本發(fā)明涉及防偽溯源領(lǐng)域，更具體地，涉及一種基于防偽溯源系統(tǒng)的用戶群體劃分方法及系統(tǒng)。

背景技術(shù)：

現(xiàn)階段的防偽溯源系統(tǒng)，消費(fèi)者通過(guò)產(chǎn)品上粘貼的rfid或二維碼查詢?cè)摦a(chǎn)品從生產(chǎn)到流通再到自己手里的全過(guò)程信息。系統(tǒng)接收用戶特征，商品特征，并返回商品的真?zhèn)谓Y(jié)果，商品生產(chǎn)、制作、批發(fā)、零售等環(huán)節(jié)記錄。電商平臺(tái)收集用戶的線上購(gòu)物信息，根據(jù)用戶以往的購(gòu)買記錄對(duì)用戶進(jìn)行商品推薦。

通過(guò)上述現(xiàn)有方案防偽溯源系統(tǒng)未有效挖掘系統(tǒng)獲取的數(shù)據(jù)信息價(jià)值，傳統(tǒng)電商平臺(tái)僅利用用戶線上購(gòu)物相關(guān)數(shù)據(jù)進(jìn)行用戶群體劃分，采集的用戶相關(guān)特征信息不夠全面。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明為克服上述現(xiàn)有技術(shù)所述的至少一種缺陷，提供一種基于防偽溯源系統(tǒng)的用戶群體劃分方法及系統(tǒng)。

為解決上述技術(shù)問(wèn)題，本發(fā)明的技術(shù)方案如下：

一種基于防偽溯源系統(tǒng)的用戶群體劃分方法，包括以下步驟：

s1：獲取用戶的特征信息，商品的特征信息和查詢的特征信息；

s2：根據(jù)獲取的信息，利用數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)變換和數(shù)據(jù)歸約方法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,得到的樣本集d，d＝{x1,x2,…,xm}包含m個(gè)無(wú)標(biāo)記樣本，每個(gè)樣本xi＝(xi1；xi2,...,xin)是一個(gè)n維特征向量，反映了用戶的相關(guān)特征信息；

s3：根據(jù)預(yù)處理得到的樣本集，利用改進(jìn)的模糊聚類算法對(duì)用戶群體進(jìn)行劃分并標(biāo)記，同時(shí)得到分類模型；

s4：根據(jù)分類模型對(duì)新用戶進(jìn)行劃分，并修正模型參數(shù)和更新所有用戶的劃分結(jié)果；

s5：發(fā)送用戶群體劃分結(jié)果到數(shù)據(jù)庫(kù)，分類儲(chǔ)存信息。

在一種優(yōu)選的技術(shù)方案中，步驟s1中，用戶的特征信息包括id、性別和年齡，商品的特征信息包括種類和價(jià)格，查詢的特征信息包括查詢地理位置、查詢時(shí)間、真?zhèn)吻闆r、查詢次數(shù)。

在一種優(yōu)選的技術(shù)方案中，步驟s2中，具體包括以下步驟：

s2.1：檢查各項(xiàng)信息是否為空，如果為空，則直接刪除；

s2.2：對(duì)輸入價(jià)格的格式進(jìn)行統(tǒng)一，價(jià)格只保留整數(shù)部分，表示貨幣的符號(hào)和小數(shù)點(diǎn)皆刪除；

s2.3：對(duì)自動(dòng)定位的空間位置提取有用信息，包括省、市、區(qū)、街道、門牌號(hào)信息；

s2.4：將數(shù)據(jù)依據(jù)一定的規(guī)則進(jìn)行變換，對(duì)年齡按照預(yù)設(shè)的間隔(1-10,11-20，…，101-110)劃分為(1，2，…，11)，對(duì)地理位置依據(jù)城市、農(nóng)村二元?jiǎng)澐譃?0、1)。

在一種優(yōu)選的技術(shù)方案中，步驟s3中，根據(jù)預(yù)處理得到的樣本集d，利用改進(jìn)的模糊聚類算法將d劃分為k個(gè)不相交的簇{cl|l＝1,2,...,k}，其中且λj∈{1,2,...,k}表示的“簇標(biāo)記”，即包含m個(gè)元素的簇標(biāo)記向量λj＝(λ1,λ2,...,λm)表示聚類的結(jié)果，反映了用戶群體的劃分情況，得到分類模型。

在一種優(yōu)選的技術(shù)方案中，步驟s3中，具體包括以下步驟：

s3.1：設(shè)改進(jìn)的模糊聚類算法目標(biāo)函數(shù)為：

其中，c為聚類的數(shù)目，n為樣本的數(shù)目，為xk鄰域的中值，vi為聚類中心，uik為劃分矩陣；

s3.2：當(dāng)目標(biāo)函數(shù)取最小值時(shí)，即可得到聚類的最好效果，使用下列迭代方法來(lái)實(shí)現(xiàn)：

a、更新隸屬度劃分矩陣：

b、更新聚類中心：

s3.3：循環(huán)步驟s3.2，滿足||vnew-vold||<ε時(shí)，即為理想聚類結(jié)果，其中vnew為新的聚類中心，vold為舊的聚類中心，ε為預(yù)設(shè)的閾值。

在一種優(yōu)選的技術(shù)方案中，步驟s4中，將新引入的用戶數(shù)據(jù)加入數(shù)據(jù)集，利用步驟s3的方法，對(duì)原有參數(shù)uik和vi進(jìn)行修正，使分類模型的精確度更高，更新所有用戶聚類結(jié)果。

在一種優(yōu)選的技術(shù)方案中，步驟s5中，將用戶聚類到簇，根據(jù)簇將其相應(yīng)的用戶群體信息分類存儲(chǔ)到數(shù)據(jù)庫(kù)，即確定的關(guān)系。

一種基于防偽溯源系統(tǒng)的用戶群體劃分系統(tǒng)，包括：

信息采集模塊：用于采集聚類所需信息，用戶的特征信息，商品的特征信息和查詢的特征信息；

信息預(yù)處理模塊：用于對(duì)信息采集模塊得到的數(shù)據(jù)進(jìn)行預(yù)處理，得到的樣本集d＝{x1,x2,...,xm}包含m個(gè)無(wú)標(biāo)記樣本，每個(gè)樣本xi＝(xi1；xi2,...,xin)是一個(gè)n維特征向量，反映了用戶的相關(guān)特征信息；

模糊聚類模塊：用于根據(jù)預(yù)處理得到的樣本集d，利用改進(jìn)的模糊聚類算法將d劃分為k個(gè)不相交的簇{cl|l＝1,2,...,k}，其中且λj∈{1,2,...,k}表示的“簇標(biāo)記”，即包含m個(gè)元素的簇標(biāo)記向量λj＝(λ1,λ2,...,λm)表示聚類的結(jié)果，反映了用戶群體的劃分情況，得到分類模型。

更新模塊：用于根據(jù)得到的新樣本x和模糊聚類模塊得到的分類模型對(duì)新樣本進(jìn)行分類，并修正分類模型的參數(shù)和更新所有用戶的分類結(jié)果；

發(fā)送模塊：用于發(fā)送用戶群體劃分結(jié)果到數(shù)據(jù)庫(kù)，依據(jù)聚類結(jié)果，分類儲(chǔ)存用戶信息。

與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：本發(fā)明提供一種基于防偽溯源系統(tǒng)的用戶群體劃分方法及系統(tǒng)，用戶通過(guò)防偽溯源系統(tǒng)查詢商品真?zhèn)文芙Y(jié)合用戶自身的特征信息，商品的特征信息，查詢信息，對(duì)用戶群體進(jìn)行劃分，使后期商家的營(yíng)銷，廠家的生產(chǎn)更具有針對(duì)性。將防偽溯源系統(tǒng)中得到的信息充分挖掘。提高系統(tǒng)的創(chuàng)造性。本發(fā)明具有以下優(yōu)點(diǎn)：

1、利用防偽溯源系統(tǒng)的信息進(jìn)行有效挖掘，對(duì)用戶群體進(jìn)行劃分，使后期商家的營(yíng)銷，廠家的生產(chǎn)更具有針對(duì)性；

2、收集到用戶線上購(gòu)買和線下購(gòu)買的商品信息，與僅挖掘線上購(gòu)物數(shù)據(jù)的劃分方式相比，本創(chuàng)意能更全面地反映用戶的特性；

3、本創(chuàng)意對(duì)收集到客戶的基本信息進(jìn)行數(shù)據(jù)清理，保證其結(jié)構(gòu)的一致性和數(shù)據(jù)的有效性，為后續(xù)信息處理提供便利；

4、本創(chuàng)意使用改進(jìn)的fcm算法對(duì)用戶數(shù)據(jù)集進(jìn)行準(zhǔn)確分類，健壯性比原始fcm算法更高，特別在有噪聲和異常點(diǎn)時(shí)，效果更明顯。另外，經(jīng)典fcm算法計(jì)算量大，改進(jìn)的fcm算法計(jì)算量減少，計(jì)算效率更高。

附圖說(shuō)明

圖1為本發(fā)明基于防偽溯源系統(tǒng)的用戶群體劃分方法的流程圖。

圖2為本發(fā)明基于防偽溯源系統(tǒng)的用戶群體劃分系統(tǒng)的示意圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的說(shuō)明。

實(shí)施例1

如圖1所示，一種基于防偽溯源系統(tǒng)的用戶群體劃分方法，包括以下步驟：

s1：獲取用戶的特征信息，商品的特征信息和查詢的特征信息；

s2：根據(jù)獲取的信息，利用數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)變換和數(shù)據(jù)歸約方法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,得到的樣本集d，d＝{x1,x2,…,xm}包含m個(gè)無(wú)標(biāo)記樣本，每個(gè)樣本xi＝(xi1；xi2,...,xin)是一個(gè)n維特征向量，反映了用戶的相關(guān)特征信息；

s3：根據(jù)預(yù)處理得到的樣本集，利用改進(jìn)的模糊聚類算法對(duì)用戶群體進(jìn)行劃分并標(biāo)記，同時(shí)得到分類模型；

s4：根據(jù)分類模型對(duì)新用戶進(jìn)行劃分，并修正模型參數(shù)和更新所有用戶的劃分結(jié)果；

s5：發(fā)送用戶群體劃分結(jié)果到數(shù)據(jù)庫(kù)，分類儲(chǔ)存信息。

步驟s1中，用戶的特征信息包括id、性別和年齡，商品的特征信息包括種類和價(jià)格，查詢的特征信息包括查詢地理位置、查詢時(shí)間、真?zhèn)吻闆r、查詢次數(shù)。

步驟s2中，具體包括以下步驟：

s2.1：檢查各項(xiàng)信息是否為空，如果為空，則直接刪除；

s2.2：對(duì)輸入價(jià)格的格式進(jìn)行統(tǒng)一，價(jià)格只保留整數(shù)部分，表示貨幣的符號(hào)和小數(shù)點(diǎn)皆刪除；

s2.3：對(duì)自動(dòng)定位的空間位置提取有用信息，包括省、市、區(qū)、街道、門牌號(hào)信息；

s2.4：將數(shù)據(jù)依據(jù)一定的規(guī)則進(jìn)行變換，對(duì)年齡按照預(yù)設(shè)的間隔(1-10,11-20，…，101-110)劃分為(1，2，…，11)，對(duì)地理位置依據(jù)城市、農(nóng)村二元?jiǎng)澐譃?0、1)。

步驟s3中，根據(jù)預(yù)處理得到的樣本集d，利用改進(jìn)的模糊聚類算法將d劃分為k個(gè)不相交的簇{cl|l＝1,2,...,k}，其中且λj∈{1,2,...,k}表示的“簇標(biāo)記”，即包含m個(gè)元素的簇標(biāo)記向量λj＝(λ1,λ2,...,λm)表示聚類的結(jié)果，反映了用戶群體的劃分情況，得到分類模型。

步驟s3中，具體包括以下步驟：

s3.1：設(shè)改進(jìn)的模糊聚類算法目標(biāo)函數(shù)為：

其中，c為聚類的數(shù)目，n為樣本的數(shù)目，為xk鄰域的中值，vi為聚類中心，uik為劃分矩陣；

s3.2：當(dāng)目標(biāo)函數(shù)取最小值時(shí)，即可得到聚類的最好效果，使用下列迭代方法來(lái)實(shí)現(xiàn)：

a、更新隸屬度劃分矩陣：

b、更新聚類中心：

s3.3：循環(huán)步驟s3.2，滿足||vnew-vold||<ε時(shí)，即為理想聚類結(jié)果，其中vnew為新的聚類中心，vold為舊的聚類中心，ε為預(yù)設(shè)的閾值。

步驟s4中，將新引入的用戶數(shù)據(jù)加入數(shù)據(jù)集，利用步驟s3的方法，對(duì)原有參數(shù)uik和vi進(jìn)行修正，使分類模型的精確度更高，更新所有用戶聚類結(jié)果。

步驟s5中，將用戶聚類到簇，根據(jù)簇將其相應(yīng)的用戶群體信息分類存儲(chǔ)到數(shù)據(jù)庫(kù)，即確定的關(guān)系。

實(shí)施例2

如圖2所示，一種基于防偽溯源系統(tǒng)的用戶群體劃分系統(tǒng)，包括：

信息采集模塊201：用于采集聚類所需信息，用戶的特征信息，商品的特征信息和查詢的特征信息；

信息預(yù)處理模塊202：用于對(duì)信息采集模塊得到的數(shù)據(jù)進(jìn)行預(yù)處理，得到的樣本集d＝{x1,x2,…,xm}包含m個(gè)無(wú)標(biāo)記樣本，每個(gè)樣本xi＝(xi1；xi2,...,xin)是一個(gè)n維特征向量，反映了用戶的相關(guān)特征信息；

模糊聚類模塊203：用于根據(jù)預(yù)處理得到的樣本集d，利用改進(jìn)的模糊聚類算法將d劃分為k個(gè)不相交的簇{cl|l＝1,2,...,k}，其中且λj∈{1,2,...,k}表示的“簇標(biāo)記”，即包含m個(gè)元素的簇標(biāo)記向量λj＝(λ1,λ2,...,λm)表示聚類的結(jié)果，反映了用戶群體的劃分情況，得到分類模型。

更新模塊204：用于根據(jù)得到的新樣本x和模糊聚類模塊得到的分類模型對(duì)新樣本進(jìn)行分類，并修正分類模型的參數(shù)和更新所有用戶的分類結(jié)果；

發(fā)送模塊205：用于發(fā)送用戶群體劃分結(jié)果到數(shù)據(jù)庫(kù)，依據(jù)聚類結(jié)果，分類儲(chǔ)存用戶信息。

本發(fā)明提供一種基于防偽溯源系統(tǒng)的用戶群體劃分方法及系統(tǒng)，用戶通過(guò)防偽溯源系統(tǒng)查詢商品真?zhèn)文芙Y(jié)合用戶自身的特征信息，商品的特征信息，查詢信息，對(duì)用戶群體進(jìn)行劃分，使后期商家的營(yíng)銷，廠家的生產(chǎn)更具有針對(duì)性。將防偽溯源系統(tǒng)中得到的信息充分挖掘。提高系統(tǒng)的創(chuàng)造性。本發(fā)明具有以下優(yōu)點(diǎn)：

1、利用防偽溯源系統(tǒng)的信息進(jìn)行有效挖掘，對(duì)用戶群體進(jìn)行劃分，使后期商家的營(yíng)銷，廠家的生產(chǎn)更具有針對(duì)性；

2、收集到用戶線上購(gòu)買和線下購(gòu)買的商品信息，與僅挖掘線上購(gòu)物數(shù)據(jù)的劃分方式相比，本創(chuàng)意能更全面地反映用戶的特性；

3、本創(chuàng)意對(duì)收集到客戶的基本信息進(jìn)行數(shù)據(jù)清理，保證其結(jié)構(gòu)的一致性和數(shù)據(jù)的有效性，為后續(xù)信息處理提供便利；

4、本創(chuàng)意使用改進(jìn)的fcm算法對(duì)用戶數(shù)據(jù)集進(jìn)行準(zhǔn)確分類，健壯性比原始fcm算法更高，特別在有噪聲和異常點(diǎn)時(shí)，效果更明顯。另外，經(jīng)典fcm算法計(jì)算量大，改進(jìn)的fcm算法計(jì)算量減少，計(jì)算效率更高。

顯然，本發(fā)明的上述實(shí)施例僅僅是為清楚地說(shuō)明本發(fā)明所作的舉例，而并非是對(duì)本發(fā)明的實(shí)施方式的限定。對(duì)于所屬領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在上述說(shuō)明的基礎(chǔ)上還可以做出其它不同形式的變化或變動(dòng)。這里無(wú)需也無(wú)法對(duì)所有的實(shí)施方式予以窮舉。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明權(quán)利要求的保護(hù)范圍之內(nèi)。