[发明专利]区块链内外多源异构数据基于广度学习算法的融合方法

摘要

本发明涉及一种区块链内外多源异构数据基于广度学习算法的融合方法,应用机器学习中的广度学习来进行区块链内外关联数据的知识融合。通过将多种数据源融合进一个模型进行挖掘，首先定义并获取有用的数据源，其次设计一种模型来将异质数据源信息融合起来，最后基于模型整体的需求从各种数据源中深度挖掘信息。

主权项

1.一种区块链内外多源异构数据基于广度学习算法的融合方法,其特征在于：步骤S1:将多种类型的数据包括用户视角的数据和行为视角的数据，映射到高维非线性的潜在空间中的多源数据；步骤S2:使用词嵌入技术将多源数据转化为低维空间中的向量，得到多源数据简单的，初步的分布式表示Xp和Xu，Xp和Xu分别为行为视角的数据分布式表示和用户视角的数据分布式表示，将其作为卷积神经网络模型的输入；步骤S3:将Xp和Xu通过卷积神经网络模型进行卷积操作，得到卷积操作提取的用户视角抽象特征cu和行为视角抽象特征cp；步骤S4:对于行为视角抽象特征cp，继续作为LSTM模块的输入，可以得到LSTM模块的最后时刻隐藏层输出ht，并将最后时刻隐藏的输出ht作为行为视角的最终特征；步骤S5:通过趋势预测层联合优化用户视角抽象特征cu和行为视角的最终特征ht,并预设整个模型架构的最小化误差值,且误差值公式为：其中n_samples表示n个样本，n_labels表示n个标签，是数据的真实趋势，L_ij＝{(k,l):f_ik＜f_ij,y_ik＝1,y_il＝0},L_ij表示第i个样本对应第j个标签的预测误差值，其中(k,l)是行向量，表示第k个预测标签与第l个实际标签的误差值；f_ik＜f_ij表示第i个样本对应的第k个标签的预测值小于第i个样本对应的第j个标签的预测值，即表示预测错误；y_ik表示第i个样本对应的第k个标签的真实值，y_il表示第i个样本对应的第l个标签的真实值；是分类器的预测趋势,若ranking(y,f)小于预设的最小化误差值，则说明本模型得到的分类器的预测趋势满足预设的数据趋势预测的要求。