CN107330731B - 一种识别广告位点击异常的方法和装置 - Google Patents

Abstract

本发明实施例提供一种识别广告位点击异常的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：根据获取的待识别广告位的点击日志数据得到点击矩阵；将点击矩阵输入到预测模型中以得到该点击矩阵的得分，该预测模型用于计算点击矩阵的异常程度的得分；根据该点击矩阵的得分确定待识别广告位点击属于异常的概率。该实施方式克服了因没有考虑到广告位自身的情况而导致最终的结果不准确，甚至无法判断出异常的点击行为的技术问题，进而达到提高判断的准确度以及多维度识别异常点击行为的技术效果，有利于对网页中不同坐标的广告位的点击行为进行全面的判断。

Description

一种识别广告位点击异常的方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种识别广告位点击异常的方法和装置。

背景技术

广告位作为互联网广告投放的主要载体，其质量直接影响着广告投放的效果与收益。而随着互联网流量的迅猛增长，其中的虚假作弊流量也随之激增。因此，针对广告位的作弊流量识别技术就变得尤为重要。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

现有技术均是依据用户的操作行为来判断当前点击是否作弊或异常的，并没有考虑广告位本身的实际情况(如坐标、尺寸等)，导致判断出的结果准确率低，无法准确识别出异常的点击行为。

发明内容

有鉴于此，本发明实施例提供一种识别广告位点击异常的方法和装置，能够解决现有技术中因没有全面考虑点击的情况，而导致判断点击的结果准确率低，无法准确识别出异常点击的问题。

为实现上述目的，根据本发明实施例的一个方面，提供了一种识别广告位点击异常的方法。

本发明实施例一种识别广告位点击异常的方法包括：根据获取的待识别广告位的点击日志数据得到点击矩阵；将点击矩阵输入到预测模型中以得到该点击矩阵的得分，该预测模型用于计算点击矩阵的异常程度的得分；根据该点击矩阵的得分确定待识别广告位点击属于异常的概率。

优选的，本发明的实施例根据获取的待识别广告位的点击日志数据得到点击矩阵，包括：将日志数据进行归一化处理得到归一化数据；将归一化数据进行矩阵化处理得到点击矩阵。

优选的，本发明的实施例将日志数据进行归一化处理得到归一化数据的步骤包括：从日志数据中提取出点击坐标以及点击坐标的个数；将点击坐标以及个数映射成归一化数据。

优选的，本发明实施例的预测模型是按以下步骤得到：获取多个广告位的历史点击日志数据；根据历史点击日志数据得到多个点击矩阵以及多个广告位的热力图；保存多个广告位热力图的标签值；将多个点击矩阵和多个广告位热力图的标签值作为训练数据输入到卷积神经网络CNN中进行训练以得到预测模型。

优选的，本发明实施例的每个广告位的热力图是按以下步骤得到：获取广告位的历史点击日志数据中的点击坐标以及点击坐标的个数；根据点击坐标以及个数将历史点击日志数据转换成广告位的热力图。

为实现上述目的，根据本发明实施例的另一方面，提供了一种识别广告位点击异常的装置。

本发明实施例的一种识别广告位点击异常的装置包括：转换模块，用于根据获取的待识别广告位的点击日志数据得到点击矩阵；处理模块，用于将点击矩阵输入到预测模型中以得到该点击矩阵的得分，该预测模型用于计算点击矩阵的异常程度的得分；确认模块，用于根据该点击矩阵的得分确定待识别广告位点击属于异常的概率。

优选的，本发明实施例的转换模块具体用于：将日志数据进行归一化处理得到归一化数据；将归一化数据进行矩阵化处理得到点击矩阵。

优选的，本发明实施例的转换模块还用于：从日志数据中提取出点击坐标以及点击坐标的个数；将点击坐标以及个数映射成归一化数据。

优选的，本发明的实施例还包括模型训练模块，用于按以下步骤得到预测模型：获取多个广告位的历史点击日志数据；根据历史点击日志数据得到多个点击矩阵以及多个广告位的热力图；保存多个广告位热力图的标签值；将多个点击矩阵和多个广告位热力图的标签值作为训练数据输入到卷积神经网络CNN中进行训练以得到预测模型。

优选的，本发明的实施例还包括热力图转换模块，用于按以下步骤得到广告位的热力图：获取广告位的历史点击日志数据中的点击坐标以及点击坐标的个数；根据点击坐标以及个数将历史点击日志数据转换成广告位的热力图。

为实现上述目的，根据本发明实施例的再一方面，提供了一种实现识别广告位点击异常的方法的电子设备。

本发明实施例的一种电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的识别广告位点击异常的方法。

为实现上述目的，根据本发明实施例的又一方面，提供了一种计算机可读介质。

本发明实施例的一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的识别广告位点击异常的方法。

上述发明中的一个实施例具有如下优点或有益效果：因为采用将日志数据转换成与待识别广告位相应的点击矩阵数据，并将该点击矩阵数据输入到预测模型中进行预测的技术手段，所以克服了因没有考虑到广告位自身的因素而导致最终的结果不准确，甚至无法判断出异常的点击行为的技术问题，进而达到提高判断的准确度以及多维度识别异常点击行为的技术效果，有利于对网页中不同坐标的广告位的点击行为进行全面的判断。本发明通过将广告位自身的数据增加到判断的参数当中，使判断条件更加全面，多维度的识别出异常的点击行为。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的识别广告位点击异常的方法的主要流程的示意图；

图2是根据本发明实施例的生成预测模型的具体工作流程的示意图；

图3是根据本发明实施例的生成预测模型的系统构架的示意图；

图4是根据本发明实施例的生成预测模型的作图模块的流程示意图；

图5是根据本发明实施例的生成预测模型的标注模块的流程示意图；

图6是根据本发明实施例的生成预测模型的特征量化模块的流程示意图；

图7是根据本发明实施例的生成预测模型的卷积神经网络模块的流程示意图；

图8是根据本发明实施例对卷积神经网络进行预设的流程示意图；

图9是根据本发明实施例的卷积神经网络计算的示意图；

图10是根据本发明具体实施例利用预测模型对待识别广告位进行判断的主要流程示意图；

图11是根据本发明实施例的识别广告位点击异常的装置的主要模块的示意图；

图12是本发明实施例可以应用于其中的示例性系统架构图；

图13是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

正如本发明背景技术中所述，目前，业界如Facebook、谷歌、百度、腾讯等广告平台都会建立自己的反作弊系统来为广告业务保驾护航，例如：Adwords、AdSense、凤巢、广点通等。针对广告位维度的点击反作弊一般采用离线异常检测模型，常用做法是：通过收集计算点击IP、cookie、鼠标行为等各种用户维度数据的统计量，累积一定数据量后观察每种统计量的top占比分布，然后找出离群的广告位。

然而，广告平台使用的这种离线异常检测模型，由于计算的是标量统计值，无法对广告位做出一个基于点击位置分布的判断。因此，对于点击坐标均匀分布或十分集中的作弊流量广告位，在各项统计指标正常的情况下，该检测系统将会漏判。不仅如此，目前市面上存在不少可随意切换ip和cookie的广告点击作弊器，这意味着基于标量统计的异常检测模型较容易被作弊器绕过。然而对于点击作弊器来说，要实现整体点击坐标在广告位上的拟人化分布，是十分困难的。

除了离线异常检测模型以外，业界还有一种实时反作弊策略，可以在线过滤点击。常用做法是使用时间窗口策略、频次控制策略与黑名单策略等。时间窗口策略通过在一个固定的时间窗口内设置请求或点击上限值，超过该值的请求或点击则过滤；频次控制策略则是规定同一个IP、用户或商品一次点击的次数，超过则过滤；黑名单策略通常针对的是非法ua和设备号，匹配上则过滤。

综上，实时策略同样无法解决离线模型不能解决的坐标位置问题。也就是说，现有技术中没有考虑到广告位自身的情况而导致最终的结果不准确，甚至无法判断出异常的点击行为。因此，本发明实施例的技术方案将广告位自身的数据也当作参考参数，输入到预测模型中进行评估，因此使得评估的条件更加全面，评估的结果也更加准确，从而解决了现有技术中判断出的结果准确率低，甚至无法准确识别出异常的点击行为的问题。

图1是根据本发明实施例的识别广告位点击异常的方法的主要流程的示意图，如图1所示，本发明实施例的一种识别广告位点击异常的方法主要包括如下步骤：

步骤S101：根据获取的待识别广告位的点击日志数据得到点击矩阵。本发明是通过增加广告为自身的属性数据来使判断条件更加全面的，具体的，根据获取的待识别广告位的点击日志数据得到点击矩阵的步骤包括：将日志数据进行归一化处理得到归一化数据；将归一化数据进行矩阵化处理得到点击矩阵。其中，将日志数据进行归一化处理得到归一化数据的步骤包括：从日志数据中提取出点击坐标以及点击坐标的个数；将点击坐标以及个数映射成归一化数据。

通过步骤S101的处理，我们就可以得到与广告位的点击行为相对应的数据，后续就可以将得到的数据输入到模型中进行预测评估，进而通过评估的结果来对该广告位的点击行为做出异常概率判断，判断其是否为异常的点击行为，具体的处理过程将在后续的步骤中详尽阐述，在此不再赘述。

步骤S102：将点击矩阵输入到预测模型中以得到该点击矩阵的得分，该预测模型用于计算点击矩阵的异常程度的得分。本步骤旨在对广告位自身的属性数据做出判断，将这些数据输入到预测模型中，然后根据输出的评估结果对广告位的点击行为做出异常概率的判断，也就是说，本发明是在判断完用户的操作行为之后，才对广告位自身的属性数据做出进一步判断的，当然，在一些具体的实施场景中，也可以是将用户的操作行为以及广告位自身的属性数据一起进行判断，这样的变化并不会影响本发明的保护范围。

进一步的，在本发明开始之前还需要对预测模型进行训练，具体的训练方式为：获取多个广告位的历史点击日志数据；根据历史点击日志数据得到多个点击矩阵以及多个广告位的热力图；保存多个广告位热力图的标签值；将多个点击矩阵和多个广告位热力图的标签值作为训练数据输入到卷积神经网络CNN中进行训练以得到预测模型。这样就得到了预测模型，而该预测模型中存储有大量的数据，后续便可以直接将数据输入到该预测模型中进行预测评估了。需要说明的是，热力图是以特殊高亮的形式显示访客热衷的页面区域和访客所在的地理区域的图示。

在本发明的实施方式中，每个广告位的热力图是按以下步骤得到：获取广告位的历史点击日志数据中的点击坐标以及点击坐标的个数；根据点击坐标以及个数将历史点击日志数据转换成广告位的热力图。

步骤S103：根据该点击矩阵的得分确定待识别广告位点击属于异常的概率。具体的，是以预测模型输出结果来判断广告位的点击行为为异常的概率，而本发明的实施例是将输出的评估得分与预测模型中的阀值进行对比，如果小于该阀值则确定其为正常广告位点击；如果大于该阀值则确定其为异常广告位热力图,进而确定该广告位的点击行为是异常的。当然，在本发明确定出待识别广告位点击属于异常的概率之后，还可以根据其他的方式或参数来确定广告位的点击行为是否异常。

上述方法可以采用计算机来实现，软件的一种架构如图2所示，图2是根据本发明实施例的生成预测模型的具体工作流程的示意图。在图2中，本发明的识别广告位点击异常的系统主要包括作图模块、标注模块、特征量化模块以及卷积神经网络模块。

本发明主要分为两个部分，训练部分和预测部分，其中，训练部分需要作图模块、标注模块、特征量化模块以及卷积神经网络模块共同参与；预测部分需要特征量化模块和预测模型与。

第一部分是训练部分，首先是将获取的历史日志数据转换成广告位热力图并进行人工标注，以及转换成点击矩阵，具体的如图3所示，图3是根据本发明实施例的生成预测模型的系统构架的示意图。针对本发明的使用情况可知，广告位点击坐标范围应在广告位宽高范围内，而对于单个目标(商品、图片)的点击位置特征，正常流量通常具有集中分布性；广告位点击分布图的这种集中分布性，在一定程度上反映了该广告位流量的异常程度，量化后的得分值可作为一种衡量广告位优劣的指标。下面就结合图3针对作图模块、标注模块、特征量化模块以及卷积神经网络模块的功能与用途做详尽说明。

作图模块主要是将历史点击日志转换成广告位热力图，具体的如图4所示，是根据本发明实施例的生成预测模型的作图模块的流程示意图。实现流程为：(1)获取广告系统累计的历史点击日志；(2)提取点击坐标(一般是1天的日志的点击坐标)，并进行统计，按广告位维度统计不同坐标出现的个数；(3)按不同个数从小到大等频分箱(主要是按照热力图的原理来进行分类，将按照个数分类好的坐标进行统计归类)，定色(主要是按照热力图的原理来对分箱上色，颜色可以从深蓝到深红十色过渡)；(4)根据定色作图。最后就得到了关于广告位日志数据的广告位热力图。紧接着，还需要对制作好的广告位热力图进行标注，由标注模块来完成，具体的如图5所示，是根据本发明实施例的生成预测模型的标注模块的流程示意图。其实现流程为：为了提高人工标注的效率，采用服务器(例如web服务器Apache或应用服务器Tomcat)搭建一个web服务器，然后使用java服务器页面(例如Java Server Pages服务器)技术对转换的广告位热力图图片进行手工标注，在本发明中是将异常广告位热力图标注为1，正常广告位热力图标注为0。

特征量化模块主要是将历史点击日志转换成点击矩阵，如图6所示，是根据本发明实施例的生成预测模型的特征量化模块的流程示意图。其实现流程为：获取广告系统累计的历史点击日志，对点击坐标进行统计，由于点击坐标计数据有长尾现象，且模型数据集一般要求特征值介于0-1之间，因此采用归一化算法将统计数据映射到0-1的范围内(这里得到上述的归一化数据)，再通过矩阵化算法对映射后的数据进行处理，然后输出成符合图片性质的图片数据(这里得到上述的点击矩阵)。需要说明的是，这里的图片数据是与广告位热力图对应的图片数据。

卷积神经网络模块主要是对输入的标注后的广告位热力图和点击矩阵进行训练，以得到预测模型，具体的如图7所示，是根据本发明实施例的生成预测模型的卷积神经网络模块的流程示意图。其实现流程为：根据标注模块与特征量化模块生成的数据组成数据集，然后利用卷积神经网络CNN对这些图片进行特征学习训练。其中，模型训练时，我们预先设定好网络结构(例如网络层数，每层的网络节点、卷积核大小、激活函数等)，然后利用机器学习技术学习网络中卷积核、边的权重。模型训练达到一定的准确率后，我们再次利用历史日志(未参与模型训练的日志)对模型进行评估，当模型达到预期标准则输出预测模型并推至线上开始对识别出的异常广告位进行封禁。

具体的，本发明中使用到的CNN网络结构如图8所示，共包含：输入层、卷积层、池化层、全连接层和输出层等部分。其中，卷积层和池化层首先来学习输入图像中的局部空间结构，然后将局部信息汇合到全连接层，全连接层则学习更加抽象的包含了整个图像中的全局信息。因此，CNN网络具有自动特征挖掘的能力，无需人工去尝试挖掘特征。具体的结构介绍如下：

1)输入层：经标注模块与特征量化模块处理好的数据集；

2)卷积层：输入来源于输入层或池化层。卷积层实现原理：首先选定卷积核(取值通常是先随机初始化后再通过训练逐步更新，然后将卷积核与输入层的任意一区域(大小与卷积核大小一致)进行卷积计算，全部计算完成之后，生成卷积结果(其中，卷积层输出的结果则是下一层网络的输入)，具体的，如图9是根据本发明实施例的卷积神经网络计算的示意图，并以图9所示的阴影区域为例。

关于卷积层，一般我们认为图中局部的像素联系较为紧密，而距离较远的像素相关性则较弱。因此，网络中每个神经元只需要对局部进行感知，然后在更高层的神经元将局部的信息综合起来就得到了全局的信息。

3)池化层：池化层主要目的是仿照人的视觉系统对网络进行降维，例如，我们可以计算图像一个区域上特征的平均值(或最大值)，使用这个特征均值来代替这一区域中所有的特征。这些概要统计特征不仅可以极大降低特征维度(相比使用所有提取得到的特征)，同时还会改善模型结果(不容易过拟合)。

4)全连接层

全连接层将卷积池化层抽取的高维空间图像特征，通过多层全连接的神经网络进一步学习高层组合特征，进而最终得到最终模型推断结果。这里不同于卷积层的局部连接和权值共享，全连接层的每个输入节点和输出节点之间都保持连接，因此它丢弃了一些局部特征的位置信息，从全局的角度出发，给出一个综合的模型推断结果。

5)输出层：该广告位点击图像的得分。

基于上述对CNN网络的介绍可知，本发明中预测模型的训练过程如下：(1).从标注模块与特征量化模块获取训练数据，训练数据结构为<点击矩阵，带有标注的热力图>，其中异常热力图标签取值为1，正常热力图标签取值为0；(2).将训练数据作为CNN网络的输入，经过卷积、池化等操作后，再接入全连接层，最终经过输出层输出一个得分；(3).将输出的得分(取值范围为[0,1])与真实的热力图的标注(异常为1，正常为0)进行对比，依据CNN输出的得分与真实的热力图的标注的差值来迭代更新网络中每条边的权重；(4).重复进行上述过程，直至CNN输出的得分与真实的热力图的标注的差值达到预期之内。

在训练好预测模型之后，接下来就是第二部分了，如图10所示，是根据本发明具体实施例利用预测模型对待识别广告位进行判断的主要流程示意图，主要是通过训练好的预测模型对待识别的广告位的点击行为进行判断，需要特征量化模块与预测模型参与，通过特征量化模块将获取的待识别广告位的点击日志数据转换成点击矩阵，然后将点击矩阵输入到预测模型中以得到该点击矩阵的得分，最后根据该点击矩阵的得分确定待识别广告位点击属于异常的概率。

这里，还需要对本发明所涉及的技术名字做如下解释：

Tomcat服务器：Tomcat服务器是一个免费的开放源代码的Web应用服务器，属于轻量级应用服务器，在中小型系统和并发访问用户不是很多的场合下被普遍使用，是开发和调试JSP程序的首选。

JSP：JSP全名为Java Server Pages，中文名叫java服务器页面，其根本是一个简化的Servlet设计，它是由Sun Microsystems公司倡导、许多公司参与一起建立的一种动态网页技术标准。

CNN：卷积神经网络，是Deep Learning技术的一种实现。

过拟合：为了得到一致假设而使假设变得过度复杂称为过拟合。标准定义：给定一个假设空间H，一个假设h属于H，如果存在其他的假设h’属于H,使得在训练样例上h的错误率比h’小，但在整个实例分布上h’比h的错误率小，那么就说假设h过度拟合训练数据。

根据本发明实施例的识别广告位点击异常的方法可以看出，因为采用将日志数据转换成与待识别广告位相应的点击矩阵数据，并将该点击矩阵数据输入到预测模型中进行预测的技术手段，所以克服了因没有考虑到广告位自身的因素而导致最终的结果不准确，甚至无法判断出异常的点击行为的技术问题，进而达到提高判断的准确度以及多维度识别异常点击行为的技术效果，有利于对网页中不同坐标的广告位的点击行为进行全面的判断。本发明通过将广告位自身的数据增加到判断的参数当中，使判断条件更加全面，多维度的识别出异常的点击行为。

图11是根据本发明实施例的识别广告位点击异常的装置的主要模块的示意图。如图11所示，本发明实施例的识别广告位点击异常的装置1100主要包括：转换模块1101、处理模块1102以及确认模块1103。其中：

转换模块1101，用于根据获取的待识别广告位的点击日志数据得到点击矩阵；处理模块1102，用于将点击矩阵输入到预测模型中以得到该点击矩阵的得分，该预测模型用于计算点击矩阵的异常程度的得分；确认模块1103，用于根据该点击矩阵的得分确定待识别广告位点击属于异常的概率。

优选的，本发明实施例的转换模块1101具体用于：将日志数据进行归一化处理得到归一化数据；将归一化数据进行矩阵化处理得到点击矩阵。

优选的，本发明实施例的转换模块1101还用于：从日志数据中提取出点击坐标以及点击坐标的个数；将点击坐标以及个数映射成归一化数据。

优选的，本发明的实施例还包括模型训练模块1104，用于按以下步骤得到预测模型：获取多个广告位的历史点击日志数据；根据历史点击日志数据得到多个点击矩阵以及多个广告位的热力图；保存多个广告位热力图的标签值；将多个点击矩阵和多个广告位热力图的标签值作为训练数据输入到卷积神经网络CNN中进行训练以得到预测模型。

优选的，本发明的实施例还包括热力图转换模块1105，用于按以下步骤得到广告位的热力图：获取广告位的历史点击日志数据中的点击坐标以及点击坐标的个数；根据点击坐标以及个数将历史点击日志数据转换成广告位的热力图。

从以上描述可以看出，因为采用将日志数据转换成与待识别广告位相应的点击矩阵数据，并将该点击矩阵数据输入到预测模型中进行预测的技术手段，所以克服了因没有考虑到广告位自身的因素而导致最终的结果不准确，甚至无法判断出异常的点击行为的技术问题，进而达到提高判断的准确度以及多维度识别异常点击行为的技术效果，有利于对网页中不同坐标的广告位的点击行为进行全面的判断。本发明通过将广告位自身的数据增加到判断的参数当中，使判断条件更加全面，多维度的识别出异常的点击行为。

图12示出了可以应用本发明实施例的识别广告位点击异常方法或识别广告位点击异常装置的示例性系统架构1200。

如图12所示，系统架构1200可以包括终端设备1201、1202、1203，网络1204和服务器1205。网络1204用以在终端设备1201、1202、1203和服务器1205之间提供通信链路的介质。网络1204可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备1201、1202、1203通过网络1204与服务器1205交互，以接收或发送消息等。终端设备1201、1202、1203上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备1201、1202、1203可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器1205可以是提供各种服务的服务器，例如对用户利用终端设备1201、1202、1203所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。

需要说明的是，本发明实施例所提供的识别广告位点击异常方法一般由服务器1205执行，相应地，识别广告位点击异常装置一般设置于服务器1205中。

应该理解，图12中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图13，其示出了适于用来实现本发明实施例的终端设备的计算机系统1300的结构示意图。图13示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图13所示，计算机系统1300包括中央处理单元(CPU)1301，其可以根据存储在只读存储器(ROM)1302中的程序或者从存储部分1308加载到随机访问存储器(RAM)1303中的程序而执行各种适当的动作和处理。在RAM 1303中，还存储有系统1300操作所需的各种程序和数据。CPU 1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。

以下部件连接至I/O接口1305：包括键盘、鼠标等的输入部分1306；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1307；包括硬盘等的存储部分1308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至I/O接口1305。可拆卸介质1311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1310上，以便于从其上读出的计算机程序根据需要被安装入存储部分1308。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1309从网络上被下载和安装，和/或从可拆卸介质1311被安装。在该计算机程序被中央处理单元(CPU)1301执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、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、或代码的一部分，上述模块、程序段、或代码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。也应当注意，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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操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。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括转换模块和处理模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：根据获取的待识别广告位的点击日志数据得到点击矩阵；将点击矩阵输入到预测模型中以得到该点击矩阵的得分，该预测模型用于计算点击矩阵的异常程度的得分；根据该点击矩阵的得分确定待识别广告位点击属于异常的概率。

根据本发明实施例的技术方案，因为采用将日志数据转换成与待识别广告位相应的点击矩阵数据，并将该点击矩阵数据输入到预测模型中进行预测的技术手段，所以克服了因没有考虑到广告位自身的因素而导致最终的结果不准确，甚至无法判断出异常的点击行为的技术问题，进而达到提高判断的准确度以及多维度识别异常点击行为的技术效果，有利于对网页中不同坐标的广告位的点击行为进行全面的判断。本发明通过将广告位自身的数据增加到判断的参数当中，使判断条件更加全面，多维度的识别出异常的点击行为。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (8)

1.一种识别广告位点击异常的方法，其特征在于，包括：

根据获取的待识别广告位的点击日志数据得到点击矩阵；

将所述点击矩阵输入到预测模型中以得到该点击矩阵的得分，该预测模型用于计算点击矩阵的异常程度的得分；

根据该点击矩阵的得分确定所述待识别广告位点击属于异常的概率；

根据获取的待识别广告位的点击日志数据得到点击矩阵，包括：

将所述日志数据进行归一化处理得到归一化数据；

将所述归一化数据进行矩阵化处理得到点击矩阵；

将所述日志数据进行归一化处理得到归一化数据的步骤包括：

从所述日志数据中提取出点击坐标以及所述点击坐标的个数；

将所述点击坐标以及所述个数映射成归一化数据；

将所述归一化数据进行矩阵化处理得到点击矩阵，包括：通过矩阵化算法对映射后的数据进行处理，然后输出成符合图片性质的图片数据。

2.根据权利要求1所述的方法，其特征在于，所述预测模型是按以下步骤得到：

获取多个广告位的历史点击日志数据；

根据所述历史点击日志数据得到多个点击矩阵以及多个广告位的热力图；

保存所述多个广告位的热力图的标签值；

将所述多个点击矩阵和所述多个广告位的热力图的标签值作为训练数据输入到卷积神经网络CNN中进行训练以得到所述预测模型。

3.根据权利要求2所述的方法，其特征在于，每个广告位的热力图是按以下步骤得到：

获取广告位的历史点击日志数据中的点击坐标以及所述点击坐标的个数；

根据所述点击坐标以及所述个数将所述历史点击日志数据转换成广告位的热力图。

4.一种识别广告位点击异常的装置，其特征在于，包括：

转换模块，用于根据获取的待识别广告位的点击日志数据得到点击矩阵；

处理模块，用于将所述点击矩阵输入到预测模型中以得到该点击矩阵的得分，该预测模型用于计算点击矩阵的异常程度的得分；

确认模块，用于根据该点击矩阵的得分确定所述待识别广告位点击属于异常的概率；

所述转换模块具体用于：

将所述日志数据进行归一化处理得到归一化数据；

将所述归一化数据进行矩阵化处理得到点击矩阵；

从所述日志数据中提取出点击坐标以及所述点击坐标的个数；

将所述点击坐标以及所述个数映射成归一化数据；

通过矩阵化算法对映射后的数据进行处理，然后输出成符合图片性质的图片数据。

5.根据权利要求4所述的装置，其特征在于，还包括模型训练模块，用于按以下步骤得到所述预测模型：

获取多个广告位的历史点击日志数据；

根据所述历史点击日志数据得到多个点击矩阵以及多个广告位的热力图；

保存所述多个广告位的热力图的标签值；

将所述多个点击矩阵和所述多个广告位的热力图的标签值作为训练数据输入到卷积神经网络CNN中进行训练以得到所述预测模型。

6.根据权利要求5所述的装置，其特征在于，还包括热力图转换模块，用于按以下步骤得到所述广告位的热力图：

获取广告位的历史点击日志数据中的点击坐标以及所述点击坐标的个数；

根据所述点击坐标以及所述个数将所述历史点击日志数据转换成广告位的热力图。

7.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。

8.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-3中任一所述的方法。

Images