目标物定损方法、装置、电子设备及计算机可读存储介质与流程

本发明涉及人工智能技术领域，尤其涉及一种目标物定损方法、装置、电子设备及计算机可读存储介质。

背景技术：

随着科技快速发展，对于目标物的定损已逐渐从人工定损转为自动化定损的方法，如车险理赔服务中，传统的定损方法是依赖个人从业经验，对车辆的损坏程度进行人工定损，或者使用分类算法对车辆的损坏配件所花费的维修时间进行预测，通过预测出的时间长短评估出车辆定损结果。

上述两种方法都可达到目标物定损的目的，但人工定损由于过多占用工作人员时间，且效率低下出错率高，而利用分类算法的自动化定损无法有效划分出目标物内不同配件之间的关系，导致对于目标物定损时，有时会发送定损结果与实际结果相差甚远的现象。

技术实现要素：

本发明提供一种目标物定损方法、装置、电子设备及计算机可读存储介质，其主要目的在于结合目标物的配件与配件之间的关系，提高对目标物的定损准确率。

为实现上述目的，本发明提供的一种目标物定损方法，包括：

获取目标物的历史维修数据集，从所述历史维修数据集中提取原始损伤配件集及维修时长集；

对所述原始损伤配件集进行特征提取得到配件特征集；

根据所述维修时长集，计算所述配件特征集内配件特征之间的相似度，并基于所述相似度清理所述原始损伤配件集，得到标准损伤配件集；

将所述标准损伤配件集划分为核心配件损伤集及非核心配件损伤集；

基于前向反馈神经网络构建原始定损模型，利用所述核心配件损伤集、所述非核心配件损伤集及所述维修时长集，训练所述原始定损模型，得到标准定损模型；

利用所述标准定损模型对待定损目标物的损伤配件执行定损，得到所述损伤配件的维修时长。

可选地，所述基于前向反馈神经网络构建原始定损模型，包括：

集成预设的第一分类函数及第二分类函数，得到输出层，其中第一分类函数和第二分类函数均为概率函数；

将所述输出层连接至所述前向反馈神经网络的末端，得到所述原始定损模型。

可选地，所述利用所述核心配件损伤集、所述非核心配件损伤集及所述维修时长集，训练所述原始定损模型，得到标准定损模型，包括：

利用所述第一分类函数对非核心配件损伤集执行计算，得到核心配件预测集；

计算所述核心配件预测集与所述核心配件损伤集之间的配件误差值；

判断所述配件误差值与预设的配件误差阈值的大小关系；

若所述配件误差值大于或等于所述配件误差阈值，调整所述原始定损模型的内部参数值，并重新预测核心配件预测集；

若所述配件误差值小于所述配件误差阈值，利用所述第二分类函数计算所述非核心配件损伤集的时长预测集；

计算所述时长预测集与所述维修时长集的维修时长误差值；

判断所述维修时长误差值与预设的维修时长阈值的大小关系；

若所述维修时长误差值大于或等于所述维修时长阈值，继续调整所述原始定损模型的内部参数值，并重新计算核心配件预测集；

若所述维修时长误差值小于所述维修时长阈值，得到所述标准定损模型。

可选地，所述利用所述第一分类函数对非核心配件损伤集执行计算，得到核心配件预测集，包括：

利用所述前向反馈神经网络提取所述非核心配件损伤集的特征集；

利用所述第一分类函数计算所述特征集对应的概率值集，利用所述概率值集预测得到核心配件预测集。

可选地，所述调整所述原始定损模型的内部参数值，包括：

修改所述原始定损模型的权重值与偏置值；

修改所述原始定损模型训练的步长与训练批次数。

可选地，所述对所述原始损伤配件集进行特征提取得到配件特征集，包括：

对所述原始损伤配件集进行包括分析及去异形词的预处理操作得到初级损伤配件集；

对所述初级损伤配件集内的每个损伤配件进行词向量转化，得到所述配件特征集。

可选地，所述计算所述配件特征集内配件特征之间的相似度，包括：

采用如下相似度计算方法计算所述配件特征集内配件特征之间的相似度：

其中，sim(d,t)表示所述配件特征集内配件特征d与配件特征t之间的相似度，w表示所述d、t与所述配件特征集内其他配件特征k的权重系数，n为所述配件特征集中的数据总数，α、β为偏置系数，t为配件特征对应的维修时长。

为了解决上述问题，本发明还提供一种目标物定损装置，所述装置包括：

配件特征计算模块，用于获取目标物的历史维修数据集，从所述历史维修数据集中提取原始损伤配件集及维修时长集，对所述原始损伤配件集进行特征提取得到配件特征集；

配件划分模块，用于根据所述维修时长集，计算所述配件特征集内配件特征之间的相似度，并基于所述相似度清理所述原始损伤配件集，得到标准损伤配件集，将所述标准损伤配件集划分为核心配件损伤集及非核心配件损伤集；

模型训练模块，用于基于前向反馈神经网络构建原始定损模型，利用所述核心配件损伤集、所述非核心配件损伤集及所述维修时长集，训练所述原始定损模型，得到标准定损模型；

目标物定损模块，用于利用所述标准定损模型对待定损目标物的损伤配件执行定损，得到所述损伤配件的维修时长。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

存储器，存储至少一个指令；及

处理器，执行所述存储器中存储的指令以实现上述中任意一项所述的目标物定损方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现上述中任意一项所述的目标物定损方法。

本发明实施例先根据目标物的历史维修数据集提取出原始损伤配件集，并对原始损伤配件集进行特征提取和相似度计算得到标准损伤配件集，由于特征提取可有效提取出每个配件损伤的特征，减少了非配件损伤特征的干扰，同时利用相似度计算的方法剔除部分相似的配件特征，因此可有效的减少数据量、非配件特征及相似特征对后续目标物定损的干扰，提高定损的准确率；同时本发明实施例中，将标准损伤配件集划分为核心配件损伤集及非核心配件损伤集，通过非核心配件和核心配件的关联性训练定损模型，由于有效的将配件分为核心配件和非核心配件，并根据两者的关联性训练定损模型，避免了由于配件之间关系不明确，导致对整个定损过程的干扰，故可进一步提高定损的准确度。因此本发明提出的目标物定损方法、装置及计算机可读存储介质，可以结合目标物的配件与配件之间的关系，提高对目标物的定损准确率。

附图说明

图1为本发明一实施例提供的目标物定损方法的流程示意图；

图2为本发明一实施例提供的目标物定损方法中s2的详细流程示意图；

图3为本发明一实施例提供的目标物定损方法中训练原始定损模型的详细流程示意图；

图4为本发明一实施例提供的目标物定损装置的模块示意图；

图5为本发明一实施例提供的实现目标物定损方法的电子设备的内部结构示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供的目标物定损方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述目标物定损方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

本发明提供一种目标物定损方法。参照图1所示，为本发明一实施例提供的目标物定损方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。

在本实施例中，目标物定损方法包括：

s1、获取目标物的历史维修数据集，从所述历史维修数据集中提取原始损伤配件集及维修时长集。

本发明较佳实施例中，所述目标物可以是汽车等经常需要定损的物体。进一步地，可以获取用户提前整理的目标物在历史时间内的维修数据，从而得到历史维修数据集，如从汽车保险公司中获取在指定时间段内受理的多条车险理赔数据，并从该车险理赔数据中提取每辆车的损伤配件，得到原始损伤配件集，提取损伤配件对应的维修时长，得到维修时长集。如汽车保险领域对应的原始损伤配件集包括更换大灯、修理引擎漏油、更换汽车轮胎等，维修时长集中记录更换大灯时长2小时、修理引擎漏油需时长5小时、更换汽车轮胎0.6小时等。

s2、对所述原始损伤配件集进行特征提取得到配件特征集。

本发明较佳实施例中，由于在原始损伤配件集中存在多种损伤配件用词相似的情况，如更换汽车轮胎、更换汽车前轮轮胎等，需要利用特征提取的方法，从原始损伤配件集中提取出损伤配件的特征，得到所述配件特征集。

详细地，可参阅图2所示，所述s2包括：

s21、对所述原始损伤配件集进行包括分词、去异形词的预处理操作得到初级损伤配件集；

因为在汉语表示中，词和词之间没有明确的分隔标识，若在词向量转化前不进行分词、去异形词的预处理，会出现每个损伤配件对应的配件特征冗长的现象，会直接影响到后续相似度的计算，因此要对所述原始损伤配件集进行分词及去异形词。

本发明较佳实施中，所述分词处理可使用基于python、java等编程语言的jieba分词程序，如原始损伤配件集中有损伤配件为：“汽车后轮轮胎漏气，更换了后轮轮胎”。基于所述jieba分词进行处理后得到为：[汽车][后轮][轮胎][漏气][，][更换][了][后轮][轮胎]。

由上所述可知，当分词过后会发现若干重复词语、标点符号及停用词等异形词，因此需要进行去除上述的异形词，达到简洁的目的，如上述经过去异形词操后后得到为[更换][后轮][轮胎]。

s22、对所述初级损伤配件集内的每个损伤配件进行词向量转化，得到配件特征集。

优选地，所述词向量转化可采用当前已公开的one-hot模型、word2vec模型等，如利用word2vec模型可将上述的[更换][后轮][轮胎]变成矩阵形式的配件特征。

s3、计算所述配件特征集内配件特征之间的相似度，并基于所述相似度清理所述原始损伤配件集，得到标准损伤配件集。

经过s2的特征提取可知，如原始损伤配件集中包括更换汽车轮胎、更换汽车前轮轮胎，利用s2的特征提取方法会得到相近的两个配件特征，但由于相近的配件特征在后续进行定损时的定损结果近乎相同，因此需要进一步通过计算所述配件特征集内配件特征之间的相似度的方式，清理相近的配件特征，从而得到所述标准损伤配件集。

本发明较佳实施例中，可采用如下相似度的计算方法计算配件特征之间的相似度：

其中，sim(d,t)表示配件特征集内配件特征d与配件特征t之间的相似度，w表示所述d、t与所述配件特征集内其他配件特征k的权重系数，n为所述配件特征集中的数据总数，α、β为偏置系数，其中α+β＝1，t为配件特征对应的维修时长，可从所述维修时长集中查找得到。

较佳地，清理所述原始损伤配件集的清理方法有多种，如按照相似度从大到小的排序方法排序得到的各个相似度，判断每相邻两组相似度的差值是否小于指定阈值，若小于所述指定阈值，则剔除其中一个相似度对应的损伤配件，直至得到所述标准损伤配件集。

s4、将所述标准损伤配件集划分为核心配件损伤集及非核心配件损伤集。

根据部分配件与其他配件之间一般具有关联性的原则，可将标准损伤配件集划分为核心配件损伤集及非核心配件损伤集，如配件a损伤时，伴随配件b、配件c同时也会损伤，但配件b损伤时，一般情况下其他配件不会受到影响，则将配件a划分为非核心配件，配件b划分为核心配件，如在车险领域里，汽车的方向盘出现故障一般伴随方向盘的轴承也会有问题，因此汽车的方向盘为非核心配件，方向盘的轴承为核心配件。

s5、基于前向反馈神经网络构建原始定损模型，利用所述核心配件损伤集、所述非核心配件损伤集及所述维修时长集，训练所述原始定损模型，得到标准定损模型。

由于传统的机器学习算法对于配件定损的处理较为简单，在本发明较佳实施例中，通过与神经网络的结合构建出定损模型，其中，所述基于前向反馈神经网络构建原始定损模型包括：

集成预设的第一分类函数及第二分类函数，得到输出层，其中第一分类函数和第二分类函数均为概率函数；

将所述输出层连接至所述前向反馈神经网络的末端，得到所述原始定损模型。

其中，所述第一分类函数用于预测与所述非核心配件损伤集相关的核心配件，得到核心配件预测集。较佳地，所述第一分类函数可采用如softmax函数等概率函数。所述第二分类函数用于预测与所述非核心配件损伤集内每个非核心配件对应的维修时长，得到时长预测集。同样地，第二分类函数与第一分类函数可采用相同的分类函数，也可采用不同的分类函数。例如，采用不同的分类函数时，第二分类函数可以是sigmoid函数。

进一步地，前向反馈神经网络包括输入层、激活层和输出层，本发明较佳实施例中，利用第一分类函数及第二分类函数构成得到的输出层，替换前向反馈神经网络原先的输出层，从而得到所述原始定损模型。

进一步地，当构建得到所述原始定损模型后，需要进一步训练所述原始定损模型的内部参数。故本发明实施例还包括训练所述原始定损模型。较佳地，本发明实施例利用所述核心配件损伤集、所述非核心配件损伤集及所述维修时长集，训练所述原始定损模型，得到标准定损模型。

详细地，参阅图3所示，所述训练所述原始定损模型包括：

s511、利用所述第一分类函数对非核心配件损伤集执行计算，得到核心配件预测集；

详细地，所述s511包括：利用所述前向反馈神经网络提取所述非核心配件损伤集的特征集，利用所述第一分类函数计算所述特征集对应的概率值集，利用所述概率值集预测得到核心配件预测集。本发明较佳实施例中，因为前向反馈神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，利用该前向反馈神经网络可有效提取出非核心配件损伤集的特征集，同时利用第一分类函数分别计算每个特征集对应的概率值，如非核心配件损伤集中，拉杆配件损伤，通过计算得到拉杆配件的特征值，并根据第一分类函数计算拉杆配件损伤时，对应的横拉杆的损伤概率为78％、转向从动臂的损伤概率为17％、动力转向油箱的损伤概率为31％，因此预测得到当拉杆配件损伤时，横拉杆也会对应损伤，从而汇总得到核心配件预测集。

s512、计算所述核心配件预测集与所述核心配件损伤集的配件误差值；

s513、判断所述配件误差值与预设的配件误差阈值的大小关系；

s514、若所述配件误差值大于或等于所述配件误差阈值，调整所述原始定损模型的内部参数值，并返回s511；

详细地，所述原始定损模型的内部参数值包括前向反馈神经网络的权重值、偏置值、训练步长、批次数、迭代周期等。

s515、若所述配件误差值小于所述配件误差阈值，利用所述第二分类函数计算所述非核心配件损伤集的时长预测集；

本发明较佳实施例中，所述第二分类函数与所述第一分类函数的作用相同，如上述当拉杆配件损伤时，横拉杆也会对应损伤，从而利用第二分类函数计算当拉杆配件损伤时，对应的维修时长为3小时。

s516、计算所述时长预测集与所述维修时长集的维修时长误差值；

s517、判断所述维修时长误差值与预设的维修时长阈值的大小关系；

s518、若所述维修时长误差值大于或等于所述维修时长阈值，继续调整所述原始定损模型的内部参数值，并返回s511；

s519、若所述维修时长误差值小于所述维修时长阈值，得到所述标准定损模型。

详细地，所述调整所述原始定损模型的内部参数值，包括：修改所述原始定损模型的权重值与偏置值；修改所述原始定损模型训练的步长与批次数。

本发明较佳实施例中，权重值和偏置值均为前向反馈神经网络的内部参数值。

s6、获取待定损的损伤配件，利用所述标准定损模型，定损得到所述损伤配件的维修时长。

如一辆发生车祸的汽车需要进行定损，且该汽车引擎盖出现大面积折叠，通过所述标准定损模型预测得到，若汽车引擎盖出现大面积折叠时，对应保险杠也会出现损坏，因此想比于传统定损来说，本发明会得出维修时长更长定损结果。

本发明实施例先根据目标物的历史维修数据集提取出原始损伤配件集，并对原始损伤配件集进行特征提取和相似度计算得到标准损伤配件集，由于特征提取可有效提取出每个配件损伤的特征，减少了非配件损伤特征的干扰，同时利用相似度计算的方法剔除部分相似的配件特征，因此可有效的减少数据量、非配件特征及相似特征对后续目标物定损的干扰，提高定损的准确率；同时本发明实施例中，将标准损伤配件集划分为核心配件损伤集及非核心配件损伤集，通过非核心配件和核心配件的关联性训练定损模型，由于有效的将配件分为核心配件和非核心配件，并根据两者的关联性训练定损模型，避免了由于配件之间关系不明确，导致对整个定损过程的干扰，故可进一步提高定损的准确度。因此本发明提出的目标物定损方法、装置及计算机可读存储介质，可以结合目标物的配件与配件之间的关系，提高对目标物的定损准确率。

如图4所示，是本发明目标物定损装置的模块示意图。

本发明所述目标物定损装置100可以安装于电子设备中。根据实现的功能，所述目标物定损装置可以包括配件特征计算模块101、配件划分模块102、模型训练模块103及目标物定损模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述配件特征计算模块101，用于获取目标物的历史维修数据集，从所述历史维修数据集中提取原始损伤配件集及维修时长集，对所述原始损伤配件集进行特征提取得到配件特征集；

所述配件划分模块102，用于根据所述维修时长集，计算所述配件特征集内配件特征之间的相似度，并基于所述相似度清理所述原始损伤配件集，得到标准损伤配件集，将所述标准损伤配件集划分为核心配件损伤集及非核心配件损伤集；

所述模型训练模块103，用于基于前向反馈神经网络构建原始定损模型，利用所述核心配件损伤集、所述非核心配件损伤集及所述维修时长集，训练所述原始定损模型，得到标准定损模型；

所述目标物定损模块104，用于利用所述标准定损模型对待定损目标物的损伤配件执行定损，得到所述损伤配件的维修时长。

本申请所提供的装置中的模块能够在使用时基于与上述的目标物定损方法，通过结合目标物的配件与配件之间的关系，提高对目标物的定损准确率。

如图5所示，是本发明实现目标物定损方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如目标物定损程序12。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smartmediacard，smc)、安全数字(securedigital，sd)卡、闪存卡(flashcard)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如目标物定损程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(centralprocessingunit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(controlunit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行目标物定损程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述总线可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。

进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。

可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的目标物定损程序12是多个指令的组合，在所述处理器10中运行时，可以实现：

获取目标物的历史维修数据集，从所述历史维修数据集中提取原始损伤配件集及维修时长集；

对所述原始损伤配件集进行特征提取得到配件特征集；

根据所述维修时长集，计算所述配件特征集内配件特征之间的相似度，并基于所述相似度清理所述原始损伤配件集，得到标准损伤配件集；

将所述标准损伤配件集划分为核心配件损伤集及非核心配件损伤集；

基于前向反馈神经网络构建原始定损模型，利用所述核心配件损伤集、所述非核心配件损伤集及所述维修时长集，训练所述原始定损模型，得到标准定损模型；

利用所述标准定损模型对待定损目标物的损伤配件执行定损，得到所述损伤配件的维修时长。

进一步地，所述电子设备1集成的模块/单元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，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)。

进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。