CN108900909A - 作弊用户的判断方法、相关存储介质和电子设备 - Google Patents

作弊用户的判断方法、相关存储介质和电子设备 Download PDF

Info

Publication number
CN108900909A
CN108900909A CN201810591733.5A CN201810591733A CN108900909A CN 108900909 A CN108900909 A CN 108900909A CN 201810591733 A CN201810591733 A CN 201810591733A CN 108900909 A CN108900909 A CN 108900909A
Authority
CN
China
Prior art keywords
index
user
group
value
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
Application number
CN201810591733.5A
Other languages
English (en)
Other versions
CN108900909B (zh
Inventor
王璐
陈少杰
张文明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Douyu Network Technology Co Ltd
Original Assignee
Wuhan Douyu Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Douyu Network Technology Co Ltd filed Critical Wuhan Douyu Network Technology Co Ltd
Priority to CN201810591733.5A priority Critical patent/CN108900909B/zh
Publication of CN108900909A publication Critical patent/CN108900909A/zh
Application granted granted Critical
Publication of CN108900909B publication Critical patent/CN108900909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44213—Monitoring of end-user related data
    • H04N21/44222—Analytics of user selections, e.g. selection of programs or purchase activity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
    • H04N21/44204—Monitoring of content usage, e.g. the number of times a movie has been viewed, copied or the amount which has been watched
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
    • H04N21/4758—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data for providing answers, e.g. voting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/478—Supplemental services, e.g. displaying phone caller identification, shopping application
    • H04N21/4781—Games
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/478—Supplemental services, e.g. displaying phone caller identification, shopping application
    • H04N21/4788—Supplemental services, e.g. displaying phone caller identification, shopping application communicating with other users, e.g. chatting

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种作弊用户的判断方法，包括以下步骤：S1，获取用户群体中的每一用户的至少一个指标的指标值；S2，计算至少一个指标所对应的阈值；S3，获取待识别用户的至少一个指标的指标值；以及S4，对待识别用户的至少一个指标的指标值与至少一个指标所对应的阈值进行比较，当待识别用户的至少一个指标的指标值大于至少一个指标所对应的阈值时，判断待识别用户为作弊用户，否则，判断待识别用户为非作弊用户。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

作弊用户的判断方法、相关存储介质和电子设备
技术领域
本发明涉及大数据领域，具体涉及一种作弊用户的判断方法、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，找出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。因此，需要采用有效的手段来识别作弊用户，以尽可能地减小作弊行为对直播平台的影响。但是对于这种作弊用户的识别，通常的方法是根据业务经验来确定的，并没有一个相对精确和可靠的准则，存在较大的随意性。
因此，有必要提出一种新的作弊用户的判断方法。
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用户判断方法。
根据本发明的一个方面，提供了一种作弊用户的判断方法，包括以下步骤：
S1，获取用户群体中的每一用户的至少一个指标的指标值；
S2，计算所述至少一个指标所对应的阈值；
S3，获取待识别用户的所述至少一个指标的指标值；以及
S4，对所述待识别用户的所述至少一个指标的指标值与所述至少一个指标所对应的阈值进行比较，当所述待识别用户的所述至少一个指标的指标值大于所述至少一个指标所对应的阈值时，判断所述待识别用户为作弊用户，否则，判断所述待识别用户为非作弊用户。
进一步地，步骤S2进一步包括：
S21，获取所述至少一个指标中的每一个指标所对应的候选阈值集合；
S22，在每一个候选阈值集合中各选择一个候选阈值并构成候选阈值组，选择满足预设规则的候选阈值组作为最终所需的所述至少一个指标的阈值。
进一步地，步骤S21进一步包括：
S211，对所述用户群体中的每一用户的至少一个指标中的每一个指标的指标值进行从小到大排列，得到所述每一个指标的最大指标值和0.9分位点所对应的指标值；以及
S212，在所述每一个指标的最大指标值和所述0.9分位点所对应的指标值之间等距取M个值，构成所述候选阈值集合，M为预设的正整数。
例如，所述用户群体包括作弊用户集合和非作弊用户集合，所述预设规则为所述候选阈值组使H值最小，其中，
其中，S是作弊用户集合，N是非作弊用户集合；Tt表示用户的每一个指标的指标值的集合，xt表示候选阈值组；p(Tt≥xt，g)表示在群体g中，用户的每一个指标的指标值均大于等于候选阈值组中对应的阈值的概率，具体的计算方式是在群体g中满足Tt≥xt的人数除以群体g的总人数；p(Tt＜xt，g)表示在群体g中，用户所对应的每一个指标的指标值均小于候选阈值组中对应的阈值的概率，具体的计算方式是在群体g中满足Tt＜xt的人数除以群体g的总人数。
例如，所述作弊用户的判断方法应用于网络直播平台。
例如，所述至少一个指标包括用户的观看时长、用户发送的弹幕数量、交易次数或登录次数。
例如，所述至少一个指标包括用户的观看时长、用户发送的弹幕数量、交易次数以及登录次数中的任意两个或者更多个。
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作弊用户的判断方法的步骤。
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作弊用户的判断方法的步骤。
与现有技术相比，本发明具有以下优点：
本发明提出的作弊用户的判断方法，能够依据一种相对稳定且可靠的准则对作弊用户进行判断，其具有科学性，并且能够更加准确的识别出作弊用户，降低了现有技术中依据业务经验错误识别的概率，准确性更高。
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作弊用户的判断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，提供了一种作弊用户的判断方法，特别是一种用于直播领域的作弊用户的判断方法，其具体实现思路如下：
根据已知的作弊用户集合和非作弊用户集合得到相关指标的阈值，再利用待识别用户的至少一个指标的指标值与相应的阈值进行比较，若待识别用户的至少一个指标的指标值均大于其相应的阈值，则判断该用户为作弊用户，否则为非作弊用户。
更具体的，下面结合附图对本发明的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作弊用户的判断方法可以包括如下步骤：
S1，获取用户群体中的每一用户的至少一个指标的指标值。
在本实施例中，通过对在一定时间内在直播平台上有操作行为的用户进行重要指标统计，重要指标是指与作弊行为相关性非常大的指标，比如用户发送的弹幕的数量、用户所使用的IP地址的数量等等，通常情况下，这些指标所对应的指标值越大，其行为的异常性越大。
在本实施例中，一定时间可以是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。
具体的，指标可以包括用户的观看指标、弹幕指标以及交易指标。
进一步地，观看指标还可以包括在一定时间内用户的观看天数、观看次数、观看时长、观看房间数、观看时所使用的设备数以及观看时所使用的IP地址数；弹幕指标可以包括发送弹幕天数、发送弹幕次数以及发送弹幕房间数；交易指标可以包括虚拟礼物赠送天数、虚拟礼物赠送次数、虚拟礼物赠送数量、虚拟礼物赠送房间数、获取虚拟礼物天数、获取虚拟礼物次数、获取虚拟礼物数量、分享获得虚拟礼物天数、分享获得虚拟礼物次数、分享获得虚拟礼物数量和其他维度获取虚拟礼物指标。
在其他实施例中，指标还可以包括用户的登录指标和充值指标，例如，登录指标可以包括登录次数、登录天数等；充值指标可以包括充值次数和充值金额。
在本实施例中，至少一个指标可以包括一个指标或两个指标，例如可以是用户的观看时长、用户发送的弹幕数量、交易次数以及登录次数中的任意一个或两个，也可以是观看指标、弹幕指标以及交易指标三者所包括的指标中的其他任意一个或两个指标。当然，在其他实施例中，也可以是观看指标、弹幕指标以及交易指标三者所包括的指标中的任意三个、四个或者更多个指标。
需要说明的是，上述每一指标所对应的指标值都是已知的。
S2，计算上述至少一个指标所对应的阈值。
具体的，计算至少一个指标所对应的阈值过程如下。
首先，执行步骤S21，获取至少一个指标中的每一个指标所对应的候选阈值集合。
在本实施例中，获取候选阈值具体可以采用下述步骤：
S211，对用户群体中的每一用户的至少一个指标中的每一个指标的指标值进行从小到大排列，得到每一个指标的最大指标值和0.9分位点所对应的指标值。
在本步骤中，对于相同的指标，每一个用户所对应的指标值不同，获取至少一个指标中的某一个指标所对应的所有的指标值，即获取所有用户对应的该指标的指标值，并将其从小到大排列，得到该指标的最大指标值以及0.9分位点所对应的指标值。
S212，在每一个指标的最大指标值和0.9分位点所对应的指标值之间等距取M个值，构成候选阈值集合，M为预设的正整数。
在本步骤中，对于每一个指标，都在其最大指标值和0.9分位点所对应的指标值之间等距取M个值，并构成集合，M个值中的每一个值均为该指标的候选阈值，以此获得该指标的候选阈值集合。在此，0.9分位点指的是每一个指标的所有指标值从小到大排列后的第90％个指标，比如，在指标值从小到大排列的100个指标中，第90个指标即为该指标的0.9分位点。当然在其他实施例中，也可以选择0.8分位点所对应的指标值或者0.95分位点所对应的指标值。
在本实施例中，M可以取值100，当然也可以取其他值，例如，可以取80、90、110、120、130、140、150或其他值。
至少一个指标具体包括几个指标，就可以通过本步骤得到对应数量的候选阈值集合，例如在本实施例中，至少一个指标可以包括两个指标，因此在本步骤中可以得到各自包括100个候选阈值的两个候选阈值集合。
S22，在每一个候选阈值集合中各选择一个候选阈值并构成候选阈值组，选择满足预设规则的候选阈值组作为最终所需的至少一个指标的阈值。
在本步骤中，需要从每一个候选阈值中分别选择一个候选阈值，构成候选阈值组，候选阈值组的数量与指标的数量和M的数值有关。例如，在本实施例中，可以从分别包括100个候选阈值的两个候选阈值集合中提取100*100个候选阈值组，得到相应数量的候选阈值组后，再从中选择一个满足预设规则的候选阈值组，满足预设规则的候选阈值组中的每一个指标的候选阈值即为该指标的阈值。
在本实施例中，用户群体包括作弊用户集合和非作弊用户集合，上述预设规则为候选阈值组使H值最小，其中，
其中，S是作弊用户集合，N是非作弊用户集合；Tt表示用户的每一个指标的指标值的集合，xt表示候选阈值组；p(Tt≥xt，g)表示在群体g中，用户的每一个指标的指标值均大于等于候选阈值组中对应的阈值的概率，具体的计算方式是在群体g中满足Tt≥xt的人数除以群体g的总人数；p(Tt＜xt，g)表示在群体g中，用户所对应的每一个指标的指标值均小于候选阈值组中对应的阈值的概率，具体的计算方式是在群体g中满足Tt＜xt的人数除以群体g的总人数。
通过上式可以找到一个最佳的候选阈值组使得H最小，H越小说明规则对不同的群体的区分度越大，规则越有效果。
然后，执行步骤S3，获取待识别用户的至少一个指标的指标值，以及
步骤S4，对待识别用户的至少一个指标的指标值与至少一个指标的所对应的阈值进行比较，当待识别用户的至少一个指标的指标值均大于至少一个指标所对应的阈值时，判断该待识别用户为作弊用户，否则，判断该待识别用户为非作弊用户。
在本步骤中，通过比较待识别用户的相应指标的指标值与上述步骤中得到的对应指标的阈值的大小，即可判断该用户是作弊用户还是非作弊用户。
下面以指标是用户的观看时长和用户发送的弹幕数量为例，详细说明根据本发明的判断用户是否为作弊用户的方法。
S1，获取所有用户的观看时长对应的指标值以及所有用户的发送弹幕数量的指标值；
S2，计算观看时长对应的指标值的候选阈值集合以及发送弹幕数量对应的指标值的候选阈值集合；
S3，从上述每一个集合中分别选择一个候选阈值构成候选阈值组；
S4，在多个候选阈值组中，选择一个候选阈值组使得H最小，该候选阈值组中的候选阈值即为观看时长对应的指标值对应的阈值以及发送弹幕数量的指标值所对应的阈值；
S5，比较待识别用户的观看时长的指标值与阈值的大小关系和发送的弹幕数量的指标值与阈值的大小关系，若待识别用户的观看时长的指标值和发送的弹幕数量的指标值均大于对应的阈值，则该待识别用户为作弊用户。
下面列举一个简单例子具体说明本发明是如何计算H的。
对于观看时长和发送弹幕数量这两个指标而言，观看时长和发送弹幕数量对应的指标值同时大于等于100的人中400人为非作弊用户，200人为作弊用户；同时小于100的人中1000人为非作弊用户，100人为作弊用户，于是：
与现有技术相比，本发明具有以下优点：
本发明提出的应用于直播领域的作弊用户的判断方法，能够依据一种相对稳定且可靠的准则对作弊用户进行判断，其具有科学性，并且能够更加准确的识别出作弊用户，降低了现有技术中依据业务经验错误识别的概率，准确性更高。根据本发明的作弊用户的判断方法大大减小了作弊行为对直播平台的影响，有利于维护直播平台的秩序，保证了直播平台的长期健康发展。
以上以视频直播平台为例，对如何判断作弊用户进行了说明，可以理解的是，本发明的作弊用户的判断方法还可以适用于其他领域判断作弊用户，例如可以将本实施例中判断作弊用户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所述的任一种作弊用户的判断方法的步骤。
基于同一发明构思，参考图3所示，本发明实施例进一步提供一种电子设备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，以实现如上实施例所述的任一种作弊用户的判断方法的步骤。
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 (9)

1.一种作弊用户的判断方法，包括以下步骤：
S1，获取用户群体中的每一用户的至少一个指标的指标值；
S2，计算所述至少一个指标所对应的阈值；
S3，获取待识别用户的所述至少一个指标的指标值；以及
S4，对所述待识别用户的所述至少一个指标的指标值与所述至少一个指标所对应的阈值进行比较，当所述待识别用户的所述至少一个指标的指标值大于所述至少一个指标所对应的阈值时，判断所述待识别用户为作弊用户，否则，判断所述待识别用户为非作弊用户。
2.如权利要求1所述的方法，其特征在于，步骤S2进一步包括：
S21，获取所述至少一个指标中的每一个指标所对应的候选阈值集合；以及
S22，在每一个候选阈值集合中各选择一个候选阈值并构成候选阈值组，选择满足预设规则的候选阈值组作为最终所需的所述至少一个指标的阈值。
3.如权利要求2所述的方法，其特征在于，步骤S21进一步包括：
S211，对所述用户群体中的每一用户的至少一个指标中的每一个指标的指标值进行从小到大排列，得到所述每一个指标的最大指标值和0.9分位点所对应的指标值；以及
S212，在所述每一个指标的最大指标值和所述0.9分位点所对应的指标值之间等距取M个值，构成所述候选阈值集合，M为预设的正整数。
4.如权利要求3所述的方法，其特征在于，所述用户群体包括作弊用户集合和非作弊用户集合，所述预设规则为所述候选阈值组使H值最小，其中，
其中，S是作弊用户集合，N是非作弊用户集合；Tt表示用户的每一个指标的指标值的集合，xt表示候选阈值组；p(Tt≥xt，g)表示在群体g中，用户的每一个指标的指标值均大于等于候选阈值组中对应的阈值的概率，具体的计算方式是在群体g中满足Tt≥xt的人数除以群体g的总人数；p(Tt＜xt，g)表示在群体g中，用户所对应的每一个指标的指标值均小于候选阈值组中对应的阈值的概率，具体的计算方式是在群体g中满足Tt＜xt的人数除以群体g的总人数。
5.如权利要求1-4中的任一项所述的方法，其特征在于，所述作弊用户的判断方法应用于网络直播平台。
6.如权利要求5所述的方法，其特征在于，所述至少一个指标包括用户的观看时长、用户发送的弹幕数量、交易次数或登录次数。
7.如权利要求5所述的方法，其特征在于，所述至少一个指标包括用户的观看时长、用户发送的弹幕数量、交易次数以及登录次数中的任意两个或更多个。
8.一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1-7中的任一项所述的作弊用户的判断方法的步骤。
9.一种电子设备，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1-7中的任一项所述的作弊用户的判断方法的步骤。
CN201810591733.5A 2018-06-06 2018-06-06 作弊用户的判断方法、相关存储介质和电子设备 Active CN108900909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810591733.5A CN108900909B (zh) 2018-06-06 2018-06-06 作弊用户的判断方法、相关存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810591733.5A CN108900909B (zh) 2018-06-06 2018-06-06 作弊用户的判断方法、相关存储介质和电子设备

Publications (2)

Publication Number Publication Date
CN108900909A true CN108900909A (zh) 2018-11-27
CN108900909B CN108900909B (zh) 2020-07-17

Family

ID=64344620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810591733.5A Active CN108900909B (zh) 2018-06-06 2018-06-06 作弊用户的判断方法、相关存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN108900909B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112182504A (zh) * 2020-09-09 2021-01-05 远光软件股份有限公司 一种基于考试系统的作弊判断方法、装置及电子设备
CN113810727A (zh) * 2020-06-12 2021-12-17 武汉斗鱼鱼乐网络科技有限公司 一种识别刷量直播间的方法及系统、介质、电子设备
CN114071196A (zh) * 2020-08-03 2022-02-18 武汉斗鱼鱼乐网络科技有限公司 一种识别目标直播间的方法及系统、介质、设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140149199A1 (en) * 2012-11-26 2014-05-29 Telefonica, S.A. Method for a cheating-proof user experience based loyalty program and a computer program product for assigning loyalty points to users
CN105760455A (zh) * 2016-02-04 2016-07-13 腾讯科技（深圳）有限公司 广告点击的反作弊方法及装置
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
CN106355431A (zh) * 2016-08-18 2017-01-25 晶赞广告（上海）有限公司 作弊流量检测方法、装置及终端
CN106777024A (zh) * 2016-12-08 2017-05-31 北京小米移动软件有限公司 识别恶意用户的方法及装置
CN107451854A (zh) * 2017-07-12 2017-12-08 阿里巴巴集团控股有限公司 确定用户类型的方法及装置、电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140149199A1 (en) * 2012-11-26 2014-05-29 Telefonica, S.A. Method for a cheating-proof user experience based loyalty program and a computer program product for assigning loyalty points to users
CN105760455A (zh) * 2016-02-04 2016-07-13 腾讯科技（深圳）有限公司 广告点击的反作弊方法及装置
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
CN106355431A (zh) * 2016-08-18 2017-01-25 晶赞广告（上海）有限公司 作弊流量检测方法、装置及终端
CN106777024A (zh) * 2016-12-08 2017-05-31 北京小米移动软件有限公司 识别恶意用户的方法及装置
CN107451854A (zh) * 2017-07-12 2017-12-08 阿里巴巴集团控股有限公司 确定用户类型的方法及装置、电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113810727A (zh) * 2020-06-12 2021-12-17 武汉斗鱼鱼乐网络科技有限公司 一种识别刷量直播间的方法及系统、介质、电子设备
CN114071196A (zh) * 2020-08-03 2022-02-18 武汉斗鱼鱼乐网络科技有限公司 一种识别目标直播间的方法及系统、介质、设备
CN112182504A (zh) * 2020-09-09 2021-01-05 远光软件股份有限公司 一种基于考试系统的作弊判断方法、装置及电子设备

Also Published As

Publication number Publication date
CN108900909B (zh) 2020-07-17

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
CN103838982B (zh) 一种虚拟游戏对象生成方法及装置
CN108900909A (zh) 作弊用户的判断方法、相关存储介质和电子设备
Liu et al. Question difficulty estimation in community question answering services
CN112418580A (zh) 一种风险控制方法、计算机设备及可读存储介
CN110896488B (zh) 一种直播间的推荐方法以及相关设备
CN113115071B (zh) 直播间信息推送方法、装置、设备及介质
CN107250967B (zh) 信息处理系统、服务器、程序以及信息处理方法
US20220280870A1 (en) Method, apparatus, device, and storage medium, and program product for displaying voting result
Thaler et al. Spotthelink: A game for ontology alignment
Hassan et al. Evaluation of tactical training in team handball by means of artificial neural networks
WO2012138080A2 (ko) 실시간 게임 순위를 이용하여 대전 상대를 매칭하는 서버 및 그 방법
JP5856096B2 (ja) マッチングシステム、マッチング制御方法、及びマッチング制御プログラム
CN110851542A (zh) 数据处理方法、装置、电子设备及计算机可读存储介质
Chen et al. Measurement and analysis of tips in foursquare
Charleer et al. Towards an open standard for gameplay metrics
CN113274737B (zh) 一种信息推荐的方法、装置、计算机设备和介质
CN110188123A (zh) 用户匹配方法及设备
CN114283349A (zh) 一种数据处理方法、装置、计算机设备及存储介质
CN110354496B (zh) 电子竞技赛事的处理方法及装置、存储介质、电子设备
CN110209704A (zh) 用户匹配方法及设备
CN109195023A (zh) 一种识别弹幕信息的处理方法及装置
CN112363661B (zh) 魔法表情数据处理方法、装置及电子设备
CN108848124A (zh) 高尔夫球场的资源数据管理方法、服务器及存储介质
WO2017014244A1 (ja) サーバ及びプログラム

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