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 PDF

Info

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
Application number
CN201710221560.3A
Other languages
English (en)
Other versions
CN107038593B (zh
Inventor
胡建国
晏斌
邓成谦
林培祥
黄家诚
李凯祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
SYSU CMU Shunde International Joint Research Institute
Original Assignee
Sun Yat Sen University
SYSU CMU Shunde International Joint Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University, SYSU CMU Shunde International Joint Research Institute filed Critical Sun Yat Sen University
Priority to CN201710221560.3A priority Critical patent/CN107038593B/zh
Publication of CN107038593A publication Critical patent/CN107038593A/zh
Application granted granted Critical
Publication of CN107038593B publication Critical patent/CN107038593B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/018Certifying business or products
    • G06Q30/0185Product, service or business identity fraud
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21Design, administration or maintenance of databases
    • G06F16/215Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25Integrating or interfacing systems involving database management systems
    • G06F16/252Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26Visual data mining; Browsing structured data
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29Geographical information databases
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering 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

一种基于防伪溯源系统的异常数据处理方法及系统
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。
CN201710221560.3A 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 Active CN107038593B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (14)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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