CN108898505A - 作弊团伙的识别方法、相关存储介质和电子设备 - Google Patents
作弊团伙的识别方法、相关存储介质和电子设备 Download PDFInfo
- Publication number
- CN108898505A CN108898505A CN201810526686.6A CN201810526686A CN108898505A CN 108898505 A CN108898505 A CN 108898505A CN 201810526686 A CN201810526686 A CN 201810526686A CN 108898505 A CN108898505 A CN 108898505A
- Authority
- CN
- China
- Prior art keywords
- user
- address
- weight
- information
- cheating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000006399 behavior Effects 0.000 claims description 6
- 230000003542 behavioural effect Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008376 long-term health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种作弊团伙的识别方法，包括以下步骤：S1，获取在预设时间段内的每一用户的数据信息，数据信息包括属性信息；S2，计算每一用户的属性信息的权重；S3，根据属性信息的权重计算所有用户中每两个用户之间的相似度；S4，根据每两个用户之间的相似度，构建用户关系图；S5，从用户关系图中选择至少一个最大连通子图，每一个最大连通子图均对应一个用户团体，并根据预设规则判断最大连通子图所对应的用户团体是否为作弊团伙。本发明还涉及相关的计算机可读存储介质以及电子设备。
Description
技术领域
本发明涉及大数据领域，具体涉及一种作弊团伙的识别方法、相关计算机可读存储介质和电子设备。
背景技术
观看视频直播已经成为中国网民在线娱乐生活最主要的组成部分，但是在直播平台上通常会存在一些恶意用户，这些用户会做一些虚假刷关注、刷人气、刷弹幕的行为，以增加自身的热度，来获取大量的关注，这类用户称之为作弊用户。
作弊用户的存在会对直播平台的环境产生非常恶劣的影响，甚至有可能导致直播平台用户的流失，找到这种作弊用户有利于维护直播平台的秩序，保证平台的长期健康发展。通常情况下，作弊用户以团伙的形式出现，但在现有技术中，还不能够有效的识别出作弊团伙。
因此，有必要提出一种用于网络直播平台的作弊团伙的识别方法。
发明内容
有鉴于此，为了克服上述问题的至少一个方面，本发明的实施例提供了一种作弊团伙的识别方法。
根据本发明的一个方面，提供了一种用于网络直播平台的作弊团伙的识别方法，包括以下步骤：
S1，获取在预设时间段内的每一用户的数据属性信息，所述数据信息包括属性信息；
S2，计算每一用户的所述属性信息的权重；
S3，根据所述属性信息的权重计算所有用户中每两个用户之间的相似度；
S4，根据所述每两个用户之间的相似度，构建用户关系图；
S5，从所述用户关系图中选择至少一个最大连通子图，每一个所述最大连通子图均对应一个用户团体，并根据预设规则判断所述最大连通子图所对应的用户团体是否为作弊团伙。
例如，所述每一用户的属性信息包括所述每一用户使用的IP地址信息以及设备ID信息；
在步骤S2中，计算每一用户使用的IP地址的权重以及设备ID的权重。
例如，所述数据信息还包括行为信息，所述行为信息包括观看信息、弹幕信息以及登录信息；
所述步骤S2进一步包括，根据所述观看信息、所述弹幕信息以及所述登录信息计算所述IP地址的权重；根据所述观看信息、所述弹幕信息以及所述登录信息计算所述设备ID的权重。
例如，根据下式计算所述IP地址的权重或设备ID的权重：
其中，i表示所述用户使用的第i个IP地址或设备ID；wi表示第i个IP地址或设备ID所对应的观看信息，并且一共有n个IP地址或设备ID对应观看信息；di表示第i个IP地址或设备ID所对应的弹幕信息，并且一共有m个IP地址或设备ID对应弹幕信息；ri表示第i个IP地址或设备ID所对应的登录信息，并且一共有k个IP地址或设备ID对应登录信息；f1、f2和f3为权重系数，取值在0到1之间，并且满足f1+f2+f3＝1。
例如，根据下式计算用户之间的相似度：
其中，wuv表示用户u和用户v之间相似度；Iu是用户u使用的IP地址集合，Iv是用户v使用的IP地址集合，Iu∩Iv是用户u和v共同使用的IP地址集合，wpup是用户u对于IP地址p的权重，wpvp是用户v对于IP地址p的权重；Du是用户u使用的设备ID集合，Dv是用户v使用的设备ID集合，Du∩Dv是用户u和v共同使用的设备ID集合，wdud是用户u对于设备ID为d的权重，wdvd是用户v对于设备ID为d的权重；w1和w2为权重系数，取值在0到1之间，并且满足w1+w2＝1，且w1小于w2。
进一步地，步骤S4进一步包括：将所有用户看成用户关系图上的顶点，若根据步骤S3计算出的两个用户之间的相似度大于第一预设阈值，则将两个用户在所述用户关系图上的所对应的顶点用一条边连接。
进一步地，步骤S5进一步包括：
在所述最大连通子图中，若作弊用户所占比例大于第二预设阈值，则判断该最大连通子图所对应的用户团体为作弊团伙。
例如，步骤S5进一步包括：
若所述最大连通子图所对应的用户团体中用户的数量大于第三预设阈值，则判断该最大连通子图所对应的用户团体为作弊团伙。
本发明还提供一种计算机可读存储介质，其上存储有可执行指令，其特征在于，所述指令在由处理器执行时，实现如上所述的任一种用于网络直播平台的作弊团伙的识别方法的步骤。
本发明还提供了一种电子设备，其包括：
存储器，用于存储可执行指令；以及
处理器，用于执行所述存储器中存储的可执行指令，以实现如上所述的任一种用于网络直播平台的作弊团伙的识别方法的步骤。
与现有技术相比，本发明具有以下优点：
通常来讲，作弊用户在某些属性和行为上具有一定的聚集性，比如使用相同的设备或者IP进行作案。因此本发明根据这样的特征，利用图结构并采用聚类的方式判断作弊团伙，更加具有科学性并且准确性更高，由此能够快速识别出作弊用户团伙。
附图说明
通过下文中参照附图对本发明所作的描述，本发明的其它目的和优点将显而易见，并可帮助对本发明有全面的理解。
图1为本发明实施例提供的用于网络直播平台的作弊团伙的识别方法的实施步骤的流程图；
图2为本发明实施例提供的计算机可读存储介质的结构示意图；
图3为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明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的一个实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的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。
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
根据本发明的一个方面，提供了一种用于网络直播平台的作弊团伙的识别方法，具体实现思路如下：
根据用户行为计算用户之间的相似度，并构建用户关系图，若两个用户之间的相似度大于预设阈值，则说明这两个用户有关系，则在用户关系图中用一条边将这两个用户连接，如此计算所有用户两两之间的相似度，就可以得到完整的用户关系图，再从用户关系图中提取最大连通子图，每个最大连通子图都对应一个用户团体，若最大连通子图满足预设规则，则说明该最大连通子图对应的用户团体为作弊团伙。
更具体的，下面结合附图对本发明实现判断作弊用户的方法进行详细的描述。
参考图1所示，本发明的实施例提供的用于网络直播平台的作弊团伙的识别方法可以包括如下步骤：
S1，获取在预设时间段内的每一用户的数据信息，数据信息包括属性信息。
在本实施例中，属性信息可以包括每一用户使用的IP地址信息、用户所使用的设备的ID信息以及每一用户观看的直播间的ID信息。在其他实施例中，数据信息还可以包括行为信息，行为信息可以包括观看信息、弹幕信息和登录信息。
一个用户在平台上可以具有多种行为，而且一个用户可能对应多个IP地址或者多个设备ID，并且在使用上具有频率和强度上的差异，但是一个作弊团伙可能会使用相同的设备ID或者IP地址。
因此在本实施例中，可以获取每一用户在预设时间段内使用的IP地址信息以及设备ID信息。
在本实施例中，预设时间段可以是7天。当然在其他实施例中，也可以是其他时间长度，比如可以为更长的时间长度，例如30天，还可以为较短的时间长度，例如数小时。在此，比如可以获取7天内，每一用户使用的IP地址信息以及获取7天内每一用户使用的设备ID信息。
S2，计算每一用户的属性信息的权重。
用户属性信息权重的计算可以受多种因素影响，例如，观看信息、弹幕信息、登录信息或者其他一些因素。用户属性信息权重可以同时受一种因素影响、可以同时受两种因素影响、也可以同时受三种因素影响或者同时受更多种因素影响。
在本实施例中，可以通过观看信息、弹幕信息以及登录信息计算每一用户使用的IP地址的权重以及设备ID的权重，即，根据观看信息、弹幕信息以及登录信息计算每一用户在预设时间段内使用的每一IP地址的权重以及根据观看信息、弹幕信息以及登录信息计算每一用户在预设时间段内使用的每一设备ID的权重。
在具体实施过程中，计算每一IP地址的权重以及每一设备ID的权重方法相同，例如可以根据下式计算每一IP地址的权重以及每一设备ID的权重：
其中，i表示用户使用的第i个IP地址或设备ID；wi表示第i个IP地址或设备ID所对应的观看信息，并且一共有n个IP地址或设备ID对应观看信息；di表示第i个IP地址或设备ID所对应的弹幕信息，并且一共有m个IP地址或设备ID对应弹幕信息；ri表示第i个IP地址或设备ID所对应的登录信息，并且一共有k个IP地址或设备ID对应登录信息；f1、f2和f3为权重系数，取值在0到1之间，并且满足f1+f2+f3＝1。f1、f2和f3可以根据观看信息、弹幕信息和登录信息三者的重要性取值，例如，若观看信息的重要性比弹幕信息和登录信息更高，则f1的取值大于f2和f3。在本实施例中，可以根据业务经验判断重要性程度。
需要说明的是，该式可以根据影响因素的数量不同，增加或减少相应的计算单元，例如若权重的计算同时受两种因素的影响，则可以将式中最后一个单元去掉，相应的权重系数变为f1+f2＝1。
S3，根据属性信息的权重计算所有用户中每两个用户之间的相似度。
在本步骤中，可以通过计算每两个用户之间相同的属性信息所对应的权重，来计算每两个用户之间的相似度。
例如，在本实施例中，通过每一用户在预设时间段内使用的每一IP地址的权重和每一用户在预设时间段内使用的每一设备ID的权重来计算每两个用户之间的相似度。
在具体实施过程中，可以采用下式计算每两个用户之间的相似度：
其中，wuv表示用户u和用户v之间相似度；Iu是用户u所使用的IP地址集合，Iv是用户v所使用的IP地址集合，Iu∩Iv是用户u和v共同使用的IP地址集合，wpup是用户u对于IP地址p的权重，wpvp是用户v对于IP地址p的权重；Du是用户u使用的设备ID集合，Dv是用户v使用的设备ID集合，Du∩Dv是用户u和v共同使用的设备ID集合，wdud是用户u对于设备ID为d的权重，wdvd是用户v对于设备ID为d的权重；w1和w2为权重系数，取值在0到1之间，并且满足w1+w2＝1，且因为设备ID的重要性比IP地址更高，所以w1取值小于w2。
S4，根据每两个用户之间的相似度，构建用户关系图。
在进一步较佳实施例中，将所有用户看成用户关系图上的顶点，若根据步骤S3计算出的两个用户之间的相似度大于第一预设阈值，则将两个用户在用户关系图上的所对应的顶点用一条边连接。
在用户关系图中，每一个用户可以看成一个点，若两个用户之间满足一定条件，则可以在用户关系图中，用一条边将这两个用户所代表的点连接起来。
例如，可以根据用户之间的相似度选择合理的第一预设阈值，例如在本实施例中，第一预设阈值可以是0.15。如果两个用户之间的相似度大于该阈值，那么这两个用户在用户关系图上所代表的顶点u和顶点v之间可以形成一条边，这样，判断所有用户两两之间的相似度后，就可以在用户关系图上将所有满足条件的用户用一条边连接起来，即所有用户每两个之间的相似度大于阈值，则用边将其连接，从而形成一个完整的无向图结构。
S5，从用户关系图中选择至少一个最大连通子图，每一个最大连通子图均对应一个用户团体，并根据预设规则判断最大连通子图所对应的用户团体是否为作弊团伙。
在本步骤中，可以从用户关系图中提取多个最大连通子图，每一个最大连通子图都对应一个用户团体，然后可以根据预设规则判断最大连通子图所对应的用户团体是否为作弊团伙。
在本实施例中，预设规则可以是：在最大连通子图中，若作弊用户所占比例大于第二预设阈值，则判断该最大连通子图所对应的用户团体为作弊团伙，作弊用户可以是根据业务经验判断出来的，也可以是根据其他方式判断出的。另外，第二预设阈值可以是30％，也可以是40％或者更大的百分数，当在一个是最大连通子图中，判断出来的作弊用户的用户占比大于30％时，即可判断该最大连通子图所对应的用户团伙为作弊团伙。
在其他实施例中，预设规则还可以是：若最大连通子图所对应的用户团体中用户的数量大于第三预设阈值，例如，用户数大于30，则判断该最大连通子图所对应的用户团体为作弊团伙。当然，第三预设阈值也可以取其他值，例如，可以是20或40等等。
下面列举一个简单例子具体说明本发明如何计算用户信息权重。
假设用户“甲”使用了2个IP地址分别是地址A和地址B，其中它们的详细数据分别是：
使用地址A观看了10次直播间，发送2次弹幕，登陆了1次。
使用地址B观看了20次直播间，发送2次弹幕，没有登陆。
直播间观看次数、弹幕发送次数和登录次数所对应的权重系数f1、f2和f3取值分别是0.4、0.3和0.3，那么：
IP地址A的权重为：
IP地址B的权重为：
与现有技术相比，本发明具有以下优点：
通常来讲，作弊用户在某些属性和行为上具有一定的聚集性，比如使用相同的设备ID或者IP地址进行作案。因此本发明根据这样的特征，利用图结构并采用聚类的方式判断作弊团伙，更加具有科学性并且准确性更高，由此能够快速识别出作弊用户团伙。
以上以视频直播平台为例，对如何判断作弊团伙进行了说明，可以理解的是，本发明的作弊团伙的判断方法还可以适用于其他领域判断作弊团伙，例如可以将本实施例中判断作弊团伙的方法应用于网络投票领域、热门话题领域、游戏领域或者其他领域。
基于同一发明构思，参考图2所示，本发明的实施例还提供一种计算机可读存储介质201，其上存储有可执行指令202，可执行指令202在由一个或多个处理器执行时，可以实现如上实施例的任一种用于网络直播平台的作弊团伙的识别方法的步骤。
基于同一发明构思，参考图3所示，本发明实施例还提供了一种电子设备301，该电子设备301可以包括：
存储器310，其用于存储可执行指令311；以及
处理器320，其用于执行存储器310中存储的可执行指令311，以实现如上实施例的任一种用于网络直播平台的作弊团伙的识别方法的步骤。
对于本发明的实施例，还需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合以得到新的实施例。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种用于网络直播平台的作弊团伙的识别方法，包括以下步骤：
S1，获取在预设时间段内的每一用户的数据信息，所述数据信息包括属性信息；
S2，计算每一用户的所述属性信息的权重；
S3，根据所述属性信息的权重计算所有用户中每两个用户之间的相似度；
S4，根据所述每两个用户之间的相似度，构建用户关系图；
S5，从所述用户关系图中选择至少一个最大连通子图，每一个所述最大连通子图均对应一个用户团体，并根据预设规则判断所述最大连通子图所对应的用户团体是否为作弊团伙。
2.如权利要求1所述的方法，其特征在于，所述每一用户的属性信息包括所述每一用户使用的IP地址信息以及设备ID信息；
在步骤S2中，计算每一用户使用的IP地址的权重以及设备ID的权重。
3.如权利要求2所述的方法，其特征在于，所述数据信息还包括行为信息，所述行为信息包括观看信息、弹幕信息以及登录信息；
所述步骤S2进一步包括，根据所述观看信息、所述弹幕信息以及所述登录信息计算所述IP地址的权重；根据所述观看信息、所述弹幕信息以及所述登录信息计算所述设备ID的权重。
4.如权利要求3所述的方法，其特征在于，根据下式计算所述IP地址的权重或设备ID的权重：
其中，i表示所述用户使用的第i个IP地址或设备ID；wi表示第i个IP地址或设备ID所对应的观看信息，并且一共有n个IP地址或设备ID对应观看信息；di表示第i个IP地址或设备ID所对应的弹幕信息，并且一共有m个IP地址或设备ID对应弹幕信息；ri表示第i个IP地址或设备ID所对应的登录信息，并且一共有k个IP地址或设备ID对应登录信息；f1、f2和f3为权重系数，取值在0到1之间，并且满足f1+f2+f3＝1。
5.如权利要求4所述的方法，其特征在于，根据下式计算用户之间的相似度：
其中，wuv表示用户u和用户v之间相似度；Iu是用户u使用的IP地址集合，Iv是用户v使用的IP地址集合，Iu∩Iv是用户u和v共同使用的IP地址集合，wpup是用户u对于IP地址p的权重，wpvp是用户v对于IP地址p的权重；Du是用户u使用的设备ID集合，Dv是用户v使用的设备ID集合，Du∩Dv是用户u和v共同使用的设备ID集合，wdud是用户u对于设备ID为d的权重，wdvd是用户v对于设备ID为d的权重；w1和w2为权重系数，取值在0到1之间，并且满足w1+w2＝1，且w1小于w2。
6.如权利要求5所述的方法，其特征在于，步骤S4进一步包括：将所有用户看成用户关系图上的顶点，若根据步骤S3计算出的两个用户之间的相似度大于第一预设阈值，则将两个用户在所述用户关系图上的所对应的顶点用一条边连接。
7.如权利要求1-6中的任一项所述的方法，其特征在于，步骤S5进一步包括：
在所述最大连通子图中，若作弊用户所占比例大于第二预设阈值，则判断该最大连通子图所对应的用户团体为作弊团伙。
8.如权利要求1-6中的任一项所述的方法，其特征在于，步骤S5进一步包括：
若所述最大连通子图所对应的用户团体中用户的数量大于第三预设阈值，则判断该最大连通子图所对应的用户团体为作弊团伙。
9.一种计算机可读存储介质，其上存储有可执行指令，其特征在于，所述指令在由处理器执行时，实现如权利要求1-8中的任一项所述的用于网络直播平台的作弊团伙的识别方法的步骤。
10.一种电子设备，包括：
存储器，用于存储可执行指令；以及
处理器，用于执行所述存储器中存储的可执行指令，以实现如权利要求1-8中的任一项所述的用于网络直播平台的作弊团伙的识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810526686.6A CN108898505B (zh) | 2018-05-28 | 2018-05-28 | 作弊团伙的识别方法、相关存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810526686.6A CN108898505B (zh) | 2018-05-28 | 2018-05-28 | 作弊团伙的识别方法、相关存储介质和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108898505A true CN108898505A (zh) | 2018-11-27 |
| CN108898505B CN108898505B (zh) | 2021-07-23 |
Family
ID=64343332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810526686.6A Active CN108898505B (zh) | 2018-05-28 | 2018-05-28 | 作弊团伙的识别方法、相关存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108898505B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109450920A (zh) * | 2018-11-29 | 2019-03-08 | 北京奇艺世纪科技有限公司 | 一种异常账号检测方法及装置 |
| CN110070364A (zh) * | 2019-03-27 | 2019-07-30 | 北京三快在线科技有限公司 | 基于图模型检测团伙欺诈的方法和装置、存储介质 |
| CN110177094A (zh) * | 2019-05-22 | 2019-08-27 | 武汉斗鱼网络科技有限公司 | 一种用户团体识别方法、装置、电子设备及存储介质 |
| CN110197375A (zh) * | 2018-11-28 | 2019-09-03 | 腾讯科技（深圳）有限公司 | 一种相似用户识别方法、装置、相似用户识别设备和介质 |
| CN110224859A (zh) * | 2019-05-16 | 2019-09-10 | 阿里巴巴集团控股有限公司 | 用于识别团伙的方法和系统 |
| CN110415107A (zh) * | 2019-07-26 | 2019-11-05 | 同盾控股有限公司 | 数据处理方法、装置、存储介质及电子设备 |
| CN110852761A (zh) * | 2019-10-11 | 2020-02-28 | 支付宝(杭州)信息技术有限公司 | 制定反作弊策略的方法、装置及电子设备 |
| CN111371858A (zh) * | 2020-02-25 | 2020-07-03 | 同盾控股有限公司 | 群控设备识别方法、装置、介质及电子设备 |
| CN111915381A (zh) * | 2020-09-14 | 2020-11-10 | 北京嘀嘀无限科技发展有限公司 | 检测作弊行为的方法、装置、电子设备和存储介质 |
| CN112788351A (zh) * | 2019-11-01 | 2021-05-11 | 武汉斗鱼鱼乐网络科技有限公司 | 一种目标直播间的识别方法、装置、设备和存储介质 |
| CN112862020A (zh) * | 2021-04-25 | 2021-05-28 | 北京芯盾时代科技有限公司 | 一种数据识别方法、装置及存储介质 |
| CN113313505A (zh) * | 2020-02-25 | 2021-08-27 | 中国移动通信集团浙江有限公司 | 异常定位方法、装置及计算设备 |
| CN113592036A (zh) * | 2021-08-25 | 2021-11-02 | 北京沃东天骏信息技术有限公司 | 流量作弊行为识别方法、装置及存储介质和电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105302911A (zh) * | 2015-11-10 | 2016-02-03 | 珠海多玩信息技术有限公司 | 一种数据筛选引擎建立方法及数据筛选引擎 |
| CN105956184A (zh) * | 2016-06-01 | 2016-09-21 | 西安交通大学 | 一种微博社会网络中协作化及组织化的垃圾信息发布团体的识别方法 |
| CN106022826A (zh) * | 2016-05-18 | 2016-10-12 | 武汉斗鱼网络科技有限公司 | 一种网络直播平台中的作弊用户识别方法与系统 |
| WO2017151515A1 (en) * | 2016-02-29 | 2017-09-08 | Palo Alto Networks, Inc. | Automatically grouping malware based on artifacts |
| CN108052543A (zh) * | 2017-11-23 | 2018-05-18 | 北京工业大学 | 一种基于图分析聚类的微博相似账号检测方法 |
-
2018
- 2018-05-28 CN CN201810526686.6A patent/CN108898505B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105302911A (zh) * | 2015-11-10 | 2016-02-03 | 珠海多玩信息技术有限公司 | 一种数据筛选引擎建立方法及数据筛选引擎 |
| WO2017151515A1 (en) * | 2016-02-29 | 2017-09-08 | Palo Alto Networks, Inc. | Automatically grouping malware based on artifacts |
| CN106022826A (zh) * | 2016-05-18 | 2016-10-12 | 武汉斗鱼网络科技有限公司 | 一种网络直播平台中的作弊用户识别方法与系统 |
| CN105956184A (zh) * | 2016-06-01 | 2016-09-21 | 西安交通大学 | 一种微博社会网络中协作化及组织化的垃圾信息发布团体的识别方法 |
| CN108052543A (zh) * | 2017-11-23 | 2018-05-18 | 北京工业大学 | 一种基于图分析聚类的微博相似账号检测方法 |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110197375A (zh) * | 2018-11-28 | 2019-09-03 | 腾讯科技（深圳）有限公司 | 一种相似用户识别方法、装置、相似用户识别设备和介质 |
| CN109450920A (zh) * | 2018-11-29 | 2019-03-08 | 北京奇艺世纪科技有限公司 | 一种异常账号检测方法及装置 |
| CN110070364A (zh) * | 2019-03-27 | 2019-07-30 | 北京三快在线科技有限公司 | 基于图模型检测团伙欺诈的方法和装置、存储介质 |
| CN110224859A (zh) * | 2019-05-16 | 2019-09-10 | 阿里巴巴集团控股有限公司 | 用于识别团伙的方法和系统 |
| CN110224859B (zh) * | 2019-05-16 | 2022-04-01 | 蚂蚁智安安全技术(上海)有限公司 | 用于识别团伙的方法和系统 |
| CN110177094A (zh) * | 2019-05-22 | 2019-08-27 | 武汉斗鱼网络科技有限公司 | 一种用户团体识别方法、装置、电子设备及存储介质 |
| CN110177094B (zh) * | 2019-05-22 | 2021-11-09 | 武汉斗鱼网络科技有限公司 | 一种用户团体识别方法、装置、电子设备及存储介质 |
| CN110415107A (zh) * | 2019-07-26 | 2019-11-05 | 同盾控股有限公司 | 数据处理方法、装置、存储介质及电子设备 |
| CN110415107B (zh) * | 2019-07-26 | 2021-10-01 | 同盾控股有限公司 | 数据处理方法、装置、存储介质及电子设备 |
| CN110852761A (zh) * | 2019-10-11 | 2020-02-28 | 支付宝(杭州)信息技术有限公司 | 制定反作弊策略的方法、装置及电子设备 |
| CN112788351B (zh) * | 2019-11-01 | 2022-08-05 | 武汉斗鱼鱼乐网络科技有限公司 | 一种目标直播间的识别方法、装置、设备和存储介质 |
| CN112788351A (zh) * | 2019-11-01 | 2021-05-11 | 武汉斗鱼鱼乐网络科技有限公司 | 一种目标直播间的识别方法、装置、设备和存储介质 |
| CN113313505A (zh) * | 2020-02-25 | 2021-08-27 | 中国移动通信集团浙江有限公司 | 异常定位方法、装置及计算设备 |
| CN111371858A (zh) * | 2020-02-25 | 2020-07-03 | 同盾控股有限公司 | 群控设备识别方法、装置、介质及电子设备 |
| CN113313505B (zh) * | 2020-02-25 | 2023-07-25 | 中国移动通信集团浙江有限公司 | 异常定位方法、装置及计算设备 |
| CN111915381A (zh) * | 2020-09-14 | 2020-11-10 | 北京嘀嘀无限科技发展有限公司 | 检测作弊行为的方法、装置、电子设备和存储介质 |
| CN112862020B (zh) * | 2021-04-25 | 2021-08-03 | 北京芯盾时代科技有限公司 | 一种数据识别方法、装置及存储介质 |
| CN112862020A (zh) * | 2021-04-25 | 2021-05-28 | 北京芯盾时代科技有限公司 | 一种数据识别方法、装置及存储介质 |
| CN113592036A (zh) * | 2021-08-25 | 2021-11-02 | 北京沃东天骏信息技术有限公司 | 流量作弊行为识别方法、装置及存储介质和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108898505B (zh) | 2021-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898505A (zh) | 作弊团伙的识别方法、相关存储介质和电子设备 | |
| CN105872837B (zh) | 用户推荐方法及装置 | |
| US20220294821A1 (en) | Risk control method, computer device, and readable storage medium | |
| Jagabathula et al. | Reputation-based worker filtering in crowdsourcing | |
| US8607331B2 (en) | Captcha image authentication method and system | |
| CN103365936A (zh) | 视频推荐系统及其方法 | |
| CN105100165B (zh) | 网络服务推荐方法和装置 | |
| WO2016032912A4 (en) | Quantifying social audience activation through search and comparison of custom author groupings | |
| CN108230169B (zh) | 基于社交影响力的信息传播模型及态势感知系统及方法 | |
| CN110598618A (zh) | 内容推荐方法、装置、计算机设备和计算机可读存储介质 | |
| CN108900909B (zh) | 作弊用户的判断方法、相关存储介质和电子设备 | |
| CN113297840B (zh) | 恶意流量账号检测方法、装置、设备和存储介质 | |
| Wergen et al. | Correlations between record events in sequences of random variables with a linear trend | |
| CN109495378A (zh) | 检测异常帐号的方法、装置、服务器及存储介质 | |
| Majumdar et al. | Openeqa: Embodied question answering in the era of foundation models | |
| CN109783385A (zh) | 一种产品测试方法和装置 | |
| CN109460930B (zh) | 一种确定风险账户的方法以及相关设备 | |
| CN109688217B (zh) | 一种消息推送方法、装置及电子设备 | |
| CN112052399B (zh) | 一种数据处理方法、装置和计算机可读存储介质 | |
| CN109451334A (zh) | 用户画像生成处理方法、装置及电子设备 | |
| CN113296666A (zh) | 主播曝光数据上报方法、装置、终端设备及存储介质 | |
| Nguyen et al. | A data-driven study of influences in Twitter communities | |
| CN108805606B (zh) | 互联网广告装置及方法 | |
| CN110719367A (zh) | 一种云手机好友推荐方法、装置、设备及存储介质 | |
| CN109101310A (zh) | 一种页面刷新方法及装置 |
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 |