CN107038593A - 一种基于防伪溯源系统的异常数据处理方法及系统 - Google Patents
一种基于防伪溯源系统的异常数据处理方法及系统 Download PDFInfo
- Publication number
- CN107038593A CN107038593A CN201710221560.3A CN201710221560A CN107038593A CN 107038593 A CN107038593 A CN 107038593A CN 201710221560 A CN201710221560 A CN 201710221560A CN 107038593 A CN107038593 A CN 107038593A
- Authority
- CN
- China
- Prior art keywords
- data
- line
- information
- shop
- personation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 title claims abstract description 19
- 230000005856 abnormality Effects 0.000 claims abstract description 19
- 238000013459 approach Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 229910017435 S2 In Inorganic materials 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于防伪溯源系统的异常数据处理方法及系统,所述方法在用户通过防伪溯源平台查询商品真伪的过程中,当判定商品为假冒时,系统将得到的用户信息(性别、年龄)、查询信息(空间位置、时间)以及用户反馈的商品信息(价格、种类、用途)和购买途径信息(线上(网站、店铺)、线下(店铺))等进行数据预处理。接着对数据进行异常检测,然后对线下数据集利用基于距离分类方法进行分析,根据位置信息查找假冒源,或者针对线上数据集基于频率分类方法进行分析,达到阈值即判定为假冒源。本发明利用防伪溯源系统的信息进行有效挖掘,为用户、店铺管理者和政府监管部门提供有效参考。
Description
技术领域
本发明涉及防伪溯源领域,更具体地,涉及一种基于防伪溯源系统的异常数据处理方法及系统。
背景技术
现阶段的防伪溯源系统,消费者通过产品上粘贴的RFID或二维码查询该产品从生产到流通,再到自己手里的全过程信息。系统接收用户特征,商品特征,并返回商品的真伪结果,商品生产、制作、批发、零售等环节记录。
通过上述现有方案,传统的防伪溯源系统止步于分辨真伪,不能对查询结果进行深入挖掘。而且,用户不能获取意图消费店铺的诚信情况。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提供一种基于防伪溯源系统的异常数据处理方法及系统,利用防伪溯源系统的信息进行有效挖掘,为用户、店铺管理者和政府监管部门提供有效参考。
为解决上述技术问题,本发明的技术方案如下:
一种基于防伪溯源系统的异常数据处理方法,包括以下步骤:
S1:获取用户信息,查询产品真伪情况;
S2:根据获取的信息,利用数据清洗、数据集成、数据变换和数据归约方法对数据进行预处理;
S3:针对数据集进行异常检测,去除异常点干扰;
S4:针对线下数据集利用基于距离的方法找到最可疑假冒源;针对线上数据集采用基于频率的分类方法,找出最可疑假冒源;
S5:标记不良店铺,并发送标记结果到数据库。
在一种优选的方案中,步骤S1中,接收用户输入的基本信息、商品信息、查询信息和购买途径,基本信息包括ID、性别、年龄,商品信息包括价格、种类、用途,查询信息包括空间位置、时间,购买途径为线上和线下,线上途径包括网站、店铺,线下途径为店铺。
在一种优选的方案中,步骤S2中,具体包括以下步骤:
S2.1:检查用户输入的各项属性,若存在空值,则将记录删除;
S2.2:对价格、时间输入统一格式:价格提取整数部分,删除小数部分和货币符号,时间保留年、月、日、时、分信息;
S2.3:将数据依据预收的规则进行变换,如对地理位置的经纬度依据一定的变换关系,扩大数据间的差异;
S2.4:对短时间内反复出现的相同数据点,标记为异常行为,只记录1次;对用户与其反馈店铺反复成对出现的数据点,标记为异常行为,只记录为1次。
在一种优选的方案中,步骤S3中,具体包括以下步骤:
S3.1:对输入数据Di进行处理,使用相同的半径,将输入数据划分成不同的类,当类中所包含的数量大于所设阈值K时,证明其不是离群点,将其删除;
S3.2:使用FCM聚类算法对步骤S3.2获取到的数据进行聚类,数据集记为D=(1,D2,D3,..,Dc),其中c为聚类数量,Di为具体类别中所含数量,ri为聚类半径,则根据以下公式计算密度Den:
根据Den的数值对其进行排序,密度较低的几个类,就最大可能包含离群点;
S3.3:使用最近邻算法查找离群点;
S3.4:在输入数据Di中,将步骤S3.3获取的离群点删除,结果即为有效点集。
在一种优选的方案中,步骤S4中,针对线下数据集利用基于距离的方法找到最可疑假冒源,具体包括以下步骤:
S4.1:使用K-Means算法对有效点集进行聚类,数据集记为Pi,i∈[0,c],其中c为聚类数量;
S4.2:当簇中数量达到阈值时,其聚类中心即标记为假冒源中心点;
S4.3:根据步骤S2.3的地理位置变换,对聚类中心进行相应逆变换,得到假冒源的地理位置,寻找数据集内距离聚类中心最近的点,即为假冒源。
在一种优选的方案中,步骤S4中,针对线上数据集采用基于频率的分类方法,找出最可疑假冒源,具体包括:
在Pi中对相同数据点出现次数进行累加,对累加结果进行排序,累加结果超过所设阈值的即为假冒源。
一种基于防伪溯源系统的异常数据处理系统,包括:
信息采集模块:用于采集用户输入的基本信息、商品信息、查询信息和购买途径,基本信息包括ID、性别、年龄,商品信息包括价格、种类、用途,查询信息包括空间位置、时间,购买途径为线上和线下,对于线上购买需进一步获取店铺ID;
信息预处理模块:用于对信息采集模块得到的数据进行预处理得到样本集D={x1,x2,...,xm},包含m个无标记样本,每个样本xi=(xi1;xi2,...,xin)是一个n维特征向量,反映假冒商品的特征信息;
异常检测模块:用于对预处理后的数据进行异常检测,剔除异常数据点;
查找模块:用于根据得到的数据集,针对线上线下两种情况,查找假冒源;
标记模块:用于标记不良店铺,并发送标记结果到数据库。
与现有技术相比,本发明技术方案的有益效果是:本发明提供一种基于防伪溯源系统的异常数据处理方法及系统,在用户通过防伪溯源平台查询商品真伪的过程中,当判定商品为假冒时,系统将得到的用户信息(性别、年龄)、查询信息(空间位置、时间)以及用户反馈的商品信息(价格、种类、用途)和购买途径信息(线上(网站、店铺)、线下(店铺))等进行数据预处理。接着对数据进行异常检测,然后对线下数据集利用基于距离分类方法进行分析,根据位置信息查找假冒源,或者针对线上数据集基于频率分类方法进行分析,达到阈值即判定为假冒源。
本发明具有以下优点:
1、利用防伪溯源系统的信息进行有效挖掘,查找并标记假冒商品源头,提醒用户对标记店铺提高警惕,同时为政府监管和电子商务平台打击假冒商品提供有效参考;
2、对数据集进行数据预处理,减少人为恶意多次刷取假冒信息的影响,提高结果的可信度;
3、对数据集进行异常检测,排除人为错误等非假冒情况的干扰,提高数据处理的精确度;
4、先对数据进行异常检测处理,查找假冒源时可以减少无效数据的干扰,提高系统运算速度,实时性高。
附图说明
图1为本发明基于防伪溯源系统的异常数据处理方法的流程图。
图2为本发明基于防伪溯源系统的异常数据处理系统的结构图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
一种基于防伪溯源系统的异常数据处理方法,包括以下步骤:
S1:获取用户信息,查询产品真伪情况;
S2:根据获取的信息,利用数据清洗、数据集成、数据变换和数据归约方法对数据进行预处理;
S3:针对数据集进行异常检测,去除异常点干扰;
S4:针对线下数据集利用基于距离的方法找到最可疑假冒源;针对线上数据集采用基于频率的分类方法,找出最可疑假冒源;
S5:标记不良店铺,并发送标记结果到数据库。
步骤S1中,接收用户输入的基本信息、商品信息、查询信息和购买途径,基本信息包括ID、性别、年龄,商品信息包括价格、种类、用途,查询信息包括空间位置、时间,购买途径为线上和线下,线上途径包括网站、店铺,线下途径为店铺。
步骤S2中,具体包括以下步骤:
S2.1:检查用户输入的各项属性,若存在空值,则将记录删除;
S2.2:对价格、时间输入统一格式:价格提取整数部分,删除小数部分和货币符号,时间保留年、月、日、时、分信息;
S2.3:将数据依据预收的规则进行变换,如对地理位置的经纬度依据一定的变换关系,扩大数据间的差异;
S2.4:对短时间内反复出现的相同数据点,标记为异常行为,只记录1次;对用户与其反馈店铺反复成对出现的数据点,标记为异常行为,只记录为1次。
步骤S3中,具体包括以下步骤:
S3.1:对输入数据Di进行处理,使用相同的半径,将输入数据划分成不同的类,当类中所包含的数量大于所设阈值K时,证明其不是离群点,将其删除;
S3.2:使用FCM聚类算法对步骤S3.2获取到的数据进行聚类,数据集记为D=(1,D2,D3,..,Dc),其中c为聚类数量,Di为具体类别中所含数量,ri为聚类半径,则根据以下公式计算密度Den:
根据Den的数值对其进行排序,密度较低的几个类,就最大可能包含离群点;
S3.3:使用最近邻算法查找离群点;
S3.4:在输入数据Di中,将步骤S3.3获取的离群点删除,结果即为有效点集。
步骤S4中,针对线下数据集利用基于距离的方法找到最可疑假冒源,具体包括以下步骤:
S4.1:使用K-Means算法对有效点集进行聚类,数据集记为Pi,i∈[0,c],其中c为聚类数量;
S4.2:当簇中数量达到阈值时,其聚类中心即标记为假冒源中心点;
S4.3:根据步骤S2.3的地理位置变换,对聚类中心进行相应逆变换,得到假冒源的地理位置,寻找数据集内距离聚类中心最近的点,即为假冒源。
步骤S4中,针对线上数据集采用基于频率的分类方法,找出最可疑假冒源,具体包括:
在Pi中对相同数据点出现次数进行累加,对累加结果进行排序,累加结果超过所设阈值的即为假冒源。
实施例2
如图2所示,一种基于防伪溯源系统的异常数据处理系统,包括:
信息采集模块201:用于采集用户输入的基本信息、商品信息、查询信息和购买途径,基本信息包括ID、性别、年龄,商品信息包括价格、种类、用途,查询信息包括空间位置、时间,购买途径为线上和线下,对于线上购买需进一步获取店铺ID;
信息预处理模块202:用于对信息采集模块得到的数据进行预处理得到样本集D={x1,x2,...,xm},包含m个无标记样本,每个样本xi=(xi1;xi2,...,xin)是一个n维特征向量,反映假冒商品的特征信息;
异常检测模块203:用于对预处理后的数据进行异常检测,剔除异常数据点;
查找模块204:用于根据得到的数据集,针对线上线下两种情况,查找假冒源;
标记模块205:用于标记不良店铺,并发送标记结果到数据库。
本发明提供一种基于防伪溯源系统的异常数据处理方法及系统,在用户通过防伪溯源平台查询商品真伪的过程中,当判定商品为假冒时,系统将得到的用户信息(性别、年龄)、查询信息(空间位置、时间)以及用户反馈的商品信息(价格、种类、用途)和购买途径信息(线上(网站、店铺)、线下(店铺))等进行数据预处理。接着对数据进行异常检测,然后对线下数据集利用基于距离分类方法进行分析,根据位置信息查找假冒源,或者针对线上数据集基于频率分类方法进行分析,达到阈值即判定为假冒源。
本发明具有以下优点:
1、利用防伪溯源系统的信息进行有效挖掘,查找并标记假冒商品源头,提醒用户对标记店铺提高警惕,同时为政府监管和电子商务平台打击假冒商品提供有效参考;
2、对数据集进行数据预处理,减少人为恶意多次刷取假冒信息的影响,提高结果的可信度;
3、对数据集进行异常检测,排除人为错误等非假冒情况的干扰,提高数据处理的精确度;
4、先对数据进行异常检测处理,查找假冒源时可以减少无效数据的干扰,提高系统运算速度,实时性高。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种基于防伪溯源系统的异常数据处理方法,其特征在于,包括以下步骤:
S1:获取用户信息,查询产品真伪情况;
S2:根据获取的信息,利用数据清洗、数据集成、数据变换和数据归约方法对数据进行预处理;
S3:针对数据集进行异常检测,去除异常点干扰;
S4:针对线下数据集利用基于距离的方法找到最可疑假冒源;针对线上数据集采用基于频率的分类方法,找出最可疑假冒源;
S5:标记不良店铺,并发送标记结果到数据库。
2.根据权利要求1所述的基于防伪溯源系统的异常数据处理方法,其特征在于,步骤S1中,接收用户输入的基本信息、商品信息、查询信息和购买途径,基本信息包括ID、性别、年龄,商品信息包括价格、种类、用途,查询信息包括空间位置、时间,购买途径为线上和线下,线上途径包括网站、店铺,线下途径为店铺。
3.根据权利要求1所述的基于防伪溯源系统的异常数据处理方法,其特征在于,步骤S2中,具体包括以下步骤:
S2.1:检查用户输入的各项属性,若存在空值,则将记录删除;
S2.2:对价格、时间输入统一格式:价格提取整数部分,删除小数部分和货币符号,时间保留年、月、日、时、分信息;
S2.3:将数据依据预收的规则进行变换,如对地理位置的经纬度依据一定的变换关系,扩大数据间的差异;
S2.4:对短时间内反复出现的相同数据点,标记为异常行为,只记录1次;对用户与其反馈店铺反复成对出现的数据点,标记为异常行为,只记录为1次。
4.根据权利要求3所述的基于防伪溯源系统的异常数据处理方法,其特征在于,步骤S3中,具体包括以下步骤:
S3.1:对输入数据Di进行处理,使用相同的半径,将输入数据划分成不同的类,当类中所包含的数量大于所设阈值K时,证明其不是离群点,将其删除;
S3.2:使用FCM聚类算法对步骤S3.2获取到的数据进行聚类,数据集记为D=(D1,D2,D3,..,Dc),其中c为聚类数量,Di为具体类别中所含数量,ri为聚类半径,则根据以下公式计算密度Den:
根据Den的数值对其进行排序,密度较低的几个类,就最大可能包含离群点;
S3.3:使用最近邻算法查找离群点;
S3.4:在输入数据Di中,将步骤S3.3获取的离群点删除,结果即为有效点集。
5.根据权利要求4所述的基于防伪溯源系统的异常数据处理方法,其特征在于,步骤S4中,针对线下数据集利用基于距离的方法找到最可疑假冒源,具体包括以下步骤:
S4.1:使用K-Means算法对有效点集进行聚类,数据集记为Pi,i∈[0,c],其中c为聚类数量;
S4.2:当簇中数量达到阈值时,其聚类中心即标记为假冒源中心点;
S4.3:根据步骤S2.3的地理位置变换,对聚类中心进行相应逆变换,得到假冒源的地理位置,寻找数据集内距离聚类中心最近的点,即为假冒源。
6.根据权利要求5所述的基于防伪溯源系统的异常数据处理方法,其特征在于,步骤S4中,针对线上数据集采用基于频率的分类方法,找出最可疑假冒源,具体包括:
在Pi中对相同数据点出现次数进行累加,对累加结果进行排序,累加结果超过所设阈值的即为假冒源。
7.一种基于防伪溯源系统的异常数据处理系统,其特征在于,包括:
信息采集模块:用于采集用户输入的基本信息、商品信息、查询信息和购买途径,基本信息包括ID、性别、年龄,商品信息包括价格、种类、用途,查询信息包括空间位置、时间,购买途径为线上和线下,对于线上购买需进一步获取店铺ID;
信息预处理模块:用于对信息采集模块得到的数据进行预处理得到样本集D={x1,x2,...,xm},包含m个无标记样本,每个样本xi=(xi1;xi2,...,xin)是一个n维特征向量,反映假冒商品的特征信息;
异常检测模块:用于对预处理后的数据进行异常检测,剔除异常数据点;
查找模块:用于根据得到的数据集,针对线上线下两种情况,查找假冒源;
标记模块:用于标记不良店铺,并发送标记结果到数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710221560.3A CN107038593B (zh) | 2017-04-06 | 2017-04-06 | 一种基于防伪溯源系统的异常数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710221560.3A CN107038593B (zh) | 2017-04-06 | 2017-04-06 | 一种基于防伪溯源系统的异常数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107038593A true CN107038593A (zh) | 2017-08-11 |
CN107038593B CN107038593B (zh) | 2020-07-21 |
Family
ID=59533498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710221560.3A Active CN107038593B (zh) | 2017-04-06 | 2017-04-06 | 一种基于防伪溯源系统的异常数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107038593B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609807A (zh) * | 2017-11-08 | 2018-01-19 | 厦门美亚商鼎信息科技有限公司 | 一种网络餐饮风险识别方法及系统 |
CN109146521A (zh) * | 2018-08-18 | 2019-01-04 | 北京品讯科技有限公司 | 假冒风险管理方法及系统 |
CN109409904A (zh) * | 2018-09-27 | 2019-03-01 | 长威信息科技发展股份有限公司 | 一种基于追溯码的追溯数据清洗方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101155229A (zh) * | 2006-09-28 | 2008-04-02 | 郑大勇 | 一种分布式防伪和产品信息追踪的方法和系统 |
US7502459B1 (en) * | 2002-02-28 | 2009-03-10 | Adaptec, Inc. | Unified services entitlement architecture |
CN101576892A (zh) * | 2008-05-07 | 2009-11-11 | 爱帮聚信(北京)科技有限公司 | 地点区域确定方法和装置 |
CN101819667A (zh) * | 2010-03-30 | 2010-09-01 | 管永凯 | 基于网络的在线防伪方法 |
CN104408547A (zh) * | 2014-10-30 | 2015-03-11 | 浙江网新恒天软件有限公司 | 一种基于数据挖掘的医保欺诈行为的检测方法 |
CN104462819A (zh) * | 2014-12-09 | 2015-03-25 | 国网四川省电力公司信息通信公司 | 一种基于密度聚类的局部离群点检测方法 |
CN104537551A (zh) * | 2014-12-18 | 2015-04-22 | 符力 | 一种通过搜索显示商品的方法 |
CN104700284A (zh) * | 2015-04-03 | 2015-06-10 | 周勇 | 一种商品身份监测防伪方法 |
CN105574191A (zh) * | 2015-12-26 | 2016-05-11 | 中国人民解放军信息工程大学 | 在线社会网络多源点信息溯源系统及其方法 |
CN106203474A (zh) * | 2016-06-27 | 2016-12-07 | 东北大学 | 一种基于密度值动态变化的流数据聚类方法 |
CN106408350A (zh) * | 2016-10-09 | 2017-02-15 | 广州智慧城市发展研究院 | 一种基于溯源数据库的用户商品推荐方法及系统 |
CN106528850A (zh) * | 2016-11-28 | 2017-03-22 | 中通服公众信息产业股份有限公司 | 基于机器学习聚类算法的门禁数据异常检测方法 |
CN106529970A (zh) * | 2016-10-09 | 2017-03-22 | 广州智慧城市发展研究院 | 一种基于rfid的商品防伪溯源方法及系统 |
CN106548355A (zh) * | 2016-10-12 | 2017-03-29 | 邹春秋 | 一种商品生产流通物流信息追溯的数据处理装置及方法 |
-
2017
- 2017-04-06 CN CN201710221560.3A patent/CN107038593B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7502459B1 (en) * | 2002-02-28 | 2009-03-10 | Adaptec, Inc. | Unified services entitlement architecture |
CN101155229A (zh) * | 2006-09-28 | 2008-04-02 | 郑大勇 | 一种分布式防伪和产品信息追踪的方法和系统 |
CN101576892A (zh) * | 2008-05-07 | 2009-11-11 | 爱帮聚信(北京)科技有限公司 | 地点区域确定方法和装置 |
CN101819667A (zh) * | 2010-03-30 | 2010-09-01 | 管永凯 | 基于网络的在线防伪方法 |
CN104408547A (zh) * | 2014-10-30 | 2015-03-11 | 浙江网新恒天软件有限公司 | 一种基于数据挖掘的医保欺诈行为的检测方法 |
CN104462819A (zh) * | 2014-12-09 | 2015-03-25 | 国网四川省电力公司信息通信公司 | 一种基于密度聚类的局部离群点检测方法 |
CN104537551A (zh) * | 2014-12-18 | 2015-04-22 | 符力 | 一种通过搜索显示商品的方法 |
CN104700284A (zh) * | 2015-04-03 | 2015-06-10 | 周勇 | 一种商品身份监测防伪方法 |
CN105574191A (zh) * | 2015-12-26 | 2016-05-11 | 中国人民解放军信息工程大学 | 在线社会网络多源点信息溯源系统及其方法 |
CN106203474A (zh) * | 2016-06-27 | 2016-12-07 | 东北大学 | 一种基于密度值动态变化的流数据聚类方法 |
CN106408350A (zh) * | 2016-10-09 | 2017-02-15 | 广州智慧城市发展研究院 | 一种基于溯源数据库的用户商品推荐方法及系统 |
CN106529970A (zh) * | 2016-10-09 | 2017-03-22 | 广州智慧城市发展研究院 | 一种基于rfid的商品防伪溯源方法及系统 |
CN106548355A (zh) * | 2016-10-12 | 2017-03-29 | 邹春秋 | 一种商品生产流通物流信息追溯的数据处理装置及方法 |
CN106528850A (zh) * | 2016-11-28 | 2017-03-22 | 中通服公众信息产业股份有限公司 | 基于机器学习聚类算法的门禁数据异常检测方法 |
Non-Patent Citations (2)
Title |
---|
郭伟光: ""基于改进K_medoids算法的社会化标签聚类研究"", 《赤峰学院学报(自然科学版)》 * |
闫会苍: ""基于模糊聚类的智能推荐系统的研究与实现"", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609807A (zh) * | 2017-11-08 | 2018-01-19 | 厦门美亚商鼎信息科技有限公司 | 一种网络餐饮风险识别方法及系统 |
CN109146521A (zh) * | 2018-08-18 | 2019-01-04 | 北京品讯科技有限公司 | 假冒风险管理方法及系统 |
CN109409904A (zh) * | 2018-09-27 | 2019-03-01 | 长威信息科技发展股份有限公司 | 一种基于追溯码的追溯数据清洗方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107038593B (zh) | 2020-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104424296B (zh) | 查询词分类方法和装置 | |
Guo et al. | Supplier selection based on hierarchical potential support vector machine | |
CN107066616A (zh) | 用于账号处理的方法、装置及电子设备 | |
Taghiyarrenani et al. | Transfer learning based intrusion detection | |
Dhiman et al. | An approximate model for event detection from twitter data | |
Hussain et al. | A Simple and Efficient Deep Learning‐Based Framework for Automatic Fruit Recognition | |
CN108241867B (zh) | 一种分类方法及装置 | |
CN107038593A (zh) | 一种基于防伪溯源系统的异常数据处理方法及系统 | |
CN107729377A (zh) | 基于数据挖掘的顾客分类方法与系统 | |
CN109583712B (zh) | 一种数据指标分析方法及装置、存储介质 | |
CN112506930B (zh) | 一种基于机器学习技术的数据洞察系统 | |
Adhikari et al. | Data analysis and pattern recognition in multiple databases | |
Fan et al. | Spatially enabled customer segmentation using a data classification method with uncertain predicates | |
Zeba et al. | Artificial Intelligence in Manufacturing: Bibliometric and Content Analysis | |
CN113806638A (zh) | 基于用户画像的个性化推荐方法及相关设备 | |
Lubis et al. | In Image Classification of Skin Cancer Sufferers: Modification of K-Nearest Neighbor with Histogram of Oriented Gradients Approach | |
Kaur et al. | Measuring accuracy of stock price prediction using machine learning based classifiers | |
BJ et al. | A Comparative Study on Document Images Classification Using Logistic Regression and Multiple Linear Regressions | |
CN113723551A (zh) | 一种麻雀算法优化模糊聚类的推荐方法 | |
Borah et al. | Rare association rule mining: a systematic review | |
Zhang et al. | RBNN application and simulation in big data set classification | |
Liu | Apriori Algorithm in K-Means Clustering of Consumer Purchases | |
CN118277911B (zh) | 一种基于数据中台的企业数据分析方法、系统及介质 | |
Bilgin et al. | A Comparative Study of Classification and Clustering Methods for Data Analysis in Digital Transformation and IoT Systems | |
CN118035764B (zh) | 数据主体的确定方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |