基于区块链的合约生成方法、装置、设备及存储介质与流程

1.本技术涉及数据处理技术领域，尤其涉及一种基于区块链的合约生成方法、装置、设备及存储介质。


背景技术：

2.目前，随着经济的快速发展，借贷消费已经成为一种趋势。借贷平台与资方机构可以根据用户的需求进行放款。然而，由于信息不互通等因素，借贷请求的审核周期长、效率低。


技术实现要素：

3.本技术实施例提供了一种基于区块链的合约生成方法、装置、设备以及存储介质，可以利用共享的用户画像信息以及借贷黑名单信息进行风险预测得到风险预测报告，并基于风险预测报告生成目标借贷合约，可以减少借贷申请的审核周期，提升借贷合约的生成效率。
4.第一方面，本技术实施例提供了一种基于区块链的合约生成方法，该基于区块链的合约生成方法包括：
5.获取借贷申请请求，该借贷申请请求包括用户标识信息以及用户借贷申请信息；
6.根据用户标识信息从区块链网络中获取用户画像信息以及借贷黑名单信息；
7.调用风险预测模型对用户画像信息以及借贷黑名单信息进行特征提取，得到风险特征矩阵，并根据风险特征矩阵进行风险预测，得到风险预测报告；
8.基于用户借贷申请信息以及风险预测报告生成至少一个候选借贷合约；
9.基于评价指标对至少一个候选借贷合约进行指标评价，确定每个候选借贷合约在评价指标下的指标值，并根据每个候选借贷合约在评价指标下的指标值从至少一个候选借贷合约中确定目标借贷合约。
10.第二方面，本技术实施例提供了一种基于区块链的合约生成装置，该基于区块链的合约生成装置包括：
11.获取单元，用于获取借贷申请请求，该借贷申请请求包括用户标识信息以及用户借贷申请信息；
12.该获取单元还用于根据用户标识信息从区块链网络中获取用户画像信息以及借贷黑名单信息；
13.风险预测单元，用于调用风险预测模型对用户画像信息以及借贷黑名单信息进行特征提取，得到风险特征矩阵，并根据风险特征矩阵进行风险预测，得到风险预测报告；
14.确定单元，用于基于用户借贷申请信息以及风险预测报告生成至少一个候选借贷合约；
15.该确定单元还用于基于评价指标对至少一个候选借贷合约进行指标评价，确定每个候选借贷合约在评价指标下的指标值，并根据每个候选借贷合约在评价指标下的指标值
从至少一个候选借贷合约中确定目标借贷合约。
16.第三方面，本技术实施例提供了一种基于区块链的合约生成设备，包括输入接口、输出接口，该基于区块链的合约生成设备还包括：
17.处理器，适于实现一条或多条指令；以及，
18.计算机存储介质，该计算机存储介质存储有一条或多条指令，该一条或多条指令适于由处理器加载并执行上述第一方面所述的方法。
19.第四方面，本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序指令，计算机程序指令被处理器执行时，用于执行第一方面所述的方法。
20.在本技术实施例中，当借贷方提交了借贷申请请求时，区块链网络可以根据借贷申请请求携带的用户标识信息从区块链网络中获取借贷方的用户画像信息以及借贷黑名单信息，并调用风险预测模型对用户画像信息以及借贷黑名单信息进行特征提取，得到风险特征矩阵，并根据风险特征矩阵进行风险预测，得到风险预测报告。通过区块链网络中共享的用户画像信息以及借贷黑名单信息，提升了风险预测报告的准确性以及风险预测的效率，进而提升借贷合约的生成效率。除此之外，区块链网络还可以基于借贷申请请求携带的用户借贷申请信息以及风险预测报告确定至少一个候选借贷合约，并根据评价指标从至少一个候选借贷合约中确定目标借贷合约。依赖于区块链网络，可以保证借贷合约的数据安全。可以自动化的生成目标借贷合约，在提高业务安全减少坏账风险的同时，提高借贷合约的生成效率。并且，还可以根据评价指标确定最优的目标借贷合约，节约资源，提升用户体验。
附图说明
21.为了更清楚地说明本技术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，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
22.图1是本技术实施例提供的一种基于区块链的合约生成系统的架构示意图；
23.图2是本技术实施例提供的一种基于区块链的合约生成方法的流程示意图；
24.图3是本技术实施例提供的一种基于区块链的合约生成装置的结构示意图；
25.图4是本技术实施例提供的一种基于区块链的合约生成设备的结构示意图。
具体实施方式
26.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
27.请参见图1，图1是本技术实施例提供的一种基于区块链的合约生成方法的系统架构示意图，本技术实施例的技术方案可以在图1举例所示的系统架构或类似的系统架构中具体实施。其中，该系统架构可以包括区块链网络100、多个终端设备，如图1所示，具体可以
包括终端设备200a、200b、200c和200d。其中，该区块链网络100(或者称之为区块链、区块链系统或数据共享系统等)是指用于进行节点与节点之间数据共享的系统，该区块链网络100可以包括如图1所示的多个节点101，该多个节点101可以为接入网络中的任何形式的计算设备(比如服务器和智能手机、智能可穿戴设备、平板电脑、笔记本电脑、台式电脑等终端设备等等)，可选的，该多个节点101也可以是指该区块链网络100中的各个客户端，等等。每个节点101在正常工作时可以接收到输入信息，并基于接收到的输入信息维护该区块链网络100内的共享数据。为了保证该区块链网络100内的信息互通，该区块链网络100中的每个节点101之间可以存在信息连接，并通过该信息连接进行信息传输。其中，任意两个节点101之间可以实现点对点(peer to peer，p2p)通信，具体可以通过有线通信链路或无线通信链路进行p2p通信。例如，当该区块链网络100中的任意节点101接收到输入信息时，该区块链网络100的其他节点101便根据共识算法获取该输入信息，将该输入信息作为共享数据中的数据进行存储，使得该区块链网络100中的全部节点101上存储的数据均一致。终端设备200a、200b、200c和200d可以接入该区块链网络100，并可以与该区块链网络100中的节点101进行通信。例如，用户1(图1中以借贷方为例)可以通过运行在终端设备200a上的相应客户端完成在该区块链网络上的注册，从而拥有与其相关联的节点，并具有相应的链上地址(例如为该关联节点的地址等等)，终端设备200a可以基于链上地址与区块链网络100中的节点101进行通信。又例如，用户2(图1中以借贷机构为例)可以通过运行在终端设备200b上的相应客户端完成在该区块链网络上的注册，从而拥有与其相关联的节点，并具有相应的链上地址(例如为该关联节点的地址等等)，终端设备200b可以基于链上地址与区块链网络100中的节点101进行通信。还例如，用户3(图1中以资方机构为例)以及用户4(图1中以第三方机构为例)也可以分别通过终端设备200c和200d完成在该区块链网络上的注册，从而拥有各自相关联的节点，并具有各自相应的链上地址，终端设备200c和200d也可以基于链上地址与区块链网络100中的节点101进行通信等等。
28.一个实施例中，借贷方可以通过终端设备200a登录相关的借贷网站，以向该区块链网络100发送借贷申请请求，该借贷申请请求可以包括借贷方的用户标识信息以及用户借贷申请信息。然后，该区块链网络100可以根据用户标识信息从区块链网络中获取用户画像信息以及借贷黑名单信息，调用风险预测模型对用户画像信息以及所述借贷黑名单信息进行风险预测，得到风险预测报告，并基于风险预测报告和用户借贷申请信息生成候选借贷合约，以便基于评价指标从候选借贷合约中确定目标借贷合约。本技术利用共享的用户画像信息以及借贷黑名单信息进行风险预测得到风险预测报告，并基于风险预测报告生成目标借贷合约，可以减少借贷申请的审核周期，提升生成借贷合约的效率。
29.请参见图2，图2是本技术实施例提供的一种基于区块链的合约生成方法的流程示意图。该方法可应用于上述图1所述的系统架构中，该方法可以包括s201-s205：
30.s201：获取借贷申请请求，该借贷申请请求包括用户标识信息以及用户借贷申请信息。
31.具体的，区块链网络接收借贷方通过终端设备发送的借贷申请请求。该借贷申请请求可以包括用户标识信息以及用户借贷申请信息。可选的，该用户标识信息具备唯一性，该用户标识信息可以为借贷方的身份证号码、手机号码、护照号码、驾驶证号码等信息，该用户标识信息也可以为借贷方的身份证号码、手机号码、护照号码、驾驶证号码对应的哈希
值等等。
32.可选的，借贷方可以通过终端设备以账号、密码等方式登录相应的借贷网站或者相应的客户端，然后输入用户借贷申请信息，终端设备可以基于登录的账号、密码获取用户标识信息，并根据用户借贷申请信息以及用户标识信息生成借贷申请请求，向区块链网络发送借贷申请请求。其中，该用户借贷申请信息可以包括但不限于：借贷金额、借贷利率和还款期限中的一项或多项。
33.一个实施例中，借贷方可以为任意用户，例如，该借贷方可以为医护人员。借贷方关联的终端设备可以为数字医疗技术领域的设备。
34.s202：根据用户标识信息从区块链网络中获取用户画像信息以及借贷黑名单信息。
35.其中，用户画像信息可以用于描述借贷方的用户属性特征，该用户画像信息可以包括基础信息、交易信息、信用信息和社交信息中的一种或多种。具体的，基础信息可以包括但不限于借贷方的昵称、年龄、性别、居住地、国籍和职业中的一项或多项。交易信息可以指借贷方与电商平台的交易信息。信用信息可以包括借贷方在各个平台的信用数据。例如，基于借贷平台借款、还款等借贷行为生成的信用数据。又例如，根据交易行为在电商平台形成的信用数据。等等。其中，社交信息可以包括各个社交平台内的行为信息。例如，社交平台的实名认证行为，社交平台的资料修改行为等等。
36.可选的，第三方机构可以通过终端设备200d将用户标识信息与用户画像信息关联，并通过终端设备200d相关联的节点(该节点可以称之为业务节点)上传至区块链网络100。一个实施例中，当区块链网络接收到借贷方的借贷申请请求时，区块链网络可以根据借贷申请请求携带的用户标识信息查找借贷方对应的用户画像信息。
37.其中，借贷黑名单信息可以包括但不限于借贷机构的黑名单信息和/或资方机构的黑名单信息，可以将借贷机构的黑名单信息以及资方机构的黑名单信息进行整合得到借贷黑名单信息，并保存在区块链网络中。
38.一个实施例中，区块链网络可以接收来自任一机构的黑名单添加请求，该黑名单添加请求包括黑名单身份标识以及黑名单产生原因；按照预设的黑名单标准格式，根据黑名单身份标识以及黑名单产生原因生成借贷黑名单信息，并保存在区块链网络中。
39.其中，为了便于后续根据借贷黑名单信息进行风险预测，可以按照预设的黑名单标准格式，根据黑名单的身份标识以及黑名单的产生原因生成借贷黑名单信息。例如，黑名单标准格式可以为用户标识信息 贷款金额 逾期次数 逾期金额。例如，用户的黑名单信息为用户的身份证号码 20万 逾期5次 3万元。
40.进一步的，为了保证数据的安全性，黑名单添加请求中还包括机构的身份信息和待验证信息。在生成借贷黑名单信息之前还可以包括机构的身份验证过程，具体可以包括：根据任一机构的身份信息查询预留的验证信息，若任一机构的待验证信息与预留的验证信息一致，则通过身份验证，说明黑名单添加请求操作安全，可以生成借贷黑名单信息。
41.s203：调用风险预测模型对用户画像信息以及借贷黑名单信息进行特征提取，得到风险特征矩阵，并根据风险特征矩阵进行风险预测，得到风险预测报告。
42.一个实施例中，可以分别对用户画像信息以及借贷黑名单信息进行特征提取，得到用户画像信息对应的用户特征向量以及借贷黑名单信息对应的参考特征向量，并基于注
意力机制对用户特征向量以及参考特征向量进行向量融合，得到风险特征矩阵。
43.可选的，区块链网络可以基于编码方法分别对用户画像信息以及借贷黑名单信息进行特征提取，得到用户画像信息对应的用户特征向量以及借贷黑名单信息对应的参考特征向量，其中，该编码方法可以包括但不限于硬编码(label encoding)、独热编码(one-hot编码)和目标变量编码(target encoding)中的一项或多项。除此之外，区块链网络也可以基于编码模型分别对用户画像信息以及借贷黑名单信息进行特征提取，得到用户画像信息对应的用户特征向量以及借贷黑名单信息对应的参考特征向量，其中，该编码模型可以是基于lightgbm算法或者catboost算法构建的。
44.其中，注意力机制是指可以通过注意力权重将注意力集中在实际重要的特征上，例如，当更关注用户画像信息时，可设置用户画像信息对应的用户特征向量的注意力权重大于借贷黑名单信息对应的参考特征向量的注意力权重。又例如，当更关注信贷黑名单信息时，可设置借贷黑名单信息对应的参考特征向量的注意力权重大于用户画像信息对应的用户特征向量的注意力权重。具体的，可以获取用户特征向量的注意力权重以及参考特征向量的注意力权重，并基于用户特征向量的注意力权重以及参考特征向量的注意力权重对用户特征向量和参考特征向量进行向量融合，得到风险特征矩阵。
45.其中，风险预测报告可以包括风险等级和/或风险核查意见，可以根据风险特征矩阵确定目标风险等级和/或目标风险核查意见，并根据目标风险等级和/或目标风险核查意见确定风险预测报告。
46.在一个实施例中，风险预测报告可以包括风险等级。根据风险特征矩阵进行风险预测，得到风险预测报告包括：获取各个候选风险等级的特征矩阵，根据风险特征矩阵与各个候选风险等级的特征矩阵确定各个候选风险等级的置信度，从各个候选风险等级的置信度中确定最高置信度对应的候选风险等级，并将最高置信度对应的候选风险等级确定为目标风险等级，基于目标风险等级生成风险预测报告。
47.其中，不同的候选风险等级可以用于指示不同的风险程度。如，候选风险等级可以包括：a等级、b等级、c等级和d等级。可以设置这四个候选风险等级按照风险程度从低到高为：a等级《b等级《c等级《d等级。又例如，候选风险等级可以包括：一等级、二等级和三等级。可以设置这三个风险等级按照风险程度从低到高为：三等级《二等级《一等级，等等。在其他的实施例中，候选风险等级还可以表示为风险分数，如可以设置风险分数与风险程度正相关，即风险分数越高，风险程度越高。
48.可选的，候选风险等级的特征矩阵也可以是基于前述的编码方法确定的。
49.其中，置信度可以包括预测概率，预测概率越高，就表征该风险特征矩阵属于该候选风险等级的置信度越高，预测概率越低，就表征该风险特征矩阵属于该候选风险等级的置信度越低。可选的，可以根据风险特征矩阵与各个候选风险等级的特征矩阵确定该风险特征矩阵属于各个候选风险等级下的特征矩阵的预测概率，并将风险特征矩阵属于各个候选风险等级下的特征矩阵的预测概率作为各个候选风险等级的置信度。
50.进一步的，为了更直观的展示的风险预测结果，风险预测报告中可以包括风险核查意见，候选风险核查意见中可以包括：风险核查通过和风险核查失败。可选的，与风险等级类似，可以基于风险特征矩阵确定目标风险核查意见。具体的，可以根据风险特征矩阵与两种候选风险核查意见的特征矩阵确定两种侯选风险核查意见的置信度，并将最大置信度
对应的侯选风险核查意见确定为目标风险核查意见。基于目标风险核查意见生成风险预测报告。
51.可选的，还可以基于目标风险等级确定目标风险核查意见。具体的，可以获取风险核查区间，根据目标风险等级以及风险核查区间确定目标风险核查意见，并基于目标风险等级以及目标风险核查意见生成风险预测报告，该风险预测报告中包括目标风险等级和目标风险核查意见。
52.其中，风险核查区间可以是根据业务需求和经验设置的。当目标风险等级处于风险核查区间内时，可以确定目标风险核查意见为风险核查通过，当目标风险等级处于风险核查区间外时，可以确定目标风险核查意见为风险核查失败。例如，候选风险等级包括：a等级、b等级、c等级和d等级，并将a等级、b等级设置为风险核查区间。当目标风险等级为a等级时，该目标风险等级处于风险核查区间内，可以确定目标风险核查意见为风险核查通过。当目标风险等级为d等级时，该目标风险等级处于风险核查区间外，可以确定目标风险核查意见为风险核查失败。
53.在一个实施例中，风险预测模型可以是基于人工智能技术的机器学习(machine learning，ml)算法训练得到的，该机器学习算法可以包括但不限于以下一种或多种：决策树(decision tree，dt)算法、rocchio算法、极端梯度提升(xtreme gradient boosting，xgbooste)算法、朴素贝叶斯(naive bayes，nb)算法、线性判别分析(linear discriminant analysis，lda)、支持向量机(support vector machine，svm)算法、随机森林(random forest，rf)算法、逻辑回归(logistic regression，lr)算法以及深度神经网络等等。其中，人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。其中，机器学习是一门多领域交叉的学科，其涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
54.下面详细描述风险预测模型的训练过程，具体包括s11-s14：
55.s11：获取训练样本，该训练样本包括训练参数和分类目标。
56.其中，为了对初始模型进行训练得到风险预测模型，需要大量的训练样本，每个训练样本中包括用于训练的训练参数和分类目标。具体的，该训练参数即与前文类似的样本用户画像信息以及样本借贷黑名单信息。其中，分类目标即候选分类。例如，当风险预测模型用于确定目标风险等级时，该分类目标包括多个候选风险等级。又例如，当风险预测模型用于确定目标风险核查意见时，该分类目标包括两个候选风险核查意见。
57.s12：基于训练参数对初始模型进行训练，得到预测结果。
58.其中，初始模型是预先设置的，将训练参数输入到初始模型中，初始模型即可以开始迭代过程。每轮迭代都产生该轮迭代的预测结果，每轮迭代的预测结果都用于优化下一轮迭代。
59.s13：基于初始模型对应的梯度损失函数，确定分类目标与预测结果之间的损失值。
60.其中，梯度损失函数包括第一类别与第二类别的距离因子，该第一类别为预测结果所属类别，第二类别为分类目标所属类别。
61.s14：根据分类目标与预测结果之间的损失值对初始模型进行修正，得到风险预测模型。
62.本技术实施例提供的分类模型训练的方法，通过在初始模型的梯度损失函数中引入类别之间距离，从而可以针对不同的分类错误产生不同大小的损失值，从而可以提高风险预测模型的精度。
63.s204：基于用户借贷申请信息以及风险预测报告生成至少一个候选借贷合约。
64.一个实施例中，可以根据用户借贷申请信息以及风险预测报告确定产品特征，并根据产品特征以及各个候选产品信息的产品特征从各个候选产品信息中确定目标产品信息，获取至少一个资方机构的数字签名，并根据至少一个资方机构的数字签名和目标产品信息生成至少一个候选借贷合约。
65.其中，区块链网络可以结合推荐模型确定目标产品信息。该推荐模型与前文的风险预测模型类似，可以是基于人工智能技术的机器学习算法训练得到的，此处不做赘述。具体的，可以调用推荐模型对用户借贷申请信息以及风险预测报告进行特征提取，得到产品特征矩阵，并根据产品特征矩阵和各个候选产品信息的产品特征确定各个候选产品信息的置信度，并将具有最高置信度的候选产品信息确定为目标产品信息。具体的实现方式可以参见前文调用风险预测模型对用户画像信息以及借贷黑名单信息进行风险预测，得到目标风险等级的相关实施例。
66.其中，候选产品信息可以是借贷机构通过与终端设备200b相关联的节点上传至区块链网络100的。具体的，借贷机构可以通过与终端设备200b相关联的节点将候选产品信息上传至区块链网络的共识节点101，该共识节点对候选产品信息进行共识验证，若共识验证通过，则将候选产品信息传入区块链网络的共识节点101。
67.具体的，基于目标产品信息生成针对至少一个候选借贷合约包括：将目标产品信息推送至多个资方机构关联的终端设备。当多个资方机构中存在至少一个资方机构需要签署目标产品信息对应的借贷合约时，至少一个资方机构可以通过其关联的终端设备上传数字签名，以使得区块链网络可以获取至少一个资方机构的数字签名，并根据至少一个资方机构的数字签名和目标产品信息生成至少一个候选借贷合约。例如，多个资方机构包括：资方机构a、资方机构b和资方机构c。可以将目标产品信息推送至资方机构a关联的终端设备、资方机构b关联的终端设备以及资方机构c关联的终端设备。当资方机构a和资方机构b想要签署目标产品信息对应的借贷合约时，资方机构a可以通过其关联终端设备将数据签名上传至区块链网络，资方机构b也可以通过其关联终端设备将数据签名上传至区块链网络，区块链网络可以基于资方机构a对应的数字签名以及目标产品信息生成针对资方机构a的候选借贷合约a，以及基于资方机构b对应的数字签名以及目标产品信息生成针对资方机构b的候选借贷合约b。
68.另一个实施例中，区块链网络可以根据风险预测报告的目标风险核查意见确定风险核查是否通过，当目标风险核查意见为风险核查通过时，可以将风险预测报告和用户借贷申请信息发送到多个资方机构关联的终端设备。针对多个资方机构关联的终端设备中的任意终端设备，任意终端设备可以基于风险预测报告和用户借贷申请信息确定该资方机构
对应的候选产品信息，并基于候选产品信息以及该资方机构的数字签名生成候选借贷合约。例如，多个资方机构包括：资方机构a、资方机构b和资方机构c。可以将风险预测报告和用户借贷申请信息发送到资方机构a关联的终端设备、资方机构b关联的终端设备以及资方机构c关联的终端设备。资方机构a关联的终端设备可以根据风险预测报告和用户借贷申请信息确定资方机构a对应的候选产品信息，并基于资方机构a对应的候选产品信息以及资方机构a的数字签名生成候选借贷合约a。资方机构b关联的终端设备可以根据风险预测报告和用户借贷申请信息确定资方机构b对应的候选产品信息，并基于资方机构b对应的候选产品信息以及资方机构b的数字签名生成候选借贷合约b。资方机构c关联的终端设备可以根据风险预测报告和用户借贷申请信息确定资方机构c对应的候选产品信息，并基于资方机构c对应的候选产品信息以及资方机构c的数字签名生成候选借贷合约c。至此，资方机构a关联的终端设备、资方机构b关联的终端设备以及资方机构c关联的终端设备可以分别将候选借贷合约a、候选借贷合约b和候选借贷合约c上传至区块链网络。
69.s205：基于评价指标对至少一个候选借贷合约进行指标评价，确定每个候选借贷合约在评价指标下的指标值，并根据每个候选借贷合约在评价指标下的指标值从至少一个候选借贷合约中确定目标借贷合约。
70.进一步的，为了确定目标借贷合约。一个实施例中，可以直接从至少一个候选借贷合约中选择任意一个候选借贷合约作为目标借贷合约。
71.在另一个实施例中，也可以基于评价指标从至少一个候选借贷合约中确定目标借贷合约。具体的，可以基于评价指标对至少一个候选借贷合约进行指标评价，确定每个候选借贷合约在评价指标下的指标值，并根据每个候选借贷合约在评价指标下的指标值从至少一个候选借贷合约中确定目标借贷合约。
72.其中，评价指标可以包括但不限于资方机构的核验时长、资方机构的放款时长、资方机构的审批成功率、资方机构的借贷利率中的一种或多种。例如，评价指标可以为资方机构的核验时长，资方机构的核验时长越短，资方机构对该借贷合约的签署意愿更强，资方机构的核验时长对应的指标值越高。例如，评价指标可以为资方机构的放款时长，资方机构的放款时长越短，资方机构的放款时长对应的指标值越高。例如，评价指标可以为资方机构的审批成功率，资方机构的审批成功率越高，资方机构的审批成功率对应的指标值越高。例如，评价指标可以为资方机构的借贷利率，资方机构的借贷利率越低，资方机构的借贷利率对应的指标值越高。
73.在一个实施例中，评价指标可以为一个。那么可以从各个候选借贷合约在评价指标下的指标值中确定最高指标值，并将最高指标值对应的候选借贷合约确定为目标借贷合约。例如，评价指标可以为资方机构的借贷利率，假设至少一个候选借贷合约包括：候选借贷合约a、候选借贷合约b和候选借贷合约c。且三个候选借贷合约分别对应的借贷利率为：候选借贷合约a的借贷利率为5％、候选借贷合约b的借贷利率为6％以及候选借贷合约c的借贷利率为5.5％。那么基于资方机构的借贷利率这一评价指标分别对候选借贷合约a、候选借贷合约b和候选借贷合约c进行指标评价，得到这三个候选借贷合约在评价指标下的指标值的高低排序为：借贷合约a》借贷合约c》借贷合约b。可以确定候选借贷合约a在借贷利率这一评价指标下的指标值最高，可以将借贷合约a确定为目标借贷合约。
74.另一个实施例中，评价指标的数量可以为多个，可以根据注意力机制确定每个候
选借贷合约的目标值，再根据每个候选借贷合约的目标值确定目标借贷合约。具体的，可以获取每个候选借贷合约在多个评价指标中各个评价指标的指标权重，根据每个候选借贷合约在各个评价指标下的指标权重对每个候选借贷合约在多个评价指标的指标值进行加权求和，确定每个候选借贷合约的目标值，并从各个候选借贷合约的目标值中确定最大目标值，并将最大目标值对应的候选借贷合约确定为目标借贷合约。
75.在本技术实施例中，当借贷方提交了借贷申请请求时，区块链网络可以根据借贷申请请求携带的用户标识信息从区块链网络中获取借贷方的用户画像信息以及借贷黑名单信息，并调用风险预测模型对用户画像信息以及借贷黑名单信息进行特征提取，得到风险特征矩阵，并根据风险特征矩阵进行风险预测，得到风险预测报告。通过区块链网络中共享的用户画像信息以及借贷黑名单信息，提升了风险预测报告的准确性以及风险预测的效率，进而提升借贷合约的生成效率。除此之外，区块链网络还可以基于借贷申请请求携带的用户借贷申请信息以及风险预测报告确定至少一个候选借贷合约，并从至少一个候选借贷合约中确定目标借贷合约。依赖于区块链网络，可以保证借贷合约的数据安全。可以自动化的生成目标借贷合约，在提高业务安全减少坏账风险的同时，提高借贷合约的生成效率。并且，还可以根据评价指标确定最优的目标借贷合约，节约资源，提升用户体验。
76.本技术实施例还公开了一种基于区块链的合约生成装置，所述基于区块链的合约生成装置可以是运行于基于区块链的合约生成设备(或者区块链网络)中的一个计算机程序(包括程序代码)。该基于区块链的合约生成装置可以执行图2所示的方法。请参见图3，所述基于区块链的合约生成装置可以运行如下单元：
77.获取单元301，用于获取借贷申请请求，该借贷申请请求包括用户标识信息以及用户借贷申请信息；
78.获取单元301还用于根据用户标识信息从区块链网络中获取用户画像信息以及借贷黑名单信息；
79.风险预测单元302，用于调用风险预测模型对用户画像信息以及借贷黑名单信息进行特征提取，得到风险特征矩阵，并根据风险特征矩阵进行风险预测，得到风险预测报告；
80.确定单元303，用于基于用户借贷申请信息以及风险预测报告生成至少一个候选借贷合约。
81.确定单元303还用于基于评价指标对至少一个候选借贷合约进行指标评价，确定每个候选借贷合约在评价指标下的指标值，并根据每个候选借贷合约在评价指标下的指标值从至少一个候选借贷合约中确定目标借贷合约。
82.在一个实施例中，风险预测单元302用于调用风险预测模型对用户画像信息以及借贷黑名单信息进行特征提取，得到风险特征矩阵，包括：
83.分别对用户画像信息以及借贷黑名单信息进行特征提取，得到用户画像信息对应的用户特征向量以及借贷黑名单信息对应的参考特征向量；
84.基于注意力机制对用户特征向量以及参考特征向量进行向量融合，得到风险特征矩阵。
85.在一个实施例中，风险预测报告包括风险等级，风险预测单元302用于根据风险特征矩阵进行风险预测，得到风险预测报告，包括：
unit，cpu)，随机存取存储介质(ram)、只读存储介质(rom)等处理元件和存储元件。例如计算机的通用计算设备上运行能够执行如图2所示的相应方法所涉及的各步骤的计算机程序(包括程序代码)，来构造如图3所示的基于区块链的合约生成装置，以及来实现本技术实施例的基于区块链的合约生成方法。所述的计算机程序可以记载于例如计算机可读记录介质上，并通过计算机可读记录介质装载于基于区块链的合约生成设备中，并在其中运行。
104.在本技术实施例中，当借贷方提交了借贷申请请求时，基于区块链的合约生成装置可以根据借贷申请请求携带的用户标识信息从区块链网络中获取借贷方的用户画像信息以及借贷黑名单信息，并调用风险预测模型对用户画像信息以及借贷黑名单信息进行特征提取，得到风险特征矩阵，并根据风险特征矩阵进行风险预测，得到风险预测报告。通过区块链网络中共享的用户画像信息以及借贷黑名单信息，提升了风险预测报告的准确性以及风险预测的效率，进而提升借贷合约的生成效率。除此之外，基于区块链的合约生成装置还可以基于借贷申请请求携带的用户借贷申请信息以及风险预测报告确定至少一个候选借贷合约，并从至少一个候选借贷合约中确定目标借贷合约。依赖于区块链网络，可以保证借贷合约的数据安全。可以自动化的生成目标借贷合约，在提高业务安全减少坏账风险的同时，提高借贷合约的生成效率。并且，还可以根据评价指标确定最优的目标借贷合约，节约资源，提升用户体验。
105.基于上述基于区块链的合约生成方法实施例的描述，本技术实施例还公开了一种基于区块链的合约生成设备。请参见图4，该基于区块链的合约生成设备至少包括处理器401、输入接口402、输出接口403以及计算机存储介质404可通过总线或其他方式连接。
106.所述计算机存储介质404是基于区块链的合约生成设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机存储介质404既可以包括基于区块链的合约生成设备的内置存储介质，当然也可以包括基于区块链的合约生成设备支持的扩展存储介质。计算机存储介质404提供存储空间，该存储空间存储了基于区块链的合约生成设备的操作系统。并且，在该存储空间中还存放了适于被处理器401加载并执行的一条或多条指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机存储介质可以是高速ram存储器；可选的，还可以是至少一个远离前述处理器的计算机存储介质、所述处理器可以称为中央处理单元(central processing unit，cpu)，是基于区块链的合约生成设备的核心以及控制中心，适于被实现一条或多条指令，具体加载并执行一条或多条指令从而实现相应的方法流程或功能。
107.在一个实施例中，可由处理器401加载并执行计算机存储介质404中存放的一条或多条指令，以实现执行如图2所示的相应方法所涉及的各步骤，具体实现中，计算机存储介质404中的一条或多条指令由处理器401加载并执行以下步骤：
108.获取借贷申请请求，该借贷申请请求包括用户标识信息以及用户借贷申请信息；
109.根据用户标识信息从区块链网络中获取用户画像信息以及借贷黑名单信息；
110.调用风险预测模型对用户画像信息以及借贷黑名单信息进行特征提取，得到风险特征矩阵，并根据风险特征矩阵进行风险预测，得到风险预测报告；
111.基于用户借贷申请信息以及风险预测报告生成至少一个候选借贷合约；
112.基于评价指标对至少一个候选借贷合约进行指标评价，确定每个候选借贷合约在评价指标下的指标值，并根据每个候选借贷合约在评价指标下的指标值从至少一个候选借
贷合约中确定目标借贷合约。
113.在一个实施例中，处理器401用于调用风险预测模型对用户画像信息以及借贷黑名单信息进行特征提取，得到风险特征矩阵，包括：
114.分别对用户画像信息以及借贷黑名单信息进行特征提取，得到用户画像信息对应的用户特征向量以及借贷黑名单信息对应的参考特征向量；
115.基于注意力机制对用户特征向量以及参考特征向量进行向量融合，得到风险特征矩阵。
116.在一个实施例中，风险预测报告包括风险等级，处理器401用于根据风险特征矩阵进行风险预测，得到风险预测报告，包括：
117.根据风险特征矩阵与各个候选风险等级的特征矩阵确定各个候选风险等级的置信度；
118.从各个候选风险等级的置信度中确定最高置信度对应的候选风险等级，并将最高置信度对应的候选风险等级确定为目标风险等级；
119.基于目标风险等级生成所述风险预测报告。
120.在一个实施例中，风险预测报告包括风险核查意见，处理器401用于基于目标风险等级生成所述风险预测报告，包括：
121.获取风险核查区间，根据目标风险等级以及风险核查区间确定目标风险核查意见；
122.基于目标风险等级以及目标风险核查意见确定风险预测报告，风险预测报告中包括目标风险等级以及目标风险核查意见。
123.在一个实施例中，处理器401用于根据用户标识信息从区块链网络中获取用户画像信息以及借贷黑名单信息之前，处理器401还用于：
124.接收来自任一机构的黑名单添加请求，该黑名单添加请求包括黑名单身份标识以及黑名单产生原因；
125.按照预设的黑名单标准格式，根据黑名单身份标识以及黑名单产生原因生成借贷黑名单信息。
126.在一个实施例中，处理器401用于基于用户借贷申请信息以及风险预测报告生成至少一个候选借贷合约，包括：
127.根据用户借贷申请信息以及风险预测报告确定产品特征，并根据产品特征以及各个候选产品信息的产品特征从各个候选产品信息中确定目标产品信息；
128.获取至少一个资方机构的数字签名，并根据至少一个资方机构的数字签名和目标产品信息生成至少一个候选借贷合约。
129.在一个实施例中，评价指标的数量为多个，处理器401用于根据每个候选借贷合约在评价指标下的指标值从至少一个候选借贷合约中确定目标借贷合约，包括：
130.针对至少一个候选借贷合约中的任一候选借贷合约，获取多个评价指标中各个评价指标的指标权重；
131.根据各个评价指标的指标权重对候选借贷合约对应的多个指标值进行加权求和，将加权求和结果作为候选借贷合约的目标值；
132.从各个候选借贷合约的目标值中确定最大目标值，并将最大目标值对应的候选借
贷合约确定为目标借贷合约。
133.在本技术实施例中，当借贷方提交了借贷申请请求时，基于区块链的合约生成设备可以根据借贷申请请求携带的用户标识信息从区块链网络中获取借贷方的用户画像信息以及借贷黑名单信息，并调用风险预测模型对用户画像信息以及借贷黑名单信息进行特征提取，得到风险特征矩阵，并根据风险特征矩阵进行风险预测，得到风险预测报告。通过区块链网络中共享的用户画像信息以及借贷黑名单信息，提升了风险预测报告的准确性以及风险预测的效率，进而提升借贷合约的生成效率。除此之外，基于区块链的合约生成设备还可以基于借贷申请请求携带的用户借贷申请信息以及风险预测报告确定至少一个候选借贷合约，并从至少一个候选借贷合约中确定目标借贷合约。依赖于区块链网络，可以保证借贷合约的数据安全。可以自动化的生成目标借贷合约，在提高业务安全减少坏账风险的同时，提高借贷合约的生成效率。并且，还可以根据评价指标确定最优的目标借贷合约，节约资源，提升用户体验。
134.需要说明的是，本技术实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。基于区块链的合约生成设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该基于区块链的合约生成设备执行上述基于区块链的合约生成方法实施例图2中所执行的步骤。
135.以上所揭露的仅为本技术一种较佳实施例而已，当然不能以此来限定本技术之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本技术权利要求所作的等同变化，仍属于申请所涵盖的范围。