一种基于区块链的NFT数字艺术品交易平台、方法、装置及存储介质

摘要

本说明书实施例涉及一种基于区块链的NFT数字艺术品交易平台、方法、装置及存储介质，该平台包括第一获取模块，用于获取NFT数字艺术品的商品特征；第二获取模块，用于获取消费者的消费特征；推荐模块，用于基于NFT数字艺术品的商品特征和消费者的消费特征，确定推荐商品。

说明书

技术领域

本申请涉及区块链技术领域，具体涉及一种基于区块链的NFT数字艺术品交易平台、方法、装置及存储介质。

背景技术

区块链技术的发展已经深入到生活生产的各方各面。例如，将区块链技术作为艺术品的载体，使艺术品的边界得以延展到数字世界，不再局限于物理世界，所得到的NFT数字艺术品也被赋予了唯一性和不可修改性。随着当前NFT数字艺术品越来越多，因此，需要提供一种基于区块链的NFT数字艺术品交易平台、方法、装置及存储介质，可以用于NFT数字艺术品的展示和交易，并可以提高NFT数字艺术品的交易量。

发明内容

本说明书提供一种基于区块链的NFT数字艺术品交易平台、方法、装置及存储介质，可以用于NFT数字艺术品的展示以及流通，通过本说明书一些实施例的方法，可以为消费者提供定制化服务，提高交易的效率，增加平台的成交量。

本说明书实施例之一提供一种基于区块链的NFT数字艺术品交易平台，该平台包括：第一获取模块，用于获取NFT数字艺术品的商品特征；第二获取模块，用于获取消费者的消费特征；推荐模块，用于基于NFT数字艺术品的商品特征和消费者的消费特征，确定推荐商品。

本说明书实施例之一提供一种基于区块链的NFT数字艺术品交易方法，应用于区块链的NFT数字艺术品交易平台，该方法包括：获取NFT数字艺术品的商品特征；获取消费者的消费特征；基于NFT数字艺术品的商品特征和消费者的消费特征，确定推荐商品。

本说明书实施例之一提供一种基于区块链的NFT数字艺术品交易系统，包括处理器，该处理器用于执行如上述任一项所述的一种基于区块链的NFT数字艺术品交易方法。

本说明书实施例之一提供一种计算机可读存储介质，该存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如上述任一项所述的一种基于区块链的NFT数字艺术品交易方法。

附图说明

图1是根据本说明书一些实施例所示的NFT数字艺术品的交易平台的应用场景示意图；

图2是根据本说明书一些实施例所示的大功率光伏发电的追踪控制系统的模块图；

图3是根据本说明书一些实施例所示的基于区块链的NFT数字艺术品交易平台使用方法的流程图；

图4是根据本说明书一些实施例所示的对推荐商品突出显示的示例性流程图；

图5是根据本说明书一些实施例所示的第二预测模型的示例性结构示意图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

图1是根据本说明书一些实施例所示的NFT数字艺术品的交易平台的应用场景示意图。

如图1所示，NFT数字艺术品的交易平台的应用场景100可以包括终端110、网络120、存储器130以及处理器140。

NFT数字艺术品的交易平台可以通过实施本说明书中披露的方法和/或过程向消费者推荐符合消费特征的商品，为消费者提供符合消费者的定制服务，节省消费者的时间，提高交易效率增加成交量。

终端110可以指消费者所使用的一个或多个终端设备或软件。在一些实施例中，终端110可以是移动设备、平板计算机、笔记本电脑等或其任意组合。在一些实施例中，终端110可以通过网络120与道路管理平台100中的其他组件交互。在一些实施例中，终端110可以是NFT数字交易品管理人员所使用的终端设备或软件，也可以是消费者购买NFT数字艺术品的终端设备或者软件。例如，消费者可以通过终端110查看NFT数字艺术品。

网络120可以包括提供能够促进道路管理平台100的信息和/或数据交换的任何合适的网络。道路管理平台100的一个或多个组件(例如，存储器130、处理器140、终端110)之间可以通过网络120交换信息和/或数据。例如，网络120可以将NFT数字艺术品的商品特征和消费者的消费特征发送至处理器140。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点。在一些实施例中，网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。

存储器130可以用于存储数据、指令和/或任何其他信息。在一些实施例中，存储器130可以存储从例如处理器140等获得的数据和/或信息。例如，存储器130可以存储NFT数字艺术品的商品特征和消费者的消费特征等。在一些实施例中，存储器130可以设置在处理器140中。在一些实施例中，存储器130可包括大容量存储器、可移除存储器等或其任意组合。

处理器140可以处理从其他设备或系统100各个组件中获得的数据和/或信息。在一些实施例中，处理器140可以直接连接或通过网络120连接存储器130以及终端110以访问信息和/或数据。例如，处理器140可以从终端120和/或存储器130获取供NFT数字艺术品的商品特征和消费者的消费特征。在一些实施例中，处理器140可以处理处获取的数据和/或信息。例如，处理器140可以基于NFT数字艺术品的商品特征和消费者的消费特征确定推荐商品。在一些实施例中，处理器140可以是单个服务器或服务器组。处理器140可以是本地的、远程的。处理器140可以在云平台上实现。

图2是根据本说明书一些实施例所示的基于区块链的NFT数字艺术品交易平台的示意图。如图2所示，基于区块链的NFT数字艺术品交易平台200可以包括第一获取模块210、第二获取模块220、推荐模块230。在一些实施例中，基于区块链的NFT数字艺术品交易平台可以为处理器140的一部分或由处理处理器140实现。

在一些实施例中，基于区块链的NFT数字艺术品交易平台200可以应用于NFT数字艺术品交易的多种场景。

在一些实施例中，第一获取模块210可以用于获取NFT数字艺术品的商品特征。

在一些实施例中，第二获取模块220可以用于获取消费者的消费特征。

在一些实施例中，推荐模块230可以用于基于NFT数字艺术品的商品特征和消费者的消费特征，确定推荐商品。

在一些实施例中，推荐模块230还包括第一推荐模块231，第一推荐模块231可以用于：基于NFT数字艺术品的商品特征和消费者的消费特征，通过第一预测模型确定NFT数字艺术品的第一推荐指数；将第一推荐指数满足预设条件的NFT数字艺术品作为推荐商品。

在一些实施例中，基于区块链的NFT数字艺术品交易平台200还可以包括显示模块240，该显示模块240可以用于根据第一推荐指数，确定推荐商品的显示状态。

在一些实施例中，基于区块链的NFT数字艺术品交易平台200还可以包括更新模块250，该更新模块240可以用于：获取消费者的检索信息；基于消费者的搜索信息，更新推荐商品。

图3是根据本说明书一些实施例所示的基于区块链的NFT数字艺术品交易平台使用方法的流程图。在一些实施例中，流程300可以由处理器执行。流程300包括以下步骤：

步骤310，获取NFT数字艺术品的商品特征。

NFT数字艺术品可以指基于区块链技术的虚拟艺术品。NFT数字艺术品可以包括图片、视频、音频等。为了方便起见，本说明书中所提到的商品和NFT数字艺术品可以通用。在一些实施例中，NFT数字艺术品可以通过本说明书一些实施例中的NFT数字艺术品交易平台进行展示并流通，例如，消费者可以在NFT数字艺术品交易平台上对NFT数字艺术品进行查看、购买、转赠、转卖等。

NFT数字艺术品的商品特征可以指与NFT数字艺术品有关的特征。在一些实施例中，NFT数字艺术品的商品特征可以包括作者或者出版商、种类、类型、热度、历史购买特征等。NFT数字艺术品的种类可以包括图片、视频、音频等。NFT数字艺术品的类型可以包括其所属的类型，例如，当NFT数字艺术品的为图片时，其类型可以为抽象型、写实型、卡通型等。NFT数字艺术品的热度可以指消费者对该NFT数字艺术品的感兴趣程度。NFT数字艺术品的热度可以通过该商品以及与该商品有关的信息的被搜索量确定。例如，热度可以通过NFT数字艺术品的A在搜索引擎中被搜索或者在推广页面被点击的次数确定。NFT数字艺术品的历史购买特征可以包括该NFT数字艺术品的历次交易的价格、次数、时间。例如，NFT数字艺术品A的首次上架时间为2015年12月1日，价格为30元钱，首次被购买时间为2015年12月1日，第二次交易的时间为2016年1月1日，价格为50元钱。NFT数字艺术品的商品特征可以通过NFT数字艺术品交易平台对该商品的详细介绍中获取。该NFT数字艺术品的历史购买特征可以为消费者购买时提供参考，为消费者提供更全面的信息。

在一些实施例中，NFT数字艺术品的商品特征可以用向量表示。NFT数字艺术品的作者或者出版商、种类、类型、热度、历史购买特征可以分别用数字表示，可以预先设定其中每一种商品特征与数字的对应关系。对于每一个作者或者出版商，可以预设其与数字的对应关系。例如，作者A的NFT数字艺术品的数字编号为1等。对于NFT数字艺术品的种类，1、2、3分别表示图片、视频、音频等。对于类型，1可以表示抽象型，2可以表示写实型，3可以表示卡通型等。对于热度，可以将被点击和搜索的总次数的范围与数字对应起来。例如，1、2、3可以和总次数0-20、21-80、81-150对应。对于历史购买特征，可以通过历史交易次数、价格、时间来表示。在一些实施例中，交易多次可以只显示最后一次的交易价格和时间。例如，商品特征向量可以为(1,1,2,1,1,30,20181001)，则表示NFT数字艺术品的作者为A，种类为图片，类型为写实型，被点击和搜索的总次数范围为0-20次，被交易了1次，价格为30，时间为2018年10月1日。

步骤320，获取消费者的消费特征。

消费者可以指使用该NFT数字艺术品交易平台的群体。消费者可以包括该NFT数字艺术品交易平台的浏览者、发生过购买行为的消费者等。

消费者的消费特征可以指与消费者有关的特征。在一些实施例中，消费者的消费特征可以包括消费者的年龄、性别、地域、购买能力、购物偏好等。消费者的年龄和性别可以通过消费者注册信息获取。消费者的地域可以根据消费者的常用登录地址所在的地域确定。例如，地域可以是包括国家和/或国家中的省份/直辖市。地域特征可以一定程度反应消费特征。在一些实施例中，消费者的购买能力可以指消费者对每个NFT数字艺术品价格的选择范围。在一些实施例中，消费者的购物偏好可以为对NFT数字艺术品的类型的喜好。在一些实施例中，消费者的购买能力和购物偏好可以通过消费者在该网站浏览历史、加入购物车的商品、已经支付的商品、已经购买的商品但是未支付的商品等确定。例如，消费者在购物车中的商品多为20-30元的涂鸦型商品，则可以确定消费者的购买能力为20-30元的商品，购物偏好为涂鸦型商品。

在一些实施例中，消费者的消费特征可以用向量表示。消费者的年龄、性别、地域、购买能力、购物偏好可以分别用数字表示，可以预先设定其中每一种消费特征与数字的对应关系。消费者的性别中，1表示男性，2表示女性。消费者购买能力中，可以用价格的区间范围与数字的对应关系表示。例如，购买能力0-10、11-20、21-30分别对应1、2、3。地域中的每一个省份可以对应一个数字。例如，1可以代表北京，2可以代表上海等。对于购物偏好，1可以表示抽象型，2可以表示写实型，3可以表示卡通型。例如，消费者的消费特征向量可以为(30,1,2,3,1)，则表示消费者的年龄为30岁，地域为上海，性别为男性，购买能力为21-30元，购物偏好为抽象型NFT数字艺术品。

步骤330，基于NFT数字艺术品的商品特征和消费者的消费特征，确定推荐商品。

推荐商品可以指向当前消费者推荐的NFT数字艺术品。推荐商品的数量可以为多个。通过本说明书的一些实施例所确定的推荐商品，可以为消费者提供符合消费者自身的商品，提供定制化的服务，提高交易的效率，增加商品的成交量。

在一些实施例中，可以基于NFT数字艺术品的商品特征和消费者的消费特征，通过第一预测模型确定NFT数字艺术品的第一推荐指数。在一些实施例中，将第一推荐指数满足预设条件的NFT数字艺术品作为推荐商品。预设条件为第一推荐指数大于第一预设阈值。第一预设阈值可以人工设定。

在一些实施例中，第一预测模型的输入为NFT数字艺术品的商品特征和消费者的消费特征，输出为NFT数字艺术品的第一推荐指数。第一推荐指数可以指预测得到的当前消费者购买当前NFT数字艺术品的可能性。第一推荐指数可以用数字表示，数字越高，表示当前NFT数字艺术品与当前消费者的匹配程度就越高，该NFT数字艺术品被消费者购买的可能性就越高。通过预测当前NFT数字艺术品被消费者购买的可能性，并基于该可能性向消费者进行推荐，可以调高交易的效率，增加成交量。

在一些实施例中，第一预测模型可以包括嵌入层和第一商品确定层，嵌入层可以包括第一嵌入层和第二嵌入层。在一些实施例中，第一嵌入层可以用于确定NFT数字艺术品的商品特征向量，输入为NFT数字艺术品的商品特征，即作者或者出版商、种类、类型、热度、历史购买特征中的至少一种，输出为NFT数字艺术品的商品特征向量。在一些实施例中，第二嵌入层可以用于确定消费者的消费者的消费特征向量，输入为消费者的消费特征，即年龄、性别、地域、购买能力、购物偏好中的至少一种，输出为消费者的消费特征向量。嵌入层可以为机器学习模型，例如，嵌入层可以由卷积神经网络(Convolutional NeuralNetwork,CNN)、神经网络(Neural Network,NN)等实现。在一些实施例中，第一商品确定层可以用于确定NFT数字艺术品的第一推荐指数，输入可以包括嵌入层的输出，即NFT数字艺术品的商品特征向量和消费者的消费特征向量，输出为NFT数字艺术品的第一推荐指数。第一商品确定层可以为机器学习模型，例如，卷积神经网络、神经网络、深度神经网络。

在一些实施例中，第一预测模型可以通过初始嵌入层和初始第一商品确定层联合训练得到。第一预测模型可以通过带有多个标签的训练样本训练得到。例如，向初始嵌入层输入训练样本，得到初始嵌入层输出的NFT数字艺术品的历史商品特征向量和历史消费者的消费特征向量；然后将初始嵌入层的输出作为初始第一商品确定层的输入。训练过程中，基于标签和初始第一商品确定层的输出结果建立损失函数，并基于损失函数同时迭代更新初始嵌入层和初始第一商品确定层的参数，直到预设条件被满足训练完成。训练完成后第一预测模型的参数也可以确定。训练样本可以包括历史数据中向消费者推荐的历史商品特征和对应的历史消费特征，标签可以是该商品的历史第一推荐指数，历史第一推荐指数可以为该类型商品的成功交易次数和向消费者推荐的次数的比值。训练样本的标签可以基于人工标注获得。

在一些实施例中，可以基于历史数据预设推荐数据库。在一些实施例中，可以基于NFT数字艺术品的商品特征和消费者的消费特征，通过推荐数据库确定NFT数字艺术品的第一推荐指数。推荐数据库中的元素包括至少一组历史成交的历史商品特征向量和对应的历史消费者的消费特征向量。在一些实施例中，历史商品特征向量和对应的历史消费者的消费特征向量可以通过第一预测模型的嵌入层确定。在一些实施例中，分别确定商品特征向量和历史商品特征向量的相似度，以及对应的消费者的消费特征向量和历史消费者的消费特征向量的相似度，并基于商品特征和消费特征的权重，确定购买指数。在一些实施例中，将购买指数大于购买阈值的NFT数字艺术品作为推荐商品。购买阈值可以人工设定。在一些实施例中，购买指数可以通过公式(1)确定。

θ＝A×b+C×d   (1)

其中，θ为当前NFT数字艺术品对当前消费者的购买指数。A为当前商品特征向量和历史商品特征向量的相似度，C为当前消费者的消费特征向量和历史消费者的消费特征向量的相似度，b为商品特征的权重，d为消费特征的权重。例如，当前NFT数字艺术品的商品特征向量和历史商品特征向量的相似度为90％，对应的，当前消费者的消费特征向量和历史消费者的消费特征向量的相似度为40％，商品特征和消费特征的权重分别为0.6和0.4，则购买指数θ可以为90％×0.6+40％×0.4＝0.7。通过将当前NFT数字艺术品的商品特征和消费特征与历史成交了的NFT数字艺术品的历史商品特征和历史消费特征之间的相似度，来预测当前消费者可能购买当前商品的可能性，并基于该可能性向消费者推荐商品，可以提高交易的效率，增加成交量。

通过本说明书中的一些实施例中，基于消费者的消费特征和商品特征，可以为消费者推荐NFT数字艺术品，为消费者提供定制化的服务，节省了消费者的时间，提高交易的效率，增加了成交量。

在一些实施例中，处理器确定了推荐商品后，可以通过消费者终端向消费者突出展示，或者在特定的区域展示。关于突出显示的详细内容可以参见本说明书其他内容的描述，例如，图4。

图4是根据本说明书一些实施例所示的对推荐商品突出显示的示例性流程图。

在一些实施例中，可以基于NFT数字艺术品的商品特征410和消费者的消费特征420所确定的第一推荐指数430，确定推荐商品的显示状态440。

推荐商品的显示状态440可以包括显示方式、显示时间显示内容。显示方式可以包括在显示位置、是否突出显示、突出显示的内容和时间等。第一推荐指数430越高，推荐位置越醒目。当消费者用鼠标移动到该推荐商品上时，可以进行突出显示。例如，可以放大显示，或者可以增加小窗口显示。通过移动鼠标突出显示，可以减少消费者来回切换页面获取信息的时间，为消费者购物提供方便。显示内容可以包括该商品的图像、名词和/或商品特征中的至少一种。当第一推荐指数430越高，该推荐商品突出显示的时间就越长，并且对该推荐商品的相关显示内容就越多。例如，当第一推荐指数为0.5，可以显示该NFT数字艺术品的图像、名称，当第一推荐指数为0.9，则可以显示该NFT数字艺术品的图像、名称和种类、类型等商品特征。

在一些实施例中，可以预设第一推荐指数和显示状态的对应关系，基于该对应关系和推荐商品的第一推荐指数确定推荐商品的显示状态。第一推荐指数和显示状态的对应关系可以人工设定。例如，当第一推荐指数大于等于0.9，当消费者用鼠标移动到该推荐商品上时，可以突出放大显示1min，相关显示内容可以包括该推荐商品的图像、名称、作者或者出版商、种类、类型、历史购买特征。当第一推荐指数在0.6(包含0.6)和0.9之间，则该推荐商品可以放大显示40s，相关显示内容可以包括该推荐商品的图像、名称、种类、类型。当第一推荐指数在0.5(包含0.5)和0.6之间，则该推荐商品的可以放大显示30s，相关显示内容可以包括该推荐商品的图像、名称。

在一些实施例中，可以通过购买概率模型预测不同显示状态下的购买概率。购买概率模型可以为机器学习模型，例如，购买概率模型可以为深度神经网络模型。购买概率模型的输入为该NFT数字艺术品的商品特征、显示状态，输出为该商品的购买概率。

在一些实施例中，购买概率模型可以通过训练得到。例如，向初始购买概率模型输入训练样本，并基于标签和初始购买概率模型的输出结果建立损失函数，对初始购买概率模型的参数进行更新，当初始购买概率模型的损失函数满足预设条件时模型训练完成，其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。

在一些实施例中，训练样本可以为历史商品特征以及商品对应的历史显示状态，训练样本可以基于历史数据获取。训练样本的标签可以是在该显示状态下的历史购买概率。历史购买概率可以为在该显示状态下商品的历史成交次数与处于该历史显示状态的历史显示次数。历史购买概率可以由具有相同或相似的商品的历史数据确定。例如，具有相同/或相似商品特征的商品在该历史显示状态的历史显示次数为10次，该类商品处于该历史显示状态中的成交次数为2次，则历史购买概率为0.2。标签可以人工标注。

在一些实施例中，通过预测的购买概率调整该商品原有的显示状态，得到多个调整后的显示状态，并通过购买概率模型确定与多个调整后的显示状态对应的购买概率，将其中与最高购买概率对应的显示状态作为该商品的目标显示状态。调整可以为增加或减少显示时间、相关显示内容等。例如，通过购买概率模型可以得到，商品的当前显示状态对应的购买概率为0.7，通过对当前显示状态进行调整得到3个调整后的显示状态方案A、B、C，通过购买概率模型得到3个购买概率，分别为0.6、0.8、0.9，则将与购买概率为0.9对应的显示状态方案C作为目标显示状态。调整方案的数量可以通过人工确定。

在一些实施例中，也可以基于人工或者系统设定的初始显示状态进行调整。通过比较显示状态对应的购买概率进行调整得到对应的调整方案。例如，当增加显示时间后，得到的购买概率变小，则可以在初始显示状态基础上减少显示时间。

通过本说明书的一些实施例中的通过机器学习模型预测与显示状态对应的该商品的购买概率，可以增加对该商品购买概率的准确性，并基于购买概率对当前显示状态进行调节，可以提高交易的效率，增加成交量。

在一些实施中，可以获取消费者的检索信息，并基于消费者的检索信息更新推荐商品。

检索信息可以为消费者当前感兴趣的商品的搜索信息。在一些实施例中，检索信息可以包括对商品特征的限制条件。在一些实施例中，检索信息可以为对NFT数字艺术品的作者或者出版商、种类、类型、热度、历史购买特征等至少一种商品特征进行限制的信息。例如，检索信息可以为“出版商A”。在一些实施例中，检索信息可以通过用户当前一段时间(例如，本次登录时间段内等)内在搜索框中输入的商品检索记录、加入购物车商品的记录、商品购买记录获取。

在一些实施例中，可以基于消费者输入的商品的检索信息和所有NFT数字艺术品的特征信息进行比较，更新推荐商品。在一些实施例中，可以通过检索信息向量和特征信息向量之间的相似度，更新推荐商品。检索信息向量可以通过第一预测模型的第一嵌入层获取。检索信息向量和特征信息向量之间的相似度可以通过向量间的距离来确定。距离越小，检索信息向量和特征信息向量之间的相似度越高。例如，用户输入的检索记录可以为“出版商A”，则推荐商品可以修改为“出版商A”的商品。

图5是根据本说明书一些实施例所示的第二预测模型的示例性结构示意图。

在一些实施例中，可以通过第二预测模型更新推荐商品。在一些实施例中，通过第二预测模型确定更新后的NFT数字艺术品的第二推荐指数。在一些实施例中，第二预测模型的输入为NFT数字艺术品的商品特征、消费者的消费特征以及检索信息，输出为NFT数字艺术品的第二推荐指数。第二推荐指数的详细内容可以参见本说明书其他部分内容的详细描述，例如，图3中第一推荐指数。在一些实施例中，可以按照商品的第二推荐指数对商品进行排列，将第二推荐指数大于第二预设阈值的商品作为推荐商品，并按照第二推荐指数从大到小向当前消费者显示。第二预设阈值可以人工设定。

如图5所示，第二预测模型包括嵌入层520、对比层540和第二商品确定层560。第二预测模型的嵌入层520包括第一嵌入层521和第二嵌入层522，关于嵌入层520的详细内容可以参见本说明书其他部分内容的详细描述，例如，图3中第一预测模型中的嵌入层。在一些实施例中，基于NFT数字艺术品的商品特征511，即作者或者出版商、种类、类型、热度、历史购买特征中的至少一种，通过第一嵌入层521确定NFT数字艺术品的商品特征向量531。在一些实施例中，基于检索信息512通过第一嵌入层521确定检索信息向量532。在一些实施例中，基于消费者的消费特征513，即年龄、性别、地域、购买能力、购物偏好中的至少一种，通过第二嵌入层522可以确定消费者的消费者的消费特征向量533。

在一些实施例中，对比层540可以用来确定检索信息和商品特征之间的相似度550。在一些实施例中，对比层540可以是机器学习模型。例如，对比层可以是深度神经网络模型。在一些实施例中，对比层540的输入可以包括嵌入层输出的检索信息向量532和NFT数字艺术品的商品特征向量531，输出可以为检索信息和商品特征之间的相似度550。

在一些实施例中，第二商品确定层560可以用于确定NFT数字艺术品的第二推荐指数570。在一些实施例中，第二商品确定层560可以为机器学习模型，例如，卷积神经网络、神经网络、深度神经网络。在一些实施例中，第二商品确定层560的输入可以包括嵌入层的输出的NFT数字艺术品的商品特征向量531和消费者的消费特征向量533、以及对比层输出的检索信息和商品特征之间的相似度550，输出可以包括NFT数字艺术品的第二推荐指数570。

在一些实施例中，第二预测模型可以通过初始嵌入层、初始对比层、初始第二商品确定层联合训练得到。第二预测模型可以通过带有多个标签的训练样本训练得到。例如，向初始嵌入层输入训练样本，得到初始嵌入层输出的NFT数字艺术品的历史商品特征向量、历史检索信息、历史消费者的消费特征向量，然后将初始嵌入层的输出的历史商品特征向量、历史检索信息作为初始对比层的输入，得到历史检索信息和历史商品特征之间的历史相似度，进一步地，将历史相似度、历史商品特征向量、历史消费者的消费特征向量输入到初始第二商品确定层中。训练过程中，基于标签和初始第二商品确定层的输出结果建立损失函数，并基于损失函数同时迭代更新初始嵌入层、初始对比层、初始第一商品确定层的参数，直到预设条件被满足训练完成。训练完成后第二预测模型的参数也可以确定。训练样本可以包括历史数据中向消费者推荐的历史商品特征和对应的历史消费特征，标签可以是该商品的历史第二推荐指数，历史第二推荐指数可以为该类型商品的购买次数和向对应类型消费者推荐的次数的比值。训练样本的标签可以基于人工标注获得。

通过本说明书一些实施例，基于消费者的检索信息不断更新推荐商品，可以更准确的为消费者推荐NFT数字艺术品，可以使得推荐商品更能符合当前消费者的购买意愿，进而提高交易的效率，增加成交量。并通过本说明书的一些实施例中的机器学习模型基于消费者的检索信息预测当前NFT数字艺术品被消费者购买的可能性，可以增加推荐商品的可靠度，提供更贴合消费者的服务。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。