CN113434771A - 基于区块链的金融资讯推荐方法及区块链中的参与方节点 - Google Patents
基于区块链的金融资讯推荐方法及区块链中的参与方节点 Download PDFInfo
- Publication number
- CN113434771A CN113434771A CN202110779920.8A CN202110779920A CN113434771A CN 113434771 A CN113434771 A CN 113434771A CN 202110779920 A CN202110779920 A CN 202110779920A CN 113434771 A CN113434771 A CN 113434771A
- Authority
- CN
- China
- Prior art keywords
- financial information
- user
- block chain
- preference
- information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 230000006399 behavior Effects 0.000 claims description 98
- 239000013598 vector Substances 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003058 natural language processing Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 239000010970 precious metal Substances 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000003542 behavioural effect Effects 0.000 claims 2
- 238000012549 training Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Abstract
本发明提供了一种基于区块链的金融资讯推荐方法及区块链中的参与方节点,涉及区块链领域,该方法包括:区块链中的参与方节点从区块链网络中获取用户的行为数据;区块链中的参与方节点根据行为数据,建立用户的资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果;区块链中的参与方节点将多条金融资讯进行特征提取后,输入朴素贝叶斯模型中得到每条金融资讯在各个类别标签上的权重;基于余弦相似性算法,区块链中的参与方节点根据偏好结果和权重,确定推荐给用户的金融资讯。通过构建包含多个参与方节点的区块链网络,打破了“数据孤岛”,丰富了建立模型时的特征和训练样本,提高模型的准确性,从而提高推荐的准确性,改善用户体验。
Description
技术领域
本发明涉及区块链技术领域,尤其涉及一种基于区块链的金融资讯推荐方法及区块链中的参与方节点。
背景技术
近年来,金融市场受到人们的关注越来越高,各大金融公司每天可以向用户提供成千上万条的金融资讯供用户浏览。商业银行作为金融行业的领军企业,其向用户提供的金融资讯更能得到用户的信赖。因此,站在用户的角度,更希望从商业银行获取金融方面自己感兴趣资讯。
但是目前,一方面大多数银行向用户提供金融资讯服务时,都缺乏针对性,所有用户都是收到相同的资讯,不能根据用户对不同金融资讯的喜好程度,推荐不同的金融资讯。这就导致银行为用户提供金融资讯服务时,不能及时响应用户的兴趣变化,用户不能及时看到自己喜欢的金融资讯,从而降低了用户体验。
发明内容
本发明实施例提供一种基于区块链的金融资讯推荐方法,用以提高推荐的准确性,改善用户体验,该方法包括:
区块链中的参与方节点从区块链网络中获取用户的行为数据;所述区块链网络由多个参与方节点组成;
区块链中的参与方节点根据获取的用户的行为数据,建立用户的资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果;
区块链中的参与方节点将多条金融资讯进行特征提取后,输入朴素贝叶斯模型中得到每条金融资讯在各个类别标签上的权重;
基于余弦相似性算法,区块链中的参与方节点根据用户对金融资讯各个类别标签的偏好结果和每条金融资讯在各个类别标签上的权重,确定推荐给用户的金融资讯。
具体实施例中,所述行为数据,包括:
个人信息、资产负债信息、贵金属持仓数据和金融资讯点击数据。
具体实施过程中,区块链中的参与方节点根据获取的用户的行为数据,建立用户的资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果,包括:
区块链中的参与方节点对获取的用户的行为数据进行数据清洗,得到清洗后的用户的行为数据;
区块链中的参与方节点根据预设的用户特征与金融资讯类别标签的偏好权重映射关系,对清洗后的用户的行为数据进行数据加工,得到用户与金融资讯类别标签的偏好关系表;
区块链中的参与方节点建立用于计算用户对每个金融资讯类别标签的偏好值的资讯偏好模型;
区块链中的参与方节点将用户与金融资讯类别标签的偏好关系表输入资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果。
具体实施时,区块链中的参与方节点将多条金融资讯进行特征提取后,输入朴素贝叶斯模型中得到每条金融资讯在各个类别标签上的权重,包括:
区块链中的参与方节点获取到多条金融资讯后,对多条金融资讯进行自然语言处理;
区块链中的参与方节点将进行自然语言处理后的多条金融资讯向量化,得到数值型向量;
区块链中的参与方节点对所述数值型向量,利用特征工程进行特征提取后,输入朴素贝叶斯模型中得到每条金融资讯在各个类别标签上的权重。
一具体实施例中,为了提高实时性,进一步提高推荐准确性,区块链中的参与方节点根据获取的用户的行为数据,建立用户的资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果,包括:
区块链中的参与方节点按照预设的时间间隔,定时根据获取的用户的行为数据;
区块链中的参与方节点根据最新一次的用户的行为数据,建立最新的用户的资讯偏好模型,得到最新的用户对金融资讯各个类别标签的偏好结果。
相应地,基于余弦相似性算法,区块链中的参与方节点根据用户对金融资讯各个类别标签的偏好结果和每条金融资讯在各个类别标签上的权重,确定推荐给用户的金融资讯,包括:
基于余弦相似性算法,区块链中的参与方节点根据最新的用户对金融资讯各个类别标签的偏好结果和每条金融资讯在各个类别标签上的权重,确定推荐给用户的金融资讯。
另一具体实施例中,为了提高安全性,提供的基于区块链的金融资讯推荐方法,还包括:
对区块链中的参与方节点进行身份认证,将认证不合格的参与方节点从区块链网络中剔除。
又一具体实施例中,提供的基于区块链的金融资讯推荐方法,
区块链中的参与方节点按照预设时间间隔,采集多个用户的行为数据,将采集的多个用户的行为数据上传至区块链网络中。
进一步提高数据安全性,又一具体实施例中的基于区块链的金融资讯推荐方法,还包括:
区块链中的参与方节点利用同态加密算法,将采集的多个用户的行为数据进行加密;
将采集的多个用户的行为数据上传至区块链网络中,包括:
将加密后的多个用户的行为数据上传至区块链网络中。
相应地,区块链中的参与方节点从区块链网络中获取用户的行为数据,包括:
区块链中的参与方节点从区块链网络中获取加密后的用户的行为数据。
本发明实施例还提供一种区块链中的参与方节点,用以提高推荐的准确性,改善用户体验,该参与方节点包括:
数据获取模块,用于从区块链网络中获取用户的行为数据;所述区块链网络由多个参与方节点组成;
用户偏好模块,用于根据获取的用户的行为数据,建立用户的资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果;
资讯分类模块,用于将多条金融资讯进行特征提取后,输入朴素贝叶斯模型中得到每条金融资讯在各个类别标签上的权重;
资讯推荐模块,用于基于余弦相似性算法,根据用户对金融资讯各个类别标签的偏好结果和每条金融资讯在各个类别标签上的权重,确定推荐给用户的金融资讯。
所述行为数据,包括:
个人信息、资产负债信息、贵金属持仓数据和金融资讯点击数据。
具体实施例中,所述用户偏好模块,具体用于:
对获取的用户的行为数据进行数据清洗,得到清洗后的用户的行为数据;
根据预设的用户特征与金融资讯类别标签的偏好权重映射关系,对清洗后的用户的行为数据进行数据加工,得到用户与金融资讯类别标签的偏好关系表;
建立用于计算用户对每个金融资讯类别标签的偏好值的资讯偏好模型;
将用户与金融资讯类别标签的偏好关系表输入资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果。
具体地,所述资讯分类模块,具体用于:
获取到多条金融资讯后,对多条金融资讯进行自然语言处理;
将进行自然语言处理后的多条金融资讯向量化,得到数值型向量;
对所述数值型向量,利用特征工程进行特征提取后,输入朴素贝叶斯模型中得到每条金融资讯在各个类别标签上的权重。
其中,所述用户偏好模块,包括:
定时获取单元,用于按照预设的时间间隔,定时根据获取的用户的行为数据;
实时更新单元,用于根据最新一次的用户的行为数据,建立最新的用户的资讯偏好模型,得到最新的用户对金融资讯各个类别标签的偏好结果。
相应地,所述资讯推荐模块,具体用于:
基于余弦相似性算法,根据最新的用户对金融资讯各个类别标签的偏好结果和每条金融资讯在各个类别标签上的权重,确定推荐给用户的金融资讯。
另一具体实施例中,提供的区块链中的参与方节点,还包括:
身份认证模块,用于对区块链中的参与方节点进行身份认证,将认证不合格的参与方节点从区块链网络中剔除。
又一具体实施例中,提供的区块链中的参与方节点,还包括:
数据上传模块,用于按照预设时间间隔,采集多个用户的行为数据,将采集的多个用户的行为数据上传至区块链网络中。
进一步地,还包括:
数据加密模块,用于利用同态加密算法,将采集的多个用户的行为数据进行加密;
所述数据上传模块,具体用于:
将加密后的多个用户的行为数据上传至区块链网络中。
相应地,所述数据获取模块,具体用于:
从区块链网络中获取加密后的用户的行为数据。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于区块链的金融资讯推荐方法。
本发明实施例也提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述基于区块链的金融资讯推荐方法的计算机程序。
本发明实施例中,区块链中的参与方节点从区块链网络中获取用户的行为数据;其中,区块链网络由多个参与方节点组成;区块链中的参与方节点根据获取的用户的行为数据,建立用户的资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果;区块链中的参与方节点将多条金融资讯进行特征提取后,输入朴素贝叶斯模型中得到每条金融资讯在各个类别标签上的权重;基于余弦相似性算法,区块链中的参与方节点根据用户对金融资讯各个类别标签的偏好结果和每条金融资讯在各个类别标签上的权重,确定推荐给用户的金融资讯。通过构建包含多个参与方节点的区块链网络,打破了不同参与方之间的“数据孤岛”,利用区块链的特性,在保证数据隐私安全的前提下,从各个参与方获取数据,丰富了建立模型时的特征和训练样本,从而提高所建立模型的准确性,从而提高推荐的准确性,改善用户体验。
附图说明
为了更清楚地说明本发明实施例的技术方案,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为本发明实施例中基于区块链的金融资讯推荐方法的示意图。
图2为本发明具体实施例中步骤102的实现方法示意图。
图3为本发明具体实施例中步骤103的实现方法示意图。
图4为本发明一具体实施例中步骤101的实现方法示意图。
图5为本发明另一具体实施例中基于区块链的金融资讯推荐方法的示意图。
图6为本发明又一具体实施例中基于区块链的金融资讯推荐方法的示意图。
图7为本发明又一具体实施例中基于区块链的金融资讯推荐方法的另一实现过程示意图。
图8为本发明具体实例中基于区块链网络的商业银行金融资讯个性化推荐系统的工作流程示意图。
图9为本发明实施例中区块链中的参与方节点的结构示意图。
图10为本发明一具体实施例中用户偏好模块902的结构示意图。
图11为本发明另一具体实施例中区块链中的参与方节点的结构示意图。
图12为本发明又一具体实施例中区块链中的参与方节点的结构示意图。
图13为本发明又一具体实施例中区块链中的参与方节点的具体结构示意图。
图14为本发明实施例中一种计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
为了更好地理解本发明实施例,首先对本发明实施例所涉及的专业术语进行解释:
区块链:区块链(BlockChain)从本质上是一个共享数据库,存储于其中的数据或信息,具有“不可伪造”“全程留痕”“可以追溯”“公开透明”“集体维护”等特征。区块链是从比特币底层技术衍生出来的新型技术体系,最早的定义来自于中本聪在2009年发表的论文,之后区块链技术也发生了很多改变。目前从类型上分为公有链、联盟链和私有链。
朴素贝叶斯模型:朴素贝叶斯算法是应用最为广泛的分类算法之一,以贝叶斯原理为基础,使用概率统计的知识对样本数据集进行分类。朴素贝叶斯模型训练过程中主要计算每个类别在训练样本中的出现频率(先验概率),以及每个特征属性划分对每个类别的条件概率(条件概率)。
Spark平台:Spark是一个基于内存计算的开源集群计算系统,是Apache社区最火热的项目之一,与Hadoop相比,Spark的计算速度可以提升近100倍。Spark由一组功能强大、高级别的库组成,包括SparkSql、SparkStreaming、MLlib、GraphX。Spark提供了大量的算子和丰富的数据操作接口方便对数据处理。
同态加密:是一种特殊的加密算法,允许使用者对密文进行特定的代数运算得到仍然是加密的结果,将其解密所得到的结果与对明文进行同样的运算结果一样,即对密文直接进行处理,跟对明文进行处理再加密,得到的结果相同
DataFrame:一种Spark平台上的分布式数据集,提供了由列组成的详细模式信息,就像关系型数据库中的表一样。DataFrame拥有丰富的算子,并进行了更高层次的抽象,提供了专用的API来处理分布式数据,可以方便地处理大规模结构化数据。
Hive:是基于Hadoop的一个数据仓库工具,可以将结构化的数据文件映射为一张数据库表,并提供完整的Sql查询功能,可以将Sql语句转换为MapReduce任务进行运行。其优点是学习成本低,可以通过类Sql语句快速实现简单的MapReduce统计,不必开发专门的MapReduce应用,十分适合数据仓库的统计分析。
余弦相似性算法:是基于向量空间模型的算法,通过计算两个向量的夹角的余弦值来度量它们之间的相似性。若两个向量大小、方向完全重合,则夹角为0°,余弦值为1;同理两个向量完全相反,即夹角为180°,余弦值为-1。余弦相似度算法常常用于文本内容的相似性比较。
本发明实施例提供了一种基于区块链的金融资讯推荐方法,用以提高推荐的准确性,改善用户体验,如图1所示,该方法包括:
步骤101:区块链中的参与方节点从区块链网络中获取用户的行为数据;其中,区块链网络由多个参与方节点组成;
步骤102:区块链中的参与方节点根据获取的用户的行为数据,建立用户的资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果;
步骤103:区块链中的参与方节点将多条金融资讯进行特征提取后,输入朴素贝叶斯模型中得到每条金融资讯在各个类别标签上的权重;
步骤104:基于余弦相似性算法,区块链中的参与方节点根据用户对金融资讯各个类别标签的偏好结果和每条金融资讯在各个类别标签上的权重,确定推荐给用户的金融资讯。
由图1所示流程可以得知,本发明实施例中,区块链中的参与方节点从区块链网络中获取用户的行为数据;其中,区块链网络由多个参与方节点组成;区块链中的参与方节点根据获取的用户的行为数据,建立用户的资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果;区块链中的参与方节点将多条金融资讯进行特征提取后,输入朴素贝叶斯模型中得到每条金融资讯在各个类别标签上的权重;基于余弦相似性算法,区块链中的参与方节点根据用户对金融资讯各个类别标签的偏好结果和每条金融资讯在各个类别标签上的权重,确定推荐给用户的金融资讯。通过构建包含多个参与方节点的区块链网络,打破了不同参与方之间的“数据孤岛”,利用区块链的特性,在保证数据隐私安全的前提下,从各个参与方获取数据,丰富了建立模型时的特征和训练样本,从而提高所建立模型的准确性,从而提高推荐的准确性,改善用户体验。
具体实施时,首先区块链中的参与方节点从区块链网络中获取用户的行为数据。其中,区块链网络由多个参与方节点组成,具体实施例中,参与方节点可以是各种商业银行,也可以是银行内的不同部门,也可是不同的金融机构,包含的参与方节点越多,构建的区块链网络越丰富,则各种用户样本、各种资讯特征越丰富,从而所建立模型的准确性越高。
具体实施例中,行为数据,包括:个人信息、资产负债信息、贵金属持仓数据和金融资讯点击数据。其中个人信息是指用户的一些基本信息,例如:性别、年龄、职业以及住址等信息。金融资讯点击数据是指用户对被推送的金融资讯的点击、浏览和反馈情况等数据。
区块链中的参与方节点从区块链网络中获取用户的行为数据后,区块链中的参与方节点根据获取的用户的行为数据,建立用户的资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果。具体实施过程,如图2所示,包括:
步骤201:区块链中的参与方节点对获取的用户的行为数据进行数据清洗,得到清洗后的用户的行为数据;
步骤202:区块链中的参与方节点根据预设的用户特征与金融资讯类别标签的偏好权重映射关系,对清洗后的用户的行为数据进行数据加工,得到用户与金融资讯类别标签的偏好关系表;
步骤203:区块链中的参与方节点建立用于计算用户对每个金融资讯类别标签的偏好值的资讯偏好模型;
步骤204:区块链中的参与方节点将用户与金融资讯类别标签的偏好关系表输入资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果。
举例来说,利用建立的资讯偏好模型,即可计算用户A对金融资讯1-100标号的100种类别标签的偏好值,例如对10标号的类别标签的偏好值为1.5,对100标号的类别标签的偏好值为0.03等。其中,金融资讯的类别标签一般是预先定义的。
得到用户对金融资讯各个类别标签的偏好结果后,区块链中的参与方节点将多条金融资讯进行特征提取后,输入朴素贝叶斯模型中得到每条金融资讯在各个类别标签上的权重,具体实施过程,如图3所示,包括:
步骤301:区块链中的参与方节点获取到多条金融资讯后,对多条金融资讯进行自然语言处理;
步骤302:区块链中的参与方节点将进行自然语言处理后的多条金融资讯向量化,得到数值型向量;
步骤303:区块链中的参与方节点对该数值型向量,利用特征工程进行特征提取后,输入朴素贝叶斯模型中得到每条金融资讯在各个类别标签上的权重。
举例来说,区块链中的参与方节点获取到金融资讯a后,经过步骤301-步骤303的处理后,能够得到金融资讯a在1-100标号的100种类别标签上的权重,例如,金融资讯a在1标号的类别标签的权重为0.01,在99标号的类别标签的权重为0.25等。
得到每条金融资讯在各个类别标签上的权重后,基于余弦相似性算法,区块链中的参与方节点根据用户对金融资讯各个类别标签的偏好结果和每条金融资讯在各个类别标签上的权重,确定推荐给用户的金融资讯。具体实施时,通过计算用户对金融资讯各个类别标签的偏好向量和每条金融资讯在各个类别标签上的权重向量的余弦相似度,作为用户对每条金融资讯的偏好评分,根据该评分对多条金融资讯进行排序,将排序前10%,或者评分超过预设分数线的金融资讯推荐给用户。
在本发明一具体实施例中,为了能够对用户的偏好实时跟踪,步骤101的实现方法,如图4所示,包括:
步骤401:区块链中的参与方节点按照预设的时间间隔,定时根据获取的用户的行为数据;
步骤402:区块链中的参与方节点根据最新一次的用户的行为数据,建立最新的用户的资讯偏好模型,得到最新的用户对金融资讯各个类别标签的偏好结果。
其中,预设的时间间隔可提前预设一天或者一个周,或者为了减少资源浪费,也可对小部分用户群体进行采样,确定样本用户偏好发生变化的平均周期,将该平均周期确定为预设的时间间隔。
定时获取行为数据,以此得到最新的用户对金融资讯各个类别标签的偏好结果,以保证推荐时所采用的用户对金融资讯各个类别标签的偏好结果,是最接近用户实时状态的,从而进一步提高推荐的准确性。
相应地,基于余弦相似性算法,区块链中的参与方节点根据用户对金融资讯各个类别标签的偏好结果和每条金融资讯在各个类别标签上的权重,确定推荐给用户的金融资讯,实施时为:基于余弦相似性算法,区块链中的参与方节点根据最新的用户对金融资讯各个类别标签的偏好结果和每条金融资讯在各个类别标签上的权重,确定推荐给用户的金融资讯。
本发明另一具体实施例中,为了确保数据的安全性,避免隐私泄露,提供的基于区块链的金融资讯推荐方法,如图5所示,在图1的基础上,还包括:
步骤501:对区块链中的参与方节点进行身份认证,将认证不合格的参与方节点从区块链网络中剔除。
即参与方节点完成身份认证且通过后,才能加入区块链网络。
本发明又一具体实施例中,提供的基于区块链的金融资讯推荐方法,如图6所示,在图1的基础上,还包括:
步骤601:区块链中的参与方节点按照预设时间间隔,采集多个用户的行为数据,将采集的多个用户的行为数据上传至区块链网络中。
具体实施例中,为了进一步保证数据传输的安全性,借助贝叶斯算法原理能够保证使用经过同态加密后的特征条件概率,模型的预测结果与明文训练模型的预测结果一致。又一具体实施例中的另一种基于区块链的金融资讯推荐方法,如图7所示,在图6的基础上,还包括:
步骤701:区块链中的参与方节点利用同态加密算法,将采集的多个用户的行为数据进行加密;
相应地,步骤601变更为:
步骤601-1:区块链中的参与方节点按照预设时间间隔,采集多个用户的行为数据;
步骤601-2:区块链中的参与方节点将加密后的多个用户的行为数据上传至区块链网络中。
具体实施时,步骤101变更为:
区块链中的参与方节点从区块链网络中获取加密后的用户的行为数据。
步骤102变更为:
区块链中的参与方节点根据获取的加密后的用户的行为数据,建立用户的资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果。
具体实施例中,由于某些预设的人工规则的存在,区块链中的参与方节点获取到多条金融资讯后,首先需要判断上述多条金融资讯是否有符合预设的人工规则的,一旦存在,对这些符合预设的人工规则的金融资讯,按照人工规则规定的要求直接推荐给相应的用户,跳过与用户的偏好相匹配的过程。
例如,预设的人工规则包括:股市震荡的金融资讯必须推荐给持有基金或者理财的用户群体;防诈骗的金融资讯必须推荐给老年用户群体;推荐产品类的金融资讯禁止推荐给学生用户群体等强制性规则。
下面给出一具体实例说明本发明实施例如何基于区块链进行金融资讯推荐。本例构建了一种基于区块链网络的商业银行金融资讯个性化推荐系统。
该系统是基于区块链与Spark开发设计,基于区块链可以打破“数据孤岛”,实现数据共享和联合建模,提高模型准确率;该系统各个模块之间通过Spark平台的DataFrame数据格式交互,整体分为批量计算部分、实时计算部分。其中批量计算部分包括:数据采集模块、数据清洗模块、数据加工模块、用户偏好模型模块、模型更新模块;实时计算部分包括:自然语言处理模块、特征工程模块、贝叶斯多分类算法预测模块、人工规则模块。
实现原理:
一方面,批量计算部分首先通过数据采集模块,从系统中获取用户的基本信息、资产负债信息、持仓信息、用户浏览金融资讯的行为数据,通过Spark Sql加工成表数据,并存入Hive。其次,数据加工模块通过事先按照业务含义定义的用户特征与金融资讯类别标签的映射关系表,加工出用户对金融资讯类别标签的偏好权重表,并存入Hive,用户偏好模型模块,通过用户对金融资讯类别的偏好权,重训练出用户对金融资讯的偏好模型。
另一方面,实时计算部分首先判断金融资讯类型,分为规则处理金融资讯和模型处理金融资讯。规则处理金融资讯经过人工规则模块后推送给规则匹配的用户;模型处理金融资讯经过自然语言处理模块、特征工程模块、朴素贝叶斯多分类模型模块计算出金融资讯在各个类别标签的权重向量。
最后,通过余弦相似性算法计算用户对金融资讯类别标签的偏好向量与每条金融资讯的类别标签权重向量的相似度作为用户对金融资讯评分,并根据评分给不同用户推荐该金融资讯。
该基于区块链网络的商业银行金融资讯个性化推荐系统的工作逻辑,如图8所示。相应的架构包括:
同态加密模块:用于加密各个参与方节点上传的金融资讯特征的条件概率数据。
身份认证模块:认证加入区块链网络的各个参与方节点的身份信息。
数据交互模块:用于各个参与方节点上传和下载相关数据。
朴素贝叶斯模型训练模块:通过下载金融资讯特征密文数据来训练贝叶斯分类模型。
批量计算部分:
数据采集模块、数据清洗模块:采集用户的基本信息、资产负债信息、贵金属持仓信息和用户的金融资讯点击行为数据,通过Spark Sql加工成表数据,并通过Spark算子去除其中的异常数据,作为数据加工模块的输入。
数据加工模块:根据用户特征与金融资讯特征标签的偏好权重映射关系,通过Spark Sql加工出用户与金融资讯特征标签的偏好关系表,并存入Hive,作为用户偏好模型模块的输入。
用户偏好模型模块:计算每个用户对每个金融资讯特征标签的偏好值。
模型自动更新模块:连接批量计算部分与实时计算部分,实现用户偏好模型自动更新,即监听到批量计算部分定时更新了用户偏好模型,通过向kafka topic中发送模型更新消息,则通过该模块将更新后的用户偏好模型传递给实时计算部分。
实时计算部分:
自然语言处理模块:对金融资讯数据做切词、去停用词、敏感词过滤等处理,结果作为向量化模块的输入。
向量化模块:将金融资讯文本数据向量化成数值型向量。
特征工程模块:对金融资讯中冗余的词特征进行约减。
朴素贝叶斯多分类模块:对金融资讯进行多分类,结果作为用户-资讯评分模块的输入。
用户-资讯评分模块:通过计算用户对金融资讯各个标签的偏好向量和金融资讯在各个类别标签的权重向量的余弦相似度作为用户对金融资讯的偏好评分。
人工规则模块:直接将符合人工规则的金融资讯推送给规则匹配的用户。
该系统通过利用区块链与同态加密技术,提供一种适用于商业银行之间进行联合建模的方案,保证数据隐私安全的前提下,丰富特征,提高模型的准确性。通过构建基于Spark平台的系统,基于spark DataFrame数据格式进行交互,统一了系统各个模块的数据交互格式,提高各模块间的交互效率,方便集群资源分配。通过kafka消息队列实现用户偏好模型的自动更新,从而能够实现实时响应。从用户对金融资讯类别标签的偏好向量和每条金融资讯的类别标签权重向量,两个维度来计算最终的金融资讯推荐评分,不仅提升计算效率,同时保证了推荐结果的合理性和准确性。
上述具体应用的实施仅为举例,其余实施方式不再一一赘述。
基于同一发明构思,本发明实施例还提供一种区块链中的参与方节点,由于区块链中的参与方节点所解决问题的原理与基于区块链的金融资讯推荐方法相似,因此区块链中的参与方节点的实施可以参见基于区块链的金融资讯推荐方法的实施,重复之处不再赘述,具体结构如图9所示:
数据获取模块901,用于从区块链网络中获取用户的行为数据;区块链网络由多个参与方节点组成;
用户偏好模块902,用于根据获取的用户的行为数据,建立用户的资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果;
资讯分类模块903,用于将多条金融资讯进行特征提取后,输入朴素贝叶斯模型中得到每条金融资讯在各个类别标签上的权重;
资讯推荐模块904,用于基于余弦相似性算法,根据用户对金融资讯各个类别标签的偏好结果和每条金融资讯在各个类别标签上的权重,确定推荐给用户的金融资讯。
具体实施例中,上述行为数据,包括:
个人信息、资产负债信息、贵金属持仓数据和金融资讯点击数据。
具体实施时,用户偏好模块902,具体用于:
对获取的用户的行为数据进行数据清洗,得到清洗后的用户的行为数据;
根据预设的用户特征与金融资讯类别标签的偏好权重映射关系,对清洗后的用户的行为数据进行数据加工,得到用户与金融资讯类别标签的偏好关系表;
建立用于计算用户对每个金融资讯类别标签的偏好值的资讯偏好模型;
将用户与金融资讯类别标签的偏好关系表输入资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果。
具体实施例中,资讯分类模块903,具体用于:
获取到多条金融资讯后,对多条金融资讯进行自然语言处理;
将进行自然语言处理后的多条金融资讯向量化,得到数值型向量;
对上述数值型向量,利用特征工程进行特征提取后,输入朴素贝叶斯模型中得到每条金融资讯在各个类别标签上的权重。
一具体实施例中,用户偏好模块902,如图10所示,包括:
定时获取单元1001,用于按照预设的时间间隔,定时根据获取的用户的行为数据;
实时更新单元1002,用于根据最新一次的用户的行为数据,建立最新的用户的资讯偏好模型,得到最新的用户对金融资讯各个类别标签的偏好结果。
相应地,资讯推荐模块904,具体用于:
基于余弦相似性算法,根据最新的用户对金融资讯各个类别标签的偏好结果和每条金融资讯在各个类别标签上的权重,确定推荐给用户的金融资讯。
另一具体实施例中,如图11所示的区块链中的参与方节点,在图9的基础上,还包括:
身份认证模块1101,用于对区块链中的参与方节点进行身份认证,将认证不合格的参与方节点从区块链网络中剔除。
又一具体实施例中,提供的区块链中的参与方节点,如图12所示,在图9的基础上,还包括:
数据上传模块1201,用于按照预设时间间隔,采集多个用户的行为数据,将采集的多个用户的行为数据上传至区块链网络中。
具体实施过程中,如图13所示,在图12的基础上,还包括:
数据加密模块1301,用于利用同态加密算法,将采集的多个用户的行为数据进行加密;
相应地,数据上传模块1201,具体用于:
将加密后的多个用户的行为数据上传至区块链网络中。
数据获取模块901,具体用于:
从区块链网络中获取加密后的用户的行为数据。
本发明实施例还提供一种计算机设备,图14为本发明实施例中计算机设备的示意图,该计算机设备能够实现上述实施例中的基于区块链的金融资讯推荐方法中全部步骤,该计算机设备具体包括如下内容:
处理器(processor)1401、存储器(memory)1402、通信接口(CommunicationsInterface)1403和通信总线1404;
其中,所述处理器1401、存储器1402、通信接口1403通过所述通信总线1404完成相互间的通信;所述通信接口1403用于实现相关设备之间的信息传输;
所述处理器1401用于调用所述存储器1402中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的基于区块链的金融资讯推荐方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述基于区块链的金融资讯推荐方法的计算机程序。
综上所述,本发明实施例提供的基于区块链的金融资讯推荐方法及区块链中的参与方节点具有如下优点:
区块链中的参与方节点从区块链网络中获取用户的行为数据;其中,区块链网络由多个参与方节点组成;区块链中的参与方节点根据获取的用户的行为数据,建立用户的资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果;区块链中的参与方节点将多条金融资讯进行特征提取后,输入朴素贝叶斯模型中得到每条金融资讯在各个类别标签上的权重;基于余弦相似性算法,区块链中的参与方节点根据用户对金融资讯各个类别标签的偏好结果和每条金融资讯在各个类别标签上的权重,确定推荐给用户的金融资讯。通过构建包含多个参与方节点的区块链网络,打破了不同参与方之间的“数据孤岛”,利用区块链的特性,在保证数据隐私安全的前提下,从各个参与方获取数据,丰富了建立模型时的特征和训练样本,从而提高所建立模型的准确性,从而提高推荐的准确性,改善用户体验。
虽然本发明提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本领域技术人员应明白,本说明书的实施例可提供为方法、装置(系统)或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面,也不局限于任何单一的实施例,也不局限于这些方面和/或实施例的任意组合和/或置换。而且,可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,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发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (22)
1.一种基于区块链的金融资讯推荐方法,其特征在于,包括:
区块链中的参与方节点从区块链网络中获取用户的行为数据;所述区块链网络由多个参与方节点组成;
区块链中的参与方节点根据获取的用户的行为数据,建立用户的资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果;
区块链中的参与方节点将多条金融资讯进行特征提取后,输入朴素贝叶斯模型中得到每条金融资讯在各个类别标签上的权重;
基于余弦相似性算法,区块链中的参与方节点根据用户对金融资讯各个类别标签的偏好结果和每条金融资讯在各个类别标签上的权重,确定推荐给用户的金融资讯。
2.如权利要求1所述的基于区块链的金融资讯推荐方法,其特征在于,所述行为数据,包括:
个人信息、资产负债信息、贵金属持仓数据和金融资讯点击数据。
3.如权利要求1所述的基于区块链的金融资讯推荐方法,其特征在于,区块链中的参与方节点根据获取的用户的行为数据,建立用户的资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果,包括:
区块链中的参与方节点对获取的用户的行为数据进行数据清洗,得到清洗后的用户的行为数据;
区块链中的参与方节点根据预设的用户特征与金融资讯类别标签的偏好权重映射关系,对清洗后的用户的行为数据进行数据加工,得到用户与金融资讯类别标签的偏好关系表;
区块链中的参与方节点建立用于计算用户对每个金融资讯类别标签的偏好值的资讯偏好模型;
区块链中的参与方节点将用户与金融资讯类别标签的偏好关系表输入资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果。
4.如权利要求1所述的基于区块链的金融资讯推荐方法,其特征在于,区块链中的参与方节点将多条金融资讯进行特征提取后,输入朴素贝叶斯模型中得到每条金融资讯在各个类别标签上的权重,包括:
区块链中的参与方节点获取到多条金融资讯后,对多条金融资讯进行自然语言处理;
区块链中的参与方节点将进行自然语言处理后的多条金融资讯向量化,得到数值型向量;
区块链中的参与方节点对所述数值型向量,利用特征工程进行特征提取后,输入朴素贝叶斯模型中得到每条金融资讯在各个类别标签上的权重。
5.如权利要求1所述的基于区块链的金融资讯推荐方法,其特征在于,区块链中的参与方节点根据获取的用户的行为数据,建立用户的资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果,包括:
区块链中的参与方节点按照预设的时间间隔,定时根据获取的用户的行为数据;
区块链中的参与方节点根据最新一次的用户的行为数据,建立最新的用户的资讯偏好模型,得到最新的用户对金融资讯各个类别标签的偏好结果。
6.如权利要求5所述的基于区块链的金融资讯推荐方法,其特征在于,基于余弦相似性算法,区块链中的参与方节点根据用户对金融资讯各个类别标签的偏好结果和每条金融资讯在各个类别标签上的权重,确定推荐给用户的金融资讯,包括:
基于余弦相似性算法,区块链中的参与方节点根据最新的用户对金融资讯各个类别标签的偏好结果和每条金融资讯在各个类别标签上的权重,确定推荐给用户的金融资讯。
7.如权利要求1所述的基于区块链的金融资讯推荐方法,其特征在于,还包括:
对区块链中的参与方节点进行身份认证,将认证不合格的参与方节点从区块链网络中剔除。
8.如权利要求1所述的基于区块链的金融资讯推荐方法,其特征在于,还包括:
区块链中的参与方节点按照预设时间间隔,采集多个用户的行为数据,将采集的多个用户的行为数据上传至区块链网络中。
9.如权利要求8所述的基于区块链的金融资讯推荐方法,其特征在于,还包括:
区块链中的参与方节点利用同态加密算法,将采集的多个用户的行为数据进行加密;
将采集的多个用户的行为数据上传至区块链网络中,包括:
将加密后的多个用户的行为数据上传至区块链网络中。
10.如权利要求9所述的基于区块链的金融资讯推荐方法,其特征在于,区块链中的参与方节点从区块链网络中获取用户的行为数据,包括:
区块链中的参与方节点从区块链网络中获取加密后的用户的行为数据。
11.一种区块链中的参与方节点,其特征在于,包括:
数据获取模块,用于从区块链网络中获取用户的行为数据;所述区块链网络由多个参与方节点组成;
用户偏好模块,用于根据获取的用户的行为数据,建立用户的资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果;
资讯分类模块,用于将多条金融资讯进行特征提取后,输入朴素贝叶斯模型中得到每条金融资讯在各个类别标签上的权重;
资讯推荐模块,用于基于余弦相似性算法,根据用户对金融资讯各个类别标签的偏好结果和每条金融资讯在各个类别标签上的权重,确定推荐给用户的金融资讯。
12.如权利要求11所述的区块链中的参与方节点,其特征在于,所述行为数据,包括:
个人信息、资产负债信息、贵金属持仓数据和金融资讯点击数据。
13.如权利要求11所述的区块链中的参与方节点,其特征在于,所述用户偏好模块,具体用于:
对获取的用户的行为数据进行数据清洗,得到清洗后的用户的行为数据;
根据预设的用户特征与金融资讯类别标签的偏好权重映射关系,对清洗后的用户的行为数据进行数据加工,得到用户与金融资讯类别标签的偏好关系表;
建立用于计算用户对每个金融资讯类别标签的偏好值的资讯偏好模型;
将用户与金融资讯类别标签的偏好关系表输入资讯偏好模型,得到用户对金融资讯各个类别标签的偏好结果。
14.如权利要求11所述的区块链中的参与方节点,其特征在于,所述资讯分类模块,具体用于:
获取到多条金融资讯后,对多条金融资讯进行自然语言处理;
将进行自然语言处理后的多条金融资讯向量化,得到数值型向量;
对所述数值型向量,利用特征工程进行特征提取后,输入朴素贝叶斯模型中得到每条金融资讯在各个类别标签上的权重。
15.如权利要求11所述的区块链中的参与方节点,其特征在于,所述用户偏好模块,包括:
定时获取单元,用于按照预设的时间间隔,定时根据获取的用户的行为数据;
实时更新单元,用于根据最新一次的用户的行为数据,建立最新的用户的资讯偏好模型,得到最新的用户对金融资讯各个类别标签的偏好结果。
16.如权利要求15所述的区块链中的参与方节点,其特征在于,所述资讯推荐模块,具体用于:
基于余弦相似性算法,根据最新的用户对金融资讯各个类别标签的偏好结果和每条金融资讯在各个类别标签上的权重,确定推荐给用户的金融资讯。
17.如权利要求11所述的区块链中的参与方节点,其特征在于,还包括:
身份认证模块,用于对区块链中的参与方节点进行身份认证,将认证不合格的参与方节点从区块链网络中剔除。
18.如权利要求11所述的区块链中的参与方节点,其特征在于,还包括:
数据上传模块,用于按照预设时间间隔,采集多个用户的行为数据,将采集的多个用户的行为数据上传至区块链网络中。
19.如权利要求18所述的区块链中的参与方节点,其特征在于,还包括:
数据加密模块,用于利用同态加密算法,将采集的多个用户的行为数据进行加密;
所述数据上传模块,具体用于:
将加密后的多个用户的行为数据上传至区块链网络中。
20.如权利要求19所述的区块链中的参与方节点,其特征在于,所述数据获取模块,具体用于:
从区块链网络中获取加密后的用户的行为数据。
21.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至10任一所述方法。
22.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至10任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110779920.8A CN113434771A (zh) | 2021-07-09 | 2021-07-09 | 基于区块链的金融资讯推荐方法及区块链中的参与方节点 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110779920.8A CN113434771A (zh) | 2021-07-09 | 2021-07-09 | 基于区块链的金融资讯推荐方法及区块链中的参与方节点 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113434771A true CN113434771A (zh) | 2021-09-24 |
Family
ID=77759841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110779920.8A Pending CN113434771A (zh) | 2021-07-09 | 2021-07-09 | 基于区块链的金融资讯推荐方法及区块链中的参与方节点 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113434771A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114625973A (zh) * | 2022-05-12 | 2022-06-14 | 深圳市宏博信息科技有限公司 | 一种匿名信息跨域推荐方法、装置、电子设备及存储介质 |
CN115115449A (zh) * | 2022-08-26 | 2022-09-27 | 北京云成金融信息服务有限公司 | 一种面向金融供应链的优化数据推荐的方法及系统 |
CN115203728A (zh) * | 2022-09-14 | 2022-10-18 | 南京紫米网络科技有限公司 | 基于联盟区块链和大数据的金融数据安全存储系统及方法 |
WO2023134496A1 (zh) * | 2022-01-14 | 2023-07-20 | 京东方科技集团股份有限公司 | 对象推荐方法、装置、电子设备以及存储介质 |
CN117788174A (zh) * | 2024-02-26 | 2024-03-29 | 山东华创远智信息科技有限公司 | 基于区块链的金融用户数据安全保护方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503520A (zh) * | 2018-08-22 | 2019-11-26 | 泰康保险集团股份有限公司 | 信息推荐方法、装置、电子设备及计算机可读介质 |
CN111143681A (zh) * | 2019-12-27 | 2020-05-12 | 中国银行股份有限公司 | 一种资讯推荐装置、方法、设备及系统 |
CN112328886A (zh) * | 2020-11-16 | 2021-02-05 | 深圳壹账通智能科技有限公司 | 一种基于区块链的信贷推荐方法、设备及存储介质 |
-
2021
- 2021-07-09 CN CN202110779920.8A patent/CN113434771A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503520A (zh) * | 2018-08-22 | 2019-11-26 | 泰康保险集团股份有限公司 | 信息推荐方法、装置、电子设备及计算机可读介质 |
CN111143681A (zh) * | 2019-12-27 | 2020-05-12 | 中国银行股份有限公司 | 一种资讯推荐装置、方法、设备及系统 |
CN112328886A (zh) * | 2020-11-16 | 2021-02-05 | 深圳壹账通智能科技有限公司 | 一种基于区块链的信贷推荐方法、设备及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023134496A1 (zh) * | 2022-01-14 | 2023-07-20 | 京东方科技集团股份有限公司 | 对象推荐方法、装置、电子设备以及存储介质 |
CN114625973A (zh) * | 2022-05-12 | 2022-06-14 | 深圳市宏博信息科技有限公司 | 一种匿名信息跨域推荐方法、装置、电子设备及存储介质 |
CN114625973B (zh) * | 2022-05-12 | 2022-08-23 | 深圳创源互动科技有限公司 | 一种匿名信息跨域推荐方法、装置、电子设备及存储介质 |
CN115115449A (zh) * | 2022-08-26 | 2022-09-27 | 北京云成金融信息服务有限公司 | 一种面向金融供应链的优化数据推荐的方法及系统 |
CN115203728A (zh) * | 2022-09-14 | 2022-10-18 | 南京紫米网络科技有限公司 | 基于联盟区块链和大数据的金融数据安全存储系统及方法 |
CN117788174A (zh) * | 2024-02-26 | 2024-03-29 | 山东华创远智信息科技有限公司 | 基于区块链的金融用户数据安全保护方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113434771A (zh) | 基于区块链的金融资讯推荐方法及区块链中的参与方节点 | |
US20220076165A1 (en) | Systems and methods for automating data science machine learning analytical workflows | |
Keramati et al. | Developing a prediction model for customer churn from electronic banking services using data mining | |
Wieland et al. | On topology and dynamics of consensus among linear high-order agents | |
WO2021196639A1 (zh) | 消息推送方法、装置、计算机设备及存储介质 | |
Escalante | Automated machine learning—a brief review at the end of the early years | |
CN108446964B (zh) | 一种基于移动流量dpi数据的用户推荐方法 | |
WO2020038100A1 (zh) | 一种特征关系推荐方法及装置、一种计算设备及存储介质 | |
Ratra et al. | Big data tools and techniques: A roadmap for predictive analytics | |
US20190244146A1 (en) | Elastic distribution queuing of mass data for the use in director driven company assessment | |
Boranbayev et al. | The method of data analysis from social networks using apache hadoop | |
CN110362663A (zh) | 自适应多感知相似度检测和解析 | |
EP4226292A1 (en) | Systems and methods for tracking data shared with third parties using artificial intelligence-machine learning | |
US11194869B2 (en) | Method and apparatus for enriching metadata via a network | |
CN114817746A (zh) | 保险产品推荐方法、装置、设备及存储介质 | |
Shetty | Sentiment analysis, tweet analysis and visualization on big data using Apache Spark and Hadoop | |
CN107644042B (zh) | 软件程序点击率预估排序方法及服务器 | |
CN116340643B (zh) | 对象推荐的调整方法及装置、存储介质、电子设备 | |
Zhou et al. | Spatial Context-Aware Time Series Forecasting for QoS Prediction | |
CN110069691A (zh) | 用于处理点击行为数据的方法和装置 | |
Gowda et al. | Real-Time Tweets Streaming and Comparison Using Naïve Bayes Classifier | |
Murthy et al. | TwitSenti: a real-time Twitter sentiment analysis and visualization framework | |
CN113919921A (zh) | 一种基于多任务学习模型的产品推荐方法及相关设备 | |
Li et al. | Semi-supervised gender classification with joint textual and social modeling | |
CN114219663A (zh) | 产品推荐方法、装置、计算机设备及存储介质 |
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 |