CN112333217A - 基于区块链的联合推荐方法和系统 - Google Patents

Abstract

本公开一个或多个实施例提供一种基于区块链的联合推荐方法和系统；所述方法包括：推荐请求方基于预设的推荐任务在区块链上部署智能合约，包括：推荐请求方对其第一历史数据执行局部敏感哈希LSH算法而得到的第一LSH值；区块链上的每个响应所述智能合约的数据提供方，计算本地推荐值，并将其隐藏为承诺写入智能合约，由矿工检查承诺为有效后，将数据提供方的本地推荐值和本地信誉值写入智能合约中；基于本地推荐值和本地信誉值，以及区块链上保存的与该交易对应的数据提供方的全局信誉值，矿工计算联合推荐值以发送给推荐请求方。本方案使请求推荐方可以安全地精准接收所需数据，提高了数据推荐的效率与安全，保证了服务的稳定性。

Description

基于区块链的联合推荐方法和系统

技术领域

本公开一个或多个实施例涉及区块链技术领域，尤其涉及一种基于区块链的联合推荐方法和系统。

背景技术

在数据推荐的现有方式中，多数使用一个集中式服务器运行业务，导致容易受到攻击，并且集中式服务器的方式本身存在单点故障的问题隐患；在其他数据推荐的方法中，对于数据本身的可靠性也存在问题，系统往往会收到不诚实提供方提供的低质量数据，而推荐请求方无法甄别数据的真实性；并且在推荐的过程中，为了保证数据的隐私性，经常采用高成本的加密方式，降低了数据推荐的效率与准确性，并且对于轻量级的数据提供方不友好。

基于此，需要一种能够实现以低计算成本保证数据隐私性的前提下，能够有效甄别数据的可靠性，并杜绝业务运行中单点故障的方案。

发明内容

有鉴于此，本说明书一个或多个实施例的目的在于提出一种基于区块链的联合推荐方法和系统。

基于上述目的，本说明书一个或多个实施例提供了一种基于区块链的联合推荐方法，该方法包括：

推荐请求方基于预设的推荐任务而在所述区块链上部署智能合约，所述智能合约中包括所述推荐请求方预先对所述推荐请求方的第一历史数据执行局部敏感哈希（LSH）算法而得到的第一LSH值；

在所述区块链上的多个数据提供方中的每一个数据提供方在确定响应所述智能合约后，执行下列操作：

基于所述第一LSH值和该数据提供方的第二LSH表，通过预定的推荐算法计算该数据提供方的本地推荐值，其中，所述第二LSH表是该数据提供方预先对该数据提供方的第二历史数据执行LSH算法而得到的，

利用预定的承诺方案生成承诺以隐藏所述本地推荐值，并将所述承诺上传至所述区块链以写入所述智能合约，

响应于接收到所述区块链上的矿工在验证了所述承诺的有效性后发送的提交请求，将所述本地推荐值和预先确定的该数据提供方的本地信誉值封装到交易中以上传至所述区块链并写入所述智能合约；

基于所述智能合约中记录的每个所述交易中的所述本地推荐值和所述本地信誉值，以及所述区块链上保存的与该交易对应的所述数据提供方的全局信誉值，所述矿工计算联合推荐值以发送给所述推荐请求方。

基于同一发明构思，本说明书一个或多个实施例还提供了一种基于区块链的联合推荐系统，该系统包括：在所述区块链上的推荐请求方、多个数据提供方以及矿工；

其中，所述推荐请求方基于预设的推荐任务而在所述区块链上部署智能合约，所述智能合约中包括所述推荐请求方预先对所述推荐请求方的第一历史数据执行LSH算法而得到的第一LSH值；

所述多个数据提供方中的每一个数据提供方在确定响应所述智能合约后，执行下列操作：

基于所述第一LSH值和该数据提供方的第二LSH表，通过预定的推荐算法计算该数据提供方的本地推荐值，其中，所述第二LSH表是该数据提供方预先对该数据提供方的第二历史数据执行LSH算法而得到的，

利用预定的承诺方案生成承诺以隐藏所述本地推荐值，并将所述承诺上传至所述区块链以写入所述智能合约，

响应于接收到所述矿工在验证了所述承诺的有效性后发送的提交请求，将所述本地推荐值和预先确定的该数据提供方的本地信誉值封装到交易中以上传至所述区块链并写入所述智能合约；

基于所述智能合约中记录的每个所述交易中的所述本地推荐值和所述本地信誉值，以及所述区块链上保存的与该交易对应的所述数据提供方的全局信誉值，所述矿工计算联合推荐值以发送给所述推荐请求方。

从上面所述可以看出，本说明书一个或多个实施例提供的基于区块链的联合推荐方法、装置和电子设备，基于区块链技术，利用分布式的推荐模式，综合考虑了数据的安全性，数据提供方的可信度，以及分布式推荐的稳定性，来进行分布式，多维度的联合推荐方案，使得数据提供方的可信度、诚实度，以及数据的可靠性、精准度大大增加，从而实现请求推荐方可以精准接收相关数据，提高了数据推荐的效率与安全，并同时保证了整个系统工作的稳定性。

附图说明

为了更清楚地说明本公开一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术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公开一个或多个实施例，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为本说明书一个或多个实施例的基于区块链的联合推荐方法的流程图；

图2为本说明书一个或多个实施例的基于联盟链的联合推荐系统的示意图。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。

如背景技术部分所述，现有的基于区块链的联合推荐方法还难以满足数据推荐的需要。申请人在实现本公开的过程中发现，现有的基于区块链的联合推荐方法存在的主要问题在于：基于集中式的服务器的推荐方式，容易出现单点故障，并且易被攻击，进而导致整个服务网络出现故障；在现有技术中，对于数据提供方所提供的数据，其可靠性与精度往往难以评估，并且准确度不高，数据提供方的可信度，诚实度，也没有量化标准进行取舍；对于数据的隐私方面，现有的数据推荐中的加密技术，往往会引入极大的计算成本。

有鉴于此，本说明书一个或多个实施例提供了一种基于区块链的联合推荐方法，基于区块链技术的分布式推荐方法，并在其中对数据设计了相关概念，包括：本地推荐值，代表了某一数据提供方提供的数据；联合推荐值，代表了综合所有数据提供方的推荐值；本地信誉值，代表了某一数据提供方，对自己提供的数据的质量、准确度，做出的自我评估；以及全局信誉值，代表了区块链，对某一数据提供方所提供的数据的质量、准确度，并综合该数据提供方的自我评估是否诚实等，做出的评价。所述基于区块链的联合推荐方法，具体的包括：首先采用局部敏感哈希算法，对数据提供方所持有的数据，以及推荐请求方的历史数据进行脱敏，得到掩盖了各自真实数据的两个哈希值，将哈希值以及数据交易要求等部署到区块链的智能合约；在数据提供方相应智能合约后，计算本地信誉值以及本地推荐值，并且采取彼得森承诺方案，将本地推荐值隐藏为承诺发送至区块链上；智能合约被触发后，区块链将检查发送的承诺是否为有效承诺，并要求数据提供方将本地推荐值以及本地信誉值封装至交易中，区块链将根据本地推荐值，本地信誉值，计算出全局信誉值以及联合推荐值；之后，推荐请求方将得到联合推荐值，并由区块链对数据提供方的全局信誉值进行更新。

可以理解，该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。

以下，通过具体的实施例，并具体结合图2示出的基于联盟链的联合推荐系统的示意图，来详细说明本说明书一个或多个实施例的技术方法。

参考图1，本说明书一个实施例的基于区块链的联合推荐方法，基于区块链技术和网络结构，其中包括以下步骤：

步骤S101，推荐请求方基于预设的推荐任务而在所述区块链上部署智能合约，所述智能合约中包括所述推荐请求方预先对所述推荐请求方的第一历史数据执行局部敏感哈希LSH算法而得到的第一LSH值。

在本步骤中，首先需要将涉及隐私的敏感数据进行隐藏脱敏，也即在无法逆向求出真实数据的情况下，保留数据之间的相似性；具体的，由所述数据提供方，通过对其所持有的数据在链下进行LSH算法的运算，可以得到属于数据提供方不同数据的运算值，所述运算值也即哈希值，为了避免与下述的哈希值混淆，将此处属于数据提供方的哈希值称为运算值；之后，将所述运算值整合为哈希表，其中数据提供方每个数据的运算值代表了哈希表中1个相对应的位置。

同时，由所述推荐请求方对所需数据执行LSH算法，同样达到对敏感数据脱敏的目的，并得到属于推荐请求方所需数据的哈希值；其中，所需数据可以是推荐请求方所应用的历史数据。

具体的，哈希算法表达为：

基于如下逻辑计算哈希函数；

其中，

表示从-1到1的随机数，而d是用户评分的维度。

随机生成r个构成一个r位的0/1字符串，所述字符串即待匹配的LSH哈希值。

进一步的，根据图2所示，推荐请求方在区块链上部署与数据提供方之间进行数据交易的智能合约，作为推荐请求方对数据交易的具体要求，其中可以包括：推荐请求方所需数据的哈希值；推荐请求方提供的交易费用，作为对数据提供方的报酬；对数据提供方的信誉限制，其中包括对数据提供方的本地信誉值，以及全局信誉值的评价；以及作为智能合约触发条件的，数据提供方最多参与数量等；并可以根据具体需要，增加例如数据提供方的时间限制等要求。

步骤S102，在所述区块链上的多个数据提供方中的每一个数据提供方在确定响应所述智能合约后，执行下列操作：

基于所述第一LSH值和该数据提供方的第二LSH表，通过预定的推荐算法计算该数据提供方的本地推荐值，其中，所述第二LSH表是该数据提供方预先对该数据提供方的第二历史数据执行LSH算法而得到的，

利用预定的承诺方案生成承诺以隐藏所述本地推荐值，并将所述承诺上传至所述区块链以写入所述智能合约，

响应于接收到所述区块链上的矿工在验证了所述承诺的有效性后发送的提交请求，将所述本地推荐值和预先确定的该数据提供方的本地信誉值封装到交易中以上传至所述区块链并写入所述智能合约。

在本说明书的一些实施例中，为了完成上述步骤，数据提供方在读取由推荐请求方在链上发布的所述智能合约后，可以自行决定是否对所述智能合约进行响应。

决定响应智能合约的数据提供方，可以基于本地所拥有的数据及其所述哈希表，以及推荐请求方提供的所述哈希值，得出所述数据提供方的本地推荐值；因此所述本地推荐值仅仅针对单个数据提供方所提的供数据。

具体的，本地推荐值的表达方式为：

其中，NB^k是LSH算法计算的最近邻居集；u_q ^k表示NB^k的组成单元； it.g_q ^k是最近邻居集对待预测项目的打分。

进一步的，基于LSH值，以及匹配成功的LSH值的数量，数据提供方得出关于该数据的本地信誉值；所述本地信誉值代表了所述数据提供方对所提供数据质量的自我评价，也即对于数据准确性和相关性的自我评价。

具体的，本地信誉值的表达方式为：

其中，map_q ^k是平台k上的用户q与待预测用户匹配成功的LSH值数量，V_max是最邻近邻居集最多包含的用户数量，V^k _act是平台k实际拥有的最近邻居集数量。

进一步的，按照图2所示的系统，在数据提供方计算出本地推荐值后，为了保证数据的安全，防止所述本地推荐值被其他恶意数据提供方复制，需要采取Pedersen（彼得森)承诺方案，所述Pedersen承诺方案是一个涉及两方的两阶段交互式协议，两方分别是承诺方和接收方。

具体的，在本实施例中，所述承诺方是数据提供方，所述接收方是区块链智能合约；首先引入1个随机数，并将随机数与本地推荐值共同参与运算，实现将本地推荐值的明文数据转化为密文数据，以实现所述Pedersen承诺方案的隐藏属性；进一步的，得到的密文数据即为承诺，将隐藏了本地推荐值的承诺发送到区块链上的智能合约，所述承诺在所述数据提供方揭露所述推荐值之前，无法得知，因此实现了所述Pedersen承诺方案的绑定属性；并且，为了防止数据提供方发送无效的恶意承诺，可以根据具体需求，要求所述数据提供方向智能合约提交承诺押金，用以保证其所发送的承诺的有效性。

步骤S103，基于所述智能合约中记录的每个所述交易中的所述本地推荐值和所述本地信誉值，以及所述区块链上保存的与该交易对应的所述数据提供方的全局信誉值，所述矿工计算联合推荐值以发送给所述推荐请求方。

在本步骤中，根据步骤S101中对所述智能合约设定的触发条件，触发智能合约；所述触发条件可以是例如：参与智能合约的数据提供方达到某设定数量，或者是达到在智能合约部署完毕之后达到某个固定时限等，在本实施例中对智能合约的触发条件不做具体限定，可以根据具体需求进行设定。在智能合约触发后，区块链则不再接收其他新的数据提供方的参与请求。

进一步的，区块链上的智能合约被触发后，将要求每个所述数据提供方将本地推荐值和本地信誉值发送至所述区块链上的智能合约，为揭露承诺并检查其有效性做准备；并将所述承诺与所述本地信誉值封装至本次区块链的智能合约交易中。

进一步的，基于所述Pedersen承诺方案机制的一部分，所述区块链上的矿工将根据揭露的本地推荐值，对上一步中数据提供方提交的承诺进行有效性的检查；其中，对于有效的承诺，将达成共识，认定数据提供方为合法数据提供方，并退还数据提供方提交的承诺押金；对于无效的承诺，则无法达成共识，认定数据提供方为不合法数据提供方，并将没收其提交的承诺押金。

进一步的，在所有数据提供方的本地推荐值和本地信誉值完成提交，并检查确认为有效后，智能合约将自动计算本次交易的联合推荐值，具体的，依据如下的计算方式进行：

其中P^fin为得出的联合推荐值；

进一步的，对上式求偏导的P^fin初始值为：

其中，q_i是本次计算中，准确性的量化表示，具体表达为：

为了让上述一表达式一直有意义，ε是一个较小的无意义实数，并且，其中λ表达为：

进一步的，更新P^fin直到偏导为0，得到最终的P^fin。

在推荐请求方得到联合推荐值后，则开始对数据提供方的全局信誉值进行更新。所述全局信誉值代表了区块链对所述数据提供方的诚实度，也即所述数据提供方所提供的数据，是否与其自我评价相符。

具体的，所述全局信誉值的更新，基于Gompertz函数：

进行更新后的全局信誉值R_i ^g’为：

其中，

n是平台的数量，q’_i是Gompertz函数的参数，R_i ^l是本地信誉值，R_i ^g是原始的全局信誉值；q_i是由R_i初始化得到；其中，R_i为信誉值与本地信誉值之间的中间参数，具体的关系为：

另外，由于本地信誉值体现了每个数据提供方对参与本次交易的数据，在质量程度上的自我评估，而不代表自我数据的诚实度，因此本地推荐值的准确性底，也可能是由于数据提供方的数据不佳，质量不高导致；所以本地信誉值越低，本地推荐值对联合推荐值的贡献程度则越低，数据提供方所获得的收益也越低，但是最后代表了该数据提供方对自我数据诚实程度的全局信誉值，其变化幅度也越低。

需要说明的是，本发明的实施例基于区块链的技术和环境，并默认为区块链中的数据提供方与推荐请求方均已完成区块链的注册；另外，在本实施例中，对区块链的类型不做具体限定，可以是联盟链，也可以是例如公有区块链，或者私有区块链。

可见，本说明书一个或多个实施例的基于区块链的联合推荐方法，基于区块链技术，利用分布式的推荐模式，综合考虑了数据的安全性，数据提供方的可信度，以及分布式推荐的稳定性，来进行分布式，多维度的联合推荐方案，使得数据提供方的可信度、诚实度，以及数据的可靠性、精准度大大增加，从而实现请求推荐方可以精准接收相关数据，提高了数据推荐的效率与安全，并同时保证了整个系统工作的稳定性。

需要说明的是，本公开一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

上述对本公开特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围（包括权利要求）被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路（IC）芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出系统，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的（即，这些细节应当完全处于本领域技术人员的理解范围内）。在阐述了具体细节以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构（例如，动态RAM（DRAM））可以使用所讨论的实施例。

本公开一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于区块链的联合推荐方法，其特征在于，包括：

推荐请求方基于预设的推荐任务而在所述区块链上部署智能合约，所述智能合约中包括所述推荐请求方预先对所述推荐请求方的第一历史数据执行局部敏感哈希LSH算法而得到的第一LSH值；

在所述区块链上的多个数据提供方中的每一个数据提供方在确定响应所述智能合约后，执行下列操作：

基于所述第一LSH值和该数据提供方的第二LSH表，通过预定的推荐算法计算该数据提供方的本地推荐值，其中，所述第二LSH表是该数据提供方预先对该数据提供方的第二历史数据执行LSH算法而得到的，

利用预定的承诺方案生成承诺以隐藏所述本地推荐值，并将所述承诺上传至所述区块链以写入所述智能合约，

响应于接收到所述区块链上的矿工在验证了所述承诺的有效性后发送的提交请求，将所述本地推荐值和预先确定的该数据提供方的本地信誉值封装到交易中以上传至所述区块链并写入所述智能合约；

基于所述智能合约中记录的每个所述交易中的所述本地推荐值和所述本地信誉值，以及所述区块链上保存的与该交易对应的所述数据提供方的全局信誉值，所述矿工计算联合推荐值以发送给所述推荐请求方。

2.根据权利要求1所述的方法，其特征在于，还包括：

对于每个所述交易，所述矿工基于该交易中的所述本地推荐值与计算出的所述联合推荐值之差，更新该交易对应的所述数据提供方的全局信誉值。

3.根据权利要求2所述的方法，其特征在于，所述更新该交易对应的所述数据提供方的全局信誉值包括：

基于Gompertz曲线函数，利用所述本地信誉值以及更新前的所述全局信誉值进行更新计算。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述矿工通过以下操作计算出所述联合推荐值：

对于每个所述交易对应的所述数据提供方，基于公式：

得到所述本地推荐值，其中，NB^k是所述第二LSH表计算的最近邻居集； u^k _q表示NB^k的组成单元；it.g_q ^k是最近邻居集对待预测项目的打分；

以及，依据公式：

得到所述联合推荐值；其中，P^fin表示联合推荐值，P_i表示本地推荐值，以及，q_i为所述本地推荐值的准确性的量化表达。

5.根据权利要求1至3中任一项所述的方法，其特征在于，所述承诺方案为Pedersen承诺方案。

6.根据权利要求1至3中任一项所述的方法，其特征在于，所述数据提供方的本地信誉值是所述数据提供方预先根据所述第二历史数据的稀疏度和所述第二LSH表而确定的。

7.根据权利要求1至3中任一项所述的方法，其特征在于，所述推荐请求方在所述区块链上部署的所述智能合约中还包括下列中至少一个：交易费用、数据提供方信誉限制、数据提供方参与时间限制、数据提供方参与者的数量阈值。

8.一种基于区块链的联合推荐系统，其特征在于，包括：在所述区块链上的推荐请求方、多个数据提供方以及矿工；

其中，所述推荐请求方基于预设的推荐任务而在所述区块链上部署智能合约，所述智能合约中包括所述推荐请求方预先对所述推荐请求方的第一历史数据执行局部敏感哈希LSH算法而得到的第一LSH值；

所述多个数据提供方中的每一个数据提供方在确定响应所述智能合约后，执行下列操作：

基于所述第一LSH值和该数据提供方的第二LSH表，通过预定的推荐算法计算该数据提供方的本地推荐值，其中，所述第二LSH表是该数据提供方预先对该数据提供方的第二历史数据执行LSH算法而得到的，

利用预定的承诺方案生成承诺以隐藏所述本地推荐值，并将所述承诺上传至所述区块链以写入所述智能合约，

响应于接收到所述矿工在验证了所述承诺的有效性后发送的提交请求，将所述本地推荐值和预先确定的该数据提供方的本地信誉值封装到交易中以上传至所述区块链并写入所述智能合约；

基于所述智能合约中记录的每个所述交易中的所述本地推荐值和所述本地信誉值，以及所述区块链上保存的与该交易对应的所述数据提供方的全局信誉值，所述矿工计算联合推荐值以发送给所述推荐请求方。

9.根据权利要求8所述的系统，其特征在于，所述矿工还被配置成：

对于每个所述交易，基于该交易中的所述本地推荐值与计算出的所述联合推荐值之差，更新该交易对应的所述数据提供方的全局信誉值。

10.根据权利要求8或9所述的系统，其特征在于，所述矿工通过以下操作计算出所述联合推荐值：

对于每个所述交易对应的所述数据提供方，基于公式：

得到所述本地推荐值，其中，NB^k是所述第二LSH表计算的最近邻居集； u^k _q表示NB^k的组成单元；it.g_q ^k是最近邻居集对待预测项目的打分；

以及，依据公式：

得到所述联合推荐值；其中，P^fin表示联合推荐值，P_i表示本地推荐值，以及，q_i为所述本地推荐值的准确性的量化表达。

Images