数字资产价值的评价方法、系统及电子设备与流程

本发明涉及资产评价技术领域，尤其是涉及一种数字资产价值的评价方法、系统及电子设备。

背景技术：

数据资产的本质是作为一种经济资源参与企业的经济活动，可以减少和消除企业经济活动中的风险，为企业的管理控制和科学决策提供合理依据，并预期给企业带来经济效益。只有经过资产化管理、具有“可信度”的数据才能形成数据资产，并通过数据使用、重新计算、分析模型等实现增值。由此可见，可信度是数据资产价值的重要依据之一，可信度的量化将直接影响到数据资产价值的量化。

目前，尚没有有效方法可以对各种数字资产的价值进行评估。

技术实现要素：

有鉴于此，本发明的目的在于提供一种数字资产价值的评价方法、系统及电子设备，可以量化评估数字资产的价值，获得对资产价值的更准确的判断。

第一方面，本发明实施例提供了一种数字资产价值的评价方法，该方法包括：获取待评价数字资产的资产特性数据和资产行为数据，以及对该待评价数字资产进行背书的用户的用户数据；根据该资产特性数据、该资产行为数据和该用户数据，计算该待评价数字资产的联合特征向量；将该联合特征向量输入预设的资产评价模型，得到该待评价数字资产的标签的得分；该资产评价模型以数字资产的特征向量为输入，以该数字资产的标签的得分为输出；根据该待评价数字资产的标签的得分，确定该待评价数字资产的价值。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，上述用户数据包括用户特性数据和用户行为数据；上述根据该资产特性数据、该资产行为数据和该用户数据，计算该待评价数字资产的联合特征向量的步骤，包括：根据该资产特性数据和该资产行为数据，计算该待评价数字资产的资产特征向量；根据该用户特性数据和该用户行为数据，计算该用户的用户特征向量；根据该资产特征向量和该用户特征向量，计算该待评价数字资产的联合特征向量。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，上述根据该资产特性数据和该资产行为数据，计算该待评价数字资产的资产特征向量的步骤，包括：以该资产特性数据为输入，以该资产行为数据为输出，训练预设的第一初始神经网络模型，得到训练好的第一神经网络模型，以及该第一神经网络模型的第一模型参数；将该第一模型参数确定为该待评价数字资产的资产特征向量。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，上述根据该用户特性数据和该用户行为数据，计算该用户的用户特征向量的步骤，包括：以该用户特性数据为输入，以该用户行为数据为输出，训练预设的第二初始神经网络模型，得到训练好的第二神经网络模型，以及该第二神经网络模型的第二模型参数；将该第二模型参数确定为该用户的用户特征向量。

结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，上述训练预设的第二初始神经网络模型，得到训练好的第二神经网络模型的步骤，包括：采用梯度下降法训练预设的第二初始神经网络模型，得到训练好的第二神经网络模型。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，该资产特征向量和该用户特征向量的维度相同，上述根据该资产特征向量和该用户特征向量，计算该待评价数字资产的联合特征向量的步骤，包括：将该资产特征向量和该用户特征向量，按预设拼接方式进行拼接，得到该待评价数字资产的联合特征向量。

结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，该待评价数字资产的标签有多个，上述根据该待评价数字资产的标签的得分，确定该待评价数字资产的价值的步骤，包括：对该待评价数字资产的标签的得分中最高的前三个得分进行求和；将求和得到的值确定为该待评价数字资产的价值。

结合第一方面的第一种可能的实施方式至第五种可能的实施方式之一，本发明实施例提供了第一方面的第七种可能的实施方式，其中，该资产特性数据包括：资产类型、上链日期、内容字数、图片数量和网络链接数；该资产行为数据包括：被浏览数、被背书数、被转载数、被搜索数和被取消背书数；该用户特性数据包括：性别、资产总数、活跃度、注册时间和个人标签数；该用户行为数据包括：浏览数、背书数、登记资产数、搜索次数和取消背书数。

第二方面，本发明实施例还提供了一种数字资产价值的评价系统，该系统包括：数据获取模块，用于获取待评价数字资产的资产特性数据和资产行为数据，以及对该待评价数字资产进行背书的用户的用户数据；联合特征向量计算模块，用于根据该资产特性数据、该资产行为数据和该用户数据，计算该待评价数字资产的联合特征向量；标签得分计算模块，用于将该联合特征向量输入预设的资产评价模型，得到该待评价数字资产的标签的得分；该资产评价模型以数字资产的特征向量为输入，以该数字资产的标签的得分为输出；资产价值评价模块，用于根据该待评价数字资产的标签的得分，确定该待评价数字资产的价值。

第三方面，本发明实施例还提供了一种电子设备，该电子设备包括处理器和存储器，该存储器存储有能够被该处理器执行的计算机可执行指令，该处理器执行该计算机可执行指令以实现上述数字资产价值的评价方法。

本发明实施例带来了以下有益效果：

本发明实施例提供的一种数字资产价值的评价方法、系统及电子设备，首先获取待评价数字资产的资产特性数据和资产行为数据，以及对该待评价数字资产进行背书的用户的用户数据；接着根据该资产特性数据、该资产行为数据和该用户数据，计算该待评价数字资产的联合特征向量；然后将该联合特征向量输入预设的资产评价模型，得到该待评价数字资产的标签的得分；该资产评价模型以数字资产的特征向量为输入，以该数字资产的标签的得分为输出；进而根据该待评价数字资产的标签的得分，确定该待评价数字资产的价值。该方式中，通过将数字资产的资产特性数据和资产行为数据，结合给资产背书的用户的用户数据，分析出资产的特征向量，可以更加真实的反应资产的综合特性；并结合神经网络的深度学习，建立资产特征向量与标签得分的关联，可以获得资产对应标签的量化分值，进而实现量化评估数字资产的价值，获得对资产价值的更准确的判断。

本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。

为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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。

图1为本发明实施例提供的一种数字资产价值的评价方法的流程示意图；

图2为本发明实施例提供的一种第一神经网络模型的学习训练示意图；

图3为本发明实施例提供的一种第二神经网络模型的学习训练示意图；

图4为本发明实施例提供的一种资产评价模型的学习训练示意图；

图5为本发明实施例提供的一种数字资产价值评价的应用场景示意图；

图6为本发明实施例提供的一种数字资产价值的评价系统的结构示意图；

图7为本发明实施例提供的一种电子设备的结构示意图。

图标：61-数据获取模块；62-联合特征向量计算模块；63-标签得分计算模块；64-资产价值评价模块；71-处理器；72-存储器；73-总线；74-通信接口。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

随着互联网浪潮的一波又一波的袭来，数字资产管理，也就是在网络上发表的文章的真实性和归属权的管理越来越重要。人们对于各种数字资产的真实性证明和所有权的管理，有着迫切的需求，通过近些年兴起的区块链技术，记录下来用户在数字资产上做的行为记录，可以很好保证这些数据的真实性，因为区块链本身的特点，也就决定了这些行为的真实性和不可更改性。

用户通常会有数字资产浏览、认可、评论、分享等行为的产生，通过对每种资产上用户的操作记录的热度分析，对用户来源的分析，以及从用户自身资产多少和各种操作活跃度的分析，可以准确的把握住数字资产的实用价值，方便作者本人对于发表行为的认知，也能为广大普通读者提供清晰和明确的认知，针对他们看见的各类数字资产提供参考。

通常，数字资产的分析依赖于三个方面：

一是发生于资产本身的浏览、认可、评论转发等行为；

二是用户本身特点的分析；

三是所有的行为记录在区块链上，任何行为都是可溯源的。

考虑到目前尚没有有效方法可以对各种数字资产的价值进行评估，本发明实施例提供了一种数字资产价值的评价方法、系统及电子设备，该技术可以应用于各种需要对数字资产的价值进行定性或定量评估的应用场景中。为便于对本实施例进行理解，首先对本发明实施例所公开的一种数字资产价值的评价方法进行详细介绍。

参见图1，所示为本发明实施例提供的一种数字资产价值的评价方法的流程示意图，由图1可见，该方法包括以下步骤：

步骤s102：获取待评价数字资产的资产特性数据和资产行为数据，以及对该待评价数字资产进行背书的用户的用户数据。

这里，数字资产可以是各种文章、图片、视频、语音等等，可以是发布在互联网上的上述资源，也可以是上传到区块链网络的上述资源。

为了更合理、准确地评价数字资产，需要准确地获取数字资产本身的实际数据。在本实施例中，综合考虑了数字资产的资产特性数据、资产行为数据，以及对该待评价数字资产进行了背书的用户的用户数据。

在其中一种可能的实施方式中，上述用户数据包括用户特性数据和用户行为数据。其中，该用户特性数据包括：性别、资产总数、活跃度、注册时间和个人标签数；该用户行为数据包括：浏览数、背书数、登记资产数、搜索次数和取消背书数。并且，该资产特性数据包括：资产类型、上链日期、内容字数、图片数量和网络链接数；该资产行为数据包括：被浏览数、被背书数、被转载数、被搜索数和被取消背书数。

在其他可能的实施方式中，上述用户特性数据、用户行为数据、资产特性数据和资产行为数据所对应的参数还可以进行增加，也可以进行删减，对与参数的选取，可以结合用户实际的需求灵活选择，在此不作限定。

步骤s104：根据该资产特性数据、该资产行为数据和该用户数据，计算该待评价数字资产的联合特征向量。

这里，联合特征向量是结合资产特性数据、资产行为数据和用户数据得到，可以反应出该待评价数字资产的真实特性，可以有效缓解仅仅依靠单一的参数评价资产的误差，例如，如果仅凭资产的用户背书量评价资产价值，则可能会收到虚假背书行为的较大影响，导致对资产的价值评价不真实。

在其中一种可能的实施方式中，可以通过下述步骤21-23计算该待评价数字资产的联合特征向量：

(21)根据该资产特性数据和该资产行为数据，计算该待评价数字资产的资产特征向量。

在至少一种可能的实施方式中，可以通过训练神经网络获得资产特性数据和该资产行为数据之间的关联特性。具体地，可以以该资产特性数据为输入，以该资产行为数据为输出，训练预设的第一初始神经网络模型，得到训练好的第一神经网络模型，以及该第一神经网络模型的第一模型参数；然后，将该第一模型参数确定为该待评价数字资产的资产特征向量。

参见图2，所示为本发明实施例提供的一种第一神经网络模型的学习训练示意图，在图2示出的实施方式中，该神经网络模型以资产类型、上链日期、内容字数、图片数量和网络链接数为输入数据；并且，以被浏览数、被背书数、被转载数、被搜索数和被取消背书数为输出数据，训练该第一神经网络模型。

当训练达到一定的循环次数，或训练时间时，终止训练，得到训练好的第一神经网络模型，以及该第一神经网络模型的第一模型参数。这里，将该第一模型参数确定为该待评价数字资产的资产特征向量，在本实施例中，该资产特征向量为5维向量。

(22)根据该用户特性数据和该用户行为数据，计算该用户的用户特征向量。

同理，也可以通过训练神经网络的方式，获得用户特性数据和该用户行为数据之间的关联特性。具体地，可以以该用户特性数据为输入，以该用户行为数据为输出，训练预设的第二初始神经网络模型，得到训练好的第二神经网络模型，以及该第二神经网络模型的第二模型参数；将该第二模型参数确定为该用户的用户特征向量。

参见图3，所示为本发明实施例提供的一种第二神经网络模型的学习训练示意图，在图3示出的实施方式中，该神经网络模型以性别、资产总数、活跃度、注册时间和个人标签数作为输入，以浏览数、背书数、登记资产数、搜索次数和取消背书数作为输出，训练该第二神经网络模型。

当训练达到一定的循环次数，或训练时间时，终止训练，得到训练好的第二神经网络模型，以及该第二神经网络模型的第二模型参数。这里，将该第二模型参数确定为该用户的用户特征向量，在本实施例中，该用户特征向量为5维向量。

其中，在对上述预设的第一初始神经网络模型和第二初始神经网络模型进行学习训练时，可以采用梯度下降法训练，这里，梯度下降法是一种寻找目标函数最小化的方法，是实现机器学习算法的学习过程的一种最常见的方式，尤其是在深度学习(神经网络)模型中，反向传播(backpropagation，bp)方法的核心就是对每层的权重参数不断使用梯度下降来进行优化。

这里，需要说明的是，上述“第一神经网络模型”、“第二神经网络模型”、“第一模型参数”和“第二模型参数”中的“第一”、“第二”，仅用于描述目的，而不能理解为指示或暗示相对重要性。

(23)根据该资产特征向量和该用户特征向量，计算该待评价数字资产的联合特征向量。

在其中一种可能的实施方式中，可以将该资产特征向量和该用户特征向量，按预设拼接方式进行拼接，得到该待评价数字资产的联合特征向量。

以上述图2、图3分别得到的资产特征向量和用户特征向量为例，该资产特征向量和该用户特征向量的维度相同，都是五维向量，则可以对资产特征向量和用户特征向量进行一前一后的自然拼接，这样得到的联合特征向量即是一个十维向量。

步骤s106：将该联合特征向量输入预设的资产评价模型，得到该待评价数字资产的标签的得分；该资产评价模型以数字资产的特征向量为输入，以该数字资产的标签的得分为输出。

在实际操作中，可以预先获取大量的历史数据，包括数字资产的资产特性数据和该资产行为数据，对该资产进行背书的用户的用户数据，以及该数字资产的标签。这里，数字资产的标签可以是其所属的类别，例如，以一篇文章为例，其标签以文章领域为例可以是：科技、历史、军事、体育、文学等等。在其他可能的场景下，还可以由用户自定义标签，在此不作限制。

如图4所示，为本发明实施例提供的一种资产评价模型的学习训练示意图，其中，通过上述神经网络学习的方式，得到对应的资产特征向量和用户特征向量，进而得到数字资产的联合特征向量。再通过训练神经网络的方式，以数字资产的特征向量为输入，以该数字资产的标签的得分为输出，训练得到训练好的资产评价模型。

其中，对于数字资产的标签，可以按照预设规则给予匹配对应的预设初始分值，例如，对一篇科技类文章，初次写入到区块链网络时，预设该标签“科技”的分值为“1”，当有用户搜索科技类文章，并点击该篇文章时，相应调整其分值，例如，可以将该标签“科技”的分值调整为“1.5”，同理，用户对该篇文章进行背书时，也会相应地调整其分值。这样，通过用户的设置，可以将资产的分值和其资产特性数据、资产行为数据和用户数据进行关联。

按上述方式，通过获取大量历史的数据，也即数字资产的资产特性数据、资产行为数据、用户数据和各标签的分值数据，并以资产评价模型以数字资产的特征向量为输入，以该数字资产的标签的得分为输出，训练得到资产评价模型后。当需要评价某个数字资产的价值时，可以获取其资产特性数据、资产行为数据、用户数据，通过上述第一神经网络模型、第二神经网络模型分别获得资产特征向量和用户特征向量，进而得到数字资产的联合特征向量，进而输入到资产评价模型得到各个标签的相应得分。

步骤s108：根据该待评价数字资产的标签的得分，确定该待评价数字资产的价值。

在其中一种可能的实施方式中，对该待评价数字资产的标签的得分中最高的前三个得分进行求和；然后，将求和得到的值确定为该待评价数字资产的价值。

例如，假设该待评价数字资产为一篇文章，资产评价模型输出得到其标签有5个，分别得分是a标签12分，b标签2分，c标签30分，d标签7分，e标签9分。这样，可以将其得分最高的前三个得分，也即c标签30分、a标签12分和e标签9分，相加得到51分，即为该待评价数字资产的价值。

这样，对于同一类型或不同类型的数字资产，都可以通过上述方式获得其价值的得分，从而可以量化评估各种数字资产的价值。

本发明实施例提供的一种数字资产价值的评价方法，首先获取待评价数字资产的资产特性数据和资产行为数据，以及对该待评价数字资产进行背书的用户的用户数据；接着根据该资产特性数据、该资产行为数据和该用户数据，计算该待评价数字资产的联合特征向量；然后将该联合特征向量输入预设的资产评价模型，得到该待评价数字资产的标签的得分；该资产评价模型以数字资产的特征向量为输入，以该数字资产的标签的得分为输出；进而根据该待评价数字资产的标签的得分，确定该待评价数字资产的价值。该方式中，通过将数字资产的资产特性数据和资产行为数据，结合给资产背书的用户的用户数据，分析出资产的特征向量，可以更加真实的反应资产的综合特性；并结合神经网络的深度学习，建立资产特征向量与标签得分的关联，可以获得资产对应标签的量化分值，进而实现量化评估数字资产的价值，获得对资产价值的更准确的判断。

为了更好理解上述数字资产价值的评价方法，本实施例通过一个实例场景进行说明。

参见图5，所示为一种数字资产价值评价的应用场景示意图，其中，用户a将网络上自己名下的各类数字资产登记在数字资产管理平台上，通过数字资产管理平台的自动上链功能，可以实时的将资产同步在各分布式节点上，这样用户的数字资产就能够安全的储存在任何人都不能更改的私有链上，为后续用户在后续使用和分享的版权声明需求建立了良好的依据和证明。

用户b和用户c看到用户a的资产后，对用户a的资产进行了浏览和背书的动作，这些行为给资产行为带来新的变化，后台重新统计数据，并重新分析资产的标签价值。

按照上述流程，后台重新分析得到用户a的资产的标签价值，并进行更新。标签价值的变化导致资产的价值随之变化，后台重新推算资产价值并记录在后台。

在本实施例中，通过使用区块链的分布式存储技术，可以保证价值分析的底层数据的真实性和价值性。并且，通过考虑资产特征和用户特征，得到的标签价值也更能真实反映资产价值的特征。随着用户行为和资产行为的变化，资产的标签价值也会随之变化，具有更好的实时性。

对应于上述数字资产价值的评价方法，本发明实施例还提供了一种数字资产价值的评价系统，参见图6，所示为该数字资产价值的评价系统的结构示意图，由图6可见，该系统包括依次连接的数据获取模块61、联合特征向量计算模块62、标签得分计算模块63和资产价值评价模块64，其中，各个模块的功能如下：

数据获取模块61，用于获取待评价数字资产的资产特性数据和资产行为数据，以及对该待评价数字资产进行背书的用户的用户数据；

联合特征向量计算模块62，用于根据该资产特性数据、该资产行为数据和该用户数据，计算该待评价数字资产的联合特征向量；

标签得分计算模块63，用于将该联合特征向量输入预设的资产评价模型，得到该待评价数字资产的标签的得分；该资产评价模型以数字资产的特征向量为输入，以该数字资产的标签的得分为输出；

资产价值评价模块64，用于根据该待评价数字资产的标签的得分，确定该待评价数字资产的价值。

本发明实施例提供的一种数字资产价值的评价系统，首先获取待评价数字资产的资产特性数据和资产行为数据，以及对该待评价数字资产进行背书的用户的用户数据；接着根据该资产特性数据、该资产行为数据和该用户数据，计算该待评价数字资产的联合特征向量；然后将该联合特征向量输入预设的资产评价模型，得到该待评价数字资产的标签的得分；该资产评价模型以数字资产的特征向量为输入，以该数字资产的标签的得分为输出；进而根据该待评价数字资产的标签的得分，确定该待评价数字资产的价值。该系统中，通过将数字资产的资产特性数据和资产行为数据，结合给资产背书的用户的用户数据，分析出资产的特征向量，可以更加真实的反应资产的综合特性；并结合神经网络的深度学习，建立资产特征向量与标签得分的关联，可以获得资产对应标签的量化分值，进而实现量化评估数字资产的价值，获得对资产价值的更准确的判断。

在其中一种可能的实施方式中，上述用户数据包括用户特性数据和用户行为数据，上述联合特征向量计算模块62还用于：根据该资产特性数据和该资产行为数据，计算该待评价数字资产的资产特征向量；根据该用户特性数据和该用户行为数据，计算该用户的用户特征向量；根据该资产特征向量和该用户特征向量，计算该待评价数字资产的联合特征向量。

在另一种可能的实施方式中，上述联合特征向量计算模块62还用于：以该资产特性数据为输入，以该资产行为数据为输出，训练预设的第一初始神经网络模型，得到训练好的第一神经网络模型，以及该第一神经网络模型的第一模型参数；将该第一模型参数确定为该待评价数字资产的资产特征向量。

在另一种可能的实施方式中，上述联合特征向量计算模块62还用于：以该用户特性数据为输入，以该用户行为数据为输出，训练预设的第二初始神经网络模型，得到训练好的第二神经网络模型，以及该第二神经网络模型的第二模型参数；将该第二模型参数确定为该用户的用户特征向量。

在另一种可能的实施方式中，上述联合特征向量计算模块62还用于：采用梯度下降法训练预设的第二初始神经网络模型，得到训练好的第二神经网络模型。

在另一种可能的实施方式中，该资产特征向量和该用户特征向量的维度相同，上述联合特征向量计算模块62还用于：将该资产特征向量和该用户特征向量，按预设拼接方式进行拼接，得到该待评价数字资产的联合特征向量。

在另一种可能的实施方式中，该待评价数字资产的标签有多个，上述资产价值评价模块64还用于：对该待评价数字资产的标签的得分中最高的前三个得分进行求和；将求和得到的值确定为该待评价数字资产的价值。

在另一种可能的实施方式中，该资产特性数据包括：资产类型、上链日期、内容字数、图片数量和网络链接数；该资产行为数据包括：被浏览数、被背书数、被转载数、被搜索数和被取消背书数；该用户特性数据包括：性别、资产总数、活跃度、注册时间和个人标签数；该用户行为数据包括：浏览数、背书数、登记资产数、搜索次数和取消背书数。

本发明实施例所提供的数字资产价值的评价系统，其实现原理及产生的技术效果和前述数字资产价值的评价方法实施例相同，为简要描述，数字资产价值的评价系统实施例部分未提及之处，可参考前述数字资产价值的评价方法实施例中相应内容。

本发明实施例还提供了一种电子设备，如图7所示，为该电子设备的结构示意图，其中，该电子设备包括处理器71和存储器72，该存储器72存储有能够被该处理器71执行的机器可执行指令，该处理器71执行该机器可执行指令以实现上述数字资产价值的评价方法。

在图7示出的实施方式中，该电子设备还包括总线73和通信接口74，其中，处理器71、通信接口74和存储器72通过总线连接。

其中，存储器72可能包含高速随机存取存储器(ram，randomaccessmemory)，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。通过至少一个通信接口74(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

处理器71可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器71中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器71可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现成可编程门阵列(field-programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器71读取存储器72中的信息，结合其硬件完成前述实施例的数字资产价值的评价方法的步骤。

本发明实施例还提供了一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，该机器可执行指令促使处理器实现上述数字资产价值的评价方法，具体实现可参见前述方法实施例，在此不再赘述。

本发明实施例所提供的数字资产价值的评价方法、数字资产价值的评价系统和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的数字资产价值的评价方法，具体实现可参见方法实施例，在此不再赘述。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。