本發(fā)明涉及電子商務(wù)領(lǐng)域，具體涉及一種社區(qū)電子商務(wù)公共服務(wù)平臺(tái)。
背景技術(shù)：
：目前市面上比較類似的是多城市門(mén)戶網(wǎng)站系統(tǒng)，以城市為站點(diǎn)，實(shí)現(xiàn)了城市的門(mén)戶首頁(yè)、城市分類信息、點(diǎn)評(píng)信息、C2C商城系統(tǒng)、官方團(tuán)購(gòu)、同城團(tuán)購(gòu)活動(dòng)信息、房產(chǎn)信息、促銷(xiāo)信息等綜合性功能。其特點(diǎn)主要是以線上活動(dòng)為主導(dǎo)的，會(huì)員自由發(fā)布與參與形式的運(yùn)營(yíng)模式，用戶群體也單純分為個(gè)人和商家，網(wǎng)站以獲取商家的宣傳廣告費(fèi)用和商城廣告費(fèi)用為主要贏利點(diǎn)。對(duì)于用戶來(lái)說(shuō)，城市級(jí)別的信息與服務(wù)，即使有一定的信息量，但對(duì)于自己的周邊來(lái)說(shuō)又有一定的距離，不能夠做到實(shí)時(shí)響應(yīng)。在大量的信息海洋里，又不能夠做到快速獲得與日常生活息息相關(guān)的想要快速得到的信息與服務(wù)。技術(shù)實(shí)現(xiàn)要素：針對(duì)上述問(wèn)題，本發(fā)明旨在提供一種社區(qū)電子商務(wù)公共服務(wù)平臺(tái)。本發(fā)明的目的采用以下技術(shù)方案來(lái)實(shí)現(xiàn)：提供了一種社區(qū)電子商務(wù)公共服務(wù)平臺(tái)，包括服務(wù)平臺(tái)系統(tǒng)、用戶終端和社區(qū)物業(yè)系統(tǒng)，用戶終端和社區(qū)物業(yè)系統(tǒng)通過(guò)API接口連接于服務(wù)平臺(tái)系統(tǒng)；用戶終端：通過(guò)用戶終端登錄服務(wù)平臺(tái)系統(tǒng)獲取信息，并對(duì)獲取信息進(jìn)行處理，完成自助式服務(wù)，包括數(shù)據(jù)采集模塊、數(shù)據(jù)分類模塊、分類檢測(cè)模塊和檢測(cè)融合模塊；社區(qū)物業(yè)系統(tǒng)：物業(yè)服務(wù)公司通過(guò)社區(qū)物業(yè)系統(tǒng)登錄服務(wù)平臺(tái)系統(tǒng)，發(fā)布信息、為社區(qū)居民提供便民服務(wù)以及開(kāi)展社區(qū)活動(dòng)。本發(fā)明的有益效果為：為社區(qū)居民提供了方便的服務(wù)。附圖說(shuō)明利用附圖對(duì)本發(fā)明作進(jìn)一步說(shuō)明，但附圖中的實(shí)施例不構(gòu)成對(duì)本發(fā)明的任何限制，對(duì)于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)以下附圖獲得其它的附圖。圖1是本發(fā)明的結(jié)構(gòu)連接示意圖。附圖標(biāo)記：服務(wù)平臺(tái)系統(tǒng)1、用戶終端2、社區(qū)物業(yè)系統(tǒng)3。具體實(shí)施方式結(jié)合以下實(shí)施例對(duì)本發(fā)明作進(jìn)一步描述。參見(jiàn)圖1，本實(shí)施例的一種社區(qū)電子商務(wù)公共服務(wù)平臺(tái)，包括服務(wù)平臺(tái)系統(tǒng)1、用戶終端2和社區(qū)物業(yè)系統(tǒng)3，用戶終端2和社區(qū)物業(yè)系統(tǒng)3通過(guò)API接口連接于服務(wù)平臺(tái)系統(tǒng)1；用戶終端2：通過(guò)用戶終端2登錄服務(wù)平臺(tái)系統(tǒng)1獲取信息，并對(duì)獲取信息進(jìn)行處理，完成自助式服務(wù)，包括數(shù)據(jù)采集模塊、數(shù)據(jù)分類模塊、分類檢測(cè)模塊和檢測(cè)融合模塊；所述數(shù)據(jù)采集模塊用于采集需要進(jìn)行檢測(cè)的數(shù)據(jù)；所述數(shù)據(jù)分類模塊用于將由數(shù)據(jù)采集模塊輸出的數(shù)據(jù)劃分為圖像數(shù)據(jù)和文本數(shù)據(jù)，并對(duì)分類后的數(shù)據(jù)進(jìn)行過(guò)濾處理；所述分類檢測(cè)模塊用于對(duì)分類后的數(shù)據(jù)進(jìn)行分析檢測(cè)；所述檢測(cè)融合模塊用于根據(jù)檢測(cè)需求篩選所需的圖像數(shù)據(jù)和文本數(shù)據(jù)。社區(qū)物業(yè)系統(tǒng)3：物業(yè)服務(wù)公司通過(guò)社區(qū)物業(yè)系統(tǒng)3登錄服務(wù)平臺(tái)系統(tǒng)1，發(fā)布信息、為社區(qū)居民提供便民服務(wù)以及開(kāi)展社區(qū)活動(dòng)。優(yōu)選地，服務(wù)平臺(tái)系統(tǒng)1設(shè)有第三方平臺(tái)接口。本優(yōu)選實(shí)施例為居民提供更多服務(wù)提供了硬件支持。優(yōu)選地，第三方平臺(tái)接口包括：商家接口、在線收款接口、手機(jī)短信接口、郵件系統(tǒng)接口以及手機(jī)3G網(wǎng)絡(luò)訪問(wèn)接口。本優(yōu)選實(shí)施例能夠?yàn)榫用裉峁└喾?wù)。優(yōu)選的，所述采集需要進(jìn)行檢測(cè)的數(shù)據(jù)，包括：步驟一：采集一定時(shí)間段內(nèi)需要進(jìn)行檢測(cè)的數(shù)據(jù)，按設(shè)定的過(guò)濾規(guī)則對(duì)該數(shù)據(jù)進(jìn)行初步過(guò)濾處理，所述設(shè)定的過(guò)濾規(guī)則包括刪除包含特殊字符、推廣相關(guān)的特殊漢字和網(wǎng)頁(yè)鏈接的內(nèi)容的數(shù)據(jù)；步驟二：設(shè)所述一定時(shí)間段的時(shí)間范圍為[ZB,ZE]，將[ZB,ZE]按照時(shí)間順序平均分為n個(gè)子時(shí)間段，對(duì)每個(gè)子時(shí)間段內(nèi)的數(shù)據(jù)進(jìn)行重要度評(píng)估，評(píng)估公式定義為：1≤i≤n，式中，Wi為第i個(gè)子時(shí)間段的重要程度，WTi為設(shè)定的第i個(gè)子時(shí)間段的重要程度值，Di為第i個(gè)子時(shí)間段的數(shù)據(jù)的數(shù)量，D為在[ZB,ZE]內(nèi)的數(shù)據(jù)的數(shù)量；將各重要度按照由小到大進(jìn)行排序，按照重要度的排列順序，將數(shù)據(jù)依次發(fā)送至數(shù)據(jù)分類模塊。本優(yōu)選實(shí)施例通過(guò)設(shè)定過(guò)濾規(guī)則，將不需要進(jìn)行檢測(cè)的數(shù)據(jù)進(jìn)行刪除，減少了檢測(cè)后續(xù)處理的數(shù)據(jù)量；通過(guò)對(duì)各子時(shí)間段的數(shù)據(jù)進(jìn)行重要度評(píng)估，并按照重要度的排列順序，將數(shù)據(jù)依次發(fā)送至數(shù)據(jù)分類模塊，使后續(xù)的模塊能夠預(yù)先處理重要程度高的數(shù)據(jù)，提高了檢測(cè)的速度。優(yōu)選的，所述對(duì)分類后的數(shù)據(jù)進(jìn)行過(guò)濾處理，包括：提取文本數(shù)據(jù)，對(duì)該文本數(shù)據(jù)進(jìn)行聚類處理，形成多個(gè)類別的文本數(shù)據(jù)集；計(jì)算每個(gè)類別的文本數(shù)據(jù)集中的數(shù)據(jù)的數(shù)量，按照數(shù)量由少到大的順序?qū)Χ鄠€(gè)文本數(shù)據(jù)集進(jìn)行排序；刪除前22％的文本數(shù)據(jù)集，將剩余的文本數(shù)據(jù)集以及圖像數(shù)據(jù)發(fā)送至分類檢測(cè)模塊。本優(yōu)選實(shí)施例進(jìn)一步對(duì)文本數(shù)據(jù)進(jìn)行聚類處理，過(guò)濾掉數(shù)量較少的文本數(shù)據(jù)集，減少了后續(xù)檢測(cè)的數(shù)據(jù)量，從而進(jìn)一步提高了檢測(cè)的速度。優(yōu)選的，所述對(duì)該文本數(shù)據(jù)進(jìn)行聚類處理，包括：步驟一：確定聚簇的個(gè)數(shù)K，包括：對(duì)該文本數(shù)據(jù)采用等距法設(shè)定k-means聚類算法的初始中心，得到聚類中心；在得到聚類中心后將相鄰的聚類中心的中點(diǎn)作為分類的劃分點(diǎn)，將各個(gè)對(duì)象加入到距離最近的類中，從而確定聚簇的個(gè)數(shù)K；將該文本數(shù)據(jù)劃分為n個(gè)樣本，對(duì)n個(gè)樣本進(jìn)行向量化，通過(guò)夾角余弦函數(shù)計(jì)算所有樣本兩兩之間的相似度，得到相似度矩陣SIM：SIM＝[sim(gi,gj)]n×n，i,j＝1,…,n；計(jì)算每一個(gè)樣本與其它所有樣本的相似度之和，求和公式為：式中，為樣本gi與其它所有樣本的相似度之和，sim(gi,gj)表示樣本gi,gj間的相似度，i,j＝1,…,n；步驟二：按降序排列設(shè)按從大到小排列的前4個(gè)值對(duì)應(yīng)的樣本為gmax,gmax-1,gmax-2,gmax-3，根據(jù)下列公式確定第一個(gè)初始的聚簇中心me：公式中，ωmax-μ表示gmax-μ的重要度權(quán)值；步驟三：對(duì)中的最大值對(duì)應(yīng)的矩陣中行向量的元素進(jìn)行升序排列，假設(shè)前k-1個(gè)最小的元素為SIMpq,q＝1,…,k-1，選擇前k-1個(gè)最小的元素SIMpq相對(duì)應(yīng)的樣本作為剩余的k-1個(gè)初始的聚簇中心；計(jì)算剩余樣本與各初始的聚簇中心之間的相似度，將剩余樣本分發(fā)到相似度最高的聚簇中，形成變化后的k個(gè)聚簇；計(jì)算變化后的聚簇中各樣本的均值，將其作為更新后的聚簇中心代替更新前的聚簇中心；若更新前的聚簇中心與更新后的聚簇中心相同，或者目標(biāo)函數(shù)達(dá)到了最小值，停止更新，所述目標(biāo)函數(shù)為：公式中，Cl表示k個(gè)聚簇中的第l個(gè)聚簇，gx為第l個(gè)聚簇中的樣本，為第l個(gè)聚簇的中心。本優(yōu)選實(shí)施例有效避免單一采取隨機(jī)抽樣方法所帶來(lái)的偶然性,解決對(duì)該文本數(shù)據(jù)進(jìn)行聚類處理時(shí)在選取k值以及初始化聚類中心時(shí)所存在的問(wèn)題，提高了聚類穩(wěn)定性，進(jìn)一步提高了對(duì)文本數(shù)據(jù)進(jìn)行過(guò)濾處理的精度。優(yōu)選的，所述分類檢測(cè)模塊包括圖像數(shù)據(jù)檢測(cè)單元和文本數(shù)據(jù)檢測(cè)單元；所述圖像數(shù)據(jù)檢測(cè)單元基于語(yǔ)義特征對(duì)圖像數(shù)據(jù)進(jìn)行檢測(cè)，具體為：采用小波變換的方法對(duì)圖像進(jìn)行分割，對(duì)區(qū)域低層特征進(jìn)行提取，構(gòu)造特征矩陣，再應(yīng)用非負(fù)矩陣分解訓(xùn)練算法構(gòu)造語(yǔ)義空間，將圖像投影到該空間以獲取圖像語(yǔ)義特征；所述文本數(shù)據(jù)檢測(cè)單元包括文本數(shù)據(jù)建模子單元、文本數(shù)據(jù)分類子單元、檢測(cè)子單元，具體為：(1)文本數(shù)據(jù)建模子單元，用于使用構(gòu)成文檔的詞項(xiàng)來(lái)表達(dá)文檔的語(yǔ)義，其將n篇文檔t1,t2,…,tn的每篇文檔表示成m維特征向量v1,v2,…,vm，構(gòu)成n×m的文檔-特征矩陣：式中，m為構(gòu)成文檔的詞項(xiàng)的數(shù)量；1≤i≤n,1≤j≤m，式中，o(ti,vj)表示詞項(xiàng)vj在文檔ti中所占權(quán)重，f(ti,vj)表示詞項(xiàng)vj在文檔ti中出現(xiàn)的次數(shù)，f(vj)表示詞項(xiàng)vj在所有文檔中出現(xiàn)的次數(shù)總和；(2)文本數(shù)據(jù)分類子單元，用于對(duì)建模后的文本文檔進(jìn)行分類，具體包括：1)、將文本集中的文檔隨機(jī)映射到一個(gè)二維平面網(wǎng)格空間，每個(gè)網(wǎng)格中只能投影一篇文檔，同時(shí)，在二維平面上放置一定數(shù)量的螞蟻；2)、每只螞蟻隨機(jī)在二維網(wǎng)格空間移動(dòng)，選擇一個(gè)文檔撿起，并攜帶它在二維網(wǎng)格空間隨機(jī)移動(dòng)，每移動(dòng)一次，螞蟻計(jì)算它所攜帶文檔或者所在網(wǎng)格中的文檔與周?chē)h(huán)境的群體相似度，決定是否撿起或者放下該文檔，將每個(gè)網(wǎng)格作為二維網(wǎng)格空間離散值，設(shè)螞蟻所在位置為p，它所在環(huán)境的群體相似度定義為：公式中，ti∈p(a×a)表示文檔ti在位置p的邊長(zhǎng)a×a的鄰域，r(ti,tj)表示兩篇文檔之間的文本距離，σ表示相似度因子，σ的取值范圍是[1，2]，公式中，m表示文檔中詞項(xiàng)數(shù)量；3)、撿起和放下，如果螞蟻沒(méi)有攜帶任何文檔移動(dòng)，那么它將撿起與周?chē)h(huán)境群體相似度較低的文檔；如果螞蟻正在攜帶一篇文檔移動(dòng)，那么當(dāng)螞蟻處于空網(wǎng)格，并且這篇文檔與周?chē)h(huán)境的群體相似度較高時(shí)，它將放下這篇文檔，撿起概率Pj(ti)和放下概率Pf(ti)定義為：公式中，T1和T2為常數(shù)閾值，T1＝0.14，T2＝0.16；4)、2)和3)重復(fù)進(jìn)行，經(jīng)過(guò)一段時(shí)間，相似性高的文檔將被聚集在同一區(qū)域。本優(yōu)選實(shí)施例對(duì)數(shù)據(jù)進(jìn)行分類檢測(cè)，能夠充分利用不同類型數(shù)據(jù)特點(diǎn)，采用對(duì)應(yīng)的方法進(jìn)行檢測(cè)，提高了檢測(cè)的針對(duì)性；對(duì)文檔進(jìn)行建模，將非結(jié)構(gòu)化的文本數(shù)據(jù)轉(zhuǎn)換成可計(jì)算的結(jié)構(gòu)化數(shù)據(jù)，同時(shí)便于后續(xù)對(duì)文檔進(jìn)行分類；文本數(shù)據(jù)分類子單元提高了檢測(cè)效率，節(jié)約了檢測(cè)時(shí)間。本發(fā)明公共服務(wù)平臺(tái)數(shù)據(jù)檢測(cè)結(jié)果如下表所示：獲取服務(wù)項(xiàng)目數(shù)數(shù)據(jù)檢測(cè)速度數(shù)據(jù)檢側(cè)準(zhǔn)確率30.26s95％40.32s94.5％50.38s93.5％最后應(yīng)當(dāng)說(shuō)明的是，以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)本發(fā)明保護(hù)范圍的限制，盡管參照較佳實(shí)施例對(duì)本發(fā)明作了詳細(xì)地說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對(duì)本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實(shí)質(zhì)和范圍。當(dāng)前第1頁(yè)1 2 3