基于区块链和机器学习的产品推荐方法、装置及存储介质

技术领域

本发明涉及产品推荐领域，尤其涉及一种基于区块链和机器学习的产品推荐方法、装置及存储介质。

背景技术

合理的产品推荐，对用户和产品推荐方来说是一种双赢。然而，优秀的产品推荐离不开用户数据的支持。

各大电商拥有庞大的用户数据，他们渴望与其他人合作并试图从中获益，例如淘宝凭借其收集的淘宝店家/用户的信息和交易数据等，通过整理/收集/分析等方式，制作了一款名为“生意参谋”的数据产品，淘宝面向淘宝的卖家销售该款产品，以帮助卖家了解市场行情、商品店铺榜等信息。但是，电商直接将用户数据售卖给他人会导致用户信息的泄露，侵犯用户的权益。目前电商的数据很难在不泄露隐私的情况下，向电商平台外提供以支持产品推荐。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本发明提供一种基于区块链和机器学习的产品推荐方法、装置及存储介质。

第一方面，本发明提供一种基于区块链和机器学习的产品推荐方法，包括：在行业产品提供方与电商平台之间共建一条联盟链，设置独立于联盟链之外的可信第三方平台，可信第三方平台在本地产生私钥和对应的公钥K；

行业产品提供方相互之间归纳自身产品的产品类型，创建产品标签类别并为产品标签类别设置对应的取值范围；

行业产品提供方选取设定数量的购买目标产品类型产品的客户群体，并利用第二模型fx得到购买目标产品类型产品的客户群体中每个客户的第二标签梯度数值；利用客户、第二标签类别、第二标签梯度值和相应产品标签类别构建行业产品提供方局部表并上链；行业产品提供方将选取的购买目标产品类型产品的客户群体告知电商平台，电商平台利用第一模型bx得到第一标签梯度数值，利用客户、第一标签类别、第一标签梯度值构建电商局部表并上链；在联盟链中基于智能合约对行业产品提供方局部表和电商局部表的客户特征属性值进行对齐，并构建包含客户全部特征属性和产品标签类别的完整表；利用完整表训练整体模型Cx找到一组第三权重，所述第三权重使得同一产品标签类别的所有客户的特征属性值加权和落在产品标签类别对应的取值范围内；

行业产品提供方和电商平台定期将用户以及用户对应的所有特征属性值用公钥K全同态加密，加上自己的数字签名，再发布到区块链上；行业产品提供方在区块链中找到客户的全同态加密数据和模型权重，将全同态加密数据和模型权重加权平均代入完整模型C求产品标签类别取值范围，行业产品提供方首先将同态加密的计算结果以及计算过程使用的行业产品提供方和电商平台的数据发布到区块链中，对应的电商和行业产品提供方会对这个同态加密后的计算结果都施加数字签名，然后行业产品提供方将这个同态加密后的结果连同电商和行业产品提供方的数字签名发送给可信的第三方机构由第三方机构对结果解密，根据解密的产品标签类别取值范围内确定的客户适合购买何种目标产品。

更进一步地，各加入所述联盟链电商平台相互之间约定一组考量电商用户的第一属性a

更进一步地，加入联盟链的每个电商平台和行业产品提供方在本地，分别利用电商用户数据和行业产品提供方用户数据训练第一模型bx和第二模型fx，其中电商用户数据包括客户、每个客户对应的第一属性值和每个客户对应的第一标签类别，行业产品提供方用户数据包括客户、每个客户对应的第二属性值和每个客户对应的第二标签类别；通过对第一模型bx和第二模型fx的训练，使得第一模型bx为每个第一标签类别找到一组第一权重，所述第一权重满足同一第一标签类别的所有客户的第一属性值与第一权重加权和落在相应的第一标签梯度对应的取值范围内；使得第二模型bx为每个第二标签类别找到一组第二权重，所述第二权重满足同一第二标签类别的所有客户的第二属性值与第二权重加权和落在相应的第二标签梯度对应的取值范围内。

更进一步地，每个电商平台和行业产品提供方分别将自己训练的第一模型bx的每个第一标签类别对应的第一权重和第二模型fx的每个第二标签类别对应的第二权重发布到区块链中，并施加数字签名，每个电商平台和行业产品提供方定期在区块链中分别获取其他电商的第一权重和其他行业产品提供方的第二权重，分别校准第一模型bx的第一权重和和第二模型的第二权重。

更进一步地，每个电商平台对自己平台内的电商用户按第一评测标准进行评测，评测电商用户在自己平台内的消费情况属于哪个第一标签类别和第一标签梯度；每个行业产品提供方对自己平台内的现有用户按照第二评测标准进行评测，评测现有用户在自己平台内的消费情况属于哪个第二标签类型和第二标签梯度；电商平台相互之间协商为每个第一标签类别下的第一标签梯度设置一个包含具体数值的连续的取值范围，行业产品提供方相互之间协商为每个第二标签类别下的第二标签梯度设置一个包含具体数值的连续的取值范围。

更进一步地，在联盟链中基于智能合约对行业产品提供方局部表和电商局部表的客户特征属性值进行对齐，并构建包含客户全部特征属性和产品标签类别的完整表包括：所有电商平台和行业产品提供方将各自用户中购买目标产品类型客户群体的特征属性以及特征属性的模糊值发布到区块链中，所述模糊值为第一标签梯度数值和第二标签梯度数值所对应取值范围上下限的均值；

对任一个用户u1，每个电商平台将最近设定时间的营业额乘以每个电商平台中用户u1的模糊值，再将计算的乘法结果求和，求和之后再除以电商平台的营业额综合，计算得到的值作为用户u1的第一标签类别的特征属性值；每个行业产品提供方将最近设定时间内的营业额乘以每个行业产品提供方中用户u1的模糊值，再将计算的乘法结果求和，求和之后再除以行业产品提供方的营业额综合，计算得到的值作为用户u1的第一标签类别的特征属性值；

将行业产品提供方与电商平台为每个用户综合计算的特征属性值填入到完整表T中，并将行业产品提供方局部表给出的产品标签类别填入完整表标签栏。

更进一步地，行业产品提供方将解密后的结果再用公钥K加密并与解密前结果对比是否一致以验证解密是否正确；第三方平台核对各方数字签名签的加密结果是否与要解密的结果一致即可判断该待解密结果是否是经提供数据的各方批准。

更进一步地，参与行业产品提供方确定客户适合购买何种目标产品的电商平台从行业产品提供方获取奖励。

第二方面，本发明提供一种基于区块链和机器学习的产品推荐装置，包括：至少一处理单元，所述处理单元通过总线单元连接存储单元，所述存储单元存储计算机程序，所述计算机程序被所述处理单元执行时，实现所述的基于区块链和机器学习的产品推荐方法。

第三方面，本发明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计算机程序，所述计算机程序被处理器执行时，实现所述的基于区块链和机器学习的产品推荐方法。

本发明实施例提供的上述技术方案与现有技术相比具有如下优点：

本发明采用的技术方案的技术效果包括以下：

在本发明中通过区块链和机器学习等技术在“了解用户购买力水平和经济水平”层面上打破了电商平台之间和电商平台与行业产品提供方之间的隔阂，让他们可以在不泄露用户购买数据的前提下共同构建用户的购买力水平和经济水平模型，实现利益的最大化，同时也使得用户可以避免收到一些与自己实际消费水平不符的产品推荐信息，让用户可以更好地选择适合自己的产品。

在本发明中电商平台和行业产品提供方分别训练自己的第一模型bx和第二模型fx，使用平台自己的用户数据训练，然后将模型参数上链，保障了用户隐私；同时所有平台都可以在链上下载其他平台上传的模型权重来与自己的模型进行聚合，使得模型训练结果更具有普适性，同时也使得模型训练结果更贴合用户实际。同时由于模型上链使得模型历史可追溯，将模型打上时间戳也有利于各平台将模型更新迭代。模型上链的思想也有别于传统的联邦学习，联邦学习需要一个中心化的机构实现数据对齐，这就使得数据可信度存疑，但是本发明通过让模型上链，提高数据的可信度。

电商平台第一模型bx处理电商用户数据的结果和行业产品提供方第二模型fx处理用户数据的结果定期加密上传到区块链中，首先上传的并不是用户实际数据，而是通过机器学习为用户打上的标签数据，并且这个数据还通过同态加密上传，有力保障了用户隐私。同时通过同态加密的运算性质使得行业产品提供方仅靠其他平台的加密数据即可得到某个用户适合哪种目标产品，进一步保障用户隐私。

第一模型bx和第二模型fx的训练和校准，既能使模型适应随着时间的变化用户购买力水平和经济水平变化，还能灵活支持新的平台加入到聚合模型的过程中。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的在各电商平台本地基于电商用户的第一属性、第一标签类别和第一标签梯度训练用于识别电商用户第一标签梯度并提供第一标签梯度值的第一模型bx并上链的示意图；

图2为本发明实施例提供的每个电商平台定期在区块链中获取其他电商的第一权重，校准自己的第一权重的示意图；

图3为本发明实施例提供的在各行业产品提供方本地基于金融用户的第二属性、第二标签类别和第二标签梯度训练用于识别金融用户第二标签梯度并提供第二标签梯度值的第二模型fx并上链的示意图；

图4为本发明实施例提供的每个行业产品提供方定期在区块链中获取其他行业产品提供方的第二权重，校准自己的第二权重的示意图；

图5为本发明实施例提供的行业产品提供方构建行业产品提供方局部表并上链、电商平台构建电商局部表并上链的示意图；

图6为本发明实施例提供的构建完整表并训练整体模型Cx的示意图；

图7为本发明实施例提供的一种基于区块链和机器学习的产品推荐方法的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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的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。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者装置中还存在另外的相同要素。

实施例1

参阅图7所示，本发明提供一种基于区块链和机器学习的产品推荐方法，包括：

在行业产品提供方与电商平台之间共建一条联盟链，加入此联盟链的行业产品提供方与电商平台定期在联盟链上上传相关的加密数据和训练模型，并为上传的内容施加数字签名。同时设置一个独立于所述联盟链之外的可信第三方平台，可信第三方平台在本地产生私钥和对应的公钥K。

参阅图1所示，在各电商平台本地基于电商用户的第一属性、第一标签类别和第一标签梯度训练用于识别电商用户第一标签梯度并提供第一标签梯度值的第一模型bx。

各加入所述联盟链电商平台相互之间约定一组考量电商用户的第一属性a

示例性的所述第一属性包括：消费总金额、日用品消费金额、大型家用电器消费金额、使用优惠券金额、奢侈品消费金额。

示例性的所述第一标签类别及第一标签梯度包括：消费产品偏好，对应消费产品偏好的一组第一标签梯度划分为大宗产品消费群体、中大宗产品消费群体、中宗产品消费群体、中小宗产品消费群体、小宗产品消费群体；消费群体类型，对应消费群体类型的一组第一标签梯度划分为非常节省型消费群体、节省型消费群体、适中型消费群体、浪费型消费群体、非常浪费型消费群体。不同第一标签类别下分的第一标签梯度个数可以不同。

每个电商平台对自己平台内的电商用户按第一评测标准进行评测，评测电商用户在自己平台内的消费情况属于哪个第一标签类别和第一标签梯度，并打上对应的第一标签类别和第一标签梯度；同一电商用户可以有多个不同类别的第一标签梯度，但同一类别的第一标签梯度有且只能有一个。比如一个电商用户可能既属于大宗产品消费群体又属于节省型消费群体；但不能既属于大宗产品消费群体又属于小宗产品消费群体。所有电商平台之间的第一评测标准可能并不一致，有的电商平台营业额比较多，可能要购买达到更多的金额才会被该电商平台判定为“高消费群体”。

每个电商平台配置第一模型bx，不同电商的所述第一模型bx训练的算法都是一样的，且各自保存在电商平台本地。电商平台将自己平台内的电商用户数据输入第一模型bx中进行本地训练。电商平台在第一模型bx中输入至少一组电商用户u

通过对第一模型bx的训练，使得第一模型bx为每个第一标签类别找到一组第一权重l

其中，电商平台相互之间协商为每个第一标签类别下的第一标签梯度设置一个包含具体数值的连续的取值范围。比如对于第一标签类别为消费产品偏好，将大宗产品消费群体的范围参数设置为800～1000，中大宗产品消费群体的范围参数设置为600～800，中宗产品消费群体的范围参数设置为400～600，中小宗产品消费群体的范围参数设置为200～400，小宗产品消费群体的范围参数设置为0～200。注意第一标签梯度参数范围值必须要连续，比如大宗产品消费群体的范围参数下限为800，那么中大宗产品消费群体的范围参数上限就应该也为800。

每个电商平台需要将自己训练的第一模型bx的每个第一标签类别l

参阅图2所示，每个电商平台定期在区块链中获取其他电商的第一权重，校准自己的第一权重，使得每个电商平台的第一权重更具有针对所有电商平台的普适性。由于每个电商平台销售营业额状况会有所不同，可能会出现某个电商平台的第一权重l

参阅图3所示，在各行业产品提供方本地基于现有用户的第二属性、第二标签类别和第二标签梯度训练用于识别现有用户第二标签梯度并提供第二标签梯度值的第二模型fx。

各加入所述联盟链的行业产品提供方相互之间约定一组考量金融用户的第二属性a

以银行作为行业产品提供方为例。示例性的所述第二属性包括：存款金额、贷款金额、理财产品消费金额。示例性的所述第二标签类别及第二标签梯度包括：资金情况，对应资金情况的一组第二标签梯度划分为资金充足、资金匮乏；理财潜力，对应理财潜力的一组第二标签梯度划分为理财潜力大、理财潜力中、理财潜力小；理财消费，对应理财消费的一组第二标签梯度划分为理财消费大、理财消费中、理财消费小；资金流水，对应资金流水的一组第二标签梯度划分为资金流水大、资金流水中、资金流水小。不同第二标签类别下分的第二标签梯度个数可以不同。

每个行业产品提供方对自己平台内的现有用户按照第二评测标准进行评测，评测现有用户在自己平台内的理财情况属于哪个第二标签类型和第二标签梯度，并打上对应的第二标签类别和第二标签梯度，同一现有用户可以有多个不同类别的第二标签梯度，但同一类别的第二标签梯度有且只能有一个。比如一个金融用户可能既属于资金充足群体又属于理财潜力大群体；但不能既属于资金充足群体又属于资金匮乏群体。所有行业产品提供方之间的第二评测标准可能并不一致，有的行业产品提供方贷款的人比较多，可能要贷款达到更多的金额才会被该行业产品提供方判定为“高贷款群体”。

每个行业产品提供方本地设置第二模型fx。行业产品提供方将自己平台内的现有用户数据输入第二模型fx中进行本地训练。行业产品提供方在第二模型fx中输入至少一组现有用户u

通过对第二模型fx的训练，使得第二模型fx为每个第二标签类别找到一组第二权重l

其中，行业产品提供方相互之间协商为每个第二标签类别下的第二标签梯度设置一个包含具体数值的连续的取值范围。以银行业为例，对于标签类别理财消费，将理财消费大的群体的范围参数设置为8000～1w，理财消费中上的群体的范围参数设置为6000～8000，理财消费适中的群体的范围参数设置为4000～6000，理财消费中下的群体的范围参数设置为2000～4000，理财消费低的群体的范围参数设置为0～2000。注意梯度参数范围值必须要连续，比如理财消费大的群体的范围参数下限为8000，那么理财消费中上的群体的范围参数上限就应该也为8000。

每个行业产品提供方将自己训练的第二模型fx的每个第二标签类别l

参阅图4所示，每个行业产品提供方定期在区块链中获取其他行业产品提供方的第二权重，校准自己的第二权重，使得第二权重更具有针对所有行业产品提供方的普适性。由于每个行业产品提供方资金流水状况会有所不同，可能会出现某个行业产品提供方的第二权重l

行业产品提供方相互之间归纳自身产品的产品类型。以银行业为例，将理财分为适合一些经常在电商平台购买奢侈品的用户买的理财产品、适合经常购买大宗物品的客户买的理财产品等。为理财产品设置产品标签类别L1、L2、...，并为产品标签类别设置一个对应的取值范围区间。

参阅图5所示，各行业产品提供方统一选取设定数量购买了具体产品的客户u1、u2、u3...作为购买目标产品客户群体，分别将购买目标产品客户群体的相应第二属性代入到自己的第二模型fx中，得到购买目标产品客户群体的每个第二标签类别的第二标签梯度数值，在行业产品提供方本地为购买目标产品客户群体建立一个行业产品提供方局部表，将第二标签类别作为行业产品提供方局部表的特征属性Ai，客户对应的第二标签梯度值作为对应的特征属性值Ai.value，根据购买的理财产品类别设置客户的产品标签类别L。将行业产品提供方局部表上链。

行业产品提供方将选取的购买目标产品客户群体告知电商平台，电商平台在本地找出对应客户u1、u2、u3...，分别将客户u1、u2、u3...的相应第一属性代入到第一模型bx中，得到购买目标产品客户群体每个第一标签类别的第一标签梯度数值，在电商平台本地为客户u1、u2、u3...建立一个电商局部表，将第一标签类别作为电商局部表的特征属性Ai，客户u1、u2、u3...的第一标签梯度数值作为对应的特征属性值Ai.value。将电商局部表上链。

所有电商平台和行业产品提供方将各自的客户u1、u2、u3...的特征属性以及特征属性的模糊值发布到区块链中，所述模糊值为第一标签梯度数值和第二标签梯度数值所对应取值范围上下限的均值。如果一个客户u1被某个电商判定为属于大宗产品消费群体，由于大宗产品消费群体的范围参数为800～1000，那么该用户的消费产品偏好特征属性的模糊值即为(1000+800)/2＝900，以此类推求出所有梯度数值对应的模糊值。

参阅图6所示，在区块链中基于智能合约对行业产品提供方局部表和电商局部表的客户数据进行“对齐”。这是因为电商共用的属性与行业产品提供方共用的属性不一致，但是电商之间共用的属性一致，行业产品提供方之间共用的属性也一致。对齐操作如下：对一个用户u1，他在不同电商平台中的第一标签类别模糊值判断会不同，将每个电商平台最近设定时间的营业额乘以每个电商平台预测的该用户的模糊值，再将这些电商平台计算的乘法结果求和，求和之后再除以这些电商平台的营业额综合，计算得到的值作为用户u1的第一标签类别的特征属性值，同理求出所有用户的所有第一标签类别和第二标签类别的特征属性值。将行业产品提供方与电商平台为每个用户综合计算的特征属性值填入到完整表T中，并将行业产品提供方局部表给出的产品标签类别填入完整表标签栏。随着电商平台和行业产品提供方分别不停的向区块链提交行业产品提供方局部表和电商局部表，完整表也不停地迭代。

利用完整表作为初始数据放到区块链的整体模型Cx中进行模型训练，通过训练整体模型Cx找到一组第三权重Li_W1、Li_W2、Li_W3...Li_Wu，第三权重的个数与用户全部属性个数一致，且每个产品标签类别对应一组第三权重)。使得满足同一产品标签类别Li的所有客户的对应的A1.value*Li_W1+A2.value*Li_W2+A3.value*Li_W3+...+An.value*Li_Wn的计算结果落在产品标签类别对应的取值范围内。之后每次训练完新数据，整体模型Cx更新迭代一次。比如根据完整表Tx训练成整体模型Cx，接下来还会根据完整表Tx+1继续将整体模型Cx训练成模型Cx+1。

行业产品提供方和电商平台定期将用户以及用户对应的所有特征属性值用公钥K全同态加密，加上自己的数字签名，再发布到区块链上；行业产品提供方在区块链中找到客户的全同态加密数据和模型权重，将全同态加密数据和模型权重加权平均代入完整模型C求产品标签类别取值范围，行业产品提供方首先将同态加密的计算结果以及计算过程使用的行业产品提供方和电商平台的数据发布到区块链中，对应的电商和行业产品提供方会对这个同态加密后的计算结果都施加数字签名，然后行业产品提供方将这个同态加密后的结果连同电商和行业产品提供方的数字签名发送给可信的第三方机构由第三方机构对结果解密，根据解密的产品标签类别取值范围内确定用户适合购买何种目标产品。

使用整体模型C来预测客户适合哪种目标产品的流程如下：

可信第三方平台在本地产生私钥和对应的公钥K。

行业产品提供方和电商平台定期将自己的客户根据自己的第一模型bx和第二模型fx判断客户属于哪个第一标签类别和第二标签类别，将一组用户以及用户对应的所有特征属性值经过全同态加密为fK(Ai.value)，再发布到区块链上，同时在发布的这组数据信息后加上自己的数字签名。特征属性值Ai.value是第一模型bx和第二模型fx的输出。

行业产品提供方在区块链中找到有购买目标产品类型产品想法的客户对应的其他行业产品提供方和电商关于该客户的加密信息fK(Ai.value)，以及模型权重W1、W2、W3，...，Wj，将不同电商的对应fK(Ai.value)加权求平均。所述模型权值指根据相应平台最近一段时间的营业额占所有平台营业额的比重，若这个特征属性Ai来自于电商平台，那么就把对应电商平台的营业额占联盟链中所有电商平台营业额的比重作为特征属性Ai的模型权值。提供完整模型Cx计算所有不同产品标签类别对应的特征属性的加权和Li_W1*fK(A1.value)+Li_W2*fK(A2.value)+Li_W3*fK(A3.value)+...+Li_Wj*fK(Aj.value)，得到计算结果。行业产品提供方首先将同态加密的计算结果以及计算过程使用的行业产品提供方和电商平台的数据发布到区块链中，对应的电商和行业产品提供方会对这个同态加密后的计算结果都施加数字签名，然后行业产品提供方将这个同态加密后的结果连同电商和行业产品提供方的数字签名发送给可信的第三方机构由第三方机构对结果解密。解密结果就是一系列数值，行业产品提供方将解密后的结果再用公钥K加密以验证解密是否正确。根据该解密结果是否在相应的产品标签类别取值范围内确定用户适合购买何种目标产品。

行业产品提供方每计算一个客户的产品标签类别的值，都需要将使用的哪个电商平台的数据发布到区块链中，其中，由于每组客户加密数据都附带提供电商的数字签名，行业产品提供方自然知道是哪个电商提供的该数据，以进行奖励结算。同时行业产品提供方将同态加密计算过程和计算结果也发布到区块链中，如果行业产品提供方有意对数据来源隐瞒，将无法凑出正确的同态加法结果。因为行业产品提供方需要先将计算结果连同客户本身发布到区块链中，然后经数据提供方给出数字签名后再告知可信的第三方平台，因此行业产品提供方要想解密数据需要客户数据提供方数字签名。由于数字签名要签在具体的同态加密结果中，第三方平台只需核对签名签的加密结果是否与要解密的结果一致即可判断该待解密结果是否是经提供数据的各方批准。行业产品提供方使用了电商的数据，给电商一笔钱作为奖励，不然电商不给银行签名，银行自然也无法解密数据，因为在解密前银行会在区块链上发布自己使用了哪些电商平台数据的信息。电商得到了银行的奖励，银行精准预测了客户适合的理财产品，双方都会有收益。

实施例2

本发明实施例提供一种基于区块链和机器学习的产品推荐装置，包括：至少一处理单元，所述处理单元通过总线单元连接存储单元，所述存储单元存储计算机程序，所述计算机程序被所述处理单元执行时，实现所述的基于区块链和机器学习的产品推荐方法，包括：在行业产品提供方与电商平台之间共建一条联盟链，设置独立于联盟链之外的可信第三方平台，可信第三方平台在本地产生私钥和对应的公钥K；

行业产品提供方相互之间归纳自己的理财产品的产品类型创建产品标签类别并为产品标签类别设置对应的取值范围；

行业产品提供方选取设定数量的购买具体产品客户群体，并利用第二模型fx得到购买目标产品客户群体中每个客户的第二标签梯度数值；利用客户、第二标签类别、第二标签梯度值和相应产品标签类别构建行业产品提供方局部表并上链；行业产品提供方将选取的购买目标产品客户群体告知电商平台，电商平台利用第一模型bx得到第一标签梯度数值，利用客户、第一标签类别、第一标签梯度值构建电商局部表并上链；在联盟链中基于智能合约对行业产品提供方局部表和电商局部表的客户特征属性值进行“对齐”，并构建包含客户全部特征属性和产品标签类别的完整表；利用完整表训练整体模型Cx找到一组第三权重，所述第三权重使得同一产品标签类别的所有客户的特征属性值加权和落在产品标签类别对应的取值范围内；

行业产品提供方和电商平台定期将用户以及用户对应的所有特征属性值用公钥K全同态加密，加上自己的数字签名，再发布到区块链上；对于有理财想法的客户，行业产品提供方在区块链中找到有理财想法的客户的全同态加密数据和模型权重，将全同态加密数据和模型权重加权平均代入完整模型C求产品标签类别取值范围，行业产品提供方首先将同态加密的计算结果以及计算过程使用的行业产品提供方和电商平台的数据发布到区块链中，对应的电商和行业产品提供方会对这个同态加密后的计算结果都施加数字签名，然后行业产品提供方将这个同态加密后的结果连同电商和行业产品提供方的数字签名发送给可信的第三方机构由第三方机构对结果解密，根据解密的产品标签类别取值范围内确定有理财想法的客户适合购买何种目标产品。

当然，本发明实施例所提供的一种基于区块链和机器学习的产品推荐装置中存储单元，其存储的计算机程序不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的一种基于区块链和机器学习的产品推荐方法中的相关操作。

实施例3

本发明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计算机程序，所述计算机程序被处理器执行时，实现所述的基于区块链和机器学习的产品推荐方法，包括：在行业产品提供方与电商平台之间共建一条联盟链，设置独立于联盟链之外的可信第三方平台，可信第三方平台在本地产生私钥和对应的公钥K；

行业产品提供方相互之间归纳自身产品的产品类型创建产品标签类别并为产品标签类别设置对应的取值范围；

行业产品提供方选取设定数量的购买具体产品客户群体，并利用第二模型fx得到购买目标产品客户群体中每个客户的第二标签梯度数值；利用客户、第二标签类别、第二标签梯度值和相应产品标签类别构建行业产品提供方局部表并上链；行业产品提供方将选取的购买目标产品客户群体告知电商平台，电商平台利用第一模型bx得到第一标签梯度数值，利用客户、第一标签类别、第一标签梯度值构建电商局部表并上链；在联盟链中基于智能合约对行业产品提供方局部表和电商局部表的客户特征属性值进行“对齐”，并构建包含客户全部特征属性和产品标签类别的完整表；利用完整表训练整体模型Cx找到一组第三权重，所述第三权重使得同一产品标签类别的所有客户的特征属性值加权和落在产品标签类别对应的取值范围内；

行业产品提供方和电商平台定期将用户以及用户对应的所有特征属性值用公钥K全同态加密，加上自己的数字签名，再发布到区块链上；对于有理财想法的客户，行业产品提供方在区块链中找到有理财想法的客户的全同态加密数据和模型权重，将全同态加密数据和模型权重加权平均代入完整模型C求产品标签类别取值范围；行业产品提供方将同态加密的计算结果以及计算过程使用的行业产品提供方和电商平台的数据发布到区块链中，对应的电商和行业产品提供方会对这个同态加密后的计算结果都施加数字签名；然后行业产品提供方将这个同态加密后的结果连同电商和行业产品提供方的数字签名发送给可信的第三方机构由第三方机构对结果解密，根据解密的产品标签类别取值范围内确定有理财想法的客户适合购买何种目标产品。

当然，本发明实施例所提供的一种计算机可读存储介质，其存储的计算机程序不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的一种基于区块链和机器学习的产品推荐方法中的相关操作。

基于以上的内容，保证了所有消费者的消费记录不会流出网购平台的域外的同时，通过各种消费平台的加入，就能从更多的角度对一个人的消费习惯对其画像，进而能够更加准确地分析出一个消费者对于某些金融产品的偏好。电商平台就可以通过自己平台上面用户的数据进行计算后得到一个比较符合该消费者的一款或几款行业产品提供方的产品，与行业产品提供方合作后，把产品推荐给客户后，行业产品提供方给商家返利，同时客源得到了补充，实现双赢。

在本发明所提供的实施例中，应该理解到，所揭露的结构和方法，可以通过其它的方式实现。例如，以上所描述的结构实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，结构或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。