一种基于深度学习的社区空闲资源分享方法和系统技术方案

本申请实施例提供一种基于深度学习的社区空闲资源分享方法和系统。该方法包括：获取待分类的社区闲置资源特征，按照商品分类对社区闲置资源特征进行分类，并根据不同商品分类的特征提取得到各类社区闲置资源的特征数据集；将各类社区闲置资源的特征数据集导入深度神经网络中进行分类，得到闲置资源匹配指数；按照需求大小对居民资源需求信息进行第一排序；按照闲置资源匹配指数对各类社区闲置资源的特征数据集进行第二排序；结合第一排序和第二排序，生成资源分享方案，确定分享匹配对象；将满意度评价反馈至深度神经网络进行优化训练。本申请通过深度学习技术提高了社区空闲资源分享的准确度和效率。

【技术实现步骤摘要】
一种基于深度学习的社区空闲资源分享方法和系统
本申请涉及物体识别技术及社区垃圾分类管理领域，尤其涉及一种基于深度学习的社区空闲资源分享方法和系统。
技术介绍
随着居民生活水平的提高，社区居民中经常存在大量的闲置资源，例如儿童玩具、衣物、书籍等，如果直接丢弃浪费资源，通过交流群等方法进行共享，用户可能发生漏看，而没有推送给需要的用户，而且交流群的方式不能匹配给最合适的用户。另外，一些特殊群体，例如年长的居民，也有可能一时想不起自己的需求，而忽视了交流群中的闲置资源共享信息。因此，可以考虑通过深度学习的方法，对社区中的空闲资源进行分享推荐，实现高效、准确的社区空闲资源共享。
技术实现思路
有鉴于此，本申请的目的在于提出一种基于深度学习的社区空闲资源分享方法和系统，实现社区空闲资源的智能化分享，提高社区空闲资源分享的准确性和效率，解决目前社区中空闲资源分享效果不佳的技术问题。基于上述目的，本申请提出了一种基于深度学习的社区空闲资源分享方法，包括：获取待分类的社区闲置资源特征，按照商品分类对所述社区闲置资源特征进行分类，并根据不同商品分类的特征提取得到各类社区闲置资源的特征数据集；将所述各类社区闲置资源的特征数据集导入深度神经网络中进行分类，得到闲置资源匹配指数；所述深度神经网络包括输入层、卷积层、激活层、池化层、全连接层以及输出层，卷积层的核函数大小为4＊4，激活层的激活函数采用ReLU函数，池化层的核函数大小为3＊3；获取居民资源需求信息并进行分类，按照需求大小对居民资源需求信息进行第一排序；按照所述闲置资源匹配指数对所述各类社区闲置资源的特征数据集进行第二排序；结合第一排序和第二排序，生成资源分享方案，依次向需求居民发送分享邀请，确定分享匹配对象；所述分享匹配对象在获取到闲置资源后，按照所述闲置资源的分类进行满意度评价，并将所述满意度评价反馈至所述深度神经网络进行优化训练。在一些实施例中，获取待分类的社区闲置资源特征，按照商品分类对所述社区闲置资源特征进行分类，并根据不同商品分类的特征提取得到各类社区闲置资源的特征数据集，包括：根据社区闲置资源对应的商品分类，从用户提供的所述社区闲置资源的信息中抽取出所述社区闲置资源特征；对所述社区闲置资源特征的数据进行除噪和归一化处理后，对缺失的数据进行默认填充，构建所述社区闲置资源的特征数据集。在一些实施例中，将所述各类社区闲置资源的特征数据集导入深度神经网络中进行分类，得到闲置资源匹配指数，包括：对于每种社区闲置资源的商品分类，训练对应的深度神经网络；将所述社区闲置资源的特征数据集作为所述深度神经网络的输入，进行分类，得到所述社区闲置资源对应的匹配特征；根据所述匹配特征，对每个需求用户进行指数化评分，得到各自的闲置资源匹配指数。在一些实施例中，结合第一排序和第二排序，生成资源分享方案，依次向需求居民发送分享邀请，确定分享匹配对象，包括：对于所述第一排序中的每一居民需求，确定所述第二排序中以所述居民需求为中心，上下匹配振幅区间内的需求居民为预选对象集合；按照所述预选对象集合中每个需求居民的闲置资源匹配指数，依次向每个需求居民发送分享邀请；如果在指定等待响应时间内靠前需求居民没有响应，则向闲置资源匹配指数排序在所述靠前需求居民之后的靠后需求居民继续发送分享邀请。在一些实施例中，确定分享匹配对象，包括：如果用户接受了所述分享邀请，则终止继续发送分享邀请；如果用户拒绝了所述分享邀请，则向所述资源分享方案中的下一用户发送分享邀请，直至存在用户接受所述分享邀请。在一些实施例中，所述分享匹配对象在获取到闲置资源后，按照所述闲置资源的分类进行满意度评价，并将所述满意度评价反馈至所述深度神经网络进行优化训练，包括：对所述满意度评价进行差错扫描，去除偏差值在指定区间外的错误数据，并以默认数据进行替换，形成反馈数据集；将所述反馈数据集导入所述深度神经网络进行优化训练，替换原有深度神经网络。基于上述目的，本申请还提出了一种基于深度学习的社区空闲资源分享系统，包括：构建模块，用于获取待分类的社区闲置资源特征，按照商品分类对所述社区闲置资源特征进行分类，并根据不同商品分类的特征提取得到各类社区闲置资源的特征数据集；分类模块，用于将所述各类社区闲置资源的特征数据集导入深度神经网络中进行分类，得到闲置资源匹配指数；所述深度神经网络包括输入层、卷积层、激活层、池化层、全连接层以及输出层，卷积层的核函数大小为4＊4，激活层的激活函数采用ReLU函数，池化层的核函数大小为3＊3；匹配模块，用于获取居民资源需求信息并进行分类，按照需求大小对居民资源需求信息进行第一排序；按照所述闲置资源匹配指数对所述各类社区闲置资源的特征数据集进行第二排序；结合第一排序和第二排序，生成资源分享方案，依次向需求居民发送分享邀请，确定分享匹配对象；反馈模块，用于所述分享匹配对象在获取到闲置资源后，按照所述闲置资源的分类进行满意度评价，并将所述满意度评价反馈至所述深度神经网络进行优化训练。在一些实施例中，所述构建模块，包括：抽取单元，用于根据社区闲置资源对应的商品分类，从用户提供的所述社区闲置资源的信息中抽取出所述社区闲置资源特征；清洗单元，用于对所述社区闲置资源特征的数据进行除噪和归一化处理后，对缺失的数据进行默认填充，构建所述社区闲置资源的特征数据集。在一些实施例中，所述分类模块，包括：训练单元，用于对于每种社区闲置资源的商品分类，训练对应的深度神经网络；计算单元，用于将所述闲置资源特征数据集作为所述深度神经网络的输入，进行分类，得到所述闲置资源对应的匹配特征；评分单元，用于根据所述匹配特征，对每个需求用户进行指数化评分，得到各自的闲置资源匹配指数。在一些实施例中，所述反馈模块，包括：纠错单元，用于对所述满意度评价进行差错扫描，去除偏差值在指定区间外的错误数据，并以默认数据进行替换，形成反馈数据集；替换单元，用于将所述反馈数据集导入所述深度神经网络进行优化训练，替换原有深度神经网络。总的来说，本申请的优势及给用户带来的体验在于：能够根据社区空闲资源的不同特征，实现与社区居民需求的对接，从而实现社区空闲资源的智能化分享，提高社区空闲资源分享的准确度和效率。附图说明在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本专利技术公开的一些实施方式，而不应将其视为是对本专利技术范围的限制。图1示出根据本专利技术实施例的基于深度学习的社区空闲资源分享方法的流程图。图2示出根据本专利技术实施例的基于深度学习的社区空闲资源分享系统的构成图。图3示出根据本专利技术实施例的构建模块的构成图。图4示出根据本专利技术实施例的分类本文档来自技高网...

【技术保护点】
1.一种基于深度学习的社区空闲资源分享方法，其特征在于，包括：/n获取待分类的社区闲置资源特征，按照商品分类对所述社区闲置资源特征进行分类，并根据不同商品分类的特征提取得到各类社区闲置资源的特征数据集；/n将所述各类社区闲置资源的特征数据集导入深度神经网络中进行分类，得到闲置资源匹配指数；所述深度神经网络包括输入层、卷积层、激活层、池化层、全连接层以及输出层，卷积层的核函数大小为4＊4，激活层的激活函数采用ReLU函数，池化层的核函数大小为3＊3；/n获取居民资源需求信息并进行分类，按照需求大小对居民资源需求信息进行第一排序；/n按照所述闲置资源匹配指数对所述各类社区闲置资源的特征数据集进行第二排序；/n结合第一排序和第二排序，生成资源分享方案，依次向需求居民发送分享邀请，确定分享匹配对象；/n所述分享匹配对象在获取到闲置资源后，按照所述闲置资源的分类进行满意度评价，并将所述满意度评价反馈至所述深度神经网络进行优化训练。/n

【技术特征摘要】
1.一种基于深度学习的社区空闲资源分享方法，其特征在于，包括：
获取待分类的社区闲置资源特征，按照商品分类对所述社区闲置资源特征进行分类，并根据不同商品分类的特征提取得到各类社区闲置资源的特征数据集；
将所述各类社区闲置资源的特征数据集导入深度神经网络中进行分类，得到闲置资源匹配指数；所述深度神经网络包括输入层、卷积层、激活层、池化层、全连接层以及输出层，卷积层的核函数大小为4＊4，激活层的激活函数采用ReLU函数，池化层的核函数大小为3＊3；
获取居民资源需求信息并进行分类，按照需求大小对居民资源需求信息进行第一排序；
按照所述闲置资源匹配指数对所述各类社区闲置资源的特征数据集进行第二排序；
结合第一排序和第二排序，生成资源分享方案，依次向需求居民发送分享邀请，确定分享匹配对象；
所述分享匹配对象在获取到闲置资源后，按照所述闲置资源的分类进行满意度评价，并将所述满意度评价反馈至所述深度神经网络进行优化训练。


2.根据权利要求1所述的方法，其特征在于，获取待分类的社区闲置资源特征，按照商品分类对所述社区闲置资源特征进行分类，并根据不同商品分类的特征提取得到各类社区闲置资源的特征数据集，包括：
根据社区闲置资源对应的商品分类，从用户提供的所述社区闲置资源的信息中抽取出所述社区闲置资源特征；
对所述社区闲置资源特征的数据进行除噪和归一化处理后，对缺失的数据进行默认填充，构建所述社区闲置资源的特征数据集。


3.根据权利要求1所述的方法，其特征在于，将所述各类社区闲置资源的特征数据集导入深度神经网络中进行分类，得到闲置资源匹配指数，包括：
对于每种社区闲置资源的商品分类，训练对应的深度神经网络；
将所述社区闲置资源的特征数据集作为所述深度神经网络的输入，进行分类，得到所述社区闲置资源对应的匹配特征；
根据所述匹配特征，对每个需求用户进行指数化评分，得到各自的闲置资源匹配指数。


4.根据权利要求1所述的方法，结合第一排序和第二排序，生成资源分享方案，依次向需求居民发送分享邀请，确定分享匹配对象，包括：
对于所述第一排序中的每一居民需求，确定所述第二排序中以所述居民需求为中心，上下匹配振幅区间内的需求居民为预选对象集合；
按照所述预选对象集合中每个需求居民的闲置资源匹配指数，依次向每个需求居民发送分享邀请；
如果在指定等待响应时间内靠前需求居民没有响应，则向闲置资源匹配指数排序在所述靠前需求居民之后的靠后需求居民继续发送分享邀请。


5.根据权利要求1所述的方法，其特征在于，确定分享匹配对象，包括：
如果用户接受了所述分享邀请，则终止继续发送分享邀请；
如果用户拒绝了所述分享邀请，则向所述...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：特斯联科技集团有限公司，
类型：发明
国别省市：北京;11