数的数组随着每次更新估算误差e(k)而更新一次；
y(k)为实际输信号出，d(k)为理想输出信号，x(k)为输入信号，k为输入信号长度，μ为收敛因子，λ为拉格朗日乘数。
进一步地，所述声音识别单元使用维纳滤波法来进行信号降噪，维纳滤波法具体为：
首先，对于一个退化的图像过程写成下面的一个形式：
Figure BDA0002452419040000061
其中，
Figure BDA0002452419040000062
为维纳滤波后的图像，E是期望值操作符，f是未退化的图像，min为最小均方差，该表达式在频域表示为：
Figure BDA0002452419040000063
其中，
H(u，v)表示退化函数；
Figure BDA0002452419040000064
表示维纳滤波后的图像；
|H(u，v)|2＝H*(u，v)H(u，v)；
H*(u，v)表示H(u，v)的复共轭；
Sη(u，v)＝|N(u，v)|2表示噪声的功率谱；
Sf(u，υ)＝|F(u，v)|2表示未退化图像的功率谱；
N(u，v)是噪声函数，G(u，v)是图像的采样结果，u，v为采集矩阵的点。
进一步地，所述自学习平台单元使用深度学习算法提高识别率，具体为：如果函数f(x,y)具有一阶连续偏导，对于函数任意一点p(x0，y0)都有这样一个向量：f(x0，y0)xi+f(x0，y0)yj，那么这个向量就称为f(x,y)在p这一点的梯度，记作grad f(x0，y0)；所以
Figure BDA0002452419040000065
其中点L的单位向量是e＝(cosα,cosβ)，方向导数是函数在各个方向的斜率，而梯度是斜率最大的那个方向，梯度的值是方向导数最大的值，因此如果沿着梯度反方向能够下降的最快，尽快达到最低，使得系统稳定，提高深度学习的效率。
进一步地，所述智能终端导购模块包括：
信息采集模块，用于根据用户信息获取用户每次在商场购物平台的购物记录和消费清单；
信息分析模块，用于对用户的购物习惯进行分析，统计用户的商品消耗周期，本次购买的商品距离下次购买同类商品的时长；根据收集的用户信息，做出用户的消费画像；获取商城或者实体店的购物优惠信息，自动判断优惠信息与用户购物清单的匹配度；
商品推荐模块，用于根据用户以往的商品使用时长，以及商品消耗周期，到达对应的时间点时生成用户需求商品单推荐给用户；根据用户的消费画像，将类似画像用户购买的商品推荐给用户；根据优惠信息与用户购物清单的匹配度，当优惠匹配上用户的购物习惯时生成推荐购物清单及优惠信息推荐给用户；
所述信息分析模块包括：
购物周期分析单元，用于对用户的购物习惯进行分析，统计用户的商品消耗周期，本次购买的商品距离下次购买同类商品的时长；
用户画像分析单元，用于根据收集的用户信息，做出用户的消费画像；
优惠信息分析单元，用于获取商城或者实体店的购物优惠信息，自动判断优惠信息与用户购物清单的匹配度；
所述商品推荐模块包括：
周期商品推荐单元，用于根据用户以往的商品使用时长，以及商品消耗周期，到达对应的时间点时生成用户需求商品单推荐给用户；
类似商品推荐单元，用于根据用户的消费画像，将类似画像用户购买的商品推荐给用户；
优惠商品推荐单元，用于根据优惠信息与用户购物清单的匹配度，当优惠匹配上用户的购物习惯时生成推荐购物清单及优惠信息推荐给用户。
进一步地，所述商品推荐模块的推荐方法具体为：
在基于内容推荐的基础上做了协同过滤的推荐，首先计算用户对商品的偏好，形成U-V矩阵，然后根据用户属性计算U-U与V-V的相似度和根据用户对商品的偏好计算U与V的相似度，使用计算相似度的方法分别为曼哈顿距离、Pearson相关系数；
曼哈顿距离表示两个n维向量a(x11,x11,…x1n)与b(x21,x21,…x2n)在标准坐标系上的绝对轴距之和：
Figure BDA0002452419040000081
其中，K为第几个纬度，得出所有向量的值后，最小的值为相似度最高；
Pearson相关系数来衡量两个变量X,Y之间的线性相关性，Pearson：-1～1；-1：完全负相关；1：完全正相关；0：不相关，其计算公式为：
Figure BDA0002452419040000082
其中E为数学期望，N表示变量的取值个数。
与现有技术相比，本发明的有益效果至少包括：
本发明通过区块链金融模块，提高资金的流转利用率，减少资金周转的环节，让供应商和终端机主之间商品以及资金交易更加方便，提高消费者成交量。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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。
图1是本发明区块链供应链金融系统的结构示意图；
图2是本发明智能零售终端模块的结构示意图；
图3是本发明支付识别模块的时序图；
图4是本发明智能终端交互模块的结构示意图；
图5是本发明智能终端导购模块的流程图；
图6是本发明智能终端导购模块导购方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是，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。
实施例1
如图1所示，本发明提供一种区块链供应链金融系统，包括区块链供应链模块、区块链金融模块和智能零售终端模块；
所述区块链供应链模块包括商品信息采集单元和商品信息存储单元；
所述区块链金融模块包括风控单元、借款人信息单元和资金单元；
所述商品信息采集单元用于采集商品的名称、产地、生产产商、成分、品种、生产日期及保质期限信息，发送到数据存储单元中进行存储；
所述商品信息存储单元用于存储商品的名称、产地、生产产商、成分、品种、生产日期及保质期限信息；使用分布式一致性算法(Paxos)进行存储：
假设有n个提交者，每个编号为i(0<＝i<n)，提议编号的任何值s都大于它已知的最大值，并且满足：
s％n＝i得出s＝m*n+i
提交者已知的最大值来自两部分：提交者自己对编号自增后的值和接收到批准者的拒绝后所得到的值；
以3个提交者P1、P2、P3为例，开始m＝0,编号分别为0，1，2；
1)、P1提交的时候发现了P2已经提交，P2编号为1大于P1的0，因此P1重新计算编号：P1＝1*3+1＝4；
2)、P3以编号2提交，发现小于P1的4，因此P3重新编号：P3＝1*3+2＝5。
所述风控单元用于对借款人进行风险控制和风险提示，通过风控决策引擎借助模型得出决策，对借款人行为进行风险控制和风险提示；
所述资金单元用于解决借款人的贷款以及供应商销售回款；
所述借款人信息单元用于根据智能零售终端模块的用户信息对借款人进行模型建立；其中智能终端交互模块提供更加方便的用户服务以及通过支付识别单元获取用户信息，结合智能终端导购模块，可以对用户建立模型，其中使用了决策树算法对用户进行模型建立：
采取信息增益这个量作为纯度的度量，选取是的信息增益最大的特征进行分裂
信息熵是代表随机变量的复杂度(不确定度)，条件熵代表在某一个条件下，随机变量的复杂度(不确定度)。选取的信息增益为信息熵-条件熵
当前样本集合D中的第K类样本所占的比例为pk(k＝1,2,3…,|y|)，则D的信息熵定义为
Figure BDA0002452419040000101
离散属性a有V个可能的取值{a1,a2,a3,，，，，av}，样本集合中，属性a上取值为av的样本集合，记为Dv；
用属性a对样本集D进行划分所获取的信息增益为：
Figure BDA0002452419040000111
当决策树中选择最优划分属性按照信息增益最大来进行时，决策树属于ID3决策树。
如图2所示，所述智能零售终端模块包括零售终端、服务器、物联网平台以及用户端；
所述零售终端包括网络单元、中控单元、支付识别模块以及智能终端交互模块；
所述服务器包括数据处理单元、数据存储单元以及智能终端导购模块；
所述物联网平台包括Lot网络单元、Lot消息单元以及Lot规则单元；
所述网络单元用于提供网络连接；负责和Lot网络单元建立socket长连接，发送从中控单元获取的机器信息至Lot消息单元；网络单元成功连接Lot网络单元后，向服务器数据处理单元请求终端所属的商品数据，通过中控单元展示给用户；
所述中控单元用于接收通过Lot网络单元转发的数据处理单元处理后的运营人员发出的指令，解析指令操作机器，并且向Lot网络单元发送反馈信息；
所述支付识别模块用于通过用户购买商品的支付识别用户信息；
所述智能终端交互模块用于和用户进行语音对话，用户语音指令发出后，将语音指令转换后的文字指令，并将文字指令和用户信息发送至智能终端导购模块；
所述智能终端导购模块用于根据用户信息获取用户的购物信息，通过购物信息的比对以及智能分析预测用户未来的购物清单，匹配优惠劵，根据文字指令给用户推荐购物信息；
所述用户端用于显示推荐的购物信息；
所述数据处理单元用于处理api请求并且从数据存储单元中查询数据；接收运营人员发出的指令，进行处理后，将指令信息存储到数据存储单元，并且向Lot网络单元发出处理后的指令；接收Lot消息单元发送的机器状态变化消息并进行机器状态处理，同时存储到数据存储单元中；
所述数据存储单元用于存储业务数据；
所述Lot网络单元用于提供稳定的Lot连接服务连接零售终端和服务器；接收数据处理单元处理后的运营人员发出的指令，并将指令通过网络单元转发到中控单元；接受中控单元的反馈信息，根据Lot规则单元预设的规则判断是否要转发到数据处理单元；
所述Lot消息单元用于发送消息到零售终端以及数据处理单元；接收网络单元发送的机器信息，校验通过后，会定时下发心跳消息给网络单元负责维护socket连接，连接成功后，每次机器状态变化，会发送状态消息给服务器的数据处理单元进行机器状态处理；
所述Lot规则单元用于设定消息转发规则。
本实施例中，所述零售终端包括蓝牙通信单元，所述用户端包括蓝牙单元，零售终端的蓝牙通信单元用于提供连接用户端的蓝牙单元的功能，在网络单元故障的情况下，提供有限度的网络连接服务。
如图3所示，所述支付识别模块包括摄像头和微信刷脸支付单元；
所述摄像头用于获取用户的图像，并将图像信息发送给微信刷脸支付单元；
所述微信刷脸支付单元用于接收图像信息，通过图像信息进行用户购买商品的刷脸支付，并识别用户信息。
零售终端包含网络单元、蓝牙通信单元、中控单元、智能终端交互模块，网络单元负责提供网络连接，蓝牙通信单元负责提供连接用户蓝牙的功能，在网络单元故障的情况下，提供有限度的网络连接服务。智能终端交互模块通过摄像头硬件配合微信支付的人脸识别单元获取用户信息，连接智能终端导购模块进行数据分析后给用户提供更加优质的购物体验，智能终端交互模块还可以通过语音设备和用户进行语音对话，用户语音指令发出后，终端响应指令，展示对应的结果给用户并且通过语音播报。
服务器包含数据处理单元、数据存储单元、智能终端导购模块，数据处理单元负责处理api请求并且从数据存储单元中查询数据，数据存储单元负责存储业务数据，智能终端导购模块根据用户信息获取用户的购物信息，通过购物信息的比对以及智能分析预测用户未来的购物清单，匹配优惠劵，给用户推荐购物信息。
用户端模块包含小程序单元、app单元。
物联网平台包含Lot网络单元、Lot消息单元、Lot规则单元，Lot网络单元负责提供稳定的Lot连接服务，连接零售终端；Lot消息单元，负责发送消息到零售终端以及数据处理单元，Lot规则单元负责设定消息转发规则。
网络单元负责和Lot网络单元建立socket长连接，发送从中控单元获取的机器信息，校验通过后，Lot消息单元会定时下发心跳消息给网络单元负责维护socket连接，连接成功后，每次机器状态变化，Lot消息单元会发送状态消息给服务器的数据处理单元进行机器状态处理，同时存储到数据存储单元中。网络单元成功连接Lot网络单元后，向服务器数据处理单元请求数据，通过中控单元展示给用户。
运营人员向数据处理单元发出指令，数据处理单元进行处理后，将指令信息存储到数据存储单元，并且向Lot网络单元发出指令，Lot网络单元将指令通过网络单元转发到中控单元，中控单元解析指令操作机器，并且向Lot网络单元发送反馈信息，Lot网络单元接受指令后，根据Lot规则单元预设的规则判断是否要转发到数据处理单元。
本发明售货终端和用户交互提高以及组网运营方案：用户可以通过用户端查找附近的售卖终端挑选感兴趣的商品下单购买，再选择合适的时候到终端取货或者直接选择送货上门，用户还可以选择到终端机前，通过触摸32寸显示屏，对终端进行操作，完成购物流程，可以立刻取货或者选择送货上门。零售终端使用智能终端交互单元和智能零售导购单元提升用户和售货终端的交互性。
本发明提高无人售货终端稳定性方案:使用通信模块连接阿里云的物联网平台，提升终端在线的稳定性，每当终端状态发生变化时，可以立即通知管理者及时查看并且可以实时监控；每当终端中商品被用户完成购买后，云端服务器会下发取货码到终端内存储，当用户取货时发生网络故障，依然可以通过取货码进行取货，当终端发生网络故障，无法接收取货码时，用户可以通过微信小程序或者app的蓝牙功能和终端的蓝牙模块进行连接，用户端读取终端的安全配置，和云端服务器通信，检验通过后，云端服务器返回取货码信息，交由用户端写入终端，完成操作后，用户可以通过取货码在终端取货。
实施例2
如图4所示，本实施例在实施例1的基础上，所述智能终端交互模块包括语音设备单元、声音识别单元、问题记录单元、自学习平台单元以及电商单元；
所述语音设备单元用于提供声音的输入和输出；
所述声音识别单元用于使用智能语音交互进行实时语音识别；
所述问题记录单元用于记录用户的对话信息做语义分析提供热词模型给自学习平台进行机器学习，提高声音识别的准确度；
所述自学习平台单元用于使用深度学习算法进行机器学习，提高识别率；
所述电商单元用于将声音转换后的文字信息，并将文字信息和用户信息发送至智能终端导购模块。
本发明首先通过语音识别(ASR)把人讲的话转成文字，再通过自然语言理解(NLU)了解用户的意图使用多轮对话管理(DM)通过提问来进一步明确用户意图，确定用户意图转换成为文字信息，使用正向迭代最细粒度切分算法处理文字得到查询的信息，然后查询电商数据，最后通过语音合成(TTS)把文字说出来。
具体地，声音识别单元使用了降噪算法来进行信号降噪，其中提供了两种降噪算法，LMS自适应滤波和维纳滤波法。
LMS自适应滤波器
1)、给定W(0)，且1＜μ＜1/λmax；
2)、计算输出值：y(k)＝w(k)Tx(k)；
3)、计算估计误差：e(k)＝d(k)-y(k)；
4)、权重更新：w(k+1)＝w(k)+μe(k)x(k)；
其中w为自适应录波器加权系数的数组随着每次更新估算误差e(k)而更新一次；
y(k)为实际输信号出，d(k)为理想输出信号，x(k)为输入信号，k为输入信号长度，μ为收敛因子(学习率)，λ为拉格朗日乘数；
维纳滤波法
首先，对于一个退化的图像过程写成下面的一个形式：
Figure BDA0002452419040000151
其中，
Figure BDA0002452419040000152
为维纳滤波后的图像，E是期望值操作符，f是未退化的图像，min为最小均方差，该表达式在频域表示为：
Figure BDA0002452419040000153
其中，
H(u，v)表示退化函数；
Figure BDA0002452419040000161
表示维纳滤波后的图像；
|H(u，v)|2＝H*(u，v)H(u，v)；
H*(u，v)表示H(u，v)的复共轭；
Sη(u，v)＝|N(u，v)|2表示噪声的功率谱；
Sf(u，υ)＝|F(u，v)|2表示未退化图像的功率谱；
N(u，v)是噪声函数，G(u，v)是图像的采样结果，u，v为采集矩阵的点。
具体地，所述自学习平台单元使用深度学习算法提高识别率，具体为：如果函数f(x,y)具有一阶连续偏导，对于函数任意一点p(x0，y0)都有这样一个向量：f(x0，y0)xi+f(x0，y0)yj，那么这个向量就称为f(x,y)在p这一点的梯度。记作grad f(x0，y0)；所以
Figure BDA0002452419040000162
其中点L的单位向量是e＝(cosα,cosβ)，方向导数是函数在各个方向的斜率，而梯度是斜率最大的那个方向，梯度的值是方向导数最大的值。因此如果沿着梯度反方向能够下降的最快，尽快达到最低，使得系统稳定，提高深度学习的效率。
实施例3
如图5、图6所示，本实施例在实施例1的基础上，所述智能终端导购模块包括信息采集模块、信息分析模块以及商品推荐模块；
所述信息采集模块用于根据用户信息获取用户每次在商场购物平台的购物记录和消费清单；
所述信息分析模块用于对用户的购物习惯进行分析，统计用户的商品消耗周期，本次购买的商品距离下次购买同类商品的时长；根据收集的用户信息，做出用户的消费画像；获取商城或者实体店的购物优惠信息，自动判断优惠信息与用户购物清单的匹配度；
所述商品推荐模块用于根据用户以往的商品使用时长，以及商品消耗周期，到达对应的时间点时生成用户需求商品单推荐给用户；根据用户的消费画像，将类似画像用户购买的商品推荐给用户；根据优惠信息与用户购物清单的匹配度，当优惠匹配上用户的购物习惯时生成推荐购物清单及优惠信息推荐给用户。
具体地，所述信息分析模块包括购物周期分析单元、用户画像分析单元以及优惠信息分析单元；
所述购物周期分析单元用于对用户的购物习惯进行分析，统计用户的商品消耗周期，本次购买的商品距离下次购买同类商品的时长；
所述用户画像分析单元用于根据收集的用户信息，做出用户的消费画像；
所述优惠信息分析单元用于获取商城或者实体店的购物优惠信息，自动判断优惠信息与用户购物清单的匹配度。
具体地，所述商品推荐模块包括周期商品推荐单元、类似商品推荐单元以及优惠商品推荐单元；
所述周期商品推荐单元用于根据用户以往的商品使用时长，以及商品消耗周期，到达对应的时间点时生成用户需求商品单推荐给用户；
所述类似商品推荐单元用于根据用户的消费画像，将类似画像用户购买的商品推荐给用户；
所述优惠商品推荐单元用于根据优惠信息与用户购物清单的匹配度，当优惠匹配上用户的购物习惯时生成推荐购物清单及优惠信息推荐给用户。
具体地，所述商品推荐模块的推荐方法具体为：
在基于内容推荐的基础上做了协同过滤的推荐，首先计算用户对商品的偏好，形成U-V矩阵，然后根据用户属性计算U-U与V-V的相似度和根据用户对商品的偏好计算U与V的相似度，使用计算相似度的方法分别为曼哈顿距离、Pearson相关系数；
曼哈顿距离表示两个n维向量a(x11,x11,…x1n)与b(x21,x21,…x2n)在标准坐标系上的绝对轴距之和：
Figure BDA0002452419040000181
其中，K为第几个纬度，得出所有向量的值后，最小的值为相似度最高；
Pearson相关系数来衡量两个变量X，YY之间的线性相关性，Pearson：-1～1；
-1：完全负相关；1：完全正相关；0：不相关，其计算公式为：
Figure BDA0002452419040000182
其中E为数学期望，N表示变量的取值个数。
本发明通过区块链分布式账本保证交易账目的安全性，依托银行提供的电子账户，让供应商、终端机主、消费者的资金在电子账户中流通，结合智能分账技术和风控模块，终端机主可以根据以往的销售情况直接无资金向供应商订货，消费者消费完之后，终端机主和供应商同时可以在金融系统中查到账目信息，并且随时可以从金融系统中提现到银行卡，通过终端的人脸识别单元，可以获取用户信息，通过用户购物的记录预测以及外部征信的数据支撑，可以给用户提供小额金融贷款，用户可以通过终端查询商品从入库到上架的所有信息。
本发明通过区块链金融模块，提高资金的流转利用率，减少资金周转的环节，让供应商和终端机主之间商品以及资金交易更加方便，提高消费者成交量。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种区块链供应链金融系统，其特征在于，包括区块链供应链模块、区块链金融模块和智能零售终端模块；
所述区块链供应链模块包括商品信息采集单元和商品信息存储单元；
所述区块链金融模块包括风控单元、借款人信息单元和资金单元；
所述商品信息采集单元用于采集商品信息，并将商品信息发送到数据存储单元中进行存储；
所述商品信息存储单元用于存储商品信息；
所述风控单元用于对借款人进行风险控制和风险提示，通过风控决策引擎借助模型得出决策，对借款人行为进行风险控制和风险提示；
所述资金单元用于解决借款人的贷款以及供应商销售回款；
所述借款人信息单元用于根据智能零售终端模块的用户信息对借款人进行模型建立；
所述智能零售终端模块包括零售终端、服务器、物联网平台以及用户端；
所述零售终端包括网络单元、中控单元、支付识别模块以及智能终端交互模块；
所述服务器包括数据处理单元、数据存储单元以及智能终端导购模块；
所述物联网平台包括Lot网络单元、Lot消息单元以及Lot规则单元；
所述网络单元用于提供网络连接；负责和Lot网络单元建立socket长连接，发送从中控单元获取的机器信息至Lot消息单元；网络单元成功连接Lot网络单元后，向服务器数据处理单元请求终端所属的商品数据，通过中控单元展示给用户；
所述中控单元用于接收通过Lot网络单元转发的数据处理单元处理后的运营人员发出的指令，解析指令操作机器，并且向Lot网络单元发送反馈信息；
所述支付识别模块用于通过用户购买商品的支付识别用户信息；
所述智能终端交互模块用于和用户进行语音对话，用户语音指令发出后，将语音指令转换后的文字指令，并将文字指令和用户信息发送至智能终端导购模块；
所述智能终端导购模块用于根据用户信息获取用户的购物信息，通过购物信息的比对以及智能分析预测用户未来的购物清单，匹配优惠劵，根据文字指令给用户推荐购物信息；
所述用户端用于显示推荐的购物信息；
所述数据处理单元用于处理api请求并且从数据存储单元中查询数据；接收运营人员发出的指令，进行处理后，将指令信息存储到数据存储单元，并且向Lot网络单元发出处理后的指令；接收Lot消息单元发送的机器状态变化消息并进行机器状态处理，同时存储到数据存储单元中；
所述数据存储单元用于存储业务数据；
所述Lot网络单元用于提供稳定的Lot连接服务连接零售终端和服务器；接收数据处理单元处理后的运营人员发出的指令，并将指令通过网络单元转发到中控单元；接受中控单元的反馈信息，根据Lot规则单元预设的规则判断是否要转发到数据处理单元；
所述Lot消息单元用于发送消息到零售终端以及数据处理单元；接收网络单元发送的机器信息，校验通过后，会定时下发心跳消息给网络单元负责维护socket连接，连接成功后，每次机器状态变化，会发送状态消息给服务器的数据处理单元进行机器状态处理；
所述Lot规则单元用于设定消息转发规则；
所述智能终端导购模块包括：
信息采集模块，用于根据用户信息获取用户每次在商场购物平台的购物记录和消费清单；
信息分析模块，用于对用户的购物习惯进行分析，统计用户的商品消耗周期，本次购买的商品距离下次购买同类商品的时长；根据收集的用户信息，做出用户的消费画像；获取商城或者实体店的购物优惠信息，自动判断优惠信息与用户购物清单的匹配度；
商品推荐模块，用于根据用户以往的商品使用时长，以及商品消耗周期，到达对应的时间点时生成用户需求商品单推荐给用户；根据用户的消费画像，将类似画像用户购买的商品推荐给用户；根据优惠信息与用户购物清单的匹配度，当优惠匹配上用户的购物习惯时生成推荐购物清单及优惠信息推荐给用户；
所述信息分析模块包括：
购物周期分析单元，用于对用户的购物习惯进行分析，统计用户的商品消耗周期，本次购买的商品距离下次购买同类商品的时长；
用户画像分析单元，用于根据收集的用户信息，做出用户的消费画像；
优惠信息分析单元，用于获取商城或者实体店的购物优惠信息，自动判断优惠信息与用户购物清单的匹配度；
所述商品推荐模块包括：
周期商品推荐单元，用于根据用户以往的商品使用时长，以及商品消耗周期，到达对应的时间点时生成用户需求商品单推荐给用户；
类似商品推荐单元，用于根据用户的消费画像，将类似画像用户购买的商品推荐给用户；
优惠商品推荐单元，用于根据优惠信息与用户购物清单的匹配度，当优惠匹配上用户的购物习惯时生成推荐购物清单及优惠信息推荐给用户；
所述商品推荐模块的推荐方法具体为：
在基于内容推荐的基础上做了协同过滤的推荐，首先计算用户对商品的偏好，形成U-V矩阵，然后根据用户属性计算U-U与V-V的相似度和根据用户对商品的偏好计算U与V的相似度，使用计算相似度的方法分别为曼哈顿距离、Pearson相关系数；
曼哈顿距离表示两个n维向量a(x11,x11,…x1n)与b(x21,x21,…x2n)在标准坐标系上的绝对轴距之和：
Figure FDA0004146903400000041
其中，K为第几个维度，得出所有向量的值后，最小的值为相似度最高；
Pearson相关系数来衡量两个变量X,Y之间的线性相关性，Pearson：-1～1；
-1：完全负相关；1：完全正相关；0：不相关，其计算公式为：
Figure FDA0004146903400000042
其中E为数学期望，N表示变量的取值个数。
2.根据权利要求1所述的区块链供应链金融系统，其特征在于，所述商品信息存储单元使用分布式一致性算法对商品信息进行存储，具体为：
假设有n个提交者，每个编号为i(0<＝i<n)，提议编号的任何值s都大于它已知的最大值，并且满足：
s％n＝i得出s＝m*n+i
提交者已知的最大值来自两部分：提交者自己对编号自增后的值和接收到批准者的拒绝后所得到的值；
以3个提交者P1、P2、P3为例，开始m＝0,编号分别为0，1，2；
1)、P1提交的时候发现了P2已经提交，P2编号为1大于P1的0，因此P1重新计算编号：P1＝1*3+1＝4；
2)、P3以编号2提交，发现小于P1的4，因此P3重新编号：P3＝1*3+2＝5。
3.根据权利要求1所述的区块链供应链金融系统，其特征在于，所述借款人信息单元使用了决策树算法对用户进行模型建立，具体为：
采取信息增益这个量作为纯度的度量，选取是的信息增益最大的特征进行分裂；
信息熵是代表随机变量的复杂度，条件熵代表在某一个条件下，随机变量的复杂度；选取的信息增益为信息熵-条件熵；
当前样本集合D中的第K类样本所占的比例为pk(k＝1,2,3…,|y|)，则D的信息熵定义为：
Figure FDA0004146903400000051
离散属性a有V个可能的取值{a1,a2,a3,，，，，av}，样本集合中，属性a上取值为av的样本集合，记为Dv；
用属性a对样本集D进行划分所获取的信息增益为：
Figure FDA0004146903400000052
当决策树中选择最优划分属性按照信息增益最大来进行时，决策树属于ID3决策树。
4.根据权利要求1所述的区块链供应链金融系统，其特征在于，所述商品信息包括商品的名称、产地、生产产商、成分、品种、生产日期及保质期限信息；
所述零售终端包括蓝牙通信单元，所述用户端包括蓝牙单元，零售终端的蓝牙通信单元用于提供连接用户端的蓝牙单元的功能，在网络单元故障的情况下，提供有限度的网络连接服务；
所述支付识别模块包括：
摄像头，用于获取用户的图像，并将图像信息发送给微信刷脸支付单元；
微信刷脸支付单元，用于接收图像信息，通过图像信息进行用户购买商品的刷脸支付，并识别用户信息。
5.根据权利要求1所述的区块链供应链金融系统，其特征在于，所述智能终端交互模块包括：
语音设备单元，用于提供声音的输入和输出；
声音识别单元，用于使用智能语音交互进行实时语音识别；
问题记录单元，用于记录用户的对话信息做语义分析提供热词模型给自学习平台进行机器学习，提高声音识别的准确度；
自学习平台单元，用于使用深度学习算法进行机器学习，提高识别率；
电商单元，用于将声音转换后的文字信息，并将文字信息和用户信息发送至智能终端导购模块。
6.根据权利要求5所述的区块链供应链金融系统，其特征在于，所述声音识别单元使用LMS自适应滤波降噪算法来进行信号降噪，LMS自适应滤波降噪算法具体为：
1)、给定W(0)，且1＜μ＜1/λmax；
2)、计算输出值：y(k)＝w(k)Tx(k)；
3)、计算估计误差：e(k)＝d(k)-y(k)；
4)、权重更新：w(k+1)＝w(k)+μe(k)x(k)；
其中w为自适应滤波器加权系数的数组随着每次更新估算误差e(k)而更新一次；
y(k)为实际输信号出，d(k)为理想输出信号，x(k)为输入信号，k为输入信号长度，μ为收敛因子，λ为拉格朗日乘数。
7.根据权利要求5所述的区块链供应链金融系统，其特征在于，所述声音识别单元使用维纳滤波法来进行信号降噪，维纳滤波法具体为：
首先，对于一个退化的图像过程写成下面的一个形式：
Figure FDA0004146903400000071
其中，
Figure FDA0004146903400000072
为维纳滤波后的图像，E是期望值操作符，f是未退化的图像，min为最小均方差，维纳滤波后的图像的表达式在频域表示为：
Figure FDA0004146903400000073
其中，
H(u，v)表示退化函数；
Figure FDA0004146903400000074
表示维纳滤波后的图像；
|H(u，v)|2＝H*(u，v)H(u，v)；
H*(u，v)表示H(u，v)的复共轭；
Sη(u，v)＝|N(u，v)|2表示噪声的功率谱；
Sf(u，v)＝|F(u，v)|2表示未退化图像的功率谱；
N(u，v)是噪声函数，G(u，v)是图像的采样结果，u，v为采集矩阵的点。
8.根据权利要求5所述的区块链供应链金融系统，其特征在于，所述自学习平台单元使用深度学习算法提高识别率，具体为：
如果函数f(x,y)具有一阶连续偏导，对于函数任意一点p(x0，y0)都有这样一个向量：f(x0，y0)xi+f(x0，y0)yj，那么这个向量就称为f(x,y)在p这一点的梯度，记作grad f(x0，y0)；所以
Figure FDA0004146903400000081
其中点L的单位向量是e＝(cosα,cosβ)，方向导数是函数在各个方向的斜率，而梯度是斜率最大的那个方向，梯度的值是方向导数最大的值，因此如果沿着梯度反方向能够下降的最快，尽快达到最低，使得系统稳定，提高深度学习的效率。
CN202010296606.XA 2020-04-15 2020-04-15 一种区块链供应链金融系统 Active CN111652668B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010296606.XA CN111652668B (zh) 2020-04-15 2020-04-15 一种区块链供应链金融系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010296606.XA CN111652668B (zh) 2020-04-15 2020-04-15 一种区块链供应链金融系统

Publications (2)

Publication Number Publication Date
CN111652668A CN111652668A (zh) 2020-09-11
CN111652668B true CN111652668B (zh) 2023-05-02

Family

ID=72346287

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010296606.XA Active CN111652668B (zh) 2020-04-15 2020-04-15 一种区块链供应链金融系统

Country Status (1)

Country Link
CN (1) CN111652668B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240453B (zh) * 2021-04-21 2024-05-28 福建神笔马良智能科技股份有限公司 基于区块链的商品销售动态推进管理系统
CN113674061A (zh) * 2021-08-25 2021-11-19 上海金仕达软件科技有限公司 一种债券询价交易消息对接方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345389A (zh) * 2018-09-25 2019-02-15 阿里巴巴集团控股有限公司 一种资源分享方法、装置及设备
CN109447858A (zh) * 2018-09-21 2019-03-08 牛雨丝 一种基于区块链的泛在学习环境构建方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447858A (zh) * 2018-09-21 2019-03-08 牛雨丝 一种基于区块链的泛在学习环境构建方法
CN109345389A (zh) * 2018-09-25 2019-02-15 阿里巴巴集团控股有限公司 一种资源分享方法、装置及设备

Also Published As

Publication number Publication date
CN111652668A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
US11361364B2 (en) Shopping recommendation method, client, and server
CN111652668B (zh) 一种区块链供应链金融系统
CN107767152B (zh) 产品购买倾向分析方法及服务器
US20180218432A1 (en) Recommendation integrated online digital sales service chat system
CN113946754A (zh) 基于用户画像的权益推荐方法、装置、设备及存储介质
CN112581226B (zh) 产品推荐方法及系统
CN111429214B (zh) 一种基于交易数据的买卖双方匹配方法及装置
CN111882354A (zh) 一种信息推送方法、装置、存储介质及智能终端
JP6709775B2 (ja) 算出装置、算出方法及び算出プログラム
CN116304007A (zh) 一种信息推荐方法、装置、存储介质及电子设备
CN111652606B (zh) 一种智能零售终端系统
US20240095457A1 (en) Systems and methods for generating dynamic conversational responses based on predicted user intents using artificial intelligence models
CN112036987A (zh) 确定推荐商品的方法和装置
CN112200215B (zh) 标签特征提取方法、装置、存储介质与电子设备
US11776011B2 (en) Methods and apparatus for improving the selection of advertising
CN113762415A (zh) 一种基于神经网络的汽车金融产品智能匹配方法和系统
CN113744030A (zh) 基于ai用户画像的推荐方法、装置、服务器及介质
CN113888230A (zh) 电子优惠券的发放方法及装置、可读存储介质及电子设备
CN113516559A (zh) 基金风险确定方法及装置
Rafi et al. Towards optimal ATM cash replenishment using time series analysis
CN111507743A (zh) 一种代驾推荐方法和系统
KR20200029647A (ko) 사용자 개인화에 의한 큐레이터 전자상거래 시스템의 일반화 방법
JP7345032B1 (ja) 与信審査装置、方法及びプログラム
CN117708340B (zh) 标签文本的确定方法、模型训练及调整方法、设备和介质
CN111932018B (zh) 银行业务绩效贡献信息预测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant