CN110852761B - 制定反作弊策略的方法、装置及电子设备 - Google Patents

Abstract

本说明书涉及制定反作弊策略的方法、装置及电子设备。该方法包括：匹配目标活动是否属于已有活动类型；在目标活动属于已有活动类型的情况下，设置匹配于所属活动类型的反作弊策略作为目标活动的反作弊策略；在目标活动不属于已有活动类型的情况下，构建目标活动的反作弊策略。在一个实施例中，该方法能够有效识别和应对营销活动中的风险。

Description

制定反作弊策略的方法、装置及电子设备

技术领域

本说明书涉及信息处理领域，更具体地，涉及制定反作弊策略的方法、制定反作弊策略的装置、电子设备、风险控制系统以及计算机可读存储介质。

背景技术

随着互联网的发展，商家吸引用户的营销活动越来越多地从线下转向线上，各类线上营销方法和手段层出不穷。例如，为了吸引用户，商家会向用户发放现金电子红包、无门槛通用电子红包等作为奖品福利，用户领奖后可在应用程序中直接使用，从而达到增加用户流量的目的。

然而，如何确保营销活动投放资金的安全是一个很大的挑战。一方面，专门的黑色产业会通过作弊手段从线上营销活动中攫取利益；另一方面，部分用户会出于贪小便宜等动机，采取非正常的操作领取奖励，此类用户的规模达到一定程度时，也会造成营销资金的巨大损失。

因此，有必要提出防止营销活动中资金流失的反作弊方案。

发明内容

本说明书实施例的提供了制定反作弊策略的新的技术方案。

根据本说明书的第一方面，提供了制定反作弊策略的方法，包括：

匹配目标活动是否属于已有活动类型；

在所述目标活动属于已有活动类型的情况下，设置匹配于所属活动类型的反作弊策略作为所述目标活动的反作弊策略；

在所述目标活动不属于已有活动类型的情况下，构建所述目标活动的反作弊策略。

可选地，所述方法在所述目标活动不属于已有活动类型的情况下，还包括：

在已有活动类型中增加所述目标活动所属的新活动类型；

设置匹配于所述新活动类型的反作弊策略为针对所述目标活动构建的反作弊策略。

可选地，所述方法还包括：

监测新活动上线通知；

在监测到所述通知的情况下，将所通知的新活动作为目标活动，触发执行所述匹配目标活动是否属于已有活动类型的操作。

可选地，所述匹配目标活动是否属于已有活动类型，包括：

获取目标活动的活动属性数据；

根据所述活动属性数据，匹配所述目标活动是否属于已有活动类型。

可选地，所述根据所述活动属性数据，匹配所述目标活动是否属于已有活动类型，包括：

获取待匹配的已有活动类型对应于设定的活动属性变量的第一活动属性特征向量；

根据所述活动属性数据，提取所述目标活动的对应于所述活动属性变量的第二活动属性特征向量；

计算所述第一活动属性特征向量与所述第二活动属性特征向量之间的匹配度；

根据所述匹配度，获得表示所述目标活动是否属于已有活动类型的匹配结果。

可选地，所述方法还包括：

响应于配置所述目标活动的操作，提供用于输入配置信息的配置入口；

响应于完成所述配置的通知，获取并保存通过所述配置入口输入的最新的配置信息，作为所述目标活动的活动属性数据。

可选地，所述反作弊策略包括风险识别策略和风险管控策略，所述风险识别策略用于识别用户在对应活动中实施的领奖操作的风险等级，所述风险管控策略用于根据所述对应活动的设定指标和所述用户的设定指标，调整所述风险等级。

可选地，所述方法还包括：生成匹配于已有活动类型的反作弊策略的步骤，包括：

获取参与待匹配的已有活动类型的用户的设定用户数据；

针对每一所述用户，根据对应的用户数据提取用户特征向量；

对提取到的所述用户特征向量进行设定的无监督学习，生成匹配于已有活动类型的反作弊策略。

可选地，所述构建所述目标活动的反作弊策略，包括：

获取所述目标活动相对最相似的已有活动类型的有关活动属性的区别特征向量；

根据所述最相似的已有活动类型的反作弊策略和所述区别特征向量，构建所述目标活动的反作弊策略。

可选地，所述方法还包括获得已有活动类型的步骤，包括：

提取每一已有活动的活动属性特征向量；

根据所述活动属性特征向量，对所有的已有活动进行聚类；

根据聚类结果，获得所述已有活动类型。

可选地，所述方法在构建所述目标活动的反作弊策略后，还包括：

在所述目标活动上线后，获取参与所述目标活动的用户的设定用户数据；

针对每一所述用户，根据对应的用户数据提取用户特征向量；

根据所述用户特征向量，修正针对所述目标活动构建的反作弊策略。

根据本说明书的第二方面，还提供了制定反作弊策略的装置，包括：

匹配模块，用于匹配目标活动是否属于已有活动类型；

反作弊策略设置模块，用于在所述目标活动属于已有活动类型的情况下，设置匹配于所属活动类型的反作弊策略作为所述目标活动的反作弊策略；

反作弊策略构建模块，用于在所述目标活动不属于已有活动类型的情况下，构建所述目标活动的反作弊策略。

可选地，所述反作弊策略构建模块在所述目标活动不属于已有活动类型的情况下，还用于：

在已有活动类型中增加所述目标活动所属的新活动类型；

设置匹配于所述新活动类型的反作弊策略为针对所述目标活动构建的反作弊策略。

可选地，所述装置还包括通知监测模块，所述通知监测模块用于：

监测新活动上线通知；

在监测到所述通知的情况下，将所通知的新活动作为目标活动，触发执行所述匹配目标活动是否属于已有活动类型的操作。

可选地，所述匹配模块在根据所述活动属性数据，匹配所述目标活动是否属于已有活动类型时，还用于：

获取目标活动的活动属性数据；

根据所述活动属性数据，匹配所述目标活动是否属于已有活动类型。

可选地，所述匹配模块在根据所述活动属性数据，匹配所述目标活动是否属于已有活动类型时，还用于：

获取待匹配的已有活动类型对应于设定的活动属性变量的第一活动属性特征向量；

根据所述活动属性数据，提取所述目标活动的对应于所述活动属性变量的第二活动属性特征向量；

计算所述第一活动属性特征向量与所述第二活动属性特征向量之间的匹配度；

根据所述匹配度，获得表示所述目标活动是否属于已有活动类型的匹配结果。

可选地，所述装置还包括活动属性数据获取模块，所述活动属性数据获取模块用于：

响应于配置所述目标活动的操作，提供用于输入配置信息的配置入口；

响应于完成所述配置的通知，获取并保存通过所述配置入口输入的最新的配置信息，作为所述目标活动的活动属性数据。

可选地，所述反作弊策略包括风险识别策略和风险管控策略，所述风险识别策略用于识别用户在对应活动中实施的领奖操作的风险等级，所述风险管控策略用于根据所述对应活动的设定指标和所述用户的设定指标，调整所述风险等级。

可选地，所述装置还包括已有活动类型的反作弊策略生成模块，所述已有活动类型的反作弊策略生成模块用于：生成匹配于已有活动类型的反作弊策略，包括：

获取参与待匹配的已有活动类型的用户的设定用户数据；

针对每一所述用户，根据对应的用户数据提取用户特征向量；

对提取到的所述用户特征向量进行设定的无监督学习，生成匹配于已有活动类型的反作弊策略。

可选地，所述反作弊策略构建模块在构建所述目标活动的反作弊策略时，还用于：

获取所述目标活动相对最相似的已有活动类型的有关活动属性的区别特征向量；

根据所述最相似的已有活动类型的反作弊策略和所述区别特征向量，构建所述目标活动的反作弊策略。

可选地，所述装置还包括获取已有活动类型的模块，所述获取已有活动类型的模块用于：

提取每一已有活动的活动属性特征向量；

根据所述活动属性特征向量，对所有的已有活动进行聚类；

根据聚类结果，获得所述已有活动类型。

可选地，所述装置还包括反作弊策略修正模块，所述反作弊策略修正模块用于：

在所述目标活动上线后，获取参与所述目标活动的用户的设定用户数据；

针对每一所述用户，根据对应的用户数据提取用户特征向量；

根据所述用户特征向量，修正针对所述目标活动构建的反作弊策略。

根据本说明书的第三方面，还提供了电子设备，包括如权利要求12所述的装置，或者，所述电子设备包括：

存储器，用于存储可执行命令；

处理器，用于在所述可执行命令的控制下，执行如本说明书第一方面所述的方法。

根据本说明书的第四方面，还提供了风险控制系统，包括用户终端和如本说明书第三方面所述的电子设备，所述用户终端用于：

在目标活动上线后，提供参与所述目标活动的参与入口；

响应于用户通过所述参与入口参与所述目标活动的操作，通知所述电子设备根据所述用户的用户数据和所述目标活动的反作弊策略，对所述操作进行风险识别；以及，

根据所述电子设备进行所述风险识别后返回的识别结果，处理所述操作。

根据本说明书的第五方面，还提供了计算机可读存储介质，存储有可执行指令，所述可执行指令被处理器执行时，执行如本说明书第一方面所述的方法。

通过以下参照附图对本说明书的示例性实施例的详细描述，本说明书的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本说明书的实施例，并且连同其说明一起用于解释本说明书的原理。

图1a为实施本说明书实施例方法的场景示意图；

图1b为可用于实现本说明书实施例的订单识别方法的风控系统的硬件配置结构图；

图2示出了根据本说明书一个实施例的制定反作弊策略的方法的流程示意图；

图3示出了根据本说明书一个实施例的制定反作弊策略的方法例子的示意图；

图4示出了根据本说明书一个实施例的制定反作弊策略的装置的示意图；

图5示出了根据本说明书一个实施例的电子设备的示意图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

<硬件配置>

本实施例中，线上营销活动的开展涉及商家、平台和用户三方主体。如图1a所示，商家通过相应的终端设备设置营销活动的属性数据，例如设置营销活动的名称、活动开展的时间、活动面向的用户对象等，并将活动数据发送至平台方的服务器。服务器根据活动数据开展营销活动，例如开展向用户发放现金红包的活动。用户A、B……N等多个用户通过相应的用户终端参与该营销活动。例如，用户N通过点击红包链接的方式，向服务器发送领取红包奖励的请求，服务器响应于该请求对相关信息进行验证，在验证通过的情况下将红包奖励发放至用户N的账户。A、B……N等多个用户还可通过发送消息来邀请他人注册、与他人分享活动链接等，从而实现活动推广的效果。

发明人注意到，对于线上营销活动，可以根据刻画用户状态和行为的数据来识别其中的作弊风险。例如，对于直接发现金红包的活动，作弊用户往往会注册多个新账号专门用来领取红包。这种情况在用户数据上会表现为账号的注册时间较晚，账号的历史行为只涉及领取红包的操作而不涉及正常用户的通常操作，等等。对于特定类型的营销活动，其涉及的作弊用户的数据往往具有相同特点，可以采用特定的反作弊策略进行应对。因此，本说明书实施例基于新上线的目标活动的类型制定反作弊策略，进而有效识别和应对活动风险。

图1b为可以应用根据本说明书实施例的制定反作弊策略的方法的风险控制系统的组成结构示意图。

如图1b所示，本实施例的风险控制系统1000包括服务器1100、终端设备1200以及网络1300。

服务器1100例如可以是刀片服务器、机架式服务器等，服务器1100也可以是部署在云端的服务器集群，在此不做限定。该服务器可以是提供线上交易平台服务方的服务器，也可以是以上行政职能部门的服务器，在此不做限定。

如图1b所示，服务器1100可以包括处理器1110、存储器1120、接口装置1130、通信装置1140、显示装置1150和输入装置1160。处理器1110例如可以是中央处理器CPU等。存储器1120例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1130例如包括USB接口、串行接口等。通信装置1140例如能够进行有线或无线通信。显示装置1150例如是液晶显示屏。输入装置1160例如可以包括触摸屏、键盘等。

本实施例中，服务器1100可用于参与实现根据本说明书任意实施例的制定反作弊策略的方法。

本实施例中，服务器1100中已经存储有营销活动的属性数据，该属性数据例如由商家终端发送至服务器1100。

应用于本说明书实施例中，服务器1100的存储器1120用于存储指令，该指令用于控制处理器1110进行操作以支持实现根据本说明书任意实施例的制定反作弊策略的方法。技术人员可以根据本说明书所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。

本领域技术人员应当理解，尽管在图1b中示出了服务器1100的多个装置，但是，本说明书实施例的服务器1100可以仅涉及其中的部分装置，例如，只涉及处理器1110和存储器1120。

如图1b所示，终端设备1200可以包括处理器1210、存储器1220、接口装置1230、通信装置1240、显示装置1250、输入装置1260、音频输出装置1270、音频输入装置1280，等等。处理器1210可以是中央处理器CPU、微处理器MCU等。存储器1220例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1230例如包括USB接口、耳机接口等。通信装置1240例如能够进行有线或无线通信。显示装置1250例如是液晶显示屏、触摸显示屏等。输入装置1260例如可以包括触摸屏、键盘等。终端设备1200可以通过音频输出装置1270输出音频信息，该音频输出装置1270例如包括扬声器。终端设备1200可以通过音频拾取装置1280拾取用户输入的语音信息，该音频拾取装置1280例如包括麦克风。

终端设备1200可以是智能手机、便携式电脑、台式计算机、平板电脑等可以支持用户参与营销活动的任意设备。

本实施例中，终端设备1200可用于记录用户的状态数据和行为数据，例如用户点击页面的历史数据等，并将其发送至服务器1100以实施反作弊策略。

应用于本说明书的实施例中，终端设备1200的存储器1220用于存储指令，该指令用于控制处理器1210进行操作以支持实现根据本说明书任意实施例的制定反作弊策略的方法。技术人员可以根据本说明书所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。

本领域技术人员应当理解，尽管在图1b中示出了终端设备1200的多个装置，但是，本说明书实施例的终端设备1200可以仅涉及其中的部分装置，例如，只涉及处理器1210、存储器1220、显示装置1250、输入装置1260等。

通信网络1300可以是无线网络也可以是有线网络，可以是局域网也可以是广域网。终端设备1200可以通过通信网络1300与服务器1100进行通信。

图1b所示的风险控制系统1000仅是解释性的，并且决不是为了要限制本说明书、其应用或用途。例如，尽管图1b仅示出一个服务器1100和一个终端设备1200，但不意味着限制各自的数量，风险系统1000中可以包含多个服务器1100和/或多个终端设备1200。

<方法实施例>

本实施例提供了制定反作弊策略的方法，该方法例如可以由图1b中的服务器1100实施。

如图2所示，该方法包括以下步骤S1100-S1300：

步骤S1100，匹配目标活动是否属于已有活动类型。

本实施例中，目标活动是需要针对其制定反作弊策略的营销活动。例如，目标活动是商家新发起的发放现金红包活动等。

本实施例中，反作弊策略是关于如何防范目标活动中的作弊风险的策略。

在本说明书的一个实施例中，反作弊策略包括风险识别策略和风险管控策略。风险识别策略用于识别用户在营销活动中实施的领奖操作的风险等级，风险管控策略用于根据营销活动的设定指标和用户的设定指标，调整风险等级。

在风险识别策略中，可以基于经验规则或者无监督学习方法建立识别模型，根据识别模型评价用户领奖行为的风险等级，即评价用户领奖行为属于作弊行为的可能性。

在风险管控策略中，可以结合商家的影响力、商家所处行业的整体健康程度、营销活动对参与人群的限定等因素，对根据风险识别策略获取的风险等级进行调整，例如对影响力高的商家进行一定程度的风险容忍，即在此类商家发起的营销活动中，对于根据风险识别策略获得的用户风险等级可以适当做降低调整。

本实施例中，从风险刻画和风险管理的角度对线上营销活动进行分类。对于属于同一类型的活动，可以采取相同或相似的反作弊策略。

在一个例子中，可以基于人工经验的规则匹配进行活动分类，即根据营销活动的经验人为设定规则把属性相近的活动归为一类，例如归为抽奖活动、立减活动、人传人活动等。在一个例子中，可以基于聚类的方法进行活动分类，例如：提取每一已有活动的活动属性特征向量；根据该活动属性特征向量，对所有的已有活动进行聚类；根据聚类结果，获得已有活动类型。具体实施方式例如是：将多个已知活动的属性数据作为目标数据，采用聚类算法，例如采用K-Means聚类、均值漂移聚类、基于高斯混合模型的最大期望聚类等方法，获取目标数据的聚类中心，进而获得对应于每一聚类中心的活动类型。

在本说明书的一个实施例中，步骤S1100进一步包括以下步骤S1110-S1120：

步骤S1110：获取目标活动的活动属性数据。

本实施例中，活动属性数据用于刻画营销活动的属性，例如包括活动天数、预设金额、用户门槛限制等。

步骤S1120，根据活动属性数据，匹配目标活动是否属于已有活动类型。

在一个例子中，首先获取待匹配的已有活动类型对应于设定的活动属性变量的第一活动属性特征向量。设定的属性变量例如包括活动天数、预算金额、用户门槛限制等，对应地，第一活动属性特征向量是包括活动天数、预算金额、用户门槛限制等维度的向量。

其次，根据目标活动的活动属性数据，提取目标活动的对应于上述活动属性变量的第二活动属性特征向量。例如，第二活动属性特征向量同样包括活动天数、预算金额、用户门槛限制等维度。

再次，计算第一活动属性特征向量与第二活动属性特征向量之间的匹配度。例如，可以计算第一活动属性特征向量和第二活动属性特征向量之间的欧氏距离、夹角余弦等相似性度量指标，以此衡量二者之间的匹配度。

最后，根据第一活动属性特征向量与第二活动属性特征向量之间的匹配度，获得表示目标活动是否属于已有活动类型的匹配结果。例如，将第一活动属性特征向量和第二活动属性特征向量之间的欧氏距离、夹角余弦等相似性度量指标与预设阈值进行比较，如果相似度指标超过预设阈值，说明匹配成功，即目标活动属于对应于第一活动属性特征向量的活动类型。如果有两个以上的已有活动类型均与目标活动匹配成功，则可以选择匹配度最高的活动类型作为目标活动的所属活动类型。

在本说明书的一个实施例中，可以根据商家输入的活动配置信息获取目标活动的活动属性数据。例如，商家发起配置目标活动的操作，服务器响应于该配置目标活动的操作，向商家提供用于输入配置信息的配置入口。商家通过该配置入口输入营销活动的配置信息，并在输入完成后向服务器发送完成配置的通知。服务器响应于完成配置的通知，获取并保存通过设置入口输入的最新的配置信息，作为目标活动的活动属性数据。

在本说明书的一个实施例中，平台方可以在商家发起活动时向其提供选择活动类型的入口，由商家选择活动类型。如此，可以直接获取目标活动所属的活动类型。

步骤S1200，在目标活动属于已有活动类型的情况下，设置匹配于所属活动类型的反作弊策略作为目标活动的反作弊策略。

本实施例中，对于已有的活动类型，预设了与其匹配的反作弊策略。在目标活动属于已有活动类型的情况下，可以将匹配于目标活动所属的活动类型的反作弊策略，设置为目标活动的反作弊策略。

在本说明书的一个实施例中，在步骤S1200之前，还包括生成匹配于已有活动类型的反作弊策略的步骤。例如，首先获取参与待匹配的已有活动类型的用户的设定用户数据。设定用户数据可以包括刻画用户状态的数据，例如包括用户注册时间、账户余额、好友数量等，还可以包括刻画用户行为的数据，例如包括用户的历史交易数据、领奖历史数据、页面点击历史数据、好友互动历史数据等。

其次，针对每一用户，根据对应的用户数据提取用户特征向量。用户特征向量具有对应于选定的用户特征变量的多个维度，用户特征变量例如是上述用户注册时间、账户余额、好友数量、历史交易数据、领奖历史数据、页面点击历史数据或者好友互动历史数据等。

最后，对提取到的用户特征向量进行设定的无监督学习，生成匹配于已有活动类型的反作弊策略。无监督学习是根据类别未知的训练样本解决模式识别中的各种问题。无监督学习通常可以分为降维分析、聚类分析、关联分析等类别的模型和方法。降维分析的具体方法例如包括主成分分析、因子分析、独立成分分析、奇异值分解、字典学习、隐含狄利克雷分布、非负矩阵分解等。聚类分析的具体方法例如包括层次聚类、BIRCH算法、K-MEANS聚类、谱聚类、AP聚类、DBSCAN算法、均值漂移算法等。关联分析的具体方法例如包括Apriori算法、FP-growth算法等。

在一个例子中，对提取到的用户特征向量进行设定的无监督学习时，可以通过降维分析降低用户特征向量的维度从而降低对计算空间的需求，可以通过聚类分析对用户进行分组，还可以通过关联分析获取数据之间的频繁模式、关联、相关性或因果结构。通过无监督学习，可以将用户分为不同的群组，根据群组的维度分布情况，可以直观地观察到群组行为情况并判断群组的作弊风险，据此获得群组中用户的风险等级。

步骤S1300，在目标活动不属于已有活动类型的情况下，构建目标活动的反作弊策略。

在本说明书的一个实施例中，针对目标活动不属于已有活动类型的情况，即目标活动对应的第二活动属性特征向量与任何已有活动类型对应的第一活动属性特征向量之间的匹配度均不满足预设阈值的情况，对此类目标活动的反作弊策略进行构建。

构建目标活动的反作弊策略的步骤例如包括：首先，获取目标活动相对最相似的已有活动类型的有关活动属性的区别特征向量。与目标活动最相似的已有活动类型，例如是对应的第一活动属性特征向量与目标活动对应的第二活动属性特征向量之间的距离(例如欧式距离)最小的活动类型。上述区别特征向量，例如是目标活动对应的第二活动属性特征向量与最相似的已有活动类型对应的第一活动属性特征向量之间的差向量。其次，根据最相似的已有活动类型的反作弊策略和区别特征向量，构建目标活动的反作弊策略。例如，根据区别技术特征向量确定需要关注的向量维度，并在基于该维度对最相似的已有活动类型的反作弊策略进行调整和加强，从而获得目标活动的反作弊策略。

在本说明书的一个实施例中，在通过步骤S1300构建目标活动的反作弊策略后，还对该反作弊策略进行修正。例如，首先在目标活动上线后，获取参与目标活动的用户的设定用户数据。设定用户数据可以包括刻画用户状态的数据，例如包括用户注册时间、账户余额、好友数量等，还可以包括刻画用户行为的数据，例如包括用户的历史交易数据、领奖历史数据、页面点击历史数据、好友互动历史数据等。其次，针对每一用户，根据对应的用户数据提取用户特征向量。用户特征向量具有对应于选定的用户特征变量的多个维度，用户特征变量例如是上述用户注册时间、账户余额、好友数量、历史交易数据、领奖历史数据、页面点击历史数据或者好友互动历史数据等。最后，根据用户特征向量，修正针对目标活动构建的反作弊策略。例如，可以采用时间序列异常的方法发现异常群体，并分析异常群体在各个用户特征向量维度上的分布特点，确定异常群体的用户特征向量维度中表现显著的维度，基于该维度对构建的反作弊策略进行调整和加强。

在本说明书的一个实施例中，针对目标活动不属于已有活动类型的情况，可以对参与此类目标活动的设定用户数据指标监控，并对获得的设定用户数据进行无监督学习，例如进行聚类分析、关联分析、时间序列分析等，发现异常群体，并分析异常群体在各个用户特征向量维度上的分布特点，确定异常群体的用户特征向量维度中表现显著的维度，基于该维度的特点，构建目标活动的反作弊策略。

在本说明书的一个实施例中，制定反作弊策略的方法在目标活动不属于已有活动类型的情况下，还包括以下步骤：在已有活动类型中增加目标活动所属的新活动类型；设置匹配于新活动类型的反作弊策略为针对上述目标活动构建的反作弊策略。如此，能够使反作弊策略体系得到扩充完善。

在本说明书的一个实施例中，在步骤S1100之前，还包括以下步骤S1001-S1002：

步骤S1001，监测新活动上线通知。

本实施例中，服务器1100对新活动上线通知进行监测。该新活动上线通知可以由外部操作触发，例如由商家操作触发或者由平台运营人员操作触发，也可以是在接收到完成活动配置的通知后，由内部程序触发。

本实施例中，新活动上线通知中可以包括关于活动属性的数据。

步骤S1002，在监测到通知的情况下，将所通知的新活动作为目标活动，触发执行匹配目标活动是否属于已有活动类型的操作。

通过对新活动上线通知进行监测，可以实现对目标活动的快速响应，及时制定相应的反作弊策略。

在一个实施例中，制定反作弊策略的方法能够有效识别和应对营销活动中的风险。

图3示出了本实施例中制定反作弊策略的方法实施的具体例子。如图3所示，对于新上线的目标活动，匹配该目标活动是否属于已有的活动类型。例如，假设目标活动为向新注册的用户发放现金红包的活动，且该活动属于已有活动类型中的类型Ⅰ，类型Ⅰ对应于预设的反作弊策略Ⅰ，那么将目标活动的反作弊策略设置为策略Ⅰ，基于设备聚集性、页面点击历史等维度的用户特征向量识别作弊风险。假设目标活动为邀请好友参与活动从而领取奖励的活动，且该活动不属于已有的活动类型，那么可以对该活动的设定指标，例如账户社交数据、页面点击历史等进行监控，根据监控数据确定具有显著特征的维度，例如该维度为账户社交数据表现，基于该维度的特点，基于与目标活动最相似的活动类型M的反作弊策略，加强对账户社交数据的关注，从而得到目标活动的反作弊策略N。此外，还根据目标活动获得新活动类型N，扩充已有活动类型，并将反作弊策略N作为活动类型N对应的反作弊策略。

<装置实施例>

本实施例提供制定反作弊策略的装置，该装置例如是图4所示的制定反作弊策略的装置400，该制定反作弊策略的装置400包括匹配模块410、反作弊策略设置模块420和反作弊策略构建模块430。

匹配模块410，用于匹配目标活动是否属于已有活动类型；

反作弊策略设置模块420，用于在目标活动属于已有活动类型的情况下，设置匹配于所属活动类型的反作弊策略作为目标活动的反作弊策略；

反作弊策略构建模块430，用于在目标活动不属于已有活动类型的情况下，构建目标活动的反作弊策略。

在本说明书的一个实施例中，反作弊策略构建模块430在目标活动不属于已有活动类型的情况下，还用于：在已有活动类型中增加目标活动所属的新活动类型；设置匹配于新活动类型的反作弊策略为针对目标活动构建的反作弊策略。

在本说明书的一个实施例中，制定反作弊策略的装置400还包括通知监测模块，该通知监测模块用于；监测新活动上线通知；在监测到通知的情况下，将所通知的新活动作为目标活动，触发执行匹配目标活动是否属于已有活动类型的操作。

在本说明书的一个实施例中，匹配模块410在根据所述活动属性数据，匹配所述目标活动是否属于已有活动类型时，还用于：获取目标活动的活动属性数据；根据活动属性数据，匹配目标活动是否属于已有活动类型。

在本说明书的一个实施例中，匹配模块410在根据活动属性数据，匹配目标活动是否属于已有活动类型时，还用于：获取待匹配的已有活动类型对应于设定的活动属性变量的第一活动属性特征向量；根据活动属性数据，提取目标活动的对应于活动属性变量的第二活动属性特征向量；计算第一活动属性特征向量与第二活动属性特征向量之间的匹配度；根据匹配度，获得表示目标活动是否属于已有活动类型的匹配结果。

在本说明书的一个实施例中，制定反作弊策略的装置400还包括活动属性数据获取模块，该活动属性数据获取模块用于：响应于配置目标活动的操作，提供用于输入配置信息的配置入口；响应于完成配置的通知，获取并保存通过配置入口输入的最新的配置信息，作为目标活动的活动属性数据。

在本说明书的一个实施例中，反作弊策略包括风险识别策略和风险管控策略，风险识别策略用于识别用户在对应活动中实施的领奖操作的风险等级，风险管控策略用于根据对应活动的设定指标和用户的设定指标，调整风险等级。

在本说明书的一个实施例中，制定反作弊策略的装置400还包括已有活动类型的反作弊策略生成模块，该已有活动类型的反作弊策略生成模块用于：获取参与待匹配的已有活动类型的用户的设定用户数据；针对每一用户，根据对应的用户数据提取用户特征向量；对提取到的用户特征向量进行设定的无监督学习，生成匹配于已有活动类型的反作弊策略。

在本说明书的一个实施例中，反作弊策略构建模块430在构建所述目标活动的反作弊策略时，还用于：获取目标活动相对最相似的已有活动类型的有关活动属性的区别特征向量；根据最相似的已有活动类型的反作弊策略和区别特征向量，构建目标活动的反作弊策略。

在本说明书的一个实施例中，制定反作弊策略的装置400还包括获取已有活动类型的模块，该获取已有活动类型的模块用于：提取每一已有活动的活动属性特征向量；根据活动属性特征向量，对所有的已有活动进行聚类；根据聚类结果，获得已有活动类型。

在本说明书的一个实施例中，制定反作弊策略的装置400还包括反作弊策略修正模块，该反作弊策略修正模块用于：在目标活动上线后，获取参与目标活动的用户的设定用户数据；针对每一用户，根据对应的用户数据提取用户特征向量；根据用户特征向量，修正针对目标活动构建的反作弊策略。

<设备实施例>

本实施例提供电子设备，该电子设备包括本说明书装置实施例中描述的制定反作弊策略的装置；或者，该电子设备为图5所示的电子设备500，包括：

存储器510，用于存储可执行命令。

处理器520，用于在存储器510存储的可执行命令的控制下，执行本说明书任意方法实施例中描述的方法。

在电子设备根据所执行的方法实施例的实施主体，可以是服务器，也可以是终端设备。

<风险控制系统实施例>

本实施例提供风险控制系统，该风险控制系统包括用户终端和本说明书设备实施例中描述的电子设备。

该用户终端用于：在目标活动上线后，提供参与目标活动的参与入口；响应于用户通过参与入口参与目标活动的操作，通知电子设备根据用户的用户数据和目标活动的反作弊策略，对操作进行风险识别；以及，根据电子设备进行风险识别后返回的识别结果，处理操作。

在本说明书的一个实施例中，该风险控制系统还包括商家终端，该商家终端用于获取商家发起的营销活动的属性信息，并将该属性信息发送至电子设备。

<计算机可读存储介质实施例>

本实施例提供计算机可读存储介质，该存储介质中存储有可执行命令，该可执行命令被处理器执行时，执行本说明书任意方法实施例中描述的方法。

本说明书可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本说明书的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本说明书操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以或多种编程语言的任意组合编写的源代码或目标代码，编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本说明书的各个方面。

这里参照根据本说明书实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本说明书的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本说明书的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人物来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本说明书的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人物来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人物能理解本文披露的各实施例。本说明书的范围由所附权利要求来限定。

Claims (23)

1.一种制定反作弊策略的方法，包括：

匹配目标活动是否属于已有活动类型；

在所述目标活动属于已有活动类型的情况下，设置匹配于所属活动类型的反作弊策略作为所述目标活动的反作弊策略；

在所述目标活动不属于已有活动类型的情况下，构建所述目标活动的反作弊策略，

其中，所述方法还包括生成匹配于已有活动类型的反作弊策略的步骤，包括：

获取参与待匹配的已有活动类型的用户的设定用户数据，其中，所述用户数据包括刻画用户的状态数据和刻画用户行为的数据，所述刻画用户状态的数据包括用户注册时间、账户余额、好友数量，所述刻画用户行为的数据包括用户的历史交易数据、领奖历史数据、页面点击历史数据、好友互动历史数据；

针对每一所述用户，根据对应的用户数据提取用户特征向量；

对提取到的所述用户特征向量进行设定的无监督学习，生成匹配于已有活动类型的反作弊策略。

2.根据权利要求1所述的方法，所述方法在所述目标活动不属于已有活动类型的情况下，还包括：

在已有活动类型中增加所述目标活动所属的新活动类型；

设置匹配于所述新活动类型的反作弊策略为针对所述目标活动构建的反作弊策略。

3.根据权利要求1所述的方法，还包括：

监测新活动上线通知；

在监测到所述通知的情况下，将所通知的新活动作为目标活动，触发执行所述匹配目标活动是否属于已有活动类型的操作。

4.根据权利要求1所述的方法，所述匹配目标活动是否属于已有活动类型，包括：

获取目标活动的活动属性数据；

根据所述活动属性数据，匹配所述目标活动是否属于已有活动类型。

5.根据权利要求4所述的方法，所述根据所述活动属性数据，匹配所述目标活动是否属于已有活动类型，包括：

获取待匹配的已有活动类型对应于设定的活动属性变量的第一活动属性特征向量；

根据所述活动属性数据，提取所述目标活动的对应于所述活动属性变量的第二活动属性特征向量；

计算所述第一活动属性特征向量与所述第二活动属性特征向量之间的匹配度；

根据所述匹配度，获得表示所述目标活动是否属于已有活动类型的匹配结果。

6.根据权利要求4所述的方法，还包括：

响应于配置所述目标活动的操作，提供用于输入配置信息的配置入口；

响应于完成所述配置的通知，获取并保存通过所述配置入口输入的最新的配置信息，作为所述目标活动的活动属性数据。

7.根据权利要求1所述的方法，所述反作弊策略包括风险识别策略和风险管控策略，所述风险识别策略用于识别用户在对应活动中实施的领奖操作的风险等级，所述风险管控策略用于根据所述对应活动的设定指标和所述用户的设定指标，调整所述风险等级。

8.根据权利要求1所述的方法，所述构建所述目标活动的反作弊策略，包括：

获取所述目标活动相对最相似的已有活动类型的有关活动属性的区别特征向量；

根据所述最相似的已有活动类型的反作弊策略和所述区别特征向量，构建所述目标活动的反作弊策略。

9.根据权利要求1所述的方法，所述方法还包括获得已有活动类型的步骤，包括：

提取每一已有活动的活动属性特征向量；

根据所述活动属性特征向量，对所有的已有活动进行聚类；

根据聚类结果，获得所述已有活动类型。

10.根据权利要求1至9中任一项所述的方法，所述方法在构建所述目标活动的反作弊策略后，还包括：

在所述目标活动上线后，获取参与所述目标活动的用户的设定用户数据；

针对每一所述用户，根据对应的用户数据提取用户特征向量；

根据所述用户特征向量，修正针对所述目标活动构建的反作弊策略。

11.一种制定反作弊策略的装置，包括：

匹配模块，用于匹配目标活动是否属于已有活动类型；

反作弊策略设置模块，用于在所述目标活动属于已有活动类型的情况下，设置匹配于所属活动类型的反作弊策略作为所述目标活动的反作弊策略；

反作弊策略构建模块，用于在所述目标活动不属于已有活动类型的情况下，构建所述目标活动的反作弊策略，

其中，所述装置还包括已有活动类型的反作弊策略生成模块，所述已有活动类型的反作弊策略生成模块用于：生成匹配于已有活动类型的反作弊策略，包括：

获取参与待匹配的已有活动类型的用户的设定用户数据，其中，所述用户数据包括刻画用户的状态数据和刻画用户行为的数据，所述刻画用户状态的数据包括用户注册时间、账户余额、好友数量，所述刻画用户行为的数据包括用户的历史交易数据、领奖历史数据、页面点击历史数据、好友互动历史数据；

针对每一所述用户，根据对应的用户数据提取用户特征向量；

对提取到的所述用户特征向量进行设定的无监督学习，生成匹配于已有活动类型的反作弊策略。

12.根据权利要求11所述的装置，所述反作弊策略构建模块在所述目标活动不属于已有活动类型的情况下，还用于：

在已有活动类型中增加所述目标活动所属的新活动类型；

设置匹配于所述新活动类型的反作弊策略为针对所述目标活动构建的反作弊策略。

13.根据权利要求11所述的装置，还包括通知监测模块，所述通知监测模块用于：

监测新活动上线通知；

在监测到所述通知的情况下，将所通知的新活动作为目标活动，触发执行所述匹配目标活动是否属于已有活动类型的操作。

14.根据权利要求13所述的装置，所述匹配模块在根据所述活动属性数据，匹配所述目标活动是否属于已有活动类型时，还用于：

获取目标活动的活动属性数据；

根据所述活动属性数据，匹配所述目标活动是否属于已有活动类型。

15.根据权利要求13所述的装置，所述匹配模块在根据所述活动属性数据，匹配所述目标活动是否属于已有活动类型时，还用于：

获取待匹配的已有活动类型对应于设定的活动属性变量的第一活动属性特征向量；

根据所述活动属性数据，提取所述目标活动的对应于所述活动属性变量的第二活动属性特征向量；

计算所述第一活动属性特征向量与所述第二活动属性特征向量之间的匹配度；

根据所述匹配度，获得表示所述目标活动是否属于已有活动类型的匹配结果。

16.根据权利要求14所述的装置，还包括活动属性数据获取模块，所述活动属性数据获取模块用于：

响应于配置所述目标活动的操作，提供用于输入配置信息的配置入口；

响应于完成所述配置的通知，获取并保存通过所述配置入口输入的最新的配置信息，作为所述目标活动的活动属性数据。

17.根据权利要求11所述的装置，所述反作弊策略包括风险识别策略和风险管控策略，所述风险识别策略用于识别用户在对应活动中实施的领奖操作的风险等级，所述风险管控策略用于根据所述对应活动的设定指标和所述用户的设定指标，调整所述风险等级。

18.根据权利要求11所述的装置，所述反作弊策略构建模块在构建所述目标活动的反作弊策略时，还用于：

获取所述目标活动相对最相似的已有活动类型的有关活动属性的区别特征向量；

根据所述最相似的已有活动类型的反作弊策略和所述区别特征向量，构建所述目标活动的反作弊策略。

19.根据权利要求11所述的装置，还包括获取已有活动类型的模块，所述获取已有活动类型的模块用于：

提取每一已有活动的活动属性特征向量；

根据所述活动属性特征向量，对所有的已有活动进行聚类；

根据聚类结果，获得所述已有活动类型。

20.根据权利要求11至19中任一项所述的装置，还包括反作弊策略修正模块，所述反作弊策略修正模块用于：

在所述目标活动上线后，获取参与所述目标活动的用户的设定用户数据；

针对每一所述用户，根据对应的用户数据提取用户特征向量；

根据所述用户特征向量，修正针对所述目标活动构建的反作弊策略。

21.一种电子设备，包括如权利要求11所述的装置，或者，所述电子设备包括：

存储器，用于存储可执行命令；

处理器，用于在所述可执行命令的控制下，执行如权利要求1-10中任一项所述的方法。

22.一种风险控制系统，包括用户终端和权利要求21所述的电子设备，所述用户终端用于：

在目标活动上线后，提供参与所述目标活动的参与入口；

响应于用户通过所述参与入口参与所述目标活动的操作，通知所述电子设备根据所述用户的用户数据和所述目标活动的反作弊策略，对所述操作进行风险识别；以及，

根据所述电子设备进行所述风险识别后返回的识别结果，处理所述操作。

23.一种计算机可读存储介质，存储有可执行指令，所述可执行指令被处理器执行时，执行如权利要求1-10中任一项所述的方法。

Images