用户分类方法、装置、电子设备及存储介质

技术领域

本发明涉及大数据技术领域，尤其涉及一种用户分类方法、装置、电子设备及计算机可读存储介质。

背景技术

在大数据时代下，对用户进行分类，可以有效预测用户的行为，挖掘出各类用户的价值，并为业务系统提供有效信息。如借贷用户，业务系统通过划分信用等级实现客户细分，预测客户的违约概率。

目前，已有的借贷用户分类方法往往仅是简单的二分类，分类的类别总数较少，使得分类结果精确性较低；同时，现有用户分类方法的分类标准是通用的信用等级，并没有结合客户的还款表现，无法确定贷款的损失程度或获利能力，因此无法有效区分各等级客户的价值，区分结果精确性不高。

发明内容

本发明提供一种用户分类方法、装置及计算机可读存储介质，其主要目的在于解决用户分类结果精确性较低的问题。

为实现上述目的，本发明提供的一种用户分类方法，包括：

采集样本用户数据，得到样本数据集；

基于有序离散选择模型和预设的种类数构建初始用户分类模型；

基于所述初始用户分类模型，利用所述样本数据集构建用户分类模型；

利用所述用户分类模型对待分类用户数据进行分类，得到分类结果。

可选地，所述采集样本用户的数据，得到样本数据集，包括：

获取样本用户的的基础信息和还款数据，得到用户数据；

根据预设的类别总数和所述还款数据确定所述用户数据的标签；

将所述用户数据与所述标签对应汇集，得到样本数据集。

可选地，所述基于有序离散选择模型和预设的种类数构建初始用户分类模型，包括：

获取有序离散选择模型；

使所述有序离散选择模型服从有序多分类分布，并将所述预设的种类数与所述有序离散选择模型结合，得到初始用户分类模型。

可选地，所述使所述有序离散选择模型服从有序多分类分布，并将所述预设的种类数与所述有序离散选择模型结合，得到初始用户分类模型，包括：

使所述有序离散选择模型中的误差参数ε服从有序多分类分布；

根据所述有序多分类分布和所述预设的种类数对所述有序离散选择模型进行变换，得到初始用户分类模型。

可选地，所述基于所述初始用户分类模型，利用所述样本数据集构建用户分类模型，包括：

将所述初始用户分类模型中的模型参数转化为似然函数表示，得到似然函数；

对所述似然函数进行取对数处理，并利用所述样本数据集进行求解，得到模型参数值；

将所述模型参数值代入所述初始用户分类模型中，得到用户分类模型。

可选地，所述利用所述用户分类模型对待分类用户数据进行分类，得到分类结果，包括：

从预设的业务系统中获取待分类用户数据；

利用所述用户分类模型和预设的概率条件对所述待分类用户数据进行求解，得到所述待分类用户数据属于预设种类数中各类别的概率；

选择概率值最大对应的类别作为待分类用户数据的分类结果。

可选地，所述利用所述用户分类模型和预设的概率条件对所述待分类用户数据进行求解，得到所述待分类用户数据属于预设种类数中各类别的概率，包括：

将所述待分类用户数据输入至所述用户分类模型中，得到多个概率公式；

将所述多个概率公式与预设的概率条件进行并列求解，得到所述待分类用户数据属于预设种类数中各类别的概率。

为了解决上述问题，本发明还提供一种用户分类装置，所述装置包括：

数据获取模块，用于采集样本用户的数据，得到样本数据集；

初始模型构建模块，用于基于有序离散选择模型和预设的种类数构建初始用户分类模型；

分类模型构建模块，用于基于所述初始用户分类模型，利用所述样本数据集构建用户分类模型；

用户分类模块，用于利用所述用户分类模型对待分类用户数据进行分类，得到分类结果。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

存储器，存储至少一个指令；及

处理器，执行所述存储器中存储的指令以实现上述所述的用户分类方法。

为了解决上述问题，本发明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中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的用户分类方法。

本发明实施例基于有序离散选择模型和预设的种类数构建初始用户分类模型，所述有序离散选择模型是一种多分类有序离散选择模型，可以解决因变量为多个类别变量的问题，扩大用户分类的类别总数，且所述有序离散选择模型中离散的因变量存在逻辑大小关系的特点可以提高分类结果的精确性；同时，基于所述初始用户分类模型，利用所述样本数据集构建用户分类模型，所述样本数据集中可以包括用户的各方面数据，如不仅可以包括用户的基础信息还可以包括用户的还款数据，可以充分利用用户的数据信息，有效地降低信息损失并扩大分类标准的依据，可以提高用户分类模型分类结果的精确性。因此本发明提出的用户分类方法、装置、电子设备及计算机可读存储介质，可以解决用户分类结果精确性较低的问题。

附图说明

图1为本发明一实施例提供的用户分类方法的流程示意图；

图2为本发明一实施例提供的用户分类装置的功能模块图；

图3为本发明一实施例提供的实现所述用户分类方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种用户分类方法。所述用户分类方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述用户分类方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

参照图1所示，为本发明一实施例提供的用户分类方法的流程示意图。

在本实施例中，所述用户分类方法包括：

S1、采集样本用户的数据，得到样本数据集。

本发明实施例中所述样本用户数据主要是指借款用户的用户的数据信息，包括用户的基础信息，如用户名、年龄、学历等，以及用户的还款数据，即用户的还款记录。

详细地，所述采集样本用户的数据，得到样本数据集，包括：

获取样本用户的基础信息和还款数据，得到用户数据；

根据预设的类别总数和所述还款数据确定所述用户数据的标签；

将所述用户数据与所述标签对应汇集，得到样本数据集。

其中，所述预设的类别总数是指用户分类的类别总数。

进一步地，本发明实施例中基于用户的还款数据的违约风险程度将用户细分为四类：无风险用户、低风险用户、高风险用户和损失用户。无风险客户，即整个还款期全部正常还款或提前还款，未出现逾期；低风险客户，即出现短期逾期(不超过90天)并及时清偿，未出现坏账或未偿还情况；高风险客户，即出现长期逾期(逾期超过90天)并还款期结束2年内清偿坏账；损失客户，即在还款期结束2年后仍存在未偿还账款。

S2、基于有序离散选择模型和预设的种类数构建初始用户分类模型。

详细地，所述基于有序离散选择模型和预设的种类数构建初始用户分类模型，包括：

获取有序离散选择模型；

使所述有序离散选择模型服从有序多分类分布，并将所述预设的种类数与所述有序离散选择模型结合，得到初始用户分类模型。

进一步地，本发明实施例中对于用户种类的划分是根据违约程度进行划分的，这种违约程度存在递进关系，如果使用传统的分类模型，用户违约程度的递进信息就会被损失掉，因此，本发明实施例中采用的有序离散选择模型是一种多分类有序离散选择模型，可以解决因变量为多个类别变量的问题，且可以利用离散的因变量存在逻辑大小关系提高分类的预测效果。

可选地，所述有序离散选择模型，如下：

y

其中，y

所述有序离散选择模型可以在因变量Y为多分类变量而不是连续变量时，对因变量Y和自变量X之间的关系进行分析。例如，消费者在购买汽车的时候通常会比较几个不同的品牌，如福特、本田、大众，等等。如果将消费者选择福特汽车记为Y＝1，选择本田汽车记为Y＝2，选择大众汽车记为Y＝3，通过所述有序离散选择模型可以根据消费者自身数据预测消费者会选择何种汽车品牌。

进一步地，本发明实施例中用户的违约程度属于不可观测的连续变量，将用户的违约程度与预设的种类数(即用户分类)对应，所述将预设的种类数与所述有序离散选择模型结合是将所述有序离散选择模型中的因变量与预设的种类数对应，并代入所述有序离散选择模型中的公式，可以得到：

y＝1，if y

y＝2，ifα

y＝3，ifα

y＝4，if y

其中，y表示预设的用户种类，1是无风险用户，2是低风险用户，3是高风险用户，4是损失用户，α

进一步地，所述使所述有序离散选择模型服从有序多分类分布，包括：

使所述有序离散选择模型中的误差参数ε服从有序多分类分布；

根据所述有序多分类分布和所述预设的种类数对所述有序离散选择模型进行变换，得到初始用户分类模型。

进一步地，所述根据所述有序多分类分布和所述预设的种类数对所述有序离散选择模型进行变换是基于所述有序多分类分布将对应所述预设的种类数的所述有序离散选择模型中的因变量转换为概率，得到初始用户分类模型，包括：

p(y＝1)＝p(y

p(y＝2)＝p(α

p(y＝3)＝p(α

p(y＝4)＝p(y

其中，p(y＝1)是用户属于无风险用户的概率，p(y＝2)是用户属于低风险用户的概率，p(y＝3)是用户属于高风险用户的概率，p(y＝4)是用户属于损失用户的概率。

S3、基于所述初始用户分类模型，利用所述样本数据集构建用户分类模型。

详细的，所述基于所述初始用户分类模型，利用所述样本数据集构建用户分类模型，包括：

将所述初始用户分类模型中的模型参数转化为似然函数表示，得到似然函数；

对所述似然函数进行取对数处理，并利用所述样本数据集进行求解，得到模型参数值；

将所述模型参数值代入所述初始用户分类模型中，得到用户分类模型。

其中，所述似然函数，如下：

其中，[y

进一步地，所述对所述似然函数进行取对数处理，包括：

本发明实施例采用极大似然估计求得所述初始用户分类模型中模型参数α

进一步地，所述将所述模型参数值代入所述初始用户分类模型中是指用所述模型参数值对应替换所述初始用户分类模型中的原始参数。

进一步地，所述用户分类模型，如下：

其中，p1、p2、p3、p4分别表示属于无风险用户、低风险用户、高风险用户和损失用户的概率，α1、α2、α3是模型参数值，x

所述用户分类模型可以用于对贷款用户进行分类，将用户的用户数据(包括基本信息和还款数据)作为输入，根据所述用户分类模型中的公式进行求解，可以输出该用户属于所述预设种类数中每种类别的概率，从而确定该用户对应属于的类别。

S4、利用所述用户分类模型对待分类用户数据进行分类，得到分类结果。

详细地，所述利用所述用户分类模型对待分类用户数据进行分类，得到分类结果，包括：

从预设的业务系统中获取待分类用户数据；

利用所述用户分类模型和预设的概率条件对所述待分类用户数据进行求解，得到所述待分类用户数据属于预设种类数中各类别的概率；

选择概率值最大对应的类别作为待分类用户数据的分类结果。

其中，所述预设的概率条件是指p1+p2+p3+p4＝1。

进一步地，所述利用所述用户分类模型和预设的概率条件对所述待分类用户数据进行求解，得到所述待分类用户数据属于预设种类数中各类别的概率，包括：

将所述待分类用户数据输入至所述用户分类模型中，得到多个概率公式；

将所述多个概率公式与预设的概率条件进行并列求解，得到所述待分类用户数据属于预设种类数中各类别的概率。

可选地，为进一步保证所述待分类用户数据的安全性和私密性，所述待分类用户数据还可以从一区块链的节点中获取。

本发明实施例基于有序离散选择模型构建用户分类模型对用户进行细分类，对不同的类型的用户采取不同的处理策略，可以有效提高用户数据的价值，预测用户的行为，减少损失，并提高工作效率。如，在借贷平台中对于属于高风险用户的用户应进行特别关注并采用有效的催收策略。

本发明实施例基于有序离散选择模型和预设的种类数构建初始用户分类模型，所述有序离散选择模型是一种多分类有序离散选择模型，可以解决因变量为多个类别变量的问题，扩大用户分类的类别总数，且所述有序离散选择模型中离散的因变量存在逻辑大小关系的特点可以提高分类结果的精确性；同时，基于所述初始用户分类模型，利用所述样本数据集构建用户分类模型，所述样本数据集中不仅包括用户的基础信息还包括了用户的还款数据，可以充分利用用户的数据信息，有效地降低信息损失并扩大分类标准的依据，可以提高用户分类模型分类结果的精确性。因此本发明提出的用户分类方法、装置、电子设备及计算机可读存储介质，可以解决用户分类结果精确性较低的问题。

如图2所示，是本发明一实施例提供的用户分类装置的功能模块图。

本发明所述用户分类装置100可以安装于电子设备中。根据实现的功能，所述用户分类装置100可以包括数据获取模块101、初始模型构建模块102、分类模型构建模块103及用户分类模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述数据获取模块101，用于采集样本用户的数据，得到样本数据集。

本发明实施例中所述样本用户数据主要是指借款用户的用户的数据信息，包括用户的基础信息，如用户名、年龄、学历等，以及用户的还款数据，即用户的还款记录。

详细地，所述数据获取模块101具体用于：

获取样本用户的基础信息和还款数据，得到用户数据；

根据预设的类别总数和所述还款数据确定所述用户数据的标签；

将所述用户数据与所述标签对应汇集，得到样本数据集。

其中，所述预设的类别总数是指用户分类的类别总数。

进一步地，本发明实施例中基于用户的还款数据的违约风险程度将用户细分为四类：无风险用户、低风险用户、高风险用户和损失用户。无风险客户，即整个还款期全部正常还款或提前还款，未出现逾期；低风险客户，即出现短期逾期(不超过90天)并及时清偿，未出现坏账或未偿还情况；高风险客户，即出现长期逾期(逾期超过90天)并还款期结束2年内清偿坏账；损失客户，即在还款期结束2年后仍存在未偿还账款。

所述初始模型构建模块102，用于基于有序离散选择模型和预设的种类数构建初始用户分类模型。

详细地，所述初始模型构建模块102具体用于：

获取有序离散选择模型；

使所述有序离散选择模型服从有序多分类分布，并将所述预设的种类数与所述有序离散选择模型结合，得到初始用户分类模型。

进一步地，本发明实施例中对于用户种类的划分是根据违约程度进行划分的，这种违约程度存在递进关系，如果使用传统的分类模型，用户违约程度的递进信息就会被损失掉，因此，本发明实施例中采用的有序离散选择模型是一种多分类有序离散选择模型，可以解决因变量为多个类别变量的问题，且可以利用离散的因变量存在逻辑大小关系提高分类的预测效果。

可选地，所述有序离散选择模型，如下：

y

其中，y

所述有序离散选择模型可以在因变量Y为多分类变量而不是连续变量时，对因变量Y和自变量X之间的关系进行分析。例如，消费者在购买汽车的时候通常会比较几个不同的品牌，如福特、本田、大众，等等。如果将消费者选择福特汽车记为Y＝1，选择本田汽车记为Y＝2，选择大众汽车记为Y＝3，通过所述有序离散选择模型可以根据消费者自身数据预测消费者会选择何种汽车品牌。

进一步地，本发明实施例中用户的违约程度属于不可观测的连续变量，将用户的违约程度与预设的种类数(即用户分类)对应，所述将预设的种类数与所述有序离散选择模型结合是将所述有序离散选择模型中的因变量与预设的种类数对应，并代入所述有序离散选择模型中的公式，可以得到：

y＝1,if y

y＝2,ifα

y＝3,ifα

y＝4,if y

其中，y表示预设的用户种类，1是无风险用户，2是低风险用户，3是高风险用户，4是损失用户，α

进一步地，所述使所述有序离散选择模型服从有序多分类分布，包括：

使所述有序离散选择模型中的误差参数ε服从有序多分类分布；

根据所述有序多分类分布和所述预设的种类数对所述有序离散选择模型进行变换，得到初始用户分类模型。

进一步地，所述根据所述有序多分类分布和所述预设的种类数对所述有序离散选择模型进行变换是基于所述有序多分类分布将对应所述预设的种类数的所述有序离散选择模型中的因变量转换为概率，得到初始用户分类模型，包括：

p(y＝1)＝p(y

p(y＝2)＝p(α

p(y＝3)＝p(α

p(y＝4)＝p(y

其中，p(y＝1)是用户属于无风险用户的概率，p(y＝2)是用户属于低风险用户的概率，p(y＝3)是用户属于高风险用户的概率，p(y＝4)是用户属于损失用户的概率。

所述分类模型构建模块103，用于基于所述初始用户分类模型，利用所述样本数据集构建用户分类模型。

详细的，所述分类模型构建模块103具体用于：

将所述初始用户分类模型中的模型参数转化为似然函数表示，得到似然函数；

对所述似然函数进行取对数处理，并利用所述样本数据集进行求解，得到模型参数值；

将所述模型参数值代入所述初始用户分类模型中，得到用户分类模型。

其中，所述似然函数，如下：

其中，[y

进一步地，所述对所述似然函数进行取对数处理，包括：

本发明实施例采用极大似然估计求得所述初始用户分类模型中模型参数α

进一步地，所述将所述模型参数值代入所述初始用户分类模型中是指用所述模型参数值对应替换所述初始用户分类模型中的原始参数。

进一步地，所述用户分类模型，如下：

其中，p1、p2、p3、p4分别表示属于无风险用户、低风险用户、高风险用户和损失用户的概率，α1、α2、α3是模型参数值，x

所述用户分类模型可以用于对贷款用户进行分类，将用户的用户数据(包括基本信息和还款数据)作为输入，根据所述用户分类模型中的公式进行求解，可以输出该用户属于所述预设种类数中每种类别的概率，从而确定该用户对应属于的类别。

所述用户分类模块104，用于利用所述用户分类模型对待分类用户数据进行分类，得到分类结果。

详细地，所述用户分类模块104具体用于：

从预设的业务系统中获取待分类用户数据；

利用所述用户分类模型和预设的概率条件对所述待分类用户数据进行求解，得到所述待分类用户数据属于预设种类数中各类别的概率；

选择概率值最大对应的类别作为待分类用户数据的分类结果。

其中，所述预设的概率条件是指p1+p2+p3+p4＝1。

进一步地，所述利用所述用户分类模型和预设的概率条件对所述待分类用户数据进行求解，得到所述待分类用户数据属于预设种类数中各类别的概率，包括：

将所述待分类用户数据输入至所述用户分类模型中，得到多个概率公式；

将所述多个概率公式与预设的概率条件进行并列求解，得到所述待分类用户数据属于预设种类数中各类别的概率。

可选地，为进一步保证所述待分类用户数据的安全性和私密性，所述待分类用户数据还可以从一区块链的节点中获取。

本发明实施例基于有序离散选择模型构建用户分类模型对用户进行细分类，对不同的类型的用户采取不同的处理策略，可以有效提高用户数据的价值，预测用户的行为，减少损失，并提高工作效率。如，在借贷平台中对于属于高风险用户的用户应进行特别关注并采用有效的催收策略。

如图3所示，是本发明一实施例提供的实现用户分类方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如用户分类程序12。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如用户分类程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如用户分类程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。

可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的用户分类程序12是多个指令的组合，在所述处理器10中运行时，可以实现：

采集样本用户的数据，得到样本数据集；

基于有序离散选择模型和预设的种类数构建初始用户分类模型；

基于所述初始用户分类模型，利用所述样本数据集构建用户分类模型；

利用所述用户分类模型对待分类用户数据进行分类，得到分类结果。

具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

采集样本用户的数据，得到样本数据集；

基于有序离散选择模型和预设的种类数构建初始用户分类模型；

基于所述初始用户分类模型，利用所述样本数据集构建用户分类模型；

利用所述用户分类模型对待分类用户数据进行分类，得到分类结果。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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模块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，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。