CN105354721A - 一种识别机器操作行为的方法及装置 - Google Patents
一种识别机器操作行为的方法及装置 Download PDFInfo
- Publication number
- CN105354721A CN105354721A CN201510634613.5A CN201510634613A CN105354721A CN 105354721 A CN105354721 A CN 105354721A CN 201510634613 A CN201510634613 A CN 201510634613A CN 105354721 A CN105354721 A CN 105354721A
- Authority
- CN
- China
- Prior art keywords
- user
- operation behavior
- probability
- mistiming
- occurs
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- User Interface Of Digital Computer (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种识别机器操作行为的方法,包括:获取用户操作行为数据,得到用户发生操作行为的时间;根据所述用户发生操作行为的时间生成所述用户的时间序列;根据所述用户的时间序列以及对应的用户操作行为的统计数据识别机器操作行为,所述机器操作行为用于模仿所述用户发生的操作行为。本发明实施例还公开了一种识别机器操作行为的装置。采用本发明,可有效识别在用户操作行为数据中的机器操作行为数据。
Description
技术领域
本发明涉及计算机应用技术领域,尤其涉及一种识别机器操作行为的方法及装置。
背景技术
为了使广告得到更加针对性的推广效果,需要采集并分析用户行为数据,通过采集用户对广告信息的点击量确定用户感兴趣的领域,再将该领域对应的广告推广给用户。但在采集用户行为数据时,第三方为了获取私利,会在用户行为数据的基础上添加机器行为数据,通过模仿用户行为对特定广告制造点击量,为特定广告提高点击量,增加广告的推广率。现有技术中对采集到的用户行为数据进行分析,判断用户行为数据是否为机器行为数据。例如,以用户行为数据为点击量为例,当单个用户在预设单位时间内统计的点击量超过预设点击量时,现有技术则可认为该用户的行为数据属于机器行为数据;或者,当发现预设时间内多个用户访问的广告信息顺序均相同时,现有技术则可认为这多个用户的行为数据属于机器行为数据;或者,现有技术通过采集单个用户在预设时间间隔内访问广告信息的发生所在地确定该用户的行为数据属于机器行为数据,例如,若单个用户在一小时内分别在北京和上海访问广告信息,则认为该用户的行为数据属于机器行为数据。然而,上述方法在第三方的刻意避免下,能将机器行为模仿得即为合理,导致现有技术无法有效识别出参杂在用户行为数据中的机器行为数据,影响了广告的最终推广效果。
发明内容
本发明提供一种识别机器操作行为的方法及装置,可有效识别在用户操作行为数据中的机器操作行为数据。
本发明第一方面提供一种识别机器操作行为的方法,包括:
获取用户操作行为数据,得到用户发生操作行为的时间;
根据所述用户发生操作行为的时间生成所述用户的时间序列;
根据所述用户的时间序列以及对应的用户操作行为的统计数据识别机器操作行为,所述机器操作行为用于模仿所述用户发生的操作行为。
结合本发明第一方面的实现方式,在本发明第一方面的第一种可能的实现方式中,所述根据所述用户的时间序列以及对应的用户操作行为的统计数据识别机器操作行为,包括:
根据所述用户的时间序列计算所述用户发生操作行为的相邻时间之间的时间差;
统计所述时间差对应的用户发生操作行为的次数;
根据所述时间差以及所述时间差对应的用户发生操作行为的次数生成关系曲线;
获取所述关系曲线中出现峰值的用户发生操作行为的第一次数,根据所述第一次数识别所述机器操作行为。
结合本发明第一方面的第一种可能的实现方式,在本发明第一方面的第二种可能的实现方式中,所述根据所述第一次数识别所述机器操作行为,包括:
根据所述关系曲线以及所述第一次数确定对应的第一时间差;
根据所述关系曲线以及所述第一时间差得到所述第一次数的理论值;
根据所述第一次数以及所述第一次数与所述第一次数的理论值的差值计算所述第一次数中非用户发生操作行为的概率,所述第一次数与所述第一次数的理论值的差值为所述非用户发生操作行为的次数;
若所述非用户发生操作行为的概率大于或等于预设概率,则确定所述非用户操作行为为所述机器操作行为。
结合本发明第一方面的第二种可能的实现方式,在本发明第一方面的第三种可能的实现方式中,若所述关系曲线中出现至少两个峰值,则确定所述非用户操作行为为所述机器操作行为之前,所述方法还包括:
根据所述各个峰值的非用户发生操作行为的概率计算第一非用户发生操作行为的概率,所述第一非用户发生操作行为的概率为任意出现在所述各个峰值对应的时间差的概率;
所述若所述非用户发生操作行为的概率大于或等于预设概率,则确定所述非用户操作行为为所述机器操作行为,包括:
若所述第一非用户发生操作行为的概率大于或等于所述预设概率,则确定所述第一非用户发生操作行为为所述机器操作行为。
结合本发明第一方面的实现方式,在本发明第一方面的第四种可能的实现方式中,所述根据所述用户的时间序列以及对应的用户操作行为的统计数据识别机器操作行为,包括:
根据所述用户的时间序列计算所述用户发生操作行为的相邻时间之间的第二时间差;
根据所述第二时间差计算所述用户的时间序列的标准差;
若所述用户的时间序列的标准差小于预设标准差,则确定所述用户发生的操作行为为所述机器操作行为。
本发明第二方面提供一种识别机器操作行为的装置,包括:
获取模块,用于获取用户操作行为数据,得到用户发生操作行为的时间;
生成模块,用于根据所述获取模块获取的用户发生操作行为的时间生成所述用户的时间序列;
识别模块,用于根据所述生成模块生成的用户的时间序列以及对应的用户操作行为的统计数据识别机器操作行为,所述机器操作行为用于模仿所述用户发生的操作行为。
结合本发明第二方面的实现方式,在本发明第二方面的第一种可能的实现方式中,所述识别模块包括:
第一计算单元,用于根据所述用户的时间序列计算所述用户发生操作行为的相邻时间之间的时间差;
统计单元,用于统计所述第一计算单元计算的时间差对应的用户发生操作行为的次数;
生成单元,用于根据所述第一计算单元计算的时间差以及所述统计单元统计的所述时间差对应的用户发生操作行为的次数生成关系曲线;
识别单元,用于获取所述关系曲线中出现峰值的用户发生操作行为的第一次数,根据所述第一次数识别所述机器操作行为。
结合本发明第二方面的第一种可能的实现方式,在本发明第二方面的第二种可能的实现方式中,所述识别单元,包括:
第一确定子单元,用于根据所述关系曲线以及所述第一次数确定对应的第一时间差;
得到子单元,用于根据所述关系曲线以及所述第一时间差得到所述第一次数的理论值;
计算子单元,用于根据所述第一次数以及所述第一次数与所述第一次数的理论值的差值计算所述第一次数中非用户发生操作行为的概率,所述第一次数与所述第一次数的理论值的差值为所述非用户发生操作行为的次数;
第二确定子单元,用于若所述非用户发生操作行为的概率大于或等于预设概率,则确定所述非用户操作行为为所述机器操作行为。
结合本发明第二方面的第二种可能的实现方式,在本发明第二方面的第三种可能的实现方式中,所述计算子单元,还用于根据所述各个峰值的非用户发生操作行为的概率计算第一非用户发生操作行为的概率,所述第一非用户发生操作行为的概率为任意出现在所述各个峰值对应的时间差的概率;
所述第二确定子单元,还用于若所述第一非用户发生操作行为的概率大于或等于所述预设概率,则确定所述第一非用户发生操作行为为所述机器操作行为。
结合本发明第二方面的实现方式,在本发明第二方面的第四种可能的实现方式中,所述识别模块包括:
第二计算单元,用于根据所述用户的时间序列计算所述用户发生操作行为的相邻时间之间的第二时间差;
所述第二计算单元,还用于根据所述第二时间差计算所述用户的时间序列的标准差;
确定单元,用于若所述用户的时间序列的标准差小于预设标准差,则确定所述用户发生的操作行为为所述机器操作行为。
采用本发明,采用本发明实施例,可通过获取用户操作行为数据,得到用户发生操作行为的时间,根据所述用户发生操作行为的时间生成所述用户的时间序列,根据所述用户的时间序列以及对应的用户操作行为的统计数据识别机器操作行为,可有效识别在用户操作行为数据中的机器操作行为数据,提高了数据分析的准确性,使广告推广更富有针对性,加深了广告的推广效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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是本发明实施例的一种识别机器操作行为的方法的一实施例的流程示意图;
图2是本发明实施例的一种识别机器操作行为的方法的另一实施例的流程示意图;
图3是本发明实施例的一种识别机器操作行为的方法的另一实施例的关系曲线示意图;
图4是本发明实施例的一种识别机器操作行为的方法的另一实施例的流程示意图;
图5是本发明实施例的一种识别机器操作行为的方法的另一实施例的流程示意图;
图6是本发明实施例的一种识别机器操作行为的装置的结构示意图;
图7是本发明实施例的另一种识别机器操作行为的装置的结构示意图。
具体实施方式
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作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。
采用本发明实施例,可有效识别在用户操作行为数据中的机器操作行为数据。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1,图1是本发明实施例的一种识别机器操作行为的方法的一实施例的流程示意图。本发明实施例可通过中央处理器(CPU,CentralProcessingUnit)来实现。其处理器可应用于手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(MID,mobileinternetdevice)、可穿戴设备(例如智能手表(如iwatch等)、智能手环、计步器等)或其他可对数据进行分析解读的终端设备。
如图1所示,图1是本发明实施例的一种识别机器操作行为的方法的一实施例的流程示意图。
S100,获取用户操作行为数据,得到用户发生操作行为的时间。
具体实现中,处理器可获取所有用户的操作行为数据,从所有用户的操作行为数据中筛选出用户发生操作行为的时间。
作为一种可实施的方式,处理器可根据用户特征对所有用户的操作行为数据进行分类,筛选出用户发生操作行为的时间,用户特征例如可为用户的身份标识(id,identification),身份标识例如可为用户账号、用户生物特征信息等能区分用户身份的信息。
S101,根据所述用户发生操作行为的时间生成所述用户的时间序列。
具体实现中,在处理器获取到用户发生操作行为的时间后,将用户发生操作行为的时间进行排序,生成用户的时间序列。例如,以处理器获取到的用户操作行为数据包括a用户的操作行为数据为例,处理器根据用户操作行为数据分别按照用户账号进行分类,得到其中一个用户(例如a用户)发生操作行为的时间,此时处理器可分别根据a用户发生操作行为的时间生成a用户的时间序列。
S102,根据所述用户的时间序列以及对应的用户操作行为的统计数据识别机器操作行为,所述机器操作行为用于模仿所述用户发生的操作行为。
具体实现中,处理器可根据用户的时间序列以及对应的用户操作行为的统计数据识别出机器操作行为,其中,机器操作行为用于模仿用户发生的操作行为,以提高用户发生操作行为的次数。具体的,处理器可根据a用户的时间序列以及对应的用户操作行为的统计数据识别出所有用户发生的操作行为中参杂的机器操作行为,或者,处理器可分别根据a用户的时间序列以及对应的用户操作行为的统计数据识别出a用户发生的操作行为中参杂的机器操作行为。其中,对应的用户操作行为的统计数据可为所述机器操作行为参杂在用户发生的操作行为中的概率,或者,对应的用户操作行为的统计数据可为用户的时间序列的标准差。
采用本发明实施例,可通过获取用户操作行为数据,得到用户发生操作行为的时间,根据所述用户发生操作行为的时间生成所述用户的时间序列,根据所述用户的时间序列以及对应的用户操作行为的统计数据识别机器操作行为,可有效识别在用户操作行为数据中的机器操作行为数据,提高了数据分析的准确性,使广告推广更富有针对性,加深了广告的推广效果。
请参阅图2,图2是本发明实施例的一种识别机器操作行为的方法的另一实施例的流程示意图。
如图2所示,本发明实施例的一种识别机器操作行为的方法的另一实施例可以包括以下步骤。
S200,获取用户操作行为数据,得到用户发生操作行为的时间。
具体实现中,处理器可获取所有用户的操作行为数据,从所有用户的操作行为数据中筛选出用户发生操作行为的时间。
作为一种可实施的方式,处理器可根据用户特征对所有用户的操作行为数据进行分类,筛选出用户发生操作行为的时间,用户特征例如可为用户的身份标识,身份标识例如可为用户账号、用户生物特征信息等能区分用户身份的信息。
S201,根据所述用户发生操作行为的时间生成所述用户的时间序列。
具体实现中,在处理器获取到用户发生操作行为的时间后,将用户发生操作行为的时间进行排序,生成用户的时间序列。例如,以处理器获取到的用户操作行为数据包括a用户、b用户以及c用户的操作性数据为例,处理器根据用户操作行为数据分别按照用户账号进行分类,得到a用户、b用户以及c用户的操作行为的时间,此时处理器可分别根据a用户、b用户以及c用户发生操作行为的时间生成a用户、b用户以及c用户的时间序列。
S202,根据所述用户的时间序列计算所述用户发生操作行为的相邻时间之间的时间差。
具体实现中,处理器生成a用户、b用户以及c用户的时间序列之后,分别计算a用户、b用户以及c用户发生操作行为的相邻时间之间的时间差。例如,处理器获取a用户发生操作行为的时间为8:00:00、8:00:01、8:00:08、8:01:08、8:04:00、8:09:01,其相邻时间的时间差分别为1秒、7秒、60秒、172秒以及301秒;b用户发生操作行为的时间为7:55:09、8:05:00、8:14:51、8:24:42、8:34:33、8:44:24,其相邻时间的时间差分别为591秒、591秒、591秒、591秒以及591秒;c用户发生操作行为的时间为8:00:00、8:00:01、8:00:02、8:00:09、8:01:09、8:01:10,其相邻时间的时间差分别为1秒、1秒、7秒、60秒以及1秒。
S203,统计所述时间差对应的用户发生操作行为的次数。
具体实现中,处理器获取每个用户发生操作行为的时间之间的时间差,并统计出各个时间差对应的所有用户发生操作行为的次数。例如,由上述步骤可知,时间差为1秒的用户发生操作行为的次数为4,时间差为7秒的用户发生操作行为的次数为2,时间差为60秒的用户发生操作行为的次数为2,时间差为172秒的用户发生操作行为的次数为1,时间差为301秒的用户发生操作行为的次数为1,而时间差为591秒的用户发生操作行为的次数则为5。
S204,根据所述时间差以及所述时间差对应的用户发生操作行为的次数生成关系曲线。
具体实现中,可以时间差作为横坐标,时间差对应的用户发生操作行为的次数为纵坐标生成关系曲线,以处理器获取多个用户操作行为数据为例,如图3所示为处理器根据时间差以及时间差对应的用户发生操作行为的次数生成的关系曲线示意图,由图3可获知关系曲线图近似呈泊松分布(PoissonDistribution)。泊松分布是一种统计与概率学里常见到的离散概率分布,适用于描述单位时间内随机事件发生的次数。对于本发明,泊松分布则用于描述在统计出的时间差内用户发生操作行为的次数。
S205,获取所述关系曲线中出现峰值的用户发生操作行为的第一次数。
具体实现中,可在图3的关系曲线图中获取出现峰值的用户发生操作行为的第一次数的实际值。泊松分布的特点是当出现第一个峰值之后,随着横坐标值的增加曲线逐渐平缓地下降,当在曲线的平缓下降过程中出现其他峰值时,则可判定该峰值对应的用户发生操作行为的次数中存在机器操作行为。例如,处理器可获取图3中的其中一个峰值的用户发生操作行为的第一次数的实际值为110000。
作为一种可实施的方式,步骤S205既可在步骤S206之前执行,也可在步骤S208之前执行,本实施例则不再赘述。
S206,根据所述关系曲线以及所述第一次数确定对应的第一时间差。
具体实现中,可在如图3所示的关系曲线图中查找与第一次数对应的第一时间差。例如,处理器获取到其中一个峰值的用户发生操作行为的第一次数的实际值为110000之后,获取对应的横坐标的时间差大约为30分钟。
S207,根据所述关系曲线以及所述第一时间差得到所述第一次数的理论值。
具体实现中,处理器可根据关系曲线求得关系曲线对应的概率函数再根据获取到的横坐标的时间差30分钟以及求得的概率函数得到用户发生操作行为的第一次数的理论值。根据概率函数计算用户发生操作行为的第一次数的理论值为现有技术,本实施例则不再赘述。
S208,根据所述第一次数以及所述第一次数与所述第一次数的理论值的差值计算所述第一次数中非用户发生操作行为的概率,所述第一次数与所述第一次数的理论值的差值为所述非用户发生操作行为的次数。
具体实现中,当处理器分别得到第一次数的实际值和理论值之后,计算第一次数的实际值与理论值之间的差值,其中,第一次数的实际值与理论值之间的差值为非用户发生操作行为的次数,再根据第一次数和第一次数的实际值与理论值之间的差值计算非用户发生操作行为的概率。
S209,若所述非用户发生操作行为的概率大于或等于预设概率,则确定所述非用户操作行为为所述机器操作行为。
具体实现中,在处理器计算出非用户发生操作行为的概率之后,将非用户发生操作行为的概率与预设概率进行比较,若非用户发生操作行为的概率大于或等于预设概率,则确定非用户发生的操作行为是机器操作行为,并确定非用户发生操作行为的概率即为机器发生操作行为的概率。由于第一次数的实际值与理论值之间的差值为非用户发生操作行为的次数,因此也可确定第一次数的实际值与理论值之间的差值即为机器发生操作行为的次数。
作为一种可实施的方式,若非用户发生操作行为的概率小于预设概率,则认为非用户发生的操作行为的次数在可分析的范围之内,例如图3中1秒的时间差出现的峰值就在可分析的范围之内,处理器即可根据1秒的时间差出现的峰值对应的用户发生操作行为的次数进行统计分析。
采用本发明实施例,通过获取用户发生操作行为的相邻时间之间的时间差以及时间差对应的用户发生操作行为的次数生成关系曲线,利用关系曲线中出现异常的峰值计算第一次数中非用户发生操作行为的概率,根据计算出的概率来判定非用户发生操作行为为机器操作行为,可有效识别在用户操作行为数据中的机器操作行为数据,提高了数据分析的准确性,使广告推广更富有针对性,加深了广告的推广效果。
请参阅图4,图4是本发明实施例的一种识别机器操作行为的方法的另一实施例的流程示意图。图4实施例在图3的基础上进行进一步改进,通过计算单个峰值中非用户发生操作行为的概率计算至少两个峰值中多有非用户发生操作行为的概率,下面将进行详细说明。
如图4所示,本发明实施例的一种识别机器操作行为的方法的另一实施例可以包括以下步骤。
S400,获取用户操作行为数据,得到用户发生操作行为的时间。
S401,根据所述用户发生操作行为的时间生成所述用户的时间序列。
S402,根据所述用户的时间序列计算所述用户发生操作行为的相邻时间之间的时间差。
S403,统计所述时间差对应的用户发生操作行为的次数。
S404,根据所述时间差以及所述时间差对应的用户发生操作行为的次数生成关系曲线。
S405,获取所述关系曲线中出现峰值的用户发生操作行为的第一次数。
S406,根据所述关系曲线以及所述第一次数确定对应的第一时间差。
S407,根据所述关系曲线以及所述第一时间差得到所述第一次数的理论值。
S408,根据所述第一次数以及所述第一次数与所述第一次数的理论值的差值计算所述第一次数中非用户发生操作行为的概率,所述第一次数与所述第一次数的理论值的差值为所述非用户发生操作行为的次数。
具体实现中,本实施例的步骤S400至步骤S408可详见实施例图2的步骤S200至步骤S208,本实施例则不再赘述。
S409,若所述关系曲线中出现至少两个峰值,则根据所述各个峰值的非用户发生操作行为的概率计算第一非用户发生操作行为的概率,所述第一非用户发生操作行为的概率为任意出现在所述各个峰值对应的时间差的概率。
具体实现中,如图3所示,若在关系曲线中出现至少两个峰值,例如横坐标的时间差在10分钟、20分钟以及30分钟时分别出现了峰值,则处理器可分别获取时间差在10分钟、20分钟以及30分钟对应的用户发生操作行为的第二次数,再按照步骤S205至步骤S208的计算方式分别计算时间差在10分钟、20分钟以及30分钟的非用户发生操作行为的概率P10,P20以及P30。最后,将概率P10,P20以及P30代入公式P=1-Π(1-Pi),(P为第一非用户发生操作行为的概率,Pi为各个峰值对应的时间差的非用户发生操作行为的概率,Π为连乘符号),得到的第一非用户发生操作行为的概率为P=1-(1-P10)·(1-P20)·(1-P30)。其中,第一非用户发生操作行为的概率为任意出现在时间差为10分钟、20分钟以及30分钟的概率。
S410,若所述第一非用户发生操作行为的概率大于或等于所述预设概率,则确定所述第一非用户发生操作行为为所述机器操作行为。
具体实现中,若第一非用户发生操作行为的概率P大于或等于所述预设概率,则确定第一非用户发生的操作行为是机器操作行为,并确定第一非用户发生操作行为的概率即为机器发生操作行为的概率。而机器发生操作行为的次数则可通过第一非用户发生操作行为的概率P以及所有峰值的用户发生操作行为的次数之和求得,例如根据时间差在10分钟、20分钟以及30分钟的用户发生操作行为的次数之和以及第一非用户发生操作行为的概率P得到机器发生操作行为的次数。
作为一种可实施的方式,若第一非用户发生操作行为的概率小于预设概率,则认为第一非用户发生的操作行为的次数在可分析的范围之内,例如图3中1秒的时间差出现的峰值就在可分析的范围之内,处理器即可根据1秒的时间差出现的峰值对应的用户发生操作行为的次数进行统计分析。
采用本发明实施例,通过获取用户发生操作行为的相邻时间之间的时间差以及时间差对应的用户发生操作行为的次数生成关系曲线,利用关系曲线中出现异常的各个峰值的非用户发生操作行为的概率计算第一非用户发生操作行为的概率,所述第一非用户发生操作行为的概率为任意出现在所述各个峰值对应的时间差的概率,根据计算出的概率来判定第一非用户发生操作行为为机器操作行为,可有效识别在用户操作行为数据中的机器操作行为数据,提高了数据分析的准确性,使广告推广更富有针对性,加深了广告的推广效果。
请参阅图5,图5是本发明实施例的一种识别机器操作行为的方法的另一实施例的流程示意图。
如图5所示,本发明实施例的一种识别机器操作行为的方法的另一实施例可以包括以下步骤。
S500,获取用户操作行为数据,得到用户发生操作行为的时间。
具体实现中,处理器可获取所有用户的操作行为数据,从所有用户的操作行为数据中筛选出用户发生操作行为的时间。例如,处理器获取a用户发生操作行为的时间为8:00:00、8:00:01、8:00:08、8:01:08、8:04:00、8:09:01;处理器获取b用户发生操作行为的时间为7:55:09、8:05:00、8:14:51、8:24:42、8:34:33、8:44:24。
S501,根据所述用户发生操作行为的时间生成所述用户的时间序列。
具体实现中,处理器根据a用户发生操作行为的时间生成a用户的时间序列。处理器根据b用户发生操作行为的时间生成b用户的时间序列。
S502,根据所述用户的时间序列计算所述用户发生操作行为的相邻时间之间的第二时间差。
具体实现中,处理器根据a用户的时间序列计算相邻时间的时间差分别为1秒、7秒、60秒、172秒以及301秒,根据b用户的时间序列计算相邻时间的时间差分别为591秒、591秒、591秒、591秒以及591秒。
S503,根据所述第二时间差计算所述用户的时间序列的标准差。
具体实现中,处理器可利用标准差公式计算用户的时间序列的标准差,其标准差公式为其中,∑为连加运算,μ=(∑Xj)/N,N为用户发生操作行为的时间点的总数,Xj为用户的时间序列中的第i个第二时间差(0<j<N)。当处理器计算a用户的时间序列的标准差时,则得知N=6,μ=(X1+X2+X3+X4+X5)/N=(1+7+60+172+301)/6≈90,再根据N、Xj以及计算得到的μ计算标准差σ。因此得到a用户的时间序列的标准差为σa≈106,b用户的时间序列的标准差为σb=0。其中,计算b用户的时间序列的标准差以及a用户的时间序列的标准差的方法相同,本实施例则不再赘述。
S504,若所述用户的时间序列的标准差小于预设标准差,则确定所述用户发生的操作行为为所述机器操作行为。
具体实现中,若用户的时间序列的标准差小于预设标准差,表示该用户发生操作行为的时间趋于稳定,则可确定该用户发生的操作行为为机器操作行为。例如b用户的时间序列的标准差为σb=0,则确定b用户发生的操作行为为机器操作行为。
采用本发明实施例,通过计算用户发生操作行为的时间序列的标准差判断用户发生操作行为是否为机器操作行为,可有效识别在用户操作行为数据中的机器操作行为数据,提高了数据分析的准确性,使广告推广更富有针对性,加深了广告的推广效果。
请参阅图6,图6是本发明实施例的一种识别机器操作行为的装置的结构示意图。如图6所示的识别机器操作行为的装置包括获取模块600、生成模块601以及识别模块602。
获取模块600,用于获取用户操作行为数据,得到用户发生操作行为的时间;
生成模块601,用于根据所述获取模块600获取的用户发生操作行为的时间生成所述用户的时间序列;
识别模块602,用于根据所述生成模块601生成的用户的时间序列以及对应的用户操作行为的统计数据识别机器操作行为,所述机器操作行为用于模仿所述用户发生的操作行为。
具体实现中,处理器可获取所有用户的操作行为数据,从所有用户的操作行为数据中筛选出用户发生操作行为的时间。
作为一种可实施的方式,处理器可根据用户特征对所有用户的操作行为数据进行分类,筛选出用户发生操作行为的时间,用户特征例如可为用户的身份标识,身份标识例如可为用户账号、用户生物特征信息等能区分用户身份的信息。
具体实现中,在处理器获取到用户发生操作行为的时间后,将用户发生操作行为的时间进行排序,生成用户的时间序列。例如,以处理器获取到的用户操作行为数据包括a用户、b用户以及c用户的操作行为数据为例,处理器根据用户操作行为数据分别按照用户账号进行分类,得到a用户、b用户以及c用户发生操作行为的时间,此时处理器可分别根据a用户、b用户以及c用户发生操作行为的时间生成a用户、b用户以及c用户的时间序列。
具体实现中,处理器可根据用户的时间序列以及对应的用户操作行为的统计数据识别出机器操作行为,其中,机器操作行为用于模仿用户发生的操作行为,以提高用户发生操作行为的次数。具体的,处理器可根据a用户、b用户以及c用户的时间序列以及对应的用户操作行为的统计数据识别出所有用户发生的操作行为中参杂的机器操作行为,或者,处理器可分别根据a用户、b用户以及c用户的时间序列以及对应的用户操作行为的统计数据识别出a用户、b用户以及c用户发生的操作行为中参杂的机器操作行为。其中,对应的用户操作行为的统计数据可为所述机器操作行为参杂在用户发生的操作行为中的概率,或者,对应的用户操作行为的统计数据可为用户的时间序列的标准差。
作为一种可实施的方式,如图7所示,所述识别模块602包括第一计算单元6020、统计单元6021、生成单元6022以及识别单元6023。
第一计算单元6020,用于根据所述用户的时间序列计算所述用户发生操作行为的相邻时间之间的时间差;
统计单元6021,用于统计所述第一计算单元6020计算的时间差对应的用户发生操作行为的次数;
生成单元6022,用于根据所述第一计算单元6020计算的时间差以及所述统计单元6021统计的所述时间差对应的用户发生操作行为的次数生成关系曲线;
识别单元6023,用于获取所述关系曲线中出现峰值的用户发生操作行为的第一次数,根据所述第一次数识别所述机器操作行为。
作为一种可实施的方式,所述识别单元6023,包括第一确定子单元(未图示)、得到子单元(未图示)、计算子单元(未图示)以及第二确定子单元(未图示)。
第一确定子单元(未图示),用于根据所述关系曲线以及所述第一次数确定对应的第一时间差;
得到子单元(未图示),用于根据所述关系曲线以及所述第一时间差得到所述第一次数的理论值;
计算子单元(未图示),用于根据所述第一次数以及所述第一次数与所述第一次数的理论值的差值计算所述第一次数中非用户发生操作行为的概率,所述第一次数与所述第一次数的理论值的差值为所述非用户发生操作行为的次数;
第二确定子单元(未图示),用于若所述非用户发生操作行为的概率大于或等于预设概率,则确定所述非用户操作行为为所述机器操作行为。
作为一种可实施的方式,所述计算子单元(未图示),还用于根据所述各个峰值的非用户发生操作行为的概率计算第一非用户发生操作行为的概率,所述第一非用户发生操作行为的概率为任意出现在所述各个峰值对应的时间差的概率;
所述第二确定子单元,还用于若所述第一非用户发生操作行为的概率大于或等于所述预设概率,则确定所述第一非用户发生操作行为为所述机器操作行为。
作为一种可实施的方式,如图7所示,所述识别模块602包括第二计算单元6024以及确定单元6025。
第二计算单元6024,用于根据所述用户的时间序列计算所述用户发生操作行为的相邻时间之间的第二时间差;
所述第二计算单元6024,还用于根据所述第二时间差计算所述用户的时间序列的标准差;
确定单元6025,用于若所述用户的时间序列的标准差小于预设标准差,则确定所述用户发生的操作行为为所述机器操作行为。
具体实现中,上述模块、单元或子单元的具体实施例可详见实施例图2至图5,本实施例则不再赘述。
采用本发明实施例,可通过获取用户操作行为数据,得到用户发生操作行为的时间,根据所述用户发生操作行为的时间生成所述用户的时间序列,根据所述用户的时间序列以及对应的用户操作行为的统计数据识别机器操作行为,可有效识别在用户操作行为数据中的机器操作行为数据,提高了数据分析的准确性,使广告推广更富有针对性,加深了广告的推广效果。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种识别机器操作行为的方法,其特征在于,包括:
获取用户操作行为数据,得到用户发生操作行为的时间;
根据所述用户发生操作行为的时间生成所述用户的时间序列;
根据所述用户的时间序列以及对应的用户操作行为的统计数据识别机器操作行为,所述机器操作行为用于模仿所述用户发生的操作行为。
2.根据权利要求1所述的方法,其特征在于,所述根据所述用户的时间序列以及对应的用户操作行为的统计数据识别机器操作行为,包括:
根据所述用户的时间序列计算所述用户发生操作行为的相邻时间之间的时间差;
统计所述时间差对应的用户发生操作行为的次数;
根据所述时间差以及所述时间差对应的用户发生操作行为的次数生成关系曲线;
获取所述关系曲线中出现峰值的用户发生操作行为的第一次数,根据所述第一次数识别所述机器操作行为。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一次数识别所述机器操作行为,包括:
根据所述关系曲线以及所述第一次数确定对应的第一时间差;
根据所述关系曲线以及所述第一时间差得到所述第一次数的理论值;
根据所述第一次数以及所述第一次数与所述第一次数的理论值的差值计算所述第一次数中非用户发生操作行为的概率,所述第一次数与所述第一次数的理论值的差值为所述非用户发生操作行为的次数;
若所述非用户发生操作行为的概率大于或等于预设概率,则确定所述非用户操作行为为所述机器操作行为。
4.根据权利要求3所述的方法,其特征在于,若所述关系曲线中出现至少两个峰值,则确定所述非用户操作行为为所述机器操作行为之前,所述方法还包括:
根据所述各个峰值的非用户发生操作行为的概率计算第一非用户发生操作行为的概率,所述第一非用户发生操作行为的概率为任意出现在所述各个峰值对应的时间差的概率;
所述若所述非用户发生操作行为的概率大于或等于预设概率,则确定所述非用户操作行为为所述机器操作行为,包括:
若所述第一非用户发生操作行为的概率大于或等于所述预设概率,则确定所述第一非用户发生操作行为为所述机器操作行为。
5.根据权利要求1所述的方法,其特征在于,所述根据所述用户的时间序列以及对应的用户操作行为的统计数据识别机器操作行为,包括:
根据所述用户的时间序列计算所述用户发生操作行为的相邻时间之间的第二时间差;
根据所述第二时间差计算所述用户的时间序列的标准差;
若所述用户的时间序列的标准差小于预设标准差,则确定所述用户发生的操作行为为所述机器操作行为。
6.一种识别机器操作行为的装置,其特征在于,包括:
获取模块,用于获取用户操作行为数据,得到用户发生操作行为的时间;
生成模块,用于根据所述获取模块获取的用户发生操作行为的时间生成所述用户的时间序列;
识别模块,用于根据所述生成模块生成的用户的时间序列以及对应的用户操作行为的统计数据识别机器操作行为,所述机器操作行为用于模仿所述用户发生的操作行为。
7.根据权利要求6所述的装置,其特征在于,所述识别模块包括:
第一计算单元,用于根据所述用户的时间序列计算所述用户发生操作行为的相邻时间之间的时间差;
统计单元,用于统计所述第一计算单元计算的时间差对应的用户发生操作行为的次数;
生成单元,用于根据所述第一计算单元计算的时间差以及所述统计单元统计的所述时间差对应的用户发生操作行为的次数生成关系曲线;
识别单元,用于获取所述关系曲线中出现峰值的用户发生操作行为的第一次数,根据所述第一次数识别所述机器操作行为。
8.根据权利要求7所述的装置,其特征在于,所述识别单元,包括:
第一确定子单元,用于根据所述关系曲线以及所述第一次数确定对应的第一时间差;
得到子单元,用于根据所述关系曲线以及所述第一时间差得到所述第一次数的理论值;
计算子单元,用于根据所述第一次数以及所述第一次数与所述第一次数的理论值的差值计算所述第一次数中非用户发生操作行为的概率,所述第一次数与所述第一次数的理论值的差值为所述非用户发生操作行为的次数;
第二确定子单元,用于若所述非用户发生操作行为的概率大于或等于预设概率,则确定所述非用户操作行为为所述机器操作行为。
9.根据权利要求8所述的装置,其特征在于,
所述计算子单元,还用于根据所述各个峰值的非用户发生操作行为的概率计算第一非用户发生操作行为的概率,所述第一非用户发生操作行为的概率为任意出现在所述各个峰值对应的时间差的概率;
所述第二确定子单元,还用于若所述第一非用户发生操作行为的概率大于或等于所述预设概率,则确定所述第一非用户发生操作行为为所述机器操作行为。
10.根据权利要求6所述的装置,其特征在于,所述识别模块包括:
第二计算单元,用于根据所述用户的时间序列计算所述用户发生操作行为的相邻时间之间的第二时间差;
所述第二计算单元,还用于根据所述第二时间差计算所述用户的时间序列的标准差;
确定单元,用于若所述用户的时间序列的标准差小于预设标准差,则确定所述用户发生的操作行为为所述机器操作行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510634613.5A CN105354721B (zh) | 2015-09-29 | 2015-09-29 | 一种识别机器操作行为的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510634613.5A CN105354721B (zh) | 2015-09-29 | 2015-09-29 | 一种识别机器操作行为的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105354721A true CN105354721A (zh) | 2016-02-24 |
CN105354721B CN105354721B (zh) | 2019-09-06 |
Family
ID=55330688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510634613.5A Active CN105354721B (zh) | 2015-09-29 | 2015-09-29 | 一种识别机器操作行为的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105354721B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108306861A (zh) * | 2017-12-29 | 2018-07-20 | 亿阳安全技术有限公司 | 一种生成登录高峰期时间参考的方法及装置 |
CN110138638A (zh) * | 2019-05-16 | 2019-08-16 | 恒安嘉新(北京)科技股份公司 | 一种网络流量的处理方法及装置 |
CN110795705A (zh) * | 2019-10-22 | 2020-02-14 | 武汉极意网络科技有限公司 | 轨迹数据处理方法、装置、设备及存储介质 |
CN112149036A (zh) * | 2020-09-28 | 2020-12-29 | 微梦创科网络科技(中国)有限公司 | 一种批量非正常互动行为的识别方法及系统 |
CN113608946A (zh) * | 2021-08-10 | 2021-11-05 | 国家计算机网络与信息安全管理中心 | 基于特征工程和表示学习的机器行为识别方法 |
CN113722199A (zh) * | 2021-09-07 | 2021-11-30 | 上海观安信息技术股份有限公司 | 异常行为检测方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101924660A (zh) * | 2009-06-09 | 2010-12-22 | 阿尔卡特朗讯公司 | 检测网络恶意行为的方法和装置 |
CN104424433A (zh) * | 2013-08-22 | 2015-03-18 | 腾讯科技(深圳)有限公司 | 一种应用程序的反作弊方法和相关系统 |
CN104765874A (zh) * | 2015-04-24 | 2015-07-08 | 百度在线网络技术(北京)有限公司 | 用于检测点击作弊的方法及装置 |
-
2015
- 2015-09-29 CN CN201510634613.5A patent/CN105354721B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101924660A (zh) * | 2009-06-09 | 2010-12-22 | 阿尔卡特朗讯公司 | 检测网络恶意行为的方法和装置 |
CN104424433A (zh) * | 2013-08-22 | 2015-03-18 | 腾讯科技(深圳)有限公司 | 一种应用程序的反作弊方法和相关系统 |
CN104765874A (zh) * | 2015-04-24 | 2015-07-08 | 百度在线网络技术(北京)有限公司 | 用于检测点击作弊的方法及装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108306861A (zh) * | 2017-12-29 | 2018-07-20 | 亿阳安全技术有限公司 | 一种生成登录高峰期时间参考的方法及装置 |
CN108306861B (zh) * | 2017-12-29 | 2022-06-07 | 亿阳安全技术有限公司 | 一种生成登录高峰期时间参考的方法及装置 |
CN110138638A (zh) * | 2019-05-16 | 2019-08-16 | 恒安嘉新(北京)科技股份公司 | 一种网络流量的处理方法及装置 |
CN110795705A (zh) * | 2019-10-22 | 2020-02-14 | 武汉极意网络科技有限公司 | 轨迹数据处理方法、装置、设备及存储介质 |
CN112149036A (zh) * | 2020-09-28 | 2020-12-29 | 微梦创科网络科技(中国)有限公司 | 一种批量非正常互动行为的识别方法及系统 |
CN112149036B (zh) * | 2020-09-28 | 2023-11-10 | 微梦创科网络科技(中国)有限公司 | 一种批量非正常互动行为的识别方法及系统 |
CN113608946A (zh) * | 2021-08-10 | 2021-11-05 | 国家计算机网络与信息安全管理中心 | 基于特征工程和表示学习的机器行为识别方法 |
CN113608946B (zh) * | 2021-08-10 | 2023-09-12 | 国家计算机网络与信息安全管理中心 | 基于特征工程和表示学习的机器行为识别方法 |
CN113722199A (zh) * | 2021-09-07 | 2021-11-30 | 上海观安信息技术股份有限公司 | 异常行为检测方法、装置、计算机设备及存储介质 |
CN113722199B (zh) * | 2021-09-07 | 2024-01-30 | 上海观安信息技术股份有限公司 | 异常行为检测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105354721B (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105354721A (zh) | 一种识别机器操作行为的方法及装置 | |
CN108108821A (zh) | 模型训练方法及装置 | |
CN107404408B (zh) | 一种虚拟身份关联识别方法及装置 | |
CN110311902A (zh) | 一种异常行为的识别方法、装置及电子设备 | |
CN105023165A (zh) | 社交网络平台中投放任务的控制方法、装置及系统 | |
CN105631538A (zh) | 一种用户活跃度的预测方法、装置及其应用方法和系统 | |
CN106294105A (zh) | 刷量工具检测方法和装置 | |
CN104133765B (zh) | 网络活动的测试用例发送方法及测试用例服务器 | |
CN109165691A (zh) | 用于识别作弊用户的模型的训练方法、装置及电子设备 | |
CN108563670A (zh) | 视频推荐方法、装置、服务器及计算机可读存储介质 | |
CN106709318A (zh) | 一种用户设备唯一性的识别方法、装置和计算设备 | |
CN112052394A (zh) | 专业内容信息的推荐方法、系统、终端设备和存储介质 | |
CN104408640A (zh) | 应用软件推荐方法及装置 | |
CN110475132A (zh) | 直播间类型识别方法、装置及数据处理设备 | |
CN111160624A (zh) | 一种用户意向预测方法、用户意向预测装置及终端设备 | |
CN106161389B (zh) | 一种作弊识别方法、装置及终端 | |
CN113886721B (zh) | 个性化兴趣点推荐方法、装置、计算机设备及存储介质 | |
CN105429792A (zh) | 用户行为流量获取方法及装置、用户行为分析方法及系统 | |
CN107368696B (zh) | 题目的解析方法、解析装置及终端设备 | |
CN110876072A (zh) | 一种批量注册用户识别方法、存储介质、电子设备及系统 | |
CN109214640A (zh) | 指标结果的确定方法、设备及计算机可读存储介质 | |
CN110619090B (zh) | 一种区域吸引力评估方法及设备 | |
CN106156173A (zh) | 一种作弊识别方法、装置及终端 | |
CN107679222A (zh) | 图片处理方法、移动终端及计算机可读存储介质 | |
CN114331388B (zh) | 基于联邦学习的薪资计算方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |