CN108066990A - 一种从候选用户列表中选择用户的方法、装置及服务器 - Google Patents
一种从候选用户列表中选择用户的方法、装置及服务器 Download PDFInfo
- Publication number
- CN108066990A CN108066990A CN201611041837.6A CN201611041837A CN108066990A CN 108066990 A CN108066990 A CN 108066990A CN 201611041837 A CN201611041837 A CN 201611041837A CN 108066990 A CN108066990 A CN 108066990A
- Authority
- CN
- China
- Prior art keywords
- user
- candidate
- candidate user
- application platform
- list
- 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
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/70—Game security or game management aspects
- A63F13/79—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories
- A63F13/795—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories for finding other players; for building a team; for providing a buddy list
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/30—Interconnection arrangements between game servers and game devices; Interconnection arrangements between game devices; Interconnection arrangements between game servers
- A63F13/35—Details of game servers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/21—Monitoring or handling of messages
- H04L51/214—Monitoring or handling of messages using selective forwarding
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/21—Monitoring or handling of messages
- H04L51/23—Reliability checks, e.g. acknowledgments or fault reporting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
- A63F2300/50—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers
- A63F2300/53—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers details of basic data processing
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
- A63F2300/50—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers
- A63F2300/55—Details of game data or player data management
- A63F2300/5546—Details of game data or player data management using player registration data, e.g. identification, account, preferences, game history
- A63F2300/556—Player lists, e.g. online players, buddy list, black list
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种从候选用户列表中选择用户的方法、装置及服务器,该方法包括:获取客户端发送的请求候选用户列表的信息;从第一应用平台确定各候选用户的历史行为特征;及从第二应用平台确定各候选用户在第二应用平台的画像特征及历史行为特征;根据各候选用户在第一应用平台的历史行为特征,和在第二应用平台的画像特征及历史行为特征,预测各候选用户在第一应用平台作出异常行为的概率,并转换为负相关关系的信用分;在候选用户列表中为各候选用户标记相应的信用分并反馈给客户端;接收客户端发送的用户选择指令,用户选择指令用于指示候选用户列表中被选择的候选用户。本发明实施例可提升从候选用户列表中选择用户的选择结果的可靠性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种从候选用户列表中选择用户的方法、装置及服务器。
背景技术
为提升用户粘性,游戏等类型的应用平台通常会加入社交元素,如游戏中常会设置公会、聊天群等用户群组。当用户希望加入公会、聊天群等用户群组时,用户可以提交加入申请,并被记录到用户群组的候选用户列表中;具有用户群组管理权限的管理用户(管理用户如公会,聊天群等用户群组的管理员、群主等),会对候选用户列表中的候选用户进行审核,并选择加入到用户群组的候选用户。
目前具有用户群组管理权限的管理用户,主要是基于候选用户列表中展示的各候选用户在应用平台的身份属性,进行候选用户的审核,并选择身份属性符合预期的候选用户进入用户群组。例如在游戏平台中,游戏公会的会长可调取申请加入公会的候选用户列表,通过审核候选用户列表中展示的各游戏用户的角色、职业、等级等身份属性,选择预期的候选用户加入公会中。
这种用户选择方式存在的问题是:具有用户群组管理权限的管理用户,并无法判断候选用户的行为质量,极有可能选择到行为恶劣、但身份属性符合预期的候选用户;而由于行为恶劣的候选用户极有可能会在用户群组中发布广告、欺骗、辱骂等性质的聊天内容,一旦选择到行为恶劣的候选用户,则极有可能对用户群组中已有用户在应用平台的体验造成影响;因此,如何可靠的从候选用户列表中选择用户,提升选择结果的可靠性,成为了本领域技术人员需要考虑的问题。
发明内容
有鉴于此,本发明实施例提供一种从候选用户列表中选择用户的方法、装置及服务器,以可靠的从候选用户列表中选择用户,提升选择结果的可靠性。
为实现上述目的,本发明实施例提供如下技术方案:
一种从候选用户列表中选择用户的方法,应用于第一应用平台的服务器,所述方法包括:
获取客户端发送的请求候选用户列表的信息;
确定所述候选用户列表记录的各候选用户在第一应用平台的用户标识,及确定各候选用户在第二应用平台的账号;所述第一应用平台接入所述第二应用平台的账号;
根据各候选用户的用户标识,从所述第一应用平台的第一数据库中调取出,各候选用户在所述第一应用平台的历史行为特征;及根据各候选用户在第二应用平台的账号,从所述第二应用平台的第二数据库中,确定各候选用户在第二应用平台的画像特征及历史行为特征;
根据各候选用户在第一应用平台的历史行为特征,和在第二应用平台的画像特征及历史行为特征,预测各候选用户在第一应用平台作出异常行为的概率;
将各候选用户对应的概率,转换为各候选用户在第一应用平台的信用分,其中,候选用户的信用分与候选用户对应的概率为负相关关系;
在所述候选用户列表中,为各候选用户标记相应的信用分,并将标记有各候选用户相应的信用分的候选用户列表,反馈给客户端;
接收所述客户端发送的用户选择指令,所述用户选择指令用于指示所述候选用户列表中被选择的候选用户。
本发明实施例还提供一种从候选用户列表中选择用户的装置,包括:
请求获取模块,用于获取客户端发送的请求候选用户列表的信息;
标记及账号确定模块,用于确定所述候选用户列表记录的各候选用户在第一应用平台的用户标识,及确定各候选用户在第二应用平台的账号;所述第一应用平台接入所述第二应用平台的账号;
数据获取模块,用于根据各候选用户的用户标识,从所述第一应用平台的第一数据库中调取出,各候选用户在所述第一应用平台的历史行为特征;及根据各候选用户在第二应用平台的账号,从所述第二应用平台的第二数据库中,确定各候选用户在第二应用平台的画像特征及历史行为特征;
概率预测模块,用于根据各候选用户在第一应用平台的历史行为特征,和在第二应用平台的画像特征及历史行为特征,预测各候选用户在第一应用平台作出异常行为的概率;
信用分转换模块,用于将各候选用户对应的概率,转换为各候选用户在第一应用平台的信用分,其中,候选用户的信用分与候选用户对应的概率为负相关关系;
标记及反馈模块,用于在所述候选用户列表中,为各候选用户标记相应的信用分,并将标记有各候选用户相应的信用分的候选用户列表,反馈给客户端;
选择指令接收模块,用于接收所述客户端发送的用户选择指令,所述用户选择指令用于指示所述候选用户列表中被选择的候选用户。
本发明实施例还提供一种服务器,包括上述所述的从候选用户列表中选择用户的装置。
基于上述技术方案,本发明实施例提供的从候选用户列表中选择用户的方法,服务器可根据候选用户列表中的各候选用户在第一应用平台的历史行为特征,及在第二应用平台的画像特征及历史行为特征,确定出各候选用户在第一应用平台作出异常行为的概率,并转换为负相关关系的信用分;从而服务器可在候选用户列表中标记各候选用户相应的信用分,并反馈给客户端,客户端在展示标记有候选用户相应的信用分的候选用户列表后,客户端的用户可对候选用户在第一应用平台作出异常行为的概率作出判断,从而规避候选用户列表中行为恶劣的候选用户被选择的情况,保障从候选用户列表中选择用户的选择结果的可靠性。
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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例的系统架构图;
图2为本发明实施例提供的从候选用户列表中选择用户的方法的信令流程图;
图3为本发明实施例提供的训练异常行为特征的方法流程图;
图4为训练异常行为特征的示意图;
图5为本发明实施例提供的转换出各候选用户的信用分的方法流程图;
图6为本发明实施例提供的应用示意图;
图7为本发明实施例提供的候选用户列表的展示示意图;
图8为从候选用户列表中选择用户的装置的结构框图;
图9为从候选用户列表中选择用户的装置的另一结构框图;
图10为服务器的硬件结构框图。
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,所描述的实施例仅仅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为本发明实施例提供的从候选用户列表中选择用户的方法的实现系统架构,参照图1,该系统可以包括:客户端10,服务器20,第一数据库30,第二数据库40。
其中,服务器20,第一数据库30属于第一应用平台;本发明实施例可在第一应用平台的候选用户列表中进行用户选择,第一应用平台如游戏平台。服务器20为第一应用平台所属服务器集群中的服务设备,架设在网络侧,可为用户提供第一应用平台的网络服务;可选的,服务器20可以如游戏服务器。
第一数据库30为第一应用平台所属的数据库,架设在网络侧,可记录用户在第一应用平台的用户数据;用户在第一应用平台的用户数据如,用户在第一应用平台的身份特征、行为特征等数据;
第一数据库可以是由多个数据库组成的数据库集群,该数据库集群中可以有不同的数据库分组,一个数据库分组可以对应至少一个数据库,且不同的数据库分组可记录不同类型的用户数据;第一数据库如游戏数据库。
第二数据库40属于第二应用平台,记录有用户在第二应用平台的用户数据。
第二应用平台为与第一应用平台不同的应用平台,但第一应用平台可接入第二应用平台的账号,即用户可通过第二应用平台的账号,登录第一应用平台;可选的,第二应用平台如SNS(社会性网络服务)平台。
客户端10可以装载在智能手机、平板电脑、笔记本电脑等用户设备上,为用户提供第一应用平台的本地服务。
可选的,客户端10可以是第一应用平台的客户端,如游戏客户端;用户可通过客户端10以第二应用平台的账号,登录第一应用平台。
以第一应用平台为游戏平台,第二应用平台为SNS平台为例,客户端10可以是游戏客户端,服务器20可以是游戏服务器,第一数据库30可以是游戏数据库,第二数据库40可以是SNS平台的数据库。
在本发明实施例中,当用户需要从候选用户列表中选择候选用户时,用户可通过客户端10向服务器20请求候选用户列表;服务器可调取客户端所请求的候选用户列表,并确定候选用户列表中的候选用户在第一应用平台的行为特征,在第二应用平台的画像特征(画像特征可以表示用户在第二应用平台的身份、偏好等信息)和行为特征,确定出与候选用户在第一应用平台作出异常行为的概率为负相关关系的信用分;
即如果确定的候选用户的信用分越高,候选用户在第一应用平台作出异常行为的概率越低,候选用户的信用分越低,候选用户在第一应用平台作出异常行为的概率越高;从而服务器可为候选用户列表中的各候选用户标记相应的信用分,并将标记有候选用户的信用分的候选用户列表反馈给客户端;从而便于客户端的用户从候选用户列表中选择候选用户。
基于图1所示系统架构,图2示出了本发明实施例提供的从候选用户列表中选择用户的方法的信令流程图,结合图1和图2所示,该流程可以包括:
步骤S10、客户端以第二应用平台的账号,登录第一应用平台。
由于第一应用平台可接入第二应用平台的账号,用户可通过客户端,以用户在第二应用平台的账号,登录第一应用平台;如用户可通过游戏客户端,以SNS平台的账号,登录游戏平台。
步骤S11、客户端向第一应用平台的服务器发送请求候选用户列表的信息。
候选用户列表可以记录有至少一个候选用户;第一应用平台不同的候选列表可通过不同的列表标识区分;客户端发送的请求候选用户列表的信息中可以携带,所请求的候选用户列表的列表标识,以便服务器调取相应的候选用户列表。
可选的,客户端的用户操作客户端请求候选用户列表的场景,可能是:
用户群组的管理用户(如用户群组的管理员、群主)获取请求加入用户群组的候选用户列表;如当第一应用平台的某一用户希望加入公会、聊天群等用户群组时,可向服务器发送加入用户群组的申请,服务器可在用户群组相应的候选用户列表中记录该提出申请的用户(如记录用户在第一应用平台的用户标识),一个用户群组一般对应一个候选用户列表;从而用户群组的管理用户可在存在申请加入用户群组的候选用户时,向服务器请求用户群组的候选用户列表;
典型的如游戏平台中,游戏用户希望加入游戏公会时,游戏用户可提交游戏公会加入申请,游戏服务器将在游戏公会相应的候选用户列表中记录该游戏用户在游戏中的标识(如在游戏中的名称);相应的,游戏公会的会长可向游戏服务器请求申请加入公会的候选用户列表。
在支持组队、师徒社交的游戏中,客户端的用户操作客户端请求候选用户列表还可能是,请求组队申请列表(组队申请列表中记录有当前请求组队的候选用户),请求师徒关系建立申请列表(师徒关系建立申请列表记录有当前寻找师傅或徒弟的候选用户)等。
步骤S12、服务器从第一数据库调取所述客户端所请求的候选用户列表,所述候选用户列表中记录有至少一个候选用户在第一应用平台的用户标识。
可选的,服务器可根据候选用户列表的列表标识,调取出相应的候选用户列表;如服务器可调取出申请加入用户群组的候选用户列表,申请组队的候选用户列表(组队申请列表),申请建立师徒关系的候选用户列表(师徒关系建立申请列表)等。
步骤S13、服务器根据各候选用户的用户标识,确定各候选用户在第二应用平台的账号。
可选的,候选用户的用户标识,可以直接采用候选用户在第二应用平台的账号;如果候选用户的用户标识,为候选用户在第一应用平台的用户名称,则服务器可通过第一数据库记录的用户在第一应用平台的用户名称,与用户在第二应用平台的账号的绑定关系,确定出候选用户在第二应用平台的账号。
步骤S14、服务器根据各候选用户的用户标识,从第一数据库中调取出,各候选用户在所述第一应用平台的历史行为特征;及根据各候选用户在第二应用平台的账号,确定各候选用户在第二应用平台的画像特征及历史行为特征。
可选的,候选用户列表可通过记录各候选用户在第一应用平台的用户账号、用户名称等用户标识,实现候选用户在候选用户列表中的记录;相应的,服务器在调取到候选用户列表后,可根据候选用户列表中记录的各候选用户在第一应用平台的用户标识,从第一数据库中调取出各候选用户在第一应用平台的历史行为特征。
在基于候选用户在第一应用平台的用户标识,确定出候选用户在第二应用平台的账号后,服务器可通过第二应用平台的第二数据库的开放接口,查询到各候选用户在第二应用平台的画像特征及历史行为特征。
如以第一应用平台为游戏平台,第二应用平台为SNS平台为例,用户在第一应用平台的历史行为特征可以包括:用户在游戏中的游戏行为特征,如用户在游戏中组队、加入队伍、加入群组、离开群组、挂机,强制退出游戏任务,在游戏中发表内容等;
用户在第二应用平台的画像特征可以包括:用户的年龄、性别、学历、职业、兴趣等画像特征;用户在第二应用平台的历史行为特征可以包括:用户在第二应用平台的社交行为特征,如添加好友,被拉入黑名单次数等。
步骤S15、服务器根据各候选用户在第一应用平台的历史行为特征,和在第二应用平台的画像特征及历史行为特征,预测各候选用户在第一应用平台作出异常行为的概率。
可选的,服务器可预先通过机器学习算法,训练出能够预测用户在第一应平台作出异常行为的概率的第一模型;从而将服务器所确定的各候选用户在第一应用平台的历史行为特征,及在第二应用平台的画像特征及历史行为特征,导入该第一模型中,预测出各候选用户在第一应用平台作出异常行为的概率。
异常行为的类型可以如在聊天中刷广告、谩骂用户、欺骗用户、游戏中挂机等;异常行为的类型可以根据实际情况设定。
步骤S16、服务器将各候选用户对应的概率,转换为各候选用户在第一应用平台的信用分,其中,候选用户的信用分与候选用户对应的概率为负相关关系。
在预测出各候选用户在第一应用平台作出异常行为的概率后,本发明实施例可将各候选用户对应的概率转换为,体现候选用户在第一应用平台的信用程度的信用分,从而以分值的形式反映各候选用户在第一应用平台作出异常行为的概率;且候选用户的信用分,与候选用户在第一应用平台作出异常行为的概率为负相关关系,即候选用户的信用分越高,候选用户在第一应用平台作出异常行为的概率越低,候选用户的信用分越低,候选用户在第一应用平台作出异常行为的概率越高。
步骤S17、服务器在所述候选用户列表中,为各候选用户标记相应的信用分。
可选的,本发明实施例还可根据不同的信用分范围,为信用分进行评级;即服务器可根据各候选用户的信用分,确定各候选用户的信用分所处于的信用分范围对应的信用分等级,一个信用分范围对应一个信用分等级;且信用分范围的取值大小,与信用分等级的大小为正相关关系,即信用分等级越高,所对应的信用分范围的取值也应越高;
如本发明实施例可设置优、良、中、差等信用分等级,并设置优、良、中、差等各信用分等级对应的信用分范围,从而根据候选用户的信用分,从优、良、中、差等信用分等级中为候选用户进行评级;
在确定各候选用户的信用分对应的信用分等级后,服务器可在候选用户列表中,为各候选用户标记相应的信用分等级,而不具体标记信用分分值。
可选的,本发明实施例也可在候选用户设置公开信用分的情况下,为设置公开信用分的候选用户在候选用户列表中标记具体的信用分,进一步,还可以标记信用分对应的信用分等级;而对于设置不公开信用分的候选用户,服务器可在候选用户列表中为候选用户标记信用分对应的信用分等级。
在计算出候选用户列表中,各候选用户的信用分后,服务器可在候选用户列表中为各候选用户标记上相应的信用分或信用分等级,还可能是信用分和信用分对应的信用分等级,以便查看候选用户列表的用户,能够直观的了解到各候选用户在第一应用平台作出异常行为的概率;
即查看候选用户列表的用户,可通过候选用户列表中所标记的各候选用户相应的信用分,判断出信用分越高的候选用户作出异常行为的概率越低,行为的文明度越高,而信用分越低的候选用户作出异常行为的概率越高,极可能作出恶劣的行为,从而为查看候选用户列表的用户选择高质量的候选用户提供可能,提升从候选用户列表中选择用户的选择结果的可靠性。
步骤S18、服务器将标记有各候选用户相应的信用分的候选用户列表,反馈给客户端。
可选的,服务器可将标记有各候选用户的具体信用分的候选用户列表,反馈给客户端;也可能是将标记有各候选用户的信用分对应的信用分等级的候选用户列表,反馈给客户端;还可能是将标记有各候选用户的信用分,及各候选用户的信用分等级的候选用户列表,反馈给客户端。
步骤S19、客户端展示所述标记有各候选用户相应的信用分的候选用户列表。
客户端在接收到服务器发送的候选用户列表后,可在展示候选用户列表时,相应的展示各候选用户相应的信用分,如展示具体信用分,或展示信用分等级,或,展示具体信用分和信用分等级。
可选的,候选用户列表可以展示有各候选用户的头像,客户端可在各候选用户的头像旁展示相应的信用分。
步骤S20、客户端向服务器发送用户选择指令,所述用户选择指令用于指示所述候选用户列表中被选择的候选用户。
用户选择指令可以是客户端的用户,基于所展示的候选用户列表进行候选用户选择或拒绝选择后产生的,该用户选择指令除可指示被选择的候选用户外,还可指示拒绝选择的候选用户。
客户端的用户通过候选用户列表中所标记的各候选用户相应的信用分,可判断出候选用户在第一应用平台作出异常行为的概率,提升了被选择的候选用户为文明用户的概率,尽可能的规避了恶劣行为的候选用户被选择的情况,保障了选择结果的可靠性。
步骤S21、服务器根据所述用户选择指令,确定所述候选用户列表中被选择的候选用户。
服务器在确定了被选择的候选用户后,可基于候选用户列表的类型,进行相应的后续操作;如针对公会、聊天群等用户群组的候选用户列表,服务器可将被选择的用户加入到用户群组中;如对于师徒关系建立申请列表类型的候选用户列表,服务器可将被选择的用户设置为客户端用户的师傅或徒弟;如对于组队申请列表类型的候选用户列表,用户可将被选择的用户加入到客户端用户的队伍中。
本发明实施例提供的从候选用户列表中选择用户的方法,服务器可根据候选用户列表中的各候选用户在第一应用平台的历史行为特征,及在第二应用平台的画像特征及历史行为特征,确定出各候选用户在第一应用平台作出异常行为的概率,并转换为负相关关系的信用分;从而服务器可在候选用户列表中标记各候选用户相应的信用分,并反馈给客户端,客户端在展示标记有候选用户相应的信用分的候选用户列表后,客户端的用户可对候选用户在第一应用平台作出异常行为的概率作出判断,从而规避候选用户列表中行为恶劣的候选用户被选择的情况,保障从候选用户列表中选择用户的选择结果的可靠性。
可选的,为实现用户在第一应用平台作出异常行为的概率的预测,本发明实施例可通过机器学习算法,训练出能够预测用户在第一应用平台作出异常行为的概率的第一模型;在训练该第一模型时,本发明实施例可先训练出异常行为特征(异常行为的特征),并以此异常行为特征构造出训练模型所用的用户样本。
图3示出了训练异常行为特征的方法流程图,该方法可由服务器实现,参照图3,该方法可以包括:
步骤S30、收集多个候选异常行为的行为样本,并导入负行为样本池。
可选的,候选异常行为的行为样本,为本发明实施例所收集的可能是异常行为特征的行为样本,是本发明实施例训练出异常行为特征的原始信息;候选异常行为的行为样本的收集方式可以是如下的至少一种:
1、获取历史举报信息;历史举报信息包括:在举报时间点的设定时间内的举报用户,和被举报用户在第一应用平台的行为信息;比如在举报时间点的设定时间内(包含举报时间点前的一定时间,和举报时间点后的一定时间的设定时间内),举报用户和被举报用户在第一应用平台的聊天记录、应用行为状态,及与配合用户的应用行为状态的差值等;
如以游戏应用为例,可获取举报时间点前和后的一定时间内,举报用户和被举报用户的聊天记录(如用户对欺诈或者谩骂的聊天进行举报时,会在举报时上报聊天内容,因此本发明实施例可获取举报时间点的用户聊天记录,而举报可能会存在延迟,本发明实施例也可获取举报时间点前一段时间内的聊天内容)、游戏状态(以对局类的竞技游戏为例,游戏状态可以通过用户在一次游戏对局中的KDA平均值和方差确定,K是指用户在游戏对局中的击杀数、D是指用户在游戏对局中的死亡数、A是指用户在游戏对局中的助攻数)、与队友游戏状态的差值(如用户与队友在游戏对局中的KDA差值)等。
2、从词语库中获取表示候选异常行为的行为关键词;本发明实施例可分析任一候选词语在第一类词语库中对应的出现TF(term frequency,词频),第一类词语库可以记录有异常行为所对应的词语;及候选词语在第二类词语库对应的IDF(inverse documentfrequency,逆向文件频率),第二类词语库可以是非第一类词语库的词语库,第二类词语库中不存储有异常行为所对应的词语;
从而将该候选词语在第一类词语库中对应的出现TF,与在第二类词语库对应的IDF相乘,确定出该候选词语对应的行为类型决策权重,从而在候选词语对应的行为类型决策权重,大于阈值时,确定该候选词语为从词语库中获取的表示候选异常行为的行为关键词;
可选的,在获取出表示候选异常行为的行为关键词后,本发明实施例还可采用word2vec等方法,寻找与行为关键词相近词意的扩展关键词,从而扩充出表示异常行为的关键词。word2vec等方法可以将词语表征为实数值向量的高效工具,其利用深度学习的思想,可以通过训练,把对文本内容的处理简化为K维向量空间中的向量运算,而向量空间上的相似度可以用来表示文本语义上的相似度。
3、获取人工标注的表示候选异常行为的行为样本。
步骤S31、预测所述负行为样本池中的各行为样本,为异常行为特征的概率。
可选的,本发明实施例可预置预测行为是异常行为的概率的行为类型预测模型,通过该行为类型预测模型可以对行为是否为异常行为进行估计,得到行为是异常行为的概率;相应的,本发明实施例可将收集的负行为样本池中的各行为样本,导入该行为类型预测模型中,预测出负行为样本池中的各行为样本,为异常行为特征的概率。该概率可以P1表示。
步骤S32、如果所预测的行为样本的概率,大于设定概率,确定该行为样本对应异常行为特征。
如果负行为样本池中的某一行为样本,所预测的为异常行为特征的概率,大于设定概率,则可确定该行为样本为异常行为特征。
步骤S33、如果所预测的行为样本的概率,小于设定概率,将该行为样本导入人工审核池,以便人工确定该行为样本是否对应异常行为特征。
可选的,图4示出了训练异常行为特征的示意图,其中的行为类型预测模型,并不是对用户样本的行为是否异常进行训练,而是对行为是否异常进行训练;即通过该行为类型预测模型,可以训练出异常行为特征;图中的正行为样本可以是收集的正常行为特征对应的行为样本。
在确定出异常行为特征后,本发明实施例可从第一应用平台的第一数据库中,匹配出在第一应用平台的行为与异常行为特征相匹配的第一类用户(第一类用户可以认为是可能会作出异常行为的用户);获取该第一类用户在第一应用平台的历史行为特征,和在第二应用平台的画像特征和历史行为特征,作为训练第一模型的负用户样本;并获取第二类用户在第一应用平台的历史行为特征,及在第二应用平台的画像特征和历史行为特征,作为训练第一模型的正用户样本;第二类用户为非第一类用户。
负用户样本和正用户样本的数量的比例可以符合设定比例,如1个负样本对应9个正样本。
在得到训练第一模型的正用户样本,和负用户样本后,本发明实施例可采用BOOSTING等机器学习算法建立模型,构建出预测用户在第一应平台作出异常行为的概率的第一模型。
可选的,本发明实施例可对构建出的预测用户在第一应平台作出异常行为的概率的模型,采用交叉验证的方法调整模型参数,使得模型的准确性得以提升。如将获取到的正用户样本和负用户样本的集合分成五份,其中的四份分别用于训练第一模型,一份用于测试第一模型使用,从而得到第一模型的五个预测错误率,从中取平均错误率最低的参数,作为所构建出的第一模型的参数,实现第一模型的构建;其中,将正用户样本和负用户样本的集合分成的份数,训练第一模型和测试第一模型所用的份数,并不限于本段描述,具体数值可根据实际情况设定。
可选的,本发明实施例除考虑用户(第一类用户和第二类用户)在第一应用平台的历史行为特征,及在第二应用平台的画像特征和历史行为特征,训练预测用户在第一应平台作出异常行为的概率的第一模型外,还可考虑用户在第一应用平台的好友在第一应用平台的历史行为特征,及在第二应用平台的画像特征和历史行为特征;通过结合用户(第一类用户和第二类用户)及用户好友在第一应用平台的历史行为特征,及在第二应用平台的画像特征和历史行为特征,进行第一模型的训练;
相应的,步骤S13除获取候选用户在所述第一应用平台的历史行为特征,和在第二应用平台的画像特征及历史行为特征外,还可获取候选用户在第一应用平台的好友在第一应用平台的历史行为特征,和在第二应用平台的画像特征及历史行为特征;通过候选用户及好友在第一应用平台的历史行为特征,和在第二应用平台的画像特征及历史行为特征,确定出候选用户在第一应用平台作出异常行为的概率。
可选的,在构建出预测用户在第一应平台作出异常行为的概率的第一模型后,本发明实施例可将图2所示步骤S13所获取的,各候选用户在第一应用平台的历史行为特征,和在第二应用平台的画像特征及历史行为特征,导入该第一模型中,预测出各候选用户在第一应用平台作出异常行为的概率。
在得到候选用户在第一应用平台作出异常行为的概率后,本发明实施例可采用图5所示方法,将候选用户在第一应用平台作出异常行为的概率,转换为候选用户在第一应用平台的信用分。可选的,图5示出了本发明实施例提供的将候选用户对应的概率,转换为各候选用户在第一应用平台的信用分的方法流程,该方法可应用于服务器,参照图5,该方法可以包括:
步骤S40、根据候选用户对应的概率,确定候选用户的信用调整分;候选用户的信用调整分,与所述候选用户对应的概率为负相关关系。
可选的,设候选用户对应的概率为P2,则候选用户的信用调整分可以是
公式中d为设定参数;可见,选用户的信用调整分,与候选用户对应的概率为负相关关系,候选用户对应的概率越低,信用调整分越高,相反的,候选用户对应的概率越高,信用调整分越低。
可选的,上述公式仅是候选用户的信用调整分,与候选用户对应的概率为负相关关系情况下的可选实现公式,本发明实施例也可支持其他的能够实现候选用户的信用调整分,与所述候选用户对应的概率为负相关关系的公式。
步骤S41、将设定信用分参数加上所述候选用户的信用调整分,得到所述候选用户的信用分。
可选的,上述设定参数d,设定信用分参数可以根据信用分的区间事先给定。
可选的,设候选用户的信用分为S,则可通过如下公式计算候选用户的信用分:
其中c为设定信用分参数。
本发明实施例提供的从候选用户列表中选择用户的方法,可应用在游戏平台中,具体可以是在公会会长筛选申请加入公会的候选用户时,通过在申请加入公会的候选用户列表中标记各候选用户的信用分,使得公会会长规避低信用、作出恶劣行为概率高的用户加入公会中;
具体应用可以如图6所示,游戏服务器可以先训练出,能够预测用户在游戏中作出刷广告、谩骂用户等异常行为概率的第一模型;
当第一用户通过游戏客户端请求加入游戏的某一公会时,游戏服务器可在申请加入该公会的候选用户列表中记录第一用户在游戏中的用户标识(如用户名称);
当公会的会长(第二用户)发现有用户申请加入公会是,第二用户可通过游戏客户端请求申请加入公会的候选用户的候选用户列表;
游戏服务器在调取到该公会的候选用户列表后,可根据第一用户在游戏中的用户标识,确定出第一用户在游戏中的好友的用户标识;从而基于第一用户在游戏中的用户标识,确定第一用户在SNS平台的账号,及第一用户的好友在游戏中的用户标识,确定第一用户的好友在SNS平台的账号;用户可以通过SNS平台的账号登录游戏;
游戏服务器可通过第一用户在SNS平台的账号,及第一用户的好友在SNS平台的账号,调取出第一用户及好友在SNS平台的画像特征和历史行为特征;
同时,游戏服务器可从游戏数据库中,调取出第一用户及好友在游戏中的历史行为特征;
游戏服务器将第一用户及好友在游戏中的历史行为特征,和在SNS平台的画像特征及历史行为特征,导入预测第一模型,确定出第一用户在游戏中作出异常行为的概率,并将该概率转换为第一用户在游戏中的信用分;
游戏服务器在该公会的候选用户列表中,标记该第一用户的信用分,并向第二用户的游戏客户端反馈,标记有第一用户的信用分的候选用户列表;
第二用户的游戏客户端展示申请加入公会的候选用户列表,并在候选用户列表中的第一用户的头像旁展示第一用户的信用分;可选的,如果第一用户设置不公开具体信用分,则游戏服务器在调取了第一用户的信用分设置后,可确定第一用户不公开具体信用分,将第一用户的信用分转换为相应的信用分等级,并标记在候选用户列表中;
可选的,候选用户列表中也可是展示用户的具体信用分和信用分等级,如图7所示;
第二用户查看候选用户列表后,发现第一用户的信用分较高,不属于可能会作出异常行为的用户,可准许第一用户加入公会;从而第二用户操作游戏客户端向游戏服务器发出允许第一用户加入公会的请求;
游戏服务器将第一用户加入到公会中在游戏数据库中进行记录,并向第一用户的游戏客户端发送第一用户加入公会的通知。
可选的,本发明实施例也可在游戏的组队申请列表中,标记各个请求组队的用户的信用分,在师徒关系建立申请列表中标记请求寻找师傅或徒弟的用户的信用分,具体应用场景并不受限,只要是可展示待选择用户的候选用户列表的场景即可应用本发明实施例。
进一步,目前对于用户的留存策略并没有考虑到用户的信用分,对于信用分高的用户,本发明实施例可以投入更多资源进行留存,优化信用分高的用户的留存策略;相反,对于信用分低的玩家策略可以减少资源的投入,以达到高质量用户留存和净化游戏环境的目的。
本发明实施例可以根据候选用户列表中的各候选用户在第一应用平台的历史行为特征,及在第二应用平台的画像特征和历史行为特征,确定出各候选用户在第一应用平台作出异常行为的概率,并转换为负相关关系的信用分;从而服务器可在候选用户列表中标记各候选用户相应的信用分,并反馈给客户端,客户端在展示标记有候选用户相应的信用分的候选用户列表后,客户端的用户可对候选用户在第一应用平台作出异常行为的概率作出判断,从而候规避选用户列表中行为恶劣的候选用户被选择的情况,保障从候选用户列表中选择用户的选择结果的可靠性。
下面对本发明实施例提供的从候选用户列表中选择用户的装置进行介绍,下文描述的从候选用户列表中选择用户的装置,可与上文描述的从候选用户列表中选择用户的方法相互对应参照。下文描述的从候选用户列表中选择用户的装置,可以认为是第一应用平台的服务器为实现本发明实施例提供的从候选用户列表中选择用户的方法,所需设置的功能模块架构。
图8为本发明实施例提供的从候选用户列表中选择用户的装置的结构框图,该装置可应用于第一应用平台的服务器,参照图8,该装置可以包括:
请求获取模块100,用于获取客户端发送的请求候选用户列表的信息;
标记及账号确定模块200,用于确定所述候选用户列表记录的各候选用户在第一应用平台的用户标识,及确定各候选用户在第二应用平台的账号;所述第一应用平台接入所述第二应用平台的账号;
可选的,服务器可根据请求信息中携带的列表标识确定相应的候选用户列表,并确定出候选用户列表中记录的候选用户在第一应用平台的用户标识;
可选的,如果用户标识直接为第二应用平台的账号,则可直接以候选用户在第一应用平台的用户标识,确定候选用户在第二应用平台的账号;
可选的,如果候选用户的用户标识,为候选用户在第一应用平台的用户名称,则服务器可通过第一数据库记录的用户在第一应用平台的用户名称,与用户在第二应用平台的账号的绑定关系,确定出候选用户在第二应用平台的账号。
数据获取模块300,用于根据各候选用户的用户标识,从所述第一应用平台的第一数据库中调取出,各候选用户在所述第一应用平台的历史行为特征;及根据各候选用户在第二应用平台的账号,从所述第二应用平台的第二数据库中,确定各候选用户在第二应用平台的画像特征及历史行为特征;
概率预测模块400,用于根据各候选用户在第一应用平台的历史行为特征,和在第二应用平台的画像特征及历史行为特征,预测各候选用户在第一应用平台作出异常行为的概率;
信用分转换模块500,用于将各候选用户对应的概率,转换为各候选用户在第一应用平台的信用分,其中,候选用户的信用分与候选用户对应的概率为负相关关系;
标记及反馈模块600,用于在所述候选用户列表中,为各候选用户标记相应的信用分,并将标记有各候选用户相应的信用分的候选用户列表,反馈给客户端;
选择指令接收模块700,用于接收所述客户端发送的用户选择指令,所述用户选择指令用于指示所述候选用户列表中被选择的候选用户。
可选的,图9示出了从候选用户列表中选择用户的装置的另一结构,结合图8和图9所示,该装置还可以包括:
异常行为特征训练模块800,用于收集多个候选异常行为的行为样本,并导入负行为样本池;预测所述负行为样本池中的各行为样本,为异常行为特征的概率;如果所预测的行为样本的概率,大于设定概率,确定该行为样本对应异常行为特征;如果所预测的行为样本的概率,小于设定概率,将该行为样本导入人工审核池,以便人工确定该行为样本是否对应异常行为特征。
可选的,异常行为特征训练模块800,用于收集多个候选异常行为的行为样本,具体包括:
获取历史举报信息;历史举报信息包括:在举报时间点的设定时间内的举报用户,和被举报用户在第一应用平台的行为信息;
从词语库中获取表示候选异常行为的行为关键词;
获取人工标注的表示候选异常行为的行为样本。
可选的,异常行为特征训练模块800,用于从词语库中获取表示候选异常行为的行为关键词,具体包括:
确定候选词语在第一类词语库中对应的出现TF,及候选词语在第二类词语库对应的IDF;
将所述候选词语对应的出现TF和IDF相乘,确定所述候选词语对应的行为类型决策权重;
如果所述候选词语对应的行为类型决策权重大于阈值,确定所述候选词语为从词语库中获取的表示候选异常行为的行为关键词。
可选的,异常行为特征训练模块800,还可用于寻找与行为关键词相近词意的扩展关键词,扩充表示候选异常行为的行为关键词。
可选的,如图9所示,该装置还可以包括:
第一模型训练模块900,用于从第一应用平台的第一数据库中,匹配出在第一应用平台的行为与异常行为特征相匹配的第一类用户;获取第一类用户在第一应用平台的历史行为特征,和在第二应用平台的画像特征及历史行为特征,作为训练第一模型的负用户样本;第一模型为预测用户在第一应用平台作出异常行为的概率的模型;获取第二类用户在第一应用平台的历史行为特征,和在第二应用平台的画像特征及历史行为特征,作为训练第一模型的正用户样本;采用机器学习算法,根据负用户样本和正用户样本,训练出第一模型。
相应的,概率预测模块400,可将各候选用户在第一应用平台的历史行为特征,和在第二应用平台的画像特征及历史行为特征,导入第一模型中,预测各候选用户在第一应用平台作出异常行为的概率。
可选的,信用分转换模块500,用于将各候选用户对应的概率,转换为各候选用户在第一应用平台的信用分,具体包括:
根据候选用户对应的概率,确定候选用户的信用调整分;候选用户的信用调整分,与所述候选用户对应的概率为负相关关系;
将设定信用分参数加上所述候选用户的信用调整分,得到所述候选用户的信用分。
可选的,标记及反馈模块600,用于在所述候选用户列表中,为各候选用户标记相应的信用分,并将标记有各候选用户相应的信用分的候选用户列表,反馈给客户端,具体包括:
在所述候选用户列表中,为各候选用户标记信用分的分值,并将标记有各候选用户的信用分的分值的候选用户列表,反馈给客户端;
和/或,确定各候选用户的信用分所处于的信用分范围对应的信用分等级,一个信用分范围对应一个信用分等级,在候选用户列表中,为各候选用户标记相应的信用分等级,并将标记有各候选用户的信用分等级的候选用户列表,反馈给客户端。
本发明实施例还提供一种服务器,该服务器可位于第一应用平台,该服务器可以包括上述所述的从候选用户列表中选择用户的装置。
可选的,图10示出了服务器的硬件结构,参照图10,该服务器可以包括:处理器1,通信接口2,存储器3和通信总线4;
其中处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信;
可选的,通信接口2可以为通信模块的接口,如GSM模块的接口;
处理器1可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器3可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
其中,处理器1具体用于:
获取客户端发送的请求候选用户列表的信息;
确定所述候选用户列表记录的各候选用户在第一应用平台的用户标识,及确定各候选用户在第二应用平台的账号;所述第一应用平台接入所述第二应用平台的账号;
根据各候选用户的用户标识,从所述第一应用平台的第一数据库中调取出,各候选用户在所述第一应用平台的历史行为特征;及根据各候选用户在第二应用平台的账号,从所述第二应用平台的第二数据库中,确定各候选用户在第二应用平台的画像特征及历史行为特征;
根据各候选用户在第一应用平台的历史行为特征,和在第二应用平台的画像特征及历史行为特征,预测各候选用户在第一应用平台作出异常行为的概率;
将各候选用户对应的概率,转换为各候选用户在第一应用平台的信用分,其中,候选用户的信用分与候选用户对应的概率为负相关关系;
在所述候选用户列表中,为各候选用户标记相应的信用分,并将标记有各候选用户相应的信用分的候选用户列表,反馈给客户端;
接收所述客户端发送的用户选择指令,所述用户选择指令用于指示所述候选用户列表中被选择的候选用户。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的核心思想或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (13)
1.一种从候选用户列表中选择用户的方法,其特征在于,应用于第一应用平台的服务器,所述方法包括:
获取客户端发送的请求候选用户列表的信息;
确定所述候选用户列表记录的各候选用户在第一应用平台的用户标识,及确定各候选用户在第二应用平台的账号;所述第一应用平台接入所述第二应用平台的账号;
根据各候选用户的用户标识,从所述第一应用平台的第一数据库中调取出,各候选用户在所述第一应用平台的历史行为特征;及根据各候选用户在第二应用平台的账号,从所述第二应用平台的第二数据库中,确定各候选用户在第二应用平台的画像特征及历史行为特征;
根据各候选用户在第一应用平台的历史行为特征,和在第二应用平台的画像特征及历史行为特征,预测各候选用户在第一应用平台作出异常行为的概率;
将各候选用户对应的概率,转换为各候选用户在第一应用平台的信用分,其中,候选用户的信用分与候选用户对应的概率为负相关关系;
在所述候选用户列表中,为各候选用户标记相应的信用分,并将标记有各候选用户相应的信用分的候选用户列表,反馈给客户端;
接收所述客户端发送的用户选择指令,所述用户选择指令用于指示所述候选用户列表中被选择的候选用户。
2.根据权利要求1所述的从候选用户列表中选择用户的方法,其特征在于,所述方法还包括:
收集多个候选异常行为的行为样本,并导入负行为样本池;
预测所述负行为样本池中的各行为样本,为异常行为特征的概率;
如果所预测的行为样本的概率,大于设定概率,确定该行为样本对应异常行为特征;
如果所预测的行为样本的概率,小于设定概率,将该行为样本导入人工审核池,以便人工确定该行为样本是否对应异常行为特征。
3.根据权利要求2所述的从候选用户列表中选择用户的方法,其特征在于,所述收集多个候选异常行为的行为样本包括:
获取历史举报信息;历史举报信息包括:在举报时间点的设定时间内的举报用户,和被举报用户在第一应用平台的行为信息;
从词语库中获取表示候选异常行为的行为关键词;
获取人工标注的表示候选异常行为的行为样本。
4.根据权利要求3所述的从候选用户列表中选择用户的方法,其特征在于,所述从词语库中获取表示候选异常行为的行为关键词包括:
确定候选词语在第一类词语库中对应的出现词频TF,及候选词语在第二类词语库对应的逆向文件频率IDF;
将所述候选词语对应的出现TF和IDF相乘,确定所述候选词语对应的行为类型决策权重;
如果所述候选词语对应的行为类型决策权重大于阈值,确定所述候选词语为从词语库中获取的表示候选异常行为的行为关键词。
5.根据权利要求4所述的从候选用户列表中选择用户的方法,其特征在于,所述方法还包括:
寻找与行为关键词相近词意的扩展关键词,扩充表示候选异常行为的行为关键词。
6.根据权利要求2-5任一项所述的从候选用户列表中选择用户的方法,其特征在于,所述方法还包括:
从第一应用平台的第一数据库中,匹配出在第一应用平台的行为与异常行为特征相匹配的第一类用户;
获取第一类用户在第一应用平台的历史行为特征,和在第二应用平台的画像特征及历史行为特征,作为训练第一模型的负用户样本;第一模型为预测用户在第一应用平台作出异常行为的概率的模型;
获取第二类用户在第一应用平台的历史行为特征,和在第二应用平台的画像特征及历史行为特征,作为训练第一模型的正用户样本;
采用机器学习算法,根据负用户样本和正用户样本,训练出第一模型。
7.根据权利要求1所述的从候选用户列表中选择用户的方法,其特征在于,所述将各候选用户对应的概率,转换为各候选用户在第一应用平台的信用分包括:
根据候选用户对应的概率,确定候选用户的信用调整分;候选用户的信用调整分,与所述候选用户对应的概率为负相关关系;
将设定信用分参数加上所述候选用户的信用调整分,得到所述候选用户的信用分。
8.根据权利要求1所述的从候选用户列表中选择用户的方法,其特征在于,所述在所述候选用户列表中,为各候选用户标记相应的信用分包括:
在所述候选用户列表中,为各候选用户标记信用分的分值;
和/或,确定各候选用户的信用分所处于的信用分范围对应的信用分等级,一个信用分范围对应一个信用分等级,在候选用户列表中,为各候选用户标记相应的信用分等级。
9.一种从候选用户列表中选择用户的装置,其特征在于,包括:
请求获取模块,用于获取客户端发送的请求候选用户列表的信息;
标记及账号确定模块,用于确定所述候选用户列表记录的各候选用户在第一应用平台的用户标识,及确定各候选用户在第二应用平台的账号;所述第一应用平台接入所述第二应用平台的账号;
数据获取模块,用于根据各候选用户的用户标识,从所述第一应用平台的第一数据库中调取出,各候选用户在所述第一应用平台的历史行为特征;及根据各候选用户在第二应用平台的账号,从所述第二应用平台的第二数据库中,确定各候选用户在第二应用平台的画像特征及历史行为特征;
概率预测模块,用于根据各候选用户在第一应用平台的历史行为特征,和在第二应用平台的画像特征及历史行为特征,预测各候选用户在第一应用平台作出异常行为的概率;
信用分转换模块,用于将各候选用户对应的概率,转换为各候选用户在第一应用平台的信用分,其中,候选用户的信用分与候选用户对应的概率为负相关关系;
标记及反馈模块,用于在所述候选用户列表中,为各候选用户标记相应的信用分,并将标记有各候选用户相应的信用分的候选用户列表,反馈给客户端;
选择指令接收模块,用于接收所述客户端发送的用户选择指令,所述用户选择指令用于指示所述候选用户列表中被选择的候选用户。
10.根据权利要求9所述的从候选用户列表中选择用户的装置,其特征在于,还包括:
异常行为特征训练模块,用于收集多个候选异常行为的行为样本,并导入负行为样本池;预测所述负行为样本池中的各行为样本,为异常行为特征的概率;如果所预测的行为样本的概率,大于设定概率,确定该行为样本对应异常行为特征;如果所预测的行为样本的概率,小于设定概率,将该行为样本导入人工审核池,以便人工确定该行为样本是否对应异常行为特征。
11.根据权利要求10所述的从候选用户列表中选择用户的装置,其特征在于,还包括:
第一模型训练模块,用于从第一应用平台的第一数据库中,匹配出在第一应用平台的行为与异常行为特征相匹配的第一类用户;获取第一类用户在第一应用平台的历史行为特征,和在第二应用平台的画像特征及历史行为特征,作为训练第一模型的负用户样本;第一模型为预测用户在第一应用平台作出异常行为的概率的模型;获取第二类用户在第一应用平台的历史行为特征,和在第二应用平台的画像特征及历史行为特征,作为训练第一模型的正用户样本;采用机器学习算法,根据负用户样本和正用户样本,训练出第一模型。
12.根据权利要求9所述的从候选用户列表中选择用户的装置,其特征在于,标记及反馈模块,用于在所述候选用户列表中,为各候选用户标记相应的信用分,并将标记有各候选用户相应的信用分的候选用户列表,反馈给客户端,具体包括:
在所述候选用户列表中,为各候选用户标记信用分的分值,并将标记有各候选用户的信用分的分值的候选用户列表,反馈给客户端;
和/或,确定各候选用户的信用分所处于的信用分范围对应的信用分等级,一个信用分范围对应一个信用分等级,在候选用户列表中,为各候选用户标记相应的信用分等级,并将标记有各候选用户的信用分等级的候选用户列表,反馈给客户端。
13.一种服务器,其特征在于,包括权利要求9-12任一项所述的从候选用户列表中选择用户的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611041837.6A CN108066990B (zh) | 2016-11-18 | 2016-11-18 | 一种从候选用户列表中选择用户的方法、装置及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611041837.6A CN108066990B (zh) | 2016-11-18 | 2016-11-18 | 一种从候选用户列表中选择用户的方法、装置及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108066990A true CN108066990A (zh) | 2018-05-25 |
CN108066990B CN108066990B (zh) | 2021-01-22 |
Family
ID=62161483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611041837.6A Active CN108066990B (zh) | 2016-11-18 | 2016-11-18 | 一种从候选用户列表中选择用户的方法、装置及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108066990B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109603159A (zh) * | 2018-12-18 | 2019-04-12 | 网易(杭州)网络有限公司 | 匹配游戏玩家的方法、装置及系统 |
CN110599312A (zh) * | 2019-09-29 | 2019-12-20 | 支付宝(杭州)信息技术有限公司 | 基于信用的交互信用评估方法以及装置 |
CN113065908A (zh) * | 2020-01-02 | 2021-07-02 | 中国移动通信有限公司研究院 | 租赁方法、租赁装置、租赁平台及存储介质 |
CN115531886A (zh) * | 2022-10-08 | 2022-12-30 | 广州易幻网络科技有限公司 | 一种用户和设备数据管理方法、系统及可存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8161552B1 (en) * | 2009-09-23 | 2012-04-17 | Trend Micro, Inc. | White list creation in behavior monitoring system |
CN102467542A (zh) * | 2010-11-11 | 2012-05-23 | 腾讯科技(深圳)有限公司 | 获取用户相似度的方法、装置及用户推荐方法、系统 |
CN103150374A (zh) * | 2013-03-11 | 2013-06-12 | 中国科学院信息工程研究所 | 一种识别微博异常用户的方法和系统 |
CN103366088A (zh) * | 2013-06-29 | 2013-10-23 | 优视科技有限公司 | 一种通过智能配对提高游戏质量的方法及装置 |
CN103581270A (zh) * | 2012-08-08 | 2014-02-12 | 腾讯科技(深圳)有限公司 | 用户推荐方法和系统 |
CN103810255A (zh) * | 2014-01-21 | 2014-05-21 | 南京理工大学 | 关键字推荐方法及服务器 |
CN104852886A (zh) * | 2014-02-14 | 2015-08-19 | 腾讯科技(深圳)有限公司 | 用户帐号的保护方法及装置 |
CN105022761A (zh) * | 2014-04-30 | 2015-11-04 | 腾讯科技(深圳)有限公司 | 群组查找方法和装置 |
CN105354210A (zh) * | 2015-09-23 | 2016-02-24 | 深圳市爱贝信息技术有限公司 | 移动游戏支付账户行为数据处理方法和装置 |
CN106056444A (zh) * | 2016-05-25 | 2016-10-26 | 腾讯科技(深圳)有限公司 | 数据处理方法和装置 |
-
2016
- 2016-11-18 CN CN201611041837.6A patent/CN108066990B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8161552B1 (en) * | 2009-09-23 | 2012-04-17 | Trend Micro, Inc. | White list creation in behavior monitoring system |
CN102467542A (zh) * | 2010-11-11 | 2012-05-23 | 腾讯科技(深圳)有限公司 | 获取用户相似度的方法、装置及用户推荐方法、系统 |
CN103581270A (zh) * | 2012-08-08 | 2014-02-12 | 腾讯科技(深圳)有限公司 | 用户推荐方法和系统 |
CN103150374A (zh) * | 2013-03-11 | 2013-06-12 | 中国科学院信息工程研究所 | 一种识别微博异常用户的方法和系统 |
CN103366088A (zh) * | 2013-06-29 | 2013-10-23 | 优视科技有限公司 | 一种通过智能配对提高游戏质量的方法及装置 |
CN103810255A (zh) * | 2014-01-21 | 2014-05-21 | 南京理工大学 | 关键字推荐方法及服务器 |
CN104852886A (zh) * | 2014-02-14 | 2015-08-19 | 腾讯科技(深圳)有限公司 | 用户帐号的保护方法及装置 |
CN105022761A (zh) * | 2014-04-30 | 2015-11-04 | 腾讯科技(深圳)有限公司 | 群组查找方法和装置 |
CN105354210A (zh) * | 2015-09-23 | 2016-02-24 | 深圳市爱贝信息技术有限公司 | 移动游戏支付账户行为数据处理方法和装置 |
CN106056444A (zh) * | 2016-05-25 | 2016-10-26 | 腾讯科技(深圳)有限公司 | 数据处理方法和装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109603159A (zh) * | 2018-12-18 | 2019-04-12 | 网易(杭州)网络有限公司 | 匹配游戏玩家的方法、装置及系统 |
CN110599312A (zh) * | 2019-09-29 | 2019-12-20 | 支付宝(杭州)信息技术有限公司 | 基于信用的交互信用评估方法以及装置 |
CN113065908A (zh) * | 2020-01-02 | 2021-07-02 | 中国移动通信有限公司研究院 | 租赁方法、租赁装置、租赁平台及存储介质 |
CN115531886A (zh) * | 2022-10-08 | 2022-12-30 | 广州易幻网络科技有限公司 | 一种用户和设备数据管理方法、系统及可存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108066990B (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Algan | Trust and social capital | |
CN108073659A (zh) | 一种婚恋对象推荐方法及装置 | |
CN103647800A (zh) | 推荐应用资源的方法及系统 | |
CN107807943A (zh) | 应用程序推荐方法及装置 | |
CN106529189A (zh) | 一种用户分类方法、应用服务器及应用客户端 | |
CN108066989A (zh) | 一种随机匹配组队方法、装置及应用服务器 | |
JP7184315B2 (ja) | 情報処理装置、競技イベントの開催支援方法、及びプログラム | |
CN108066990A (zh) | 一种从候选用户列表中选择用户的方法、装置及服务器 | |
CN108074158A (zh) | 共享租赁平台的用户推荐页面展示方法、装置及服务器 | |
CN110020099A (zh) | 一种视频交友的用户推荐方法和装置 | |
CN111159541B (zh) | 一种帐号行为偏好的确定方法及装置 | |
CN106534970A (zh) | 一种推荐视频确定方法、数据处理服务器及系统 | |
CN104899238B (zh) | 组形成方法、数据采集方法和数据采集设备 | |
CN103617221B (zh) | 软件推荐方法及系统 | |
Whelan et al. | The English national health service diabetes prevention programme (NHS DPP): A scoping review of existing evidence | |
CN110427971A (zh) | 用户及ip的识别方法、装置、服务器和存储介质 | |
CN109003492A (zh) | 一种题目选择方法、装置及终端设备 | |
CN107610015A (zh) | 一种学分获取方法、服务器、系统及存储介质 | |
Bourgeois et al. | A design theory approach to community informatics: Community-centered development and action research testing of online social networking prototype | |
KR20200027868A (ko) | 예측 플랫폼, 예측 플랫폼을 이용한 예측 명제 판단 방법 및 컴퓨터 프로그램 | |
CN109559013A (zh) | 基于小游戏的风险测试方法及装置、电子设备及可读存储介质 | |
CN109146737B (zh) | 一种基于考试平台的智能交互方法和装置 | |
CN108648117A (zh) | 培训档案的共享方法与装置 | |
CN107509083B (zh) | 直播人数真实性检测方法、存储介质、电子设备及系统 | |
CN107168967B (zh) | 目标知识点的获取方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |