基于云计算的化妆品信息检测方法及化妆品电商云平台

技术领域

本申请涉及化妆品信息检测技术领域，具体而言，涉及一种基于云计算的化妆品信息检测方法及化妆品电商云平台。

背景技术

随着电子商务技术的快速发展，人们通过电子商务平台进行化妆品的选购和信息了解已经成为越来越普遍的生活方式。例如，用户通常会在电子商务平台上配置符合自身需求的化妆方案和化妆品信息搭配。基于此，对于电子商务平台而言，如何利用数据挖掘对这些用户进行化妆品服务信息的推荐，以节省用户的配置时间和信息搜寻的时间，是亟待解决的技术问题。

相关技术中，通常是仅基于化妆品服务用户的化妆品需求属性数据进行化妆品服务信息的推荐的，然而化妆品服务用户的化妆品需求属性数据通常会遗漏掉一部分有效信息，造成推送精度的降低。

发明内容

为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于云计算的化妆品信息检测方法及化妆品电商云平台，通过获取针对化妆品电商服务终端的化妆品服务用户的化妆品需求属性数据，对化妆品需求属性数据以及化妆品需求属性数据对应的云端推荐化妆方案的化妆品需求属性数据分别进行化妆品特征挖掘后，计算二者之间的损失化妆品特征，由此基于预设机器学习挖掘网络对损失化妆品特征进行挖掘，得到化妆品需求属性数据对应的补充需求属性信息。如此，通过先确定更具有推送参考价值的损失化妆品特征，由此利用损失化妆品特征进行补充需求属性信息挖掘，能够对后续的信息推荐过程进行特征丰富，避免信息推送过程中的有效信息量的损失，进而提高推送精度。

第一方面，本申请提供一种基于云计算的化妆品信息检测方法，应用于化妆品电商云平台，所述化妆品电商云平台与多个化妆品电商服务终端通信连接，所述方法包括：

获取针对所述化妆品电商服务终端的化妆品服务用户的化妆品需求属性数据，所述化妆品需求属性数据为基于所述化妆品服务用户的每个目标订阅化妆品标签的化妆品有效参数项目进行相应的云计算数据统计后的需求属性数据信息；

对所述化妆品需求属性数据进行化妆品特征挖掘，得到所述化妆品需求属性数据对应的基础化妆品特征，并对所述化妆品需求属性数据对应的云端推荐化妆方案的化妆品需求属性数据进行化妆品特征挖掘，得到对应的全局化妆品特征，其中，所述云端推荐化妆方案为与所述化妆品服务用户相似的其它化妆品服务用户的推荐化妆方案中反馈有效性大于预设有效性的推荐化妆方案；

计算所述基础化妆品特征和所述全局化妆品特征之间的损失化妆品特征；

基于预设机器学习挖掘网络对所述损失化妆品特征进行挖掘，得到所述化妆品需求属性数据对应的补充需求属性信息，并基于所述补充需求属性信息向所述化妆品电商服务终端推送补充化妆品服务信息。

在第一方面的一种可能的实现方式中，所述对所述化妆品需求属性数据进行化妆品特征挖掘，得到所述化妆品需求属性数据对应的基础化妆品特征的步骤，包括：

从所述化妆品需求属性数据中获得与预先定义的分类依据属性分量匹配的依据需求属性数据，确定与所述依据需求属性数据相匹配的化妆方案参数；

根据所述化妆方案参数以及与所述化妆方案参数相对应的目标化妆方案数据生成对应的化妆应用画像特征；

提取所述化妆应用画像特征的画像特征矩阵表示序列，作为所述化妆品需求属性数据对应的基础化妆品特征。

在第一方面的一种可能的实现方式中，所述根据所述化妆方案参数以及与所述化妆方案参数相对应的目标化妆方案数据生成对应的化妆应用画像特征的步骤，包括：

根据与所述化妆方案参数相对应的目标化妆方案数据确定所述化妆方案参数中每个化妆方案步骤顺序满足预设步骤顺序的目标目标化妆方案数据，以及以所述目标目标化妆方案数据为参照目标化妆方案数据的第一目标化妆方案匹配属性和第二目标化妆方案匹配属性，所述第一目标化妆方案匹配属性的化妆方案步骤信息与所述第二目标化妆方案匹配属性的化妆方案步骤信息不重合，并且相互之间存在化妆关联关系；

确定所述第一目标化妆方案匹配属性中符合第一目标要求的目标化妆方案属性分量，根据所述符合第一目标要求的目标化妆方案属性分量的源画像标签覆盖信息与关联的预设画像标签覆盖信息信息之间的多级覆盖信息的画像应用页面信息，确定所述第一目标化妆方案匹配属性对应的第一需求功效种类参数信息；其中，所述符合第一目标要求的目标化妆方案属性分量为源画像标签覆盖信息匹配于所述关联的预设画像标签覆盖信息信息的目标化妆方案属性分量；

确定所述第二目标化妆方案匹配属性中符合第二目标要求的目标化妆方案属性分量，根据所述符合第二目标要求的目标化妆方案属性分量的源画像标签覆盖信息与关联的预设画像标签覆盖信息信息之间的多级覆盖信息的画像应用页面信息，确定所述第二目标化妆方案匹配属性对应的第二需求功效种类参数信息；其中，所述符合第二目标要求的目标化妆方案属性分量为源画像标签覆盖信息匹配于所述关联的预设画像标签覆盖信息信息的目标化妆方案属性分量；

根据所述第一目标化妆方案匹配属性对应的第一需求功效种类参数信息，得到所述目标化妆方案属性分量在每个第一化妆方案步骤信息的试妆资源模型运行信息，并根据所述第二目标化妆方案匹配属性中的第二需求功效种类参数信息，得到所述目标化妆方案属性分量在每个第二化妆方案步骤信息的试妆资源模型运行信息；

根据所述每个第一化妆方案步骤信息和每个第二化妆方案步骤信息的试妆资源模型运行信息，分别对所述目标化妆方案属性分量在每个化妆方案步骤信息进行化妆应用画像溯源，得到每个第一化妆方案步骤信息的第一化妆应用画像溯源信息和每个第二化妆方案步骤信息的第二化妆应用画像溯源信息；

根据所述每个第一化妆方案步骤信息的第一化妆应用画像溯源信息和每个第二化妆方案步骤信息的第二化妆应用画像溯源信息得到对应的化妆应用画像溯源信息；

根据所述化妆应用画像溯源信息，生成对应的化妆应用画像特征。

在第一方面的一种可能的实现方式中，所述计算所述基础化妆品特征和所述全局化妆品特征之间的损失化妆品特征的步骤，包括：

将所述基础化妆品特征和所述全局化妆品特征添加到预设的损失评估线程，并基于所述损失评估线程建立所述基础化妆品特征的多个第一待定评估分段以及所述全局化妆品特征的多个第二待定评估分段；

根据每个第一待定评估分段确定所述基础化妆品特征的第一评估对象属性信息，并根据每个第二待定评估分段确定所述全局化妆品特征的第二评估对象属性信息；

将所述第一评估对象属性信息和所述第二评估对象属性信息映射至预设损失评估模型，得到所述第一评估对象属性信息对应的第一化妆品资源流以及所述第二评估对象属性信息对应的第二化妆品资源流；

确定所述预设损失评估模型中的多个损失评估单元，对所述多个损失评估单元进行分簇得到至少多个不同分簇的评估单元序列；

针对每个分簇的评估单元序列，计算所述分簇的评估单元序列中的每个损失评估单元对应的第一化妆品资源流和第二化妆品资源流之间的化妆品损失资源流；

将每个化妆品损失资源流进行特征还原后进行汇总，获得所述基础化妆品特征和所述全局化妆品特征之间的损失化妆品特征。

在第一方面的一种可能的实现方式中，所述基于预设机器学习挖掘网络对所述损失化妆品特征进行挖掘，得到所述化妆品需求属性数据对应的补充需求属性信息，并基于所述补充需求属性信息向所述化妆品电商服务终端推送补充化妆品服务信息的步骤，包括：

基于预设机器学习挖掘网络确定所述损失化妆品特征在每个挖掘补充需求属性信息下的置信度；

根据所述损失化妆品特征在每个挖掘补充需求属性信息下的置信度得到所述化妆品需求属性数据对应的补充需求属性信息，并基于所述补充需求属性信息向所述化妆品电商服务终端推送补充化妆品服务信息。

在第一方面的一种可能的实现方式中，所述根据所述损失化妆品特征在每个挖掘补充需求属性信息下的置信度得到所述化妆品需求属性数据对应的补充需求属性信息，并基于所述补充需求属性信息向所述化妆品电商服务终端推送补充化妆品服务信息的步骤，包括：

将置信度最高的挖掘补充需求属性信息作为所述化妆品需求属性数据对应的补充需求属性信息。

在第一方面的一种可能的实现方式中，所述获取针对所述化妆品电商服务终端的化妆品服务用户的化妆品需求属性数据的步骤，包括：

基于人工智能模型对所述化妆品电商服务终端的化妆品服务用户的第一化妆品模拟试用数据中的主动模拟试用数据和被动模拟试用数据进行挖掘，得到第二化妆品模拟试用数据，其中，所述第一化妆品模拟试用数据中记录了第一数量个具有对应关系的主动模拟试用数据和被动模拟试用数据，所述第二化妆品模拟试用数据中记录了第一数量个化妆品模拟试用标签，每个所述化妆品模拟试用标签用于表示一个模拟试用标签数据；

根据所述第二化妆品模拟试用数据获取第三化妆品模拟试用数据，其中，所述第三化妆品模拟试用数据中记录了第二数量组具有对应关系的化妆品模拟试用标签、所述化妆品模拟试用标签所表示的模拟试用标签数据中的兴趣控件主动模拟试用数据、所述化妆品模拟试用标签所表示的模拟试用标签数据中的兴趣控件被动模拟试用数据；

根据所述第三化妆品模拟试用数据将第二数量个所述化妆品模拟试用标签所表示的模拟试用标签数据划分为第三数量个模拟试用标签对象，每个所述模拟试用标签对象包括至少一个所述化妆品模拟试用标签所表示的模拟试用标签数据；

获取位于所述第三数量个模拟试用标签对象中的目标模拟试用标签对象中包括的模拟试用标签行为，得到模拟试用标签行为集合，对所述模拟试用标签行为集合中的每个模拟试用标签行为进行化妆品画册匹配，得到化妆品画册匹配结果，在所述化妆品画册匹配结果中出现次数大于评估指标数值的订阅化妆品对象的情况下，将所述订阅化妆品对象确定为所述目标模拟试用标签对象的目标订阅化妆品标签，以基于每个目标订阅化妆品标签的化妆品有效参数项目进行相应的云计算数据统计，得到针对所述化妆品电商服务终端的化妆品服务用户的化妆品需求属性数据。

在第一方面的一种可能的实现方式中，所述第三化妆品模拟试用数据中记录了第二数量组具有对应关系的化妆品模拟试用标签、所述化妆品模拟试用标签所表示的模拟试用标签数据中的兴趣控件主动模拟试用数据、所述化妆品模拟试用标签所表示的模拟试用标签数据中的兴趣控件被动模拟试用数据以及所述化妆品模拟试用标签所表示的模拟试用标签数据中的模拟试用标签数量；

其中，所述根据所述第三化妆品模拟试用数据将第二数量个所述化妆品模拟试用标签所表示的模拟试用标签数据划分为第三数量个模拟试用标签对象的步骤，包括：

确定所有所述化妆品模拟试用标签所表示的模拟试用标签数据中的模拟试用标签数量的均值，以及所有所述化妆品模拟试用标签所表示的模拟试用标签数据中的模拟试用标签数量的均方分布值；

确定每个所述化妆品模拟试用标签所表示的模拟试用标签数据中的模拟试用标签数量与所述均值之间的差值，将所述差值与所述均方分布值之间的比值确定为每个所述化妆品模拟试用标签所表示的模拟试用标签数据中的第一兴趣控件对应的评估指标数值；

在所述评估指标数值大于第一评估指标数值的情况下，将所述第一兴趣控件标记为候选对象；

在所述评估指标数值小于所述第一评估指标数值且大于第二评估指标数值的情况下，根据以所述第一兴趣控件为参照控件、以预定关联数据值为关联数据的范围内存在的除所述第一兴趣控件之外的第二兴趣控件的个数，将所述第一兴趣控件标记为候选对象、非候选对象或者无效对象；

在所述评估指标数值小于所述第二评估指标数值的情况下，根据以所述第一兴趣控件为参照控件、以预定关联数据值为关联数据的范围内存在的除所述第一兴趣控件之外的第二兴趣控件的个数，将所述第一兴趣控件标记为非候选对象或者无效对象；

在所述第一兴趣控件被标记为候选对象、且所述第一兴趣控件以及位于所述范围内的第二兴趣控件中存在一个兴趣控件所在的模拟试用标签数据已被记录为位于目标模拟试用标签对象中的情况下，将所述第一兴趣控件以及位于所述范围内的第二兴趣控件所在的模拟试用标签数据都记录为位于所述目标模拟试用标签对象中；

在所述第一兴趣控件被标记为候选对象、且所述第一兴趣控件以及位于所述范围内的第二兴趣控件中的每个兴趣控件所在的模拟试用标签数据均未记录为位于所述模拟试用标签对象中的情况下，将所述第一兴趣控件以及位于所述范围内的第二兴趣控件所在的模拟试用标签数据都记录为位于同一个模拟试用标签对象中，以将第二数量个所述化妆品模拟试用标签所表示的模拟试用标签数据划分为第三数量个模拟试用标签对象。

在第一方面的一种可能的实现方式中，所述对所述模拟试用标签行为集合中的每个模拟试用标签行为进行化妆品画册匹配，得到化妆品画册匹配结果，在所述化妆品画册匹配结果中出现次数大于第三评估指标数值的模拟试用标签对象的情况下，将所述模拟试用标签对象确定为所述目标模拟试用标签对象的化妆品有效参数项目的步骤，包括：

提取所述模拟试用标签行为集合中的每个模拟试用标签行为的化妆品画册配置信息；

根据所述化妆品画册配置信息，获取所述每个模拟试用标签行为中各个标签过程节点的标签过程行为信息，所述标签过程行为信息是指标签过程节点在所述每个模拟试用标签行为处于被监测状态下的任一模拟试用服务中多端模拟试用互动行为的标签过程行为信息，所述标签过程节点为与多端模拟试用互动行为存在相同的用户终端的匹配行为的过程节点；

按照每个标签过程节点的标签过程记录信息，获取至少两个标签过程节点，得到至少两种标签资源分布模型；

对于任一种标签资源分布模型，根据所述标签资源分布模型中每个标签过程节点处于所述被监测状态下的标签过程行为信息，获取每个标签过程节点的最靠前标签过程行为信息；

获取所述标签资源分布模型包括的各个标签过程节点的最靠前标签过程行为信息的时序加权结果，得到所述标签资源分布模型的指标参考数值；

当至少两种标签资源分布模型的指标参考数值均满足设定条件时，提取所述每个模拟试用标签行为在所述多端模拟试用互动行为中的第一化妆品画册匹配信息，得到化妆品画册匹配结果；

在所述化妆品画册匹配结果中出现次数大于第三评估指标数值的模拟试用标签对象的情况下，将所述模拟试用标签对象确定为所述目标模拟试用标签对象的化妆品有效参数项目。

第二方面，本申请实施例还提供一种基于云计算的化妆品信息检测装置，应用于化妆品电商云平台，所述化妆品电商云平台与多个化妆品电商服务终端通信连接，所述装置包括：

获取模块，用于获取针对所述化妆品电商服务终端的化妆品服务用户的化妆品需求属性数据，所述化妆品需求属性数据为基于所述化妆品服务用户的每个目标订阅化妆品标签的化妆品有效参数项目进行相应的云计算数据统计后的需求属性数据信息；

第一挖掘模块，用于对所述化妆品需求属性数据进行化妆品特征挖掘，得到所述化妆品需求属性数据对应的基础化妆品特征，并对所述化妆品需求属性数据对应的云端推荐化妆方案的化妆品需求属性数据进行化妆品特征挖掘，得到对应的全局化妆品特征，其中，所述云端推荐化妆方案为与所述化妆品服务用户相似的其它化妆品服务用户的推荐化妆方案中反馈有效性大于预设有效性的推荐化妆方案；

计算模块，用于计算所述基础化妆品特征和所述全局化妆品特征之间的损失化妆品特征；

第二挖掘模块，用于基于预设机器学习挖掘网络对所述损失化妆品特征进行挖掘，得到所述化妆品需求属性数据对应的补充需求属性信息，并基于所述补充需求属性信息向所述化妆品电商服务终端推送补充化妆品服务信息。

第三方面，本申请实施例还提供一种基于云计算的化妆品信息检测系统，所述基于云计算的化妆品信息检测系统包括化妆品电商云平台以及与所述化妆品电商云平台通信连接的多个化妆品电商服务终端；

所述化妆品电商云平台，用于：

获取针对所述化妆品电商服务终端的化妆品服务用户的化妆品需求属性数据，所述化妆品需求属性数据为基于所述化妆品服务用户的每个目标订阅化妆品标签的化妆品有效参数项目进行相应的云计算数据统计后的需求属性数据信息；

对所述化妆品需求属性数据进行化妆品特征挖掘，得到所述化妆品需求属性数据对应的基础化妆品特征，并对所述化妆品需求属性数据对应的云端推荐化妆方案的化妆品需求属性数据进行化妆品特征挖掘，得到对应的全局化妆品特征，其中，所述云端推荐化妆方案为与所述化妆品服务用户相似的其它化妆品服务用户的推荐化妆方案中反馈有效性大于预设有效性的推荐化妆方案；

计算所述基础化妆品特征和所述全局化妆品特征之间的损失化妆品特征；

基于预设机器学习挖掘网络对所述损失化妆品特征进行挖掘，得到所述化妆品需求属性数据对应的补充需求属性信息，并基于所述补充需求属性信息向所述化妆品电商服务终端推送补充化妆品服务信息。

第四方面，本申请实施例还提供一种化妆品电商云平台，所述化妆品电商云平台包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个化妆品电商服务终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行第一方面或者第一方面中任意一个可能的实现方式中的基于云计算的化妆品信息检测方法。

第五方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其被执行时，使得计算机执行上述第一方面或者第一方面中任意一个可能的实现方式中的基于云计算的化妆品信息检测方法。

基于上述任意一个方面，本申请通过获取针对化妆品电商服务终端的化妆品服务用户的化妆品需求属性数据，对化妆品需求属性数据以及化妆品需求属性数据对应的云端推荐化妆方案的化妆品需求属性数据分别进行化妆品特征挖掘后，计算二者之间的损失化妆品特征，由此基于预设机器学习挖掘网络对损失化妆品特征进行挖掘，得到化妆品需求属性数据对应的补充需求属性信息。如此，通过先确定更具有推送参考价值的损失化妆品特征，由此利用损失化妆品特征进行补充需求属性信息挖掘，能够对后续的信息推荐过程进行特征丰富，避免信息推送过程中的有效信息量的损失，进而提高推送精度。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要调用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。

图1为本申请实施例提供的基于云计算的化妆品信息检测系统的应用场景示意图；

图2为本申请实施例提供的基于云计算的化妆品信息检测方法的流程示意图；

图3为本申请实施例提供的基于云计算的化妆品信息检测装置的功能模块示意图；

图4为本申请实施例提供的用于实现上述的基于云计算的化妆品信息检测方法的化妆品电商云平台的结构组件示意框图。

具体实施方式

下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。

图1是本申请一种实施例提供的基于云计算的化妆品信息检测系统10的交互示意图。基于云计算的化妆品信息检测系统10可以包括化妆品电商云平台100以及与化妆品电商云平台100通信连接的化妆品电商服务终端200。图1所示的基于云计算的化妆品信息检测系统10仅为一种可行的示例，在其它可行的实施例中，该基于云计算的化妆品信息检测系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。

本实施例中，化妆品电商服务终端200可以包括移动设备、平板计算机、膝上型计算机等或其任意组合。在一些实施例中，移动设备可以包括物联网设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，或其任意组合。在一些实施例中，物联网设备可以包括智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等，或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理、游戏设备等，或其任意组合。在一些实施例中，虚拟现实设备和增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等，或其任意组合。例如，虚拟现实设备和增强现实设备可以包括各种虚拟现实产品等。

本实施例中，基于云计算的化妆品信息检测系统10中的化妆品电商云平台100和化妆品电商服务终端200可以通过配合执行以下方法实施例所描述的基于云计算的化妆品信息检测方法，具体化妆品电商云平台100和化妆品电商服务终端200的执行步骤部分可以参照以下方法实施例的详细描述。

为了解决前述背景技术中的技术问题，图2为本申请实施例提供的基于云计算的化妆品信息检测方法的流程示意图，本实施例提供的基于云计算的化妆品信息检测方法可以由图1中所示的化妆品电商云平台100执行，下面对该基于云计算的化妆品信息检测方法进行详细介绍。

步骤S110，获取针对化妆品电商服务终端200的化妆品服务用户的化妆品需求属性数据。

步骤S120，对化妆品需求属性数据进行化妆品特征挖掘，得到化妆品需求属性数据对应的基础化妆品特征，并对化妆品需求属性数据对应的云端推荐化妆方案的化妆品需求属性数据进行化妆品特征挖掘，得到对应的全局化妆品特征。

步骤S130，计算基础化妆品特征和全局化妆品特征之间的损失化妆品特征。

步骤S140，基于预设机器学习挖掘网络对损失化妆品特征进行挖掘，得到化妆品需求属性数据对应的补充需求属性信息。

本实施例中，化妆品需求属性数据为基于化妆品服务用户的每个目标订阅化妆品标签的化妆品有效参数项目进行相应的云计算数据统计后的需求属性数据信息。目标订阅化妆品标签的化妆品有效参数项目可以理解为针对具有统计意义的目标订阅化妆品标签的模拟试用标签对象。每个模拟试用标签对象可以包括至少一个化妆品模拟试用标签所表示的模拟试用标签数据。

本实施例中，预设机器学习挖掘网络可以采用常规的深度学习网络通过预先配置的训练样本和训练样本对应的挖掘标注标签进行训练获得，训练样本可以是指通过大量人工比对获得的化妆品特征，具体训练过程中不是本申请实施例的重点，参照现有技术中的常规训练方式即可， 在此不作赘述。

本实施例中，补充需求属性信息可以是指对于化妆品需求中可能遗漏的需求属性信息。

本实施例中，云端推荐化妆方案为与化妆品服务用户相似的其它化妆品服务用户的推荐化妆方案中反馈有效性大于预设有效性的推荐化妆方案，反馈有效性可以基于化妆品服务用户相似的其它化妆品服务用户的反馈填表的勾选项进行确定，化妆品服务用户相似的其它化妆品服务用户可以是指用户特征相似的化妆品服务用户，例如用户注册信息、用户关注信息、用户收藏信息等用户特征相似的化妆品服务用户。

本实施例中，在基于补充需求属性信息向化妆品电商服务终端推送补充化妆品服务信息的过程中，示例性地，可以从补充需求属性信息中获得每个补充需求属性表项对应的画像标签分类，然后获取画像标签分类所对应的补充化妆品服务信息后，向化妆品电商服务终端推送补充化妆品服务信息。

基于上述步骤，本实施例通过先确定更具有推送参考价值的损失化妆品特征，由此利用损失化妆品特征进行补充需求属性信息挖掘，能够对后续的信息推荐过程进行特征丰富，避免信息推送过程中的有效信息量的损失，进而提高推送精度。

在一种可能的实现方式中，针对步骤S120而言，在对化妆品需求属性数据进行化妆品特征挖掘，得到化妆品需求属性数据对应的基础化妆品特征的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。

子步骤S121，从化妆品需求属性数据中获得与预先定义的分类依据属性分量匹配的依据需求属性数据，确定与依据需求属性数据相匹配的化妆方案参数。

子步骤S122，根据化妆方案参数以及与化妆方案参数相对应的目标化妆方案数据生成对应的化妆应用画像特征。

子步骤S123，提取化妆应用画像特征的画像特征矩阵表示序列，作为化妆品需求属性数据对应的基础化妆品特征。

例如，在一种可能的实现方式中，子步骤S122可以通过以下示例性的实施方式来实施。

（1）根据与化妆方案参数相对应的目标化妆方案数据确定化妆方案参数中每个化妆方案步骤顺序满足预设步骤顺序的目标目标化妆方案数据，以及以目标目标化妆方案数据为参照目标化妆方案数据的第一目标化妆方案匹配属性和第二目标化妆方案匹配属性，第一目标化妆方案匹配属性的化妆方案步骤信息与第二目标化妆方案匹配属性的化妆方案步骤信息不重合，并且相互之间存在化妆关联关系。

（2）确定第一目标化妆方案匹配属性中符合第一目标要求的目标化妆方案属性分量，根据符合第一目标要求的目标化妆方案属性分量的源画像标签覆盖信息与关联的预设画像标签覆盖信息信息之间的多级覆盖信息的画像应用页面信息，确定第一目标化妆方案匹配属性对应的第一需求功效种类参数信息。

其中，符合第一目标要求的目标化妆方案属性分量为源画像标签覆盖信息匹配于关联的预设画像标签覆盖信息信息的目标化妆方案属性分量。

（3）确定第二目标化妆方案匹配属性中符合第二目标要求的目标化妆方案属性分量，根据符合第二目标要求的目标化妆方案属性分量的源画像标签覆盖信息与关联的预设画像标签覆盖信息信息之间的多级覆盖信息的画像应用页面信息，确定第二目标化妆方案匹配属性对应的第二需求功效种类参数信息。

其中，符合第二目标要求的目标化妆方案属性分量为源画像标签覆盖信息匹配于关联的预设画像标签覆盖信息信息的目标化妆方案属性分量。

（4）根据第一目标化妆方案匹配属性对应的第一需求功效种类参数信息，得到目标化妆方案属性分量在每个第一化妆方案步骤信息的试妆资源模型运行信息，并根据第二目标化妆方案匹配属性中的第二需求功效种类参数信息，得到目标化妆方案属性分量在每个第二化妆方案步骤信息的试妆资源模型运行信息。

（5）根据每个第一化妆方案步骤信息和每个第二化妆方案步骤信息的试妆资源模型运行信息，分别对目标化妆方案属性分量在每个化妆方案步骤信息进行化妆应用画像溯源，得到每个第一化妆方案步骤信息的第一化妆应用画像溯源信息和每个第二化妆方案步骤信息的第二化妆应用画像溯源信息。

（6）根据每个第一化妆方案步骤信息的第一化妆应用画像溯源信息和每个第二化妆方案步骤信息的第二化妆应用画像溯源信息得到对应的化妆应用画像溯源信息。

（7）根据化妆应用画像溯源信息，生成对应的化妆应用画像特征。

这样，通过结合互动渲染的特征信息进行化妆应用画像特征的确定，可以获得更为准确且符合实际场景的化妆应用画像特征。

在一种可能的实现方式中，针对步骤S130而言，在计算基础化妆品特征和全局化妆品特征之间的损失化妆品特征的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。

子步骤S131，将基础化妆品特征和全局化妆品特征添加到预设的损失评估线程，并基于损失评估线程建立基础化妆品特征的多个第一待定评估分段以及全局化妆品特征的多个第二待定评估分段。

子步骤S132，根据每个第一待定评估分段确定基础化妆品特征的第一评估对象属性信息，并根据每个第二待定评估分段确定全局化妆品特征的第二评估对象属性信息。

子步骤S133，将第一评估对象属性信息和第二评估对象属性信息映射至预设损失评估模型，得到第一评估对象属性信息对应的第一化妆品资源流以及第二评估对象属性信息对应的第二化妆品资源流。

子步骤S134，确定预设损失评估模型中的多个损失评估单元，对多个损失评估单元进行分簇得到至少多个不同分簇的评估单元序列。

子步骤S135，针对每个分簇的评估单元序列，计算分簇的评估单元序列中的每个损失评估单元对应的第一化妆品资源流和第二化妆品资源流之间的化妆品损失资源流。

子步骤S136，将每个化妆品损失资源流进行特征还原后进行汇总，获得基础化妆品特征和全局化妆品特征之间的损失化妆品特征。

在一种可能的实现方式中，针对步骤S140而言，在基于预设机器学习挖掘网络对损失化妆品特征进行挖掘，得到化妆品需求属性数据对应的补充需求属性信息的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。

子步骤S141，基于预设机器学习挖掘网络确定损失化妆品特征在每个挖掘补充需求属性信息下的置信度。

子步骤S142，根据损失化妆品特征在每个挖掘补充需求属性信息下的置信度得到化妆品需求属性数据对应的补充需求属性信息。

例如，可以将置信度最高的挖掘补充需求属性信息作为化妆品需求属性数据对应的补充需求属性信息。

在一种可能的实现方式中，针对步骤S110而言，在获取针对化妆品电商服务终端200的化妆品服务用户的化妆品需求属性数据的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。

子步骤S111，基于人工智能模型对化妆品电商服务终端200的化妆品服务用户的第一化妆品模拟试用数据中的主动模拟试用数据和被动模拟试用数据进行挖掘，得到第二化妆品模拟试用数据。

子步骤S112，根据第二化妆品模拟试用数据获取第三化妆品模拟试用数据。

子步骤S113，根据第三化妆品模拟试用数据将第二数量个化妆品模拟试用标签所表示的模拟试用标签数据划分为第三数量个模拟试用标签对象。

子步骤S114，获取位于第三数量个模拟试用标签对象中的目标模拟试用标签对象中包括的模拟试用标签行为，得到模拟试用标签行为集合，对模拟试用标签行为集合中的每个模拟试用标签行为进行化妆品画册匹配，得到化妆品画册匹配结果，在化妆品画册匹配结果中出现次数大于评估指标数值的订阅化妆品对象的情况下，将订阅化妆品对象确定为目标模拟试用标签对象的目标订阅化妆品标签，以基于每个目标订阅化妆品标签的化妆品有效参数项目进行相应的云计算数据统计，得到针对化妆品电商服务终端200的化妆品服务用户的化妆品需求属性数据。

本实施例中，第一化妆品模拟试用数据中记录了第一数量个具有对应关系的主动模拟试用数据和被动模拟试用数据，第二化妆品模拟试用数据中记录了第一数量个化妆品模拟试用标签，每个化妆品模拟试用标签用于表示一个模拟试用标签数据。例如，主动模拟试用数据可以是指在模拟试用过程中化妆品服务用户主动发起模拟试用的模拟试用标签数据，而被动模拟试用数据可以是指在模拟试用过程中化妆品服务用户被动发起模拟试用的模拟试用标签数据。化妆品模拟试用标签可以是指用于表示每一个模拟试用标签数据所对应的挖掘标签，例如可以是某个上级标签，或者是某个上级标签下的细化下级标签等。

本实施例中，第三化妆品模拟试用数据中记录了第二数量组具有对应关系的化妆品模拟试用标签、化妆品模拟试用标签所表示的模拟试用标签数据中的兴趣控件主动模拟试用数据、化妆品模拟试用标签所表示的模拟试用标签数据中的兴趣控件被动模拟试用数据。其中，兴趣控件可以根据实际场景的中兴趣控件的优先级进行灵活确定，在此不作详细限定。

本实施例中，每个模拟试用标签对象可以包括至少一个化妆品模拟试用标签所表示的模拟试用标签数据。

基于上述步骤，本实施例按照模拟试用标签的动主动模拟试用数据来表示模拟试用标签，根据动主动模拟试用数据与化妆品模拟试用标签之间的操作关系对模拟试用标签按照其所在化妆品模拟试用标签类别进行化妆品画册匹配，再将化妆品画册匹配后的化妆品模拟试用标签类别划分为多个不同模拟试用标签对象，从而通过自动划分模拟试用标签对象，之后通过确定每个目标模拟试用标签对象的目标订阅化妆品标签后再进行相应的数据统计，避免对无效模拟试用标签数据进行处理，此外模拟试用标签对象的划分标准统一，能够及时更新，计算量较小，如有新的模拟试用标签加入，则能够直接将其添加到所在的模拟试用标签对象，从而提高了模拟试用标签对象的划分效率

譬如，在一种可能的实现方式中，上述的第一化妆品模拟试用数据可以通过以下方式获得：

（1）获取待处理的第一数量个模拟试用标签行为。

（2）通过调用API接口获取第一数量个模拟试用标签行为中每个模拟试用标签行为表示的模拟试用标签所在的主动模拟试用数据和被动模拟试用数据，以得到第一数量个具有对应关系的模拟试用标签行为、主动模拟试用数据和被动模拟试用数据。

（3）将第一数量个具有对应关系的模拟试用标签行为、主动模拟试用数据和被动模拟试用数据形成为第一化妆品模拟试用数据。

这样，在此基础上，在一种可能的实现方式中，针对步骤S1110而言，在基于人工智能模型对化妆品电商服务终端200的化妆品服务用户的第一化妆品模拟试用数据中的主动模拟试用数据和被动模拟试用数据进行挖掘，得到第二化妆品模拟试用数据的过程中，可以基于人工智能模型对第一化妆品模拟试用数据中的主动模拟试用数据和被动模拟试用数据进行模拟试用型号挖掘，得到第二化妆品模拟试用数据。

其中，值得说明的是，第二化妆品模拟试用数据中记录了第一数量个具有对应关系的模拟试用标签行为和模拟试用型号，化妆品模拟试用标签为模拟试用型号。

其中，值得说明的是，人工智能模型可以采用常规的深度学习网络来实现，通过结合大量的训练样本，可以使得该人工智能模型具有模拟试用型号的识别能力，从而通过模拟试用型号挖掘，可以得到第二化妆品模拟试用数据。

这样，譬如，针对步骤S112而言，在根据第二化妆品模拟试用数据获取第三化妆品模拟试用数据的过程中，可以通过以下示例性的子步骤来实现。

子步骤S1121，对第二化妆品模拟试用数据所记录的模拟试用型号进行化妆品画册匹配，得到第二数量个互不相同的模拟试用型号。

子步骤S1122，确定第二数量个互不相同的模拟试用型号中每个模拟试用型号所表示的模拟试用标签数据中的兴趣控件主动模拟试用数据，以及每个模拟试用型号所表示的模拟试用标签数据中的兴趣控件被动模拟试用数据。

子步骤S1123，记录第二数量组具有对应关系的模拟试用型号、模拟试用型号所表示的模拟试用标签数据中的兴趣控件主动模拟试用数据、模拟试用型号所表示的模拟试用标签数据中的兴趣控件被动模拟试用数据，得到第三化妆品模拟试用数据。

在一种可能的实现方式中，上述的第三化妆品模拟试用数据中记录了第二数量组具有对应关系的化妆品模拟试用标签、化妆品模拟试用标签所表示的模拟试用标签数据中的兴趣控件主动模拟试用数据、化妆品模拟试用标签所表示的模拟试用标签数据中的兴趣控件被动模拟试用数据以及化妆品模拟试用标签所表示的模拟试用标签数据中的模拟试用标签数量。

由此，针对步骤S113而言，在根据第三化妆品模拟试用数据将第二数量个化妆品模拟试用标签所表示的模拟试用标签数据划分为第三数量个模拟试用标签对象的过程中，可以通过以下示例性的子步骤来实现。

子步骤S1131，确定所有化妆品模拟试用标签所表示的模拟试用标签数据中的模拟试用标签数量的均值，以及所有化妆品模拟试用标签所表示的模拟试用标签数据中的模拟试用标签数量的均方分布值。

子步骤S1132，确定每个化妆品模拟试用标签所表示的模拟试用标签数据中的模拟试用标签数量与均值之间的差值，将差值与均方分布值之间的比值确定为每个化妆品模拟试用标签所表示的模拟试用标签数据中的第一兴趣控件对应的评估指标数值。

例如，在评估指标数值大于第一评估指标数值的情况下，将第一兴趣控件标记为候选对象。

又例如，在评估指标数值小于第一评估指标数值且大于第二评估指标数值的情况下，根据以第一兴趣控件为参照控件、以预定关联数据值为关联数据的范围内存在的除第一兴趣控件之外的第二兴趣控件的个数，将第一兴趣控件标记为候选对象、非候选对象或者无效对象。

再例如，在评估指标数值小于第二评估指标数值的情况下，根据以第一兴趣控件为参照控件、以预定关联数据值为关联数据的范围内存在的除第一兴趣控件之外的第二兴趣控件的个数，将第一兴趣控件标记为非候选对象或者无效对象。

子步骤S1133，在第一兴趣控件被标记为候选对象、且第一兴趣控件以及位于范围内的第二兴趣控件中存在一个兴趣控件所在的模拟试用标签数据已被记录为位于目标模拟试用标签对象中的情况下，将第一兴趣控件以及位于范围内的第二兴趣控件所在的模拟试用标签数据都记录为位于目标模拟试用标签对象中。

子步骤S1134，在第一兴趣控件被标记为候选对象、且第一兴趣控件以及位于范围内的第二兴趣控件中的每个兴趣控件所在的模拟试用标签数据均未记录为位于模拟试用标签对象中的情况下，将第一兴趣控件以及位于范围内的第二兴趣控件所在的模拟试用标签数据都记录为位于同一个模拟试用标签对象中，以将第二数量个化妆品模拟试用标签所表示的模拟试用标签数据划分为第三数量个模拟试用标签对象。

在此基础上，针对步骤S114而言，在对模拟试用标签行为集合中的每个模拟试用标签行为进行化妆品画册匹配，得到化妆品画册匹配结果，在化妆品画册匹配结果中出现次数大于第三评估指标数值的模拟试用标签对象的情况下，将模拟试用标签对象确定为目标模拟试用标签对象的化妆品有效参数项目的过程中，可以通过以下示例性的子步骤来实现。

子步骤S1141，提取模拟试用标签行为集合中的每个模拟试用标签行为的化妆品画册配置信息。

子步骤S1142，根据化妆品画册配置信息，获取每个模拟试用标签行为中各个标签过程节点的标签过程行为信息，标签过程行为信息是指标签过程节点在每个模拟试用标签行为处于被监测状态下的任一模拟试用服务中多端模拟试用互动行为的标签过程行为信息，标签过程节点为与多端模拟试用互动行为存在相同的用户终端的匹配行为的过程节点。

子步骤S1143，按照每个标签过程节点的标签过程记录信息，获取至少两个标签过程节点，得到至少两种标签资源分布模型。

子步骤S1144，对于任一种标签资源分布模型，根据标签资源分布模型中每个标签过程节点处于被监测状态下的标签过程行为信息，获取每个标签过程节点的最靠前标签过程行为信息。

子步骤S1145，获取标签资源分布模型包括的各个标签过程节点的最靠前标签过程行为信息的时序加权结果，得到标签资源分布模型的指标参考数值。

子步骤S1146，当至少两种标签资源分布模型的指标参考数值均满足设定条件时，提取每个模拟试用标签行为在多端模拟试用互动行为中的第一化妆品画册匹配信息，得到化妆品画册匹配结果。

子步骤S1147，在化妆品画册匹配结果中出现次数大于第三评估指标数值的模拟试用标签对象的情况下，将模拟试用标签对象确定为目标模拟试用标签对象的化妆品有效参数项目。

譬如，在一种可能的实现方式中，在子步骤S1146中，在提取每个模拟试用标签行为在多端模拟试用互动行为中的第一化妆品画册匹配信息的过程中，可以通过以下示例性的实施方式来实现。

（1）提取每个模拟试用标签行为在多端模拟试用互动行为中的模拟试用互动表现列表，其中模拟试用互动表现列表包括每个模拟试用标签行为的同一交互时间段的待识别模拟试用互动表现列表的集合。

（2）通过预设脚本的动态切换监听程序中的监听函数对模拟试用互动表现列表进行切换识别，确定与模拟试用互动表现列表相匹配的第一切换表项。

（3）基于第一切换表项，通过预设脚本中的动态切换监听程序中的非监听函数，确定与模拟试用互动表现列表相匹配的第二切换表项。

（4）基于模拟试用互动表现列表相匹配的第二切换表项，通过预设脚本的静态切换监听程序，对模拟试用互动表现列表进行连续性化妆品特征挖掘，以实现输出经过时序连续性校验的模拟试用互动表现列表的第一化妆品画册匹配信息。

譬如，在（2）中，示例性地，可以通过第一静态切换监听程序对模拟试用互动表现列表进行多维特征化妆品画册匹配，通过第一静态切换监听程序的行为参数变量和变量相关性系数对经过多维特征化妆品画册匹配的清单化妆品画册匹配集进行处理，得到模拟试用互动表现列表的目标化妆品画册匹配集，通过第一静态切换监听程序的传递节点队列，对模拟试用互动表现列表的目标化妆品画册匹配集进行化妆品特征挖掘，确定与模拟试用互动表现列表对应的静态描述向量。

譬如，在通过第一静态切换监听程序对模拟试用互动表现列表进行多维特征化妆品画册匹配的过程中，可以根据模拟试用互动表现列表所对应的交互时间段的相对时序权重，确定与预设脚本的线程运行脚本相匹配的脚本格式参数。然后，根据脚本格式参数通过第一静态切换监听程序对模拟试用互动表现列表进行多维特征化妆品画册匹配，以形成与脚本格式参数相匹配的模拟试用互动表现列表。

譬如，在（3）中，示例性地，可以通过预设脚本中的动态切换监听程序中的非监听函数对第一切换表项进行切分，确定模拟试用互动表现列表的切换分布节点集合，其中，非监听函数包括至少一个可变监听通道。

然后，将切换分布节点集合作为当前识别单元的输入集合，并通过当前识别单元对所输入的切换分布节点集合进行提取，得到当前识别单元的输出集合，接着将当前识别单元的输出集合和当前识别单元的输入集合进行相似性比对，得到比对结果。由此，可以基于非监听函数包括的所有识别单元对比对结果进行切换筛选，确定与模拟试用互动表现列表相匹配的第二切换表项。

譬如，在一种可能的实现方式中，可以通过以下方式确定至少两种标签资源分布模型的指标参考数值均满足设定条件：

（1）生成其中一种标签资源分布模型对应的第一标签资源挖掘数据以及另一种标签资源分布模型对应的第二标签资源挖掘数据，并确定第一标签资源挖掘数据和第二标签资源挖掘数据中分别包括的多个不同标签资源关联参数的标签资源挖掘服务。

（2）提取其中一种标签资源分布模型在第一标签资源挖掘数据的任一标签资源挖掘服务的模拟试用互动行为运行数据，将第二标签资源挖掘数据中具有最小标签资源关联参数的标签资源挖掘服务确定为目标标签资源挖掘服务。

（3）根据至少两种标签资源分布模型的指标参考数值之间的指标参考数值之差所处的分级数值区间，将模拟试用互动行为运行数据复制到目标标签资源挖掘服务，以在目标标签资源挖掘服务中得到目标信息。

（4）基于模拟试用互动行为运行数据与目标信息之间的场景差异特征，生成其中一种标签资源分布模型和另一种标签资源分布模型之间的分布模型融合列表。

（5）以目标信息为参考信息在目标标签资源挖掘服务中获取待处理运行数据，根据分布模型融合列表对应的分布模型融合优先级的由大到小的顺序，将待处理运行数据复制到模拟试用互动行为运行数据所在标签资源挖掘服务，在模拟试用互动行为运行数据所在标签资源挖掘服务中得到待处理运行数据对应的目标运行数据，基于目标运行数据确定其中一种标签资源分布模型和另一种标签资源分布模型的标签资源关联参数。

（6）采用标签资源关联参数分别对其中一种标签资源分布模型对应的第一指标参考数值进行加权得到第一目标指标参考数值以及对另一种标签资源分布模型对应的第二指标参考数值进行加权得到第二目标指标参考数值。

（7）若第一目标指标参考数值和第二目标指标参考数值均大于设定指标参考数值，则确定至少两种标签资源分布模型的指标参考数值均满足设定条件。

图3为本公开实施例提供的基于云计算的化妆品信息检测装置300的功能模块示意图，本实施例可以根据上述化妆品电商云平台100执行的方法实施例对该基于云计算的化妆品信息检测装置300进行功能模块的划分，也即该基于云计算的化妆品信息检测装置300所对应的以下各个功能模块可以用于执行上述化妆品电商云平台100执行的各个方法实施例。其中，该基于云计算的化妆品信息检测装置300可以包括获取模块310、第一挖掘模块320、计算模块330以及第二挖掘模块340，下面分别对该基于云计算的化妆品信息检测装置300的各个功能模块的功能进行详细阐述。

获取模块310，用于获取针对化妆品电商服务终端200的化妆品服务用户的化妆品需求属性数据，化妆品需求属性数据为基于化妆品服务用户的每个目标订阅化妆品标签的化妆品有效参数项目进行相应的云计算数据统计后的需求属性数据信息。其中，获取模块310可以用于执行上述的步骤S110，关于获取模块310的详细实现方式可以参照上述针对步骤S110的详细描述即可。

第一挖掘模块320，用于对化妆品需求属性数据进行化妆品特征挖掘，得到化妆品需求属性数据对应的基础化妆品特征，并对化妆品需求属性数据对应的云端推荐化妆方案的化妆品需求属性数据进行化妆品特征挖掘，得到对应的全局化妆品特征。其中，第一挖掘模块320可以用于执行上述的步骤S120，关于第一挖掘模块320的详细实现方式可以参照上述针对步骤S120的详细描述即可。

计算模块330，用于计算基础化妆品特征和全局化妆品特征之间的损失化妆品特征。其中，计算模块330可以用于执行上述的步骤S130，关于计算模块330的详细实现方式可以参照上述针对步骤S130的详细描述即可。

第二挖掘模块340，用于基于预设机器学习挖掘网络对损失化妆品特征进行挖掘，得到化妆品需求属性数据对应的补充需求属性信息。其中，第二挖掘模块340可以用于执行上述的步骤S140，关于第二挖掘模块340的详细实现方式可以参照上述针对步骤S140的详细描述即可。

需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现。也可以全部以硬件的形式实现。还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，获取模块310可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上获取模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，ASIC)，或，一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessing unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。

图4示出了本公开实施例提供的用于实现上述的控制设备的化妆品电商云平台100的硬件结构示意图，如图4所示，化妆品电商云平台100可包括处理器110、机器可读存储介质120、总线130以及收发器140。

在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机执行指令（例如图3中所示的基于云计算的化妆品信息检测装置300包括的获取模块310、第一挖掘模块320、计算模块330以及第二挖掘模块340），使得处理器110可以执行如上方法实施例的基于云计算的化妆品信息检测方法，其中，处理器110、机器可读存储介质120以及收发器140通过总线130连接，处理器110可以用于控制收发器140的收发动作，从而可以与前述的化妆品电商服务终端200进行数据收发。

处理器110的具体实现过程可参见上述化妆品电商云平台100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

在上述的图4所示的实施例中，应理解，处理器可以是中央处理器(英文：CentralProcessing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(英文：DigitalSignal Processor，DSP)、专用集成电路(英文：Application SpecificIntegratedCircuit，ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

机器可读存储介质120可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。

总线130可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。总线130可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。

此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于云计算的化妆品信息检测方法。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一种可能的实现方式”、“一种可能的示例”、和/或“示例性地”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同词语两次或多次提及的“一种可能的实现方式”、“一种可能的示例”、和/或“示例性地”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对它们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件（包括固件、常驻软件、微码等）执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其它编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或用户终端上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。

此外，除非权利要求中明确说明，本说明书所述处理元素和列表的顺序、数字字母的使用、或其它名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过互动业务实现，但是也可以只通过软件的解决方案得以实现，如在现有的用户终端或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。