CN117540935B - 一种基于区块链技术的dao运营管理方法 - Google Patents

一种基于区块链技术的dao运营管理方法 Download PDF

Info

Publication number
CN117540935B
CN117540935B CN202410030530.4A CN202410030530A CN117540935B CN 117540935 B CN117540935 B CN 117540935B CN 202410030530 A CN202410030530 A CN 202410030530A CN 117540935 B CN117540935 B CN 117540935B
Authority
CN
China
Prior art keywords
user behavior
semantic
sequence
training
feature vectors
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410030530.4A
Other languages
English (en)
Other versions
CN117540935A (zh
Inventor
姜亚文
罗斌
詹潇辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bank Of Shanghai Co ltd
Original Assignee
Bank Of Shanghai Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bank Of Shanghai Co ltd filed Critical Bank Of Shanghai Co ltd
Priority to CN202410030530.4A priority Critical patent/CN117540935B/zh
Publication of CN117540935A publication Critical patent/CN117540935A/zh
Application granted granted Critical
Publication of CN117540935B publication Critical patent/CN117540935B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Computer Security & Cryptography (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Machine Translation (AREA)

Abstract

公开了一种基于区块链技术的DAO运营管理方法。其首先对用户行为数据时序序列中的各个用户行为数据进行语义编码以得到用户行为语义编码特征向量的序列，接着，对所述用户行为语义编码特征向量的序列进行注意力空间映射以得到映射后用户行为语义编码特征向量的序列，然后，计算各个映射后用户行为语义编码特征向量相对于所述映射后用户行为语义编码特征向量的序列的特征分布整体的语义注意力权重以得到语义注意力权重的序列，接着，计算所述用户行为语义编码特征向量的序列的加权和以得到用户行为全局语义理解特征向量，最后，基于所述用户行为全局语义理解特征向量，确定推荐的数字荣誉徽章的类型标签。这样，可以促进DAO的发展和运营。

Description

一种基于区块链技术的DAO运营管理方法
技术领域
本申请涉及智能运营管理领域，且更为具体地，涉及一种基于区块链技术的DAO运营管理方法。
背景技术
区块链技术是一种分布式的、去中心化的、不可篡改的数据存储和交易技术，它可以实现多方之间的信任和协作，从而促进社会组织和经济活动的创新和效率。区块链的核心特点包括去中心化、不可篡改、透明性和匿名性，使其在各个领域都具有广泛的应用潜力。区块链技术的一个重要应用领域是去中心化自治组织（DAO），它是一种基于智能合约的自我管理、自我执行、自我调节的组织形式，它可以实现组织成员之间的共识和协调，以及组织资源的分配和治理，以实现组织的自动化和去中心化管理。
传统的组织经营模式，更趋向于自上而下的管理机制，下级员工根据上级领导的指挥行事，可能会因为信息壁垒、沟通障碍、决策失误等问题，引发执行力不足、效率不高、结果不佳的后果。面对这一难题，基于区块链技术，引入DAO运营模式，能够摆脱传统自上而下的等级化管理模式，使组织成员可以通过去中心化的决策机制来管理组织，形成公开透明、自主自治的新型管理模式，规避传统管理模式的弊端。然而，在目前的DAO运营管理中存在着一些问题，例如，如何激励成员的积极参与和贡献来提高组织成员的参与度和凝聚力，以及如何评价组织成员的贡献度是重要的问题。
因此，期望一种优化的基于区块链技术的DAO运营管理方案。
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技术的DAO运营管理方法，其可以增加用户的参与度和忠诚度，促进用户之间的互动和合作，从而促进DAO的发展和运营。
根据本申请的一个方面，提供了一种基于区块链技术的DAO运营管理方法，其包括：
从区块链网络提取用户行为数据时序序列；
对所述用户行为数据时序序列中的各个用户行为数据进行语义编码以得到用户行为语义编码特征向量的序列；
对所述用户行为语义编码特征向量的序列进行注意力空间映射以得到映射后用户行为语义编码特征向量的序列；
计算所述映射后用户行为语义编码特征向量的序列中各个映射后用户行为语义编码特征向量相对于所述映射后用户行为语义编码特征向量的序列的特征分布整体的语义注意力权重以得到语义注意力权重的序列；
以所述语义注意力权重的序列作为权重，计算所述用户行为语义编码特征向量的序列的加权和以得到用户行为全局语义理解特征向量作为用户行为全局语义理解特征；以及
基于所述用户行为全局语义理解特征，确定推荐的数字荣誉徽章的类型标签。
与现有技术相比，本申请提供的基于区块链技术的DAO运营管理方法，其首先对用户行为数据时序序列中的各个用户行为数据进行语义编码以得到用户行为语义编码特征向量的序列，接着，对所述用户行为语义编码特征向量的序列进行注意力空间映射以得到映射后用户行为语义编码特征向量的序列，然后，计算各个映射后用户行为语义编码特征向量相对于所述映射后用户行为语义编码特征向量的序列的特征分布整体的语义注意力权重以得到语义注意力权重的序列，接着，计算所述用户行为语义编码特征向量的序列的加权和以得到用户行为全局语义理解特征向量，最后，基于所述用户行为全局语义理解特征向量，确定推荐的数字荣誉徽章的类型标签。这样，可以促进DAO的发展和运营。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的基于区块链技术的DAO运营管理方法的流程图。
图2为根据本申请实施例的基于区块链技术的DAO运营管理方法的架构示意图。
图3为根据本申请实施例的基于区块链技术的DAO运营管理***的框图。
图4为根据本申请实施例的基于区块链技术的DAO运营管理方法的应用场景图。
图5为根据本申请实施例的DAO运营模式的示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的***中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述***和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
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。
针对上述技术问题，在本申请的技术方案中，提出了一种基于区块链技术的DAO运营管理方法，其能够通过数字荣誉徽章的方式来激励用户行为以提高组织成员的参与度和凝聚力，其中，勋章代表用户在DAO中的贡献和成就，以及各种有意义的行为的记录。通过给予用户推荐的数字荣誉徽章，可以增加用户的参与度和忠诚度，促进用户之间的互动和合作，从而促进DAO的发展和运营。
相应地，对于用户的贡献度和行为进行评价来推荐不同类型的数字荣誉勋章是一个至关重要的问题，这是由于不同的用户在DAO中可能具有不同的兴趣、技能和贡献方式。通过评价用户的贡献度和行为，可以了解他们在DAO中的特点和优势，并根据其个性化的表现推荐相应的数字荣誉徽章。这样可以更好地激励用户，使他们感受到自己的贡献被认可和重视，从而增加他们的参与度和忠诚度。
基于此，本申请的技术构思为通过从区块链网络提取用户行为数据时序序列，并在后端引入数据处理和语义理解算法来进行所述用户行为数据时序序列的语义关联分析，以此来进行合适的数字荣誉徽章类型推荐，以激励用户行为。这样，能够提高用户参与度和贡献度，从而增强用户的归属感和认同感，促进用户之间的互动和合作，以增强DAO的社区活力和发展潜力。
图1为根据本申请实施例的基于区块链技术的DAO运营管理方法的流程图。图2为根据本申请实施例的基于区块链技术的DAO运营管理方法的架构示意图。如图1和图2所示，根据本申请实施例的基于区块链技术的DAO运营管理方法，包括步骤：S110，从区块链网络提取用户行为数据时序序列；S120，对所述用户行为数据时序序列中的各个用户行为数据进行语义编码以得到用户行为语义编码特征向量的序列；S130，对所述用户行为语义编码特征向量的序列进行注意力空间映射以得到映射后用户行为语义编码特征向量的序列；S140，计算所述映射后用户行为语义编码特征向量的序列中各个映射后用户行为语义编码特征向量相对于所述映射后用户行为语义编码特征向量的序列的特征分布整体的语义注意力权重以得到语义注意力权重的序列；S150，以所述语义注意力权重的序列作为权重，计算所述用户行为语义编码特征向量的序列的加权和以得到用户行为全局语义理解特征向量作为用户行为全局语义理解特征；以及，S160，基于所述用户行为全局语义理解特征，确定推荐的数字荣誉徽章的类型标签。
具体地，在本申请的技术方案中，首先，从区块链网络提取用户行为数据时序序列。应可以理解，用户行为数据通常是以文本数据记录存在的，这些数据本身包含了丰富的语义信息。因此，为了能够分析和理解用户的行为模式和特征，在本申请的技术方案中，对所述用户行为数据时序序列中的各个用户行为数据进行语义编码，以分别提取出所述各个用户行为数据的语义理解特征信息，从而得到用户行为语义编码特征向量的序列。这样，可以更好地捕捉用户行为的含义和目的，从而更准确地分析和理解用户的行为模式。
相应地，在步骤S120中，对所述用户行为数据时序序列中的各个用户行为数据进行语义编码以得到用户行为语义编码特征向量的序列，包括：通过用户行为语义编码器对所述用户行为数据时序序列中的各个用户行为数据进行语义编码以得到所述用户行为语义编码特征向量的序列。
然后，为了将不同维度的用户行为语义编码特征向量转化为同一注意力空间，以便更好地捕捉用户行为语义特征之间的关联和重要性，在本申请的技术方案中，进一步将所述用户行为语义编码特征向量的序列通过基于全连接层的注意力空间映射器以通过所述基于全连接层的注意力空间映射器将所述用户行为语义编码特征向量的序列映射到同一注意力空间以得到映射后用户行为语义编码特征向量的序列。这样，能够捕捉到各个所述用户行为语义特征之间的全连接关联特征信息。
相应地，在步骤S130中，对所述用户行为语义编码特征向量的序列进行注意力空间映射以得到映射后用户行为语义编码特征向量的序列，包括：将所述用户行为语义编码特征向量的序列通过基于全连接层的注意力空间映射器以通过所述基于全连接层的注意力空间映射器将所述用户行为语义编码特征向量的序列映射到同一注意力空间以得到所述映射后用户行为语义编码特征向量的序列。
值得一提的是，全连接层（Fully Connected Layer），也被称为密集连接层或全连接层，是深度神经网络中的一种常见层类型，它是一种简单的神经网络层，其中每个神经元与前一层的所有神经元相连接。在全连接层中，每个输入特征都与每个神经元相连接，并通过权重进行加权求和，然后通过激活函数进行非线性变换。这样可以将输入特征映射到一个新的表示空间，以便进行更高级的特征提取和分类。全连接层的作用是引入非线性变换和特征组合，从而增加模型的表达能力。它可以学习输入特征之间的复杂关系，并将这些关系编码到输出特征中。全连接层通常用于深度神经网络的最后几层，用于将高级特征映射到最终的输出类别或预测结果。在注意力空间映射中，基于全连接层的注意力空间映射器将用户行为语义编码特征向量的序列映射到同一注意力空间。这种映射可以帮助模型更好地理解用户行为之间的关联和重要性，从而提高对用户行为的理解和预测能力。通过引入注意力机制，模型可以自动学习不同行为特征的权重和相关性，从而更准确地捕捉用户行为的语义信息。
进一步地，考虑到所述映射后用户行为语义编码特征向量的序列中各个映射后用户行为语义编码特征向量都包含不同的语义信息和重要性。因此，为了衡量每个特征向量在整个序列中的语义重要性和贡献度，从而为推荐合适的数字荣誉徽章提供更有针对性的依据，在本申请的技术方案中，进一步计算所述映射后用户行为语义编码特征向量的序列中各个映射后用户行为语义编码特征向量相对于所述映射后用户行为语义编码特征向量的序列的特征分布整体的语义注意力权重以得到语义注意力权重的序列，并以所述语义注意力权重的序列作为权重，计算所述用户行为语义编码特征向量的序列的加权和以得到用户行为全局语义理解特征向量。通过计算所述语义注意力权重，可以衡量每个映射后用户行为语义编码特征向量相对于整体特征分布的重要性。然后，再将所述语义注意力权重进行相应向量的加权可以更准确地评估每个特征向量在用户行为序列中的相对重要性，提高对用户行为序列的整体理解和分析能力，为推荐合适的数字荣誉徽章提供更准确和全面的依据。
相应地，在步骤S140中，计算所述映射后用户行为语义编码特征向量的序列中各个映射后用户行为语义编码特征向量相对于所述映射后用户行为语义编码特征向量的序列的特征分布整体的语义注意力权重以得到语义注意力权重的序列，包括：以如下权重计算公式计算所述映射后用户行为语义编码特征向量的序列中各个映射后用户行为语义编码特征向量相对于所述映射后用户行为语义编码特征向量的序列的特征分布整体的语义注意力权重以得到所述语义注意力权重的序列；其中，所述权重计算公式为：
其中，表示所述映射后用户行为语义编码特征向量的序列中第个映射后用户 行为语义编码特征向量，A和B是的矩阵，是所述映射后用户行为语义编码特征向 量的序列中各个映射后用户行为语义编码特征向量的维度，N是所述映射后用户行为语义 编码特征向量的序列中映射后用户行为语义编码特征向量的数量，是Sigmoid函 数，是所述语义注意力权重的序列中的第个语义注意力权重。
继而，再将所述用户行为全局语义理解特征向量通过分类器以得到推荐的数字荣誉徽章的类型标签。具体地，所述分类器的分类标签为推荐的数字荣誉徽章的类型标签，因此，在得到所述分类结果后，可以基于所述分类结果来进行合适的数字荣誉徽章类型推荐，以激励用户行为。
相应地，在步骤S160中，基于所述用户行为全局语义理解特征，确定推荐的数字荣誉徽章的类型标签，包括：将所述用户行为全局语义理解特征向量通过分类器以得到推荐的数字荣誉徽章的类型标签。
具体地，将所述用户行为全局语义理解特征向量通过分类器以得到推荐的数字荣誉徽章的类型标签，包括：使用所述分类器的全连接层对所述用户行为全局语义理解特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到用于表示推荐的数字荣誉徽章的类型标签的分类结果。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
进一步地，在本申请的技术方案中，所述的基于区块链技术的DAO运营管理方法，其还包括训练步骤：用于对所述用户行为语义编码器、所述基于全连接层的注意力空间映射器和所述分类器进行训练。
在一个示例中，所述训练步骤，包括：获取训练数据，所述训练数据包括从区块链网络提取的训练用户行为数据时序序列，及，推荐的数字荣誉徽章的类型标签的真实值；通过所述用户行为语义编码器对所述训练用户行为数据时序序列中的各个训练用户行为数据进行语义编码以得到训练用户行为语义编码特征向量的序列；通过所述基于全连接层的注意力空间映射器将所述训练用户行为语义编码特征向量的序列映射到同一注意力空间以得到训练映射后用户行为语义编码特征向量的序列；计算所述训练映射后用户行为语义编码特征向量的序列中各个训练映射后用户行为语义编码特征向量相对于所述训练映射后用户行为语义编码特征向量的序列的特征分布整体的语义注意力权重以得到训练语义注意力权重的序列；以所述训练语义注意力权重的序列作为权重，计算所述训练用户行为语义编码特征向量的序列的加权和以得到训练用户行为全局语义理解特征向量；将所述训练用户行为全局语义理解特征向量通过所述分类器以得到分类损失函数值；以及，以所述分类损失函数值来对所述用户行为语义编码器、所述基于全连接层的注意力空间映射器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述训练用户行为全局语义理解特征向量进行优化。
其中，将所述训练用户行为全局语义理解特征向量通过所述分类器以得到分类损失函数值，包括：通过所述分类器以如下分类训练公式对所述训练用户行为全局语义理解特征向量进行处理以得到训练分类结果，所述分类训练公式为：
，其中，到为权重矩阵，到为偏 置向量，X为所述训练用户行为全局语义理解特征向量；以及计算所述训练分类结果与所述 真实值之间的交叉熵值作为所述分类损失函数值。
特别地，在上述技术方案中，所述训练用户行为语义编码特征向量的序列中的各个训练用户行为语义编码特征向量用于表示训练用户行为数据的语义关联特征，考虑到其初始源数据模态差异，尽管通过基于全连接层的注意力空间映射器映射到同一注意力空间，但仍然存在特征分布差异。此外，在计算语义注意力权重，并以所述训练语义注意力权重的序列来融合所述训练用户行为语义编码特征向量的序列后，得到的所述训练用户行为全局语义理解特征向量的整体特征分布的不一致和不稳定会更为显著，从而影响所述训练用户行为全局语义理解特征向量通过分类器进行分类训练的稳定性。
基于此，本申请的申请人在将所述训练用户行为全局语义理解特征向量通过分类器进行分类训练时，在每次迭代时对所述训练用户行为全局语义理解特征向量进行优化。
相应地，在一个示例中，在所述训练的每一轮迭代中，对所述训练用户行为全局语义理解特征向量进行优化，包括：在所述训练的每一轮迭代中，以如下优化公式对所述训练用户行为全局语义理解特征向量进行优化以得到优化后训练用户行为全局语义理解特征向量；其中，所述优化公式为：
其中，是所述训练用户行为全局语义理解特征向量，是所述训练用户行为全 局语义理解特征向量的第个特征值，和是所述训练用户行为全局语义理解特 征向量的1范数和2范数，是所述训练用户行为全局语义理解特征向量的向量长度， 且是与相关的权重超参数，表示数值的指数运算，所述数值的指数运算表示 计算以所述数值为幂的自然指数函数值，是所述优化后训练用户行为全局语义理解特 征向量的第个特征值。
这里，通过所述训练用户行为全局语义理解特征向量的范数，来进行所述训练 用户行为全局语义理解特征向量的整体特征分布分别在绝对距离的刚性结构和空间距 离的非刚性结构下的一致性和稳定性表示，可以使得所述训练用户行为全局语义理解特征 向量的全局特征分布对于向量分布方向上的局部模式变化具有一定重复性，这样，当所述 训练用户行为全局语义理解特征向量通过分类器进行分类时，训练过程将对于所述训练 用户行为全局语义理解特征向量的全局特征分布经由分类器的权重矩阵的尺度和旋转 变化更具有鲁棒性，从而提升分类训练过程的稳定性。这样，能够基于从区块链网络提取的 用户行为数据时序序列来进行合适的数字荣誉徽章类型推荐，以激励用户行为，通过这样 的方式，能够提高用户参与度和贡献度，从而增强用户的归属感和认同感，促进用户之间的 互动和合作，以增强DAO的社区活力和发展潜力。
综上，基于本申请实施例的基于区块链技术的DAO运营管理方法被阐明，其可以促进DAO的发展和运营。
图3为根据本申请实施例的基于区块链技术的DAO运营管理***100的框图。如图3所示，根据本申请实施例的基于区块链技术的DAO运营管理***100，包括：数据采集模块110，用于从区块链网络提取用户行为数据时序序列；语义编码模块120，用于对所述用户行为数据时序序列中的各个用户行为数据进行语义编码以得到用户行为语义编码特征向量的序列；注意力空间映射模块130，用于对所述用户行为语义编码特征向量的序列进行注意力空间映射以得到映射后用户行为语义编码特征向量的序列；权重计算模块140，用于计算所述映射后用户行为语义编码特征向量的序列中各个映射后用户行为语义编码特征向量相对于所述映射后用户行为语义编码特征向量的序列的特征分布整体的语义注意力权重以得到语义注意力权重的序列；加权模块150，用于以所述语义注意力权重的序列作为权重，计算所述用户行为语义编码特征向量的序列的加权和以得到用户行为全局语义理解特征向量作为用户行为全局语义理解特征；以及，类型分析模块160，用于基于所述用户行为全局语义理解特征，确定推荐的数字荣誉徽章的类型标签。
在一个示例中，在上述基于区块链技术的DAO运营管理***100中，所述语义编码模块120，用于：通过用户行为语义编码器对所述用户行为数据时序序列中的各个用户行为数据进行语义编码以得到所述用户行为语义编码特征向量的序列。
这里，本领域技术人员可以理解，上述基于区块链技术的DAO运营管理***100中的各个模块的具体功能和操作已经在上面参考图1到图2的基于区块链技术的DAO运营管理方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于区块链技术的DAO运营管理***100可以实现在各种无线终端中，例如具有基于区块链技术的DAO运营管理算法的服务器等。在一个示例中，根据本申请实施例的基于区块链技术的DAO运营管理***100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于区块链技术的DAO运营管理***100可以是该无线终端的操作***中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于区块链技术的DAO运营管理***100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该基于区块链技术的DAO运营管理***100与该无线终端也可以是分立的设备，并且该基于区块链技术的DAO运营管理***100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图4为根据本申请实施例的基于区块链技术的DAO运营管理方法的应用场景图。如图4所示，在该应用场景中，首先，从区块链网络提取用户行为数据时序序列（例如，图4中所示意的D），然后，将所述用户行为数据时序序列输入至部署有基于区块链技术的DAO运营管理算法的服务器（例如，图4中所示意的S）中，其中，所述服务器能够使用所述基于区块链技术的DAO运营管理算法对所述用户行为数据时序序列进行处理以得到推荐的数字荣誉徽章的类型标签。
应可以理解，本申请实施例的基于区块链技术的DAO运营管理方法基于区块链技术，引入DAO运营模式，优化组织管理形式，改变传统“自上而下”的等级化经营管理机制，通过去中心化理念，充分开放、自主交互，以共同的组织目标为导向，形成成员共创、共建、共治、共享的协同运营模式，激发成员的积极性与主观能动性，焕发组织效能实现价值流转。
进一步，参照图5，DAO运营模式包括协议层、硬件层、组织层、用户层以及激励层。其中，协议层利用各种不同类型的智能合约，触发DAO内的各种权力和权益的自动分配，智能合约写在区块链上，是一组计算机程序，用来执行各种命令，智能合约是公开透明的，任何人都可以看到每一行代码。硬件层通过区块链技术保障整个社区产品能在链上正常运转，用户账户***通过钱包能整体转为链上，行为数据在链上留存。组织层可分为职能部门、功能部门及权力机构。由职能部门负责DAO内财务审计、资料汇总、活动组织、会议记录等DAO内事宜；由功能部门负责DAO的价值捕获和输出，一般与DAO要推进的具体业务和项目相关，例如各种兴趣相关的公会、项目小组等；由权力机构负责提案的审议通过，各个公会、项目小组的拨款事宜等。各个部门没有上下级之分，只有功能和作用上的区别。用户层设置初级用户、中级用户、高级用户三个层级和对应的等级称号，用户完成频道内特定的行为，例如频道发言、评论帖子、点赞等即可获得经验，用户经验累积至一定等级之后获得等级称号。运营公会制定第一版用户成长体系，规定用户到达一定等级之后可由初级用户升级至中级、高级，升级到对应的用户等级之后会被赋予相应的“身份组”标签，用户升级至“高级用户”之后，解锁了新的任务***，完成特定任务或参与社区项目，即可获得积分奖励，赢得各类数字勋章，管理员会为积分和勋章匹配用户标签，从而形成每个人都不相同的个性化标签体系。关于激励层，DAO内的激励以积分和数字勋章等虚拟数字资产为主，由各个公会自行制定具体的积分发放规则和流程。治理委员会需要在早期对积分的实际价值进行确定，以便于公会评估成员劳动力价值，制定具体的标准和规则。积分的消耗可以实物兑换的形式直接进行，或者将积分转为链上，通过链上积分通兑，引入外部价值。激励主要分为三个部分。勋章代表用户在社区的各种有意义的行为的记录，积分代表用户参与社区具体活动的奖励，实物是社区价值兑现之后返回给用户的，积分和勋章奖励一般以公会或项目小组为单位进行统计和结算。
具体地，基于公有区块链，引入DID（去中心化数字身份）基础设施建设，为今后与其他平台的对接打好基础，未来可满足在各个平台中的一号通行，实现身份价值在不同平台的继承与延续。以NFT（数字藏品）形式颁发数字荣誉徽章，搭建用户荣誉体系，配套平台激励机制，激发用户成就感与认同感，提高用户活跃度与忠诚度，同时，增设一定活动门槛与特权，引起用户挑战欲与征服欲，提升行动力。利用代币，构建代币经济模型，引入“风投”概念，引导用户主动参与创新孵化流程，增强用户粘性，促进创新氛围提升。引入社交DAO（去中心化自治组织）运营模式，用户可与志趣相投的伙伴一同建立自治社团组织，自由招募成员并自主运行管理，由成员之间达成共识、形成分工、实现目标，加快培育塑造创新型人才队伍。通过以上功能的实现，持续完善全行创新机制，激发创新氛围，推进创新工作有序发展。
此外，本领域技术人员可以理解，本申请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工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)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“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (6)

1.一种基于区块链技术的DAO运营管理方法，其特征在于，包括：
从区块链网络提取用户行为数据时序序列；
对所述用户行为数据时序序列中的各个用户行为数据进行语义编码以得到用户行为语义编码特征向量的序列；
对所述用户行为语义编码特征向量的序列进行注意力空间映射以得到映射后用户行为语义编码特征向量的序列；
计算所述映射后用户行为语义编码特征向量的序列中各个映射后用户行为语义编码特征向量相对于所述映射后用户行为语义编码特征向量的序列的特征分布整体的语义注意力权重以得到语义注意力权重的序列；
以所述语义注意力权重的序列作为权重，计算所述用户行为语义编码特征向量的序列的加权和以得到用户行为全局语义理解特征向量作为用户行为全局语义理解特征；以及
基于所述用户行为全局语义理解特征，确定推荐的数字荣誉徽章的类型标签；
所述方法还包括训练步骤：用于对用户行为语义编码器、基于全连接层的注意力空间映射器和分类器进行训练；
所述训练步骤，包括：
获取训练数据，所述训练数据包括从区块链网络提取的训练用户行为数据时序序列，及，推荐的数字荣誉徽章的类型标签的真实值；
通过所述用户行为语义编码器对所述训练用户行为数据时序序列中的各个训练用户行为数据进行语义编码以得到训练用户行为语义编码特征向量的序列；
通过所述基于全连接层的注意力空间映射器将所述训练用户行为语义编码特征向量的序列映射到同一注意力空间以得到训练映射后用户行为语义编码特征向量的序列；
计算所述训练映射后用户行为语义编码特征向量的序列中各个训练映射后用户行为语义编码特征向量相对于所述训练映射后用户行为语义编码特征向量的序列的特征分布整体的语义注意力权重以得到训练语义注意力权重的序列；
以所述训练语义注意力权重的序列作为权重，计算所述训练用户行为语义编码特征向量的序列的加权和以得到训练用户行为全局语义理解特征向量；
将所述训练用户行为全局语义理解特征向量通过所述分类器以得到分类损失函数值；以及
以所述分类损失函数值来对所述用户行为语义编码器、所述基于全连接层的注意力空间映射器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述训练用户行为全局语义理解特征向量进行优化；
在所述训练的每一轮迭代中，对所述训练用户行为全局语义理解特征向量进行优化，包括：在所述训练的每一轮迭代中，以如下优化公式对所述训练用户行为全局语义理解特征向量进行优化以得到优化后训练用户行为全局语义理解特征向量；其中，所述优化公式为：
其中，V是所述训练用户行为全局语义理解特征向量，vi是所述训练用户行为全局语义理解特征向量V的第i个特征值，||V||1和||V||2是所述训练用户行为全局语义理解特征向量V的1范数和2范数，L是所述训练用户行为全局语义理解特征向量V的向量长度，且α是与vi相关的权重超参数，exp(·)表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，v'i是所述优化后训练用户行为全局语义理解特征向量的第i个特征值。
2.根据权利要求1所述的基于区块链技术的DAO运营管理方法，其特征在于，对所述用户行为数据时序序列中的各个用户行为数据进行语义编码以得到用户行为语义编码特征向量的序列，包括：
通过用户行为语义编码器对所述用户行为数据时序序列中的各个用户行为数据进行语义编码以得到所述用户行为语义编码特征向量的序列。
3.根据权利要求2所述的基于区块链技术的DAO运营管理方法，其特征在于，对所述用户行为语义编码特征向量的序列进行注意力空间映射以得到映射后用户行为语义编码特征向量的序列，包括：
将所述用户行为语义编码特征向量的序列通过基于全连接层的注意力空间映射器以通过所述基于全连接层的注意力空间映射器将所述用户行为语义编码特征向量的序列映射到同一注意力空间以得到所述映射后用户行为语义编码特征向量的序列。
4.根据权利要求3所述的基于区块链技术的DAO运营管理方法，其特征在于，计算所述映射后用户行为语义编码特征向量的序列中各个映射后用户行为语义编码特征向量相对于所述映射后用户行为语义编码特征向量的序列的特征分布整体的语义注意力权重以得到语义注意力权重的序列，包括：
以如下权重计算公式计算所述映射后用户行为语义编码特征向量的序列中各个映射后用户行为语义编码特征向量相对于所述映射后用户行为语义编码特征向量的序列的特征分布整体的语义注意力权重以得到所述语义注意力权重的序列；其中，所述权重计算公式为：
其中，hi表示所述映射后用户行为语义编码特征向量的序列中第i个映射后用户行为语义编码特征向量，A和B是1×Nh的矩阵，A和B是1×Nh的矩阵，Nh是所述映射后用户行为语义编码特征向量的序列中各个映射后用户行为语义编码特征向量的维度，N是所述映射后用户行为语义编码特征向量的序列中映射后用户行为语义编码特征向量的数量，σ(·)是Sigmoid函数，si是所述语义注意力权重的序列中的第i个语义注意力权重。
5.根据权利要求4所述的基于区块链技术的DAO运营管理方法，其特征在于，基于所述用户行为全局语义理解特征，确定推荐的数字荣誉徽章的类型标签，包括：
将所述用户行为全局语义理解特征向量通过分类器以得到推荐的数字荣誉徽章的类型标签。
6.根据权利要求5所述的基于区块链技术的DAO运营管理方法，其特征在于，将所述训练用户行为全局语义理解特征向量通过所述分类器以得到分类损失函数值，包括：
通过所述分类器以如下分类训练公式对所述训练用户行为全局语义理解特征向量进行处理以得到训练分类结果，所述分类训练公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述训练用户行为全局语义理解特征向量；以及
计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
CN202410030530.4A 2024-01-09 2024-01-09 一种基于区块链技术的dao运营管理方法 Active CN117540935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410030530.4A CN117540935B (zh) 2024-01-09 2024-01-09 一种基于区块链技术的dao运营管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410030530.4A CN117540935B (zh) 2024-01-09 2024-01-09 一种基于区块链技术的dao运营管理方法

Publications (2)

Publication Number Publication Date
CN117540935A CN117540935A (zh) 2024-02-09
CN117540935B true CN117540935B (zh) 2024-04-05

Family

ID=89790393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410030530.4A Active CN117540935B (zh) 2024-01-09 2024-01-09 一种基于区块链技术的dao运营管理方法

Country Status (1)

Country Link
CN (1) CN117540935B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118069331B (zh) * 2024-04-24 2024-07-09 湖北华中电力科技开发有限责任公司 一种基于数字孪生的智能采集任务调度方法及装置
CN118134529A (zh) * 2024-05-06 2024-06-04 南昌理工学院 基于大数据的计算机数据处理方法及***

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3166020A1 (en) * 2015-11-06 2017-05-10 Thomson Licensing Method and apparatus for image classification based on dictionary learning
CN112732936A (zh) * 2021-01-11 2021-04-30 电子科技大学 一种基于知识图谱和用户微观行为的广电节目推荐方法
WO2021159751A1 (zh) * 2020-09-22 2021-08-19 平安科技（深圳）有限公司 基于语义和图像识别的心电信息提取方法、装置、计算机设备及存储介质
CN116168352A (zh) * 2023-04-26 2023-05-26 成都睿瞳科技有限责任公司 基于图像处理的电网障碍物识别处理方法及***
CN116245513A (zh) * 2023-05-11 2023-06-09 深圳市联合信息技术有限公司 基于规则库的自动化运维***及其方法
CN116943229A (zh) * 2023-01-03 2023-10-27 深圳市腾讯计算机***有限公司 一种数据处理方法、装置、设备以及存储介质
CN116992007A (zh) * 2023-09-28 2023-11-03 北京致远互联软件股份有限公司 基于问题意图理解的限定问答***
CN117197722A (zh) * 2023-10-16 2023-12-08 北京中科网芯科技有限公司 基于移动互联网视频的用户感知与分析***

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11625615B2 (en) * 2019-07-03 2023-04-11 Kpn Innovations, Llc. Artificial intelligence advisory systems and methods for behavioral pattern matching and language generation
US20220367061A1 (en) * 2021-05-13 2022-11-17 Retain Health, Inc System and method for text-based conversation with a user, using machine learning

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3166020A1 (en) * 2015-11-06 2017-05-10 Thomson Licensing Method and apparatus for image classification based on dictionary learning
WO2021159751A1 (zh) * 2020-09-22 2021-08-19 平安科技（深圳）有限公司 基于语义和图像识别的心电信息提取方法、装置、计算机设备及存储介质
CN112732936A (zh) * 2021-01-11 2021-04-30 电子科技大学 一种基于知识图谱和用户微观行为的广电节目推荐方法
CN116943229A (zh) * 2023-01-03 2023-10-27 深圳市腾讯计算机***有限公司 一种数据处理方法、装置、设备以及存储介质
CN116168352A (zh) * 2023-04-26 2023-05-26 成都睿瞳科技有限责任公司 基于图像处理的电网障碍物识别处理方法及***
CN116245513A (zh) * 2023-05-11 2023-06-09 深圳市联合信息技术有限公司 基于规则库的自动化运维***及其方法
CN116992007A (zh) * 2023-09-28 2023-11-03 北京致远互联软件股份有限公司 基于问题意图理解的限定问答***
CN117197722A (zh) * 2023-10-16 2023-12-08 北京中科网芯科技有限公司 基于移动互联网视频的用户感知与分析***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于场景识别的快速语义标注方法;胡涛;吴涛;李焱;;华中科技大学学报(自然科学版);20140110(S1);全文 *

Also Published As

Publication number Publication date
CN117540935A (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
Pratapa et al. Benchmarking algorithms for gene regulatory network inference from single-cell transcriptomic data
CN117540935B (zh) 一种基于区块链技术的dao运营管理方法
Hafezi et al. A time-use activity-pattern recognition model for activity-based travel demand modeling
Heppenstall et al. Future developments in geographical agent‐based models: Challenges and opportunities
Wang et al. Predicting construction cost and schedule success using artificial neural networks ensemble and support vector machines classification models
Laatabi et al. ODD+ 2D: An ODD based protocol for mapping data to empirical ABMs
Azadeh et al. An adaptive network based fuzzy inference system–genetic algorithm clustering ensemble algorithm for performance assessment and improvement of conventional power plants
CN111950622B (zh) 基于人工智能的行为预测方法、装置、终端及存储介质
CN109767312A (zh) 一种信用评估模型训练、评估方法与装置
CN112328646B (zh) 多任务课程推荐方法、装置、计算机设备及存储介质
Azadeh et al. An integrated artificial neural network fuzzy C-means-normalization algorithm for performance assessment of decision-making units: The cases of auto industry and power plant
Hu et al. Software project risk management modeling with neural network and support vector machine approaches
Li et al. Explain graph neural networks to understand weighted graph features in node classification
CN115099450A (zh) 基于融合模型的家庭碳排放监测核算平台
Liu et al. Enhancing input parameter estimation by machine learning for the simulation of large-scale logistics networks
Tiruneh et al. Hybrid GA-MANFIS model for organizational competencies and performance in construction
CN110335160A (zh) 一种基于分组和注意力改进Bi-GRU的就医迁移行为预测方法及***
CN110310012A (zh) 数据分析方法、装置、设备及计算机可读存储介质
CN112396092B (zh) 一种众包开发者推荐方法和装置
CN117333146A (zh) 基于人工智能的人力资源管理***及方法
Baggio Agent-based modeling and simulations
Hollenstein et al. Unsupervised learning and simulation for complexity management in business operations
Prathan et al. Determining the best‐fit programmers using Bayes’ theorem and artificial neural network
Gafarov et al. Analysis of students’ academic performance by using machine learning tools
CN114266394A (zh) 面向科技服务平台的企业画像与科技服务个性化需求预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant