CN112800241A - 基于区块链离线支付的大数据处理方法及大数据处理系统 - Google Patents

Abstract

本申请实施例提供一种基于区块链离线支付的大数据处理方法及大数据处理系统，通过考虑待挖掘服务标签在离线账单数据集合所对应的目标支付环境元素下的可挖掘目标服务，然后基于预定的已订阅推送分组对各个目标支付环境元素下的可挖掘目标服务进行分组，从而考虑到不同目标支付环境元素和已订阅推送分组的差异，由此基于已订阅推送分组对应的推送服务画像对每个已订阅推送分组的知识图谱数据集合进行大数据挖掘，可以有效提高大数据挖掘的精确性，使得大数据挖掘结果更能够匹配实际的业务场景。

Description

基于区块链离线支付的大数据处理方法及大数据处理系统

技术领域

本申请涉及大数据技术领域，具体而言，涉及一种基于区块链离线支付的大数据处理方法及大数据处理系统。

背景技术

随着移动互联网技术和数字货币运营的发展，数字货币会逐渐成为作为今后新的主力支付方式，不仅可以支持在线支付，也可以如当前的现金交易一般支持离线网络状态下的离线支付。

由于在离线支付状态下，支付过程中产生的各种业务账单数据并不会实时同步到云服务平台中，而离线支付的场景同样也可以反映线下广泛用户的行为特征，因此仍旧需要对离线支付场景的离线账单数据集合进行大数据挖掘，以便于根据大数据级的分析结果改进后续的业务推送服务。

然而，经本申请发明人研究发现，常规的大数据挖掘设计中，未考虑到实际的支付环境元素（例如支付业务场景类型、支付用户的用户类型等），导致大数据挖掘的精确性不高。

发明内容

为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于区块链离线支付的大数据处理方法及大数据处理系统，通过考虑待挖掘服务标签在离线账单数据集合所对应的目标支付环境元素下的可挖掘目标服务，然后基于预定的已订阅推送分组对各个目标支付环境元素下的可挖掘目标服务进行分组，从而考虑到不同目标支付环境元素和已订阅推送分组的差异，由此基于已订阅推送分组对应的推送服务画像对每个已订阅推送分组的知识图谱数据集合进行大数据挖掘，可以有效提高大数据挖掘的精确性，使得大数据挖掘结果更能够匹配实际的业务场景。

第一方面，本申请提供一种基于区块链离线支付的大数据处理方法，应用于云服务推送平台，所述云服务推送平台与多个数字金融服务终端通信连接，所述方法包括：

从每个数字金融服务终端中获取每个数字金融服务终端在区块链离线支付环境下生成的离线账单数据集合以及所述离线账单数据集合所对应的目标支付环境元素；

获取待挖掘服务标签在所述目标支付环境元素下的可挖掘目标服务，并按照预定的已订阅推送分组对各个目标支付环境元素下的可挖掘目标服务进行分组，分别生成每个已订阅推送分组的可挖掘目标服务集合；

针对每个已订阅推送分组，获取该已订阅推送分组的可挖掘目标服务集合中每个可挖掘目标服务匹配于所述离线账单数据集合的知识图谱数据，并基于已订阅推送分组对应的推送服务画像对每个已订阅推送分组的知识图谱数据集合进行大数据挖掘。

在第一方面的一种可能的实现方式中，所述获取该已订阅推送分组的可挖掘目标服务集合中每个可挖掘目标服务匹配于所述离线账单数据集合的知识图谱数据的步骤，包括：

获取该已订阅推送分组的可挖掘目标服务集合中每个可挖掘目标服务相关的匹配关键词向量；

根据所述每个可挖掘目标服务相关的匹配关键词向量从所述离线账单数据集合中匹配对应的账单板块内容；

根据所述每个可挖掘目标服务相关的匹配关键词向量匹配的账单板块内容中每个业务记录板块对应的知识图谱内容，确定该已订阅推送分组的可挖掘目标服务集合中每个可挖掘目标服务匹配于所述离线账单数据集合的知识图谱数据。

在第一方面的一种可能的实现方式中，所述方法还包括：

在大数据挖掘过程中判断是否存在用于表示可挖掘目标服务存在扩展加载业务的扩展加载业务信息，并在检测到所述扩展加载业务信息时，提取大数据挖掘的所述扩展加载业务信息对应的第一可挖掘目标服务的第一知识图谱以及与所述第一可挖掘目标服务存在扩展加载业务关系的至少一个第二可挖掘目标服务的第二知识图谱；

根据预设人工智能模型确定所述第一知识图谱和至少一个第二知识图谱之间的全局大数据挖掘信息。

在第一方面的一种可能的实现方式中，所述根据预设人工智能模型确定所述第一知识图谱和至少一个第二知识图谱之间的全局大数据挖掘信息的步骤，包括：

将所述第一知识图谱按照每个相同的知识图谱节点与至少一个第二知识图谱对应的知识图谱节点进行融合后，得到融合知识图谱；

将所述第一知识图谱和至少一个第二知识图谱添加到预设的数据地图分类队列，并基于所述数据地图分类队列建立所述第一知识图谱的多个第一数据地图分类参数以及所述第二知识图谱的多个第二数据地图分类参数；

根据每个第一数据地图分类参数确定所述第一可挖掘目标服务的第一知识表达信息，并根据每个第二数据地图分类参数确定所述第二可挖掘目标服务的第二知识表达信息，而后将所述第一知识表达信息和所述第二知识表达信息映射至知识实体特征模型，得到所述第一知识表达信息对应的第一知识图谱特征以及所述第二知识表达信息对应的第二知识图谱特征，并确定所述知识实体特征模型对应于所述融合知识图谱的多个知识语料对象，对所述多个知识语料对象进行汇总得到至少多个不同类别的知识语料挖掘列表，针对每个知识语料挖掘列表，在预设的大数据挖掘进程中挖掘所述知识语料挖掘列表中的每个知识语料对象对应所述第一知识图谱特征的第一语料画像刻画特征和对应所述第二知识图谱特征的第二语料画像刻画特征；

根据所述知识语料挖掘列表中的每个知识语料对象对应的第一语料画像刻画特征和第二语料画像刻画特征的挖掘结果，按照知识预料的预设优先级进行拼接生成的模拟挖掘流，对所述拼接生成的模拟挖掘流进行还原，确定所述第一可挖掘目标服务和至少一个第二可挖掘目标服务的全局大数据挖掘信息。

在第一方面的一种可能的实现方式中，所述将所述第一知识图谱和至少一个第二知识图谱添加到预设的数据地图分类队列的步骤，包括：

确定所述数据地图分类队列的扩展挖掘配置信息；其中，所述扩展挖掘配置信息用于表征所述数据地图分类队列对先后添加到的知识图谱进行处理时所分配的数据地图分类目标，所述数据地图分类目标用于表征所述数据地图分类队列对添加到的知识图谱进行挖掘时的挖掘特征节点信息；

基于所述扩展挖掘配置信息，确定将所述第一知识图谱添加到所述数据地图分类队列所对应的第一挖掘特征节点信息以及将所述第二知识图谱添加到所述数据地图分类队列所对应的第二挖掘特征节点信息；

根据所述第一挖掘特征节点信息和所述第二挖掘特征节点信息确定在将所述第一知识图谱和所述第二知识图谱添加到所述数据地图分类队列时是否存在扩展加载业务；其中，所述扩展加载业务用于表征所述数据地图分类队列的挖掘存在扩展加载的响应行为；

若否，则对所述第二挖掘特征节点信息进行调整得到第三挖掘特征节点信息，并基于所述第一挖掘特征节点信息和所述第三挖掘特征节点信息将所述第一知识图谱和所述第二知识图谱添加到所述数据地图分类队列，其中，所述第三挖掘特征节点信息与所述第二挖掘特征节点信息之间的特征差距与所述第一挖掘特征节点信息和所述第二挖掘特征节点信息之间的特征差距匹配；

若是，则持续采用所述第一挖掘特征节点信息和所述第二挖掘特征节点信息将所述第一知识图谱和所述第二知识图谱添加到所述数据地图分类队列。

在第一方面的一种可能的实现方式中，基于所述数据地图分类队列建立所述第一知识图谱的多个第一数据地图分类参数以及所述第二知识图谱的多个第二数据地图分类参数的步骤，包括：

基于所述数据地图分类队列确定所述第一知识图谱的第一挖掘节点序列以及所述第二知识图谱的第二挖掘节点序列；其中，所述挖掘节点序列用于表征知识图谱在不同挖掘节点下的挖掘业务关系；

分别根据所述第一挖掘节点序列以及所述第二挖掘节点序列在所述数据地图分类队列中建立所述第一知识图谱的多个第一数据地图分类参数以及所述第二知识图谱的多个第二数据地图分类参数。

在第一方面的一种可能的实现方式中，所述根据每个第一数据地图分类参数确定所述第一可挖掘目标服务的第一知识表达信息，并根据每个第二数据地图分类参数确定所述第二可挖掘目标服务的第二知识表达信息的步骤，包括：

根据每个第一数据地图分类参数中的多个挖掘节点以及每相邻两个挖掘节点之间的挖掘画像地图参数确定每个第一数据地图分类参数对应的挖掘节点业务位图；

基于所述挖掘节点业务位图确定所述第一可挖掘目标服务的第一知识表达信息；其中，所述第一数据地图分类参数中的每个挖掘节点对应设置有挖掘画像地图索引参数，所述挖掘画像地图索引参数与任意一个挖掘节点的挖掘画像地图索引参数之间的匹配参数作为对应的挖掘画像地图参数，所述挖掘画像地图索引参数根据所述挖掘节点在所述第一数据地图分类参数中的挖掘频繁项模式确定；

将每个第二数据地图分类参数的挖掘节点和挖掘节点对应的挖掘画像地图索引参数列出，得到每个第二数据地图分类参数对应的第一定位知识意图和第二定位知识意图；其中，所述第一定位知识意图为第二数据地图分类参数的挖掘节点对应的定位知识意图，所述第二定位知识意图为第二数据地图分类参数的挖掘画像地图索引参数对应的定位知识意图；

确定所述第一定位知识意图相对于所述第二定位知识意图的第一意图抽取实体以及所述第二定位知识意图相对于所述第二定位知识意图的第二意图抽取实体；

获取所述第一意图抽取实体和所述第二意图抽取实体中具有相同的抽取实体连续性的至少三个目标抽取实体节点，并根据所述目标抽取实体节点确定出所述第二数据地图分类参数的第二知识表达信息；其中，所述抽取实体连续性用于表征每两个抽取实体之间的实体循环关系。

在第一方面的一种可能的实现方式中，所述对所述多个知识语料对象进行汇总得到至少多个不同类别的知识语料挖掘列表的步骤，包括：

确定所述知识实体特征模型中的每个知识语料对象对应的知识图谱特征的业务标签范围；

确定每个知识语料对象对应的知识图谱特征的图谱节点重合范围；其中，所述图谱节点重合范围为每个知识语料对象对应的知识图谱特征中第一知识图谱特征与第二知识图谱特征的重合部分；

确定每个知识语料对象对应的第一知识图谱特征和第二知识图谱特征的融合挖掘信息；其中，所述融合挖掘信息通过对第一知识图谱特征和第二知识图谱特征对应设定业务标签范围的挖掘指向对象进行特征参数并集计算得到；

根据每个知识语料对象对应的知识图谱特征的业务标签范围、图谱节点重合范围和融合挖掘信息确定每个知识语料对象的结构化主题特征序列；

基于每个知识语料对象的结构化主题特征序列对每个知识语料对象进行汇总，得到所述至少多个不同类别的知识语料挖掘列表。

在第一方面的一种可能的实现方式中，所述在预设的大数据挖掘进程中挖掘所述知识语料挖掘列表中的每个知识语料对象对应所述第一知识图谱特征的第一语料画像刻画特征和对应所述第二知识图谱特征的第二语料画像刻画特征的步骤，包括：

确定每个知识语料挖掘列表中每个知识语料对象对应的结构化主题特征序列的扩展挖掘配置信息；

根据所述扩展挖掘配置信息确定每个汇总中的每个知识语料对象对应的第一知识图谱特征和第二知识图谱特征的数据地图分类误差；其中，所述数据地图分类误差用于表征每个知识语料对象对应的第一知识图谱特征和第二知识图谱特征的挖掘误差情况；

判断每个数据地图分类误差与所述大数据挖掘进程对应的基准挖掘误差的差值是否在预设差值区间内；其中，所述预设差值区间用于表征大数据挖掘进程处于正常运行时每个数据地图分类误差所处的区间；

在每个数据地图分类误差与所述大数据挖掘进程对应的基准同步系数的差值均落入所述预设差值区间时，基于所述大数据挖掘进程模拟验证所述知识语料挖掘列表中的每个知识语料对象对应的第一知识图谱特征和第二知识图谱特征；

否则，根据所述大数据挖掘进程的参数更新子进程对未落入所述预设差值区间内的差值对应的数据地图分类误差对应的扩展挖掘配置信息进行修正，并返回根据所述扩展挖掘配置信息确定每个汇总中的每个知识语料对象对应的第一知识图谱特征和第二知识图谱特征的数据地图分类误差的步骤。

第二方面，本申请实施例还提供一种基于区块链离线支付的大数据处理装置，应用于云服务推送平台，所述云服务推送平台与多个数字金融服务终端通信连接，所述装置包括：

获取模块，用于从每个数字金融服务终端中获取每个数字金融服务终端在区块链离线支付环境下生成的离线账单数据集合以及所述离线账单数据集合所对应的目标支付环境元素；

分组模块，用于获取待挖掘服务标签在所述目标支付环境元素下的可挖掘目标服务，并按照预定的已订阅推送分组对各个目标支付环境元素下的可挖掘目标服务进行分组，分别生成每个已订阅推送分组的可挖掘目标服务集合；

大数据挖掘模块，用于针对每个已订阅推送分组，获取该已订阅推送分组的可挖掘目标服务集合中每个可挖掘目标服务匹配于所述离线账单数据集合的知识图谱数据，并基于已订阅推送分组对应的推送服务画像对每个已订阅推送分组的知识图谱数据集合进行大数据挖掘。

第三方面，本申请实施例还提供一种基于区块链离线支付的大数据处理系统，所述基于区块链离线支付的大数据处理系统包括云服务推送平台以及与所述云服务推送平台通信连接的多个数字金融服务终端；

所述云服务推送平台，用于从每个数字金融服务终端中获取每个数字金融服务终端在区块链离线支付环境下生成的离线账单数据集合以及所述离线账单数据集合所对应的目标支付环境元素；

所述云服务推送平台，用于获取待挖掘服务标签在所述目标支付环境元素下的可挖掘目标服务，并按照预定的已订阅推送分组对各个目标支付环境元素下的可挖掘目标服务进行分组，分别生成每个已订阅推送分组的可挖掘目标服务集合；

所述云服务推送平台，用于针对每个已订阅推送分组，获取该已订阅推送分组的可挖掘目标服务集合中每个可挖掘目标服务匹配于所述离线账单数据集合的知识图谱数据，并基于已订阅推送分组对应的推送服务画像对每个已订阅推送分组的知识图谱数据集合进行大数据挖掘。

第四方面，本申请实施例还提供一种云服务推送平台，所述云服务推送平台包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个数字金融服务终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行第一方面或者第一方面中任意一个可能的实现方式中的基于区块链离线支付的大数据处理方法。

第五方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其被执行时，使得计算机执行上述第一方面或者第一方面中任意一个可能的实现方式中的基于区块链离线支付的大数据处理方法。

基于上述任意一个方面，本申请通过考虑待挖掘服务标签在离线账单数据集合所对应的目标支付环境元素下的可挖掘目标服务，然后基于预定的已订阅推送分组对各个目标支付环境元素下的可挖掘目标服务进行分组，从而考虑到不同目标支付环境元素和已订阅推送分组的差异，由此基于已订阅推送分组对应的推送服务画像对每个已订阅推送分组的知识图谱数据集合进行大数据挖掘，可以有效提高大数据挖掘的精确性，使得大数据挖掘结果更能够匹配实际的业务场景。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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它相关的附图。

图1为本申请实施例提供的基于区块链离线支付的大数据处理系统的应用场景示意图；

图2为本申请实施例提供的基于区块链离线支付的大数据处理方法的流程示意图；

图3为本申请实施例提供的基于区块链离线支付的大数据处理装置的功能模块示意图；

图4为本申请实施例提供的用于实现上述的基于区块链离线支付的大数据处理方法的云服务推送平台的结构组件示意框图。

具体实施方式

下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。

图1是本申请一种实施例提供的基于区块链离线支付的大数据处理系统10的交互示意图。基于区块链离线支付的大数据处理系统10可以包括云服务推送平台100以及与云服务推送平台100通信连接的数字金融服务终端200。图1所示的基于区块链离线支付的大数据处理系统10仅为一种可行的示例，在其它可行的实施例中，该基于区块链离线支付的大数据处理系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。

本实施例中，数字金融服务终端200可以包括移动设备、平板计算机、膝上型计算机等或其任意组合。在一些实施例中，移动设备可以包括物联网设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，或其任意组合。在一些实施例中，物联网设备可以包括智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等，或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理、游戏设备等，或其任意组合。在一些实施例中，虚拟现实设备和增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等，或其任意组合。例如，虚拟现实设备和增强现实设备可以包括各种虚拟现实产品等。

本实施例中，基于区块链离线支付的大数据处理系统10中的云服务推送平台100和数字金融服务终端200可以通过配合执行以下方法实施例所描述的基于区块链离线支付的大数据处理方法，具体云服务推送平台100和数字金融服务终端200的执行步骤部分可以参照以下方法实施例的详细描述。

基于本申请提供的技术方案的发明构思出发，本申请提供的云服务推送平台100可以应用在例如智慧医疗、智慧城市管理、智慧工业互联网、通用业务监控管理等可以应用大数据技术或者是云计算技术等的场景中，再比如，还可以应用在包括但不限于新能源汽车系统管理、智能云办公、云平台数据处理、云游戏数据处理、云直播处理、云汽车管理平台、区块链金融数据服务平台等，但不限于此。

为了解决前述背景技术中的技术问题，图2为本申请实施例提供的基于区块链离线支付的大数据处理方法的流程示意图，本实施例提供的基于区块链离线支付的大数据处理方法可以由图1中所示的云服务推送平台100执行，下面对该基于区块链离线支付的大数据处理方法进行详细介绍。

步骤S110，从每个数字金融服务终端200中获取每个数字金融服务终端200在区块链离线支付环境下生成的离线账单数据集合以及所述离线账单数据集合所对应的目标支付环境元素。

其中，目标支付环境元素可以用于表示具体支付过程中离线获取的环境元素，例如支付业务场景类型、支付用户的用户类型等。

步骤S120，获取待挖掘服务标签在所述目标支付环境元素下的可挖掘目标服务，并按照预定的已订阅推送分组对各个目标支付环境元素下的可挖掘目标服务进行分组，分别生成每个已订阅推送分组的可挖掘目标服务集合。

其中，离线账单数据可以是指对于每一次离线支付场景而言，通常会包括多个账单统计板块，例如可以包括但不限于账单内容、账单场景、账单收支情况等等。

其中，可挖掘目标服务可以用于表示待挖掘服务标签在每个离线账单数据的目标支付环境元素下的具体应用的挖掘类型标签，例如生鲜类知识新挖掘类型标签、数码产品类知识新挖掘类型标签等。

本实施例中，预定的已订阅推送分组可以根据实际设计需求进行灵活选择，主要用于表征为不同用户提供的订阅推送选定菜单，在此不作详细限定。

步骤S130，针对每个已订阅推送分组，获取该已订阅推送分组的可挖掘目标服务集合中每个可挖掘目标服务匹配于所述离线账单数据集合的知识图谱数据，并基于已订阅推送分组对应的推送服务画像对每个已订阅推送分组的知识图谱数据集合进行大数据挖掘。

基于上述步骤，本实施例通过考虑待挖掘服务标签在离线账单数据集合所对应的目标支付环境元素下的可挖掘目标服务，然后基于预定的已订阅推送分组对各个目标支付环境元素下的可挖掘目标服务进行分组，从而考虑到不同目标支付环境元素和已订阅推送分组的差异，由此基于已订阅推送分组对应的推送服务画像对每个已订阅推送分组的知识图谱数据集合进行大数据挖掘，可以有效提高大数据挖掘的精确性，使得大数据挖掘结果更能够匹配实际的业务场景。

在一种可能的实现方式中，譬如，针对步骤S120，为了提高划分的精确度，并且减少冗余信息以提高分组准确度，本实施例可以获取每个预定的已订阅推送分组所对应的订阅扩展特征样本，形成每个预定的已订阅推送分组的订阅扩展特征样本序列，并获取各个目标支付环境元素的每个目标订阅扩展特征样本与订阅扩展特征样本序列的订阅扩展特征样本的关联订阅扩展特征样本信息。

在此基础上，可以根据目标订阅扩展特征样本与订阅扩展特征样本序列的订阅扩展特征样本的关联订阅扩展特征样本信息，计算每种目标已订阅推送分组的关键订阅扩展特征样本的样本业务覆盖范围，并根据每种目标已订阅推送分组的关键订阅扩展特征样本的样本业务覆盖范围，从订阅扩展特征样本序列中选取订阅扩展特征样本，得到初始订阅扩展特征样本分布空间。

在一种可能的示例中，若初始订阅扩展特征样本分布空间的总素材分布样本业务覆盖范围大于总素材分布样本业务覆盖范围要求的最大总素材分布样本业务覆盖范围，则将初始订阅扩展特征样本分布空间中的第一关键订阅扩展特征样本分散到第一分布样本业务覆盖范围，并且将初始订阅扩展特征样本分布空间中的第二关键订阅扩展特征样本聚集到第一分布样本业务覆盖范围。

其中，值得说明的是，第二关键订阅扩展特征样本可以是指关键订阅扩展特征样本在所在的订阅地图的单位密集程度小于设定程度的关键订阅扩展特征样本，第一关键订阅扩展特征样本可以是指关键订阅扩展特征样本在所在的订阅地图的单位密集程度不小于设定程度的关键订阅扩展特征样本，第一分布样本业务覆盖范围可根据实际需求进行设定，但是第一分部样本业务覆盖范围不应当与总素材分布样本业务覆盖范围要求的最大总素材分布样本业务覆盖范围相差过大。

然后，计算本次调整后的初始订阅扩展特征样本分布空间的总素材分布样本业务覆盖范围，若本次调整后的初始订阅扩展特征样本分布空间的总素材分布样本业务覆盖范围大于最大总素材分布样本业务覆盖范围，则再一次对本次调整后的初始订阅扩展特征样本分布空间执行以上处理。

再例如，若本次调整后的初始订阅扩展特征样本分布空间的总素材分布样本业务覆盖范围小于或者等于最大总素材分布样本业务覆盖范围，则可以将本次调整前的初始订阅扩展特征样本分布空间作为第一调整分布空间，按照已订阅推送分组由低优先级到高优先级的顺序将各目标已订阅推送分组进行排序，得到目标已订阅推送分组序列。

在此基础上，可以根据目标已订阅推送分组序列对各个目标支付环境元素下的可挖掘目标服务进行分组，分别生成每个已订阅推送分组的可挖掘目标服务集合。

譬如详细地，可以根据目标已订阅推送分组序列，将各目标已订阅推送分组进行聚类，每个聚类中包括与目标已订阅推送分组序列的订阅地图区域相关的、且与订阅地图区域的范围差异一致的第一已订阅推送分组和第二已订阅推送分组，第一已订阅推送分组的优先级小于第二已订阅推送分组。

然后，按照与订阅地图区域的范围差异由低优先级到高优先级的顺序，依次将每个聚类作为目标聚类，对目标聚类进行以下第二调整处理： 将第一调整分布空间中目标聚类的第一已订阅推送分组的关键订阅扩展特征样本增加设定数目，并且将第一调整分布空间中目标聚类的第二已订阅推送分组的关键订阅扩展特征样本减少设定数目。

在此基础上，可以判断本次调整后的第一调整分布空间的总素材分布样本业务覆盖范围是否大于总素材分布样本业务覆盖范围要求，若本次调整后的第一调整分布空间的总素材分布样本业务覆盖范围大于总素材分布样本业务覆盖范围要求，则将本次调整后的第一调整分布空间作为最终订阅扩展特征样本分布空间。若本次调整后的第一调整分布空间的总素材分布样本业务覆盖范围不大于总素材分布样本业务覆盖范围要求，则将下一个聚类作为新的目标聚类，对新的目标聚类进行第二调整处理。

又例如，若初始订阅扩展特征样本分布空间的总素材分布样本业务覆盖范围小于大于总素材分布样本业务覆盖范围要求的最小总素材分布样本业务覆盖范围，则对初始订阅扩展特征样本分布空间进行以下第三调整处理： 将初始订阅扩展特征样本分布空间中的第一关键订阅扩展特征样本增加第一分布样本业务覆盖范围，并且将初始订阅扩展特征样本分布空间中的第二关键订阅扩展特征样本减少第一分布样本业务覆盖范围。

在此基础上，计算本次调整后的初始订阅扩展特征样本分布空间的总素材分布样本业务覆盖范围，若本次调整后的初始订阅扩展特征样本分布空间的总素材分布样本业务覆盖范围小于最小总素材分布样本业务覆盖范围，则再一次对本次调整后的初始订阅扩展特征样本分布空间执行第三调整处理。或者，若本次调整后的初始订阅扩展特征样本分布空间的总素材分布样本业务覆盖范围大于或者等于最小总素材分布样本业务覆盖范围，则将本次调整前的初始订阅扩展特征样本分布空间作为第二调整分布空间，按照已订阅推送分组由低优先级到高优先级的顺序将各目标已订阅推送分组进行排序，得到目标已订阅推送分组序列。

由此，可以根据目标已订阅推送分组序列，将各目标已订阅推送分组进行聚类，每个聚类中包括在目标已订阅推送分组序列的订阅地图区域关联的、且与订阅地图区域的范围差异一致的第一已订阅推送分组和第二已订阅推送分组，第一已订阅推送分组的优先级小于第二已订阅推送分组。

然后，按照与订阅地图区域的范围差异由低优先级到高优先级的顺序，依次将每个聚类作为目标聚类，对目标聚类进行以下第四调整处理：将第二调整分布空间中目标聚类的第一已订阅推送分组的关键订阅扩展特征样本减少设定数目，并且将第二调整分布空间中目标聚类的第二已订阅推送分组的关键订阅扩展特征样本增加设定数目。

进一步地，本实施例可以判断本次调整后的第二调整分布空间的总素材分布样本业务覆盖范围是否大于总素材分布样本业务覆盖范围要求，若本次调整后的第二调整分布空间的总素材分布样本业务覆盖范围大于总素材分布样本业务覆盖范围要求，则将本次调整后的第二调整分布空间作为最终订阅扩展特征样本分布空间，若本次调整后的第二调整分布空间的总素材分布样本业务覆盖范围不大于总素材分布样本业务覆盖范围要求，则将下一个聚类作为新的目标聚类，对新的目标聚类进行第四调整处理。

由此，可以将各个目标已订阅推送分组的最终订阅扩展特征样本分布空间中的每个订阅扩展特征样本的可挖掘目标服务分别归类为该已订阅推送分组的可挖掘目标服务集合。

在一种可能的实现方式中，针对步骤S130，在获取该已订阅推送分组的可挖掘目标服务集合中每个可挖掘目标服务匹配于所述离线账单数据集合的知识图谱数据的过程中，还可以通过以下示例性的子步骤来实现，详细描述如下。

子步骤S131，获取该已订阅推送分组的可挖掘目标服务集合中每个可挖掘目标服务相关的匹配关键词向量。

子步骤S132，根据每个可挖掘目标服务相关的匹配关键词向量从离线账单数据集合中匹配对应的账单板块内容。

子步骤S133，根据每个可挖掘目标服务相关的匹配关键词向量匹配的账单板块内容中每个业务记录板块对应的知识图谱内容，确定该已订阅推送分组的可挖掘目标服务集合中每个可挖掘目标服务匹配于离线账单数据集合的知识图谱数据。

在一种可能的实现方式中，譬如，针对步骤S130，在基于已订阅推送分组对应的推送服务画像对每个已订阅推送分组的知识图谱数据集合进行大数据挖掘的过程中，可以通过以下子步骤来实现。

子步骤S134，基于已订阅推送分组对应的推送服务画像确定每个已订阅推送分组的每个推送服务画像节点的推送服务画像节点参数以及推送服务画像节点所覆盖的画像激活内容。

子步骤S135，根据每个已订阅推送分组中推送服务画像节点的推送服务画像节点参数以及推送服务画像节点所覆盖的画像激活内容确定每个已订阅推送分组中对推送服务画像节点进行大数据挖掘所需要的大数据挖掘组件的挖掘流程参数。

子步骤S136，根据每个推送服务画像节点所需要的大数据挖掘组件的挖掘流程参数，将每个大数据挖掘组件确定为一挖掘单位，该挖掘单位所对应的运行配置信息为该推送服务画像节点包含的当前已配置的已订阅推送分组的运行配置信息之外的运行配置信息。

子步骤S137，根据挖掘单位对应的运行配置信息，建立挖掘单位的挖掘业务关系，并确定挖掘业务关系的业务匹配元素，得到业务匹配元素中第一挖掘单位对每个已订阅推送分组的知识图谱数据集合进行大数据挖掘的初步挖掘信息。

子步骤S138，在按照挖掘单位的层级依次对第一挖掘单位之后的每一挖掘单位进行初步挖掘信息筛选时，对该挖掘单位及该挖掘单位之后的每一挖掘单位的初步挖掘信息进行筛选，根据筛选后的初步挖掘信息，重新建立挖掘单位的挖掘业务关系，确定重新建立的挖掘业务关系的业务匹配元素，得到该重新建立的挖掘业务关系的业务匹配元素中该挖掘单位的筛选初步挖掘信息。

子步骤S139，在得到所有挖掘单位的筛选初步挖掘信息后，将所有挖掘单位的筛选初步挖掘信息作为大数据挖掘结果。

在一种可能的实现方式中，在步骤S130之后，还可以包括以下步骤：

步骤S140，在大数据挖掘过程中判断是否存在用于表示可挖掘目标服务存在扩展加载业务的扩展加载业务信息，并在检测到扩展加载业务信息时，提取大数据挖掘的扩展加载业务信息对应的第一可挖掘目标服务的第一知识图谱以及与第一可挖掘目标服务存在扩展加载业务关系的至少一个第二可挖掘目标服务的第二知识图谱。

步骤S150，根据预设人工智能模型确定第一知识图谱和至少一个第二知识图谱之间的全局大数据挖掘信息。

在一种可能的实现方式中，针对步骤S140，可以从大数据挖掘过程中产生的大数据挖掘记录信息中提取大数据挖掘的扩展加载业务信息对应的第一可挖掘目标服务的第一知识图谱以及与第一可挖掘目标服务存在扩展加载业务关系的至少一个第二可挖掘目标服务的第二知识图谱。其中，与第一可挖掘目标服务存在扩展加载业务关系的至少一个第二可挖掘目标服务可以是指与第一可挖掘目标服务存在相关联的联动效应的第二可挖掘目标服务。

例如，如果某个可挖掘目标服务需要在第一可挖掘目标服务挖掘的过程中扩展挖掘，那么该可挖掘目标服务可以理解为与第一可挖掘目标服务存在扩展加载业务关系的第二可挖掘目标服务。

在一种可能的实现方式中，针对步骤S150，可以通过以下示例性的子步骤实现，详细描述如下。

子步骤S151，将第一知识图谱按照每个相同的知识图谱节点与至少一个第二知识图谱对应的知识图谱节点进行融合后，得到融合知识图谱。

子步骤S152，将第一知识图谱和至少一个第二知识图谱添加到预设的数据地图分类队列，并基于数据地图分类队列建立第一知识图谱的多个第一数据地图分类参数以及第二知识图谱的多个第二数据地图分类参数。

子步骤S153，根据每个第一数据地图分类参数确定第一可挖掘目标服务的第一知识表达信息，并根据每个第二数据地图分类参数确定第二可挖掘目标服务的第二知识表达信息，而后将第一知识表达信息和第二知识表达信息映射至知识实体特征模型，得到第一知识表达信息对应的第一知识图谱特征以及第二知识表达信息对应的第二知识图谱特征，并确定知识实体特征模型对应于融合知识图谱的多个知识语料对象，对多个知识语料对象进行汇总得到至少多个不同类别的知识语料挖掘列表，针对每个知识语料挖掘列表，在预设的大数据挖掘进程中挖掘知识语料挖掘列表中的每个知识语料对象对应第一知识图谱特征的第一语料画像刻画特征和对应第二知识图谱特征的第二语料画像刻画特征。

子步骤S154，根据知识语料挖掘列表中的每个知识语料对象对应的第一语料画像刻画特征和第二语料画像刻画特征的挖掘结果，按照知识预料的预设优先级进行拼接生成的模拟挖掘流，对拼接生成的模拟挖掘流进行还原，确定第一可挖掘目标服务和至少一个第二可挖掘目标服务的全局大数据挖掘信息。

如此，可以在实际大数据挖掘过程中针对性地以关联的可挖掘目标服务为独立挖掘目标进行后续的大数据挖掘。

示例性地，在子步骤S152中，可以通过以下详细的实施方式实现，例如可以描述如下。

（1）确定数据地图分类队列的扩展挖掘配置信息。

本实施例中，扩展挖掘配置信息用于表征数据地图分类队列对先后添加到的知识图谱进行处理时所分配的数据地图分类目标，数据地图分类目标用于表征数据地图分类队列对添加到的知识图谱进行挖掘时的挖掘特征节点信息。

（2）基于扩展挖掘配置信息，确定将第一知识图谱添加到数据地图分类队列所对应的第一挖掘特征节点信息以及将第二知识图谱添加到数据地图分类队列所对应的第二挖掘特征节点信息。

（3）根据第一挖掘特征节点信息和第二挖掘特征节点信息确定在将第一知识图谱和第二知识图谱添加到数据地图分类队列时是否存在扩展加载业务。

本实施例中，扩展加载业务可以用于表征数据地图分类队列的挖掘存在扩展加载的响应行为。

（4）若确定在将第一知识图谱和第二知识图谱添加到数据地图分类队列时不存在扩展加载业务，则对第二挖掘特征节点信息进行调整得到第三挖掘特征节点信息，并基于第一挖掘特征节点信息和第三挖掘特征节点信息将第一知识图谱和第二知识图谱添加到数据地图分类队列。

本实施例中，第三挖掘特征节点信息与第二挖掘特征节点信息之间的特征差距与第一挖掘特征节点信息和第二挖掘特征节点信息之间的特征差距匹配。

（5）若确定在将第一知识图谱和第二知识图谱添加到数据地图分类队列时存在扩展加载业务，则持续采用第一挖掘特征节点信息和第二挖掘特征节点信息将第一知识图谱和第二知识图谱添加到数据地图分类队列。

在一种可能的实现方式中，仍旧在子步骤S152中，在基于数据地图分类队列建立第一知识图谱的多个第一数据地图分类参数以及第二知识图谱的多个第二数据地图分类参数的过程中，可以通过以下详细的实施方式实现，例如可以描述如下。

（6）基于数据地图分类队列确定第一知识图谱的第一挖掘节点序列以及第二知识图谱的第二挖掘节点序列。

其中，值得说明的是，挖掘节点序列可以用于表征知识图谱在不同挖掘节点下的挖掘业务关系，譬如可以表示过渡挖掘业务关系、覆盖挖掘业务关系、增加挖掘业务关系等等，在此不作具体想定。

（7）分别根据第一挖掘节点序列以及第二挖掘节点序列在数据地图分类队列中建立第一知识图谱的多个第一数据地图分类参数以及第二知识图谱的多个第二数据地图分类参数。

在一种可能的实现方式中，针对步骤S153，为了保证同步性和连贯性，便于后续分析，可以通过以下详细的实施方式实现，例如可以描述如下。

（1）根据每个第一数据地图分类参数中的多个挖掘节点以及每相邻两个挖掘节点之间的挖掘画像地图参数确定每个第一数据地图分类参数对应的挖掘节点业务位图

（2）基于挖掘节点业务位图确定第一可挖掘目标服务的第一知识表达信息。

其中，第一数据地图分类参数中的每个挖掘节点对应设置有挖掘画像地图索引参数，挖掘画像地图索引参数与任意一个挖掘节点的挖掘画像地图索引参数之间的匹配参数作为对应的挖掘画像地图参数，挖掘画像地图索引参数根据挖掘节点在第一数据地图分类参数中的挖掘频繁项模式确定。

（3）将每个第二数据地图分类参数的挖掘节点和挖掘节点对应的挖掘画像地图索引参数列出，得到每个第二数据地图分类参数对应的第一定位知识意图和第二定位知识意图。

其中，示例性地，第一定位知识意图可以为第二数据地图分类参数的挖掘节点对应的定位知识意图，第二定位知识意图可以为第二数据地图分类参数的挖掘画像地图索引参数对应的定位知识意图。

（4）确定第一定位知识意图相对于第二定位知识意图的第一意图抽取实体以及第二定位知识意图相对于第二定位知识意图的第二意图抽取实体。

（5）获取第一意图抽取实体和第二意图抽取实体中具有相同的抽取实体连续性的至少三个目标抽取实体节点，并根据目标抽取实体节点确定出第二数据地图分类参数的第二知识表达信息。

其中，示例性地，抽取实体连续性用于表征每两个抽取实体之间的实体循环关系。

在一种可能的实现方式中，仍旧针对步骤S153，在对多个知识语料对象进行汇总得到至少多个不同类别的知识语料挖掘列表的过程中，可以通过以下详细的实施方式实现，例如可以描述如下。

（6）确定知识实体特征模型中的每个知识语料对象对应的知识图谱特征的业务标签范围。

（7）确定每个知识语料对象对应的知识图谱特征的图谱节点重合范围。

其中，图谱节点重合范围可以为每个知识语料对象对应的知识图谱特征中第一知识图谱特征与第二知识图谱特征的重合部分。

（8）确定每个知识语料对象对应的第一知识图谱特征和第二知识图谱特征的融合挖掘信息。

其中，融合挖掘信息可以通过对第一知识图谱特征和第二知识图谱特征对应设定业务标签范围的挖掘指向对象进行特征参数并集计算得到。

（9）根据每个知识语料对象对应的知识图谱特征的业务标签范围、图谱节点重合范围和融合挖掘信息确定每个知识语料对象的结构化主题特征序列（即以知识图谱特征的业务标签范围、图谱节点重合范围和融合挖掘信息为顺序形成的序列）。

（10）基于每个知识语料对象的结构化主题特征序列对每个知识语料对象进行汇总，得到至少多个不同类别的知识语料挖掘列表。

例如，可以把结构化主题特征序列中的各个特征参数存在至少一个相同特征参数的知识语料对象汇总到该相同特征参数所对应的类别的知识语料挖掘列表，从而到至少多个不同类别的知识语料挖掘列表。

在一种可能的实现方式中，仍旧针对步骤S153，在预设的大数据挖掘进程中挖掘知识语料挖掘列表中的每个知识语料对象对应的第一知识图谱特征和第二知识图谱特征的过程中，可以通过以下详细的实施方式实现，例如可以描述如下。

（11）确定每个知识语料挖掘列表中每个知识语料对象对应的结构化主题特征序列的扩展挖掘配置信息。

（12）根据扩展挖掘配置信息确定每个汇总中的每个知识语料对象对应的第一知识图谱特征和第二知识图谱特征的数据地图分类误差。

其中，数据地图分类误差可以用于表征每个知识语料对象对应的第一知识图谱特征和第二知识图谱特征的挖掘误差情况。

（13）判断每个数据地图分类误差与大数据挖掘进程对应的基准挖掘误差的差值是否在预设差值区间内。

其中，预设差值区间可以用于表征大数据挖掘进程处于正常运行时每个数据地图分类误差所处的区间。

（13）在每个数据地图分类误差与大数据挖掘进程对应的基准同步系数的差值均落入预设差值区间时，可以基于大数据挖掘进程模拟验证知识语料挖掘列表中的每个知识语料对象对应的第一知识图谱特征和第二知识图谱特征。

（14）否则，在每个数据地图分类误差与大数据挖掘进程对应的基准同步系数的差值均未落入预设差值区间时，可以根据大数据挖掘进程的参数更新子进程对未落入预设差值区间内的差值对应的数据地图分类误差对应的扩展挖掘配置信息进行修正，并返回根据扩展挖掘配置信息确定每个汇总中的每个知识语料对象对应的第一知识图谱特征和第二知识图谱特征的数据地图分类误差的步骤。

在一种可能的实现方式中，针对步骤S154，譬如，在对拼接生成的模拟挖掘流进行还原，确定第一可挖掘目标服务和至少一个第二可挖掘目标服务的全局大数据挖掘信息的过程中，可以对拼接生成的模拟挖掘流按照每个对应的模拟挖掘节点进行逆转换，以获得第一可挖掘目标服务和至少一个第二可挖掘目标服务的全局大数据挖掘信息。

图3为本公开实施例提供的基于区块链离线支付的大数据处理装置300的功能模块示意图，本实施例可以根据上述云服务推送平台100执行的方法实施例对该基于区块链离线支付的大数据处理装置300进行功能模块的划分，也即该基于区块链离线支付的大数据处理装置300所对应的以下各个功能模块可以用于执行上述云服务推送平台100执行的各个方法实施例。其中，该基于区块链离线支付的大数据处理装置300可以包括获取模块310、分组模块320以及大数据挖掘模块330，下面分别对该基于区块链离线支付的大数据处理装置300的各个功能模块的功能进行详细阐述。

获取模块310，用于从每个数字金融服务终端200中获取每个数字金融服务终端200在区块链离线支付环境下生成的离线账单数据集合以及所述离线账单数据集合所对应的目标支付环境元素。其中，获取模块310可以用于执行上述的步骤S110，关于获取模块310的详细实现方式可以参照上述针对步骤S110的详细描述即可。

分组模块320，用于获取待挖掘服务标签在所述目标支付环境元素下的可挖掘目标服务，并按照预定的已订阅推送分组对各个目标支付环境元素下的可挖掘目标服务进行分组，分别生成每个已订阅推送分组的可挖掘目标服务集合。其中，分组模块320可以用于执行上述的步骤S120，关于分组模块320的详细实现方式可以参照上述针对步骤S120的详细描述即可。

大数据挖掘模块330，用于针对每个已订阅推送分组，获取该已订阅推送分组的可挖掘目标服务集合中每个可挖掘目标服务匹配于所述离线账单数据集合的知识图谱数据，并基于已订阅推送分组对应的推送服务画像对每个已订阅推送分组的知识图谱数据集合进行大数据挖掘。其中，大数据挖掘模块330可以用于执行上述的步骤S130，关于大数据挖掘模块330的详细实现方式可以参照上述针对步骤S130的详细描述即可。

需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现。也可以全部以硬件的形式实现。还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，获取模块310可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上获取模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，ASIC)，或，一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessing unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。

图4示出了本公开实施例提供的用于实现上述的控制设备的云服务推送平台100的硬件结构示意图，如图4所示，云服务推送平台100可包括处理器110、机器可读存储介质120、总线130以及收发器140。

在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机执行指令（例如图3中所示的基于区块链离线支付的大数据处理装置300包括的获取模块310、分组模块320以及大数据挖掘模块330），使得处理器110可以执行如上方法实施例的基于区块链离线支付的大数据处理方法，其中，处理器110、机器可读存储介质120以及收发器140通过总线130连接，处理器110可以用于控制收发器140的收发动作，从而可以与前述的数字金融服务终端200进行数据收发。

处理器110的具体实现过程可参见上述云服务推送平台100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

在上述的图4所示的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，DSP)、专用集成电路(英文：ApplicationSpecificIntegrated Circuit，ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

机器可读存储介质120可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。

总线130可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。总线130可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。

此外，本公开实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于区块链离线支付的大数据处理方法。

上述的可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。

最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。

Claims (10)

1.一种基于区块链离线支付的大数据处理方法，其特征在于，应用于云服务推送平台，所述云服务推送平台与多个数字金融服务终端通信连接，所述方法包括：

从每个数字金融服务终端中获取每个数字金融服务终端在区块链离线支付环境下生成的离线账单数据集合以及所述离线账单数据集合所对应的目标支付环境元素；

获取待挖掘服务标签在所述目标支付环境元素下的可挖掘目标服务，并按照预定的已订阅推送分组对各个目标支付环境元素下的可挖掘目标服务进行分组，分别生成每个已订阅推送分组的可挖掘目标服务集合；

针对每个已订阅推送分组，获取该已订阅推送分组的可挖掘目标服务集合中每个可挖掘目标服务匹配于所述离线账单数据集合的知识图谱数据，并基于已订阅推送分组对应的推送服务画像对每个已订阅推送分组的知识图谱数据集合进行大数据挖掘；

所述基于已订阅推送分组对应的推送服务画像对每个已订阅推送分组的知识图谱数据集合进行大数据挖掘的步骤，包括：

基于已订阅推送分组对应的推送服务画像确定每个已订阅推送分组的每个推送服务画像节点的推送服务画像节点参数以及推送服务画像节点所覆盖的画像激活内容；

根据每个已订阅推送分组中推送服务画像节点的推送服务画像节点参数以及推送服务画像节点所覆盖的画像激活内容确定每个已订阅推送分组中对推送服务画像节点进行大数据挖掘所需要的大数据挖掘组件的挖掘流程参数；

根据每个推送服务画像节点所需要的大数据挖掘组件的挖掘流程参数，将每个大数据挖掘组件确定为一挖掘单位，该挖掘单位所对应的运行配置信息为该推送服务画像节点包含的当前已配置的已订阅推送分组的运行配置信息之外的运行配置信息；

根据挖掘单位对应的运行配置信息，建立挖掘单位的挖掘业务关系，并确定挖掘业务关系的业务匹配元素，得到业务匹配元素中第一挖掘单位对每个已订阅推送分组的知识图谱数据集合进行大数据挖掘的初步挖掘信息；

在按照挖掘单位的层级依次对第一挖掘单位之后的每一挖掘单位进行初步挖掘信息筛选时，对该挖掘单位及该挖掘单位之后的每一挖掘单位的初步挖掘信息进行筛选，根据筛选后的初步挖掘信息，重新建立挖掘单位的挖掘业务关系，确定重新建立的挖掘业务关系的业务匹配元素，得到该重新建立的挖掘业务关系的业务匹配元素中该挖掘单位的筛选初步挖掘信息；

在得到所有挖掘单位的筛选初步挖掘信息后，将所有挖掘单位的筛选初步挖掘信息作为大数据挖掘结果。

2.根据权利要求1所述的基于区块链离线支付的大数据处理方法，其特征在于，所述获取该已订阅推送分组的可挖掘目标服务集合中每个可挖掘目标服务匹配于所述离线账单数据集合的知识图谱数据的步骤，包括：

获取该已订阅推送分组的可挖掘目标服务集合中每个可挖掘目标服务相关的匹配关键词向量；

根据所述每个可挖掘目标服务相关的匹配关键词向量从所述离线账单数据集合中匹配对应的账单板块内容；

根据所述每个可挖掘目标服务相关的匹配关键词向量匹配的账单板块内容中每个业务记录板块对应的知识图谱内容，确定该已订阅推送分组的可挖掘目标服务集合中每个可挖掘目标服务匹配于所述离线账单数据集合的知识图谱数据。

3.根据权利要求1或2所述的基于区块链离线支付的大数据处理方法，其特征在于，所述方法还包括：

在大数据挖掘过程中判断是否存在用于表示可挖掘目标服务存在扩展加载业务的扩展加载业务信息，并在检测到所述扩展加载业务信息时，提取大数据挖掘的所述扩展加载业务信息对应的第一可挖掘目标服务的第一知识图谱以及与所述第一可挖掘目标服务存在扩展加载业务关系的至少一个第二可挖掘目标服务的第二知识图谱；

根据预设人工智能模型确定所述第一知识图谱和至少一个第二知识图谱之间的全局大数据挖掘信息。

4.根据权利要求3所述的基于区块链离线支付的大数据处理方法，其特征在于，所述根据预设人工智能模型确定所述第一知识图谱和至少一个第二知识图谱之间的全局大数据挖掘信息的步骤，包括：

将所述第一知识图谱按照每个相同的知识图谱节点与至少一个第二知识图谱对应的知识图谱节点进行融合后，得到融合知识图谱；

将所述第一知识图谱和至少一个第二知识图谱添加到预设的数据地图分类队列，并基于所述数据地图分类队列建立所述第一知识图谱的多个第一数据地图分类参数以及所述第二知识图谱的多个第二数据地图分类参数；

根据每个第一数据地图分类参数确定所述第一可挖掘目标服务的第一知识表达信息，并根据每个第二数据地图分类参数确定所述第二可挖掘目标服务的第二知识表达信息，而后将所述第一知识表达信息和所述第二知识表达信息映射至知识实体特征模型，得到所述第一知识表达信息对应的第一知识图谱特征以及所述第二知识表达信息对应的第二知识图谱特征，并确定所述知识实体特征模型对应于所述融合知识图谱的多个知识语料对象，对所述多个知识语料对象进行汇总得到至少多个不同类别的知识语料挖掘列表，针对每个知识语料挖掘列表，在预设的大数据挖掘进程中挖掘所述知识语料挖掘列表中的每个知识语料对象对应所述第一知识图谱特征的第一语料画像刻画特征和对应所述第二知识图谱特征的第二语料画像刻画特征；

根据所述知识语料挖掘列表中的每个知识语料对象对应的第一语料画像刻画特征和第二语料画像刻画特征的挖掘结果，按照知识预料的预设优先级进行拼接生成的模拟挖掘流，对所述拼接生成的模拟挖掘流进行还原，确定所述第一可挖掘目标服务和至少一个第二可挖掘目标服务的全局大数据挖掘信息。

5.根据权利要求1所述的基于区块链离线支付的大数据处理方法，其特征在于，所述将所述第一知识图谱和至少一个第二知识图谱添加到预设的数据地图分类队列的步骤，包括：

确定所述数据地图分类队列的扩展挖掘配置信息；其中，所述扩展挖掘配置信息用于表征所述数据地图分类队列对先后添加到的知识图谱进行处理时所分配的数据地图分类目标，所述数据地图分类目标用于表征所述数据地图分类队列对添加到的知识图谱进行挖掘时的挖掘特征节点信息；

基于所述扩展挖掘配置信息，确定将所述第一知识图谱添加到所述数据地图分类队列所对应的第一挖掘特征节点信息以及将所述第二知识图谱添加到所述数据地图分类队列所对应的第二挖掘特征节点信息；

根据所述第一挖掘特征节点信息和所述第二挖掘特征节点信息确定在将所述第一知识图谱和所述第二知识图谱添加到所述数据地图分类队列时是否存在扩展加载业务；其中，所述扩展加载业务用于表征所述数据地图分类队列的挖掘存在扩展加载的响应行为；

若否，则对所述第二挖掘特征节点信息进行调整得到第三挖掘特征节点信息，并基于所述第一挖掘特征节点信息和所述第三挖掘特征节点信息将所述第一知识图谱和所述第二知识图谱添加到所述数据地图分类队列，其中，所述第三挖掘特征节点信息与所述第二挖掘特征节点信息之间的特征差距与所述第一挖掘特征节点信息和所述第二挖掘特征节点信息之间的特征差距匹配；

若是，则持续采用所述第一挖掘特征节点信息和所述第二挖掘特征节点信息将所述第一知识图谱和所述第二知识图谱添加到所述数据地图分类队列。

6.根据权利要求1所述的基于区块链离线支付的大数据处理方法，其特征在于，基于所述数据地图分类队列建立所述第一知识图谱的多个第一数据地图分类参数以及所述第二知识图谱的多个第二数据地图分类参数的步骤，包括：

基于所述数据地图分类队列确定所述第一知识图谱的第一挖掘节点序列以及所述第二知识图谱的第二挖掘节点序列；其中，所述挖掘节点序列用于表征知识图谱在不同挖掘节点下的挖掘业务关系；

分别根据所述第一挖掘节点序列以及所述第二挖掘节点序列在所述数据地图分类队列中建立所述第一知识图谱的多个第一数据地图分类参数以及所述第二知识图谱的多个第二数据地图分类参数。

7.根据权利要求4所述的基于区块链离线支付的大数据处理方法，其特征在于，所述根据每个第一数据地图分类参数确定所述第一可挖掘目标服务的第一知识表达信息，并根据每个第二数据地图分类参数确定所述第二可挖掘目标服务的第二知识表达信息的步骤，包括：

根据每个第一数据地图分类参数中的多个挖掘节点以及每相邻两个挖掘节点之间的挖掘画像地图参数确定每个第一数据地图分类参数对应的挖掘节点业务位图；

基于所述挖掘节点业务位图确定所述第一可挖掘目标服务的第一知识表达信息；其中，所述第一数据地图分类参数中的每个挖掘节点对应设置有挖掘画像地图索引参数，所述挖掘画像地图索引参数与任意一个挖掘节点的挖掘画像地图索引参数之间的匹配参数作为对应的挖掘画像地图参数，所述挖掘画像地图索引参数根据所述挖掘节点在所述第一数据地图分类参数中的挖掘频繁项模式确定；

将每个第二数据地图分类参数的挖掘节点和挖掘节点对应的挖掘画像地图索引参数列出，得到每个第二数据地图分类参数对应的第一定位知识意图和第二定位知识意图；其中，所述第一定位知识意图为第二数据地图分类参数的挖掘节点对应的定位知识意图，所述第二定位知识意图为第二数据地图分类参数的挖掘画像地图索引参数对应的定位知识意图；

确定所述第一定位知识意图相对于所述第二定位知识意图的第一意图抽取实体以及所述第二定位知识意图相对于所述第二定位知识意图的第二意图抽取实体；

获取所述第一意图抽取实体和所述第二意图抽取实体中具有相同的抽取实体连续性的至少三个目标抽取实体节点，并根据所述目标抽取实体节点确定出所述第二数据地图分类参数的第二知识表达信息；其中，所述抽取实体连续性用于表征每两个抽取实体之间的实体循环关系。

8.根据权利要求7所述的基于区块链离线支付的大数据处理方法，其特征在于，所述对所述多个知识语料对象进行汇总得到至少多个不同类别的知识语料挖掘列表的步骤，包括：

确定所述知识实体特征模型中的每个知识语料对象对应的知识图谱特征的业务标签范围；

确定每个知识语料对象对应的知识图谱特征的图谱节点重合范围；其中，所述图谱节点重合范围为每个知识语料对象对应的知识图谱特征中第一知识图谱特征与第二知识图谱特征的重合部分；

确定每个知识语料对象对应的第一知识图谱特征和第二知识图谱特征的融合挖掘信息；其中，所述融合挖掘信息通过对第一知识图谱特征和第二知识图谱特征对应设定业务标签范围的挖掘指向对象进行特征参数并集计算得到；

根据每个知识语料对象对应的知识图谱特征的业务标签范围、图谱节点重合范围和融合挖掘信息确定每个知识语料对象的结构化主题特征序列；

基于每个知识语料对象的结构化主题特征序列对每个知识语料对象进行汇总，得到所述至少多个不同类别的知识语料挖掘列表。

9.根据权利要求8所述的基于区块链离线支付的大数据处理方法，其特征在于，所述在预设的大数据挖掘进程中挖掘所述知识语料挖掘列表中的每个知识语料对象对应所述第一知识图谱特征的第一语料画像刻画特征和对应所述第二知识图谱特征的第二语料画像刻画特征的步骤，包括：

确定每个知识语料挖掘列表中每个知识语料对象对应的结构化主题特征序列的扩展挖掘配置信息；

根据所述扩展挖掘配置信息确定每个汇总中的每个知识语料对象对应的第一知识图谱特征和第二知识图谱特征的数据地图分类误差；其中，所述数据地图分类误差用于表征每个知识语料对象对应的第一知识图谱特征和第二知识图谱特征的挖掘误差情况；

判断每个数据地图分类误差与所述大数据挖掘进程对应的基准挖掘误差的差值是否在预设差值区间内；其中，所述预设差值区间用于表征大数据挖掘进程处于正常运行时每个数据地图分类误差所处的区间；

在每个数据地图分类误差与所述大数据挖掘进程对应的基准同步系数的差值均落入所述预设差值区间时，基于所述大数据挖掘进程模拟验证所述知识语料挖掘列表中的每个知识语料对象对应的第一知识图谱特征和第二知识图谱特征；

否则，根据所述大数据挖掘进程的参数更新子进程对未落入所述预设差值区间内的差值对应的数据地图分类误差对应的扩展挖掘配置信息进行修正，并返回根据所述扩展挖掘配置信息确定每个汇总中的每个知识语料对象对应的第一知识图谱特征和第二知识图谱特征的数据地图分类误差的步骤。

10.一种基于区块链离线支付的大数据处理系统，其特征在于，所述基于区块链离线支付的大数据处理系统包括云服务推送平台以及与所述云服务推送平台通信连接的多个数字金融服务终端；

所述云服务推送平台，用于从每个数字金融服务终端中获取每个数字金融服务终端在区块链离线支付环境下生成的离线账单数据集合以及所述离线账单数据集合所对应的目标支付环境元素；

所述云服务推送平台，用于获取待挖掘服务标签在所述目标支付环境元素下的可挖掘目标服务，并按照预定的已订阅推送分组对各个目标支付环境元素下的可挖掘目标服务进行分组，分别生成每个已订阅推送分组的可挖掘目标服务集合；

所述云服务推送平台，用于针对每个已订阅推送分组，获取该已订阅推送分组的可挖掘目标服务集合中每个可挖掘目标服务匹配于所述离线账单数据集合的知识图谱数据，并基于已订阅推送分组对应的推送服务画像对每个已订阅推送分组的知识图谱数据集合进行大数据挖掘；

所述基于已订阅推送分组对应的推送服务画像对每个已订阅推送分组的知识图谱数据集合进行大数据挖掘的方式，包括：

基于已订阅推送分组对应的推送服务画像确定每个已订阅推送分组的每个推送服务画像节点的推送服务画像节点参数以及推送服务画像节点所覆盖的画像激活内容；

根据每个已订阅推送分组中推送服务画像节点的推送服务画像节点参数以及推送服务画像节点所覆盖的画像激活内容确定每个已订阅推送分组中对推送服务画像节点进行大数据挖掘所需要的大数据挖掘组件的挖掘流程参数；

根据每个推送服务画像节点所需要的大数据挖掘组件的挖掘流程参数，将每个大数据挖掘组件确定为一挖掘单位，该挖掘单位所对应的运行配置信息为该推送服务画像节点包含的当前已配置的已订阅推送分组的运行配置信息之外的运行配置信息；

根据挖掘单位对应的运行配置信息，建立挖掘单位的挖掘业务关系，并确定挖掘业务关系的业务匹配元素，得到业务匹配元素中第一挖掘单位对每个已订阅推送分组的知识图谱数据集合进行大数据挖掘的初步挖掘信息；

在按照挖掘单位的层级依次对第一挖掘单位之后的每一挖掘单位进行初步挖掘信息筛选时，对该挖掘单位及该挖掘单位之后的每一挖掘单位的初步挖掘信息进行筛选，根据筛选后的初步挖掘信息，重新建立挖掘单位的挖掘业务关系，确定重新建立的挖掘业务关系的业务匹配元素，得到该重新建立的挖掘业务关系的业务匹配元素中该挖掘单位的筛选初步挖掘信息；

在得到所有挖掘单位的筛选初步挖掘信息后，将所有挖掘单位的筛选初步挖掘信息作为大数据挖掘结果。

Images