基于區(qū)塊鏈技術的數字資產投資生態(tài)本質上是一種社區(qū)驅動的經濟生態(tài)，而社區(qū)很大程度上是靠網紅或者 KOL 聚集起來的，KOL依托移動互聯(lián)網傳播和社交平臺推廣，可以聚集大量的社會關注度，形成龐大的的粉絲和定向營銷市場，最終形成完整的 KOL 產業(yè)鏈條驅動的新型經濟模式。

幣泡泡平臺聚焦于普通投資者和新入場用戶在數字資產市場投資過程中面臨的行業(yè)門檻高等現(xiàn)實問題，構建以項目為中心的知識圖譜、由 KOL 專業(yè)投資分析師組成的新型投顧生態(tài)，平臺集新用戶投資教育、項目市場營銷、大神薦幣、大神帶單和一鍵跟單為一體，滿足新入場用戶的投顧需求，讓投資者可以在變幻莫測的數字貨幣市場中獲得更多盈利機會，實現(xiàn)零門檻炒幣。幣泡泡旨在成為全球加密貨幣投資者和 KOL 驅動的新型數字金融投顧生態(tài)，為全球加密貨幣投資者提供無縫的加密貨幣投資體驗，同時實現(xiàn) KOL 的知識變現(xiàn)與帶單喊單需求。通過融合通證經濟機制，幣泡泡將會成為全球數字金融第一站和幣圈流量入口，加速增量用戶和增量資金無縫便捷地進入幣圈，推動數字貨幣投資行業(yè)的進步。

1. 戰(zhàn)略定位

? 幣泡泡是一款數字金融投資者的移動端入口。幣泡泡致力于打造一個豐富、有趣又實用的數字金融投資顧問生態(tài)，幫助數字金融投資圈新用戶可以迅速融入圈子與文化，提升自身投資技巧，獲得更好的投資收益。

? 幣泡泡的目標是成為傳統(tǒng)金融投資者進入數字金融世界的第一站、成為增量用戶與增量資金的第一入口。

2. 項目現(xiàn)狀

誕生于熊市的幣泡泡，憑借其 KOL 驅動社區(qū)生態(tài)展現(xiàn)出了強大的生命力，在眾多加密貨幣投顧產品中脫穎而出，獲得了廣大投資者支持。經過一年多的發(fā)展，幣泡泡目前已經有超過 18 萬注冊用戶，1 萬多日活用戶，建立了 1000 多人以上規(guī)模的 KOL 分析師集群，以及數萬投資者的用戶社區(qū)，月營收目前已突破 40BTC。隨著用戶及KOL 規(guī)模的壯大，幣泡泡將始終以 KOL 為核心，并圍繞投資交易建立堅實的生態(tài)基礎。

（1）幣泡泡 APP

幣泡泡 APP 致力于打造成一款 KOL 驅動的全新數字貨幣投顧工具，目前 APP 業(yè)務涵蓋投資教育、實時動態(tài)、大神薦幣、大神帶單、行情及消息預警等幾大板塊。目前幣泡泡APP的特色功能主要包括：

①新用戶入門教育

通過模擬實戰(zhàn)，完成高手進階，參與操盤大賽，瓜分豐厚獎池，使廣大新用戶和投資者可以零門檻邁入精彩的數字金融世界。

②KOL 薦幣與跟單

拒絕復雜的 K 線分析，只看 KOL 買賣點位，完成跟單操作。

③操盤動態(tài)實時推送

匯集人氣大咖在線操盤，用戶訂閱后可以獲得 KOL 操盤的一手資料，買入，賣出第一時間收到消息推送。

④行情智能預警

KDJ 與 BOLL 指標聯(lián)合運用，價格異動提醒第一時間掌握行情波動。實時指標智能預警，休閑、操盤兩不誤。

⑤大神帶單

KOL 可以選擇幣種進行帶單，帶單選擇看跌賺幣和看漲賺錢，發(fā)起帶單設置查看費用，付費后可查看買入價，止損價，賣出價，結束價。

圖 3～5 為幣泡泡 APP 功能示例圖。

（2）核心運營數據

幣泡泡自運營以來一直在不斷地吸引著大量投資者進行 KOL 跟單交易。今年 7 月份，平臺累計注冊用戶 18 萬余人，日活 11000 多人，用戶月平均停留時間逐步提升。值得一提的是幣泡泡用戶均是會在平臺產生實際消費的高價值用戶，一般行情咨詢軟件的用戶數量不可相提并論。

幣泡泡一直重視專業(yè) KOL 投資分析師的生態(tài)建設，截止今年 7月份平臺已經累計注冊審核通過 1100 余個分析師。對于新開戶或未經驗證審核的用戶，為了安全起見，幣泡泡堅守一個例行的做法：僅允許投資者跟單經過驗證的 KOL 和已經被證明有過成功經驗的 KOL，投資者可以在 KOL 的個人資料中查看統(tǒng)計數據。

在為機構或企業(yè)服務方面，幣泡泡從 19 年初穩(wěn)定運營以來，已經累計為超過 60 家企業(yè)客戶進行項目宣發(fā)與推廣等服務，實現(xiàn)營收穩(wěn)步增長，在今年 7 月份實現(xiàn)月營收 40BTC 的重大突破。

4. 社區(qū)建設

作為一個社區(qū)驅動型項目，幣泡泡一直重視社區(qū)建設，先后舉辦了多場次的薦幣大賽、冠名操盤大賽、大 V 口令紅包、表情包活動、精準空投、點贊活動等社區(qū)活躍方案，形成了一支龐大的數字貨幣交易社區(qū)，構建了幣泡泡平臺+KOL 集群+社區(qū)的三級宣發(fā)架構，極大地提高了項目宣發(fā)的效率，實現(xiàn)了指數級的推廣效果。

5. 行業(yè)生態(tài)建設

幣泡泡生態(tài)系統(tǒng)包含兩個重要的生態(tài)平臺，即廣告平臺和內容付費，生態(tài)角色包括投資者、KOL 意見領袖、項目方、交易所和區(qū)塊鏈媒體。廣告平臺：隨著區(qū)塊鏈技術的普及和加密貨幣的快速發(fā)展，幣泡泡憑借其強大的 KOL 生態(tài)迅速吸引了大量廣告主進駐平臺進行廣告投放，廣告主包括項目方、交易所和區(qū)塊鏈媒體。內容付費：隨著幣泡泡平臺規(guī)模的增長，越來越多的投資者和 KOL 意見領袖進駐平臺并提供獨家優(yōu)質的薦幣信息，幣泡泡平臺的內容付費項目主要為KOL 薦幣和投資者跟單，部分高質量的薦幣內容往往采用付費訂閱的模式，對于免費內容或薦幣信息，后期投資者可以采用打賞形式。下圖為幣泡泡項目運營以來服務過的項目和交易所。通過打通行業(yè)上下游、連通項目方交易所與用戶，幣泡泡平臺將成為區(qū)塊鏈生態(tài)的粘合劑，呈現(xiàn)出極高的行業(yè)價值。

系統(tǒng)架構及關鍵技術

1. 系統(tǒng)總體架構

幣泡泡經過一年多的快速迭代開發(fā)，目前已經進化到 5.0 版本，實現(xiàn)了模擬操盤、大神薦幣、大神帶單等核心功能，積累了大量 KOL交易策略和歷史數據。為了進一步豐富平臺功能，打造新型 KOL 社區(qū)驅動的數字金融投顧生態(tài)，下一代的幣泡泡平臺將融入通證經濟激勵機制并進行全面的系統(tǒng)性重構。下面首先介紹一下幣泡泡當前版本的系統(tǒng)架構，在此基礎上提出全新升級的下一代幣泡泡系統(tǒng)架構。

（1）幣泡泡當前技術架構

幣泡泡 APP 當前采用四層技術架構，分為數據層、邏輯層、業(yè)務層和展示層。數據層主要功能是從交易所、行情數據平臺等采集外部數據，包括交易所行情報價、資訊和輿情數據、鏈上交易數據等，為上面的邏輯層和業(yè)務層提供基礎數據支撐。邏輯層主要實現(xiàn)對底層外部數據的處理，包括行情數據清洗、推送通知管理、KOL 歷史數據統(tǒng)計、KOL 交易策略管理、廣告管理、行情預警等核心功能模塊，為業(yè)務層提供核心數據與邏輯功能。展示層包括幣泡泡 APP、公眾號和微博等。

（2）幣泡泡全新技術架構

下一代幣泡泡平臺將繼續(xù)著眼投資者在數字資產市場投資過程中面臨的現(xiàn)實問題，構建以項目為中心的知識圖譜、由 KOL 專業(yè)投資分析師組成的新型投顧生態(tài)，平臺集新用戶投資教育、項目市場營銷、大神薦幣、大神帶單和一鍵跟單為一體，滿足新入場用戶的投顧需求，讓投資者可以在變幻莫測的數字貨幣市場中獲得更多盈利機會。

下圖為下一代幣泡泡平臺的總體技術架構，通過采集海量 Web頁面以及項目相關的結構化/非結構化數據的處理整合，結合機器學習/深度學習方法，構建一個完整的項目知識圖譜，為投資者呈現(xiàn)一個完整的項目畫像，助力投資者和專業(yè)投資分析師做出更加合理的投資決策?？傮w來講，下一代幣泡泡將構建一個以區(qū)塊鏈行業(yè)知識圖譜和數字資產交易大數據為支撐，集在線用戶投資教育、大神薦幣、大神帶單、一鍵跟單等核心功能為一體的新型數字金融投顧生態(tài)。

2. 關鍵技術

（1）分布式爬蟲集群

分布式智能爬蟲集群主要用于爬取數字資產的實時行情、咨詢、社交動態(tài)、區(qū)塊鏈知識圖譜的語料庫等數據。一般情況下，用普通基礎爬蟲爬取一個 web 頁面（約 20KB）大約需要 2 秒鐘，而對于一個 50GB 的語料庫爬取任務，大約需要 26W 秒，換算成天數的話大約需要 30 天左右才能完成。如果發(fā)生意外情況、例如斷電，斷網，爬取任務就會意外中斷，甚至會導致之前爬取的內容丟失。目前大規(guī)模的數據爬取主要采用分布式爬蟲來解決以上問題，此外數據采集還需要考慮爬蟲被屏蔽的解決方案，采用智能化的防屏蔽手段。平臺在建設之初就考慮了數據爬取過程中可能遇到的問題，通過構建分布式的智能爬蟲集群來實現(xiàn)大規(guī)模的區(qū)塊鏈行業(yè)語料庫。

為了解決單機版爬蟲的存在效率地下問題，平臺采用 Scrapy 框架并結合 Scrapy-Redis 組件開發(fā)分布式的爬蟲引擎。分布式智能爬蟲集群采用分布式主從架構，如下圖所示，設置 1 個 Master 服務器和多個 Slave 服務器，Master 管理 Redis 數據庫和分發(fā)下載任務，Slave 部署 Scrapy 抓取網頁和解析提取項目數據，最后將解析的數據存儲在同一個 MongoDb 數據庫中。

分布式智能爬蟲引擎主要包括以下模塊：

①爬蟲模塊

爬蟲模塊主要實現(xiàn)爬取策略的設計、項目數據字段的設計、增量爬取、請求去重等功能。

爬取策略的設計： Master 端爬蟲主要爬取下載到內容詳情頁鏈接，通過 Redis 分享下載任務給其他 Slave 端的爬蟲。Slave 端主要是負責對詳情頁鏈接的進一步解析提取存儲到數據庫中。

去重與增量爬取，對于服務器有很重大的意義，能夠減少服務器的壓力以及保證數據的準確性。如果不采取去重處理，那么抓取的內容會抓取大量重復內容，讓爬蟲效率極大的下降。其實去重流程很簡單，核心就是每次請求的時候，先判斷這個請求是否在已經爬取的隊列當中。如果已存在，則舍棄當前請求。

②中間件模塊

中間件模塊功能包括防屏蔽、下載異常處理等。

爬蟲防屏蔽中間件：大規(guī)模的爬蟲會給網站增加大量的負載，影響正常用戶的訪問。分布式爬蟲將不間斷的訪問網站內容，如果不采取偽裝措施，很容易被網站識別為爬蟲行為而屏蔽掉。在具體實現(xiàn)時可以采用多種方法來防止爬蟲被屏蔽，包括模擬不同瀏覽器行為、更換代理服務器及網關、降低爬蟲爬取網頁頻率、減少爬蟲并發(fā)進程數量、禁用 Cookie 等措施。

爬蟲下載異常處理組件主要是對爬蟲異常狀態(tài)的處理，有利于提供爬蟲的健壯性。爬蟲在訪問網站時可能會存在各種各樣的狀態(tài)，防止屏蔽組件可以捕捉到狀態(tài)碼并進行相應處理。

③數據持久化存儲

數據存儲模塊主要負責將 Slave 端爬取解析的頁面進行存儲。數據存儲分兩個部分，一是網頁鏈接的存儲，二是項目數據的存儲。網頁鏈接存儲于 Redis 數據庫，用于實現(xiàn)分布式爬蟲的下載管理；項目數據包括新聞數據和評論數據。當數據量大到一定程度時，可以做Mongodb 集群來解決問題。

（2）區(qū)塊鏈項目知識圖譜

①知識圖譜背景

現(xiàn)實世界中存在大量半結構化、非結構化數據，特別是在區(qū)塊鏈項目分析領域，投資者或者 KOL 分析師要面對項目官網、白皮書、github 代碼庫、各類評估分析文章、新聞媒體報道等海量數據，且這些數據以文本、網頁、pdf 文檔、代碼等各種形式存在，如何有效利用消化這些數據，挖掘項目的潛在的實體關系，簡化分析師的投資決策流程。幣泡泡未來規(guī)劃版本將采用知識圖譜技術來重構整個區(qū)塊鏈行業(yè)特別是項目分析領域的信息處理流程，極大提高用戶獲取區(qū)塊鏈項目信息的效率，并輔助 KOL 分析師更好地分析挖掘熱點項目，做出更好的投資決策。

區(qū)塊鏈行業(yè)的數據源主要來自兩種渠道：一種是平臺業(yè)務本身的數據，這部分數據通常包含在公司內的數據庫表并以結構化的方式存儲；另一種是網絡上公開、抓取的數據，這些數據通常是以網頁的形式存在的非結構化數據。前者一般只需要簡單預處理即可以作為后續(xù)AI 系統(tǒng)的輸入，但后者一般需要借助于自然語言處理等技術來提取出結構化信息。

知識圖譜是谷歌 12 年提出的，屬于人工智能的一個分支，其研究目標是從海量的公開數據中挖掘發(fā)現(xiàn)現(xiàn)實世界中各實體間的關系，并從中推理出有實用價值的知識。知識圖譜具有強大的事物關聯(lián)能力，使得信息更容易被搜索。知識圖譜能更加直觀地描述這個世界，呈現(xiàn)給用戶更加顯而易見的結果。

知識圖譜本質上是語義網絡，是一種基于圖的數據結構，由節(jié)點（Point）和邊（Edge）組成。在知識圖譜里，每個節(jié)點表示現(xiàn)實世界中存在的“實體”，每條邊為實體與實體之間的“關系”。知識圖譜是關系的最有效的表示方式。通俗地講，知識圖譜就是把所有不同種類的信息連接在一起而得到的一個關系網絡。知識圖譜提供了從“關系”的角度去分析問題的能力。下圖左邊是一段非結構化的文本，右邊是從這些文本中抽取出來的實體和關系。從實體關系圖中我們可以很輕易地對項目關系圖譜有一個宏觀上的整體認識，這對于投資者的投資決策能起到關鍵作用。

在區(qū)塊鏈領域，特別是區(qū)塊鏈項目分析挖掘領域，知識圖譜更能發(fā)揮出其潛力和價值。例如用戶搜索項目 Handshake，知識圖譜不僅僅能列出項目的基本信息和評級，還能展示出項目的投資機構和參與該項目評級推廣的 KOL，與此同時，其他與 Handshake 項目相關的組織機構和個人也會被呈現(xiàn)出來，整個項目相關的實體都會被完整的以可視化的方式呈現(xiàn)給用戶。因此，使用知識圖譜可以讓投資者形成一個客觀的、全局的、科學的投資決策，幫助用戶提高決策效率。此外，知識圖譜本身就是用來表示關系的，這種直觀的表示方法可以幫助我們更有效地分析復雜關系中存在的特定的潛在風險，能幫助投資者識別欺詐項目、空氣幣或有造假嫌疑的團隊，及時規(guī)避風險。

區(qū)塊鏈行業(yè)經過多年的經營和累積，擁有了大量的行業(yè)數據，這里面蘊含的價值卻鮮有人挖掘得出來。知識圖譜的引入使得區(qū)塊鏈數據喚發(fā)新的生機，誰能挖掘出價值，誰將贏得下一輪競賽。

②知識圖譜構建

區(qū)塊鏈行業(yè)的數據類型主要有三類，包括結構化數據（如關系數據庫）、非結構化數據（如圖片、音頻、視頻、文本）、半結構化數據（如 XML、JSON、百科）。基于這些數據來構建知識圖譜，需要通過一系列自動化或半自動化的技術手段，來從原始數據中提取出知識要素，即一堆實體關系，并將其存入我們的知識庫的模式層和數據層。構建知識圖譜是一個迭代更新的過程，根據知識獲取的邏輯，每一輪迭代包含三個階段：

信息抽?。簭母鞣N類型的數據源中提取出實體、屬性以及實體間的相互關系，在此基礎上形成本體化的知識表達；

知識融合：在獲得新知識之后，需要對其進行整合，以消除矛盾和歧義，比如某些實體可能有多種表達，某個特定稱謂也許對應于多個不同的實體等；

知識加工：對于經過融合的新知識，需要經過質量評估之后（部分需要人工參與甄別），才能將合格的部分加入到知識庫中，以確保知識庫的質量。

通過信息抽取可以從原始語料中提取出實體、關系與屬性等知識要素，并且經過知識融合，消除實體指稱項與實體對象之間的歧義，得到一系列基本的事實表達。然而事實本身并不等于知識。要想最終獲得結構化，網絡化的知識體系，還需要經歷知識加工的過程。知識加工主要包括 3 方面內容：本體構建、知識推理和質量評估。整個知識圖譜的構建流程如下圖所示。由于篇幅限制，在此不過多展開，詳細資料請參考相關文獻。

③知識圖譜在數字貨幣投資中的應用

1、欺詐項目發(fā)現(xiàn)與風險監(jiān)測

欺詐項目的發(fā)現(xiàn)是數字貨幣投資中非常重要的一道環(huán)節(jié)?；诖髷祿姆雌墼p的難點在于如何把不同來源的數據（結構化，非結構）整合在一起，并構建反欺詐引擎，從而有效地識別出欺詐項目（比如項目團隊身份造假、由某機構代辦包裝等）。而且由于不少欺詐項目會涉及到復雜的關系網絡，這也給欺詐發(fā)現(xiàn)帶來了新的挑戰(zhàn)。 知識圖譜，作為關系的直接表示方式，可以很好地解決這兩個問題。 首先，知識圖譜提供非常便捷的方式來添加新的數據源。其次，知識圖譜本身就是用來表示關系的，這種直觀的表示方法可以幫助我們更有效地分析復雜關系中存在的特定的潛在風險。

2、輿情監(jiān)控與熱點事件追蹤

網絡輿情監(jiān)控是指對于幣圈公眾的觀點和行為進行監(jiān)視和預測的行為。當熱點事件發(fā)生時，與事件相關的新聞、微博、Twitter 會得到大量的討論和轉發(fā)，引發(fā)網絡輿情的變化。因此通過監(jiān)控網絡輿情，可以檢測出異常事件和熱門事件。輿情監(jiān)控對于二級投資市場都有巨大價值。

3、發(fā)現(xiàn)內在關系指導投資策略

知識圖譜是探索區(qū)塊鏈關系圈、深入了解項目關系網的利器。區(qū)塊鏈行業(yè)的脈絡巨大無比，人與人之間的關系錯綜復雜，卻又充滿了各種玄妙。但是區(qū)塊鏈行業(yè)每天都在產生著大量的信息，知識圖譜可以不斷吸取新信息新數據，增加內在本體的聯(lián)系，找到潛在關聯(lián)。

投資者也許曾經問過這些問題：這個項目的背景如何；有哪些投資機構；哪些 KOL 推薦過這個項目；這些 KOL 的歷史投資回報率有多少；這些疑問都有可能通過知識圖譜來得到肉眼難以發(fā)現(xiàn)的答案。

（3）交易大數據智能分析

由于數字貨幣全球交易、7*24 小時交易的特點，數字貨幣投資者經常需要面對眼花繚亂的 K 線圖和各種技術分析預測，也很難做出有效的交易決策。為了提高交易決策效率和質量，平臺擬采用 KOL 跟隨策略和交易大數據分析技術幫助投資者做出高效的交易決策。

1. 交易所交易數據

平臺對接數十余家主流交易所，數千個主流幣種、數萬個交易對指標，實現(xiàn)實時指標智能預警。

2. 區(qū)塊鏈交易數據

區(qū)塊鏈上的數據是公開透明的，理論上可以被所有人查看和追溯，用戶可以通過比特幣瀏覽器或以太坊瀏覽器清晰地查詢區(qū)塊鏈上的交易數據。然而對于普通用戶來說，區(qū)塊鏈數據的查詢使用體驗過于繁瑣且不友好，而且用戶無法實時跟蹤查看區(qū)塊鏈上的數據。為此，平臺集成各主流公鏈的區(qū)塊鏈數據接口，為投資者提供大額轉賬監(jiān)測與提醒，投資者也可以訂閱自身關注的地址，比如特定交易所，一旦其中有大批資金轉入轉出的異動時，也將收到提醒。

（4）智能推薦引擎

數字貨幣二級市場行情信息瞬息萬變，如何從海量資訊和信息中，發(fā)現(xiàn)自己感興趣的內容或者投資機會，是極具挑戰(zhàn)性的工作。幣泡泡將基于強大的行情、資訊及數據后臺，利用人工智能和大數據技術，打造智能推薦引擎，智能監(jiān)控用戶需求，只給用戶推送其關心的且有價值的信息。

智能推薦引擎基于已有的爬蟲數據、用戶畫像，通過語義計算、分類、信息抽取、序列標注、行為序列挖掘和知識庫挖掘六個維度的處理，在信息流中做到精準和智能化的推薦，包括廣告推薦、項目推薦、跟單推薦等。