基于数字金融的区块链大数据处理方法及大数据服务器技术

本申请实施例提供一种基于数字金融的区块链大数据处理方法及大数据服务器，通过对非节点对象产生的大量用户历史操作数据片段进行有效分析，结合所述用户历史操作数据片段中对应的目标非节点对象的历史操作相关数据，对目标非节点对象的进行兴趣特征分析，得到目标非节点对象的服务推荐画像，可利于联盟区块链网络中的节点对象有针对性为非节点对象进行服务推荐。同时，本申请实施例参考了用户历史操作数据片段中其他用户的操作数据，综合其他用户对相应服务类型的使用情况，得到目标非节点对象的服务推荐画像，能够实现节点对象对非节点对象服务的更精准推送，提升用户服务体验的同时，还可以提升推送效果。

【技术实现步骤摘要】
基于数字金融的区块链大数据处理方法及大数据服务器
本申请涉及区块链及大数据分析
，具体而言，涉及一种基于数字金融的区块链大数据处理方法及大数据服务器。
技术介绍
部分去中心化的联盟区块链网络包括预先指定的对象，例如特定领域的权威机构，如数字金融领域的大银行和金融监管机构等，可以成为联盟区块链网络中的节点，成为节点对象。其他对象没有资格成为节点，成为非节点对象。如此，联盟区块链网络中的各节点对象可以为非节点对象提供服务，非节点对象可以与联盟区块链网络对接，请求联盟区块链网络中的各节点对象提供相应的服务。现有的非节点对象在使用各节点对象提供的服务的过程中，会产生海量的用户数据。现有的联盟区块链网络大多采用特定的服务模式对各非节点对象提供相应的服务，没有有效的机制对非节点对象产生海量的用户行为数据进行挖掘分析，而难以提供针对不同的非节点对象的个性提供个性化服务模式。
技术实现思路
基于现有设计的不足，本申请实施例提供一种基于数字金融的区块链大数据处理方法，应用于大数据服务器，所述大数据服务器与位于联盟区块链网络中的节点对象以及非节点对象通信连接。所述方法包括：对多个非节点对象在使用节点对象提供的服务所产生的多个历史操作数据片段进行操作行为标签分析，以确定每个所述历史操作数据片段中的用户行为特征数据以及对应的操作行为标签；根据每个所述历史操作数据片段中的用户行为特征数据的操作行为标签，从所述多个历史操作数据片段中确定满足预设数据筛选规则的多个用户行为特征数据以作为目标筛选数据；>基于多个所述目标筛选数据，对所述多个历史操作数据片段中目标非节点对象产生的历史操作数据片段进行目标识别，以确定包括任意一个所述目标筛选数据的目标历史操作数据片段；确定每个所述目标历史操作数据片段中的目标筛选数据的被选概率分值，并根据每个所述被选概率分值确定所述目标非节点对象对所述目标筛选数据的兴趣程度值，并确定所述目标历史操作数据片段中满足兴趣程度值条件的目标筛选数据；根据所述目标历史操作数据片段中满足预设兴趣程度值条件的目标筛选数据，确定所述目标非节点对象的服务推荐画像。进一步地，所述根据每个所述历史操作数据片段中的用户行为特征数据的操作行为标签，从所述多个历史操作数据片段中确定满足预设数据筛选规则的多个用户行为特征数据以作为目标筛选数据，包括：根据每个所述历史操作数据片段中的用户行为特征数据的操作行为标签，确定每个所述历史操作数据片段中的用户行为特征数据的被选概率分值；根据每个所述历史操作数据片段中的用户行为特征数据的被选概率分值，确定大于预设概率分值阈值的用户行为特征数据作为目标筛选数据。进一步地，所述用户行为特征数据的操作行为标签包括服务类型使用占比、行为特征出现频率、服务类型人次占比；其中，所述服务类型使用占比表示所述用户行为特征数据对应的服务类型在所述历史操作数据片段中的使用次数与该历史操作数据片段中的所有服务类型的使用次数之比值、所述行为特征出现频率表示所述用户行为特征数据在所述历史操作数据片段中出现的次数与该历史操作数据片段中的所有用户行为特征数据的出现次数之比值、所述服务类型人次占比表示所述对应的服务类型在所述历史用户操作数据片段中的使用人数与所述历史用户操作数据片段中的所有服务类型的使用人数之比值；所述根据每个所述历史操作数据片段中的用户行为特征数据的操作行为标签，确定每个所述历史操作数据片段中的用户行为特征数据的被选概率分值，包括：针对每个所述历史操作数据片段中的用户行为特征数据中的任一目标用户行为特征数据：确定所述目标用户行为特征数据的在所述历史操作数据片段中对应的服务类型使用占比、行为特征出现频率、以及服务类型人次占比分别对应的第一权重系数，第二权重系数以及第三权重系数；根据所述对应的服务类型使用占比、行为特征出现频率、以及服务类型人次占比和所述第一权重系数，第二权重系数、以及第三权重系数计算得到所述目标用户行为特征数据对应的被选概率分值。进一步地，所述目标用户行为特征数据对应的被选概率分值，通过以下公式计算得到：Score(i)＝α1×β1+α2×β2+α3×β3；其中，Score(i)代表所述目标用户行为特征数据对应的被选概率分值，α1、α2、α3分别代表所述目标用户行为特征数据对应的服务类型使用占比、行为特征出现频率、以及服务类型人次占比，β1、β2、β3分别代表所述第一权重系数、第二权重系数以及第三权重系数，β1、β2、β3之和为1。进一步地，上述对被操作的多个历史操作数据片段进行操作行为标签分析，以确定每个所述历史操作数据片段中的用户行为特征数据的操作行为标签，包括：针对每个所述历史操作数据片段中的任一用户行为特征数据：确定所述用户行为特征数据对应的服务类型；对每个所述历史操作数据片段进行第一服务类型关键词遍历搜索，确定所述服务类型的第一出现次数；对每个所述历史操作数据片段，进行第二服务类型关键词遍历搜索，确定所述多个历史操作数据片段中包含的所有服务类型，并确定所有服务类型的第二出现次数；根据所述第一出现次数和所述第二出现次数确定得到所述服务类型使用占比；确定所述用户行为特征数据对应的用户行为特征；对每个所述历史操作数据片段进行第一行为特征关键词遍历搜索，确定所述用户行为特征的第三出现次数；对每个所述历史操作数据片段，进行第二行为特征关键词遍历搜索，确定所述多个历史操作数据片段中包含的所有用户行为特征，并确定所有用户行为特征的第四出现次数；根据所述第三出现次数和所述第四出现次数确定得到所述行为特征出现频率；确定所述用户行为特征数据对应的服务类型；对每个所述历史操作数据片段进行第一用户ID遍历搜索，确定使用所述服务类型的第一用户ID数量；对每个所述历史操作数据片段，进行所述第二服务类型关键词遍历搜索，确定所述多个历史操作数据片段中包含的所有服务类型，并对每个所述历史操作数据片段进行第二用户ID遍历搜索，确定所有服务类型对应第二用户ID数量；根据所述第一用户ID数量和所述第二用户ID数量确定得到所述服务类型人次占比。进一步地，上述根据每个所述历史操作数据片段中的用户行为特征数据的被选概率分值，确定满足预设数据筛选规则的多个用户行为特征数据以作为目标筛选数据，包括：针对所述多个历史操作数据片段中的任一历史操作数据片段：将所述历史操作数据片段中的用户行为特征数据进行数据去噪处理，并对数据去噪处理后剩余的用户行为特征数据的被选概率分值按照从大到小的顺序进行排列，将按照从大到小的顺序进行排列后的前第一预设数量个用户行为特征数据确定为满足被选概率分值预设数据筛选规则的目标筛选数据；所述根据每个目标历史操作数据片段中的目标筛选数据的被选概率分值，确定所述目标非节点对象对所述目标筛选数据的兴趣程度值，并根据所述目标历史操作数据片段中满足兴趣程度值条件的目标筛选数据，确定所述目标非节点对象的服务推荐画像，包括：针对所述第一预设数量个目标筛本文档来自技高网...

【技术保护点】
1.一种基于数字金融的区块链大数据处理方法，其特征在于，应用于大数据服务器，所述大数据服务器与位于联盟区块链网络中的节点对象以及非节点对象通信连接，所述方法包括：/n对多个非节点对象在使用节点对象提供的服务所产生的多个历史操作数据片段进行操作行为标签分析，以确定每个所述历史操作数据片段中的用户行为特征数据以及对应的操作行为标签；/n根据每个所述历史操作数据片段中的用户行为特征数据的操作行为标签，从所述多个历史操作数据片段中确定满足预设数据筛选规则的多个用户行为特征数据以作为目标筛选数据；/n基于多个所述目标筛选数据，对所述多个历史操作数据片段中目标非节点对象产生的历史操作数据片段进行目标识别，以确定包括任意一个所述目标筛选数据的目标历史操作数据片段；/n确定每个所述目标历史操作数据片段中的目标筛选数据的被选概率分值，并根据每个所述被选概率分值确定所述目标非节点对象对所述目标筛选数据的兴趣程度值，并确定所述目标历史操作数据片段中满足兴趣程度值条件的目标筛选数据；/n根据所述目标历史操作数据片段中满足预设兴趣程度值条件的目标筛选数据，确定所述目标非节点对象的服务推荐画像。/n

【技术特征摘要】
1.一种基于数字金融的区块链大数据处理方法，其特征在于，应用于大数据服务器，所述大数据服务器与位于联盟区块链网络中的节点对象以及非节点对象通信连接，所述方法包括：
对多个非节点对象在使用节点对象提供的服务所产生的多个历史操作数据片段进行操作行为标签分析，以确定每个所述历史操作数据片段中的用户行为特征数据以及对应的操作行为标签；
根据每个所述历史操作数据片段中的用户行为特征数据的操作行为标签，从所述多个历史操作数据片段中确定满足预设数据筛选规则的多个用户行为特征数据以作为目标筛选数据；
基于多个所述目标筛选数据，对所述多个历史操作数据片段中目标非节点对象产生的历史操作数据片段进行目标识别，以确定包括任意一个所述目标筛选数据的目标历史操作数据片段；
确定每个所述目标历史操作数据片段中的目标筛选数据的被选概率分值，并根据每个所述被选概率分值确定所述目标非节点对象对所述目标筛选数据的兴趣程度值，并确定所述目标历史操作数据片段中满足兴趣程度值条件的目标筛选数据；
根据所述目标历史操作数据片段中满足预设兴趣程度值条件的目标筛选数据，确定所述目标非节点对象的服务推荐画像。


2.根据权利要求1所述的方法，其特征在于，所述根据每个所述历史操作数据片段中的用户行为特征数据的操作行为标签，从所述多个历史操作数据片段中确定满足预设数据筛选规则的多个用户行为特征数据以作为目标筛选数据，包括：
根据每个所述历史操作数据片段中的用户行为特征数据的操作行为标签，确定每个所述历史操作数据片段中的用户行为特征数据的被选概率分值；
根据每个所述历史操作数据片段中的用户行为特征数据的被选概率分值，确定大于预设概率分值阈值的用户行为特征数据作为目标筛选数据。


3.根据权利要求2所述的方法，其特征在于，所述用户行为特征数据的操作行为标签包括服务类型使用占比、行为特征出现频率、服务类型人次占比；其中，所述服务类型使用占比表示所述用户行为特征数据对应的服务类型在所述历史操作数据片段中的使用次数与该历史操作数据片段中的所有服务类型的使用次数之比值、所述行为特征出现频率表示所述用户行为特征数据在所述历史操作数据片段中出现的次数与该历史操作数据片段中的所有用户行为特征数据的出现次数之比值、所述服务类型人次占比表示所述对应的服务类型在所述历史用户操作数据片段中的使用人数与所述历史用户操作数据片段中的所有服务类型的使用人数之比值；
所述根据每个所述历史操作数据片段中的用户行为特征数据的操作行为标签，确定每个所述历史操作数据片段中的用户行为特征数据的被选概率分值，包括：
针对每个所述历史操作数据片段中的用户行为特征数据中的任一目标用户行为特征数据：
确定所述目标用户行为特征数据的在所述历史操作数据片段中对应的服务类型使用占比、行为特征出现频率、以及服务类型人次占比分别对应的第一权重系数，第二权重系数以及第三权重系数；
根据所述对应的服务类型使用占比、行为特征出现频率、以及服务类型人次占比和所述第一权重系数，第二权重系数、以及第三权重系数计算得到所述目标用户行为特征数据对应的被选概率分值。


4.根据权利要求2所述的方法，其特征在于，所述目标用户行为特征数据对应的被选概率分值，通过以下公式计算得到：
Score(i)＝α1×β1+α2×β2+α3×β3；
其中，Score(i)代表所述目标用户行为特征数据对应的被选概率分值，α1、α2、α3分别代表所述目标用户行为特征数据对应的服务类型使用占比、行为特征出现频率、以及服务类型人次占比，β1、β2、β3分别代表所述第一权重系数、第二权重系数以及第三权重系数，β1、β2、β3之和为1。


5.根据权利要求3所述的方法，其特征在于，对被操作的多个历史操作数据片段进行操作行为标签分析，以确定每个所述历史操作数据片段中的用户行为特征数据的操作行为标签，包括：
针对每个所述历史操作数据片段中的任一用户行为特征数据：
确定所述用户行为特征数据对应的服务类型；对每个所述历史操作数据片段进行第一服务类型关键词遍历搜索，确定所述服务类型的第一出现次数；对每个所述历史操作数据片段，进行第二服务类型关键词遍历搜索，确定所述多个历史操作数据片段中包含的所有服务类型，并确定所有服务类型的第二出现次数；根据所述第一出现次数和所述第二出现次数确定得到所述服务类型使用占比；
确定所述用户行为特征数据对应的用户行为特征；对每个所述历史操作数据片段进行第一行为特征关键词遍历搜...

【专利技术属性】
技术研发人员：李华兵，
申请(专利权)人：李华兵，
类型：发明
国别省市：江苏;32