本发明涉及资源分享领域，具体涉及一种社交网络资源分享系统。
背景技术：
：传统技术中，通信客户端接收到资源消息体后，需点击资源消息体才能触发请求分享资源。对于带口令的资源，则需要点击资源消息体后在弹出的输入框中输入相应口令才能触发请求分享该资源。然而，传统的这种分享资源的方法中，社交网络应用仅仅是作为资源分享的一个桥梁，在资源分享的过程中，用户之间没有任何互动，从而导致社交网络应用中的用户活跃度不高。技术实现要素：针对上述问题，本发明旨在提供一种社交网络资源分享系统。本发明的目的采用以下技术方案来实现：提供了一种社交网络资源分享系统，包括：接收模块，用于接收资源消息；解析模块，用于解析所述资源消息得到资源基本信息；输入模块，用于获取输入的即时通信消息；触发分享模块，用于将所述即时通信消息与所述资源基本信息进行匹配，当所述即时通信消息与所述资源基本信息匹配一致时，触发请求分享资源；处理模块，用于处理得到的资源，包括数据采集模块、数据分类模块、分类检测模块和检测融合模块。本发明的有益效果为：提高了分享资源过程中的用户活跃度。附图说明利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。图1是本发明的结构连接示意图。附图标记：接收模块1、解析模块2、输入模块3、触发分享模块4、处理模块5。具体实施方式结合以下实施例对本发明作进一步描述。参见图1，本实施例的一种社交网络资源分享系统，包括：接收模块1，用于接收资源消息；解析模块2，用于解析所述资源消息得到资源基本信息；输入模块3，用于获取输入的即时通信消息；触发分享模块4，用于将所述即时通信消息与所述资源基本信息进行匹配，当所述即时通信消息与所述资源基本信息匹配一致时，触发请求分享资源；处理模块5，用于处理得到的资源，包括数据采集模块、数据分类模块、分类检测模块和检测融合模块；所述数据采集模块用于采集需要进行检测的数据；所述数据分类模块用于将由数据采集模块输出的数据划分为图像数据和文本数据，并对分类后的数据进行过滤处理；所述分类检测模块用于对分类后的数据进行分析检测；所述检测融合模块用于根据检测需求筛选所需的图像数据和文本数据。优选地，所述资源基本信息包括分享口令；所述触发分享模块用于将所述即时通信消息的消息内容与所述分享口令进行匹配，当所述消息内容与所述分享口令匹配一致时，触发请求分享资源。本优选实施例提高了分享资源安全性。优选地，所述资源基本信息还包括资源创建时间；所述触发分享模块用于将即时通信消息的消息内容与查找到的资源标识对应的分享口令进行匹配；获取分享口令与所述消息内容匹配一致且资源创建时间最晚的资源标识；触发请求分享获取的所述资源标识对应的资源。本优选实施例便于获取资源创建时间。优选的，所述采集需要进行检测的数据，包括：采集一定时间段内需要进行检测的数据，按设定的过滤规则对该数据进行初步过滤处理，所述设定的过滤规则包括删除包含特殊字符、推广相关的特殊汉字和网页链接的内容的数据；设所述一定时间段的时间范围为[WB,WE]，将[WB,WE]按照时间顺序平均分为n个子时间段，对每个子时间段内的数据进行重要度评估，评估公式定义为：1≤i≤n，式中，Ci为第i个子时间段的重要程度，CTi为设定的第i个子时间段的重要程度值，Ai为第i个子时间段的数据的数量，A为在[WB,WE]内的数据的数量；将各重要度按照由小到大进行排序，按照重要度的排列顺序，将数据依次发送至数据分类模块。本优选实施例通过设定过滤规则，将不需要进行检测的数据进行删除，减少了检测后续处理的数据量；通过对各子时间段的数据进行重要度评估，并按照重要度的排列顺序，将数据依次发送至数据分类模块，使后续的模块能够预先处理重要程度高的数据，提高了检测的速度。优选的，所述对分类后的数据进行过滤处理，包括：第一步：提取文本数据，对该文本数据进行聚类处理，形成多个类别的文本数据集；第二步：计算每个类别的文本数据集中的数据的数量，按照数量由少到大的顺序对多个文本数据集进行排序；第三部：删除前25％的文本数据集，将剩余的文本数据集以及图像数据发送至分类检测模块。本优选实施例进一步对文本数据进行聚类处理，过滤掉数量较少的文本数据集，减少了后续检测的数据量，从而进一步提高了检测的速度。优选的，所述对该文本数据进行聚类处理，包括：第一步：确定聚簇的个数K，包括：对该文本数据采用等距法设定k-means聚类算法的初始中心，得到聚类中心；在得到聚类中心后将相邻的聚类中心的中点作为分类的划分点，将各个对象加入到距离最近的类中，从而确定聚簇的个数K；将该文本数据划分为n个样本，对n个样本进行向量化，通过夹角余弦函数计算所有样本两两之间的相似度，得到相似度矩阵SIM：SIM＝[sim(di,dj)]n×n，i,j＝1,…,n；第二步：计算每一个样本与其它所有样本的相似度之和，求和公式为：式中，为样本di与其它所有样本的相似度之和，sim(di,dj)表示样本di,dj间的相似度，i,j＝1,…,n；第三步：按降序排列i＝1,…,n，设按从大到小排列的前4个值对应的样本为dmax,dmax-1,dmax-2,dmax-3，根据下列公式确定第一个初始的聚簇中心mid：式中，ωmax-μ表示dmax-μ的重要度权值；第四步：对中的最大值对应的矩阵中行向量的元素进行升序排列，假设前k-1个最小的元素为SIMpq,q＝1,…,k-1，选择前k-1个最小的元素SIMpq相对应的样本作为剩余的k-1个初始的聚簇中心；第五步：计算剩余样本与各初始的聚簇中心之间的相似度，将剩余样本分发到相似度最高的聚簇中，形成变化后的k个聚簇；第六步：计算变化后的聚簇中各样本的均值，将其作为更新后的聚簇中心代替更新前的聚簇中心；若更新前的聚簇中心与更新后的聚簇中心相同，或者目标函数达到了最小值，停止更新，所述目标函数为：其中，Cl表示k个聚簇中的第l个聚簇，dx为第l个聚簇中的样本，为第l个聚簇的中心。本优选实施例有效避免单一采取随机抽样方法所带来的偶然性,解决对该文本数据进行聚类处理时在选取k值以及初始化聚类中心时所存在的问题，提高了聚类稳定性，进一步提高了对文本数据进行过滤处理的精度。优选的，所述分类检测模块包括图像数据检测单元和文本数据检测单元；所述图像数据检测单元基于语义特征对图像数据进行检测，具体为：采用小波变换的方法对图像进行分割，对区域低层特征进行提取，构造特征矩阵，再应用非负矩阵分解训练算法构造语义空间，将图像投影到该空间以获取图像语义特征；所述文本数据检测单元包括文本数据建模子单元、文本数据分类子单元、检测子单元，具体为：(1)文本数据建模子单元，用于使用构成文档的词项来表达文档的语义，其将n篇文档t1,t2,…,tn的每篇文档表示成m维特征向量v1,v2,…,vm，构成n×m的文档-特征矩阵：式中，m为构成文档的词项的数量；1≤i≤n,1≤j≤m，式中，g(ti,vj)表示词项vj在文档ti中所占权重，f(ti,vj)表示词项vj在文档ti中出现的次数，f(vj)表示词项vj在所有文档中出现的次数总和；(2)文本数据分类子单元，用于对建模后的文本文档进行分类，具体包括：A、将文本集中的文档随机映射到一个二维平面网格空间，每个网格中只能投影一篇文档，同时，在二维平面上放置一定数量的蚂蚁；B、每只蚂蚁随机在二维网格空间移动，选择一个文档捡起，并携带它在二维网格空间随机移动，每移动一次，蚂蚁计算它所携带文档或者所在网格中的文档与周围环境的群体相似度，决定是否捡起或者放下该文档，将每个网格作为二维网格空间离散值，设蚂蚁所在位置为p，它所在环境的群体相似度定义为：式中，ti∈p(a×a)表示文档ti在位置p的边长a×a的邻域，r(ti,tj)表示两篇文档之间的文本距离，σ表示相似度因子，σ的取值范围是[1，2]，式中，m表示文档中词项数量；C、捡起和放下，如果蚂蚁没有携带任何文档移动，那么它将捡起与周围环境群体相似度较低的文档；如果蚂蚁正在携带一篇文档移动，那么当蚂蚁处于空网格，并且这篇文档与周围环境的群体相似度较高时，它将放下这篇文档，捡起概率Pj(ti)和放下概率Pf(ti)定义为：式中，T1和T2为常数阈值，T1＝0.14，T2＝0.16；D、重复B和C，经过一段时间，相似性高的文档将被聚集在同一区域。本优选实施例对数据进行分类检测，能够充分利用不同类型数据特点，采用对应的方法进行检测，提高了检测的针对性；对文档进行建模，将非结构化的文本数据转换成可计算的结构化数据，同时便于后续对文档进行分类；文本数据分类子单元提高了检测效率，节约了检测时间。本发明与传统社交资源分享系统的数据检测结果如下表所示：数据检测速度数据检侧准确率本发明0.22s96％传统社交资源分享系统0.26s85％最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。当前第1页1 2 3