基于大数据挖掘的云业务服务推送方法及推送处理系统与流程

基于大数据挖掘的云业务服务推送方法及推送处理系统
1.本技术是申请号202210218863.0、申请日为2022年03月08日、发明创造名称为“基于区块链和大数据挖掘的智能推送处理方法及系统”的中国申请的分案申请。
技术领域
2.本发明涉及云业务技术领域，具体而言，涉及一种基于大数据挖掘的云业务服务推送方法及推送处理系统。


背景技术：

3.云业务技术与人工智能相融合，最终追求的是形成一个智能化生态体系，在该体系内，实现了不同智能终端设备之间、不同系统平台之间、不同应用场景之间的互融互通，万物互融。
4.相关技术中，通常需要结合大数据分析相关的云业务联动行为数据库以进行兴趣挖掘，在进行兴趣决策的深度学习优化的过程中，当前优化方案没有考虑到深度学习优化阶段的分配，导致特征学习效果不佳，不仅会影响兴趣挖掘精度，也会影响后续对相关的目标智慧虚拟业务用户群进行信息推送的精度。


技术实现要素：

5.为了至少克服现有技术中的上述不足，本发明的目的在于提供一种基于大数据挖掘的云业务服务推送方法及推送处理系统。
6.第一方面，本发明提供一种基于区块链和大数据挖掘的智能推送处理方法，应用于基于区块链和大数据挖掘的智能推送处理系统，所述方法包括：从目标智慧虚拟业务用户群的云业务联动行为数据库中获取满足训练部署要求的携带云业务场景兴趣点的云业务联动事件中的云业务联动事件日志；基于选定的云业务场景兴趣挖掘模型挖掘各个所述云业务联动事件中的云业务联动事件日志的事件关注变量；基于各个云业务联动事件作为训练成员，对各个云业务联动事件的云业务联动事件日志的事件关注变量进行事件关注组合，以配置各个云业务联动事件绑定对应的云业务联动事件日志团；对应于各个云业务联动事件，依据该云业务联动事件日志绑定的对应云业务联动事件日志团中云业务联动事件日志的特征学习代价降序信息，为所述对应云业务联动事件日志团分配深度学习优化阶段；基于分配的深度学习优化阶段依次基于各个云业务联动事件日志团对所述云业务场景兴趣挖掘模型进行兴趣决策的深度学习优化，输出最终满足模型部署需求的目标兴趣挖掘模型，并基于所述目标兴趣挖掘模型对输入的目标云业务联动事件日志进行兴趣挖掘，获得对应的目标云业务场景兴趣点分布后，根据所述目标云业务场景兴趣点分布对所述目标智慧虚拟业务用户群进行信息推送。
7.第二方面，本发明实施例还提供一种基于区块链和大数据挖掘的智能推送处理系统，所述基于区块链和大数据挖掘的智能推送处理系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现前述的基于区块链和大数据挖掘的智能推送处理方法。
8.基于上述任意一个方面，在基于云业务联动事件对目标兴趣挖掘模型进行兴趣决策的深度学习优化的过程中，通过依据特征学习代价对云业务联动事件中的云业务联动事件日志进行深度学习优化阶段分配，以便于在对目标兴趣挖掘模型进行兴趣决策的深度学习优化时可以提高特征学习效果，提高兴趣挖掘精度，进而提高后续对相关的目标智慧虚拟业务用户群进行信息推送的精度。
附图说明
9.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以基于这些附图提取其它相关的附图。
10.图1为本发明实施例提供的基于区块链和大数据挖掘的智能推送处理方法的流程示意图；图2为本发明实施例提供的用于实现上述的基于区块链和大数据挖掘的智能推送处理方法的基于区块链和大数据挖掘的智能推送处理系统的结构示意框图。
具体实施方式
11.以下描述是为了使本领域的普通技术人员能够实施和利用本发明，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本发明的原则和范围时，本发明中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本发明并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
12.图1是本发明一种实施例提供的基于区块链和大数据挖掘的智能推送处理方法的流程示意图，下面对该基于区块链和大数据挖掘的智能推送处理方法进行详细介绍。
13.步骤s110，从目标智慧虚拟业务用户群的云业务联动行为数据库中获取满足训练部署要求的携带云业务场景兴趣点的云业务联动事件中的云业务联动事件日志。
14.例如，可以依次或者同时针对多个云业务联动事件进行关键字段数据日志的调取，基于调取的关键字段数据日志确定为该云业务联动事件中的云业务联动事件日志，由此根据各个云业务联动事件的云业务联动事件日志对目标兴趣挖掘模型进行兴趣决策的深度学习优化。
15.步骤s120，基于云业务场景兴趣挖掘模型挖掘各个所述云业务联动事件中的云业务联动事件日志的事件关注变量。
16.例如，云业务场景兴趣挖掘模型可以使用任意的相关技术中的深度学习网络模型对云业务联动事件中的各个云业务联动事件日志进行事件关注挖掘，获得各个云业务联动事件日志绑定的事件关注变量。
17.步骤s130，基于各个云业务联动事件作为训练成员，对各个云业务联动事件的云业务联动事件日志的事件关注变量进行事件关注组合，以配置各个云业务联动事件绑定对应的云业务联动事件日志团。
18.例如，通过基于事件关注组合，可以将相匹配的事件关注特征的云业务联动事件日志进行组合，以便于提高后续的训练效果。
19.步骤s140，对应于各个云业务联动事件，依据该云业务联动事件日志绑定的对应云业务联动事件日志团中云业务联动事件日志的特征学习代价降序信息，为所述对应云业务联动事件日志团分配深度学习优化阶段。
20.步骤s150，基于分配的深度学习优化阶段依次基于各个云业务联动事件日志团对所述云业务场景兴趣挖掘模型进行兴趣决策的深度学习优化，输出最终满足模型部署需求的目标兴趣挖掘模型，并基于所述目标兴趣挖掘模型对输入的目标云业务联动事件日志进行兴趣挖掘，获得对应的目标云业务场景兴趣点分布后，根据所述目标云业务场景兴趣点分布对所述目标智慧虚拟业务用户群进行信息推送。
21.基于以上步骤，本实施例在基于云业务联动事件对目标兴趣挖掘模型进行兴趣决策的深度学习优化的过程中，通过依据特征学习代价对云业务联动事件中的云业务联动事件日志进行深度学习优化阶段分配，以便于在对目标兴趣挖掘模型进行兴趣决策的深度学习优化时可以提高特征学习效果，提高兴趣挖掘精度，进而提高后续对相关的目标智慧虚拟业务用户群进行信息推送的精度。
22.在一些实施例中，前述的云业务场景兴趣挖掘模型可以包括事件关注挖掘结构和兴趣挖掘结构。由此，步骤s150中，可以通过以下示例性的子步骤实现。
23.步骤s151，将各个云业务联动事件日志团中的云业务联动事件日志传递到所述云业务场景兴趣挖掘模型，输出各个云业务联动事件日志的挖掘联动兴趣点。步骤s152，对于每个云业务联动事件日志团中全部云业务联动事件日志，将所述云业务联动事件日志的挖掘联动兴趣点与所述云业务联动事件的云业务联动兴趣点进行损失分析。
24.步骤s153，如果任意一个云业务联动事件日志团中的全部云业务联动事件日志的挖掘联动兴趣点存在部分兴趣点损失，和/或，如果任意一个云业务联动事件日志团中云业务联动事件日志的挖掘联动兴趣点与所述云业务联动事件对应的云业务联动兴趣点不同的情况下，更新所述兴趣挖掘结构和所述云业务场景兴趣挖掘模型的模型权重信息。
25.步骤s154，基于模型权重更新的云业务场景兴趣挖掘模型和所述兴趣挖掘结构，获取每个云业务联动事件日志团中的全部云业务联动事件日志的迭代挖掘联动兴趣点，并返回将各个云业务联动事件日志团中的云业务联动事件日志传递到所述云业务场景兴趣挖掘模型，输出各个云业务联动事件日志的挖掘联动兴趣点的步骤，直到所述任意一个云业务联动事件日志团中的全部云业务联动事件日志的挖掘联动兴趣点不存在兴趣点损失，输出满足模型部署要求的兴趣挖掘模型。
26.在一些实施例中，步骤s110中，可以通过以下示例性的子步骤实现。
27.步骤s111，从云业务联动行为数据库中获取满足训练部署要求的携带云业务场景兴趣点的云业务联动事件；步骤s112，依据联动事件日志的关键字段模板，对所述云业务联动事件进行关键
字段数据日志的调取；步骤s113，基于调取的关键字段数据日志确定为该云业务联动事件中的云业务联动事件日志。
28.在一些实施例中，步骤s140中，各个云业务联动事件日志团的特征学习代价的确定方案可以参见下述实施例a和实施例b。
29.实施例a：从云业务联动事件日志团中确定全局事件关注变量，确定该云业务联动事件日志团中其它事件关注变量与所述全局事件关注变量的变量损失值，获取该云业务联动事件日志团中与所述全局事件关注变量之间变量损失值最大的事件关注变量，将所述最大的事件关注变量与所述全局事件关注变量之间的变量损失值确定为对该云业务联动事件日志团特征学习代价的学习代价数值，其中，所述变量损失值与所述特征学习代价为正相关关系。
30.实施例b：对应于各个云业务联动事件日志团中的各个云业务联动事件日志，确定基于所述云业务场景兴趣挖掘模型为该云业务联动事件日志首次兴趣挖掘被确认时所在的循环遍历数量值，基于所述循环遍历数量值所对应的预设参考系数，获得该云业务联动事件日志的目标参考系数，所述循环遍历数量值与所述目标参考系数呈为负相关关系。对应于各个云业务联动事件日志团，根据所述云业务联动事件日志团各个云业务联动事件日志所对应的目标参考系数确定该云业务联动事件日志团对应的目标兴趣真实值。基于各个云业务联动事件日志团对应的兴趣真实值，确定该云业务联动事件日志团的特征学习代价，所述兴趣真实值与所述特征学习代价为负相关关系。
31.在步骤s120中，在一些实施例中，本实施例还可以将所述云业务联动事件中的云业务联动事件日志输入初始的云业务场景兴趣挖掘模型，对所述初始的云业务场景兴趣挖掘模型进行兴趣决策的深度学习优化，获得所述云业务场景兴趣挖掘模型。
32.在步骤s130中，在一些实施例中，本实施例可以依次或者同时针对各个云业务联动事件包括的云业务联动事件日志的事件关注变量进行组合，获得各个云业务联动事件的组合数据。
33.在步骤s150中，在一些实施例中，根据所述目标云业务场景兴趣点分布对所述目标智慧虚拟业务用户群进行信息推送的一些示例性步骤，可以参见以下步骤实现。
34.步骤s151，搜集匹配所述目标云业务场景兴趣点分布中的任意一个目标云业务场景兴趣点的至少一个候选云业务服务推送数据；步骤s152，依据各个候选云业务服务推送数据与所述目标智慧虚拟业务用户群的用户群画像进行用户群画像对比，得到所述候选云业务服务推送数据中各个服务推送文章相关的画像特征缺失部分；步骤s153，对至少一个所述候选云业务服务推送数据中各个服务推送文章相关的画像特征缺失部分进行辅助文章内容添加，获得各个服务推送文章相关的辅助推送文章信息；步骤s154，依据各个候选云业务服务推送数据进行热点分布分析，获取所述候选云业务服务推送数据中各个服务推送文章相关的热点分布信息；步骤s155，依据所述候选云业务服务推送数据中各个服务推送文章相关的热点分
布信息及其辅助推送文章信息对应的热点分布信息，确定所述候选云业务服务推送数据中各个服务推送文章相关的推送支持度；步骤s156，依据至少一个所述候选云业务服务推送数据中同一服务推送文章相关的辅助推送文章信息和推送支持度，确定所述服务推送文章相关的推送配置信息，并基于所述推送配置信息对所述服务推送文章进行所述目标智慧虚拟业务用户群的信息推送。
35.基于以上步骤，本实施例通过对目标云业务场景兴趣点的候选云业务服务推送数据进行用户群画像对比，可以挖掘出候选云业务服务推送数据在用户群画像方向的画像特征缺失部分，然后基于画像特征缺失部分进行辅助文章内容添加，获得各个服务推送文章相关的辅助推送文章信息，进而添加各个服务推送文章的辅助推送文章信息可以提高针对目标云业务场景兴趣点的推送内容丰富性。对各个候选云业务服务推送数据的各个服务推送文章相关进行热点分布分析，由此确定候选云业务服务推送数据中各个服务推送文章相关的推送支持度，从而基于推送支持度控制对所述服务推送文章进行所述目标智慧虚拟业务用户群的信息推送，提高信息推送的可靠性。
36.在一些实施例中，对至少一个所述候选云业务服务推送数据中各个服务推送文章相关的画像特征缺失部分进行辅助文章内容添加，获得各个服务推送文章相关的辅助推送文章信息，包括：依据所述候选云业务服务推送数据中各个服务推送文章相关的文章关键词分布和所述候选云业务服务推送数据对应的标注推送倾向特征，获取各个所述服务推送文章相关的倾向关键词分布；依据至少一个所述候选云业务服务推送数据中同一所述服务推送文章相关的辅助倾向特征，获取各个所述服务推送文章相关的辅助倾向关键词分布；依据至少一个所述候选云业务服务推送数据中同一所述服务推送文章相关的倾向关键词分布和辅助倾向关键词分布，确定各个所述服务推送文章相关的辅助推送文章信息；其中，在一些实施例中，依据所述候选云业务服务推送数据中各个服务推送文章相关的热点分布信息及其辅助推送文章信息对应的热点分布信息，确定所述候选云业务服务推送数据中各个服务推送文章相关的推送支持度，包括：依据所述候选云业务服务推送数据中各个服务推送文章相关的文章刷新次数量及其辅助推送文章信息对应的文章刷新次数量，确定所述候选云业务服务推送数据中各个服务推送文章相关的加权刷新次数量；依据所述候选云业务服务推送数据中各个服务推送文章相关的加权刷新次数量和预设推送支持度对应关系，确定所述候选云业务服务推送数据中各个服务推送文章相关的推送支持度，其中，所述预设推送支持度对应关系包括不同刷新次数量范围对应的预设推送支持度；其中，在一些实施例中，所述依据至少一个所述候选云业务服务推送数据中同一服务推送文章相关的辅助推送文章信息和推送支持度，确定所述服务推送文章相关的推送配置信息，并基于所述推送配置信息对所述服务推送文章进行所述目标智慧虚拟业务用户群的信息推送，包括：根据所述至少一个所述候选云业务服务推送数据中同一服务推送文章相关的推送支持度确定针对所述辅助推送文章信息的衍生扩展强度；基于所述衍生扩展强度确定针对所述服务推送文章相关的辅助推送文章信息的目标衍生扩展数量；基于所述目标衍生扩展数量对所述辅助推送文章信息进行衍生扩展，并将衍生扩展的目标辅助推送文章信息作为所述服务推送文章所对应推送页面的页面附属信息，以获得所述推送配置信息，并基于所述推送配置信息对所述服务推送文章进行所述目标智慧虚拟业务用户群的信
息推送。
37.譬如，在一些实施例中，目标云业务联动事件日志可以通过以下方式获得。
38.步骤w110，基于获取到的目标云业务用户群的云业务互动需求，获取所述云业务互动需求与所述目标云业务用户群对应的订阅云业务活动匹配的互动需求数据。
39.本实施例中，该目标云业务用户群可以是任意云业务用户群，云业务用户群的概念可以理解为一个用户分组，例如家庭用户分组，工作用户分组等。云业务互动需求可以表征该目标云业务用户群发起的一个云业务需求任务，例如针对某个家庭相处场景提出的一个需求任务，如回家到睡觉之间的一个需求任务场景，或者针对某个工作场景提出的一个需求任务，如基于某工作发起计划的提出的一个需求任务等。在此基础上，可以获取所述云业务互动需求与所述目标云业务用户群对应的订阅云业务活动匹配的互动需求数据。其中，订阅云业务活动可以理解为目标云业务用户群基于自身需求订阅的云业务活动，比如关于智能家居中的电影板块的云业务活动。互动需求数据可以基于所述云业务互动需求从云端用户数据库中进行调取，用于表征互动需求的具体内容数据。
40.步骤w120，基于所述互动需求数据生成可互动需求变量，将所述可互动需求变量传递到满足网络收敛要求的云业务联动决策网络中，获得云业务联动决策信息及所述云业务联动决策信息的支持度。
41.其中，所述云业务联动决策信息可以包括目标联动决策信息，所述目标联动决策信息表征所述云业务互动需求可用于联动配置。联动配置的含义是指可以对多个云业务元素进行联动互动以实现某一具体联动互动场景。
42.步骤w130，如果确定所述云业务联动决策信息为所述目标联动决策信息，解析所述互动需求数据中是否携带联动互动需求信息，获得解析信息，基于所述支持度及所述解析信息生成联动支持度，如果确定所述联动支持度不小于目标支持度，挖掘所述互动需求数据的互动需求知识图谱。
43.步骤w140，对所述互动需求知识图谱进行联动知识节点提取，获得联动知识节点序列，并对所述互动需求知识图谱进行云业务元素提取，获得云业务元素序列，基于所述联动知识节点序列及所述云业务元素序列从预设联动互动事件序列中挖掘对应的联动互动事件确定为所述互动需求数据的建议联动互动事件，基于所述建议联动互动事件生成云业务联动行为数据库，获得目标云业务联动事件日志。
44.基于以上步骤，本实施例基于获取到的目标云业务用户群的云业务互动需求，获取云业务互动需求与目标云业务用户群对应的订阅云业务活动匹配的互动需求数据，基于互动需求数据生成可互动需求变量，将可互动需求变量传递到满足网络收敛要求的云业务联动决策网络中，获得云业务联动决策信息及云业务联动决策信息的支持度，由此在确定云业务联动决策信息为目标联动决策信息，解析互动需求数据中是否携带联动互动需求信息，获得解析信息，基于支持度及解析信息生成联动支持度，如果确定联动支持度不小于目标支持度，挖掘互动需求数据的互动需求知识图谱，对互动需求知识图谱进行联动知识节点提取，获得联动知识节点序列，并对互动需求知识图谱进行云业务元素提取，获得云业务元素序列，基于联动知识节点序列及云业务元素序列从预设联动互动事件序列中挖掘对应的联动互动事件确定为互动需求数据的建议联动互动事件。如此，通过基于目标云业务用户群的互动需求数据，进一步决策其携带联动互动需求信息时，挖掘所述互动需求数据的
互动需求知识图谱，依次为依据从预设联动互动事件序列中挖掘对应的联动互动事件确定为所述互动需求数据的建议联动互动事件，并上传到对应的区块链中，从而考虑到用户实际互动需求的前提下，尽可能挖掘联动互动事件以便于用户进行云业务配置，可以降低用户手动配置云业务联动场景的难度。
45.一种示例性的设计思路中，针对步骤w120，本实施例在基于所述互动需求数据生成可互动需求变量的过程中，可以解析所述互动需求数据中的目标互动需求项目，并读取所述目标互动需求项目中的每个需求场景规则，基于所述每个需求场景规则生成所述目标互动需求项目的需求规则变量，将所述互动需求数据中除所述目标互动需求项目之外的数据确定为候选互动数据需求数据，确定所述目标互动需求项目在所述互动需求数据中的云业务需求节点，基于所述云业务需求节点与所述需求规则变量，获得所述可互动需求变量。
46.一种示例性的设计思路中，针对步骤w130，本实施例可以获取所述目标互动需求项目的互动规则，将与所述互动规则对应的互动场景特征确定为所述目标互动需求项目的目标互动场景特征，并获取所述目标互动场景特征的特征向量。然后，将所述特征向量与预设联动特征向量中所有联动特征向量进行匹配，如果确定所述特征向量与任意一个联动特征向量匹配，将所述解析信息输出为所述互动需求数据中携带所述联动互动需求信息。
47.一种示例性的设计思路中，针对步骤w130，在解析所述互动需求数据的互动需求知识图谱的过程中，可以通过以下示例性的子步骤实现。
48.子步骤w131，解析所述互动需求数据中每个互动需求中各个互动需求片段的互动需求片段数据，获得每个互动需求的互动需求片段数据集合；子步骤w132，对所述互动需求片段数据集合的过往云业务配置数据，与待生成知识图谱依据多个云业务软件场景进行云业务模拟运行，获得所述待生成知识图谱中所述互动需求片段数据集合的云业务模拟运行数据，其中，所述互动需求片段数据集合的云业务软件场景包括至少一个；子步骤w133，对应于每个互动需求片段数据集合，对对应的过往云业务配置数据和云业务模拟运行数据分别进行云业务知识实体识别，得到过往云业务配置数据的云业务知识实体和云业务模拟运行数据的云业务知识实体；子步骤w134，获取相同互动需求片段数据集合对应的过往云业务配置数据的云业务知识实体和云业务模拟运行数据的云业务知识实体之间的实体关联属性，从所述互动需求片段数据集合的云业务模拟运行数据中提取所述实体关联属性满足预设实体关联属性的云业务模拟运行数据，获得每个所述互动需求片段数据集合的第一云业务模拟运行数据；子步骤w135，对应于每个互动需求片段数据集合，确定对应的过往云业务配置数据和第一云业务模拟运行数据的云业务活动信息的连通度；子步骤w136，从每个互动需求片段数据集合的第一云业务模拟运行数据中提取所述云业务活动信息的连通度大于目标连通度的云业务模拟运行数据，得到每个所述互动需求片段数据集合的第二云业务模拟运行数据；子步骤w137，根据每个互动需求片段数据集合的第二云业务模拟运行数据，确定所述互动需求片段数据集合的目标关键知识实体以及关键知识实体之间的知识实体属性，以构建对应的互动需求知识图谱。
49.一种示例性的设计思路中，针对步骤w140，本实施例可以对所述互动需求知识图谱中存在交叉的知识实体进行解析，获得联动知识节点序列，对所述互动需求知识图谱中每个知识实体所覆盖的云业务设备对象进行提取，获得云业务元素序列，基于所述联动知识节点序列及所述云业务元素序列，从预设联动互动事件序列中挖掘对应的联动互动事件确定为所述互动需求数据的建议联动互动事件，并上传到对应的区块链中。
50.其中，所述预设联动互动事件序列中的每个预设联动互动事件具有对应的联动知识节点和云业务元素，通过基于所述联动知识节点序列及所述云业务元素序列与所述预设联动互动事件序列中的每个预设联动互动事件覆盖的联动知识节点和云业务元素进行匹配，基于匹配结果获得所述互动需求数据的建议联动互动事件。
51.一种示例性的设计思路中，本技术实施例还提供一种云业务联动决策网络的训练方法，包括以下步骤。
52.步骤w101，获取初始化神经网络模型，所述初始化神经网络模型中包括决策模型单元；步骤w102，获取参考收集数据，所述参考收集数据中包括参考收集互动需求数据、参考联动决策信息以及对应的需求支持度；步骤w103，将所述参考收集数据划分为第一数据集及第二数据集，基于所述第一数据集优化所述决策模型单元中的权重信息，获得训练联动决策网络，基于所述第二数据集确定所述训练联动决策网络的决策代价信息；步骤w104，如果确定所述决策代价信息大于目标决策代价，基于所述第二数据集继续优化所述训练联动决策网络的权重信息，直到所述训练联动决策网络的决策代价信息不小于不大于所述目标决策代价，获得所述云业务联动决策网络。
53.一种示例性的设计思路中，在基于所述支持度及所述解析信息生成联动支持度的过程中，可以获取所述云业务联动决策网络的第一影响系数，基于所述支持度及所述第一影响系数的加权支持度确定所述互动需求数据的第一支持度。然后，获取与所述解析信息对应的度量值，并获取所述联动互动需求信息的第二影响系数，基于所述度量值及所述第二影响系数的加权支持度确定所述互动需求数据的第二支持度，计算所述第一支持度与所述第二支持度的相加支持度，获得所述联动支持度。
54.图2示出了本技术实施例提供的用于实现上述的基于区块链技术的基于区块链和大数据挖掘的智能推送处理方法的基于区块链和大数据挖掘的智能推送处理系统100的硬件结构意图，如图2所示，基于区块链和大数据挖掘的智能推送处理系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
55.一种可能的设计中，基于区块链和大数据挖掘的智能推送处理系统100可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，基于区块链和大数据挖掘的智能推送处理系统100可以是分布式的系统)。在一些实施例中，基于区块链和大数据挖掘的智能推送处理系统100可以是本地的，也可以是远程的。例如，基于区块链和大数据挖掘的智能推送处理系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，基于区块链和大数据挖掘的智能推送处理系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些实施例中，基于区块链和大数据挖掘的智能推送处理系统100可以在云平台上实施。仅作为示例，该云平台
可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
56.机器可读存储介质120可以存储数据和/或指令。在一些实施例中，机器可读存储介质120可以存储从外部终端获取的数据。在一些实施例中，机器可读存储介质120可以存储基于区块链和大数据挖掘的智能推送处理系统100用来执行或使用来完成本技术中描述的示例性方法的数据及/或指令。在一些实施例中，机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(rom)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(ram)。示例性ram可包括主动随机存取存储器(dram)、双倍数据速率同步主动随机存取存储器(ddr sdram)、被动随机存取存储器(sram)、晶闸管随机存取存储器(t-ram)和零电容随机存取存储器(z-ram)等。示例性只读存储器可以包括掩模型只读存储器(mrom)、可编程只读存储器(prom)、可擦除可编程只读存储器(perom)、电可擦除可编程只读存储器(eeprom)、光盘只读存储器(cd-rom)和数字多功能磁盘只读存储器等。在一些实施例中，机器可读存储介质120可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云，多层云等，或其任意组合。
57.在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的基于区块链技术的基于区块链和大数据挖掘的智能推送处理方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作。
58.处理器110的具体实现过程可参见上述基于区块链和大数据挖掘的智能推送处理系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
59.此外，本技术实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上基于区块链技术的基于区块链和大数据挖掘的智能推送处理方法。
60.应当理解的是，以上描述仅出于说明的目的，并不旨在限制本发明的范围。对于本领域的普通技术人员来说，可以根据本发明的描述，做出多种修改和变化。然而，这些修改和变化不会背离本发明的范围。
61.上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明公开仅作为示例，并不构成对本发明的限制。虽然此处并没有明确说明，本领域技术人员可能会对本发明进行各种修改、改进和修正。该类修改、改进和修正在本发明中被建议，所以该类修改、改进、修正仍属于本发明示范实施例的精神和范围。
62.同时，本发明使用了特定词语来描述本发明的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本发明至少一个实施例相关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定系指同一实施例。此外，本发明的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。
63.此外，本领域的普通技术人员可以理解，本发明的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改良。相应地，本发明的各个方面可以完全由硬件执行、可以
完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外，本发明公开的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。
64.计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、rf、或类似介质等或其任意组合。
65.本发明各部分操作所需的计算机程序编码可以用任意一种或以上程序语言编写，包括面向主体编程语言如java、scala、smalltalk、eiffel、jade、emerald、c 、c#、vb.net、python等，常规程序化编程语言如c语言、visual basic、fortran 2003、perl、cobol 2002、php、abap，主动编程语言如python、ruby和groovy，或其它编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或基于区块链和大数据挖掘的智能推送处理系统上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(lan)或广域网(wan)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(saas)。
66.此外，除非权利要求中明确说明，本发明所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用，并非用于限定本发明流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本发明实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的基于区块链和大数据挖掘的智能推送处理系统或移动设备上安装所描述的系统。
67.同理，应当注意的是，为了简化本发明披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本发明实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。同理，应当注意的是，为了简化本发明披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本发明实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。