CN108052568A - 一种特征筛选方法、装置、终端和介质 - Google Patents

Abstract

本发明实施例公开了一种特征筛选方法、装置、终端和介质，涉及互联网信息处理技术领域。该方法包括：获取至少一个用户的数据；从所述数据中确定至少一个关键词；根据所述关键词的户频，从至少一个所述关键词中确定特征词，其中户频表示数据中包含所述关键词的用户的数量。本发明实施例提供一种特征筛选方法、装置、终端和介质，实现了对获取的数据进行自动的特征筛选，从而提高筛选过程的时效性和通用性。

Description

一种特征筛选方法、装置、终端和介质

技术领域

本发明实施例涉及互联网信息处理技术领域，尤其涉及一种特征筛选方法、装置、终端和介质。

背景技术

互联网风控的一个核心问题在于，如何针对一类风险快速筛选核心风险特征，以此来区分风险用户和正常用户。

现有技术中，通常是通过人工对用户反馈的风险数据进行分析，筛选出核心风险特征，利用核心风险特征对风险用户进行识别。

发明人在实现本发明的过程中，发现现有技术存在如下问题：在上述方法中，因为对人工依赖过多，人工处理速度有限，且风险数据量大，所以时效性差；又因为针对不同行业的风险数据，需要选用不同行业内的人员进行数据的筛选，所以通用性差。

发明内容

本发明实施例提供一种特征筛选方法、装置、终端和介质，以实现对获取的数据进行自动的特征筛选，从而提高筛选过程的时效性和通用性。

第一方面，本发明实施例提供了一种特征筛选方法，该方法包括：

获取至少一个用户的数据；

从所述数据中确定至少一个关键词；

根据所述关键词的户频，从至少一个所述关键词中确定特征词，其中户频表示数据中包含所述关键词的用户的数量。

进一步地，获取至少一个用户的数据包括：

获取风险种子集合中风险用户提交的数据，其中所述风险种子集合是至少一个风险用户的集合。

进一步地，根据所述关键词的户频，从至少一个所述关键词中确定特征词包括：

根据所述关键词的户频和词频，从至少一个所述关键词中确定针对每个所述用户的特征词，其中所述词频是所述关键词在每个所述用户的数据中出现的频率。

进一步地，根据所述关键词的户频和词频，从至少一个所述关键词中确定针对每个所述用户的特征词包括：

根据所述关键词的户频和所述关键词针对至少一个所述用户的各词频，确定筛选阈值；

根据所述关键词的户频和所述关键词针对任一所述用户的词频，对该用户的数据中的所述关键词进行打分；

若所述关键词的打分结果大于所述筛选阈值，则将所述关键词确定为所述用户的特征词。

进一步地，根据所述关键词的户频和所述关键词针对至少一个所述用户的各词频，确定筛选阈值包括：

按照如下公式确定筛选阈值：

threhold＝N×mean(df)×mean(uf)

其中，threhold为筛选阈值，mean表示加权平均计算，df为每个所述关键词在每个所述用户的数据中的词频，uf为每个所述关键词在由所述用户构成的用户集合中的户频，N为调整参数。

进一步地，根据所述关键词的户频和所述关键词针对任一所述用户的词频，对该用户的数据中的所述关键词进行打分包括：

按照如下公式对所述用户的数据中的所述关键词进行打分：

scorei＝dfi×ufi

其中，scorei是关键词i针对一所述用户的分值，dfi是关键词i针对该用户的数据中的词频，ufi是关键词i针对所述用户构成的用户集合的户频。

进一步地，在若所述关键词的打分结果大于所述筛选阈值，则将所述关键词确定为所述用户的特征词之后，还包括：

若所述用户的特征词数量小于设定数值，则对所述用户的数据中，除所述特征词以外的，其余所述关键词的打分结果进行排序；

根据排序结果从其余所述关键词中确定至少一个特征词，以使所述用户的特征词数量大于等于所述设定数值。

第二方面，本发明实施例还提供了一种特征筛选装置，该装置包括：

获取模块，用于获取至少一个用户的数据；

关键词确定模块，用于从所述数据中确定至少一个关键词；

特征词确定模块，用于根据所述关键词的户频，从至少一个所述关键词中确定特征词，其中户频表示数据中包含所述关键词的用户的数量。

进一步地，特征词确定模块包括：

特征词确定单元，用于根据所述关键词的户频和词频，从至少一个所述关键词中确定针对每个所述用户的特征词，其中所述词频是所述关键词在每个所述用户的数据中出现的频率。

进一步地，特征词确定单元包括：

阈值确定子单元，用于根据所述关键词的户频和所述关键词针对至少一个所述用户的各词频，确定筛选阈值；

打分子单元，用于根据所述关键词的户频和所述关键词针对任一所述用户的词频，对该用户的数据中的所述关键词进行打分；

特征词确定子单元，用于若所述关键词的打分结果大于所述筛选阈值，则将所述关键词确定为所述用户的特征词。

第三方面，本发明实施例还提供了一种终端，所述终端包括：

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中任一所述的特征筛选方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例中任一所述的特征筛选方法。

本发明实施例通过户频从用户数据中确定表示所述用户共性的关键词作为特征词，从而实现特征词的自动筛选。因为不涉及人工，所以解决了人工带来的时效性的问题。此外，因为该方法不关心数据内容，所以适用于对不同行业的不同数据的特征筛选，因此，具有通用性。

附图说明

图1为本发明实施例一提供的一种特征筛选方法的流程图；

图2是本发明实施例二提供的一种特征筛选方法的流程图；

图3是本发明实施例三提供的一种特征筛选装置的结构示意图；

图4为本发明实施例四提供的一种终端的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种特征筛选方法的流程图。本实施例可适用于对至少一个用户的数据进行特征词提取的情况，尤其是对多个风险用户的数据进行风险特征词提取的情况。该方法可以由一种特征筛选装置来执行，该装置可以由软件和/或硬件的方式实现。参见图1，本实施例提供的特征筛选方法包括：

S110、获取至少一个用户的数据。

其中，用户为待特征筛选的用户，该特征是表示至少一个用户共性的特征，具体由用户的数据确定。例如，若上述用户的数据是用户的兴趣数据，则该特征是用户兴趣特征。用户的数据可以根据需要进行确定，可选的，可以是用户行为数据，也可以是用户上传的数据。

具体用户的数据的获取，可以是将用户上传的数据直接作为待筛选的用户的数据；也可以是从其他系统中获取的用户历史行为数据，例如，通过用户手机定位系统获取的用户的位置数据，或通过用户聊天系统获取的用户的聊天记录数据，或通过购物软件获取的用户的购物记录数据等。

若上述用户的数据是风险数据，也即风险用户的数据，则获取至少一个用户的数据可以包括：

获取风险种子集合中风险用户提交的数据，其中所述风险种子集合是至少一个风险用户的集合。

具体的，所述风险种子集合可以是由同一类别的至少一个风险用户构成，风险用户可以从投诉反馈和/或判罚历史中确定。

S120、从所述数据中确定至少一个关键词。

具体的，从所述数据中确定至少一个关键词可以包括：

将所述数据中的词或短语直接确定为关键词；

对所述数据中的句子或篇章进行分词处理，将得到的词确定为关键词。

S130、根据所述关键词的户频，从至少一个所述关键词中确定特征词。

其中，户频表示数据中包含所述关键词的用户的数量。例如，若一个关键词在100个用户中的90个用户的数据中都出现过，则可以将该关键词的户频确定为90，或择90/100等不同的形式。

可选的，根据所述关键词的户频，从至少一个所述关键词中确定特征词的方式，可以是若所述关键词的户频大于设定户频阈值，则将所述关键词确定为特征词，也可以是若所述关键词的户频满足设定条件，则将所述关键词确定为特征词。

典型的，根据所述关键词的户频，从至少一个所述关键词中确定特征词可以包括：

根据所述关键词的户频和词频，从至少一个所述关键词中确定针对每个所述用户的特征词。

其中，所述词频是所述关键词在每个所述用户的数据中出现的频率。例如，若一个关键词在第一个用户中出现过10次，则可以将该关键词针对第一用户的词频确定为10。

可选的，根据所述关键词的户频和词频，从至少一个所述关键词中确定针对每个所述用户的特征词的方式，可以是若所述关键词的户频大于设定户频阈值，且所述关键词的词频大于设定词频阈值，则将所述关键词作为特征词；还可以是若所述关键词的户频和词频均满足设定条件，则将所述关键词作为特征词。

进一步地，根据所述关键词的户频和词频，从至少一个所述关键词中确定针对每个所述用户的特征词可以包括：

根据所述关键词的户频和所述关键词针对至少一个所述用户的各词频，确定筛选阈值；

根据所述关键词的户频和所述关键词针对任一所述用户的词频，对该用户的数据中的所述关键词进行打分；

若所述关键词的打分结果大于所述筛选阈值，则将所述关键词确定为所述用户的特征词。

其中，筛选阈值是根据所述关键词在一个或多个所述用户数据中的一个或多个词频确定的，因此筛选阈值反映的是所述关键词在一个或多个用户数据中的普遍使用情况。

可选的，根据所述关键词的户频和所述关键词针对至少一个所述用户的各词频，确定筛选阈值的方式，可以是根据至少一个所述关键词的户频的平均值和至少一个所述关键词针对至少一个所述用户的各词频的平均值，确定筛选阈值；也可以是根据至少一个所述关键词的户频的加权平均值和至少一个所述关键词针对至少一个所述用户的各词频的加权平均值，确定筛选阈值，其中权重值可以根据需要确定，例如若所述用户的数据为风险数据，所述特征词为风险特征词，则可以根据用户的风险倾向和/或所述关键词的风险倾向，确定所述关键词的权重。

示例性的，若有10个用户，每个用户有10个关键词，则有100个关键词。每个关键词分别针对每个用户有一个词频，因此每个关键词有10个词频，一共有1000(即100×10)个词频，求取这1000个词频的平均值作为所述关键词的词频的平均值；因为户频是针对10个用户的，所以10个关键词就有10个户频，求取这10个户频的平均值作为所述关键词的户频的平均值。根据所述关键词的词频的平均值和所述关键词的户频的平均值，确定筛选阈值。

本发明实施例的技术方案，通过户频从用户数据中确定表示所述用户共性的关键词作为特征词，从而实现特征词的自动筛选。因为不涉及人工，所以解决了人工带来的时效性的问题。此外，因为该方法不关心数据内容，所以适用于对不同行业的不同数据的特征筛选，因此，具有通用性。

进一步地，在根据所述户频，从至少一个所述关键词中确定特征词之后，还包括：

若获取的待识别用户提交的数据中包含至少一个所述特征词，则将所述用户确定为风险用户。

其中，所述特征词为风险特征词。

进一步地，根据所述关键词的户频和所述关键词针对至少一个所述用户的各词频，确定筛选阈值包括：

按照如下公式确定筛选阈值：

threhold＝N×mean(df)×mean(uf)

其中，threhold为筛选阈值，mean表示加权平均计算，df为每个所述关键词在每个所述用户的数据中的词频，uf为每个所述关键词在由所述用户构成的用户集合中的户频，N为调整参数。

具体的，所述加权平均计算中的权重的取值可以根据所述关键词或用户的倾向确定。若所述用户的数据是风险数据，则可以根据用户的风险倾向或所述关键词的风险倾向确定上述权重，默认权重为1。

N根据对所述特征词的数量的需求进行设置。例如，如果通过打分结果大于筛选阈值确定出来的特征词的数量较多，则可以将N设置的大些，从而筛选阈值也会增大。这样通过打分结果大于筛选阈值确定出来的特征词的数量会相对减少。通常默认N＝1。

mean(df)表示对至少一个关键词针对至少一个用户的词频的加权平均。例如10个用户，每个用户有10个关键词，一共100个关键词，每个关键词有10个针对每个用户的词频，一共1000个词频。mean(df)表示这1000个词频的加权平均。

mean(uf)表示对至少一个关键词针对至少一个用户的户频的加权平均。例如10个用户每个用户有10个关键词，一共100个关键词，每个关键词针对所有10个用户有一个户频，一共有100个户频。mean(uf)表示这100个户频的加权平均。

进一步地，根据所述关键词的户频和所述关键词针对任一所述用户的词频，对该用户的数据中的所述关键词进行打分包括：

按照如下公式对所述用户的数据中的所述关键词进行打分：

scorei＝dfi×ufi

其中，scorei是关键词i针对一所述用户的分值，dfi是关键词i针对该用户的数据中的词频，ufi是关键词i针对所述用户构成的用户集合的户频。

为避免只考虑多个用户数据的共性，而忽略其全面性，在若所述关键词的打分结果大于所述筛选阈值，则将所述关键词确定为所述用户的特征词之后，还可以包括：

若所述用户的特征词数量小于设定数值，则对所述用户的数据中，除所述特征词以外的，其余所述关键词的打分结果进行排序；

根据排序结果从其余所述关键词中确定至少一个特征词，以使所述用户的特征词数量大于等于所述设定数值。

具体的，根据排序结果从其余所述关键词中确定至少一个特征词，以使所述用户的特征词数量大于等于所述设定数值包括：

从打分结果最高的一端开始，选取至少一个所述关键词作为特征词。

其中，通过设定数值的特征词，可以保证特征词反映的不仅是用户的数据的共性，还要对用户的数据进行全面覆盖。

可以理解的是，将上述该方法应用于互联网风险识别的场景中，上述步骤可以达到这样一种效果：风险特征词能全面、典型的代表每个风险用户，从而可以对所有风险用户进行识别，避免在识别过程中对某些代表性不强的风险用户的遗漏。

总体而言，针对一类特定的用户数据为风险用户种子自合，以用户的词频和用户间的户频共同限制，最终筛选出该类用户的特征词。通过该特征词可以实现对相似用户的识别，同时通过设定数值的特征词保证历史用户的100％召回。

此过程不关心行业本身，算法本身具备通用性，数据处理过程可运行与spark引擎，特征词筛选过程本地计算即可，时效性完全可以保证。因算法综合考虑了关键词本身在用户中的重要程度以及在该类风险用户中的普遍程度，有效过滤掉了用户中的伪装数据，从而有效筛选出用户的核心意图特征。

实施例二

图2是本发明实施例二提供的一种特征筛选方法的流程图。本实施例是在上述实施例的基础上提出的一种可选方案。本实施例以应用场景为互联网风险识别场景为例进行说明。参见图2，本实施例提供的特征筛选方法包括：

S210、从投诉反馈和/或判罚历史中，获取风险种子集合中风险用户提交的数据。

其中，所述风险种子集合是同一类别的至少一个风险用户的集合。

典型的，上述数据可以是风险用户上传的用于推广的风险数据。风险数据的类别可以是赌博类、色情类、暴力类等，该类别可以从投诉反馈和/或判罚历史中获取。

S220、将所述数据中的词或短语直接确定为关键词。

S230、对所述数据中的句子或篇章进行分词处理，将得到的词确定为关键词。

S240、根据所述关键词的户频和所述关键词针对至少一个所述用户的各词频，确定筛选阈值。

其中，户频表示数据中包含所述关键词的用户的数量，所述词频是所述关键词在每个所述用户的数据中出现的频率。

典型的，按照如下公式确定筛选阈值：

threhold＝N×mean(df)×mean(uf)

其中，具体参数见实施例一，此处不再赘述。

S250、根据所述关键词的户频和所述关键词针对任一所述用户的词频，对该用户的数据中的所述关键词进行打分。

按照如下公式对所述用户的数据中的所述关键词进行打分：

scorei＝dfi×ufi

其中，具体参数见实施例一，此处不再赘述。

S260、若所述关键词的打分结果大于所述筛选阈值，则将所述关键词确定为所述用户的风险特征词。

S270、若所述用户的风险特征词数量小于设定数值，则对所述用户的数据中，除所述风险特征词以外的，其余所述关键词的打分结果进行排序。

S280、根据排序结果从其余所述关键词中确定至少一个风险特征词，以使所述用户的风险特征词数量大于等于所述设定数值。

示例性的，第一用户中打分结果超过筛选阈值的风险特征词的个数为998个，而设定数值为1000个，那么需要按打分结果由高到低补充2个关键词作为风险特征词，以使所述用户的风险特征词数量大于等于1000。从而使得历史发生过的风险行为一旦再次发生100％召回。

S290、若获取的待识别用户提交的数据中包含至少一个所述风险特征词，则将所述用户确定为风险用户。

示例性的，从赌博类风险用户的数据中筛选出赌博类特征词。然后，若获取的待识别用户提交的数据中包含至少一个赌博类特征词，则将所述用户确定为赌博类风险用户。

典型的，上述方法可以应用于对百度推广的用户数据进行风险识别的情况。通常用户需要在百度推广系统中提交大量数据，系统会对数据进行风险用户识别，通过识别的用户的数据才会被推广。

上述应用场景存在这样一种情况，用户为了进行非法推广，在提交的数据中增加部分合法数据作为伪装数据，从而增大对其识别难度，逃避系统判罚。但是，上述方法中通过户频和词频可以将提交的数据中出现频率大的非法关键词，以及在同一类风险的多个用户中存在共性的非法关键提取出来。从而有效剥离用户的伪装数据，利用词频和户频共同限制，自动筛选特征词。

典型的，本实施例可以应用于推广应用中对风险用户的识别，针对新风险，快速挖掘核心风险特征，并且基于该类风险特征实时识别当前线上的相似风险用户，进行风险干预。该方案，可以使得针对性风险识别机制的建立过程接近实时，从而对风险进行实时的监控和处理。

本发明实施例的技术方案，通过从一类别的风险用户提交的数据中，利用户频和词频获取该类别风险用户的特征词；若获取的待识别用户提交的数据中包含至少一个特征词，则将所述用户确定为该类风险用户。从而实现对不同类别用户的自动识别。

需要说明的是，根据上述技术教导，本领域技术人员有动机将上述记载的各实施方式与其他方式结合，以实现特征词的筛选。

实施例三

图3是本发明实施例三提供的一种特征筛选装置的结构示意图。参见图3，本实施例提供的特征筛选装置包括：获取模块10、关键词确定模块20和特征词确定模块30。

其中，获取模块10，用于获取至少一个用户的数据；关键词确定模块20，用于从所述数据中确定至少一个关键词；特征词确定模块30，用于根据所述关键词的户频，从至少一个所述关键词中确定特征词，其中户频表示数据中包含所述关键词的用户的数量。

本发明实施例的技术方案，通过户频从用户数据中确定表示所述用户共性的关键词作为特征词，从而实现特征词的自动筛选。因为不涉及人工，所以解决了人工带来的时效性的问题。此外，因为该方法不关心数据内容，所以适用于对不同行业的不同数据的特征筛选，因此，具有通用性。

进一步地，特征词确定模块30包括：特征词确定单元。

其中，特征词确定单元，用于根据所述关键词的户频和词频，从至少一个所述关键词中确定针对每个所述用户的特征词，其中所述词频是所述关键词在每个所述用户的数据中出现的频率。

进一步地，获取模块10包括：获取单元。

其中，获取单元，用于获取风险种子集合中风险用户提交的数据，其中所述风险种子集合是至少一个风险用户的集合。

进一步地，所述特征词确定单元包括：阈值确定子单元、打分子单元和特征词确定子单元。

其中，阈值确定子单元，用于根据所述关键词的户频和所述关键词针对至少一个所述用户的各词频，确定筛选阈值；

打分子单元，用于根据所述关键词的户频和所述关键词针对任一所述用户的词频，对该用户的数据中的所述关键词进行打分；

特征词确定子单元，用于若所述关键词的打分结果大于所述筛选阈值，则将所述关键词确定为所述用户的特征词。

进一步地，根据所述关键词的户频和所述关键词针对至少一个所述用户的各词频，确定筛选阈值包括：

按照如下公式确定筛选阈值：

threhold＝N×mean(df)×mean(uf)

其中，threhold为筛选阈值，mean表示加权平均计算，df为每个所述关键词在每个所述用户的数据中的词频，uf为每个所述关键词在由所述用户构成的用户集合中的户频，N为调整参数。

进一步地，根据所述关键词的户频和所述关键词针对任一所述用户的词频，对该用户的数据中的所述关键词进行打分包括：

按照如下公式对所述用户的数据中的所述关键词进行打分：

scorei＝dfi×ufi

其中，scorei是关键词i针对一所述用户的分值，dfi是关键词i针对该用户的数据中的词频，ufi是关键词i针对所述用户构成的用户集合的户频。

进一步地，所述特征筛选装置，还包括：排序模块和补充模块。

其中，排序模块，用于在若所述关键词的打分结果大于所述筛选阈值，则将所述关键词确定为所述用户的特征词之后，若所述用户的特征词数量小于设定数值，则对所述用户的数据中，除所述特征词以外的，其余所述关键词的打分结果进行排序；

补充模块，用于根据排序结果从其余所述关键词中确定至少一个特征词，以使所述用户的特征词数量大于等于所述设定数值。

实施例四

图4为本发明实施例四提供的一种终端的结构示意图。图4示出了适于用来实现本发明实施方式的示例性终端12的框图。图4显示的终端12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4所示，终端12以通用计算设备的形式表现。终端12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

终端12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被终端12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。终端12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

终端12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该终端12交互的设备通信，和/或与使得该终端12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，终端12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与终端12的其它模块通信。应当明白，尽管图中未示出，可以结合终端12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的特征筛选方法。

实施例五

本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例中任一所述的特征筛选方法。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：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)、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。在本文件中，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。

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。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码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)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (12)

1.一种特征筛选方法，其特征在于，包括：

获取至少一个用户的数据；

从所述数据中确定至少一个关键词；

根据所述关键词的户频，从至少一个所述关键词中确定特征词，其中户频表示数据中包含所述关键词的用户的数量。

2.根据权利要求1所述的特征筛选方法，其特征在于，获取至少一个用户的数据包括：

获取风险种子集合中风险用户提交的数据，其中所述风险种子集合是至少一个风险用户的集合。

3.根据权利要求1所述的特征筛选方法，其特征在于，根据所述关键词的户频，从至少一个所述关键词中确定特征词包括：

根据所述关键词的户频和词频，从至少一个所述关键词中确定针对每个所述用户的特征词，其中所述词频是所述关键词在每个所述用户的数据中出现的频率。

4.根据权利要求3所述的特征筛选方法，其特征在于，根据所述关键词的户频和词频，从至少一个所述关键词中确定针对每个所述用户的特征词包括：

根据所述关键词的户频和所述关键词针对至少一个所述用户的各词频，确定筛选阈值；

根据所述关键词的户频和所述关键词针对任一所述用户的词频，对该用户的数据中的所述关键词进行打分；

若所述关键词的打分结果大于所述筛选阈值，则将所述关键词确定为所述用户的特征词。

5.根据权利要求4所述的特征筛选方法，其特征在于，根据所述关键词的户频和所述关键词针对至少一个所述用户的各词频，确定筛选阈值包括：

按照如下公式确定筛选阈值：

threhold＝N×mean(df)×mean(uf)

其中，threhold为筛选阈值，mean表示加权平均计算，df为每个所述关键词在每个所述用户的数据中的词频，uf为每个所述关键词在由所述用户构成的用户集合中的户频，N为调整参数。

6.根据权利要求4所述的特征筛选方法，其特征在于，根据所述关键词的户频和所述关键词针对任一所述用户的词频，对该用户的数据中的所述关键词进行打分包括：

按照如下公式对所述用户的数据中的所述关键词进行打分：

scorei＝dfi×ufi

其中，scorei是关键词i针对一所述用户的分值，dfi是关键词i针对该用户的数据中的词频，ufi是关键词i针对所述用户构成的用户集合的户频。

7.根据权利要求4所述的特征筛选方法，其特征在于，在若所述关键词的打分结果大于所述筛选阈值，则将所述关键词确定为所述用户的特征词之后，还包括：

若所述用户的特征词数量小于设定数值，则对所述用户的数据中，除所述特征词以外的，其余所述关键词的打分结果进行排序；

根据排序结果从其余所述关键词中确定至少一个特征词，以使所述用户的特征词数量大于等于所述设定数值。

8.一种特征筛选装置，其特征在于，包括：

获取模块，用于获取至少一个用户的数据；

关键词确定模块，用于从所述数据中确定至少一个关键词；

特征词确定模块，用于根据所述关键词的户频，从至少一个所述关键词中确定特征词，其中户频表示数据中包含所述关键词的用户的数量。

9.根据权利要求8所述的特征筛选装置，其特征在于，特征词确定模块包括：

特征词确定单元，用于根据所述关键词的户频和词频，从至少一个所述关键词中确定针对每个所述用户的特征词，其中所述词频是所述关键词在每个所述用户的数据中出现的频率。

10.根据权利要求9所述的特征筛选装置，其特征在于，特征词确定单元包括：

阈值确定子单元，用于根据所述关键词的户频和所述关键词针对至少一个所述用户的各词频，确定筛选阈值；

打分子单元，用于根据所述关键词的户频和所述关键词针对任一所述用户的词频，对该用户的数据中的所述关键词进行打分；

特征词确定子单元，用于若所述关键词的打分结果大于所述筛选阈值，则将所述关键词确定为所述用户的特征词。

11.一种终端，其特征在于，所述终端包括：

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1-7中任一所述的特征筛选方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的特征筛选方法。