基于区块链的销售行为评价方法及装置、介质和电子设备与流程

本公开涉及区块链技术领域，具体而言，涉及一种基于区块链的销售行为评价方法、基于区块链的销售行为评价装置、存储介质和电子设备。

背景技术：

销售行为是一种古来有之的人类社会行为，在当代多元化的社会中，销售行为越来越深刻地影响着人们的生活和工作。在具体的销售过程中，为了获得高业绩，销售人员可能存在销售诚信缺失的行为，例如，向客户展示有悖于实际的宣传内容、仅提及权利而不提及义务、混淆产品信息，等等。

目前，针对判断销售人员是否存在诚信问题，通常需要客服人员致电客户，以确定销售人员的销售行为是否诚信。一方面，这种方式会浪费客户时间，并需要配备人力联系客户；另一方面，客户的反馈不及时，还可能存在无法联系客户的情况。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现要素：

本公开的目的在于提供一种基于区块链的销售行为评价方法、基于区块链的销售行为评价装置、存储介质和电子设备，进而至少在一定程度上克服人工对销售人员诚信进行确认而导致消耗人力资源且及时性差的问题。

根据本公开的一个方面，提供一种基于区块链的销售行为评价方法，包括：通过区块链网络存储多个销售行为信息；确定与各所述销售行为信息对应的销售行为评价结果，并基于所述多个销售行为信息确定销售误导信息；利用所述销售误导信息以及与各所述销售行为信息对应的销售行为评价结果对一机器学习模型进行训练；如果检测到所述区块链网络中录入新的销售行为信息，则将所述新的销售行为信息输入训练后的机器学习模型，以确定与所述新的销售行为信息对应的销售行为评价结果。

在本公开的一种示例性实施例中，利用所述销售误导信息以及与各所述销售行为信息对应的销售行为评价结果对一机器学习模型进行训练包括：确定各所述销售行为信息对应的销售误导信息；将各所述销售行为信息对应的销售误导信息作为机器学习模型的输入，并将与所述销售误导信息对应的销售行为评价结果作为输出，对所述机器学习模型进行训练。

在本公开的一种示例性实施例中，所述机器学习模型被配置为高斯混合模型。

在本公开的一种示例性实施例中，所述销售行为评价方法还包括：获取新的销售语音数据；对所述新的销售语音数据进行语音识别，以确定出所述新的销售行为信息。

在本公开的一种示例性实施例中，所述销售行为信息包含客户反馈信息；其中，确定与各所述销售行为信息对应的销售行为评价结果包括：基于各所述销售行为信息对应的客户反馈信息确定与各所述销售行为信息对应的销售行为评价结果。

在本公开的一种示例性实施例中，所述销售行为评价结果为销售误导的风险值；其中，在确定与所述新的销售行为信息对应的销售行为评价结果后，所述销售行为评价方法还包括：判断所述新的销售行为信息对应的销售误导的风险值是否大于一预设阈值；如果所述新的销售行为信息对应的销售误导的风险值大于所述预设阈值，则向所述新的销售行为信息对应的销售人员发出告警信息。

在本公开的一种示例性实施例中，所述销售行为评价方法还包括：确定目标销售人员在一预设时间段内的销售行为评价结果；根据所述预设时间段内的销售行为评价结果对所述目标销售人员的业绩进行考核。

根据本公开的一个方面，提供一种基于区块链的销售行为评价装置，包括信息存储模块、样本确定模块、模型训练模块和销售行为评价模块。

具体的，信息存储模块用于通过区块链网络存储多个销售行为信息；样本确定模块可以用于确定与各所述销售行为信息对应的销售行为评价结果，并基于所述多个销售行为信息确定销售误导信息；模型训练模块可以用于利用所述销售误导信息以及与各所述销售行为信息对应的销售行为评价结果对一机器学习模型进行训练；销售行为评价模块可以用于如果检测到所述区块链网络中录入新的销售行为信息，则将所述新的销售行为信息输入训练后的机器学习模型，以确定与所述新的销售行为信息对应的销售行为评价结果。

在本公开的一种示例性实施例中，模型训练模块被配置为：确定各所述销售行为信息对应的销售误导信息；将各所述销售行为信息对应的销售误导信息作为机器学习模型的输入，并将与所述销售误导信息对应的销售行为评价结果作为输出，对所述机器学习模型进行训练。

在本公开的一种示例性实施例中，所述机器学习模型被配置为高斯混合模型。

在本公开的一种示例性实施例中，基于区块链的销售行为评价装置还包括语音数据获取模块和语音识别模块。

具体的，语音数据获取模块用于获取新的销售语音数据；语音识别模块用于对所述新的销售语音数据进行语音识别，以确定出所述新的销售行为信息。

在本公开的一种示例性实施例中，所述销售行为信息包含客户反馈信息；其中，样本确定模块包括评价结果确定单元。

具体的，评价结果确定单元用于基于各所述销售行为信息对应的客户反馈信息确定与各所述销售行为信息对应的销售行为评价结果。

在本公开的一种示例性实施例中，所述销售行为评价结果为销售误导的风险值；其中，基于区块链的销售行为评价装置还包括风险值判断模块和告警发送模块。

具体的，风险值判断模块用于判断所述新的销售行为信息对应的销售误导的风险值是否大于一预设阈值；告警发送模块用于如果所述新的销售行为信息对应的销售误导的风险值大于所述预设阈值，则向所述新的销售行为信息对应的销售人员发出告警信息。

在本公开的一种示例性实施例中，基于区块链的销售行为评价装置还包括业绩考核模块。

具体的，业绩考核模块用于确定目标销售人员在一预设时间段内的销售行为评价结果，并根据所述预设时间段内的销售行为评价结果对所述目标销售人员的业绩进行考核。

根据本公开的一个方面，提供一种存储介质，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上述任意一项所述的基于区块链的销售行为评价方法。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的基于区块链的销售行为评价方法。

在本公开的一些实施例所提供的技术方案中，通过区块链网络存储多个销售行为信息，确定与各销售行为信息对应的销售行为评价结果并确定销售误导信息，利用销售误导信息和销售行为评价结果对一机器学习模块进行训练，在检测到新的销售行为信息时，将新的销售行为信息输入训练后的机器学习模型，以确定新的销售行为信息对应的销售行为评价结果。一方面，基于本公开的方案，结合机器学习的相关技术，可以有效地对销售人员的销售行为进行评价，避免了人工对销售人员诚信进行确认而导致消耗人力资源且及时性差的问题；另一方面，本公开通过在区块链网络中存储销售行为信息，使得能够通过区块链网络来保证销售行为信息不可篡改，并且能够基于区块链网络的存储来实现销售行为信息的可追溯处理，进而能够有效确保销售行为信息的安全共享；再一方面，本公开可以基于区块链网络中存储的销售行为信息来确定销售人员的销售行为是否诚信，有助于促进区块链技术应用在销售诚信跟踪管理方面的有效推广。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。在附图中：

图1示意性示出了根据本公开的示例性实施方式的基于区块链的销售行为评价方法的流程图；

图2示意性示出了根据本公开的示例性实施方式的基于区块链的销售行为评价系统的方框图；

图3示意性示出了根据本公开的示例性实施方式的基于区块链的销售行为评价装置的方框图；

图4示意性示出了根据本公开的另一示例性实施方式的基于区块链的销售行为评价装置的方框图；

图5示意性示出了根据本公开的示例性实施方式的样本确定模块的方框图；

图6示意性示出了根据本公开的又一示例性实施方式的基于区块链的销售行为评价装置的方框图；

图7示意性示出了根据本公开的再一示例性实施方式的基于区块链的销售行为评价装置的方框图；

图8示出了根据本公开的示例性实施方式的存储介质的示意图；以及

图9示意性示出了根据本公开的示例性实施方式的电子设备的方框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

下面描述的基于区块链的销售行为评价方法可以基于服务器来实现，在这种情况下，本公开的销售行为评价装置可以配置在该服务器内。然而，本公开的销售行为评价方法还可以由终端设备实现，本示例性实施方式中对此不做特殊限定。

图1示意性示出了本公开的示例性实施方式的基于区块链的销售行为评价方法的流程图。参考图1，所述基于区块链的销售行为评价方法可以包括以下步骤：

s12.通过区块链网络存储多个销售行为信息。

在本公开的示例性实施方式中，销售行为信息可以是销售人员针对客户进行销售活动而产生的信息。具体的，销售行为信息可以包括销售人员对客户进行产品宣导的音频、视频以及客户的反馈信息等。例如，在销售人员当面对客户进行产品销售的情况下，可以通过手机、录音笔等录音设备对销售人员和客户的对话进行记录，其中，可以从销售人员与客户的对话中确定出客户的反馈信息，如，对产品感兴趣的程度、对产品或销售的意见等。另外，在销售人员与客户进行电话销售的情况下，可以直接基于通话内容，生成音频文件。

服务器在获取到音频文件或视频文件后，可以将音频文件或视频文件以区块的形式发送至区块链网络的各个节点。

另外，服务器在获取到音频文件或视频文件后，可以通过该音频文件或视频文件进行语音识别和语义分析，以将分析后的数据作为本公开所述的销售行为信息。例如，可以采用训练后的卷积神经网络对音频进行识别，以确定出音频对应的文本信息，并将识别出的文本信息作为本公开的销售行为信息。容易理解的是，还可以采用其他语音识别的技术来确定销售时音频所对应的文本信息，这些技术可以包括隐马尔可夫方法、矢量量化方法等，本示例性实施方式中对此不做特殊限定。

在通过语音识别技术对音频文件或视频文件进行识别后，服务器可以将识别后的文本信息发送至区块链的各个节点。

应当理解的是，销售行为信息还可以包括销售人员对客户进行产品宣导后生成的纸质报告或电子报告。针对纸质报告的情况，可以对经客户确认后的纸质报告进行电子扫描，并通过例如ocr(opticalcharacterrecognition，光学字符识别)技术对内容进行识别，将识别后的结果作为销售行为信息；针对电子报告的情况，可以直接将由例如平板生成的电子报告作为销售行为信息。

此外，本公开还可以将有助于对销售行为进行评价的相关图片或视频上传至区块链网络。

本公开通过在区块链网络中存储销售行为信息，使得能够通过区块链网络来保证销售行为信息不可篡改，并且能够基于区块链网络的存储来实现销售行为信息的可追溯处理，进而能够有效确保销售行为信息的安全共享。

s14.确定与各所述销售行为信息对应的销售行为评价结果，并基于所述多个销售行为信息确定销售误导信息。

在本公开的示例性实施方式中，可以区块链网络存储的各销售行为信息进行评价，以确定出针对这些销售行为信息的销售行为评价结果。具体的，可以人为对这些销售行为信息进行评价，在评价的过程中，可以基于销售行为信息中包含的实际宣导的信息以及客户反馈信息进行评价。例如，可以为实际宣导的信息和客户反馈信息配置相应的权重，基于权重并结合人为分析确定出各销售行为信息对应的销售行为评价结果。

另外，可以基于销售行为信息确定销售误导信息，其中，可以将销售误导信息理解为对销售行为进行评价产生影响的信息。例如，针对保险销售的场景，通过人为进行分析，可以确定出销售误导信息的类型包括虚假宣传、片面介绍、夸大功能、混淆产品和篡改客户信息等。然而，销售误导信息的类型基于销售场景的不同可能还包括其他分类，本示例性实施方式中对此不做特殊限定。

应当理解的是，针对区块链网络存储的一个销售行为信息，其可能不具有销售误导信息，在这种情况下，可以认为对应的销售人员的宣导销售行为是完全诚实的。另外，针对另一销售行为信息，可能包含多种销售误导信息的类型，在这种情况下，可以认为对应的销售人员在此次宣导销售过程中存在欺诈行为。

s16.利用所述销售误导信息以及与各所述销售行为信息对应的销售行为评价结果对一机器学习模型进行训练。

在本公开的示例性实施方式中，首先，可以确定区块链网络存储的各销售行为信息对应的销售误导信息。其中，如果一销售行为信息没有销售误导信息，则将该销售行为信息对应的销售误导信息记为空。

接下来，可以将各销售行为信息对应的销售误导信息作为机器学习模型的输入，并将确定出的与销售误导信息对应的销售行为评价结果作为机器学习模型的输出，以对机器学习模型进行训练。应当理解的是，对机器学习模型进行训练的过程即是确定机器学习模型中参数的过程。

根据本公开的一些实施例，本公开所述的机器学习模型可以被配置为高斯混合模型。在销售误导信息的类型包括虚假宣传、片面介绍、夸大功能、混淆产品和篡改客户信息等五种类型的情况下，可以采用下述公式1描述高斯混合模型：

risk(x)＝p(x|θ)＝sum(p(x|θj)*wj)，j＝1,2,3,4,5(公式1)

其中，risk表示销售行为存在销售误导的风险，x表征区块链网络存储的一销售行为信息，θj表示第j种销售误导信息，wj为第j种销售误导信息类型的权重。

基于上述确定出的销售误导信息以及与各销售行为信息对应的销售行为评价结果作为训练样本，对由公式1描述的高斯混合模型进行训练，以确定出训练后的高斯混合模型。

此外，本公开还可以采用其他机器学习模型来代替上述高斯混合模型，例如，可以采用多层神经网络作为本公开的机器学习模型。本示例性实施方式中对此不做特殊限定。

s18.如果检测到所述区块链网络中录入新的销售行为信息，则将所述新的销售行为信息输入训练后的机器学习模型，以确定与所述新的销售行为信息对应的销售行为评价结果。

在销售人员就产品对客户宣导完成后，所生成的新的销售行为信息可以被录入区块链网络中。具体的，新的销售行为信息可以经由上述服务器而录入区块链网络。然而，还可以通过其他终端设备将新的销售行为信息录入区块链网络，该终端设备可以是配置在销售网点的计算机、销售人员的手机等。

类似地，销售人员宣导后生成的可能是音频文件，在这种情况下，服务器可以对该音频文件进行语音识别，以确定出新的销售行为信息。

接下来，可以将新的销售行为信息输入训练后的机器学习模型，以确定与新的销售行为信息对应的销售行为评价结果，也就是说，可以确定出销售人员存在销售误导的风险。

仍以高斯混合模型作为机器学习模型为例，如果将新的销售行为信息记为y，则对应的销售人员存在销售误导的风险值risk(y)可以表示成下述公式2：

risk(y)＝p(y|θ)＝sum(p(y|θj)*wj)，j＝1,2,3,4,5(公式2)

然而，还可以采用其他机器学习模型来确定销售人员存在销售误导的风险值，本示例性实施方式中对此不做特殊限定。

根据本公开的一些实施例，在确定出与新的销售行为对应的销售行为评价结果后，服务器还可以判断新的销售行为信息对应的风险值是否大于一预设阈值。其中，该预设阈值可以由业务管理人员基于实际销售情况自行设定。如果判断出新的销售行为信息对应的风险值大于该预设阈值，则说明销售人员存在诚信缺失的问题较严重，在这种情况下，服务器可以向该销售人员发出告警信息，进而约束该销售人员的销售行为。

根据本公开的另一些实施例，还可以基于本公开的销售行为评价手段来考核销售人员的业绩。具体的，可以确定目标销售人员在一预设时间段(例如，一个月)内的销售行为评价结果，并根据预设时间段内的销售行为评价结果对目标销售人员的业绩进行考核。

例如，张三在一个月内存在8次销售行为，而其中6次存在销售误导的行为。在这种情况下，张三的业绩考核结果较差。另外，还可以根据考核结果确定张三的薪资。

应当注意，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

下面将参考图2对本公开的示例性实施方式的基于区块链的销售行为评价系统进行说明。

参考图2，本公开的示例性实施方式的基于区块链的销售行为评价系统可以包括区块链网络构建子系统210、数据格式定义子系统220、销售行为信息存储子系统230、销售行为评价子系统240和系统性能评估子系统250。

具体的，区块链网络构建子系统210用于区块链节点的构建、更新和维护机制以及区块链网络的构建、更新和维护。比如可以以保险公司基层营业机构为最小节点，并基于一个或多个保险集团/公司的参与来构建区块链网络。

数据格式定义子系统220可以根据预先定义的数据结构来存储本公开所涉及的信息，以保证信息存储和信息处理的高效率。其中，输入可以是销售行为信息，例如，销售人员对客户进行产品宣导的音频、视频以及客户的后续反馈等信息。此外，输入的信息还可以包括有助于进一步确认相关销售诚信跟踪管理活动的相关图片或视频等信息、相关人员的公开密钥和签字。输出可以是销售误导跟踪管理信息的相关凭证材料的存放链接、系统自动识别可能存在的销售误导的风险并向相关部门发出提醒、相关信息访问者的公开密钥(账户地址)等。

具体的，预先定义的数据结构可以如表1所示：

表1

在表1所示的数据结构中，由于销售行为信息材料和其他材料通常会包含一些图像、文档等数据量比较大的信息，因此为了提高存储效率和解决区块信息过大的问题，在本发明的实施例中，可以将图像等比较大的材料以链接的形式存放在区块中，这个链接的值就是通过哈希函数对材料进行加密得到的哈希值，比如sha1等，这种通过哈希函数得到指针链接的方式能够保证内容不可篡改。而实际的材料既可以存放在区块链节点的局部存储设备中，又可以以云存储的方式存放。同时，为了保证材料存储的高可靠性，可以采用冗余编码的方式对材料进行存储，譬如采用rs编码(即reed-solomoncodes，是一种前向纠错的信道编码，对由校正过采样数据所产生的多项式有效)或ldpc(lowdensityparitycheckcode，低密度奇偶校验码)编码的方式等对材料进行冗余编码处理。

销售行为信息存储子系统230用于存储销售行为信息。具体的，每个销售行为信息可以通过上述表1的格式上传至区块链网络中，以便销售行为信息存储子系统230进行存储。

销售行为评价子系统240可以利用上述销售行为评价方法对销售行为进行评价，在此不再赘述。

系统性能评估子系统250可以用于评估上述销售行为评价方法，进而评估销售诚信跟踪管理的及时性、有效性和准确性，以期通过在区块链网络中有效实现销售诚信跟踪管理，从而有力促进区块链技术应用在销售诚信跟踪管理方面的有效推广。

进一步的，本示例实施方式中还提供了一种基于区块链的销售行为评价装置。

图3示意性示出了本公开的示例性实施方式的基于区块链的销售行为评价装置的方框图。参考图3，根据本公开的示例性实施方式的基于区块链的销售行为评价装置3可以包括信息存储模块31、样本确定模块33、模型训练模块35和销售行为评价模块37。

具体的，信息存储模块31可以用于通过区块链网络存储多个销售行为信息；样本确定模块33可以用于确定与各所述销售行为信息对应的销售行为评价结果，并基于所述多个销售行为信息确定销售误导信息；模型训练模块35可以用于利用所述销售误导信息以及与各所述销售行为信息对应的销售行为评价结果对一机器学习模型进行训练；销售行为评价模块37可以用于如果检测到所述区块链网络中录入新的销售行为信息，则将所述新的销售行为信息输入训练后的机器学习模型，以确定与所述新的销售行为信息对应的销售行为评价结果。

根据本公开的示例性实施方式的基于区块链的销售行为评价装置，一方面，基于本公开的方案，结合机器学习的相关技术，可以有效地对销售人员的销售行为进行评价，避免了人工对销售人员诚信进行确认而导致消耗人力资源且及时性差的问题；另一方面，本公开通过在区块链网络中存储销售行为信息，使得能够通过区块链网络来保证销售行为信息不可篡改，并且能够基于区块链网络的存储来实现销售行为信息的可追溯处理，进而能够有效确保销售行为信息的安全共享；再一方面，本公开可以基于区块链网络中存储的销售行为信息来确定销售人员的销售行为是否诚信，有助于促进区块链技术应用在销售诚信跟踪管理方面的有效推广。

根据本公开的示例性实施例，模型训练模块被配置为：确定各所述销售行为信息对应的销售误导信息；将各所述销售行为信息对应的销售误导信息作为机器学习模型的输入，并将与所述销售误导信息对应的销售行为评价结果作为输出，对所述机器学习模型进行训练。

根据本公开的示例性实施例，所述机器学习模型被配置为高斯混合模型。

根据本公开的示例性实施例，参考图4，基于区块链的销售行为评价装置4相比于基于区块链的销售行为评价装置3，还可以包括语音数据获取模块41和语音识别模块43。

具体的，语音数据获取模块41可以用于获取新的销售语音数据；语音识别模块43可以用于对所述新的销售语音数据进行语音识别，以确定出所述新的销售行为信息。

根据本公开的示例性实施例，所述销售行为信息包含客户反馈信息；其中，参考图5，样本确定模块35包括评价结果确定单元501。

具体的，评价结果确定单元501可以用于基于各所述销售行为信息对应的客户反馈信息确定与各所述销售行为信息对应的销售行为评价结果。

根据本公开的示例性实施例，所述销售行为评价结果为销售误导的风险值；其中，参考图6，基于区块链的销售行为评价装置6相比于基于区块链的销售行为评价装置3，还可以包括风险值判断模块61和告警发送模块63。

具体的，风险值判断模块61可以用于判断所述新的销售行为信息对应的销售误导的风险值是否大于一预设阈值；告警发送模块63可以用于如果所述新的销售行为信息对应的销售误导的风险值大于所述预设阈值，则向所述新的销售行为信息对应的销售人员发出告警信息。

根据本公开的示例性实施例，参考图7，基于区块链的销售行为评价装置7相比于基于区块链的销售行为评价装置3，还可以包括业绩考核模块71。

具体的，业绩考核模块71可以用于确定目标销售人员在一预设时间段内的销售行为评价结果，并根据所述预设时间段内的销售行为评价结果对所述目标销售人员的业绩进行考核。

另外，容易理解的是，业绩考核模块71还可以包含于基于区块链的销售行为评价装置6中。

由于本发明实施方式的程序运行性能分析装置的各个功能模块与上述方法发明实施方式中相同，因此在此不再赘述。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图8所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品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为但不限于电、磁、光、电磁、红外线、或半导体的系统、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。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

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发明操作的程序代码，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。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图9来描述根据本发明的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930、显示单元940。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元910执行，使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元910可以执行如图1中所示的步骤s12：通过区块链网络存储多个销售行为信息；步骤s14：确定与各所述销售行为信息对应的销售行为评价结果，并基于所述多个销售行为信息确定销售误导信息；步骤s16：利用所述销售误导信息以及与各所述销售行为信息对应的销售行为评价结果对一机器学习模型进行训练；步骤s18：如果检测到所述区块链网络中录入新的销售行为信息，则将所述新的销售行为信息输入训练后的机器学习模型，以确定与所述新的销售行为信息对应的销售行为评价结果。

存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)9201和/或高速缓存存储单元9202，还可以进一步包括只读存储单元(rom)9203。

存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204，这样的程序模块9205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备900也可以与一个或多个外部设备1000(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备900交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口950进行。并且，电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器960通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。