基于区块链的信息推送方法、装置、计算机和存储介质与流程

本申请涉及基于区块链的信息推送技术领域，特别是涉及一种基于区块链的信息推送方法、装置、计算机设备和存储介质。

背景技术：

随着互联网的高速的发展，尤其是移动互联网的高速发展，移动互联网的各种应用极大丰富了人们的业余生活。人们可以足不出户地进行购物、娱乐和消费。

针对用户的惯常的消费习惯，为用户推送消费信息已成了各种应用的推送的主要方法，然而目前针对用户的喜欢进行推送消息时，主要依靠服务器端对用户的特征进行解析，并以此进行消息的推送，导致服务器端需要消耗较多的计算资源和存储资源，使得服务器压力较大，影响服务器的计算效率以及计算精度，造成信息推送的不及时以及不精确。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够基于区块链的信息推送方法、装置、计算机设备和存储介质。

一种基于区块链的信息推送方法，所述方法包括：

获取区块链的各区块；

解析所述区块链，获得所述区块链上的各区块中记载的用户的多维特征以及与所述用户的多维特征对应的多个待推送信息的预测概率；

根据所述预测概率向用户推送所述待推送信息。

在其中一个实施例中，所述获取区块链的各区块的步骤之前还包括：

获取操作信息；

向所述区块链的各节点广播所述操作信息。

在其中一个实施例中，所述向所述区块链的各节点广播所述操作信息的步骤之后还包括：

根据所述操作信息生成区块；

根据所述区块更新所述区块链。

在其中一个实施例中，所述获取操作信息的步骤包括：

获取所述操作信息，将所述操作信息导入用户模型进行学习，得到用户的多维特征；

所述向所述区块链的各节点广播所述操作信息的步骤包括：

向所述区块链的各节点广播用户的多维特征。

在其中一个实施例中，所述获取区块链的各区块的步骤之前还包括：

获取待推送信息；

解析所述待推送信息，获得所述待推送信息的特征；

将所述待推送信息的特征和用户的多维特征，输入到已构建的深度神经网络模型中进行预测，得到每个待推送信息的预测概率；

向所述区块链的各节点广播各所述待推送信息的预测概率。

在其中一个实施例中，所述向所述区块链的各节点广播各所述待推送信息的预测概率的步骤之后还包括：

根据各所述待推送信息的预测概率生成区块；

根据所述区块更新所述区块链。

在其中一个实施例中，所述根据所述预测概率向用户推送所述待推送信息的步骤包括：

检测所述预测概率是否大于预设阈值；

当所述预测概率大于或等于所述预设阈值，则根据所述预测概率向用户推送所述待推送信息。

一种基于区块链的信息推送装置，所述装置包括：

获取区块链模块，用于获取区块链的各区块；

特征和概率获取模块，用于解析所述区块链，获得所述区块链上的各区块中记载的用户的多维特征以及与所述用户的多维特征对应的多个待推送信息的预测概率；

一种计算机设备，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，所述处理器执行所述计算机程序时实现以下步骤：

获取区块链的各区块；

解析所述区块链，获得所述区块链上的各区块中记载的用户的多维特征以及与所述用户的多维特征对应的多个待推送信息的预测概率；

根据所述预测概率向用户推送所述待推送信息。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取区块链的各区块；

解析所述区块链，获得所述区块链上的各区块中记载的用户的多维特征以及与所述用户的多维特征对应的多个待推送信息的预测概率；

根据所述预测概率向用户推送所述待推送信息。

上述基于区块链的信息推送方法、装置、计算机设备和存储介质，通过区块链实现用户的操作信息和推送信息概率的分布式存储，并据此提取用户的多维特征以及待推信息的概率，用户偏好特征提取等比较耗资源的计算直接在用户端进行，并实现分布式跟踪存储，实现特征对比的计算的去中心化，大大地减少了服务器端的压力，实现精准地推送和挖掘用户需求，使得信息推送更为精确和及时。

附图说明

图1为一个实施例中基于区块链的信息推送方法的应用环境图；

图2为一个实施例中基于区块链的信息推送方法的流程示意图；

图3为一个实施例中基于区块链的信息推送装置的结构框图；

图4为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的基于区块链的信息推送方法，可以应用于如图1所示的应用环境中。其中，多个终端102通过网络相互连接，并且相互之间通信，各终端102还通过网络与服务器104连接，并且与服务器104连接通信。各终端102和服务器104连接形成联盟链，各终端102和服务器104为联盟链中的一个节点，各终端102和服务器104能够作为节点向联盟链中的其他节点广播，并且各终端102和服务器104均能够接收其他节点的广播，并且能够对接收到的信息打包为区块，将区块链入区块链中以更新区块链。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器获取区块链的各区块；解析所述区块链，获得所述区块链上的各区块中记载的用户的多维特征以及与所述用户的多维特征对应的多个待推送信息的预测概率；根据所述预测概率向用户推送所述待推送信息。

在一个实施例中，如图2所示，提供了一种基于区块链的信息推送方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：

步骤210，获取区块链的各区块。

具体地，该区块链为用于记录用户操作信息、待推送信息以及与用户行为相关的信息的区块链，该区块链由多个区块根据时间戳依次链接而成。该区块链的各区块由各节点打包生成，并链入至区块链中。

本实施例中，作为节点的终端或者服务器，能够获取区块链，并且获取到区块链中的区块。

步骤230，解析所述区块链，获得所述区块链上的各区块中记载的用户的多维特征以及与所述用户的多维特征对应的多个待推送信息的预测概率。

本步骤中，对区块链解析，能够获得区块链中各区块内记录的信息，这些记录的信息中包含用户的多维特征以及与所述用户的多维特征对应的多个待推送信息的预测概率。由于用户的多维特征和待推送信息的预测概率记录在区块链的区块中，而区块链的区块是由分布于网络中的各节点生成的，且区块链的区块被网络中的各节点所记录并且更新，因此，使得用户的多维特征和待推送信息的预测概率能够通过区块链实现分布式存储，而无需服务器进行存储，能够有效降低对服务器资源的占用，并且，能够使得用户的多维特征和待推送信息的预测概率能够更为可靠地被记录，有效避免被篡改，并且由于每一节点都能够独立存储区块链，因此，能够有效提高用户的多维特征和待推送信息的预测概率的读取效率，从而提高获取效率。

具体地，用户的多维特征为用户的多个维度的特征信息，用户从多个不同的维度反映用户的个人信息或者个人的特征，该多维特征包括用户行为的特征和用户的个人特征。比如，该多维特征包括用户的年龄、用户的性别、用户的职业、用户的学历等，比如，该多维特征包括用户支付金额、用户浏览的商品种类、用户收藏的商品种类、收藏的商品品牌。该用户的多维特征为构成用户行为或者操作的主要因素，根据该多维特征，能够获得用户的惯常的消费习惯或者消费倾向。

该待推送信息可视为待推送的页面或者消息，该待推送信息可视为广告消息。值得一提的是，待推送信息可以是一个或者是多个。值得一提的是，待推送信息为多个，多个待推送信息可针对不同的用户或者同一个用户。不同的用户行为进行分别推送，提高推送精度。本实施例中，该待推送信息为多个，并且针对一个用户，该用户即为上述的多维特征对应的用户，也就是说，本实施例中，待推送信息与多维特征对应同一个用户，解析区块链获取的用户的多维特征和待推送信息同属一用户，该用户为当前节点对应的用户。一个实施例是，解析所述区块链，获得所述区块链上的各区块中记载的用户的多维特征以及与所述多维特征的用户对应的多个待推送信息的预测概率。一个实施例是，解析所述区块链，获得所述区块链上的各区块中记载的同一用户的多维特征以及与多维特征对应的多个待推送信息的预测概率。

该预测概率可以视为待推送信息与多维特征的匹配度，或者视为待推送信息与用户的多维特征的匹配度，通过该预测概率能够反映待推送信息是否符合用户的需求。

步骤250，根据所述预测概率向用户推送所述待推送信息。

本步骤中，在获得了预测概率后，向用户推送与该预测概率对应的待推送信息。由于每一待推送信息对应一预测概率，因此，能够根据预测概率向用户推送与该预测概率对应的待推送信息，并且使得待推送消息符合用户的需求。

上述实施例中，通过区块链实现用户的操作信息和推送信息概率的分布式存储，并据此提取用户的多维特征以及待推信息的概率，用户偏好特征提取等比较耗资源的计算直接在用户端进行，并实现分布式跟踪存储，实现特征对比的计算的去中心化，大大地减少了服务器端的压力，实现精准地推送和挖掘用户需求，使得信息推送更为精确和及时。

一个实施例是，根据得到的预测概率由大至小的顺序，向用户推送所述待推送信息，也就是说，优先将预测概率较大对应的待推送信息至用户。本实施例中，基于用户行为向用户推送于预测概率较大对应的待推送信息，这样，能够使得待推送信息匹配用户的行为，比如，用户在浏览时，向用户推送消息，又比如，用户在收藏时，向用户推送消息，使得用户能够在浏览或者收藏时，收到推送消息，而不会在支付、转发的时候收到推送消息，使得推送消息更为符合用户当前的行为，且符合用户的身份特征，避免对用户的操作造成影响，使得用户的使用感知更佳。

在其中一个实施例中，所述获取区块链的各区块的步骤之前还包括：获取操作信息；向所述区块链的各节点广播所述操作信息。

具体地，该操作信息为用户的操作的信息，该操作信息为记录用户行为的信息。用户行为即用户通过终端或者终端上的应用程序进行的操作行为，比如，该操作行为包括登录平台，比如，该操作包括点击、滑动、指纹验证、人脸验证、摄像等。比如，点击应用程序中的图标、按钮，滑动应用程序中的滑动按钮。该用户行为用于匹配应用程序中的预设规则，进而获得应用程序的预设反馈。比如，该应用程序为消费商城的应用，该用户行为可以是对消费商城中的商品的查看、收藏、转发、付款、购买等。

本实施例中，为了使得各节点均获得用户的操作信息，作为节点的其中一个终端，在获得用户在该终端上的操作后，获取该操作对应的信息，也就是操作信息，将该操作信息向区块链的其他各节点进行广播，以使得各节点接收到该操作信息，这样，各节点都能够记录操作信息，并且其中的一节点有可能基于该操作信息生成新的区块，这样，使得用户的每一步的操作对应的操作信息都能够被记录，并且记录在区块链的节点中，从而实现了用户操作的分布式存储，有效降低对服务器的存储资源的占用。

在其中一个实施例中，所述向所述区块链的各节点广播所述操作信息的步骤之后还包括：根据所述操作信息生成区块；根据所述区块更新所述区块链。

本实施例中，对于区块链中的一节点而言，能够基于本节点或者其他节点广播的操作信息生成区块，并且根据所述区块更新所述区块链，也就是将该区块链入区块链中。这样，实现了对操作信息的分布式记录和存储。并且，由于操作信息写入区块链中，能够有效避免操作信息被篡改，并且有效避免操作信息的丢失。此外，通过将操作信息写入区块，使得操作信息能够分布式存储，无需单独对服务器进行写入，避免多个终端并发导致服务器批量写入，能够有效提高操作信息的存储效率。

值得一提的是，根据操作信息生成区块的节点，可以是当前节点，也可以是区块链中接收到广播的操作信息的其他节点。

应该理解的是，对于根据操作信息生成区块，其实现原理与现有的区块链的区块的生成相同，比如，获取区块链中最新的区块的区块头信息，根据该区块头信息进行哈希运算，获得当前区块的区块头信息，将操作信息写入区块的区块体，生成区块。每一节点都将进行生成区块的操作，对于最早生成当前区块的节点，则该节点成功链入区块链中。这样，各节点都将有机会将各自生成的区块链入区块，对区块链进行更新，从而实现了操作信息的分布式存储。

值得一提的是，上述实施例中，将操作信息写入区块链的区块中，当需要推送信息时，可从区块链中获得该操作信息，并且对该操作信息进行解析获得用户的多维特征，一个实施例是，获取区块链的各区块；解析所述区块链，获得所述区块链上的各区块中记载的用户的操作信息以及与所述操作信息的用户对应的多个待推送信息的预测概率，对所述操作信息进行机器学习，获得用户的多维特征。这样，即可获得用户的多维特征和对应的多个待推送信息的预测概率。在另外的实施例中，该用户的多维特征可在写入区块前通过机器学习获得，该实施例阐述如下。

在其中一个实施例中，所述获取操作信息的步骤包括：获取所述操作信息，将所述操作信息导入用户模型进行学习，得到用户的多维特征；所述向所述区块链的各节点广播所述操作信息的步骤包括：向所述区块链的各节点广播用户的多维特征。所述根据所述操作信息生成区块，根据所述区块更新所述区块链的步骤包括：根据用户的多维特征生成区块；根据所述区块更新所述区块链。

也就是说，本实施例中，获取所述操作信息，将所述操作信息导入用户模型进行学习，得到用户的多维特征；向所述区块链的各节点广播用户的多维特征；根据用户的多维特征生成区块；根据所述区块更新所述区块链。

本实施例中，为了获得用户的多维特征，并将多维特征写入区块，并且链入区块链中，首先将操作信息导入至用户模型进行学习，该操作信息包括用户历史数据，也就是将用户历史操作数据导入至用户模型进行学习，该用户模型为基于大量用户的历史操作行为数据进行训练获得的模型，该用户模型为预先训练得到的。通过该用户模型对用户历史数据的学习，能够得到用户的多维特征。该多维特征包括用户偏好特征和用户的个人特征，比如，该多维特征包括用户支付金额、用户浏览的商品种类、用户收藏的商品种类、收藏的商品品牌。该用户的多维特征为构成用户行为的主要因素，根据该多维特征，能够获得用户的惯常的消费习惯或者消费倾向。值得一提的是，该用户模型可以是在终端侧实现，也可以是在服务器侧实现，比如，操作信息由用户的终端发送至服务器的用户模型进行学习。

在一个实施例中，获取所述操作信息和用户信息，将所述操作信息和用户信息导入用户模型进行学习，得到用户的多维特征；向所述区块链的各节点广播用户的多维特征；根据用户的多维特征生成区块；根据所述区块更新所述区块链。

本实施例中，用户的多维特征还通过用户信息学习得来，该用户信息为用户的个人信息或者身份信息，比如，用户的年龄、性别、职业和婚姻状态等。通过用户信息学习得到的用户多维特征，能够更为充分的获得用户的个人特征，以使得信息推送更为准确。

本实施例中，由于获取了用户的多维特征，并且基于此生成区块，这样，后续当用户登录时，服务器能够直接从区块链的区块中获取到用户的多维特征，并以此使得服务器实现待推送信息的推送，而无需获取操作信息来解析或者学习获得多维特征，有效提高了用户的多维特征的获取效率，提高了待推送信息的推送效率。

为了避免对用户的终端操作造成影响，在一个实施例中，检测用户的登录，在检测到用户登录时，获取用户在上一次登录的操作信息，将所述操作信息导入用户模型进行学习，得到用户的多维特征；向所述区块链的各节点广播用户的多维特征；根据用户的多维特征生成区块；根据所述区块更新所述区块链。

本实施例中，由于操作信息导入用户模型学习是在用户登录时进行，也就是由用户登录而触发，并且学习的是上一次登录时操作而产生的操作信息，这样，能够避免用户在后续操作时进行学习，避免终端由于用户模型的学习而消耗过多的资源，避免终端的卡顿，使得用户操作的体验更佳。

为了避免对用户的终端操作造成影响，在一个实施例中，检测当前终端是否处于待机或者息屏状态，当检测到当前终端处于待机或者息屏状态时，获取用户在上一次登录的操作信息，将所述操作信息导入用户模型进行学习，得到用户的多维特征；向所述区块链的各节点广播用户的多维特征；根据用户的多维特征生成区块；根据所述区块更新所述区块链。

本实施例中，由于操作信息导入用户模型学习是在终端待机或者息屏时进行，这样，能够有效避免用户在操作时进行学习，避免终端由于用户模型的学习而消耗过多的资源，避免终端的卡顿，使得用户操作的体验更佳。

在一个实施例中，所述将所述操作信息导入用户模型进行学习，得到用户的多维特征的包括：将所述操作信息导入用户模型进行学习，得到用户的至少一个多维特征；获取多个所述多维特征之间的关联关系；根据多个所述多维特征之间的关联关系以及至少一个多维特征，获得用户的多个所述多维特征。

具体地，多维特征指的是多个维度的特征，本实施例中，多维特征之间存在关联，也就是关联关系。多维特征之间的关联关系可以是用户模型学习得到。本实施例中，用户行为在用户模型中学习，将会得到一个多维特征，而根据这个多维特征与其他多维特征的关联关系，可以获得更多的与之关联的多维特征，这样，能够有效提高多个多维特征的获得效率，以及精确度。

根据关联关系获得的其他多维特征，能够广泛地适应用户兴趣或者消费习惯。

应该理解的是，关于关联关系的获得，可以是平台设置，比如，用户设置待推送商品或信息的关联性，比如婴儿用品与婴儿奶粉的关联，如用户购买婴儿用品，则购买婴儿奶粉的可能性比较大，也可以是用户模型学习得到的，比如推送后，用户有购买，则判断用户有这方面的需求；再比如商品优惠劵，比如按用户的其他特征可能对某商品有需求，但用户点开了某商品却一直没有购买，或一直没有搜索某商品，可能是因为价格高于用户预期值，可以推送商品优惠卷，本实施例中，优惠券即为与用户搜索商品具有关联关系的多维特诊该；如用户使用了优惠券购买，则可能是因为商品价格相对于其他途径购买的商品价格略高，可继续推送商品优惠劵，或适当做商品活动和调价；此外，还能够将一些营销策略植入信息特征模型，则该营销策略为与用户行为的多维特征具有关联关系的多维特征。

本实施例中，基于人工智能技术，向用户推送用户偏好的信息，或将用户不感兴趣的信息通过用户需求测试模型的植入营销手段，使得与用户行为相关联的推送信息能够发送至用户，调动用户的参与度或消费热诚，更全面的服务于目标用户，更精准地向用户推送信息，可用于电商平台，信息平台，或大型论坛平台等。

在其中一个实施例中，所述获取区块链的各区块的步骤之前还包括：获取待推送信息；解析所述待推送信息，获得所述待推送信息的特征；将所述待推送信息的特征和用户的多维特征，输入到已构建的深度神经网络模型中进行预测，得到每个待推送信息的预测概率；向所述区块链的各节点广播各所述待推送信息的预测概率。

本实施例中，为了实现用户的多维特征和待推送信息的比对，进而获得两者的匹配度，首先对待推送信息进行解析，获得待推送信息的特征，随后将待推送信息的特征和用户的多维特征输入至深度神经网络模型中进行预测，进而得到每个待推送信息的预测概率，并且待推送信息的预测概率是与用户的多维特征对应。

具体地，该构建的深度神经网络模型能够对待推送信息的特征和用户的多维特征的匹配度进行预测，从而计算得到每个待推送信息的预测概率。本实施例中，预先构建一个深度神经网络(dnn)模型，利用大量的样本数据对构建的深度神经网络模型进行训练，训练完成后可以得到一个训练好的深度神经网络模型。该样本数据即为用户行为，或者是用户历史数据。待推送信息的特征包括用户群体特征、信息(商品)可配送范围、信息有效期、包装特征、唯一性标识、其他信息关联性特征等。

值得一提的是，构建深度神经网络模型可采用现有技术实现，并且该深度神经网络模型的架构也可以采用现有技术。比如，该深度神经网络模型可采用如中国专利201611228253.x中公开的方式进行构建，且该深度神经网络模型的结构也可采用如中国专利201611228253.x中公开的架构。本实施例中对此不累赘描述。

此外，值得一提的是，由于终端和服务器均为区块链的节点，因此，该深度神经网络模型可以是在服务器侧实现，也可以是在终端侧实现，比如，服务器根据商品信息的更新，获取对应的待推送信息，比如，待推送信息由服务器送至终端的深度神经网络模型进行学习。

在在获得了待推送信息的预测概率后，将待推送信息的预测概率向所述区块链的各节点广播，以使得区块链中的其他各节点能够接收到待推送信息的预测概率，这样，各节点都能够记录待推送信息的预测概率，并且其中的一节点有可能基于该待推送信息的预测概率生成新的区块，这样，使得每一待推送信息的预测概率都能够被记录，并且记录在区块链的节点中，从而实现了待推送信息的预测概率的分布式存储，有效降低对服务器的存储资源的占用。

为了实现待推送信息的预测概率的实时更新，在一个实施例中，检测是否存在新发布的商品信息，当检测到存在新发布的商品信息时，获取与该商品信息对应的待推送信息；解析所述待推送信息，获得所述待推送信息的特征；将所述待推送信息的特征和用户的多维特征，输入到已构建的深度神经网络模型中进行预测，得到每个待推送信息的预测概率；向所述区块链的各节点广播各所述待推送信息的预测概率。

本实施例中，在商品更新后，触发获取待推送信息，进而进行预设概率的计算，以此对新产生的待推送信息计算得到对应预测概率。

值得一提的是，该待推送信息是由服务器平台侧发起，向用户发送，由于本实施例中，将待推送信息的预测概率存储在区块链中，使得待推送信息的预测概率实现了分布式的存储，为了实现待推送信息的分布式存储，在一个实施例中，获取待推送信息，向所述区块链的各节点广播所述待推送信息，本实施例中，服务器将待推送信息向区块链的各节点广播，以使得各节点都能够接收到待推送信息，以使得每一个待推送信息都能够被节点所记录，实现待推送信息的分布式存储。

为了使得服务器能够及时推送信息，在一个实施例中，检测用户的登录；在检测到用户登录时；获取区块链的各区块；解析所述区块链，获得所述区块链上的各区块中记载的用户的多维特征以及与所述用户的多维特征对应的多个待推送信息的预测概率；根据所述预测概率向用户推送所述待推送信息。

本实施例中，服务器在检测到用户登录时，即从区块链中获取区块，解析区块得到用户的多维特征和对应的待推送信息的预测概率，这样，使得服务器能够快速获得多维特征和待推送信息的预测概率，从而实现待推送信息快速、精准的推送。

在其中一个实施例中，所述向所述区块链的各节点广播各所述待推送信息的预测概率的步骤之后还包括：根据各所述待推送信息的预测概率生成区块；根据所述区块更新所述区块链。

本实施例中，接收到广播的待推送信息的预测概率节点，根据各所述待推送信息的预测概率生成区块，也就是将待推送信息的预测概率写入区块中，并将区块链入至区块链中。这样，实现了对待推送信息的预测概率的分布式记录和存储。并且，由于待推送信息的预测概率写入区块链中，能够有效避免操作信息被篡改，并且有效避免待推送信息的预测概率的丢失。此外，通过将待推送信息的预测概率写入区块，无需单独对服务器进行写入，能够有效提高待推送信息的预测概率的存储效率。

上述实施例中，不仅将用户的多维特征写入区块，还将待推送信息的预测概率写入区块，有效提高了用户的多维特征以及待推送信息的预测概率的存储效率以及读取效率，此外，节省了服务器的存储资源。

对于根据操作信息生成节点，其实现原理与现有的区块链的区块的生成相同，在上述实施例中已经阐述，本实施例中，不累赘描述。

在一个实施例中，所述获取待推送信息，向所述区块链的各节点广播所述待推送信息的步骤之后还包括：根据各所述待推送信息生成区块；根据所述区块更新所述区块链。

本实施例中，接收到广播的待推送信息的节点将待推送信息写入区块，并将区块链入区块链中，使得服务器也就是平台侧的待推送信息能够记录在区块链中，实现了待推送信息的分布式存储，节省了服务器的存储资源，并且有效提高了待推送信息的推送读取效率。

在其中一个实施例中，所述根据所述预测概率向用户推送所述待推送信息的步骤包括：检测所述预测概率是否大于预设阈值；当所述预测概率大于或等于所述预设阈值，则根据所述预测概率向用户推送所述待推送信息。

具体地，由于多个待推送信息分别对应有预测概率，因此，为了从多个待推送信息确定一个进行推送，本实施例中根据预测概率是否大于预测阈值的来判定是否推送对应的待推送信息，当预测概率是否大于或等于预设阈值了，表明待推送信息对应的特征与用户的多维特征的匹配度较高。当多个预测概率大于预设阈值，则推送多个对应的待推送信息。当不存在预测概率大于或等于预设阈值的预测概率时，则按照预测概率由大至小的顺序，依次推送对应的待推送信息。

本实施例中，由于待推送信息是根据预测概率进行推送，因此，待推送信息与用户的需求的匹配度较高，将预测概率对应的待推送信息推送至用户的终端，以此实现待推送信息的精确推送。

下面的实施例中，将对该基于区块链的信息推送方法的实现过程作具体阐述：

本实施例中，用户在终端登录，将触发终端获取用户在上一次登录时的用户行为对应的操作信息，用户在此前多次登录的操作信息即为用户的历史数据，终端将大量的用户的历史数据导入至用户模型进行学习，得到用户的多维特征。随后，终端作为区块链的节点将该用户的多维特征广播，以使得其他节点接收到该用户的多维特征。其中一个节点对该用户的多维特征进行打包生成区块，将区块链入区块链中，实现对区块链的更新。

值得一提的是，用户在本次登录时所做的操作对应的操作信息将被记录、存储，以在用户下一次登录时，将本次的操作信息导入至用户模型进行学习，得到用户的多维特征。这样，用户在每一次登录时，如产生了新的操作，则会相应学习得到新的多维特征，反之，如用户登录后未产生新的操作，那么将不会产生新的多维特征。

另一方面，节点获取待推送信息；解析所述待推送信息，获得所述待推送信息的特征；将所述待推送信息的特征和用户的多维特征，输入到已构建的深度神经网络模型中进行预测，得到每个待推送信息的预测概率，向区块链的其他节点广播待推送信息的预测概率。接收到待推送信息的预测概率的节点对待推送信息的预测概率进行打包生成区块，将区块链入区块链中，实现对区块链的更新。

在用户登录时，服务器检测到用户登录，服务器从区块链中获取区块，解析区块，获得该用户的多维特征以及与该用户的多维特征对应的多个待推送信息的预测概率，服务器根据待推送信息的预测概率将待推送信息推送至用户的终端。从而实现了待推送信息的推送。

应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

下面是一个具体的实施例：

1)由平台服务器、平台各用户、平台管理员形成的联盟链，用户端在平台的每一步操作记入区块，并向区块链各节点广播，链上各节点接收到信息，写入区块。

2)平台用户或管理员等操作者发布平台信息后(包括商品、广告、文章等信息)，系统识别信息的特征(比如价位，品牌定位，配送范围，活动时间等特征信息)，当前操作节点将信息及其特征信息记入区块，并向区块链各节点广播，链上各节点接收到信息，写入区块。

3)当用户登录平台时，用户节点将登录操作记入区块链，并向区块链各节点广播，链上各节点接收到信息，写入区块。

4)当前登录用户的历史点击信息导入用户自身特征提取模型，提取用户的自身特征(比如高消费群体的概率，男性/女性的概率，时尚型/保守型的概率等特征)，该用户特征的提取采用机器学习方式提取，可采用现有的技术的机器学习实现，当前登录用户节点向区块写入自身特征信息，并向区块链各节点广播，链上各节点接收到信息，写入区块。

5)同时，当前登录用户的历史点击信息导入预先以大量用户历史点击数据训练好的用户模型，提取当前用户的操作特征，将当前登录用户的操作特征和步骤3)提取的待推信息特征导入深度神经网络模型(dnn)，预测待推信息的预测概率，为区分，我们记为偏好预测概率，当前用户节点将待推信息的偏好预测概率记入区块，并向区块链各节点广播，链上各节点接收到信息，写入区块。

6)在当前登录用户节点从区块链上查询步骤4)中用户自身特征信息和步骤5)中对应当前用户待推信息的偏好预测概率，如用户自身特征提取模型没有重新训练过或用户模型没有重新训练过且用户没有新的操作记录，则用户登录后直接从区块链上查询步骤4)中的用户自身特征和步骤5)中对应当前用户的待推信息的偏好预测概率，否则用户登录后须重新进行步骤4)和步骤5)。

7)同时从区块上查询步骤2)中有限期内的待推信息特征，将用户自身特征信息，对应当前用户的待推信息的偏好预测概率和待推信息特征导入用户需求信息挖掘模型。

8)用户信息挖掘模型思路，首先比对用户自身特征信息与待推信息特征，如两者特征符合，则按用户的特征概率预测待推信息预测概率，为区分，将其为特征预测概率(比如通过用户自身特征提取模型得到用户为时尚型且喜欢小饰品的概率为60％，则时尚小饰品内的信息特征预测概率为60％)，由此计算出所有符合当前用户自身特征的待推信息的特征预测概率。

将当前用户对应的待推信息的特征预测概率与喜好预测概率一一进行比对，如当前对比的待推信息特征预测概率大于喜好预测概率且喜好预测概率大于0，则推送当前信息中关联的其他信息则待推信息中团购，拼单等优惠活动类的待推信息的总预测概率提升，增加概率值5％，其他类；如当前对比的待推信息特征预测概率大于喜好预测概率且喜好预测概率等于0，则对当前用推送当前待推信息

如当前对比的待推信息特征预测概率大于喜好预测概率且偏好预测概率等于0，且待推信息不存在优惠活动，则推送优惠劵等优惠活动以提高用户偏好率，推送优惠活动推送概率为特征预测概率，并记录当前用户对应的当前待推信息营销等级为a级；如待推信息之前有存在优惠活动的推送且偏好预测概率依然为0，则说明用户对当前信息没有需求，推送概率为0，且记录当前用户对应的当前待推信息营销等级为0级。

如当前对比的待推信息特征预测概率大于喜好预测概率且偏好预测概率大于0，则待推信息按喜好预测概率推送，同时推送优惠劵等优惠策略以提高用户偏好率，并记录当前用户对应的当前待推信息营销等级为b级；如当前对比的待推信息特征预测概率小于喜好预测概率，则按喜好预测概率推送，并记录当前用户对应的当前待推信息营销等级为c级；以上相关比对结果信息均通过用户节点记入区块，并向区块链各节点广播，链上各节点接收到信息，写入区块；在服务器端，接收到用户端发送的经过用户需求挖掘模型分析后的待推信息，按推送概率(大于0)从大到小的顺序进行信息的推送。同时，如用户对应的待推信息营销等级为a级的待推信息启动的优惠活动(比如拼单，团购，显示抢购等信息)则推送给对应的用户

本实施例中，通过区块链技术实现用户历史点击行为的分布式存储，以及用户特征提取，待推信息特征提取，用户偏好特征提取等比较耗资源的计算直接在用户端进行，并实现分布式跟踪存储，大大地减少了服务器端的压力。同时，采用人工智能技术，实现待推信息的科学分析，精准地推送和挖掘用户需求，并依据用户的历史操作信息的变更，及时作出对应的营销策略调整。

在一个实施例中，如图3所示，提供了一种基于区块链的信息推送装置，包括获取区块链模块310、特征和概率获取模块330和推送模块350，其中：

获取区块链模块310用于获取区块链的各区块。

特征和概率获取模块330用于解析所述区块链，获得所述区块链上的各区块中记载的用户的多维特征以及与所述用户的多维特征对应的多个待推送信息的预测概率。

推送模块350用于根据所述预测概率向用户推送所述待推送信息。

在一个实施例中，所述基于区块链的信息推送装置还包括：

操作信息获取模块，用于获取操作信息。

操作信息广播模块，用于向所述区块链的各节点广播所述操作信息。

在一个实施例中，所述基于区块链的信息推送装置还包括：

第一区块生成模块，用于根据所述操作信息生成区块。

第一更新模块，用于根据所述区块更新所述区块链。

在一个实施例中，所述操作信息获取模块还用于获取所述操作信息，将所述操作信息导入用户模型进行学习，得到用户的多维特征。

所述操作信息广播模块还用于向所述区块链的各节点广播用户的多维特征。

在一个实施例中，所述基于区块链的信息推送装置还包括：

待推送信息获取模块，用于获取待推送信息。

待推送信息解析模块，用于解析所述待推送信息，获得所述待推送信息的特征。

预测概率获取模块，用于将所述待推送信息的特征和用户的多维特征，输入到已构建的深度神经网络模型中进行预测，得到每个待推送信息的预测概率。

预测概率广播模块，用于向所述区块链的各节点广播各所述待推送信息的预测概率。

在一个实施例中，所述基于区块链的信息推送装置还包括：

第二区块生成模块，用于根据各所述待推送信息的预测概率生成区块。

第二更新模块，用于根据所述区块更新所述区块链。

在一个实施例中，所述推送模块包括：

阈值检测单元，用于检测所述预测概率是否大于预设阈值。

推送单元，用于当所述预测概率大于或等于所述预设阈值，则根据所述预测概率向用户推送所述待推送信息。

关于基于区块链的信息推送装置的具体限定可以参见上文中对于基于区块链的信息推送方法的限定，在此不再赘述。上述基于区块链的信息推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，与可以是终端，其作为区块链中的一节点，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户模型、深度神经网络模型。该计算机设备的网络接口用于与外部的终端等节点通过网络连接通信。该计算机程序被处理器执行时以实现一种基于区块链的信息推送方法。

本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现以下步骤：

获取区块链的各区块。

解析所述区块链，获得所述区块链上的各区块中记载的用户的多维特征以及与所述用户的多维特征对应的多个待推送信息的预测概率。

根据所述预测概率向用户推送所述待推送信息。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取操作信息。

向所述区块链的各节点广播所述操作信息。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据所述操作信息生成区块。

根据所述区块更新所述区块链。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取所述操作信息，将所述操作信息导入用户模型进行学习，得到用户的多维特征。

所述向所述区块链的各节点广播所述操作信息的步骤包括：

向所述区块链的各节点广播用户的多维特征。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取待推送信息。

解析所述待推送信息，获得所述待推送信息的特征。

将所述待推送信息的特征和用户的多维特征，输入到已构建的深度神经网络模型中进行预测，得到每个待推送信息的预测概率。

向所述区块链的各节点广播各所述待推送信息的预测概率。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据各所述待推送信息的预测概率生成区块。

根据所述区块更新所述区块链。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

检测所述预测概率是否大于预设阈值。

当所述预测概率大于或等于所述预设阈值，则根据所述预测概率向用户推送所述待推送信息。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取区块链的各区块。

解析所述区块链，获得所述区块链上的各区块中记载的用户的多维特征以及与所述用户的多维特征对应的多个待推送信息的预测概率。

根据所述预测概率向用户推送所述待推送信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取操作信息。

向所述区块链的各节点广播所述操作信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据所述操作信息生成区块。

根据所述区块更新所述区块链。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取所述操作信息，将所述操作信息导入用户模型进行学习，得到用户的多维特征。

所述向所述区块链的各节点广播所述操作信息的步骤包括：

向所述区块链的各节点广播用户的多维特征。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取待推送信息。

解析所述待推送信息，获得所述待推送信息的特征。

将所述待推送信息的特征和用户的多维特征，输入到已构建的深度神经网络模型中进行预测，得到每个待推送信息的预测概率。

向所述区块链的各节点广播各所述待推送信息的预测概率。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据各所述待推送信息的预测概率生成区块。

根据所述区块更新所述区块链。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

检测所述预测概率是否大于预设阈值。

当所述预测概率大于或等于所述预设阈值，则根据所述预测概率向用户推送所述待推送信息。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。