(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210758926.1 (22)申请日 2022.06.30 (71)申请人 辽宁大学 地址 110000 辽宁省沈阳市沈北新区道义 南大街58号 (72)发明人 王俊陆　张冉　宋宝燕　纪婉婷　 李冬　 (74)专利代理 机构 沈阳杰克知识产权代理有限 公司 21207 专利代理师 罗莹 (51)Int.Cl. G06Q 10/06(2012.01) G06F 16/27(2019.01) G06F 16/36(2019.01) G06K 9/62(2022.01)G06F 16/35(2019.01) G06F 16/332(2019.01) G06F 40/242(2020.01) G06F 40/295(2020.01) (54)发明名称 面向企业经营活动 的多源异构区块链质量 评估模型的构建方法 (57)摘要 本发明涉及面向企业经营活动的多源异构 区块链质量评估模型的构建方法， 该模型首先提 出基于CE KGRL模型的实体信息表示方法， 在区块 链中引入相关实体的三元组结构， 并与企业经营 活动类别相关联， 通过上下文信息进行相似度计 算； 其次， 提出基于信息源、 信息评论和 信息内容 的可信度表征方法， 通过融合表征结果， 获得经 营活动信息的可信度评估； 最后， 在信息可信度 表征基础上， 通过价值量对区块链中经营活动信 息的总价值进行评估， 并构建区块链质量评估模 型。 该模型在评估区块链块间语义相似度、 块内 交易信息可信度及价 值等方面具有很大优势。 权利要求书7页 说明书16页 附图3页 CN 114997723 A 2022.09.02 CN 114997723 A 1.面向企业经营活动的多源异构区块链质量评估模型的构建方法， 其特征在于， 包括 以下步骤： 步骤1： 将企业实体通过CEKGRL模型表示为三元组形式， 并提出 区块链的企业实体上下 文信息关联模型， 基于该模型实现相似度计算； 步骤2： 融合企业经营活动信息源、 信息评论和信息内容的可信度表征结果， 获得企业 区块链信息可信度； 步骤3： 通过信息量针对企业区块链内容进行信息价值评估， 获得企业区块链信息价 值； 步骤4： 针对步骤1至步骤3获取相似度、 可信度、 价值参数赋予权重， 得到企业区块链质 量评估模型。 2.根据权利要求1所述的面向企业经营活动的多源异构区块链质量评估模型的构建方 法， 其特征在于， 所述的步骤1的执行过程包括： 基于CEKGRL模型， 对企业实体的三元 组进行 表示， 并与活动类别信息关联； 针对实体上下文信息， 构建相关模型， 进而计算区块间相似 度； 具体为： 步骤1‑1： 基于CEKGRL模型的区块实体表示： 将区块链中存储企业实体的相关信息， 通 过CEKGRL模型， 引入实体的三元组表示； 步骤1‑2： 定义三元组信息结构及能量函数， 针对企业实体信息将基于类别和基于关系 的表示相融合： 具体为： (1)定义三元组信息结构： 基于CEKGRL模型将企业活动信息定义为G＝(E,R, S)； 其中： E为企业实体集； R为企业关系集； 表示三元组集合， 三元组集合用 (h,r,t)进行表示， h、 r和t分别代表头实体(企业名)、 关系(活动信息方 向)和尾实体(活动 金额)； c表 示企业活动类别， 并定义基于结构和基于类别的实体表 示， 分别代表从三元 组中 学习到的实体表示以及引入类别表示所 得到的实体表示； CEKGRL模型的整体架构如下： 其中头实体和尾实体分属于不同的类别， 然后对这两种 实体进行不同的表示， 即基于结构的向量表示和基于类别的向量表示， 并且两种实体通过 关系r进行关联； (2)将基于类别和基于 结构的两种表示类 型进行融合， 定义能量函数为： E＝Ess+ηEcc， 其 中， Ess＝||hs+r‑ts||、 Ecc＝||hc+r‑tc||为头实体、 尾实体使用基于结构、 类别的实体表示的 能量函数， 超参数 η用于调整基于类别表示的权 重； 步骤1‑3关联信息类别与关系： 通过注意力机制计算三元组中关系和实体类别之间存 在的潜在相关性， 具体为： (1)构建缩放点积注意力模型， 结合CEKGRL模型将关系r作为query向量， 类别c同时作 为key向量和value向量； 通过矩阵的形式计算注意力， 将多个企业间关系的表示 向量及其 对应的活动类别表示向量分别拼接为关系矩阵R和类别矩阵C； (2)引入待训练的权重矩阵WQ、 WK和WV， 将权重矩阵、 关系 矩阵和类别矩阵分别做矩阵相 乘操作， 得到query、 key和value对应的矩阵Q、 K、 V及注意力分数如公式(1)和(2)所示：权　利　要　求　书 1/7 页 2 CN 114997723 A 2其中， Q、 K、 V为基于query、 key和value的矩阵， dk为权重矩阵维度； 通过以上注意力计算 模型得到的注意力 分数越高， 说明类别c与关系r的相关性越强， 此时该类别赋予更高的权 重； 步骤1‑4： 上下文信息关联模型构建： 将一个企业实体中的上下文结构表示成一个实体相关模型G＝(Ver,Edg)， 其中Ver表 示顶点集合， Edg表示 边集合； 该模型的构造分为2个步骤： 顶点 集合构造和边 集合构造； (1)顶点集合构造 顶点集Ver： 与给定企业活动中出现的实体上下文活动集合D， 记为Cont＝{c1,c2, c3,...}其中ci表示与本活动相对应的第i个上 下文信息， 每个顶点被赋予一个置信度(CM， Confidence  Measure)， CM表示在不考虑其他上下文 信息的情况 下， 该节点的重要程度， 置信度计算如公式(3)所示： ResultScore(ci)是基于谷歌知识图谱得到的匹配分数， 匹配度越 高， 代表上下文信息 越准确； (2)边集合构造 采用双向最短路径判定法判定两个信 息之间路径关联度； 视信 息之间的超链接结构为 有向图， 记从信息A链接到信息B路径为前向最短路径， 从实体B链接到实体A的路径为后向 最短路径， 两个节点之间的最短路径计算如公式(4)所示： 其中， ShortPath是节点之间最短路径， FShortPath表示前向最短路径长度， BShortPath表示后向最短路径长度， va和vb是实体相关模型中的两个顶点； 为了更好地描述 两个节点之间的路径关联度， 将路经长度转 化成路径关联度， 计算如公式(5)所示： 由该公式可 见， 两个节点之间的路径长度越小， 两个节点的路径关联度越大； 步骤1‑5： 块间相似度计算： 在进行区块间相似度度量时， 以区块链中第一块为待对比区块， 其他区块作为候选对 比区块， 且针对企业名、 活动金额这两种类型的命名实体进 行歧义性计算； 用待对比区块与 其他区块的相似度平均值作为该区块链的一致性度量， 即平均相似性度量； 区块总 数为i， 即N1,N2,...,Ni， 每一个块中的企业活动用mi1,mi2,...,mix表示， 其中i表示第i个块， x表示权　利　要　求　书 2/7 页 3 CN 114997723 A 3