CN115409617B - 基于区块链的外币兑换方法及其*** - Google Patents

Abstract

本申请涉及智能推荐领域，其具体地公开了一种基于区块链的外币兑换方法及其***，其通过基于对用户提交的外币兑换需求的理解和使用区块链网络查询的各个银行网点的兑换信息,根据两者之间的匹配度来确定最适配于用户需求的银行网点，以提高用户体验。

Description

基于区块链的外币兑换方法及其***

技术领域

本申请涉及智能推荐领域，且更为具体地，涉及一种基于区块链的外币兑换方法及其***。

背景技术

外币现钞是出境必备的物品，目前主要通过银行网点兑换外币。外币现钞因存在存储、运输等成本，网点一般准备的现钞较少，为避免客户到网点后无法兑换足额外币现钞，一些银行提供了外币现钞预约的功能。

目前如果客户想了解多个银行可预约的外币情况，需要逐一访问不同银行的外币现钞兑换预约功能，以确定可以进行兑换的银行网点，存在客户体验差，需重复操作等问题。

因此，期待一种优化的外币兑换方案，其能够基于各个银行网点的兑换信息和各个银行网点的空间分布为客户智能地推荐外币兑换银行网点，以提高用户体验。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于区块链的外币兑换方法及其***，其通过基于对用户提交的外币兑换需求的理解和使用区块链网络查询的各个银行网点的兑换信息,根据两者之间的匹配度来确定最适配于用户需求的银行网点，以提高用户体验。

根据本申请的一个方面，提供了一种基于区块链的外币兑换方法，其包括：

获取用户提交的外币兑换需求，所述外币兑换需求包括兑换额度和兑换偏好；

通过区块链网络查询各个银行网点的兑换信息，所述兑换信息包括牌价、网络地点和外币储备数额；

将所述各个银行网点的兑换信息分别通过包含嵌入层的上下文编码器以得到多个银行网点兑换语义特征向量；

将所述外币兑换需求通过所述包含嵌入层的上下文编码器以得到兑换需求特征向量；

将所述多个银行网点兑换语义特征向量进行矩阵化以得到银行网点兑换语义矩阵；

构建所述各个银行网点之间的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个银行网点之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；

将所述拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵；

将所述银行网点兑换语义矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑银行网点兑换语义矩阵；

分别对所述拓扑银行网点兑换语义矩阵中各个行向量进行特征优化以得到优化后拓扑银行网点兑换语义矩阵；

分别计算所述兑换需求特征向量和所述优化后拓扑银行网点兑换语义矩阵中各个行向量的响应性估计以得到多个响应性特征矩阵；

将所述多个响应性特征矩阵中各个响应性特征矩阵分别通过分类器以得到多个概率值；以及

将所述多个概率值中最大概率值对应的银行网点作为外币兑换推荐网点。

在上述基于区块链的外币兑换方法中，所述将所述各个银行网点的兑换信息分别通过包含嵌入层的上下文编码器以得到多个银行网点兑换语义特征向量，包括：对所述各个银行网点的兑换信息进行分词处理以将所述各个银行网点的兑换信息转化为由多个词组成的词序列；使用所述包含嵌入层的上下文编码器的嵌入层分别将所述词序列中各个词映射到词向量以获得词向量的序列；以及，使用所述包含嵌入层的上下文编码器的转换器对所述词向量的序列进行基于全局的上下文语义编码以获得所述银行网点兑换语义特征向量。

在上述基于区块链的外币兑换方法中，，所述将所述拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述拓扑特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述拓扑矩阵。

在上述基于区块链的外币兑换方法中，所述分别对所述拓扑银行网点兑换语义矩阵中各个行向量进行特征优化以得到优化后拓扑银行网点兑换语义矩阵，包括：以如下公式对所述拓扑银行网点兑换语义矩阵中各个行向量进行特征优化以得到所述优化后拓扑银行网点兑换语义矩阵；

其中，所述公式为：

其中

表示所述拓扑银行网点兑换语义矩阵中各个行向量，

和

是所述拓扑银行网点兑换语义矩阵中各个行向量的所有位置的特征值集合的均值和方差，

表示激活函数，

表示非线性修正单元，且

表示以所述方差的负值为幂的自然指数函数值。

在上述基于区块链的外币兑换方法中，所述分别计算所述兑换需求特征向量和所述优化后拓扑银行网点兑换语义矩阵中各个行向量的响应性估计以得到多个响应性特征矩阵，包括：以如下公式计算所述兑换需求特征向量和所述优化后拓扑银行网点兑换语义矩阵中各个行向量的响应性估计以得到多个响应性特征矩阵；其中，所述公式为：

=

，其中

表示所述兑换需求特征向量，M表示所述响应性特征矩阵，

表示所述优化后拓扑银行网点兑换语义矩阵中各个行向量，

表示向量相乘。

在上述基于区块链的外币兑换方法中，所述将所述多个响应性特征矩阵中各个响应性特征矩阵分别通过分类器以得到多个概率值，包括：将所述多个响应性特征矩阵中各个响应性特征矩阵基于行向量或列向量展开为特征向量以得到多个分类特征向量；使用所述分类器的多个全连接层对所述多个分类特征向量中各个分类特征向量进行全连接编码以得到多个编码分类特征向量；以及，将所述多个编码分类特征向量中各个编码分类特征向量分别通过所述分类器的Softmax分类函数以得到多个概率值。

根据本申请的另一方面，提供了一种基于区块链的外币兑换***，其包括：

需求信息获取模块，用于获取用户提交的外币兑换需求，所述外币兑换需求包括兑换额度和兑换偏好；

查询模块，用于通过区块链网络查询各个银行网点的兑换信息，所述兑换信息包括牌价、网络地点和外币储备数额；

上下文编码模块，用于将所述各个银行网点的兑换信息分别通过包含嵌入层的上下文编码器以得到多个银行网点兑换语义特征向量；

兑换需求特征向量生成模块，用于将所述外币兑换需求通过所述包含嵌入层的上下文编码器以得到兑换需求特征向量；

矩阵化模块，用于将所述多个银行网点兑换语义特征向量进行矩阵化以得到银行网点兑换语义矩阵；

拓扑矩阵构建模块，用于构建所述各个银行网点之间的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个银行网点之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；

拓扑特征提取模块，用于将所述拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵；

图神经网络模块，用于将所述银行网点兑换语义矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑银行网点兑换语义矩阵；

优化模块，用于分别对所述拓扑银行网点兑换语义矩阵中各个行向量进行特征优化以得到优化后拓扑银行网点兑换语义矩阵；

响应性估计模块，用于分别计算所述兑换需求特征向量和所述优化后拓扑银行网点兑换语义矩阵中各个行向量的响应性估计以得到多个响应性特征矩阵；

分类模块，用于将所述多个响应性特征矩阵中各个响应性特征矩阵分别通过分类器以得到多个概率值；以及

结果生成模块，用于将所述多个概率值中最大概率值对应的银行网点作为外币兑换推荐网点。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于区块链的外币兑换方法。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于区块链的外币兑换方法。

与现有技术相比，本申请提供的一种基于区块链的外币兑换方法及其***，其通过基于对用户提交的外币兑换需求的理解和使用区块链网络查询的各个银行网点的兑换信息,根据两者之间的匹配度来确定最适配于用户需求的银行网点，以提高用户体验。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的基于区块链的外币兑换方法的流程图；

图2图示了根据本申请实施例的基于区块链的外币兑换方法的架构示意图；

图3图示了根据本申请实施例的基于机器视觉的作业场所入侵预警方法中上下文编码过程的流程图；

图4图示了根据本申请实施例的基于机器视觉的作业场所入侵预警方法中卷积神经网络编码过程的流程图；

图5图示了根据本申请实施例的基于机器视觉的作业场所入侵预警***的框图；

图6图示了根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

相应地，在本申请的技术方案中，首先获取用户提交的外币兑换需求，所述外币兑换需求包括兑换额度和兑换偏好。接着，通过区块链网络查询各个银行网点的兑换信息，所述兑换信息包括牌价、网络地点和外币储备数额。应可以理解，通过区块链网络查询可确保各个银行网点的兑换信息的真实性和不可篡改性。这里，网点预约问题本质上可以转化为推荐问题，也就是，基于对用户提交的外币兑换需求的理解和各个银行网点的兑换信息的理解来确定最适配于用户需求的银行网点。

在本申请的技术方案中，首先将所述各个银行网点的兑换信息分别通过包含嵌入层的上下文编码器以得到多个银行网点兑换语义特征向量。也就是，以所述包含嵌入层的上下文编码器作为语义理解模型来对所述各个银行网点的兑换信息进行基于长距离依赖的上下文语义理解以得到所述多个银行网点兑换语义特征向量。同样地，使用所述包含嵌入层的上下文编码器对所述用户提交的外币兑换需求进行文本语义理解以得到兑换需求特征向量。

值得一提的是，在本申请的其他示例中，还可以采用其他语义理解模型，例如，双向长短期记忆神经网络模型、循环神经网络等，对此，并不为本申请所局限。

特别地，在本申请的技术方案中，在为客户推荐银行网点时，除了考虑到兑换需求和兑换信息外，还需要考虑各个银行网点的空间分布特征，也就是，在进行银行网点推荐时，除了考虑外币兑换需求，还需要考虑用户的出行便利度。相应地，在本申请的技术方案中，首先构建所述各个银行网点之间的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个银行网点之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零，也就是，以所述各个银行网点之间的拓扑矩阵来表示银行网点的空间分布特性。

接着，将所述拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵。也就是，以在局部特征提取领域具有优异性能表现的卷积神经网络模型作为特征提起器来提取所述拓扑矩阵的局部高维隐含特征，即，各个银行网点的空间分布的局部高维隐含特征。

继而，以所述多个银行网点兑换语义特征向量中各个银行网点兑换语义特征向量作为节点的低秩表示，以所述拓扑特征矩阵来表示节点与节点之间的边的特征表示，在将所述多个银行网点兑换语义特征向量进行矩阵化以得到银行网点兑换语义矩阵后，将所述银行网点兑换语义矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑银行网点兑换语义矩阵。这里，所述图神经网络模型通过可学习的神经网络参数对所述银行网点兑换语义矩阵和所述拓扑特征矩阵进行图数据编码以得到包含不规则的银行网点空间拓扑特征和银行网点的兑换语义特征的所述拓扑银行网点兑换语义矩阵。相应地，所述拓扑银行网点兑换语义矩阵的各个行向量为对应各个银行网点的融合银行网点之间的空间拓扑特征的兑换信息特征表示。

接着，分别计算所述兑换需求特征向量和所述拓扑银行网点兑换语义矩阵中各个行向量的响应性估计以得到多个响应性特征矩阵，也就是，在本申请的技术方案中，以响应性估计来表示用户兑换需求和银行网点的兑换特征之间的关联关系。在一个具体的示例中，以所述兑换需求特征向量和所述拓扑银行网点兑换语义矩阵中各个银行网点的行向量之间的转移矩阵来表示两者之间的响应性计算。

继而，将所述多个响应性特征矩阵中各个响应性特征矩阵分别通过分类器就可以得到多个概率值，最终，将所述多个概率值的最大概率值对应的银行网点作为外币兑换推荐网点。

特别地，在本申请的技术方案中，对于所述拓扑银行网点兑换语义矩阵中的各个行向量来说，由于所述拓扑银行网点兑换语义矩阵是所述银行网点兑换语义矩阵和所述拓扑特征矩阵通过图神经网络得到的，因此在每个行向量的特征分布中融合了银行网点之间的空间拓扑特征，这就降低了每个行向量的各个位置的特征值关于单个网点的兑换信息的上下文语义表达的一致性，由此，在计算与所述兑换需求特征向量的响应性估计时，可能由于对兑换文本信息的上下文语义表达的不一致而影响响应性特征矩阵的分类准确度。

因此，在本申请的技术方案中，对每个所述行向量进行沿预定分布方向递归的压榨-激励优化，表示为：

和

是特征集合

的均值和方差，

指的是每个所述行向量。

也就是，基于沿向量的分布方向的特征集合的统计特性来激活特征分布的沿预定方向的递归，从而推断特征在向量的每个采样位置的分布，并且，采用由

-

函数构成的压榨-激励机制，来获取分布方向下的注意力增强的位置置信度值，以提升所述每个行向量在其分布方向下对文本上下文语义信息的表达一致性。这样，基于各个银行网点的兑换信息和各个银行网点的空间分布为客户智能地推荐外币兑换银行网点，以提高用户体验。

基于此，本申请提出了一种基于区块链的外币兑换方法，其包括：获取用户提交的外币兑换需求，所述外币兑换需求包括兑换额度和兑换偏好；通过区块链网络查询各个银行网点的兑换信息，所述兑换信息包括牌价、网络地点和外币储备数额；将所述各个银行网点的兑换信息分别通过包含嵌入层的上下文编码器以得到多个银行网点兑换语义特征向量；将所述外币兑换需求通过所述包含嵌入层的上下文编码器以得到兑换需求特征向量；将所述多个银行网点兑换语义特征向量进行矩阵化以得到银行网点兑换语义矩阵；构建所述各个银行网点之间的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个银行网点之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；将所述拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵；将所述银行网点兑换语义矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑银行网点兑换语义矩阵；分别对所述拓扑银行网点兑换语义矩阵中各个行向量进行特征优化以得到优化后拓扑银行网点兑换语义矩阵；分别计算所述兑换需求特征向量和所述优化后拓扑银行网点兑换语义矩阵中各个行向量的响应性估计以得到多个响应性特征矩阵；将所述多个响应性特征矩阵中各个响应性特征矩阵分别通过分类器以得到多个概率值；以及，将所述多个概率值中最大概率值对应的银行网点作为外币兑换推荐网点。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法

图1图示了根据本申请实施例的基于区块链的外币兑换方法的流程图。如图1所示，根据本申请实施例的基于区块链的外币兑换方法，包括步骤：S110，获取用户提交的外币兑换需求，所述外币兑换需求包括兑换额度和兑换偏好；S120，通过区块链网络查询各个银行网点的兑换信息，所述兑换信息包括牌价、网络地点和外币储备数额；S130，将所述各个银行网点的兑换信息分别通过包含嵌入层的上下文编码器以得到多个银行网点兑换语义特征向量；S140，将所述外币兑换需求通过所述包含嵌入层的上下文编码器以得到兑换需求特征向量；S150，将所述多个银行网点兑换语义特征向量进行矩阵化以得到银行网点兑换语义矩阵；S160，构建所述各个银行网点之间的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个银行网点之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；S170，将所述拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵；S180，将所述银行网点兑换语义矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑银行网点兑换语义矩阵；S190，分别对所述拓扑银行网点兑换语义矩阵中各个行向量进行特征优化以得到优化后拓扑银行网点兑换语义矩阵；S200，分别计算所述兑换需求特征向量和所述优化后拓扑银行网点兑换语义矩阵中各个行向量的响应性估计以得到多个响应性特征矩阵；S210，将所述多个响应性特征矩阵中各个响应性特征矩阵分别通过分类器以得到多个概率值；以及，S220，将所述多个概率值中最大概率值对应的银行网点作为外币兑换推荐网点。

图2图示了根据本申请实施例的基于区块链的外币兑换方法的架构示意图。如图2所示，在该网络结构中，首先，获取用户提交的外币兑换需求，所述外币兑换需求包括兑换额度和兑换偏好；同时，通过区块链网络查询各个银行网点的兑换信息，所述兑换信息包括牌价、网络地点和外币储备数额；将所述各个银行网点的兑换信息分别通过包含嵌入层的上下文编码器以得到多个银行网点兑换语义特征向量；然后将所述外币兑换需求通过所述包含嵌入层的上下文编码器以得到兑换需求特征向量；将所述多个银行网点兑换语义特征向量进行矩阵化以得到银行网点兑换语义矩阵；构建所述各个银行网点之间的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个银行网点之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；接着，将所述拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵；将所述银行网点兑换语义矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑银行网点兑换语义矩阵；再分别对所述拓扑银行网点兑换语义矩阵中各个行向量进行特征优化以得到优化后拓扑银行网点兑换语义矩阵；分别计算所述兑换需求特征向量和所述优化后拓扑银行网点兑换语义矩阵中各个行向量的响应性估计以得到多个响应性特征矩阵；进而，将所述多个响应性特征矩阵中各个响应性特征矩阵分别通过分类器以得到多个概率值；其中，将所述多个概率值中最大概率值对应的银行网点作为外币兑换推荐网点。

具体地，在步骤S110和步骤S120中，获取用户提交的外币兑换需求，所述外币兑换需求包括兑换额度和兑换偏好，并通过区块链网络查询各个银行网点的兑换信息，所述兑换信息包括牌价、网络地点和外币储备数额。由于通过区块链网络查询可确保各个银行网点的兑换信息的真实性和不可篡改性，因此，在本申请的技术方案中，可通过通过基于对用户提交的外币兑换需求的理解和使用区块链网络查询的各个银行网点的兑换信息,根据两者之间的匹配度来确定最适配于用户需求的银行网点，以提高用户体验。

具体地，在步骤S130和步骤S140中，将所述各个银行网点的兑换信息分别通过包含嵌入层的上下文编码器以得到多个银行网点兑换语义特征向量；以及，将所述外币兑换需求通过所述包含嵌入层的上下文编码器以得到兑换需求特征向量。也就是，以所述包含嵌入层的上下文编码器作为语义理解模型来对所述各个银行网点的兑换信息进行基于长距离依赖的上下文语义理解以得到所述多个银行网点兑换语义特征向量；同样地，使用所述包含嵌入层的上下文编码器对所述用户提交的外币兑换需求进行文本语义理解以得到兑换需求特征向量。

图3图示了根据本申请实施例的基于机器视觉的作业场所入侵预警方法中上下文编码过程的流程图。如图3所示。在所述上下文编码过程中，包括：S310，对所述各个银行网点的兑换信息进行分词处理以将所述各个银行网点的兑换信息转化为由多个词组成的词序列；S320，使用所述包含嵌入层的上下文编码器的嵌入层分别将所述词序列中各个词映射到词向量以获得词向量的序列；以及，S330，使用所述包含嵌入层的上下文编码器的转换器对所述词向量的序列进行基于全局的上下文语义编码以获得所述银行网点兑换语义特征向量。

具体地，在步骤S150和步骤S160中，将所述多个银行网点兑换语义特征向量进行矩阵化以得到银行网点兑换语义矩阵；并构建所述各个银行网点之间的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个银行网点之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零。特别地，在本申请的技术方案中，在为客户推荐银行网点时，除了考虑到兑换需求和兑换信息外，还需要考虑各个银行网点的空间分布特征，也就是，在进行银行网点推荐时，除了考虑外币兑换需求，还需要考虑用户的出行便利度。相应地，在本申请的技术方案中，首先构建所述各个银行网点之间的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个银行网点之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零，也就是，以所述各个银行网点之间的拓扑矩阵来表示银行网点的空间分布特性。

具体地，在步骤S170中，将所述拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵。将所述拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵。也就是，以在局部特征提取领域具有优异性能表现的卷积神经网络模型作为特征提起器来提取所述拓扑矩阵的局部高维隐含特征，即，各个银行网点的空间分布的局部高维隐含特征。

图4图示了根据本申请实施例的基于机器视觉的作业场所入侵预警方法中卷积神经网络编码过程的流程图。如图4所示，在所述卷积神经网络编码过程中，包括：S410，对输入数据进行卷积处理以得到卷积特征图；S420，对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，S430，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述拓扑特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述拓扑矩阵。

具体地，在步骤S180中，将所述银行网点兑换语义矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑银行网点兑换语义矩阵。在本申请的技术方案中，以所述多个银行网点兑换语义特征向量中各个银行网点兑换语义特征向量作为节点的低秩表示，以所述拓扑特征矩阵来表示节点与节点之间的边的特征表示，在将所述多个银行网点兑换语义特征向量进行矩阵化以得到银行网点兑换语义矩阵后，将所述银行网点兑换语义矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑银行网点兑换语义矩阵。这里，所述图神经网络模型通过可学习的神经网络参数对所述银行网点兑换语义矩阵和所述拓扑特征矩阵进行图数据编码以得到包含不规则的银行网点空间拓扑特征和银行网点的兑换语义特征的所述拓扑银行网点兑换语义矩阵。相应地，所述拓扑银行网点兑换语义矩阵的各个行向量为对应各个银行网点的融合银行网点之间的空间拓扑特征的兑换信息特征表示。

具体地，在步骤S190中，分别对所述拓扑银行网点兑换语义矩阵中各个行向量进行特征优化以得到优化后拓扑银行网点兑换语义矩阵。特别地，在本申请的技术方案中，对于所述拓扑银行网点兑换语义矩阵中的各个行向量来说，由于所述拓扑银行网点兑换语义矩阵是所述银行网点兑换语义矩阵和所述拓扑特征矩阵通过图神经网络得到的，因此在每个行向量的特征分布中融合了银行网点之间的空间拓扑特征，这就降低了每个行向量的各个位置的特征值关于单个网点的兑换信息的上下文语义表达的一致性，由此，在计算与所述兑换需求特征向量的响应性估计时，可能由于对兑换文本信息的上下文语义表达的不一致而影响响应性特征矩阵的分类准确度。

因此，在本申请的技术方案中，对每个所述行向量进行沿预定分布方向递归的压榨-激励优化，表示为：

其中

表示所述拓扑银行网点兑换语义矩阵中各个行向量，

和

是所述拓扑银行网点兑换语义矩阵中各个行向量的所有位置的特征值集合的均值和方差，

表示激活函数，

表示非线性修正单元，且

表示以所述方差的负值为幂的自然指数函数值。也就是，基于沿向量的分布方向的特征集合的统计特性来激活特征分布的沿预定方向的递归，从而推断特征在向量的每个采样位置的分布，并且，采用由

-

函数构成的压榨-激励机制，来获取分布方向下的注意力增强的位置置信度值，以提升所述每个行向量在其分布方向下对文本上下文语义信息的表达一致性。这样，基于各个银行网点的兑换信息和各个银行网点的空间分布为客户智能地推荐外币兑换银行网点，以提高用户体验。

具体地，在步骤S200中，分别计算所述兑换需求特征向量和所述优化后拓扑银行网点兑换语义矩阵中各个行向量的响应性估计以得到多个响应性特征矩阵。也就是，分别计算所述兑换需求特征向量和所述拓扑银行网点兑换语义矩阵中各个行向量的响应性估计以得到多个响应性特征矩阵，也就是，在本申请的技术方案中，以响应性估计来表示用户兑换需求和银行网点的兑换特征之间的关联关系。在一个具体的示例中，以所述兑换需求特征向量和所述拓扑银行网点兑换语义矩阵中各个银行网点的行向量之间的转移矩阵来表示两者之间的响应性计算。

在本申请的一个具体示例中，所述分别计算所述兑换需求特征向量和所述优化后拓扑银行网点兑换语义矩阵中各个行向量的响应性估计以得到多个响应性特征矩阵，包括：以如下公式计算所述兑换需求特征向量和所述优化后拓扑银行网点兑换语义矩阵中各个行向量的响应性估计以得到多个响应性特征矩阵；其中，所述公式为：

=

，其中

表示所述兑换需求特征向量，M表示所述响应性特征矩阵，

表示所述优化后拓扑银行网点兑换语义矩阵中各个行向量，

表示向量相乘。

具体地，在步骤S210和步骤S220中，将所述多个响应性特征矩阵中各个响应性特征矩阵分别通过分类器以得到多个概率值；以及，将所述多个概率值中最大概率值对应的银行网点作为外币兑换推荐网点。

在本申请的一个具体示例中，所述将所述多个响应性特征矩阵中各个响应性特征矩阵分别通过分类器以得到多个概率值，包括：将所述多个响应性特征矩阵中各个响应性特征矩阵基于行向量或列向量展开为特征向量以得到多个分类特征向量；使用所述分类器的多个全连接层对所述多个分类特征向量中各个分类特征向量进行全连接编码以得到多个编码分类特征向量；以及,将所述多个编码分类特征向量中各个编码分类特征向量分别通过所述分类器的Softmax分类函数以得到多个概率值。

综上，根据本申请实施例的基于区块链的外币兑换方法被阐明，其通过基于对用户提交的外币兑换需求的理解和使用区块链网络查询的各个银行网点的兑换信息,根据两者之间的匹配度来确定最适配于用户需求的银行网点，以提高用户体验。

示例性***

图5图示了根据本申请实施例的基于区块链的外币兑换***的框图。如图5所示，根据本申请实施例的基于区块链的外币兑换***300，包括：需求信息获取模块310；查询模块320；上下文编码模块330；兑换需求特征向量生成模块340；矩阵化模块350；拓扑矩阵构建模块360；拓扑特征提取模块370；图神经网络模块380；优化模块390；响应性估计模块400；分类模块410；以及，结果生成模块420。

其中，所述需求信息获取模块310，用于获取用户提交的外币兑换需求，所述外币兑换需求包括兑换额度和兑换偏好；所述查询模块320，用于通过区块链网络查询各个银行网点的兑换信息，所述兑换信息包括牌价、网络地点和外币储备数额；所述上下文编码模块330，用于将所述各个银行网点的兑换信息分别通过包含嵌入层的上下文编码器以得到多个银行网点兑换语义特征向量；所述兑换需求特征向量生成模块340，用于将所述外币兑换需求通过所述包含嵌入层的上下文编码器以得到兑换需求特征向量；所述矩阵化模块350，用于将所述多个银行网点兑换语义特征向量进行矩阵化以得到银行网点兑换语义矩阵；所述拓扑矩阵构建模块360，用于构建所述各个银行网点之间的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个银行网点之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；所述拓扑特征提取模块370，用于将所述拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵；所述图神经网络模块380，用于将所述银行网点兑换语义矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑银行网点兑换语义矩阵；所述优化模块390，用于分别对所述拓扑银行网点兑换语义矩阵中各个行向量进行特征优化以得到优化后拓扑银行网点兑换语义矩阵；所述响应性估计模块400，用于分别计算所述兑换需求特征向量和所述优化后拓扑银行网点兑换语义矩阵中各个行向量的响应性估计以得到多个响应性特征矩阵；所述分类模块410，用于将所述多个响应性特征矩阵中各个响应性特征矩阵分别通过分类器以得到多个概率值；以及，所述结果生成模块420，用于将所述多个概率值中最大概率值对应的银行网点作为外币兑换推荐网点。

在一个示例中，在上述基于区块链的外币兑换***300中，所述上下文编码330，包括：对所述各个银行网点的兑换信息进行分词处理以将所述各个银行网点的兑换信息转化为由多个词组成的词序列；使用所述包含嵌入层的上下文编码器的嵌入层分别将所述词序列中各个词映射到词向量以获得词向量的序列；以及，使用所述包含嵌入层的上下文编码器的转换器对所述词向量的序列进行基于全局的上下文语义编码以获得所述银行网点兑换语义特征向量。

在一个示例中，在上述基于区块链的外币兑换***300中，所述拓扑特征提取模块360，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述拓扑特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述拓扑矩阵。

在一个示例中，在上述基于区块链的外币兑换***300中，所述优化模块390，包括：以如下公式对所述拓扑银行网点兑换语义矩阵中各个行向量进行特征优化以得到所述优化后拓扑银行网点兑换语义矩阵；

其中，所述公式为：

其中

表示所述拓扑银行网点兑换语义矩阵中各个行向量，

和

是所述拓扑银行网点兑换语义矩阵中各个行向量的所有位置的特征值集合的均值和方差，

表示激活函数，

表示非线性修正单元，且

表示以所述方差的负值为幂的自然指数函数值。

在一个示例中，在上述基于区块链的外币兑换***300中，所述响应性估计模块400，包括：以如下公式计算所述兑换需求特征向量和所述优化后拓扑银行网点兑换语义矩阵中各个行向量的响应性估计以得到多个响应性特征矩阵；其中，所述公式为：

=

，其中

表示所述兑换需求特征向量，M表示所述响应性特征矩阵，

表示所述优化后拓扑银行网点兑换语义矩阵中各个行向量，

表示向量相乘。

在一个示例中，在上述基于区块链的外币兑换***300中，所述分类模块410，包括：将所述多个响应性特征矩阵中各个响应性特征矩阵基于行向量或列向量展开为特征向量以得到多个分类特征向量；使用所述分类器的多个全连接层对所述多个分类特征向量中各个分类特征向量进行全连接编码以得到多个编码分类特征向量；以及，将所述多个编码分类特征向量中各个编码分类特征向量分别通过所述分类器的Softmax分类函数以得到多个概率值。

综上，根据本申请实施例的基于区块链的外币兑换***300被阐明，其通过基于对用户提交的外币兑换需求的理解和使用区块链网络查询的各个银行网点的兑换信息,根据两者之间的匹配度来确定最适配于用户需求的银行网点，以提高用户体验。

示例性电子设备

下面，参考图6来描述根据本申请实施例的电子设备。

图6图示了根据本申请实施例的电子设备的框图。

如图6所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于区块链的外币兑换方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如全局语义特征向量等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线***和/或其他形式的连接机构（未示出）互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括概率值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性***”部分中描述的根据本申请各种实施例的基于区块链的外币兑换方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性***”部分中描述的根据本申请各种实施例的基于区块链的外币兑换方法中的功能中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于区块链的外币兑换方法，其特征在于，包括：

获取用户提交的外币兑换需求，所述外币兑换需求包括兑换额度和兑换偏好；

通过区块链网络查询各个银行网点的兑换信息，所述兑换信息包括牌价、网络地点和外币储备数额；

将所述各个银行网点的兑换信息分别通过包含嵌入层的上下文编码器以得到多个银行网点兑换语义特征向量；

将所述外币兑换需求通过所述包含嵌入层的上下文编码器以得到兑换需求特征向量；

将所述多个银行网点兑换语义特征向量进行矩阵化以得到银行网点兑换语义矩阵；

构建所述各个银行网点之间的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个银行网点之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；

将所述拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵；

将所述银行网点兑换语义矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑银行网点兑换语义矩阵；

分别对所述拓扑银行网点兑换语义矩阵中各个行向量进行特征优化以得到优化后拓扑银行网点兑换语义矩阵；

分别计算所述兑换需求特征向量和所述优化后拓扑银行网点兑换语义矩阵中各个行向量的响应性估计以得到多个响应性特征矩阵；

将所述多个响应性特征矩阵中各个响应性特征矩阵分别通过分类器以得到多个概率值；以及

将所述多个概率值中最大概率值对应的银行网点作为外币兑换推荐网点。

2.根据权利要求1所述的基于区块链的外币兑换方法，其特征在于，所述将所述各个银行网点的兑换信息分别通过包含嵌入层的上下文编码器以得到多个银行网点兑换语义特征向量，包括：

对所述各个银行网点的兑换信息进行分词处理以将所述各个银行网点的兑换信息转化为由多个词组成的词序列；

使用所述包含嵌入层的上下文编码器的嵌入层分别将所述词序列中各个词映射到词向量以获得词向量的序列；以及

使用所述包含嵌入层的上下文编码器的转换器对所述词向量的序列进行基于全局的上下文语义编码以获得所述银行网点兑换语义特征向量。

3.根据权利要求2所述的基于区块链的外币兑换方法，其特征在于，所述将所述拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：

对输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述拓扑特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述拓扑矩阵。

4.根据权利要求3所述的基于区块链的外币兑换方法，其特征在于，所述分别对所述拓扑银行网点兑换语义矩阵中各个行向量进行特征优化以得到优化后拓扑银行网点兑换语义矩阵，包括：以如下公式对所述拓扑银行网点兑换语义矩阵中各个行向量进行特征优化以得到所述优化后拓扑银行网点兑换语义矩阵；

其中，所述公式为：

其中

表示所述拓扑银行网点兑换语义矩阵中各个行向量，

和

是所述拓扑银行网点兑换语义矩阵中各个行向量的所有位置的特征值集合的均值和方差，

表示激活函数，

表示非线性修正单元，且

表示以所述方差的负值为幂的自然指数函数值。

5.根据权利要求4所述的基于区块链的外币兑换方法，其特征在于，所述分别计算所述兑换需求特征向量和所述优化后拓扑银行网点兑换语义矩阵中各个行向量的响应性估计以得到多个响应性特征矩阵，包括：以如下公式计算所述兑换需求特征向量和所述优化后拓扑银行网点兑换语义矩阵中各个行向量的响应性估计以得到多个响应性特征矩阵；

其中，所述公式为：

=

其中

表示所述兑换需求特征向量，M表示所述响应性特征矩阵，

表示所述优化后拓扑银行网点兑换语义矩阵中各个行向量，

表示向量相乘。

6.根据权利要求5所述的基于区块链的外币兑换方法，其特征在于，所述将所述多个响应性特征矩阵中各个响应性特征矩阵分别通过分类器以得到多个概率值，包括：

将所述多个响应性特征矩阵中各个响应性特征矩阵基于行向量或列向量展开为特征向量以得到多个分类特征向量；

使用所述分类器的多个全连接层对所述多个分类特征向量中各个分类特征向量进行全连接编码以得到多个编码分类特征向量；以及

将所述多个编码分类特征向量中各个编码分类特征向量分别通过所述分类器的Softmax分类函数以得到多个概率值。

7.一种基于区块链的外币兑换***，其特征在于，包括：

需求信息获取模块，用于获取用户提交的外币兑换需求，所述外币兑换需求包括兑换额度和兑换偏好；

查询模块，用于通过区块链网络查询各个银行网点的兑换信息，所述兑换信息包括牌价、网络地点和外币储备数额；

上下文编码模块，用于将所述各个银行网点的兑换信息分别通过包含嵌入层的上下文编码器以得到多个银行网点兑换语义特征向量；

兑换需求特征向量生成模块，用于将所述外币兑换需求通过所述包含嵌入层的上下文编码器以得到兑换需求特征向量；

矩阵化模块，用于将所述多个银行网点兑换语义特征向量进行矩阵化以得到银行网点兑换语义矩阵；

拓扑矩阵构建模块，用于构建所述各个银行网点之间的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个银行网点之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；

拓扑特征提取模块，用于将所述拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵；

图神经网络模块，用于将所述银行网点兑换语义矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑银行网点兑换语义矩阵；

优化模块，用于分别对所述拓扑银行网点兑换语义矩阵中各个行向量进行特征优化以得到优化后拓扑银行网点兑换语义矩阵；

响应性估计模块，用于分别计算所述兑换需求特征向量和所述优化后拓扑银行网点兑换语义矩阵中各个行向量的响应性估计以得到多个响应性特征矩阵；

分类模块，用于将所述多个响应性特征矩阵中各个响应性特征矩阵分别通过分类器以得到多个概率值；以及

结果生成模块，用于将所述多个概率值中最大概率值对应的银行网点作为外币兑换推荐网点。

8.根据权利要求7所述的基于区块链的外币兑换***，其特征在于，所述上下文编码模块，进一步用于：

对所述各个银行网点的兑换信息进行分词处理以将所述各个银行网点的兑换信息转化为由多个词组成的词序列；

使用所述包含嵌入层的上下文编码器的嵌入层分别将所述词序列中各个词映射到词向量以获得词向量的序列；以及

使用所述包含嵌入层的上下文编码器的转换器对所述词向量的序列进行基于全局的上下文语义编码以获得所述多个银行网点兑换语义特征向量。

9.根据权利要求8所述的基于区块链的外币兑换***，其特征在于，所述拓扑特征提取模块，进一步用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：

对输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述拓扑特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述拓扑矩阵。

10.根据权利要求9所述的基于区块链的外币兑换***，其特征在于，所述响应性估计模块，进一步用于：以如下公式计算所述兑换需求特征向量和所述优化后拓扑银行网点兑换语义矩阵中各个行向量的响应性估计以得到多个响应性特征矩阵；

其中，所述公式为：

=

其中

表示所述兑换需求特征向量，M表示所述响应性特征矩阵，

表示所述优化后拓扑银行网点兑换语义矩阵中各个行向量，

表示向量相乘。

Images