本發(fā)明涉及互聯(lián)網(wǎng)數(shù)據(jù)處理技術(shù)領(lǐng)域，具體而言，涉及一種基于互聯(lián)網(wǎng)數(shù)據(jù)形成產(chǎn)品數(shù)據(jù)庫方法和系統(tǒng)。

背景技術(shù)：
目前，一些主流網(wǎng)站的產(chǎn)品目錄形成，都是針對各行業(yè)采用固定產(chǎn)品發(fā)布模板，形成一個產(chǎn)品的描述。并且，對于同一個產(chǎn)品的描述方式，各個網(wǎng)站所采取的標(biāo)準(zhǔn)也不同。這樣，由于產(chǎn)品發(fā)布標(biāo)準(zhǔn)格式不統(tǒng)一，對于產(chǎn)品需求方來說，需求標(biāo)準(zhǔn)各式各樣，由于各大網(wǎng)站產(chǎn)品描述格式不統(tǒng)一，因此對于產(chǎn)品信息進行綜合整理較為困難，無法獲知符合需求標(biāo)準(zhǔn)的產(chǎn)品較為全面的信息，若按需求標(biāo)準(zhǔn)來進行產(chǎn)品挑選，對于大批量多型號產(chǎn)品選擇的情況，往往需要閱讀海量網(wǎng)頁，效率低下。綜上所述，相關(guān)技術(shù)中由于缺乏一種統(tǒng)一的產(chǎn)品描述標(biāo)準(zhǔn)，而導(dǎo)致產(chǎn)品信息整理困難的技術(shù)問題。

技術(shù)實現(xiàn)要素：
本發(fā)明的目的在于提供一種基于互聯(lián)網(wǎng)數(shù)據(jù)形成產(chǎn)品數(shù)據(jù)庫方法和系統(tǒng)，以解決上述的問題。在本發(fā)明的實施例中提供了一種基于互聯(lián)網(wǎng)數(shù)據(jù)形成產(chǎn)品數(shù)據(jù)庫方法，包括步驟：步驟A，采用主題爬蟲技術(shù)，抓取與主題相關(guān)度高于預(yù)設(shè)閾值的網(wǎng)頁數(shù)據(jù)，其中，所述主題相關(guān)度通過內(nèi)容相關(guān)度分析和鏈接相關(guān)度分析進行計算；步驟B，將抓取的所述網(wǎng)頁數(shù)據(jù)進行結(jié)構(gòu)化存儲；步驟C，對所述結(jié)構(gòu)化存儲的網(wǎng)頁數(shù)據(jù)按照產(chǎn)品所屬類別進行自動分類；步驟D，統(tǒng)計自動分類后的網(wǎng)頁數(shù)據(jù)中產(chǎn)品屬性的出現(xiàn)次數(shù)和出現(xiàn)時間，根據(jù)預(yù)設(shè)的權(quán)重對產(chǎn)品屬性出現(xiàn)次數(shù)和出現(xiàn)時間進行加權(quán)計算，得到產(chǎn)品屬性決策值，根據(jù)所述產(chǎn)品屬性決策值確定產(chǎn)品屬性排列順序；其中，產(chǎn)品屬性的出現(xiàn)次數(shù)記為F，產(chǎn)品屬性的出現(xiàn)時間記為T，以及數(shù)據(jù)來源的權(quán)重記為W，通過公式(F+T)*W，得到所述產(chǎn)品屬性決策值。其中，所述步驟A包括步驟：對經(jīng)過內(nèi)容特征提取后的網(wǎng)頁數(shù)據(jù)進行分析，判定網(wǎng)頁內(nèi)容與指定主題相關(guān)度是否達到所述預(yù)設(shè)閾值，是，則保留該網(wǎng)頁，否，則過濾掉該網(wǎng)頁；和/或，對從網(wǎng)頁中提取的超鏈信息進行測算，得出每個URL所指頁面與指定主題的相關(guān)度，將相關(guān)度達到預(yù)設(shè)閾值的網(wǎng)頁保留；將保留的網(wǎng)頁的URL加入到爬行隊列中并根據(jù)其與主題相關(guān)度的高低進行排序；根據(jù)爬行隊列中的URL，與網(wǎng)絡(luò)建立連接后以下載其所指頁面內(nèi)容。其中，所述步驟B包括步驟：對抓取的網(wǎng)頁數(shù)據(jù)的網(wǎng)頁標(biāo)簽進行分析，對于不同的產(chǎn)品頁面，通過實體標(biāo)簽獲取產(chǎn)品實體信息，并形成記錄，通過屬性標(biāo)簽獲取對應(yīng)的產(chǎn)品屬性信息以及對應(yīng)的屬性值進行結(jié)構(gòu)化存儲。其中，所述步驟C包括步驟：提取網(wǎng)頁數(shù)據(jù)中的文本信息，確定用于自動分類的特征項集合，根據(jù)所述特征項集合重新描述訓(xùn)練文本向量，確定訓(xùn)練文本集；在當(dāng)前文本到達后，根據(jù)所述特征項集合中的特征詞分析當(dāng)前文本，確定當(dāng)前文本的向量表示；在訓(xùn)練文本集中選出與當(dāng)前文本最相似的K個文本，計算公式為:Wi表示第i篇文檔的特征向量，Wj表示第j篇文檔的特征向量，M為特征向量的維數(shù)，sim(d)表示第i和j篇文檔的相似度，k表示文本向量的第k維；在與當(dāng)前文本最相似的K個文本中，依次計算每個的權(quán)重，計算公式如下:x是一個點，Cj是已知類別，di是x的k個最近的鄰居點，是向量和向量的相似度，為類別屬性函數(shù)；依據(jù)得到的權(quán)重，計算當(dāng)前文本與K個文本之間的相似度，根據(jù)相似度，確定該當(dāng)前文本的所屬類別。其中，所述C包括步驟：預(yù)先依據(jù)訓(xùn)練樣本和分類體系建立類別向量空間；對一篇待分樣本進行分類時，計算待分樣本和每一個類別向量的相似度，然后選取相似度最大的類別作為該待分樣本所對應(yīng)的類別。其中，所述步驟C包括步驟：根據(jù)SVM算法和/或Bayes算法對網(wǎng)頁數(shù)據(jù)進行自動分類。其中，所述步驟D之后，還包括步驟：根據(jù)用戶輸入的產(chǎn)品屬性關(guān)鍵詞，檢索相匹配的產(chǎn)品信息并按照產(chǎn)品屬性決策值的高低將產(chǎn)品信息以列表形式進行顯示。本發(fā)明實施例還提供一種基于互聯(lián)網(wǎng)數(shù)據(jù)形成產(chǎn)品數(shù)據(jù)庫系統(tǒng)，包括數(shù)據(jù)抓取模塊、結(jié)構(gòu)化存儲模塊、數(shù)據(jù)分類模塊和屬性決策模塊；所述數(shù)據(jù)抓取模塊，用于采用主題爬蟲技術(shù)，抓取與主題相關(guān)度高于預(yù)設(shè)閾值的網(wǎng)頁數(shù)據(jù)，其中，所述主題相關(guān)度通過內(nèi)容相關(guān)度分析和鏈接相關(guān)度分析進行計算；所述結(jié)構(gòu)化存儲模塊，用于將抓取的所述網(wǎng)頁數(shù)據(jù)進行結(jié)構(gòu)化存儲；所述數(shù)據(jù)分類模塊，用于對所述結(jié)構(gòu)化存儲的網(wǎng)頁數(shù)據(jù)按照產(chǎn)品所屬類別進行自動分類；所述屬性決策模塊，用于統(tǒng)計自動分類后的網(wǎng)頁數(shù)據(jù)中產(chǎn)品屬性的出現(xiàn)次數(shù)和出現(xiàn)時間，根據(jù)預(yù)設(shè)的權(quán)重對產(chǎn)品屬性出現(xiàn)次數(shù)和出現(xiàn)時間進行加權(quán)計算，得到產(chǎn)品屬性決策值，根據(jù)所述產(chǎn)品屬性決策值確定產(chǎn)品屬性排列順序；其中，產(chǎn)品屬性的出現(xiàn)次數(shù)記為F，產(chǎn)品屬性的出現(xiàn)時間記為T，以及數(shù)據(jù)來源的權(quán)重記為W，通過公式(F+T)*W，得到所述產(chǎn)品屬性決策值。其中，所述數(shù)據(jù)抓取模塊，用于：對經(jīng)過內(nèi)容特征提取后的網(wǎng)頁數(shù)據(jù)進行分析，判定網(wǎng)頁內(nèi)容與指定主題相關(guān)度是否達到所述預(yù)設(shè)閾值，是，則保留該網(wǎng)頁，否，則過濾掉該網(wǎng)頁；和/或，對從網(wǎng)頁中提取的超鏈信息進行測算，得出每個URL所指頁面與指定主題的相關(guān)度，將相關(guān)度達到預(yù)設(shè)閾值的網(wǎng)頁保留；將保留的網(wǎng)頁的URL加入到爬行隊列中并根據(jù)其與主題相關(guān)度的高低進行排序；根據(jù)爬行隊列中的URL，與網(wǎng)絡(luò)建立連接后以下載其所指頁面內(nèi)容。其中，所述結(jié)構(gòu)化存儲模塊，用于：對抓取的網(wǎng)頁數(shù)據(jù)的網(wǎng)頁標(biāo)簽進行分析，對于不同的產(chǎn)品頁面，通過實體標(biāo)簽獲取產(chǎn)品實體信息，并形成記錄，通過屬性標(biāo)簽獲取對應(yīng)的產(chǎn)品屬性信息以及對應(yīng)的屬性值進行結(jié)構(gòu)化存儲。本發(fā)明上述實施例的一種基于互聯(lián)網(wǎng)數(shù)據(jù)形成產(chǎn)品數(shù)據(jù)庫方法和系統(tǒng)，通過抓取數(shù)據(jù)、結(jié)構(gòu)化存儲、自動分類和屬性決策值計算幾個步驟，將海量網(wǎng)頁數(shù)據(jù)中的產(chǎn)品信息進行結(jié)構(gòu)化存儲后進行分類，再對產(chǎn)品的各個屬性進行計算，得到產(chǎn)品顯示的各個屬性的排列順序，這樣，便對較為不統(tǒng)一的各種產(chǎn)品信息描述內(nèi)容進行了整理歸納，用戶在想要獲知某一產(chǎn)品的具體信息時，可根據(jù)產(chǎn)品屬性調(diào)取相關(guān)數(shù)據(jù)，無需閱讀海量網(wǎng)頁，使得用戶對于互聯(lián)網(wǎng)中的產(chǎn)品信息無需進行搜集整理，即可獲知較為全面的綜合信息。同時，計算產(chǎn)品屬性決策值時，通過屬性的出現(xiàn)次數(shù)和時間進行加權(quán)計算，這樣，可以保證數(shù)據(jù)的實時性，滿足大多數(shù)用戶的實時需求。附圖說明圖1為本發(fā)明的一種基于互聯(lián)網(wǎng)數(shù)據(jù)形成產(chǎn)品數(shù)據(jù)庫方法的一個實施例的流程圖；圖2為本發(fā)明的一種基于互聯(lián)網(wǎng)數(shù)據(jù)形成產(chǎn)品數(shù)據(jù)庫方法的一個實施例中采用SVM算法的原理示意圖；圖3為本發(fā)明的一種基于互聯(lián)網(wǎng)數(shù)據(jù)形成產(chǎn)品數(shù)據(jù)庫系統(tǒng)的一個實施例的結(jié)構(gòu)示意圖。具體實施方式下面通過具體的實施例子并結(jié)合附圖對本發(fā)明做進一步的詳細描述。本發(fā)明實施例提供了一種基于互聯(lián)網(wǎng)數(shù)據(jù)形成產(chǎn)品數(shù)據(jù)庫方法，參見圖1所示，包括步驟：步驟S110：采用主題爬蟲技術(shù)，抓取與主題相關(guān)度高于預(yù)設(shè)閾值的網(wǎng)頁數(shù)據(jù)。本發(fā)明實施例采用主題爬蟲技術(shù)，利用主題爬行器實現(xiàn)基于主題的信息采集功能。一般由爬行隊列、網(wǎng)絡(luò)連接器、主題模型、內(nèi)容相關(guān)度分析以及鏈接相關(guān)度分析等功能模塊組成。其中，爬行隊列是由一系列主題相關(guān)度較高的URL(UniformResourceLocator，網(wǎng)頁地址)組成。除特別說明以外，本發(fā)明中URL均指網(wǎng)頁地址。爬行隊列在主題搜索引擎進行主題搜索之初是由種子站點組成，這些種子站點可以由該行業(yè)領(lǐng)域的專家給出，也可以借助一些權(quán)威網(wǎng)站自動生成。在搜索過程開始之后，系統(tǒng)發(fā)現(xiàn)新的URL，并根據(jù)主題相關(guān)度對其排序后補充到爬行隊列中。網(wǎng)絡(luò)連接器則根據(jù)爬行隊列中的URL，與網(wǎng)絡(luò)建立連接后以下載其所指頁面內(nèi)容。主題模型由主題建模方法來實現(xiàn)，主題詞法是常用的主題建模方法。關(guān)鍵詞法以一組特征關(guān)鍵詞來表示主題內(nèi)容，包括用戶需求主題以及文檔內(nèi)容。一個主題關(guān)鍵詞可以是單個的詞短語，包括權(quán)重、語種等屬性，常用的相關(guān)度算法是詞頻統(tǒng)計法。其中，計算主題相關(guān)度，可以通過內(nèi)容相關(guān)度分析和鏈接相關(guān)度分析。內(nèi)容相關(guān)度分析是指系統(tǒng)對經(jīng)過內(nèi)容特征提取后的網(wǎng)頁數(shù)據(jù)進行分析，判定網(wǎng)頁內(nèi)容與指定主題相關(guān)度如何，過濾無關(guān)頁面，保留相關(guān)度達到閾值的網(wǎng)頁。鏈接相關(guān)度分析是指系統(tǒng)對從網(wǎng)頁中提取的超鏈信息進行測算，得出每個URL所指頁面與指定主題的相關(guān)度，將符合主題度要求的URL加入到爬行隊列中，并對其進行爬行優(yōu)先度排序，以保證相關(guān)度高的頁面優(yōu)先被檢索到。所述預(yù)設(shè)閾值，是根據(jù)網(wǎng)頁上數(shù)據(jù)與主題相關(guān)度大小判斷是否保留該網(wǎng)頁數(shù)據(jù)的一個相關(guān)度的量化分界值，可由本領(lǐng)域技術(shù)人員根據(jù)實際情況具體確定，本發(fā)明不一一列舉。若相關(guān)度用百分制表示，則預(yù)設(shè)閾值可以為60-100。步驟S111：將抓取的所述網(wǎng)頁數(shù)據(jù)進行結(jié)構(gòu)化存儲。本發(fā)明實施例，通過對抓取數(shù)據(jù)的網(wǎng)頁標(biāo)簽進行分析，形成標(biāo)簽知識庫，對抓取網(wǎng)頁數(shù)據(jù)進行結(jié)構(gòu)化存儲。對于不同的產(chǎn)品頁面，通過實體標(biāo)簽獲取產(chǎn)品實體，并形成記錄，通過屬性標(biāo)簽獲取對應(yīng)的產(chǎn)品屬性以及對應(yīng)的屬性值，進行結(jié)構(gòu)化存儲。步驟S112：對所述結(jié)構(gòu)化存儲的網(wǎng)頁數(shù)據(jù)按照產(chǎn)品所屬類別進行自動分類。自動分類的方式有多種，下面列舉幾種可實施方式：其中一種方法依據(jù)的分類規(guī)則為：該方法在定類決策上只依據(jù)最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別。具體的算法步驟如下:根據(jù)特征項集合重新描述訓(xùn)練文本向量；在當(dāng)前文本到達后，根據(jù)特征詞分詞當(dāng)前文本，確定當(dāng)前文本的向量表示；在訓(xùn)練文本集中選出與當(dāng)前文本最相似的K個文本，計算公式為:Wi表示第i篇檔的特征向量，Wj表示第j篇文檔的特征向量，M為特征向量的維數(shù)，sim(d)表示第i和j篇文檔的相似度，K為向量的第k維；在當(dāng)前文本的K個鄰居中，依次計算每類的權(quán)重，計算公式如下:x是一個點，Cj是已知類別，di是x的k個最近的鄰居點，是向量和向量的相似度，為類別屬性函數(shù)，如果di屬于類Cj，那么函數(shù)值為1，否則為0。之后，依據(jù)得到的權(quán)重，計算當(dāng)前文本與K個文本之間的相似度，根據(jù)相似度，確定該當(dāng)前文本的所屬類別。另一種方式為，將文檔表示為加權(quán)的特征向量：D＝D(T1，W1；T2，W2；…；Tn，Wn)，然后通過計算文本相似度的方法來確定待分樣本的類別。當(dāng)文本被表示為空間向量模型的時候，文本的相似度就可以借助特征向量之間的內(nèi)積來表示。此種方式一般事先依據(jù)語料庫中的訓(xùn)練樣本和分類體系建立類別向量空間。當(dāng)需要對一篇待分樣本進行分類的時候，只需要計算待分樣本和每一個類別向量的相似度即內(nèi)積，然后選取相似度最大的類別作為該待分樣本所對應(yīng)的類別。此外，還可采用SVM算法和/或Bayes算法對網(wǎng)頁數(shù)據(jù)進行自動分類。SVM算法，參見圖2所示，是從線性可分情況下的最優(yōu)分類面發(fā)展而來的，基本思想可見圖，分割線1和分割線2都能正確地將2類樣本分開，這樣的分割線有無線多條，但分割線1使2類樣本的間隙最大，稱之為最優(yōu)分類線(更高維即為最優(yōu)分類面或最優(yōu)超平面)。Bayes算法是一種在已知先驗概率與類條件概率的情況下的模式分類方法，待分樣本的分類結(jié)果取決于各類域中樣本的全體。設(shè)訓(xùn)練樣本集分為M類，記為C＝{c1，…，ci，…cM}，每類的先驗概率為P(ci)，i＝1，2，…，M。當(dāng)樣本集非常大時，可以認為P(ci)＝ci類樣本數(shù)/總樣本數(shù)。對于一個待分樣本X，其歸于cj類的類條件概率是P(X/ci)，則根據(jù)Bayes定理，可得到cj類的后驗概率P(ci/X)：P(ci/x)＝P(x/ci)·P(ci)/P(x)(式1-1)若P(ci/X)＝MaxjP(cj/X)，i＝1，2，…，M，j＝1，2，…，M，則有x∈ci(式1-2)式(1-2)是最大后驗概率判決準(zhǔn)則，將式(1-1)代入式(1-2)，則有：若P(x/ci)P(ci)＝Maxj[P(x/cj)P(cj)]，i＝1，2，…，M，j＝1，2，…，M，則x∈ci。步驟S113：統(tǒng)計自動分類后的網(wǎng)頁數(shù)據(jù)中產(chǎn)品屬性的出現(xiàn)次數(shù)和出現(xiàn)時間，根據(jù)預(yù)設(shè)的權(quán)重對產(chǎn)品屬性出現(xiàn)次數(shù)和出現(xiàn)時間進行加權(quán)計算，得到產(chǎn)品屬性決策值，根據(jù)所述產(chǎn)品屬性決策值確定產(chǎn)品屬性排列順序。屬性決策包含兩個參數(shù)，屬性的出現(xiàn)次數(shù)(F)，屬性的出現(xiàn)時間(T)，以及數(shù)據(jù)來源的權(quán)重(W)，通過公式：(F+T)W，得到屬性決策值。依據(jù)該屬性決策值獲得屬性入選及排序。其中，屬性的出現(xiàn)時間的權(quán)重以及出現(xiàn)次數(shù)的權(quán)重，都可根據(jù)實際情況具體確定，一般地，數(shù)據(jù)來源的時間越久遠，則該數(shù)據(jù)的出現(xiàn)時間的權(quán)重越小。本發(fā)明實施例還提供一種基于互聯(lián)網(wǎng)數(shù)據(jù)形成產(chǎn)品數(shù)據(jù)庫系統(tǒng)，參見圖3所示，包括數(shù)據(jù)抓取模塊1、結(jié)構(gòu)化存儲模塊2、數(shù)據(jù)分類模塊3和屬性決策模塊4。所述數(shù)據(jù)抓取模塊1，用于采用主題爬蟲技術(shù)，抓取與主題相關(guān)度高于預(yù)設(shè)閾值的網(wǎng)頁數(shù)據(jù)。所述結(jié)構(gòu)化存儲模塊2，用于將抓取的所述網(wǎng)頁數(shù)據(jù)進行結(jié)構(gòu)化存儲。所述數(shù)據(jù)分類模塊3，用于對所述結(jié)構(gòu)化存儲的網(wǎng)頁數(shù)據(jù)按照產(chǎn)品所屬類別進行自動分類。所述屬性決策模塊4，用于統(tǒng)計自動分類后的網(wǎng)頁數(shù)據(jù)中產(chǎn)品屬性的出現(xiàn)次數(shù)和出現(xiàn)時間，根據(jù)預(yù)設(shè)的權(quán)重對產(chǎn)品屬性出現(xiàn)次數(shù)和出現(xiàn)時間進行加權(quán)計算，得到產(chǎn)品屬性決策值，根據(jù)所述產(chǎn)品屬性決策值確定產(chǎn)品屬性排列順序。該數(shù)據(jù)庫系統(tǒng)還應(yīng)設(shè)置有檢索器和管理平臺。檢索器為用戶提供查詢界面，根據(jù)用戶提出的檢索式對索引數(shù)據(jù)庫進行檢索，按相關(guān)度高低對查詢結(jié)果排序后將頁面鏈接及相關(guān)信息返回給用戶。管理平臺負責(zé)對整個系統(tǒng)進行監(jiān)控和管理，主要實現(xiàn)確定主題、初始化爬行器、控制爬行過程、協(xié)調(diào)優(yōu)化模塊間功能實現(xiàn)、用戶交互等功能。作為一個完善的搜索引擎，管理平臺還應(yīng)供跨平臺應(yīng)用網(wǎng)絡(luò)服務(wù)應(yīng)用接口。其中，作為一種可實施方式，所述數(shù)據(jù)抓取模塊1，用于：對經(jīng)過內(nèi)容特征提取后的網(wǎng)頁數(shù)據(jù)進行分析，判定網(wǎng)頁內(nèi)容與指定主題相關(guān)度是否達到所述預(yù)設(shè)閾值，是，則保留該網(wǎng)頁，否，則過濾掉該網(wǎng)頁；和/或，對從網(wǎng)頁中提取的超鏈信息進行測算，得出每個URL所指頁面與指定主題的相關(guān)度，將相關(guān)度達到預(yù)設(shè)閾值的網(wǎng)頁保留；將保留的網(wǎng)頁的URL加入到爬行隊列中并根據(jù)其與主題相關(guān)度的高低進行排序；根據(jù)爬行隊列中的URL，與網(wǎng)絡(luò)建立連接后以下載其所指頁面內(nèi)容。優(yōu)選地，作為一種可實施方式，所述結(jié)構(gòu)化存儲模塊2，用于：對抓取的網(wǎng)頁數(shù)據(jù)的網(wǎng)頁標(biāo)簽進行分析，對于不同的產(chǎn)品頁面，通過實體標(biāo)簽獲取產(chǎn)品實體信息，并形成記錄，通過屬性標(biāo)簽獲取對應(yīng)的產(chǎn)品屬性信息以及對應(yīng)的屬性值進行結(jié)構(gòu)化存儲。綜上，本發(fā)明實施例所提供的方法和系統(tǒng)，主要運用網(wǎng)絡(luò)爬蟲技術(shù)，對海量網(wǎng)頁進行抓取，主要對綜合類電子商務(wù)網(wǎng)站、垂直類電子商務(wù)網(wǎng)站、生產(chǎn)商網(wǎng)站、采購商網(wǎng)站進行抓取，并提取出最新、有效產(chǎn)品及相關(guān)數(shù)據(jù)，之后運用數(shù)據(jù)結(jié)構(gòu)化存儲技術(shù)對抓取的數(shù)據(jù)進行結(jié)構(gòu)化存儲，建立電子商務(wù)數(shù)據(jù)源。再運用數(shù)據(jù)分類技術(shù)，把抓取的數(shù)據(jù)進行分類。通過為各類目建立學(xué)習(xí)樣本數(shù)據(jù)，通過數(shù)據(jù)的語料，命名實體識別，語義理解，優(yōu)化樣本等智能化技術(shù)，并輔以人工修正，實現(xiàn)數(shù)據(jù)自動分類。最后，通過屬性決策系統(tǒng)，對屬性出現(xiàn)的頻率、時間進行分析，結(jié)合用戶錄入習(xí)慣分析，形成各分類下的屬性排列規(guī)則，生成各分類的描述標(biāo)準(zhǔn)。這樣，通過對以上技術(shù)的綜合運用，形成了對各行業(yè)產(chǎn)品描述的統(tǒng)一標(biāo)準(zhǔn)，通過對采購商標(biāo)準(zhǔn)進行采集，可形成正對特定采購商的產(chǎn)品描述標(biāo)準(zhǔn)，同時產(chǎn)品描述內(nèi)容可以在多個標(biāo)準(zhǔn)間進行轉(zhuǎn)換，適應(yīng)不同的采購商查看，并可對接采購系統(tǒng)，通過接口實現(xiàn)訂單內(nèi)容自動初始化，極大的提高系統(tǒng)的處理效率。顯然，本領(lǐng)域的技術(shù)人員應(yīng)該明白，上述的本發(fā)明的各模塊或各步驟可以用通用的計算裝置來實現(xiàn)，它們可以集中在單個的計算裝置上，或者分布在多個計算裝置所組成的網(wǎng)絡(luò)上，可選地，它們可以用計算裝置可執(zhí)行的程序代碼來實現(xiàn)，從而，可以將它們存儲在存儲裝置中由計算裝置來執(zhí)行，或者將它們分別制作成各個集成電路模塊，或者將它們中的多個模塊或步驟制作成單個集成電路模塊來實現(xiàn)。這樣，本發(fā)明不限制于任何特定的硬件和軟件結(jié)合。以上所述僅為本發(fā)明的優(yōu)選實施例而已，并不用于限制本發(fā)明，對于本領(lǐng)域的技術(shù)人員來說，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。