一种基于区块链的项目匹配方法、装置、设备及存储介质

摘要

本实施例提供了一种基于区块链的项目匹配方法、装置、设备及存储介质，采集项目、市场、人员及投资机构的源数据；针对源数据进行预处理；其中，预处理数据包括训练数据、预测数据及投资机构数据；将第一市场数据、第一项目数据、第一人员数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型；将第二市场数据、第二项目数据、第二人员数据输入至训练后的机器学习模型，得到对应的第二评分数据；根据投资机构数据得到投资机构对应的投资机构评分数据；根据第二评分数据及投资机构评分数据对项目及投资机构进行匹配，得到匹配结果。同时进行三方数据(市场、项目、人员)的分析，提供准确的评估结果。

说明书

技术领域

本发明涉及计算机技术领域，特别是涉及一种基于区块链的项目匹配方法和一种基于区块链的项目匹配装置、一种计算机设备及一种存储介质。

背景技术

继2015年“大众创业、万众创新”首次写入政府工作报告后，高校应届毕业生作为创新创业项目(简称“双创项目”)的核心力量，正越来越多的获得社会的关注，各类投资机构也纷纷将其业务重心向创新创业的应届毕业生(简称“双创毕业生”)转移。

但目前我国在应届双创毕业与投资机构的对接方面，仍存在很多问题；例如，应届毕业生初入社会，即使有好的双创项目，也很难找到合适的投资方，将项目落地实施。很多好的双创项目就是在毕业生一次次的东奔西跑、与投资机构见面并被拒后，项目匹配效率较低；

其次，投资机构面对种类繁多的“双创”项目和应届双创毕业生时，很难做到对每个双创项目和人员都进行仔细的评估，因为这将花费大量的人力物力，成本巨大且效果不佳。因此投资机构经常会遗漏或错投项目，导致公司受损；

若部分投资机构打着投资者的名义，剽窃应届双创毕业生的双创项目和想法，毕业生由于社会阅历不足以及相关法律知识不熟悉，再加上没有可信的确权证据，可能会导致维权行为较为困难。

发明内容

鉴于上述问题，提出了本实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于区块链的项目匹配方法、一种基于区块链的项目匹配装置、一种计算机设备及一种存储介质。

为了解决上述问题，本实施例公开了一种基于区块链的项目匹配方法，包括：

采集项目、市场、人员及投资机构的源数据；

针对所述源数据进行预处理，得到预处理数据；其中，所述预处理数据包括训练数据、预测数据及投资机构数据；所述训练数据包括第一市场数据、第一项目数据、第一人员数据及第一评分数据；所述预测数据包括第二市场数据、第二项目数据、第二人员数据；

将所述第一市场数据、第一项目数据、第一人员数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型；

将所述第二市场数据、第二项目数据、第二人员数据输入至所述训练后的机器学习模型，得到对应的第二评分数据；

根据所述投资机构数据得到投资机构对应的投资机构评分数据；

根据所述第二评分数据及所述投资机构评分数据对项目及投资机构进行匹配，得到匹配结果。

优选地，所述将所述第一市场数据、第一项目数据、第一人员数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型，包括：

将所述第一市场数据、第一人员数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型；

和/或，将所述第一市场数据、第一项目数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型；

和/或，将所述第一人员数据、第一项目数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型。

优选地，所述将所述第二市场数据、第二项目数据、第二人员数据输入至所述训练后的机器学习模型，得到对应的第二评分数据，包括：

将所述第二市场数据、第二人员数据输入至所述训练后的机器学习模型，得到对应的第三评分数据；

和/或，将所述第二市场数据、第二项目数据输入至所述训练后的机器学习模型，得到对应的第四评分数据；

和/或，将所述第二人员数据、第二项目数据输入至所述训练后的机器学习模型，得到对应的第五评分数据；

将所述第三评分数据和/或第四评分数据和/或第五评分数据进行交叉对比和匹配，得到第二评分数据。

优选地，所述将所述第一市场数据、第一项目数据、第一人员数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型，包括：

根据所述第一市场数据、第一项目数据、第一人员数据分别生成对应的第一市场画像、第一项目画像及第一人员画像；

将经过数据整合的所述第一市场画像、第一项目画像、第一人员画像及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型。

优选地，所述方法还包括：

将所述源数据、预处理数据、第二评分数据及匹配结果作为区块数据存储至区块链中。

优选地，所述方法还包括：

接收针对所述项目的搜索请求；

响应所述搜索请求展现所述项目的第二评分数据。

优选地，所述第一市场数据包括目标市场现有规模、扶持政策、发展趋势；

所述第一项目数据包括投入资金、投资回报水平、市场准入标准、所需人员数量、人员技能、所需人际关系网络、业务上下游渠道；

所述第一人员数据包括学习成绩、课外活动成绩、课程信息、教师评价、实习单位评价、实习岗位、实习成绩；

所述根据所述第一市场数据、第一项目数据、第一人员数据分别生成对应的第一市场画像、第一项目画像及第一人员画像，包括：

根据所述目标市场现有规模、扶持政策、发展趋势生成对应的第一市场画像；

和/或，根据所述投入资金、投资回报水平、市场准入标准、所需人员数量、人员技能、所需人际关系网络、业务上下游渠道生成对应的第一项目画像；

和/或，根据所述学习成绩、课外活动成绩、课程信息、教师评价、实习单位评价、实习岗位、实习成绩生成对应的第一人员画像。

本实施例还公开了一种基于区块链的项目匹配装置，包括：

源数据采集模块，用于采集项目、市场、人员及投资机构的源数据；

预处理数据模块，用于针对所述源数据进行预处理，得到预处理数据；其中，所述预处理数据包括训练数据、预测数据及投资机构数据；所述训练数据包括第一市场数据、第一项目数据、第一人员数据及第一评分数据；所述预测数据包括第二市场数据、第二项目数据、第二人员数据；

训练模块，用于将所述第一市场数据、第一项目数据、第一人员数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型；

预测模块，用于将所述第二市场数据、第二项目数据、第二人员数据输入至所述训练后的机器学习模型，得到对应的第二评分数据；

投资机构模块，用于根据所述投资机构数据得到投资机构对应的投资机构评分数据；

匹配结果获得模块，用于根据所述第二评分数据及所述投资机构评分数据对项目及投资机构进行匹配，得到匹配结果。

本实施例还公开了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的基于区块链的项目匹配方法的步骤。

本实施例还公开了一种计算机可读存储介质，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的基于区块链的项目匹配方法的步骤。

本实施例包括以下优点：

本实施例中，采集项目、市场、人员及投资机构的源数据；针对所述源数据进行预处理，得到预处理数据；其中，所述预处理数据包括训练数据、预测数据及投资机构数据；所述训练数据包括第一市场数据、第一项目数据、第一人员数据及第一评分数据；所述预测数据包括第二市场数据、第二项目数据、第二人员数据；将所述第一市场数据、第一项目数据、第一人员数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型；将所述第二市场数据、第二项目数据、第二人员数据输入至所述训练后的机器学习模型，得到对应的第二评分数据；根据所述投资机构数据得到投资机构对应的投资机构评分数据；根据所述第二评分数据及所述投资机构评分数据对项目及投资机构进行匹配，得到匹配结果。同时进行三方数据(市场、项目、人员)的分析，并进行交叉对比和匹配，由于原始数据资源更丰富全面，分析手段更加立体科学，所以评估结果更加准确可信，为投资机构提供了良好的参考信息；解决了人员与投资机构的交流效率低下的问题，将双方的资源和信息进行整合，提高沟通效率；

附图说明

为了更清楚地说明本实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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

图1是本实施例的一种基于区块链的项目匹配方法实施例的步骤流程图；

图2是本实施例的一种训练后的机器学习模型获取步骤的流程示意图；

图3是本实施例的一种第二评分数据获取步骤的流程示意图；

图4是本实施例的一种训练后的机器学习模型获取步骤的流程示意图；

图5是本实施例的一种基于区块链的项目匹配方法的流程示意图；

图6是本实施例的一种画像生成步骤的流程示意图；

图7是本实施例的一种基于区块链的项目匹配装置实施例的结构框图；

图8是一个实施例的一种计算机设备的内部结构图。

具体实施方式

为了使本实施例所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本实施例进一步详细说明。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。

参照图1，示出了本实施例的一种基于区块链的项目匹配方法实施例的步骤流程图，具体可以包括如下步骤：

步骤101，采集项目、市场、人员及投资机构的源数据；

具体而言，本实施例可以应用于终端，该终端可以包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，该终端运行的系统可以包括安卓系统、Windows系统、IOS系统，此外，还可以包括Linux系统、Unix系统等，本实施例以应用的终端及运行系统的种类不作限制。

本实施例中，首先可以采集项目的源数据、市场的源数据、人员的源数据及投资机构的源数据；具体地，该项目可以包括创新创业项目，也可以是其他学生或社会人员的项目；同样的，该人员可以是指创业人员及其他负责项目的主要人员，如学生(包括在校学生、应届毕业生)或社会人员等，本实施例对此不用限制。

针对源数据的来源，可以是通过网络爬虫的方式在网络上分别抓取上述的各种数据；例如，如国内外新闻网站、各大学术期刊杂志数据库网站、大学网站、数据分析网站、行业报告白皮书网站、各类统计报告网站、政府法律政策和扶持政策网站、机构的官方网站；进一步地，还可以通过一些内部的网站进行数据的采集，如教务管理系统、在线学习平台、实习管理系统、就业招聘系统、校企合作系统等，本实施例对此不用限制。

步骤102，针对所述源数据进行预处理，得到预处理数据；其中，所述预处理数据包括训练数据、预测数据及投资机构数据；所述训练数据包括第一市场数据、第一项目数据、第一人员数据及第一评分数据；所述预测数据包括第二市场数据、第二项目数据、第二人员数据；

进一步应用到本实施例中，采集到各种源数据后，需要针对该源数据进行预处理，其中，预处理的方式可以包括缺失值处理、异常值处理、缺漏回填处理、及数据标准化处理；本实施例对进行预处理的具体方式不作过多的限制。

具体地，针对各种的源数据进行预处理，得到各种训练数据、预测数据及投资机构数据；其中，该训练数据包括第一市场数据、第一项目数据、第一人员数据及第一评分数据；该预测数据包括第二市场数据、第二项目数据、第二人员数据，上述的训练数据即为训练样本，需要说明的是，该第一评分数据是指针对上述的市场数据、项目数据、人员数据进行分析跟评估后的评分数据，该第一评分数据可以是预置的，该训练数据是用于训练所述机器学习模型，得到经过训练后的机器学习模型。值得注意的是，该训练数据、预测数据及投资机构数据都是经过整合的数据。

进一步地，该预测数据是指将要输入至训练后的机器学习模型进行预测的数据，可以理解，将该预测数据输入至训练后的机器学习模型，得到输出的评分数据；

需要说明的是，待预处理操作完成后，可以将各种数据存储至各自的数据库中，如将第一市场数据、第二市场数据存储至市场数据库；该第一项目数据、第二项目数据存储至项目数据库；该第一人员数据、第二人员数据存储至人员数据库；第一评分数据存储至评分数据库；本实施例对此不作限制。

步骤103，将所述第一市场数据、第一项目数据、第一人员数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型；

具体应用到本实施例中，将第一市场数据、第一项目数据、第一人员数据及第一评分数据输入至预置的机器学习模型中，针对该机器学习模型进行训练；即利用上述的训练样本针对该预置的机器学习模型进行训练，不断调整模型内部的参数，得到训练后的机器学习模型。

针对机器学习模型的种类，可以包括有监督的机器学习模型，具体地，有监督学习模型主要包括用于分类及用于回归的模型，举例而言，可以包括线性分类器模型(Linearclassifier)、支持向量机模型(Support Vector Machine)、朴素贝叶斯模型分类器(NaiveBayes Classifier)、K近邻模型(k-nearest neighbor)、决策树模型(Decision Tree)、线性回归模型(Linear Regression)、回归树模型(Regression Tree)等，本实施例对此不作限制。

针对模型训练的方式，可以针对该通过将第一市场数据、第一项目数据、第一人员数据三者两两组合的方式进行训练，如将第一市场数据、第一项目数据及对应的第一评分数据输入至预置的机器学习模型，得到不同的评分结果，将其进行交互匹配。

步骤104，将所述第二市场数据、第二项目数据、第二人员数据输入至所述训练后的机器学习模型，得到对应的第二评分数据；

具体应用到本实施例中，将预测数据输入至训练后的机器学习模型，得到对应的第二评分数据；即将第二市场数据、第二项目数据、第二人员数据输入至所述训练后的机器学习模型，得到对应的第二评分数据。

同样地，也可以将第二市场数据、第二项目数据、第二人员数据三者两两组合的方式进行预测，得到不同的第二评分数据。

步骤105，根据所述投资机构数据得到投资机构对应的投资机构评分数据；

进一步地，还可以根据投资机构数据得到投资机构对应的投资机构评分数据；具体而言，可以将投资机构数据输入至机器学习模型，得到投资机构评分数据。

该机器学习模型可以是无监督学习模型，进一步地，无监督学习模型主要包括数据聚类模型(K-means)、数据降维模型(Principal Component Analysis)、随机森林模型(Random forests)、自编码模型(Auto encoding)、主成分分析模型(Principalcomponents analysis)等，本实施例同样对此不作限制。

步骤106，根据所述第二评分数据及所述投资机构评分数据对项目及投资机构进行匹配，得到匹配结果。

进一步地，可以根据该第二评分数据及所述投资机构评分数据对项目及投资机构进行匹配，得到匹配结果。即将通过项目、市场、人员的源数据经过机器学习模型得到的第二评分数据，与投资机构的评分数据进行匹配，得到项目及投资机构的匹配结果。通过人工智能、数据挖掘和分析等技术和算法，智能生成的创业投资风险评估报告，可以为投资机构提供可信的投资参考。

本实施例中，采集项目、市场、人员及投资机构的源数据；针对所述源数据进行预处理，得到预处理数据；其中，所述预处理数据包括训练数据、预测数据及投资机构数据；所述训练数据包括第一市场数据、第一项目数据、第一人员数据及第一评分数据；所述预测数据包括第二市场数据、第二项目数据、第二人员数据；将所述第一市场数据、第一项目数据、第一人员数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型；将所述第二市场数据、第二项目数据、第二人员数据输入至所述训练后的机器学习模型，得到对应的第二评分数据；根据所述投资机构数据得到投资机构对应的投资机构评分数据；根据所述第二评分数据及所述投资机构评分数据对项目及投资机构进行匹配，得到匹配结果。同时进行三方数据(市场、项目、人员)的分析，并进行交叉对比和匹配，由于原始数据资源更丰富全面，分析手段更加立体科学，所以评估结果更加准确可信，为投资机构提供了良好的参考信息；解决了人员与投资机构的交流效率低下的问题，将双方的资源和信息进行整合，提高沟通效率；

在其中一个实施例中，参照图2，示出了本实施例的一种训练后的机器学习模型获取步骤的流程示意图，所述将所述第一市场数据、第一项目数据、第一人员数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型，包括以下子步骤：

子步骤S11，将所述第一市场数据、第一人员数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型；

子步骤S12，将所述第一市场数据、第一项目数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型；

子步骤S13，将所述第一人员数据、第一项目数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型。

具体而言，分别将第一市场数据、第一人员数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型；将训练数据两两组合进行训练，提高机器学习模型的准确性。

在另外一个优选实施例中，参照图3，示出了本实施例的一种第二评分数据获取步骤的流程示意图，所述将所述第二市场数据、第二项目数据、第二人员数据输入至所述训练后的机器学习模型，得到对应的第二评分数据，包括以下子步骤：

子步骤S21，将所述第二市场数据、第二人员数据输入至所述训练后的机器学习模型，得到对应的第三评分数据；

子步骤S22，将所述第二市场数据、第二项目数据输入至所述训练后的机器学习模型，得到对应的第四评分数据；

子步骤S23，将所述第二人员数据、第二项目数据输入至所述训练后的机器学习模型，得到对应的第五评分数据；

子步骤S24，将所述第三评分数据和/或第四评分数据和/或第五评分数据进行交叉对比和匹配，得到第二评分数据。

同样的，也可以将预测数据两两组合输入至训练后的机器学习模型，得到不同的评分数据，将多个不同的评分数据进行交叉对比和匹配，得到第二评分数据。

在一个优选实施例中，参照图4，示出了本实施例的一种训练后的机器学习模型获取步骤的流程示意图，所述将所述第一市场数据、第一项目数据、第一人员数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型，包括以下子步骤：

子步骤S31，根据所述第一市场数据、第一项目数据、第一人员数据分别生成对应的第一市场画像、第一项目画像及第一人员画像；

子步骤S32，将经过数据整合的所述第一市场画像、第一项目画像、第一人员画像及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型。

具体而言，在训练机器学习模型时，可以首先生成预处理数据的画像，具体地，根据市场数据生成市场画像，根据项目数据生成项目画像，根据根据生成人员画像、而后将市场画像、项目画像、人员画像及第一评分数据进行整合串接，输入至预置的机器学习模型，得到训练后的机器学习模型。

同样地，在通过训练后的机器学习模型进行预测时，也需要进行数据整合串接的操作。

在一个优选实施例中，所述方法还包括：将所述源数据、预处理数据、第二评分数据及匹配结果作为区块数据存储至区块链中。利用区块链技术保障所有系统和用户数据真实可靠，解决了人员(包括双创毕业生)和投资机构的互信问题，并可通过信息溯源解决纷争。

在一个优选实施例中，参照图5，示出了本实施例的一种基于区块链的项目匹配方法的流程示意图，所述方法还包括以下步骤：

步骤107，接收针对所述项目的搜索请求；

步骤108，响应所述搜索请求展现所述项目的第二评分数据。

实际应用中，在界面上也可以接收针对所述项目的搜索请求，响应所述搜索请求展现所述项目的第二评分数据；具体地，还可以展现人员数据的主要信息。

在一个优选实施例中，参照图6，示出了本实施例的一种画像生成步骤的流程示意图，所述第一市场数据包括目标市场现有规模、扶持政策、发展趋势；所述第一项目数据包括投入资金、投资回报水平、市场准入标准、所需人员数量、人员技能、所需人际关系网络、业务上下游渠道；所述第一人员数据包括学习成绩、课外活动成绩、课程信息、教师评价、实习单位评价、实习岗位、实习成绩；所述根据所述第一市场数据、第一项目数据、第一人员数据分别生成对应的第一市场画像、第一项目画像及第一人员画像，包括以下子步骤：

子步骤S41，根据所述目标市场现有规模、扶持政策、发展趋势生成对应的第一市场画像；

子步骤S42，根据所述投入资金、投资回报水平、市场准入标准、所需人员数量、人员技能、所需人际关系网络、业务上下游渠道生成对应的第一项目画像；

子步骤S43，根据所述学习成绩、课外活动成绩、课程信息、教师评价、实习单位评价、实习岗位、实习成绩生成对应的第一人员画像。

针对市场画像、项目画像及人员画像的生成方式，可以通过预处理数据生成对应的画像。

为了让读者更好地理解本实施例，以基于区块链的可信“双创”系统为具体示例进行说明，具体地，该系统为应届毕业生和投资机构提供了一个基于区块链的可信“双创”合作平台，并通过人工智能、数据挖掘和分析等技术，对双创毕业生、双创项目和对应的市场进行分析和评估，为投资机构提供可信的投资风险评估信息，同时各投资机构资质的投资信息也将上链存储，为其他双创人员提供可信参考。

该系统主要包括数据挖掘模块、信息存储模块、智能分析模块、事件溯源模块、结果反馈模块以及用户管理模块；

1、数据挖掘模块的功能包括：双创毕业生数据挖掘、双创项目数据挖掘、相关项目市场数据挖掘、投资机构数据挖掘；

数据来源包括：教务管理系统、在线学习平台、实习管理系统、就业招聘系统、校企合作系统等，以及国内外新闻、各大学术期刊杂志数据库、大学网站、数据分析网站、行业报告白皮书、各类统计报告、政府法律政策和扶持政策等；

2、信息存储模块的功能包括：

2.1对挖掘到的数据信息进行存储，包括：双创毕业生数据、双创项目数据、相关项目市场数据、投资机构数据；

2.2对智能分析的结果进行存储，包括：市场画像(项目的目标市场现有规模、发展趋势和潜力，以及国家或地方的相关扶持政策等)及评分、项目画像(项目所需的投入资金、投资回报水平、市场准入标准、所需人员数量和技能、所需的人际关系网络、业务上下游渠道等)及评分、学生画像(学习能力、技术能力、社交能力、执行能力、特长、爱好、性格等)及评分、双创整体评估报告、双创投资机构画像(资质、信誉、成绩等)及评分；

2.3对系统内发生的交流和投资活动信息进行存储，包括：聊天信息、投资合约以及相关信息的发生时间、交易双方个人信息等；

2.4对用户信息进行存储，包括毕业生姓名、身份证号、毕业院校、专业、简历等，以及投资公司名称、法人、唯一社会信用代码、注册资金等；

3、智能分析模块的功能包括：对项目当前市场的数据信息、项目自身信息和学生数据信息进行分析和评估，形成双创综合分析评估报告(包括双创总分、各单项得数、风险等级、投资建议等)；对投资机构进行分析，形成投资机构综合分数；根据双创毕业生的双创信息，智能推荐投资机构给学生；将投资机构感兴趣的双创类型的项目和毕业生推荐给相应的投资机构；系统同时结合当前市场的数据信息、项目自身信息和学生数据信息进行综合分析和评估：

市场方面，对项目的目标市场现有规模、发展趋势和潜力，以及国家或地方的相关扶持政策等进行分析，形成市场画像；

项目方面，分析该项目所需的投入资金、投资回报水平、市场准入标准、所需人员数量和技能、所需的人际关系网络、业务上下游渠道等，形成项目画像；

学生方面，通过分析由教务管理系统、在线学习平台、实习管理系统、就业招聘系统、校企合作系统等记录的学生从进入大学、到实习、到毕业的全部上链信息(包括成绩、课外活动、选课、教师评价、实习单位评价、实习岗位和成绩等)，形成包括学生学习能力、技术能力、社交能力、执行能力、特长、爱好、性格等信息的学生画像；

4、事件溯源模块的功能：通过区块链技术，对在系统内进行的用户交流和投资活动信息进行上链存储，基于时间节点和操作行为，形成不可篡改且可溯源的数据信息链；用户通过查看此信息链即可获得过去各主要时间节点上双方进行过的操作信息，包括聊天记录、投资合约等；

5、结果反馈模块的功能包括：为用户提供双创综合分析评估报告；根据用户输入的条件，提供相关的搜索结果，包括投资机构信息、双创毕业生信息、双创项目信息、历史操作记录、投资记录等；

6、用户管理模块的功能包括：用户注册管理、身份验证、权限管理、会员管理等。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本实施例并不受所描述的动作顺序的限制，因为依据本实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本实施例所必须的。

参照图7，示出了本实施例的一种基于区块链的项目匹配装置实施例的结构框图，具体可以包括如下模块：

源数据采集模块301，用于采集项目、市场、人员及投资机构的源数据；

预处理数据模块302，用于针对所述源数据进行预处理，得到预处理数据；其中，所述预处理数据包括训练数据、预测数据及投资机构数据；所述训练数据包括第一市场数据、第一项目数据、第一人员数据及第一评分数据；所述预测数据包括第二市场数据、第二项目数据、第二人员数据；

训练模块303，用于将所述第一市场数据、第一项目数据、第一人员数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型；

预测模块304，用于将所述第二市场数据、第二项目数据、第二人员数据输入至所述训练后的机器学习模型，得到对应的第二评分数据；

投资机构模块305，用于根据所述投资机构数据得到投资机构对应的投资机构评分数据；

匹配结果获得模块306，用于根据所述第二评分数据及所述投资机构评分数据对项目及投资机构进行匹配，得到匹配结果。

在其中一个实施例中，所述训练模块包括：

第一训练模块，用于将所述第一市场数据、第一人员数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型；

和/或，第二训练模块，用于将所述第一市场数据、第一项目数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型；

和/或，第三训练模块，用于将所述第一人员数据、第一项目数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型。

在其中一个实施例中，所述预测模块包括：

第一预测子模块，用于将所述第二市场数据、第二人员数据输入至所述训练后的机器学习模型，得到对应的第三评分数据；

和/或，第二预测子模块，用于将所述第二市场数据、第二项目数据输入至所述训练后的机器学习模型，得到对应的第四评分数据；

和/或，第三预测子模块，用于将所述第二人员数据、第二项目数据输入至所述训练后的机器学习模型，得到对应的第五评分数据；

第四预测子模块，用于将所述第三评分数据和/或第四评分数据和/或第五评分数据进行交叉对比和匹配，得到第二评分数据。

在其中一个实施例中，所述训练模块包括：

画像生成子模块，用于根据所述第一市场数据、第一项目数据、第一人员数据分别生成对应的第一市场画像、第一项目画像及第一人员画像；

第四训练子模块，用于将经过数据整合的所述第一市场画像、第一项目画像、第一人员画像及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型。

在其中一个实施例中，所述装置还包括：

存储模块，用于将所述源数据、预处理数据、第二评分数据及匹配结果作为区块数据存储至区块链中。

在其中一个实施例中，所述装置还包括：

接收模块，用于接收针对所述项目的搜索请求；

展现模块，用于响应所述搜索请求展现所述项目的第二评分数据。

在其中一个实施例中，所述第一市场数据包括目标市场现有规模、扶持政策、发展趋势；

所述第一项目数据包括投入资金、投资回报水平、市场准入标准、所需人员数量、人员技能、所需人际关系网络、业务上下游渠道；

所述第一人员数据包括学习成绩、课外活动成绩、课程信息、教师评价、实习单位评价、实习岗位、实习成绩；

所述画像生成子模块包括：

市场画像生成单元，用于根据所述目标市场现有规模、扶持政策、发展趋势生成对应的第一市场画像；

和/或，项目画像生成单元，用于根据所述投入资金、投资回报水平、市场准入标准、所需人员数量、人员技能、所需人际关系网络、业务上下游渠道生成对应的第一项目画像；

和/或，人员画像生成单元，用于根据所述学习成绩、课外活动成绩、课程信息、教师评价、实习单位评价、实习岗位、实习成绩生成对应的第一人员画像。

关于基于区块链的项目匹配装置的具体限定可以参见上文中对于基于区块链的项目匹配方法的限定，在此不再赘述。上述基于区块链的项目匹配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

上述提供的基于区块链的项目匹配装置可用于执行上述任意实施例提供的基于区块链的项目匹配方法，具备相应的功能和有益效果。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种运行维护的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

采集项目、市场、人员及投资机构的源数据；

针对所述源数据进行预处理，得到预处理数据；其中，所述预处理数据包括训练数据、预测数据及投资机构数据；所述训练数据包括第一市场数据、第一项目数据、第一人员数据及第一评分数据；所述预测数据包括第二市场数据、第二项目数据、第二人员数据；

将所述第一市场数据、第一项目数据、第一人员数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型；

将所述第二市场数据、第二项目数据、第二人员数据输入至所述训练后的机器学习模型，得到对应的第二评分数据；

根据所述投资机构数据得到投资机构对应的投资机构评分数据；

根据所述第二评分数据及所述投资机构评分数据对项目及投资机构进行匹配，得到匹配结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将所述第一市场数据、第一人员数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型；

和/或，将所述第一市场数据、第一项目数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型；

和/或，将所述第一人员数据、第一项目数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将所述第二市场数据、第二人员数据输入至所述训练后的机器学习模型，得到对应的第三评分数据；

和/或，将所述第二市场数据、第二项目数据输入至所述训练后的机器学习模型，得到对应的第四评分数据；

和/或，将所述第二人员数据、第二项目数据输入至所述训练后的机器学习模型，得到对应的第五评分数据；

将所述第三评分数据和/或第四评分数据和/或第五评分数据进行交叉对比和匹配，得到第二评分数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据所述第一市场数据、第一项目数据、第一人员数据分别生成对应的第一市场画像、第一项目画像及第一人员画像；

将经过数据整合的所述第一市场画像、第一项目画像、第一人员画像及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将所述源数据、预处理数据、第二评分数据及匹配结果作为区块数据存储至区块链中。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

接收针对所述项目的搜索请求；

响应所述搜索请求展现所述项目的第二评分数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据所述目标市场现有规模、扶持政策、发展趋势生成对应的第一市场画像；

和/或，根据所述投入资金、投资回报水平、市场准入标准、所需人员数量、人员技能、所需人际关系网络、业务上下游渠道生成对应的第一项目画像；

和/或，根据所述学习成绩、课外活动成绩、课程信息、教师评价、实习单位评价、实习岗位、实习成绩生成对应的第一人员画像。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

采集项目、市场、人员及投资机构的源数据；

针对所述源数据进行预处理，得到预处理数据；其中，所述预处理数据包括训练数据、预测数据及投资机构数据；所述训练数据包括第一市场数据、第一项目数据、第一人员数据及第一评分数据；所述预测数据包括第二市场数据、第二项目数据、第二人员数据；

将所述第一市场数据、第一项目数据、第一人员数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型；

将所述第二市场数据、第二项目数据、第二人员数据输入至所述训练后的机器学习模型，得到对应的第二评分数据；

根据所述投资机构数据得到投资机构对应的投资机构评分数据；

根据所述第二评分数据及所述投资机构评分数据对项目及投资机构进行匹配，得到匹配结果。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：

将所述第一市场数据、第一人员数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型；

和/或，将所述第一市场数据、第一项目数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型；

和/或，将所述第一人员数据、第一项目数据及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：

将所述第二市场数据、第二人员数据输入至所述训练后的机器学习模型，得到对应的第三评分数据；

和/或，将所述第二市场数据、第二项目数据输入至所述训练后的机器学习模型，得到对应的第四评分数据；

和/或，将所述第二人员数据、第二项目数据输入至所述训练后的机器学习模型，得到对应的第五评分数据；

将所述第三评分数据和/或第四评分数据和/或第五评分数据进行交叉对比和匹配，得到第二评分数据。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：

根据所述第一市场数据、第一项目数据、第一人员数据分别生成对应的第一市场画像、第一项目画像及第一人员画像；

将经过数据整合的所述第一市场画像、第一项目画像、第一人员画像及第一评分数据输入至预置的机器学习模型，得到训练后的机器学习模型。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：

将所述源数据、预处理数据、第二评分数据及匹配结果作为区块数据存储至区块链中。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：

接收针对所述项目的搜索请求；

响应所述搜索请求展现所述项目的第二评分数据。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：

根据所述目标市场现有规模、扶持政策、发展趋势生成对应的第一市场画像；

和/或，根据所述投入资金、投资回报水平、市场准入标准、所需人员数量、人员技能、所需人际关系网络、业务上下游渠道生成对应的第一项目画像；

和/或，根据所述学习成绩、课外活动成绩、课程信息、教师评价、实习单位评价、实习岗位、实习成绩生成对应的第一人员画像。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本实施例是参照根据本实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种基于区块链的项目匹配方法、一种基于区块链的项目匹配装置、一种计算机设备及一种存储介质，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。