一种基于人工智能大数据平台的产品质量追溯系统的制作方法

本发明涉及人工智能技术领域，该系统中的推荐算法系统，大数据处理模块为消费者权益追溯提供保障。

发明背景

本发明的背景是一种基于人工智能大数据平台的产品质量追溯系统。目前现有的互联网平台功能相对比较单一，不能为消费者提供全套的信息，包括生产厂家的信息等，这导致了消费者在追溯权益时，往往找不到商家。本发明设计的系统提供了商家综合信息评估这个功能，此外提供推荐功能，隐私保护功能。该系统平台可以降低消费者上当受骗的几率，同时也可以让消费者直接追溯生产厂家信息，保护了消费者的权益。

技术实现要素：

本发明的目的在于解决上述问题而建立的一种基于人工智能大数据平台的产品质量追溯系统，该系统由以下模块组成：数据收集模块，nosql数据库，云端服务器，大数据处理模块，终端显示系统，推荐系统模块组成。所述终端显示系统是把云端服务器的返回结果传送回本地，在本地显示器上呈现出来，消费者直观理解评估商家信息产品质量，终端显示系统由液晶显示器组件构成，所述数据收集模块收集商家，生产厂家的综合信息，包括信誉信息、生产信息、投诉信息，并将数据打包整理后压缩存放，数据收集模块由mongodb数据库构成，所述nosql数据库用于存放结构化数据和非结构化数据，包括图片数据、视频数据、文本类数据、音频数据，所述云端服务器为机器学习算法提供算力支持，云端服务器由gpu服务器集群、固态硬盘、机械硬盘、cpu，液氮水冷器件组成，所述大数据处理模块使用svm算法对数据进行预处理操作，对数据进行清洗、校对，对数据中的不合法数据进行剔除，所述推荐算法模块使用人工智能机器学习算法中的梯度提升决策树算法为客户提供同类型的商品推荐，使用机器学习中的隐含狄利克雷算法为用户提供隐私保护。

[2]本发明通过以下技术方案实现上述目的：

[3]本发明的数据收集模块类型是数据库，其作用是收集存放客户投诉信息数据、商家的产品信息数据、工商数据信息、信誉数据信息，将收集到的数据进行打包整理并压缩备份，并传送到大数据处理模块。

[4]大数据处理模块把数据收集系统所收集的数据进行处理，对收集到的数据中的残缺数据、不合法数据进行清洗，使用机器学习算法中的k最近邻算法，支持向量机算法对数据进行预处理，k最近邻算法是聚类算法，将数据直观的呈现在坐标轴上并对数据进行算法拟合，把离群点数据剔除，svm算法对k最近邻算法得出的结果进行调优，进一步拟合数据，数据中的缺失数据的处理，数据缺失没有达到总数据的30％则可以使用数据中的众数进行填补，数据缺失率达到总数据的70％则删除此项数据，数据缺失达到总数据的50％使用数据中的平均值进行填补。

[5]nosql数据库存储结构化数据和非结构化数据，包括数值类数据、图片数据、视频数据、音频数据，此模块的数据来源于大数据处理模块预处理上传的数据，nosql数据库使用mongodb来存储结构化数据和非结构化数据。

[6]云端服务器将处理的数据和相应的机器学习算法绑定在一起训练，为其提供算力支持

[7]推荐系统模块作为比较重要的一环，为消费者提供商品的同类型产品，便于消费者进行比对分析决策。使用机器学习梯度提升决策树算法对大数据处理模块处理好的数据进行训练，学习，预测。将输出结果以可视化的操作展现出来。同时还保护消费者的隐私数据不外漏。是一种基于隐私保护的消费者商品推荐系统。此外向消费者展示此商品的商家综合信息情况，避免上当受骗。

[8]将步骤[7]中的结果传送到显示屏或者可视化的终端设备，可以更加直观的反应数据分析结果，进一步增强人机体验。

[9]本发明的有益效果在于：

[10]本发明是一种基于人工智能大数据平台的产品质量追溯系统，该系统提供了寻常系统未能提供的功能，本系统的三大功能：(1)使用人工智能机器学习算法，为消费者提供商品推荐和隐私权益保护(2)利用机器学习算法对平台上日益增长的大数据进行分析，从中获取投诉量最高的商家或企业，将数据分析结果输送到工商部门检查机构进行评估。(3)当消费者想要购买某种消费品时可以登录此平台对此产品商家的信誉，投诉等情况进行综合分析。通过机器学习算法可以分析平台上的大数据，通过对数据的预处理，训练等操作，为客户提供所需的同类型商品。通过机器学习算法分析每个商家的客户投诉情况，使用线性回归模型进行数据拟合。当客户查询时就可以为客户以表格的形式展现出商家的信誉，商品真假，退货情况，以便客户能够更加清晰的了解商家信息避免上当受骗。

附图说明

本系统的上述特征和优势将通过下面的结合附图描述而变得更加明显，在附图中各模块都进行了标记，其中：

图1展示了人工智能保护消费者权益的产品质量追溯服务大数据平台系统的系统流程图，描述了系统的操作步骤；

图2展示了系统的架构图，描述了系统的整体架构，并在架构的相关模块上进行了标注；

模块实施方式

[1]数据收集模块收集消费者的投诉数据，商家信息、生厂商的数据信息、产品信息，将收集到的数据打包整理后传送到大数据处理模块。

[2]大数据处理模块进行数据预处理清洗数据，提高数据的可靠性。对收集到的数据中的残缺数据，不合法数据进行清洗，使用机器学习算法中的knn算法、支持向量机算法对数据进行预处理，数据缺失没有达到总数据的30％则可以使用数据中的平均值进行填补，数据缺失比较严重缺失率达到50％则删除此项数据，将处理好的数据上传到云端的nosql数据库。

[3]nosql数据库存储大数据模块处理后的数据，可以存储结构化数据和非结构化数据，比如数值类数据、图片数据、视频数据、音频数据，推荐算法模块调用该模块的数据。

[4]云端服务器搭建大型gpu服务集群，为数据处理、数据训练提供算力支持，gpu集群由8块英伟达泰坦v显卡构成。

[5]云端服务器的推荐系统模块为消费者提供了可视化的信息展示。将nosql数据库的数据和推荐算法绑定在gpu服务器集群中训练，使用机器学习中的梯度提升决策树算法对数据分析，并将结果以曲线图的形式使用可视化工具matplotlib绘制呈现出来，并使用机器学习算法的隐含狄利克雷算法为消费者提供隐私保护。

并将结果传送到终端显示模块。

[6]终端显示模块对云端计算完毕的结果传回本地进行可视化显示，便于客户直观分析商家信息。

[7]如果[6]中显示的结果效果不好，可以修改推荐算法模块中的梯度提升决策树算法，对算法中的参数进行调优，再次训练，预测，反复进行直到达到满意效果。并对隐私保护的隐含狄利克雷算法进行调优训练。

系统运作流程：

步骤一：将数据收集模块收集到的客户投诉信息数据、商家的产品信息数据、工商数据信息、信誉数据信息，进行打包整理并压缩备份，并传送到大数据处理模块。

步骤二：大数据处理模块把数据收集系统所收集的数据进行处理，对收集到的数据中的残缺数据、不合法数据进行清洗，使用机器学习算法中的k最近邻算法，支持向量机算法对数据进行预处理，k最近邻算法是一种聚类算法，将数据直观的呈现在坐标轴上，对数据进行算法拟合，把离群点数据剔除，svm算法对k最近邻算法得出的结果进行调优，进一步拟合数据，数据中的缺失数据的处理，数据缺失没有达到总数据的30％则可以使用数据中的众数进行填补，数据缺失率达到总数据的70％则删除此项数据，数据缺失达到总数据的50％使用数据中的平均值进行填补。

步骤三：将大数据处理模块中的数据传送到nosql数据库中，nosql数据库存储结构化数据和非结构化数据，包括数值类数据、图片数据、视频数据、音频数据，此模块的数据来源于大数据处理模块预处理上传的数据，nosql数据库使用mongodb来存储结构化数据和非结构化数据。

步骤四：将nosql数据库中的数据传送到云端服务器模块为机器学习算法的数据处理，训练，预测提供算力支持，该模块是由gpu服务器集群、固态硬盘、机械硬盘、cpu处理器、水冷器件构成，其中gpu服务器集群使用英伟达的8块teslav100构成，固态硬盘使用三星500gsata3协议的固态硬盘，机械硬盘使用希捷容量为2t的硬盘，cpu处理器使用8块英特尔i9-9700k,水冷器件玻璃管中使用液氮气体进行填充。

步骤五：推荐算法模块提供机器学习算法处理训练数据，使用机器学习算法中的梯度提升决策树算法对上传来的数据进行预处理，梯度提升决策树对数据特征提取并进行分析，将数据特征以树形结构表示，并将结果以曲线图的形式使用可视化工具matplotlib绘制呈现出来，并使用机器学习算法的隐含狄利克雷算法为消费者提供隐私保护，隐含狄利克雷算法是一种主题模型，将信息数据按照概率的形式展现出来。

步骤六:将云端处理完毕的结果传回终端显示系统，通过本地显示器将结果呈现出来，终端显示系统由三星4k液晶显示屏、鼠标、键盘，usb转换器构成。

步骤七:如果步骤六中显示的结果效果不好，可以修改推荐算法模块中的梯度提升决策树算法，对算法中的参数进行调优，再次训练，预测，反复进行直到达到满意效果，并对隐私保护的隐含狄利克雷算法进行调优训练。