本身，進而有利于達到所掃即所得的無縫感，有利于突出品牌主題色彩，有利于給用戶直觀的品牌感和展現(xiàn)力，進而便于用戶通過商品主頁對商品進行快速的辨識和認知等。
[0053]其中，對所述商品的縮略圖進行取色處理得到取色結(jié)果的具體實現(xiàn)方式可以是多種多樣的。
[0054]例如，對所述商品的縮略圖進行取色處理得到取色結(jié)果包括:取所述縮略圖中所有像素點的RGB色度值；通過聚類算法將所述縮略圖中所有像素點的RGB色度值在顏色空間中聚成K個聚類；在所述K個聚類中搜索符合預(yù)設(shè)條件的聚類i ;若在所述K個聚類中搜索到了聚類i，將所述聚類i中心的色度值作為對所述商品的縮略圖進行取色處理的取色結(jié)果，所述K為大于I的整數(shù)。
[0055]可選的，所述1(例如可等于2、3、4、5、7、10、20、30、43、50或其它大于I的整數(shù)。
[0056]其中，聚類算法例如可以是硬聚類算法或軟聚類算法。聚類算法具體例如可以是K-means算法或K-MED0IDS算法或Clara算法或者Clarans算法或其它聚類算法。
[0057]其中，K-means算法是硬聚類算法，K-means算法是典型的根據(jù)原型的目標(biāo)函數(shù)聚類方法的代表，其中，它是數(shù)據(jù)點到原型的某種距離作為優(yōu)化的目標(biāo)函數(shù)，利用函數(shù)求極值的方法得到迭代運算的調(diào)整規(guī)則。其中，K-means算法可以以歐式距離作為相似度測度，它是求對應(yīng)某一初始聚類中心向量V的最優(yōu)分類，使得評價指標(biāo)J最小。K-means算法采用誤差平方和準(zhǔn)則函數(shù)作為聚類準(zhǔn)則函數(shù)。
[0058]K-means算法接受輸入量k ;然后將η個數(shù)據(jù)對象劃分為k個聚類以便使得所獲得的聚類滿足:同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個“中心對象”(引力中心)來進行計算的。K-means算法的工作過程說明如下:首先從η個數(shù)據(jù)對象任意選擇K個對象作為初始聚類中心；而對于所剩下其它對象，則根據(jù)它們與這些聚類中心的相似度(距離)，分別將它們分配給與其最相似的(聚類中心所代表的)聚類；然后再計算每個所獲新聚類的聚類中心(該聚類中所有對象的均值)；不斷重復(fù)這一過程直到標(biāo)準(zhǔn)測度函數(shù)開始收斂為止。一般都采用均方差作為標(biāo)準(zhǔn)測度函數(shù)，K個聚類具有以下特點:各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。
[0059]K-MED0IDS算法。K-MED0IDS算法中選取一個對象叫做med1d來代替上面的中心的作用，這樣的一個medoid就標(biāo)識了這個類。K_medoids和K-means不一樣的地方在于中心點的選取，在K-means中，我們將中心點取為當(dāng)前cluster中所有數(shù)據(jù)點的平均值，
在K-medoids算法中，我們將從當(dāng)前cluster中選取這樣一個點--它到其他所有(當(dāng)前
cluster中的)點的距離之和最小——作為中心點。
[0060]其中，k-medoids算法的步驟:
[0061]1，任意選取 K 個對象作為 medoids (01, 02,...01...0k)。
[0062]以下是循環(huán)的:2，將余下的對象分到各個類中去(根據(jù)與medoid最相近的原貝Ij) ;3，對于每個類(Oi)中，順序選取一個Or，計算用Or代替Oi后的消耗一 E(0r)。選擇E最小的那個Or來代替Oi。這樣K個medoids就改變了，下面就再轉(zhuǎn)到2。4，這樣循環(huán)直到K個medoids固定下來。
[0063]Clara算法。Clara算法是一種根據(jù)采樣的方法，Clara算法它能夠處理大量的數(shù)據(jù)。Clara算法的思想就是用實際數(shù)據(jù)的抽樣來代替整個數(shù)據(jù)，然后再在這些抽樣的數(shù)據(jù)上利用Knedoids算法得到最佳的medoids。
[0064]其中，Clara算法從實際數(shù)據(jù)中抽取多個采樣，在每個采樣上都用K-medoids算法得到相應(yīng)的(01，02…Oi…Ok)，然后在這當(dāng)中選取E最小的一個作為最終的結(jié)果。
[0065]Clarans算法。與Clara算法不同的是，在Clara算法尋找最佳的medoids的過程中，采樣都是不變的。而Clarans算法在每一次循環(huán)的過程中所采用的采樣都是不一樣的。
[0066]此外，所述對所述商品的縮略圖進行取色處理得到取色結(jié)果，還可進一步包括:若在所述K個聚類中未搜索到聚類i，可將預(yù)設(shè)的X種色度值之中的第P種色度值作為對所述商品的縮略圖進行取色處理的取色結(jié)果，其中，所述第P種色度值與所述縮略圖的像素平均色度值之間的差異，小于或等于所述X種色度值中除所述第P種色度值之外的任意一種色度值與所述縮略圖的像素平均色度值之間的差異。
[0067]可選的，在本發(fā)明的一些可能的實施方式中，所述符合預(yù)設(shè)條件的聚類i中心的色度值為(Ri, Gi, Bi) ο
[0068]其中，Ri表示色度值紅色分量，Gi表示色度值綠色分量，Bi表示色度值藍色分量。
[0069]其中，R1-GiI+ |G1-Bi I+ |B1-Ri I >Thl，Ri+Gi+Bi〈Th2 ;其中，所述 Thl 小于所述Th2，所述Thl為正數(shù)。
[0070]可選的，在本發(fā)明的一些可能的實施方式中，所述Thl可大于或等于150且小于或等于210。當(dāng)然所述Thl也可具有其它取值范圍。具體的，所述Thl例如可等于150、151、180、191、200、170、205、160、165、210 或者其它大于 150 且小于 210 的整數(shù)。
[0071]可選的，在本發(fā)明的一些可能的實施方式中，所述Th2可大于或等于450且小于或等于510。當(dāng)然所述Th2也可具有其它取值范圍。具體的，所述Thl例如可等于450、455、480、471、470、485、490、493、510、505 或者其它大于 450 且小于 510 的整數(shù)。
[0072]可選的，在本發(fā)明的一些可能的實施方式中，當(dāng)客戶端在顯示器上呈現(xiàn)商品主頁之后，用戶還可通過點擊商品主頁的區(qū)域來指示客戶端跳轉(zhuǎn)到與被點擊區(qū)域?qū)?yīng)頁面。
[0073]舉例來說，當(dāng)客戶端接收到用戶對商品主頁的頁面頭部的點擊指令，則客戶端可跳轉(zhuǎn)到商品詳情頁面。當(dāng)客戶端接收到用戶對商品主頁中的“品牌官方提供”入口的點擊指令，客戶端跳轉(zhuǎn)到品牌入駐頁面。當(dāng)客戶端接收到用戶對商品主頁中的“了解微信掃條碼”入口的點擊指令，客戶端跳轉(zhuǎn)到掃商品介紹頁面。當(dāng)客戶端接收到用戶對商品主頁中的“視頻”入口的點擊指令，客戶端可進行視頻播放。當(dāng)客戶端接收到用戶對商品主頁中的“查看公眾號”入口的點擊指令，則客戶端可跳轉(zhuǎn)一鍵關(guān)注微信公眾號頁面等。其中，當(dāng)客戶端接收到用戶對商品主頁中的“購買”入口的點擊指令，客戶端可跳轉(zhuǎn)到線上購買頁面。當(dāng)客戶端接收到用戶對商品主頁中的“相關(guān)商品”入口的點擊指令，則客戶端可跳轉(zhuǎn)到對應(yīng)商品的商品主頁。其中，當(dāng)客戶端接收到用戶對商品主頁中的“評論”入口的點擊指令，客戶端則可跳轉(zhuǎn)到評論頁面。其中，當(dāng)客戶端接收到用戶對商品主頁中的“防偽”入口的點擊指令，則客戶端可以跳轉(zhuǎn)到防偽詳情頁面。當(dāng)然，商品主頁也還可能包括鏈接到其它頁面的入口，此處不在—舉例。
[0074]為便于更好的理解和實施本發(fā)明實施例的上述方案，下面通過一些具體的應(yīng)用場景進行舉例說明。
[0075]參見圖2，圖2為本發(fā)明的一個實施例提供的一種商品主頁的處理方法的流程示意圖。如圖2所示，本發(fā)明的一個實施例提供的一種商品主頁的處理方法可以包括:
[0076]S201、客戶端對商品進行掃商品處理以獲得掃商品數(shù)據(jù)。
[0077]其中，所述客戶端為微信客戶端或其它客戶端。用戶可利用客戶端對商品進行掃商品處理(例如掃條形碼處理或者掃二維碼處理或掃圖像處理)，客戶端通過對商品進行掃商品處理可獲得掃商品數(shù)據(jù)。
[0078]S202、客戶端向服務(wù)器發(fā)送獲得的掃商品數(shù)據(jù)。
[0079]S203、服務(wù)器接收來自客戶端的掃商品數(shù)據(jù)，服務(wù)器根據(jù)所述掃商品數(shù)據(jù)獲取商品的縮略圖。
[0080]商品縮略圖可由品牌商或第三方(電商(如京東、I號店等)或信息服務(wù)提供商)等提供，存儲于服務(wù)器(如微信服務(wù)器)之中。其中，服務(wù)器例如可以掃商品數(shù)據(jù)為索引來獲取商品的縮略圖。
[0081 ] S204、服務(wù)器對所述商品的縮略圖進行取色處理得到取色結(jié)果。
[0082]其中，對所述商品的縮略圖進行取色處理得到取色結(jié)果的具體實現(xiàn)方式可以是多種多樣的。
[0083]例如，對所述商品的縮略圖進行取色處理得到取色結(jié)果包括:取所述縮略圖中所有像素點的RGB色度值；通過聚類算法將所述縮略圖中所有像素點的RGB色度值在顏色空間中聚成K個聚類；在所述K個聚類中搜索符合預(yù)設(shè)條件的聚類i ;若在所述K個聚類中搜索到了聚類i，將所述聚類i中心的色度值作為對所述商品的縮略圖進行取色處理的取色結(jié)果，所述K為大于I的整數(shù)。
[0084]可選的，所述1(例如可等于2、3、4、5、7、10、20、30、43、50或其它大于I的整數(shù)。
[0085]其中，聚類算法例如可以是硬聚類算法或軟聚類算法。聚類算法具體例如可以是K-means算法或K-MED0IDS算法或Clara算法或者Clarans算法或其它聚類算法。
[0086]其中，K-means算法是硬聚類算法，K-means算法是典型的根據(jù)原型的目標(biāo)函數(shù)聚類方法的代表，其中，它是數(shù)據(jù)點到原型的某種距離作為優(yōu)化的目標(biāo)函數(shù)，利用函數(shù)求極值的方法得到迭代運算的調(diào)整規(guī)則。其中，K-means算法可以以歐式距離作為相似度測度，它是求對應(yīng)某一初始聚類中心向量V的最優(yōu)分類，使得評價指標(biāo)J最小。K-means算法采用誤差平方和準(zhǔn)則函數(shù)作為聚類準(zhǔn)則函數(shù)。
[0087]K-means算法接受輸入量k ;然后將η