[发明专利]基于区块链的产品信息处理方法及装置在审
申请号: | 202210831343.7 | 申请日: | 2022-07-15 |
公开(公告)号: | CN115170240A | 公开(公告)日: | 2022-10-11 |
发明(设计)人: | 袁玥;黄攀;祁江楠;雷禹 | 申请(专利权)人: | 中国银行股份有限公司 |
主分类号: | G06Q30/06 | 分类号: | G06Q30/06;G06Q40/02;G06K9/62;G06N3/02;G06N3/08;G06F21/32 |
代理公司: | 北京三友知识产权代理有限公司 11127 | 代理人: | 樊一槿;张祥意 |
地址: | 100818 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 区块 产品 信息处理 方法 装置 | ||
1.一种基于区块链的产品信息处理方法,其特征在于,所述方法包括:
获取用户发送的用户身份信息,并对所述用户身份信息进行验证,得到身份验证结果;
若所述身份验证结果为验证通过,则根据所述用户身份信息获取对应的产品交易信息,并将所述用户身份信息及所述产品交易信息发送至区块链中进行信息整合处理,得到用户偏好信息;
将所述用户偏好信息输入至预先建立的产品推荐神经网络模型中,得到所述用户偏好信息对应的产品推荐结果。
2.根据权利要求1所述的方法,其特征在于,所述产品推荐神经网络模型是通过如下方式建立的:
获取经过用户授权的历史用户信息及对应的历史产品交易信息,并对所述历史产品交易信息进行相似度计算,得到产品相似度;
根据所述产品相似度,对所述历史用户信息及对应的历史产品交易信息进行集合划分,得到模型训练样本集;
利用所述模型训练样本集,对预设的初始神经网络模型进行训练,得到产品推荐神经网络模型。
3.根据权利要求2所述的方法,其特征在于,所述对所述历史产品交易信息进行相似度计算,得到产品相似度包括:利用协同过滤算法,对所述历史产品交易信息进行相似度计算,得到所述产品相似度。
4.根据权利要求2所述的方法,其特征在于,所述利用所述模型训练样本集,对预设的初始神经网络模型进行训练,得到产品推荐神经网络模型包括:
将所述模型训练样本集中的训练样本数据输入至预设的初始神经网络模型中进行特征提取,确定特征向量及其对应的权重值;
利用注意力机制,对所述特征向量对应的权重值进行更新,得到所述产品推荐神经网络模型。
5.一种基于区块链的产品信息处理装置,其特征在于,所述装置包括:
身份验证模块,用于获取用户发送的用户身份信息,并对所述用户身份信息进行验证,得到身份验证结果;
信息整合模块,用于若所述身份验证结果为验证通过,则根据所述用户身份信息获取对应的产品交易信息,并将所述用户身份信息及所述产品交易信息发送至区块链中进行信息整合处理,得到用户偏好信息;
产品推荐模块,用于将所述用户偏好信息输入至预先建立的产品推荐神经网络模型中,得到所述用户偏好信息对应的产品推荐结果。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
相似度模块,用于获取经过用户授权的历史用户信息及对应的历史产品交易信息,并对所述历史产品交易信息进行相似度计算,得到产品相似度;
训练样本模块,用于根据所述产品相似度,对所述历史用户信息及对应的历史产品交易信息进行集合划分,得到模型训练样本集;
模型训练模块,用于利用所述模型训练样本集,对预设的初始神经网络模型进行训练,得到产品推荐神经网络模型。
7.根据权利要求6所述的装置,其特征在于,所述相似度模块还用于:利用协同过滤算法,对所述历史产品交易信息进行相似度计算,得到所述产品相似度。
8.根据权利要求6所述的装置,其特征在于,所述模型训练模块包括:
特征提取单元,用于将所述模型训练样本集中的训练样本数据输入至预设的初始神经网络模型中进行特征提取,确定特征向量及其对应的权重值;
权重更新单元,用于利用注意力机制,对所述特征向量对应的权重值进行更新,得到所述产品推荐神经网络模型。
9.一种电子设备,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4任一项所述方法。
10.一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4任一项所述方法的计算机程序。
11.一种计算机程序产品,包括计算机程序/指令,其特征在于,所述计算机程序/指令被处理器执行时实现权利要求1至4任一项所述方法的步骤。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国银行股份有限公司,未经中国银行股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202210831343.7/1.html,转载请声明来源钻瓜专利网。