CN105279674A - 移动广告投放设备作弊行为的判断方法和装置 - Google Patents

Abstract

本发明提供了一种移动广告投放设备作弊行为的判断方法和装置，该方法包括：获取待判断的移动广告投放设备中移动广告的转化数据及转化来源数据，转化数据及转化来源数据中均携带移动广告投放媒体的标识信息；将具有同一标识信息的转化数据及转化来源数据进行关联；根据关联后的转化数据和转化来源数据，提取待判断的移动广告投放设备关于移动广告的第一作弊行为特征；采集待判断的移动广告投放设备的网络信息；根据待判断的移动广告投放设备的网络信息，提取待判断的移动广告投放设备关于移动广告的多个第二作弊行为特征；根据第一作弊行为特征和第二作弊行为特征，采用优化后的逻辑回归模型确定待判断的移动广告投放设备是否为作弊设备。

Description

移动广告投放设备作弊行为的判断方法和装置

技术领域

本发明实施例涉及移动广告反作弊技术领域，尤其涉及一种移动广告投放设备作弊行为的判断方法和装置。

背景技术

移动广告是一种在移动设备平台，推广以及营销自有品牌以及应用软件的广告形式。具体形式包括：展示型广告、激励型广告等。不同的广告可以发布在不同的移动设备平台上，能让广告投放者快速的发布广告内容，不受地域、时间以及设备的限制。

在移动广告交易中，根据移动广告的结算方式，可分为按每千人次曝光计费(简称：CPM计费)，按每次点击计费(简称：CPC计费)及按转化次数计费(简称：CPA计费)等。但是针对不同的计费方式，移动广告投放媒体为了增大交易份额，获得更多的收入经常进行作弊行为。

面对移动广告投放媒体的作弊，现有的防作弊方法主要为采集移动广告投放设备对应移动广告的用户操作特征数据进行作弊行为的检测。如采集同一移动广告投放设备的广告曝光频次，广告点击频次或广告的转化频次等特征数据进行作弊行为的检测。

现有的移动广告作弊方法检测方法，由于未对移动广告的点击或转化行为进行归因分析，导致不能准确的检测出移动广告投放设备是否为作弊设备，也不能检测出作弊设备是基于哪个移动广告投放媒体进行的作弊，进而导致广告主在经济上受到损失。

发明内容

本发明实施例提供一种移动广告投放设备作弊行为的判断方法和装置，该方法能够准确的判断移动广告投放设备是否为作弊设备，实现了对作弊设备对应的移动广告投放媒体的追溯，防止了广告主在经济上受到损失。

本发明实施例提供一种移动广告投放设备作弊行为的判断方法，包括：

获取待判断的移动广告投放设备中移动广告的转化数据及转化来源数据，所述转化数据及转化来源数据中均携带移动广告投放媒体的标识信息；

将具有同一标识信息的所述转化数据及转化来源数据进行关联；

根据关联后的转化数据和转化来源数据，提取所述待判断的移动广告投放设备关于所述移动广告的第一作弊行为特征；

采集所述待判断的移动广告投放设备的网络信息；

根据所述待判断的移动广告投放设备的网络信息，提取所述待判断的移动广告投放设备关于所述移动广告的多个第二作弊行为特征；

根据所述待判断的移动广告投放设备关于所述移动广告的第一作弊行为特征和第二作弊行为特征，采用优化后的逻辑回归模型确定所述待判断的移动广告投放设备是否为作弊设备。

本发明实施例提供一种移动广告投放设备作弊行为的判断装置，包括：

获取模块，用于获取待判断的移动广告投放设备中移动广告的转化数据及转化来源数据，所述转化数据及转化来源数据中均携带移动广告投放媒体的标识信息；

关联模块，用于将具有同一标识信息的所述转化数据及转化来源数据进行关联；

提取模块，用于根据关联后的转化数据和转化来源数据，提取所述待判断的移动广告投放设备关于所述移动广告的第一作弊行为特征；

采集模块，用于采集所述待判断的移动广告投放设备的网络信息；

所述提取模块，用于根据所述待判断的移动广告投放设备的网络信息，提取所述待判断的移动广告投放设备关于所述移动广告的多个第二作弊行为特征；

确定模块，用于根据所述待判断的移动广告投放设备关于所述移动广告的第一作弊行为特征和第二作弊行为特征，采用优化后的逻辑回归模型确定所述待判断的移动广告投放设备是否为作弊设备。

本发明实施例提供一种移动广告投放设备作弊行为的判断方法和装置，该方法包括：获取待判断的移动广告投放设备中移动广告的转化数据及转化来源数据，转化数据及转化来源数据中均携带移动广告投放媒体的标识信息；将具有同一标识信息的转化数据及转化来源数据进行关联；根据关联后的转化数据和转化来源数据，提取待判断的移动广告投放设备关于移动广告的第一作弊行为特征；采集待判断的移动广告投放设备的网络信息；根据待判断的移动广告投放设备的网络信息，提取待判断的移动广告投放设备关于移动广告的多个第二作弊行为特征；根据待判断的移动广告投放设备关于移动广告的第一作弊行为特征和第二作弊行为特征，采用优化后的逻辑回归模型确定待判断的移动广告投放设备是否为作弊设备。该方法能够准确的判断移动广告投放设备是否为作弊设备，实现了对作弊设备对应的移动广告投放媒体的追溯，防止了广告主在经济上受到损失。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明移动广告投放设备作弊行为的判断方法实施例一的流程图；

图2为本发明移动广告投放设备作弊行为的判断方法实施例二的第一流程图；

图3为本发明移动广告投放设备作弊行为的判断方法实施例二的第二流程图；

图4为本发明移动广告投放设备作弊行为的判断装置实施例一的结构示意图；

图5为本发明移动广告投放设备作弊行为的判断装置实施例二的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明移动广告投放设备作弊行为的判断方法实施例一的流程图，如图1所示，本发明的执行主体为计算机或服务器等。具体可通过软件的形式实现。本实施例提供的移动广告投放设备作弊行为的判断方法包括：

步骤101，获取待判断的移动广告投放设备中移动广告的转化数据及转化来源数据，转化数据及转化来源数据中均携带移动广告投放媒体的标识信息。

本实施例中，移动广告投放设备为对移动广告进行展示，用户对移动广告进行点击或转化的设备，如可以为智能手机，平板电脑等。

本实施例中，移动广告投放媒体具体为在移动广告投放设备上安装的移动广告投放的应用软件，如可以为腾讯视频，微信，微博等。

具体地，本实施例中，将移动广告通过移动广告投放媒体投放到用户所使用的移动广告投放设备中后，在移动广告曝光或用户通过移动广告投放媒体界面点击移动广告时，移动广告投放媒体将移动广告曝光数据或移动广告点击数据上报到计算机或服务器上。该移动广告曝光数据或移动广告点击的数据为移动广告的转化来源数据。

在移动广告转化来源数据中携带移动广告投放媒体的标识信息，如可以为移动广告媒体的名称。

在转化来源数据中还携带该转化来源数据的时间信息。

本实施例中，在移动广告对应的产品中嵌入插件，当用户通过移动广告投放媒体进行转化行为时，该插件检测出该移动广告设备对应的移动广告发生了转化行为，通过插件提取出该转化数据。

举例说明为：某移动广告的转化行为为：使用户在移动广告设备上安装该移动广告中的应用程序。则在该移动广告的应用程序中嵌入插件，当用户通过移动广告安装该移动广告中的应用程序时，该插件检测出该安装行为，通过插件提取出该安装行为的转化数据。

其中，在该转化数据中携带移动广告投放媒体的标识信息。在该转化数据中还携带该转化数据的时间信息。

步骤102，将具有同一标识信息的转化数据及转化来源数据进行关联。

本实施例中，由于同一移动广告可以通过多种移动广告投放媒体投放到移动广告投放设备中。所以本实施例中，在同一移动广告投放设备中，将具有同一标识信息的转化数据及转化来源数据进行关联，以对转化数据的来源进行追溯。

本实施例中，移动广告的转化数据的转化来源数据可以为移动广告曝光数据或移动广告点击数据，或移动广告的曝光数据和点击数据。

步骤103，根据关联后的转化数据和转化来源数据，提取待判断的移动广告投放设备关于移动广告的第一作弊行为特征。

本实施例中，根据关联后的转化数据和转化来源数据，提取的移动广告投放设备关于移动广告的第一作弊行为特征可以包括：转化来源数据和转化数据之间的时间间隔。如提取的第一作弊行为特征为：曝光到转化之间的时间间隔，点击到转化的时间间隔或从曝光到点击再到转化的时间间隔。

步骤104，采集待判断的移动广告投放设备的网络信息。

本实施例中，将移动广告通过移动广告投放媒体投放到用户所使用的移动广告投放设备中后，在移动广告曝光或用户通过移动广告投放媒体界面点击移动广告时，移动广告投放媒体将发生移动广告曝光或点击的移动广告投放设备的网络信息上报到计算机或服务器上。

其中，移动广告投放设备的网络信息包括：IP地址，APMAC地址等。

本实施例中，也可通过基站列表获取该移动广告投放设备的网络信息中的移动广告投放设备对应的基站标识。

步骤105，根据待判断的移动广告投放设备的网络信息，提取待判断的移动广告投放设备关于移动广告的多个第二作弊行为特征。

本实施例中，根据移动广告投放设备的网络信息，提取的移动广告投放设备关于移动广告的第二作弊行为特征可以为IP熵，APMAC熵，IP转化频率，APMAC转化频率，设备网络联通性等。

本实施例中，也可根据移动广告投放设备的其他网络信息，提取的移动广告投放设备关于移动广告的其他第二作弊行为特征，本实施例中不做限定。

步骤106，根据待判断的移动广告投放设备关于移动广告的第一作弊行为特征和第二作弊行为特征，采用优化后的逻辑回归模型确定待判断的移动广告投放设备是否为作弊设备。

本实施例中，根据待判断的移动广告投放设备关于移动广告的第一作弊行为特征和第二作弊行为特征，以待判断的移动广告投放设备关于移动广告的第一作弊行为特征和第二作弊行为特征为输入，采用优化后的逻辑回归模型确定移动广告投放设备属于作弊设备的概率，进而确定该移动广告投放设备是否为作弊设备。

本实施例提供的移动广告投放设备作弊行为的判断方法，通过获取待判断的移动广告投放设备中移动广告的转化数据及转化来源数据，转化数据及转化来源数据中均携带移动广告投放媒体的标识信息；将具有同一标识信息的转化数据及转化来源数据进行关联；根据关联后的转化数据和转化来源数据，提取待判断的移动广告投放设备关于移动广告的第一作弊行为特征；采集待判断的移动广告投放设备的网络信息；根据待判断的移动广告投放设备的网络信息，提取待判断的移动广告投放设备关于移动广告的多个第二作弊行为特征；根据待判断的移动广告投放设备关于移动广告的第一作弊行为特征和第二作弊行为特征，采用优化后的逻辑回归模型确定待判断的移动广告投放设备是否为作弊设备。由于将转化数据和转化来源数据进行关联，将关于用户操作的第一作弊行为特征和关于移动广告投放设备本身的第二作弊行为特征共同作为优化后的逻辑回归模型的输入，所以能够准确的判断移动广告投放设备是否为作弊设备，实现了对作弊设备对应的移动广告投放媒体的追溯，防止了广告主在经济上受到损失。

图2为本发明移动广告投放设备作弊行为的判断方法实施例二的第一流程图，如图2所示，本实施例提供的移动广告投放设备作弊行为的判断方法包括：

步骤201，根据N个训练的移动广告投放设备对应移动广告的第一作弊行为特征和第二作弊行为特征，采用卷积神经网络的分类方法，确定N个训练的移动广告投放设备是否为作弊设备。

具体地，本实施例中，由于采用优化后的逻辑回归模型确定待判断的移动广告投放设备是否为作弊设备，所以首先对逻辑回归模型进行优化。

在对逻辑回归模型进行优化前，获取逻辑回归模型的训练集，由于逻辑回归模型中的训练集都为带标签的训练样本，所以首先获取到N个训练的移动广告投放设备对应移动广告的第一作弊行为特征和第二作弊行为特征。

本实施例中，获取的N个训练的移动广告投放设备对应移动广告的第一作弊行为特征和第二作弊行为特征和获取待判断的移动广告投放设备对应移动广告的第一作弊行为特征和第二作弊行为特征相同。

所以，可通过本发明移动广告投放设备作弊行为的判断方法实施例中的步骤101-步骤105相似的方法获取到N个训练的移动广告投放设备对应移动广告的第一作弊行为特征和第二作弊行为特征，在此不再一一赘述。

本实施例中，在获取到N个训练的移动广告投放设备对应移动广告的第一作弊行为特征和第二作弊行为特征后，以N个训练的移动广告投放设备对应移动广告的第一作弊行为特征和第二作弊行为特征为输入，采用卷积神经网络的分类方法，对每个移动广告投放设备的类别进行分类，确定N个训练的移动广告投放设备中的每个训练的移动广告投放设备为作弊设备还是非作弊设备。

步骤202，对N个训练的移动广告投放设备对应的第一作弊行为特征和第二作弊行为特征设置标签。

本实施例中，对N个训练的移动广告投放设备中的每个训练的移动广告投放设备确定类别后，对N个训练的移动广告投放设备对应的第一作弊行为特征和第二作弊行为特征设置标签，若某一移动广告投放设备为作弊设备，则将对应的移动广告的第一作弊行为特征和第二作弊行为特征均设置为作弊特征的标签，若某一移动广告投放设备为非作弊设备即是正常设备，则将对应的移动广告的第一作弊行为特征和第二作弊行为特征均设置为非作弊特征的标签。

步骤203，获取对逻辑回归模型进行优化的训练集，训练集中具有N个训练样本，每个训练样本包括一个训练的移动广告投放设备对应移动广告的带标签的第一作弊行为特征和第二作弊行为特征。

具体地，本实施例中，训练集中的N个训练样本表示为其中，表示第i个训练的移动广告投放设备对应的移动广告的第一作弊行为特征，表示第i个训练的移动广告投放设备对应的移动广告的多个第二作弊行为特征，y⁽ⁱ⁾表示第i个训练的移动广告投放设备对应移动广告的第一作弊行为特征和第二作弊行为特征对应的标签，本实施例中，表示作弊特征的标签可用“1”表示，表示非作弊特征的标签可用“0”表示。

步骤204，将N个带标签的训练样本输入到逻辑回归模型对应的优化函数中，求解所述优化函数的最优解，以获得所述优化后的逻辑回归模型。

本实施例中，逻辑回归模型对应的优化函数可以表示为式(1)所示：

$J\left(\mathrm{\θ}\right)=-\frac{1}{N}\[\underset{i=1}{\overset{N}{\Σ}}{y}^{\left(i\right)}{\mathrm{logh}}_{\mathrm{\θ}}\left(x^{\left(i\right)}\right)+\left(1-y^{\left(i\right)}\right)\log \left(1-h_{\mathrm{\θ}}\left(x^{\left(i\right)}\right)\right)\]---\left(1\right)$

其中，N表示训练样本的个数，y⁽ⁱ⁾表示第i个训练的移动广告投放设备对应移动广告的第一作弊行为特征和第二作弊行为特征对应的标签，h_θ(x⁽ⁱ⁾)表示第i个训练样本对应的逻辑回归模型。

其中，第i个训练样本对应的逻辑回归模型表示为式(2)所示：

$h_{\mathrm{\θ}}(x^{\left(i\right)}=g({\mathrm{\θ}}_0+{\mathrm{\θ}}_1{x}_1^{\left(i\right)}+{\mathrm{\θ}}_2{x}_2^{\left(i\right)}+...+{\mathrm{\θ}}_M{x}_M^{\left(i\right)})---\left(2\right)$

其中，θ₀至θ_M依次表示训练样本中第一作弊行为特征和多个第二作弊行为特征的权值。

其中，为g(z)函数的运算规则。

本实施例中，将N个带标签的训练样本输入到逻辑回归模型对应的优化函数中，求解所述优化函数的最小值，最小值即为该优化函数的最优解，该最优解对应的逻辑回归模型即为优化后的逻辑回归模型，该逻辑回归模型中对应的每个作弊行为特征的权值即为优化后的权值。

步骤205，获取待判断的移动广告投放设备对应移动广告的第一作弊行为特征和所述第二作弊行为特征。

本实施例中，在获取待判断的移动广告投放设备对应移动广告的第一作弊行为特征和第二作弊行为特征时，采用本发明移动广告投放设备作弊行为的判断方法实施例一中步骤101-步骤105相同的方法，在此不再一一赘述。

本实施例中，若逻辑回归模型已经为优化后的逻辑回归模型，可不执行步骤201-步骤204，直接执行步骤205。

步骤206，根据待判断的移动广告投放设备关于移动广告的第一作弊行为特征和第二作弊行为特征，采用优化后的逻辑回归模型确定待判断的移动广告投放设备是否为作弊设备。

具体地，如图3所示，本实施例中，步骤206可分为以下四个步骤执行。

步骤206a，将待判断的移动广告投放设备关于移动广告的第一作弊行为特征和第二作弊行为特征输入到优化后的逻辑回归模型中，计算待判断的移动广告投放设备属于作弊设备的概率。

本实施例中，优化后的逻辑回归模型可以表示为式(3)所示：

$h_{{\mathrm{\θ}}^{\′}}(x^{\left(i^{\′}\right)}=g({\mathrm{\θ}}_0^{\′}+{\mathrm{\θ}}_1^{\′}{x}_1^{\left(i^{\′}\right)}+{\mathrm{\θ}}_2^{\′}{x}_2^{\left(i^{\′}\right)}+...+{\mathrm{\θ}}_M^{\′}{x}_M^{\left(i^{\′}\right)})---\left(2\right)$

其中，θ′₀至θ′_M依次表示优化后的第一作弊行为特征和多个第二作弊行为特征的权值。依次表示第i′个待判断的移动广告投放设备的第一作弊行为特征和多个第二作弊行为特征。

本实施例中，计算出的待判断的移动广告投放设备属于作弊设备的概率表示为P，0≤P≤1。其中P的值越大，表示该待判断的移动广告投放设备越可能属于作弊设备，P的值越小，表示该待判断的移动广告投放设备越可能属于非作弊设备。

步骤206b，判断属于作弊设备的概率是否大于预设阈值，若是，则执行步骤206c，若否，则执行步骤206d。

本实施例中，预设阈值进行预先设定，如预设阈值表示T，可以设置为0.8或0.7等数值。

步骤206c，确定待判断的移动广告投放设备为作弊设备。

本实施例中，若属于作弊设备的概率P大于预设阈值T，即P>T，则确定待判断的移动广告投放设备为作弊设备。

步骤206d，确定待判断的移动广告投放设备为非作弊设备。

本实施例中，若属于作弊设备的概率P不大于预设阈值T，即P≤T，则确定待判断的移动广告投放设备为非作弊设备。

步骤207，在移动广告对应的已判断的移动广告投放设备中统计作弊设备。

本实施例中，可按移动广告投放媒体的标识对移动广告对应的已判断的移动广告投放设备中的作弊设备进行统计。

步骤208，向广告主输出统计结果，统计结果中包括移动广告投放媒体的标识信息，已判断的移动广告投放设备的总数，作弊设备的个数及标识信息。

本实施例中，可以将统计结果以报表的形式向广告主输出，统计结果中包括移动广告投放媒体的标识信息，已判断的移动广告投放设备的总数，作弊设备的个数及标识信息，以对进行作弊的设备及作弊的广告投放媒体进行追踪。

本实施例提供的移动广告投放设备作弊行为的判断方法，首先根据N个训练的移动广告投放设备对应移动广告的第一作弊行为特征和第二作弊行为特征，采用卷积神经网络的分类方法，确定N个训练的移动广告投放设备是否为作弊设备；对N个训练的移动广告投放设备对应的第一作弊行为特征和第二作弊行为特征设置标签，以作为逻辑回归模型进行优化的训练样本，将N个带标签的训练样本输入到逻辑回归模型对应的优化函数中，求解优化函数的最优解，以获得优化后的逻辑回归模型。将待判断移动广告投放设备关于移动广告的第一作弊行为特征和第二作弊行为特征输入到优化后的逻辑回归模型中，计算待判断的移动广告投放设备属于作弊设备的概率，确定待判断移动广告投放设备是否为作弊设备，由于以优化后的逻辑回归模型确定待判断移动广告投放设备是否为作弊设备，所以提高了确定待判断移动广告投放设备是否为作弊设备的速度。并且在移动广告对应的已判断移动广告投放设备中统计作弊设备；向广告主输出统计结果，统计结果中包括移动广告投放媒体的标识信息，已判断移动广告投放设备的总数，作弊设备的个数及标识信息，实现了对作弊设备对应的移动广告投放媒体的追溯，防止了广告主在经济上受到损失。

图4为本发明移动广告投放设备作弊行为的判断装置实施例一的结构示意图；如图4所示，本实施例提供的移动广告投放设备作弊行为的判断装置包括：获取模块401，关联模块402，提取模块403，采集模块404，确定模块405。

其中，获取模块401，用于获取待判断的移动广告投放设备中移动广告的转化数据及转化来源数据，转化数据及转化来源数据中均携带移动广告投放媒体的标识信息。关联模块402，用于将具有同一标识信息的转化数据及转化来源数据进行关联。提取模块403，用于根据关联后的转化数据和转化来源数据，提取待判断的移动广告投放设备关于移动广告的第一作弊行为特征。采集模块404，用于采集待判断的移动广告投放设备的网络信息。提取模块403，用于根据待判断的移动广告投放设备的网络信息，提取待判断的移动广告投放设备关于移动广告的多个第二作弊行为特征。确定模块405，用于根据待判断的移动广告投放设备关于移动广告的第一作弊行为特征和第二作弊行为特征，采用优化后的逻辑回归模型确定待判断的移动广告投放设备是否为作弊设备。

本实施例的移动广告投放设备作弊行为的判断装置可以执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

图5为本发明移动广告投放设备作弊行为的判断装置实施例二的结构示意图；如图5所示，本实施例提供的移动广告投放设备作弊行为的判断装置包括：获取模块501，关联模块502，提取模块503，采集模块504，确定模块505，求解模块506，设置模块507，统计模块508及输出模块509。

其中，获取模块501，用于获取待判断的移动广告投放设备中移动广告的转化数据及转化来源数据，转化数据及转化来源数据中均携带移动广告投放媒体的标识信息。关联模块502，用于将具有同一标识信息的转化数据及转化来源数据进行关联。提取模块503，用于根据关联后的转化数据和转化来源数据，提取待判断的移动广告投放设备关于移动广告的第一作弊行为特征。采集模块504，用于采集待判断的移动广告投放设备的网络信息。提取模块503，用于根据待判断的移动广告投放设备的网络信息，提取待判断的移动广告投放设备关于移动广告的多个第二作弊行为特征。确定模块505，用于根据待判断的移动广告投放设备关于移动广告的第一作弊行为特征和第二作弊行为特征，采用优化后的逻辑回归模型确定待判断的移动广告投放设备是否为作弊设备。

进一步地，获取模块501，还用于获取对逻辑回归模型进行优化的训练集，训练集中具有N个训练样本，每个训练样本包括一个训练的移动广告投放设备对应移动广告的带标签的第一作弊行为特征和第二作弊行为特征。求解模块506，用于将N个带标签的训练样本输入到逻辑回归模型对应的优化函数中，求解优化函数的最优解，以获得优化后的逻辑回归模型。

进一步地，确定模块505，还用于根据N个训练的移动广告投放设备对应移动广告的第一作弊行为特征和第二作弊行为特征，采用卷积神经网络的分类方法，确定N个训练的移动广告投放设备是否为作弊设备。设置模块507，用于对N个训练的移动广告投放设备对应的第一作弊行为特征和第二作弊行为特征设置标签。

进一步地，确定模块505，具体用于：将待判断的移动广告投放设备关于所述移动广告的第一作弊行为特征和第二作弊行为特征输入到优化后的逻辑回归模型中，计算待判断的移动广告投放设备属于作弊设备的概率；判断属于作弊设备的概率是否大于预设阈值；若属于作弊设备的概率大于预设阈值，则确定待判断的移动广告投放设备为作弊设备；若属于作弊设备的概率不大于预设阈值，则确定待判断的移动广告投放设备为非作弊设备。

进一步地，统计模块508，用于在移动广告对应的已判断的移动广告投放设备中统计作弊设备；输出模块509，用于向广告主输出统计结果，统计结果中包括移动广告投放媒体的标识信息，已判断的移动广告投放设备的总数，作弊设备的个数及标识信息。

本实施例的装置可以执行图2和图3所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种移动广告投放设备作弊行为的判断方法，其特征在于，包括：

获取待判断的移动广告投放设备中移动广告的转化数据及转化来源数据，所述转化数据及转化来源数据中均携带移动广告投放媒体的标识信息；

将具有同一标识信息的所述转化数据及转化来源数据进行关联；

根据关联后的转化数据和转化来源数据，提取所述待判断的移动广告投放设备关于所述移动广告的第一作弊行为特征；

采集所述待判断的移动广告投放设备的网络信息；

根据所述待判断的移动广告投放设备的网络信息，提取所述待判断的移动广告投放设备关于所述移动广告的多个第二作弊行为特征；

根据所述待判断的移动广告投放设备关于所述移动广告的第一作弊行为特征和第二作弊行为特征，采用优化后的逻辑回归模型确定所述待判断的移动广告投放设备是否为作弊设备。

2.根据权利要求1所述的方法，其特征在于，所述根据所述待判断的移动广告投放设备关于所述移动广告的第一作弊行为特征和第二作弊行为特征，采用优化后的逻辑回归模型确定所述待判断的移动广告投放设备是否为作弊设备之前，还包括：

获取对逻辑回归模型进行优化的训练集，所述训练集中具有N个训练样本，每个训练样本包括一个训练的移动广告投放设备对应移动广告的带标签的第一作弊行为特征和第二作弊行为特征；

将N个带标签的训练样本输入到所述逻辑回归模型对应的优化函数中，求解所述优化函数的最优解，以获得所述优化后的逻辑回归模型。

3.根据权利要求2所述的方法，其特征在于，所述获取对逻辑回归模型进行优化的训练集，所述训练集中具有N个训练样本，每个训练样本包括一个训练的移动广告投放设备对应移动广告的带标签的第一作弊行为特征和第二作弊行为特征之前，还包括：

根据N个训练的移动广告投放设备对应移动广告的第一作弊行为特征和第二作弊行为特征，采用卷积神经网络的分类方法，确定所述N个训练的移动广告投放设备是否为作弊设备；

对所述N个训练的移动广告投放设备对应的第一作弊行为特征和第二作弊行为特征设置标签。

4.根据权利要求2或3所述的方法，其特征在于，所述根据所述待判断的移动广告投放设备关于所述移动广告的第一作弊行为特征和第二作弊行为特征，采用优化后的逻辑回归模型确定所述待判断的移动广告投放设备是否为作弊设备具体包括：

将所述待判断的移动广告投放设备关于所述移动广告的第一作弊行为特征和第二作弊行为特征输入到所述优化后的逻辑回归模型中，计算所述待判断的移动广告投放设备属于作弊设备的概率；

判断所述属于作弊设备的概率是否大于预设阈值；

若所述属于作弊设备的概率大于所述预设阈值，则确定所述待判断的移动广告投放设备为作弊设备；

若所述属于作弊设备的概率不大于所述预设阈值，则确定所述待判断的移动广告投放设备为非作弊设备。

5.根据权利要求4所述的方法，其特征在于，所述根据所述待判断的移动广告投放设备关于所述移动广告的第一作弊行为特征和第二作弊行为特征，采用优化后的逻辑回归模型确定所述待判断的移动广告投放设备是否为作弊设备之后，还包括：

在所述移动广告对应的已判断的移动广告投放设备中统计作弊设备；

向广告主输出统计结果，所述统计结果中包括移动广告投放媒体的标识信息，已判断的移动广告投放设备的总数，作弊设备的个数及标识信息。

6.一种移动广告投放设备作弊行为的判断装置，其特征在于，包括：

获取模块，用于获取待判断的移动广告投放设备中移动广告的转化数据及转化来源数据，所述转化数据及转化来源数据中均携带移动广告投放媒体的标识信息；

关联模块，用于将具有同一标识信息的所述转化数据及转化来源数据进行关联；

提取模块，用于根据关联后的转化数据和转化来源数据，提取所述待判断的移动广告投放设备关于所述移动广告的第一作弊行为特征；

采集模块，用于采集所述待判断的移动广告投放设备的网络信息；

所述提取模块，用于根据所述待判断的移动广告投放设备的网络信息，提取所述待判断的移动广告投放设备关于所述移动广告的多个第二作弊行为特征；

确定模块，用于根据所述待判断的移动广告投放设备关于所述移动广告的第一作弊行为特征和第二作弊行为特征，采用优化后的逻辑回归模型确定所述待判断的移动广告投放设备是否为作弊设备。

7.根据权利要求6所述的装置，其特征在于，还包括：求解模块；

所述获取模块，还用于获取对逻辑回归模型进行优化的训练集，所述训练集中具有N个训练样本，每个训练样本包括一个训练的移动广告投放设备对应移动广告的带标签的第一作弊行为特征和第二作弊行为特征；

所述求解模块，用于将N个带标签的训练样本输入到所述逻辑回归模型对应的优化函数中，求解所述优化函数的最优解，以获得所述优化后的逻辑回归模型。

8.根据权利要求7所述的装置，其特征在于，还包括：设置模块；

所述确定模块，还用于根据N个训练的移动广告投放设备对应移动广告的第一作弊行为特征和第二作弊行为特征，采用卷积神经网络的分类方法，确定所述N个训练的移动广告投放设备是否为作弊设备；

所述设置模块，用于对所述N个训练的移动广告投放设备对应的第一作弊行为特征和第二作弊行为特征设置标签。

9.根据权利要求7或8所述的装置，其特征在于，所述确定模块，具体用于：

将所述待判断的移动广告投放设备关于所述移动广告的第一作弊行为特征和第二作弊行为特征输入到所述优化后的逻辑回归模型中，计算所述待判断的移动广告投放设备属于作弊设备的概率；判断所述属于作弊设备的概率是否大于预设阈值；若所述属于作弊设备的概率大于所述预设阈值，则确定所述待判断的移动广告投放设备为作弊设备；若所述属于作弊设备的概率不大于所述预设阈值，则确定所述待判断的移动广告投放设备为非作弊设备。

10.根据权利要求9所述的装置，其特征在于，还包括：统计模块和输出模块；

所述统计模块，用于在所述移动广告对应的已判断的移动广告投放设备中统计作弊设备；

所述输出模块，用于向广告主输出统计结果，所述统计结果中包括移动广告投放媒体的标识信息，已判断的移动广告投放设备的总数，作弊设备的个数及标识信息。