本發(fā)明涉及云計(jì)算
技術(shù)領(lǐng)域：
，具體涉及一種用于商品分類的云計(jì)算系統(tǒng)。
背景技術(shù)：
：云計(jì)算是并行處理、分布式處理和網(wǎng)格計(jì)算技術(shù)的提高，其組成服務(wù)器包括由多個(gè)計(jì)算服務(wù)器構(gòu)成的計(jì)算云，以及由多個(gè)存儲(chǔ)服務(wù)器構(gòu)成的存儲(chǔ)云。通過計(jì)算云對(duì)待處理數(shù)據(jù)進(jìn)行并行計(jì)算，提高了數(shù)據(jù)的處理效率；通過存儲(chǔ)云將數(shù)據(jù)存儲(chǔ)在多臺(tái)存儲(chǔ)服務(wù)器，分擔(dān)了客戶端的存儲(chǔ)負(fù)荷同時(shí)保證了存儲(chǔ)數(shù)據(jù)的可靠性。商品分類為商品檢索、商品置放策略制定以及智能推薦等提供了有力支撐。圖像作為商品的主要信息載體，基于圖像的商品分類技術(shù)研究己成為圖像處理、計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域的研究熱點(diǎn)。然而，現(xiàn)有的商品分類方法僅對(duì)商品的圖像進(jìn)行研究而忽略了商品的文本信息，另一方面，現(xiàn)有的商品分類方法存在分類準(zhǔn)確率低、分類速度慢等問題。技術(shù)實(shí)現(xiàn)要素：針對(duì)上述問題，本發(fā)明旨在提供一種用于商品分類的云計(jì)算系統(tǒng)。本發(fā)明的目的采用以下技術(shù)方案來實(shí)現(xiàn)：提供了一種用于商品分類的云計(jì)算系統(tǒng)，所述云計(jì)算系統(tǒng)包括計(jì)算云和存儲(chǔ)云，所述計(jì)算云，用于利用云計(jì)算對(duì)商品數(shù)據(jù)進(jìn)行分類處理，并將處理結(jié)果返回給數(shù)據(jù)發(fā)送方，所述存儲(chǔ)云用于對(duì)商品數(shù)據(jù)進(jìn)行存儲(chǔ)。本發(fā)明的有益效果為：利用云計(jì)算技術(shù)來處理商品數(shù)據(jù)，提高日益增長(zhǎng)的商品數(shù)據(jù)的處理效率。附圖說明利用附圖對(duì)本發(fā)明作進(jìn)一步說明，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：計(jì)算云1、存儲(chǔ)云2。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。參見圖1，本實(shí)施例的一種用于商品分類的云計(jì)算系統(tǒng)，所述云計(jì)算系統(tǒng)包括計(jì)算云1和存儲(chǔ)云2，所述計(jì)算云1，用于利用云計(jì)算對(duì)商品數(shù)據(jù)進(jìn)行分類處理，并將處理結(jié)果返回給數(shù)據(jù)發(fā)送方，所述存儲(chǔ)云2用于對(duì)商品數(shù)據(jù)進(jìn)行存儲(chǔ)。本實(shí)施例利用云計(jì)算技術(shù)來處理商品數(shù)據(jù)，提高日益增長(zhǎng)的商品數(shù)據(jù)的處理效率。優(yōu)選的，所述計(jì)算云1包括數(shù)據(jù)管理服務(wù)器以及計(jì)算服務(wù)器，所述數(shù)據(jù)管理服務(wù)器，用于將商品數(shù)據(jù)進(jìn)行分割，將分割后的商品數(shù)據(jù)發(fā)送至計(jì)算服務(wù)器；以及將來自所述計(jì)算服務(wù)器的處理結(jié)果進(jìn)行合并；所述計(jì)算服務(wù)器，用于并行處理接收的商品數(shù)據(jù)，完成商品分類，并將處理后的數(shù)據(jù)發(fā)送至數(shù)據(jù)管理服務(wù)器，包括商品圖像分類模塊、商品文本分類模塊和綜合分類模塊。本優(yōu)選實(shí)施例商品數(shù)據(jù)處理效率高，分類準(zhǔn)確。優(yōu)選的，所述數(shù)據(jù)管理服務(wù)器，還用于監(jiān)測(cè)接收到的商品數(shù)據(jù)的流量變化，若數(shù)據(jù)流量增大，則擴(kuò)展出新的計(jì)算服務(wù)器處理商品數(shù)據(jù)；若數(shù)據(jù)流量減小，則收縮部分已有的計(jì)算服務(wù)器。本優(yōu)選實(shí)施例資源利用率高。優(yōu)選的，所述商品圖像分類模塊用于獲取商品圖像的分類結(jié)果，具體為：(1)對(duì)待分類的商品圖像進(jìn)行圖像去噪處理，分為以下步驟進(jìn)行：步驟1：對(duì)待分類商品圖像進(jìn)行光照歸一化處理，具體的：將待分類的商品圖像p轉(zhuǎn)換到對(duì)數(shù)域，利用差分高斯濾波器對(duì)待分類的商品圖像p進(jìn)行平滑處理，然后對(duì)待分類的商品圖像p進(jìn)行全局對(duì)比度均衡化處理；步驟2：以滑動(dòng)窗口方式對(duì)待分類的商品圖像p按照預(yù)先設(shè)定的滑動(dòng)距離進(jìn)行塊劃分；對(duì)圖像塊中的每一塊的紋理特征進(jìn)行提取，采用k-means聚類方法基于提取的紋理特征對(duì)圖像塊進(jìn)行聚類，得到多個(gè)圖像塊組，采用多線性子空間學(xué)習(xí)濾波器對(duì)圖像塊組進(jìn)行初次去噪；所述k-means聚類方法具體描述如下：步驟a：隨機(jī)選取k個(gè)聚類質(zhì)心點(diǎn)為μ1,μ2,…,μk，步驟b：對(duì)于每個(gè)樣本例i，計(jì)算其應(yīng)該屬于的類，對(duì)于每一個(gè)類j，重新計(jì)算該類的質(zhì)心，步驟c：重復(fù)步驟b，直到收斂；步驟3：利用改進(jìn)的自適應(yīng)字典學(xué)習(xí)去噪方法對(duì)初次去噪后的待分類的商品圖像進(jìn)行二次去噪；(2)用fj＝[fj,1,fj,2,…,fj,n]表示第j類商品圖像的訓(xùn)練樣本集，所有類別的訓(xùn)練樣本集f＝[f1,f2,…,fn]構(gòu)成過完備字典，其中，n表示商品類別數(shù)，用f的線性組合表示未知類別測(cè)試樣本t：t＝fa，其中，a為稀疏的系數(shù)向量，用稀疏編碼算法求得稀疏表示a；自定義函數(shù)ρj(a)，該函數(shù)將稀疏表示a中不屬于第j類的分量置0，則測(cè)試樣本所屬類別可表示為：jbe＝argminj(lxj+lxj2)，lxj＝||t-fρj(a)||2，其中，jbe表示測(cè)試樣本t所屬類別，fρj(a)表示測(cè)試樣本第j類的重構(gòu)圖像，||t-fρj(a)||2表示原始圖像和第j類重構(gòu)圖像的重構(gòu)殘差；將圖像分類分?jǐn)?shù)定義為：其中，表示商品屬于第j類的圖像分類分?jǐn)?shù)，1≤j,k≤n。本優(yōu)選實(shí)施例計(jì)算服務(wù)器對(duì)待分類的商品圖像進(jìn)行多次去噪處理，能夠獲得較好的去噪效果，并且適用于多維的商品圖像，在對(duì)商品圖像進(jìn)行塊劃分之前先進(jìn)行光照歸一化處理，有利于后續(xù)圖像塊特征的提取和聚類精度的提高，進(jìn)而提高去噪的精度；此外，計(jì)算服務(wù)器使用上述算法確定圖像分類結(jié)果，提高了圖像分類準(zhǔn)確度，云計(jì)算服務(wù)器對(duì)圖像分類分?jǐn)?shù)進(jìn)行定義，打下了分類信息融合的基礎(chǔ)。優(yōu)選地，所述采用改進(jìn)的自適應(yīng)字典學(xué)習(xí)去噪方法對(duì)初次去噪后的待分類的商品圖像進(jìn)行二次去噪，包括以下步驟：步驟1：將初次去噪后的圖像塊進(jìn)行重排列形成列向量矩陣，并對(duì)列向量矩陣進(jìn)行降維，最終形成樣本塊集合{p}；對(duì)該樣本塊集合進(jìn)行自適應(yīng)字典訓(xùn)練，得到自適應(yīng)學(xué)習(xí)字典d；步驟2：按照另一設(shè)定的滑動(dòng)距離對(duì)該待分類的商品圖像p再次進(jìn)行滑動(dòng)窗口的塊劃分，對(duì)得到的圖像塊進(jìn)行重排列形成列向量矩陣，并對(duì)列向量矩陣進(jìn)行降維，最終形成輸入圖像塊集合{p′}；求解輸入圖像塊集合{p′}中每一列向量在自適應(yīng)學(xué)習(xí)字典上的稀疏表示稀疏μ，并按照下式計(jì)算輸出圖像塊y(p)：y(p)＝dμ；步驟3：對(duì)輸出圖像塊進(jìn)行融合處理，得到預(yù)去噪圖像y′(p)；對(duì)預(yù)去噪圖像y′(p)進(jìn)行低秩矩陣稀疏分解，得到低秩去噪分量dz和稀疏含噪分量xs，對(duì)該低秩去噪分量dz和稀疏含噪分量xs進(jìn)行二次去噪處理，得到最終去噪圖像：y″(p)＝dz*xs′，其中，xs′表示對(duì)稀疏含噪分量xs進(jìn)行中值濾波后得到的稀疏去噪分量，*表示融合處理。所述商品文本分類模塊2用于獲取商品文本的分類結(jié)果，具體為：存在訓(xùn)練文本集其中，wi表示已知類別文本，表示文本類別，某商品待分類文本wt中包含不同的詞wi，將文本表示為wt＝(w1,w2,…,wn)，n表示文本中詞的數(shù)量，統(tǒng)計(jì)wi在文本wt中出現(xiàn)的頻次pi和在訓(xùn)練文本集文本中出現(xiàn)的最高頻次計(jì)算相對(duì)詞頻將文本表示為求取wt與w中文本wi的相似度sim(wt,wi)，得到與wt最近似的l個(gè)wi，其中，表示wt的第i個(gè)詞wi的相對(duì)詞頻，表示wi的第i個(gè)詞wi的相對(duì)詞頻；用wl表示l個(gè)最近鄰文本，計(jì)算wl中各類別占比，占比最大的類別包含文本數(shù)為l1，作為wt的類別占比第二大的類別文本數(shù)目為l2；文本分類分?jǐn)?shù)為：所述綜合分類模塊用于融合基于商品圖像的分類結(jié)果和基于商品文本的分類結(jié)果，得到并輸出商品類別，具體為：待分類商品圖文樣本(t,w,y)，三元組中的t表示商品的圖像描述，w表示商品的文本描述，y表示商品的類別，商品的訓(xùn)練樣本集(t,w,y)＝{(ti,wi,yi)}，其中，i＝1,2,…,n，n表示樣本集中樣本數(shù)量；對(duì)圖像分類分?jǐn)?shù)和文本分類分?jǐn)?shù)進(jìn)行線性組合：其中，表示商品屬于第j類的圖文融合分?jǐn)?shù)，表示商品屬于第j類的圖像分類分?jǐn)?shù)，表示商品屬于第j類的文本分類分?jǐn)?shù)，δ1和δ2為根據(jù)樣本學(xué)習(xí)得到的權(quán)重系數(shù)；采用下列判定公式得到商品類別：本優(yōu)選實(shí)施例計(jì)算服務(wù)器對(duì)初次去噪后的待分類的商品圖像進(jìn)行二次去噪處理，能夠很好地保留圖像的細(xì)節(jié)，濾除噪聲；另一方面，計(jì)算服務(wù)器采用商品文本分類模塊確定文本分類結(jié)果，提高了文本分類準(zhǔn)確率，為進(jìn)一步進(jìn)行分類信息融合打下了基礎(chǔ)；此外，計(jì)算服務(wù)器考慮商品的圖像視覺信息和描述文本信息，對(duì)兩種不同模態(tài)信息進(jìn)行融合，進(jìn)一步提高了商品分類準(zhǔn)確率。優(yōu)選地，商品分類準(zhǔn)確度評(píng)價(jià)模塊，用于根據(jù)設(shè)定的商品分類準(zhǔn)確度評(píng)價(jià)函數(shù)對(duì)系統(tǒng)的商品分類準(zhǔn)確度進(jìn)行評(píng)價(jià)，商品分類準(zhǔn)確度評(píng)價(jià)函數(shù)的值越大，表示商品分類的準(zhǔn)確度越高，商品分類準(zhǔn)確度評(píng)價(jià)函數(shù)為：其中，nl用于表示商品類別數(shù)量，mα用于表示第α類正確分類商品樣本數(shù)量，mα用于表示第α類商品樣本數(shù)量。本優(yōu)選實(shí)施例設(shè)定商品分類準(zhǔn)確度評(píng)價(jià)函數(shù)，從而提高了計(jì)算服務(wù)器對(duì)商品分類準(zhǔn)確度，有利于對(duì)計(jì)算服務(wù)器進(jìn)行改進(jìn)。本發(fā)明云計(jì)算系統(tǒng)對(duì)商品數(shù)據(jù)進(jìn)行分類處理，并對(duì)商品數(shù)量分別為2000、3000、4000、5000、6000時(shí)的計(jì)算情況進(jìn)行分析，并以計(jì)算成本和處理時(shí)間作為考量依據(jù)對(duì)該云計(jì)算系統(tǒng)進(jìn)行評(píng)價(jià)，與未采用本發(fā)明相比，產(chǎn)生的有益效果如下表所示：商品數(shù)量節(jié)省計(jì)算成本處理時(shí)間縮短200020％10％300025％15％400030％20％500032％24％600036％31％最后應(yīng)當(dāng)說明的是，以上實(shí)施例僅用以說明本發(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12