CN109685536A - 用于输出信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于输出信息的方法和装置。该方法的一具体实施方式包括：响应于接收到用户的参与请求，获取用户的用户特征向量；将用户特征向量输入到预先训练的异常用户识别模型中，得到用户的用户类型；响应于用户在预设的第一时间段内的参与次数大于预设的次数阈值，设置第一计数，以及响应于用户的用户类型为异常类型，设置第二计数；基于在第一时间段内接收到的参与请求的总次数、第一计数、预先确定出的在预设的第二时间段内异常用户发送参与请求的次数和第二计数，确定在参与次数大于次数阈值的条件下用户是异常用户的概率并输出包含概率的信息。该实施方式提高了信息输出的准确性，从而防范了异常用户对活动的参与。

Description

用于输出信息的方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于输出信息的方法和装置。

背景技术

目前，为了促进用户的参与行为、增加网站流量，各个互联网公司经常会发起一些活动(例如，抽奖活动)，随之而来的恶意参与行为(刷奖行为)也越来越频繁。如何基于用户的用户特征向量，发现异常用户并作出相应的响应对各个互联网公司具有重要的意义。

发明内容

本申请实施例的目的在于提出一种改进的用于输出信息的方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请实施例提供了一种用于输出信息的方法，该方法包括：响应于接收到用户的参与请求，获取用户的用户特征向量；将用户特征向量输入到预先训练的异常用户识别模型中，得到用户的用户类型，其中，异常用户识别模型用于表征用户特征向量与用户类型之间的对应关系；响应于用户在预设的第一时间段内的参与次数大于预设的次数阈值，设置第一计数，以及响应于用户的用户类型为异常类型，设置第二计数；基于在第一时间段内接收到的参与请求的总次数、第一计数、预先确定出的在预设的第二时间段内异常用户发送参与请求的次数和第二计数，确定在参与次数大于次数阈值的条件下用户是异常用户的概率并输出包含概率的信息。

在一些实施例中，在将用户特征向量输入到预先训练的异常用户识别模型中之前，该方法还包括：将存在于预先存储的异常用户标识符表中、且在第二时间段内发送参与请求的用户的用户标识符标记为异常，将除标记为异常的用户标识符之外的用户标识符标记为正常；获取在第二时间段内发送参与请求的用户的用户特征向量；利用机器学习方法，将标记为异常的用户标识符对应的用户的用户特征向量和标记为正常的用户标识符对应的用户的用户特征向量分别作为输入，将异常类型和正常类型分别作为输出，训练得到异常用户识别模型。

在一些实施例中，确定在参与次数大于次数阈值的条件下用户是异常用户的概率，包括：将第二计数与第一计数的商确定为在用户是异常用户的条件下参与次数大于次数阈值的概率；将预先确定出的在预设的第二时间段内异常用户发送参与请求的次数与在第一时间段内接收到的参与请求的总次数的商确定为用户是异常用户的概率；基于在用户是异常用户的条件下参与次数大于次数阈值的概率，利用朴素贝叶斯公式，将用户是异常用户的概率作为先验概率，将得到的后验概率确定为在参与次数大于次数阈值的条件下用户是异常用户的概率。

在一些实施例中，该方法还包括：响应于在参与次数大于次数阈值的条件下用户是异常用户的概率大于等于预设的概率阈值，将用户的用户标识符标记为异常。

在一些实施例中，该方法还包括：响应于在预设的第三时间段内在参与次数大于次数阈值的条件下用户是异常用户的概率均小于概率阈值，将第一时间段的时间长度增加预设第一倍数，其中，第三时间段的时间长度是第一时间段的时间长度的预设第二倍数。

在一些实施例中，该方法还包括：响应于在预设的第四时间段内在参与次数大于次数阈值的条件下用户是异常用户的概率均大于等于概率阈值，将第一时间段的时间长度减少预设第三倍数，其中，第四时间段的时间长度是第一时间段的时间长度的预设第四倍数。

在一些实施例中，在将用户的用户标识符标记为异常之后，该方法还包括：拦截用户发送的参与请求；或向用户的终端推送参与失败页面。

第二方面，本申请实施例提供了一种用于输出信息的装置，该装置包括：第一获取单元，配置用于响应于接收到用户的参与请求，获取用户的用户特征向量；输入单元，配置用于将用户特征向量输入到预先训练的异常用户识别模型中，得到用户的用户类型，其中，异常用户识别模型用于表征用户特征向量与用户类型之间的对应关系；设置单元，配置用于响应于用户在预设的第一时间段内的参与次数大于预设的次数阈值，设置第一计数，以及响应于用户的用户类型为异常类型，设置第二计数；输出单元，配置用于基于在第一时间段内接收到的参与请求的总次数、第一计数、预先确定出的在预设的第二时间段内异常用户发送参与请求的次数和第二计数，确定在参与次数大于次数阈值的条件下用户是异常用户的概率并输出包含概率的信息。

在一些实施例中，该装置还包括：第一标记单元，配置用于将存在于预先存储的异常用户标识符表中、且在第二时间段内发送参与请求的用户的用户标识符标记为异常，将除标记为异常的用户标识符之外的用户标识符标记为正常；第二获取单元，配置用于获取在第二时间段内发送参与请求的用户的用户特征向量；训练单元，配置用于利用机器学习方法，将标记为异常的用户标识符对应的用户的用户特征向量和标记为正常的用户标识符对应的用户的用户特征向量分别作为输入，将异常类型和正常类型分别作为输出，训练得到异常用户识别模型。

在一些实施例中，输出单元，包括：第一确定模块，配置用于将第二计数与第一计数的商确定为在用户是异常用户的条件下参与次数大于次数阈值的概率；第二确定模块，配置用于将预先确定出的在预设的第二时间段内异常用户发送参与请求的次数与在第一时间段内接收到的参与请求的总次数的商确定为用户是异常用户的概率；第三确定模块，配置用于基于在用户是异常用户的条件下参与次数大于次数阈值的概率，利用朴素贝叶斯公式，将用户是异常用户的概率作为先验概率，将得到的后验概率确定为在参与次数大于次数阈值的条件下用户是异常用户的概率。

在一些实施例中，该装置还包括：第二标记单元，配置用于响应于在参与次数大于次数阈值的条件下用户是异常用户的概率大于等于预设的概率阈值，将用户的用户标识符标记为异常。

在一些实施例中，该装置还包括：增加单元，配置用于响应于在预设的第三时间段内在参与次数大于次数阈值的条件下用户是异常用户的概率均小于概率阈值，将第一时间段的时间长度增加预设第一倍数，其中，第三时间段的时间长度是第一时间段的时间长度的预设第二倍数。

在一些实施例中，该装置还包括：减少单元，配置用于响应于在预设的第四时间段内在参与次数大于次数阈值的条件下用户是异常用户的概率均大于等于概率阈值，将第一时间段的时间长度减少预设第三倍数，其中，第四时间段的时间长度是第一时间段的时间长度的预设第四倍数。

在一些实施例中，该装置还包括：拦截单元，配置用于拦截用户发送的参与请求；或推送单元，配置用于向用户的终端推送参与失败页面。

第三方面，本申请实施例还提供了一种服务器，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，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现本申请提供的用于输出信息的方法。

第四方面，本申请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申请提供的用于输出信息的方法。

本申请实施例提供的用于输出信息的方法和装置，通过响应于接收到用户的参与请求，获取上述用户的用户特征向量，而后将上述用户特征向量输入到预先训练的异常用户识别模型中得到上述用户的用户类型，之后响应于用户在预设的第一时间段内的参与次数大于预设的次数阈值，设置第一计数，响应于用户的用户类型为异常类型，设置第二计数，最后基于在上述第一时间段内接收到的参与请求的总次数，上述第一计数，预先确定出的在预设的第二时间段内异常用户发送参与请求的次数和上述第二计数，确定在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率，并输出包含上述概率的信息，通过对用户的用户特征向量进行分析，提高了信息输出的准确性，从而防范了异常用户对活动的参与。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于输出信息的方法的一个实施例的流程图；

图3是根据本申请的用于输出信息的方法的应用场景的一个示意图；

图4是根据本申请的用于输出信息的方法的又一个实施例的流程图；

图5是根据本申请的用于输出信息的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请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相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于输出信息的方法或用于输出信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括用户终端1011、1012、1013，服务器102，输出终端1031、1032、1033，网络1041、1042和信息显示装置105。网络1041用以在用户终端1011、1012、1013和服务器102之间提供通信链路的介质。网络1042用以在输出终端1031、1032、1033和服务器102之间提供通信链路的介质。网络1041、1042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。

用户可以使用用户终端1011、1012、1013通过网络1041与服务器102交互，以供服务器102接收用户的参与请求等。用户终端1011、1012、1013上可以安装有各种通讯客户端应用，例如购物类应用等。

输出终端1031、1032、1033通过网络1042与服务器102交互，以接收服务器102输出的包含概率的信息等。输出终端1031、1032、1033上可以安装有各种通讯客户端应用，例如浏览器类应用、即时通信软件、邮箱类应用等。

用户终端1011、1012、1013与输出终端1031、1032、1033可以是具有显示屏并且支持信息交互的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。

服务器102可以是提供各种服务的服务器，例如对从用户终端1011、1012、1013接收到的参与请求提供支持的后台服务器。后台服务器可以响应于从用户终端1011、1012、1013接收到用户的参与请求，获取上述用户的用户特征向量；之后，将上述用户特征向量输入到预先训练的异常用户识别模型中得到上述用户的用户类型；而后，响应于上述用户在预设的第一时间段内的参与次数大于预设的次数阈值，设置第一计数，响应于上述用户的用户类型为异常类型，设置第二计数；最后，基于在上述第一时间段内接收到的参与请求的总次数、上述第一计数、预先确定出的在预设的第二时间段内异常用户发送参与请求的次数和上述第二计数，确定在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率，并通过输出终端1031、1032、1033或者信息显示装置105输出包含上述概率的信息。

需要说明的是，本申请实施例所提供的用于输出信息的方法一般由服务器102执行，相应地，用于输出信息的装置一般设置于服务器102中。

应该理解，图1中的用户终端、服务器、输出终端、网络和信息显示装置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用户终端、服务器、输出终端、网络和信息显示装置。

继续参考图2，示出了根据本申请的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法，包括以下步骤：

步骤201，响应于接收到用户的参与请求，获取用户的用户特征向量。

在本实施例中，用于输出信息的方法运行于其上的电子设备(例如图1所示的服务器)可以监测是否接收到用户的参与请求，当接收到用户的参与请求之后，上述电子设备可以获取上述用户的用户特征向量。上述参与请求可以是用户对某一事件(例如，抽奖、购买、摇号等等)进行参与从而对用户终端上的目标图标进行点击之后上述用户终端向上述电子设备所发送的请求。作为示例，当用户参与抽奖活动时，会对用户终端上的“抽奖”图标进行点击，当用户点击“抽奖”图标之后，上述电子设备可以接收到上述用户终端发送的抽奖参与请求。

在本实施例中，上述用户特征向量可以包含用于对上述用户的用户属性进行表征的各种信息，也可以包含用于对上述用户的用户行为进行表征的各种信息。用户属性特征可以包括用户在目标应用(用户所参与的事件所属的应用)中的会员级别、用户在目标应用中的历史下单次数、用户在目标应用中是否通过实名认证、用户在目标应用中是否设置支付免密码、用户在目标应用中所登录的用户账户中的奖励值等等；用户行为特征可以包括用户对所参与的活动页面的刷新次数、用户对活动页面中的目标图标的点击次数等等。上述用户特征向量还可以包含用户所参与的活动的活动特征，例如，对于抽奖活动，活动特征可以包括抽奖类型、中奖金额和活动周期等等，其中，抽奖类型可以包括抽取“打折券”(七折券)、抽取“优惠券”(满100元减18元)、抽取礼品等。

步骤202，将用户特征向量输入到预先训练的异常用户识别模型中，得到用户的用户类型。

在本实施例中，上述电子设备可以将步骤201中获取到的用户特征向量输入到预先训练的异常用户识别模型中，得到上述用户的用户类型，此处，用户类型可以包括正常类型和异常类型。需要说明的是，异常用户识别模型可以用于表征用户特征向量与用户类型之间的对应关系。作为示例，异常用户识别模型可以是技术人员基于对大量的用户特征向量与用户类型的统计而预先制定的、存储有多个用户特征向量与用户类型的对应关系的对应关系表；也可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对用户特征向量中的一个或多个数值进行数值计算以得到用于表征用户类型的计算结果的计算公式。

在本实施例的一些可选的实现方式中，上述电子设备可以预先按照以下步骤训练异常用户识别模型：

首先，上述电子设备可以将存在于预先存储的异常用户识别符表中、且在上述第二时间段内发送参与请求的用户的用户识别符标记为异常，并可以将除上述标记为异常的用户识别符之外的用户识别符标记为正常。上述异常用户识别符表也可以称为风控表，存储了已经被标注为风险用户的用户识别符，可以从数据集市上获取上述风控表，上述数据集市也叫数据市场，是为了满足特定的部门或者用户的需求，按照多维的方式进行存储，包括定义维度、需要计算的指标、维度的层次等，生成面向决策分析需求的数据立方体；也可以通过人工标注的方式得到上述风控表，例如，客服打电话反馈的方式。上述第二时间段可以为一天(从零点到二十四点的时间段)。

之后，上述电子设备可以获取在上述第二时间段内发送参与请求的用户的用户特征向量，上述用户特征向量可以包含用于对上述用户的用户属性进行表征的各种信息，也可以包含用于对上述用户的用户行为进行表征的各种信息，还可以包含用户所参与的活动的活动特征。上述用户特征向量可以包括：用户在目标应用中的会员级别、用户在目标应用中的历史下单次数、用户在目标应用中是否通过实名认证、用户在目标应用中是否设置支付免密码、用户在目标应用中所登录的用户账户中的奖励值、用户对所参与的活动页面的刷新次数、用户对活动页面中的目标图标的点击次数、所参与的活动类型、活动周期、活动的中奖金额等等。

最后，上述电子设备可以利用机器学习方法，将上述标记为异常的用户标识符对应的用户的用户特征向量和上述标记为正常的用户标识符对应的用户的用户特征向量分别作为输入，将异常类型和正常类型分别作为输出，训练得到异常用户识别模型。具体的，上述电子设备可以使用迭代决策树(Gradient Boosting Decision Tree，GBDT)模型、朴素贝叶斯模型(Naive Bayesian Model，NBM)或支持向量机(Support Vector Machine，SVM)等用于分类的模型，将上述标记为异常的用户标识符对应的用户的用户特征向量作为模型的输入，将上述异常类型作为对应的模型输出，同时将上述标记为正常的用户标识符对应的用户的用户特征向量作为模型的输入，将上述正常类型作为对应的模型输出，利用机器学习方法，对该模型进行训练，得到异常用户识别模型。上述电子设备可以通过调整模型中各个特征的权重，得到准确率与召回率满足预设要求的异常用户识别模型，其中，上述准确率可以为真实的异常用户数与上述异常用户识别模型识别出的异常类型的用户数的比值，上述召回率可以为真实的异常用户数与发送参与请求的用户数的比值。

需要说明的是，上述电子设备可以通过使用大数据处理框架中的离线计算部分训练得到上述异常用户识别模型，并且可以以天为单位训练得到异常用户识别模型以供后一天的实时计算部分进行使用。作为示例，上述大数据处理框架可以是Lambda架构，Lambda架构整合离线计算部分与实时计算部分，融合不可变性，读写分离和复杂性隔离等一系列架构原则。

步骤203，响应于用户在预设的第一时间段内的参与次数大于预设的次数阈值，设置第一计数，以及响应于用户的用户类型为异常类型，设置第二计数。

在本实施例中，上述电子设备可以首先获取上述用户在预设的第一时间段(例如，一秒钟、一分钟、一小时、一天等)内的参与次数，上述参与次数可以为用户发送参与请求的次数。之后，可以确定上述参与次数是否大于预设的次数阈值，若大于上述次数阈值，则可以设置第一计数。上述电子设备可以将参与次数大于预设的次数阈值的事件作为第一事件，上述第一计数可以为上述第一事件发生的次数，响应于确定出上述用户的参与次数大于上述次数阈值，上述电子设备可以设置第一计数，设置第一计数也可以为对上述第一事件的初始发生次数进行调整，即可以将初始发生次数增加一等到第一计数。

在本实施例中，响应于在步骤202中得到上述用户的用户类型为异常类型，上述电子设备可以设置第二计数。上述电子设备可以将异常类型的用户的参与次数大于上述次数阈值的事件作为第二事件，上述第二计数可以为上述第二事件发生的次数，响应于确定出上述用户的用户类型为异常类型、且上述用户的参与次数大于上述次数阈值，上述电子设备可以设置第二计数，设置第二计数也可以为对上述第二事件的初始发生次数进行调整，即可以将第二事件的初始发生次数增加一等到第二计数。

在本实施例中，在接收到上述用户的参与请求之后，上述电子设备可以获取上述用户的用户标识符，上述用户标识符可以包括用户全局唯一标识(PersonalIdentification Number，PIN)，例如，用户在目标应用中所登录的账户名；也可以包括用户的IP地址(互联网协议地址，Internet Protocol Address)，IP地址是IP协议提供的一种统一的地址格式，它为互联网上的每一个网络和每一台主机分配一个逻辑地址；还可以包括用户的MAC地址(媒体访问控制地址，Media Access Control Address)，上述MAC地址也可以称为物理地址或硬件地址，用于定义网络设备的位置，MAC地址实际上是适配器地址或适配器标识符。上述用户的参与次数可以为用户的用户全局唯一标识针对所有活动的参与次数，也可以为用户的用户全局唯一标识针对某一活动的参与次数，也可以为用户的IP地址针对所有活动的参与次数，还可以为用户的MAC地址针对所有活动的参与次数。

步骤204，基于在第一时间段内接收到的参与请求的总次数、第一计数、预先确定出的在预设的第二时间段内异常用户发送参与请求的次数和第二计数，确定在参与次数大于次数阈值的条件下用户是异常用户的概率并输出包含概率的信息。

在本实施例中，基于在上述第一时间段内接收到的参与请求的总次数、步骤203中设置的第一计数、预先确定出的在上述第二时间段内异常用户发送参与请求的次数和步骤203中设置的第二计数，上述电子设备可以确定在上述第一时间段内的参与次数大于上述次数阈值的条件下上述用户是异常用户的概率，即确定在上述第一事件发生的条件下上述用户是异常用户的概率，并可以输出包含上述概率的信息。

在本实施例中，上述电子设备可以首先将上述第二计数与上述第一计数的商确定为在上述用户是异常用户的条件下上述参与次数大于上述次数阈值的概率；之后，可以将上述预先确定出的在上述第二时间段内异常用户发送参与请求的次数与上述总次数的商确定为上述用户是异常用户的概率；最后，可以将在上述用户是异常用户的条件下上述参与次数大于上述次数阈值的概率与上述用户是异常用户的概率相乘，将得到的乘积除以预先设置的在上述第一时间段内参与次数大于上述次数阈值的事件发生的次数的商确定为在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率。

在本实施例中，上述电子设备可以获取预先确定出的在上述第二时间段内异常用户发送参与请求的次数，上述第二时间段通常为当前时刻的前一天的零点到二十四点的时间段，响应于接收到参与请求，上述电子设备可以将发送参与请求的用户的用户特征向量输入到异常用户识别模型中确定该用户的用户类型，之后，可以统计在上述第二时间段内异常用户发送参与请求的次数。

需要说明的是，上述电子设备可以通过使用大数据处理框架中的实时计算部分确定上述用户是异常用户的概率，可以采用分布式实时大数据处理框架处理实时计算部分。作为示例，上述分布式实时大数据处理框架可以为Storm，Storm是一个实时的、分布式以及具备高容错的计算系统。通过使用上述实时处理框架，可以及时的发现异常用户，将损失降到最低。

在本实施例的一些可选的实现方式中，确定出在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率之后，响应于上述概率大于等于预设的概率阈值(例如，0.9)，上述电子设备可以将上述用户的用户标识符标记为异常。上述电子设备可以将上述用户的用户全局唯一标识标记为异常，也可以将用户的IP地址标记为异常，还可以将用户的MAC地址标记为异常。

在本实施例的一些可选的实现方式中，在将上述用户的用户标识符标记为异常之后，上述电子设备可以对上述用户发送的参与请求进行拦截，或者上述电子设备也可以向上述用户的终端推送参与失败页面，上述参与失败页面可以用于表征用户未成功参与活动的页面，例如，当用户参与的活动为抽奖活动时，上述电子设备可以返回未中奖页面。

在本实施例的一些可选的实现方式中，上述电子设备可以首先获取在预设的第三时间段内在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率；之后，响应于在上述第三时间段内在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率均小于上述概率阈值，上述电子设备可以将上述第一时间段的时间长度增加预设第一倍数(例如，0.1倍)，其中，上述第三时间段的时间长度可以是上述第一时间段的时间长度的预设第二倍数。作为示例，当上述第三时间段的时间长度是5分钟，上述第一时间段的时间长度是1分钟，上述概率阈值是0.9，响应于在5分钟的每个1分钟内在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率均小于0.9，上述电子设备可以将上述第一时间段的时间长度1分钟增加到1.1分钟。

在本实施例的一些可选的实现方式中，上述电子设备可以首先获取在预设的第四时间段内在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率；之后，响应于在上述第四时间段内在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率均大于等于上述概率阈值，上述电子设备可以将上述第一时间段的时间长度减少预设第一倍数(例如，0.1倍)，其中，上述第四时间段的时间长度可以是上述第一时间段的时间长度的预设第三倍数。作为示例，当上述第四时间段的时间长度是3分钟，上述第一时间段的时间长度是1分钟，上述概率阈值是0.9，响应于在3分钟的每个1分钟内在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率均大于等于0.9，上述电子设备可以将上述第一时间段的时间长度1分钟减少到0.9分钟。在本实施方式中，通过不断地动态调整第一时间段的时间长度，可以将在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率控制在一个合理的范围内。

继续参见图3，图3是根据本实施例的用于输出信息的方法的应用场景的一个示意图。在图3的应用场景中，用户首先通过用户终端302发起一个对抽奖活动的参与请求303；之后，响应于服务器301接收到用户的参与请求303，获取上述用户的用户特征向量304，用户特征向量304包括用户的会员级别为1级、用户没有通过实名认证、用户的历史下单次数为1次、用户没有设置支付免密码、用户在1分钟内对抽奖活动页面刷新15次、用户在1分钟内对抽奖图标的点击次数为50次；而后，服务器301将获取到的用户特征向量304输入到预先训练的异常用户识别模型305中，得到上述用户的用户类型306为异常类型；然后，服务器301获取到用户在1分钟内对抽奖活动的参与次数307为65次，预设的次数阈值为30次，则上述用户在1分钟内对抽奖活动的参与次数65次大于上述次数阈值30次，服务器301设置第一计数308为10，上述用户的用户类型306为异常类型，则服务器301设置第二计数309为6；之后，服务器301获取在1分钟内接收到的参与请求的总次数310为10000次，预先确定出的在过去1天内异常用户发送参与请求的次数311为8000次；而后，服务器301将上述第二计数6除以上述第一计数10得到0.6，将上述异常用户发送参与请求的次数8000次除以上述接收到的参与请求的总次数10000次得到0.8，将0.6乘以0.8所得到乘积0.48除以预设的1分钟内用户参与次数大于次数阈值的事件发生概率的经验值0.56所得到商0.86确定为在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率312，并生成包含概率312的信息313。

本申请的上述实施例提供的方法通过对用户的用户特征向量进行分析，提高了信息输出的准确性，从而防范了异常用户对活动的参与。

进一步参考图4，其示出了用于输出信息的方法的又一个实施例的流程400。该用于输出信息的方法的流程400，包括以下步骤：

步骤401，响应于接收到用户的参与请求，获取用户的用户特征向量。

步骤402，将用户特征向量输入到预先训练的异常用户识别模型中，得到用户的用户类型。

步骤403，响应于用户在预设的第一时间段内的参与次数大于预设的次数阈值，设置第一计数，以及响应于用户的用户类型为异常类型，设置第二计数。

在本实施例中，步骤401-步骤403的操作与步骤201-步骤203的操作基本相同，在此不再赘述。

步骤404，将第二计数与第一计数的商确定为在用户是异常用户的条件下参与次数大于次数阈值的概率。

在本实施例中，上述电子设备可以利用步骤403中设置的第二计数除以设置的第一计数，将得到的商确定为在上述用户是异常用户的条件下上述用户在上述第一时间段内的参与次数大于次数阈值的概率。上述第二计数可以为在上述第一时间段内异常类型的用户的参与次数大于上述次数阈值的事件发生的次数，上述第一计数可以为在上述第一时间段内用户的参与次数大于上述次数阈值的事件发生的次数。

步骤405，将预先确定出的在预设的第二时间段内异常用户发送参与请求的次数与在第一时间段内接收到的参与请求的总次数的商确定为用户是异常用户的概率。

在本实施例中，上述电子设备可以将上述预先确定出的在上述第二时间段内异常用户发送参与请求的次数与上述在第一时间段内接收到的参与请求的总次数的商确定为上述用户是异常用户的概率。上述电子设备可以获取预先确定出的在上述第二时间段内异常用户发送参与请求的次数，上述第二时间段通常为当前时刻的前一天的零点到二十四点的时间段，响应于接收到参与请求，上述电子设备可以将发送参与请求的用户的用户特征向量输入到异常用户识别模型中确定该用户的用户类型，之后，可以统计在上述第二时间段内异常用户发送参与请求的次数。

步骤406，基于在用户是异常用户的条件下参与次数大于次数阈值的概率，利用朴素贝叶斯公式，将用户是异常用户的概率作为先验概率，将得到的后验概率确定为在参与次数大于次数阈值的条件下用户是异常用户的概率。

在本实施例中，上述电子设备可以基于在上述用户是异常用户的条件下上述参与次数大于上述次数阈值的概率，利用朴素贝叶斯公式，将上述用户是异常用户的概率作为先验概率，将得到的后验概率确定为在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率。

朴素贝叶斯公式(1)如下：

其中，C为特征C，D为类别D，P(C)为特征C的概率，P(D)为类别为类别D的概率，P(C|D)为在类别为类别D的条件下特征C的概率，P(D|C)为在特征C的条件下类别为类别D的概率。

在上述朴素贝叶斯公式中，P(D)为先验概率，P(D|C)为后验概率。

可以通过如下公式(2)确定在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率：

其中，A为在上述第一时间段内的参与次数大于上述次数阈值的事件(上述第一事件)，B₁为上述用户是异常用户，B₂为上述用户是正常用户，P(B₁)为上述用户是异常用户的概率，P(B₂)为上述用户是正常用户的概率，P(A|B₁)为在上述用户是异常用户的条件下在上述第一时间段内的参与次数大于上述次数阈值的概率，P(A|B₂)为在上述用户是正常用户的条件下在上述第一时间段内的参与次数大于上述次数阈值的概率，P(B₁|A)为在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率。

在上述公式(2)中，P(B₁)为先验概率，上述电子设备可以通过求取后验概率P(B₁|A)确定在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率。

可以通过如下公式(3)确定上述用户是异常用户的概率，通过如下公式(4)确定上述用户是正常用户的概率：

其中，a为在上述第一时间段内接收到的参与请求的总次数，c为预先确定出的在上述第二时间段内异常用户发送参与请求的次数。

可以通过如下公式(5)确定在上述用户是异常用户的条件下在上述第一时间段内的参与次数大于上述次数阈值的概率，通过如下公式(6)确定在上述用户是正常用户的条件下在上述第一时间段内的参与次数大于上述次数阈值的概率：

其中，b为上述第一计数，d为上述第二计数。

因此，上述公式(2)可以进一步扩展为如下公式(7)：

步骤407，输出包含概率的信息。

在本实施例中，上述电子设备可以输出包含在上述第一事件发生的条件下上述用户是异常用户的概率的信息，开发人员可以根据上述包含用户是异常用户的概率的信息，将异常用户添加到数据集市的风控表中。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于输出信息的方法的流程400突出了确定在参与次数大于次数阈值的条件下用户是异常用户的概率的步骤。由此，本实施例描述的方案可以将朴素贝叶斯算法与参与系统的业务场景相结合，从而得到更加准确的信息。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于输出信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于输出信息的装置500包括：第一获取单元501、输入单元502、设置单元503和输出单元504。其中，第一获取单元501配置用于响应于接收到用户的参与请求，获取用户的用户特征向量；输入单元502配置用于将用户特征向量输入到预先训练的异常用户识别模型中，得到用户的用户类型，其中，异常用户识别模型用于表征用户特征向量与用户类型之间的对应关系；设置单元503配置用于响应于用户在预设的第一时间段内的参与次数大于预设的次数阈值，设置第一计数，以及响应于用户的用户类型为异常类型，设置第二计数；输出单元504配置用于基于在第一时间段内接收到的参与请求的总次数、第一计数、预先确定出的在预设的第二时间段内异常用户发送参与请求的次数和第二计数，确定在参与次数大于次数阈值的条件下用户是异常用户的概率并输出包含概率的信息。

在本实施例中，用于输出信息的装置500的第一获取单元501、输入单元502、设置单元503和输出单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。

在本实施例的一些可选的实现方式中，用于输出信息的装置500还可以包括第一标记单元(图中未示出)、第二获取单元(图中未示出)和训练单元(图中未示出)。首先，上述第一标记单元可以将存在于预先存储的异常用户识别符表中、且在上述第二时间段内发送参与请求的用户的用户识别符标记为异常，并可以将除上述标记为异常的用户识别符之外的用户识别符标记为正常。上述异常用户识别符表也可以称为风控表，存储了已经被标注为风险用户的用户识别符，可以从数据集市上获取上述风控表，上述数据集市也叫数据市场，是为了满足特定的部门或者用户的需求，按照多维的方式进行存储，包括定义维度、需要计算的指标、维度的层次等，生成面向决策分析需求的数据立方体；也可以通过人工标注的方式得到上述风控表，例如，客服打电话反馈的方式。之后，上述第二获取单元可以获取在上述第二时间段内发送参与请求的用户的用户特征向量，上述用户特征向量可以包含用于对上述用户的用户属性进行表征的各种信息，也可以包含用于对上述用户的用户行为进行表征的各种信息，还可以包含用户所参与的活动的活动特征。最后，上述训练单元可以利用机器学习方法，将上述标记为异常的用户标识符对应的用户的用户特征向量和上述标记为正常的用户标识符对应的用户的用户特征向量分别作为输入，将异常类型和正常类型分别作为输出，训练得到异常用户识别模型。具体的，上述训练单元可以使用迭代决策树模型、朴素贝叶斯模型或支持向量机等用于分类的模型，将上述标记为异常的用户标识符对应的用户的用户特征向量作为模型的输入，将上述异常类型作为对应的模型输出，同时将上述标记为正常的用户标识符对应的用户的用户特征向量作为模型的输入，将上述正常类型作为对应的模型输出，利用机器学习方法，对该模型进行训练，得到异常用户识别模型。

在本实施例的一些可选的实现方式中，上述输出单元504可以包括第一确定模块(图中未示出)、第二确定模块(图中未示出)和第三确定模块(图中未示出)。上述第一确定模块可以利用上述设置单元503设置的第二计数除以设置的第一计数，将得到的商确定为在上述用户是异常用户的条件下上述用户在上述第一时间段内的参与次数大于次数阈值的概率。上述第二计数可以为在上述第一时间段内异常类型的用户的参与次数大于上述次数阈值的事件发生的次数，上述第一计数可以为在上述第一时间段内用户的参与次数大于上述次数阈值的事件发生的次数。上述第二确定模块可以将上述预先确定出的在上述第二时间段内异常用户发送参与请求的次数与上述在第一时间段内接收到的参与请求的总次数的商确定为上述用户是异常用户的概率。上述第三确定模块可以基于在上述用户是异常用户的条件下上述参与次数大于上述次数阈值的概率，利用朴素贝叶斯公式，将上述用户是异常用户的概率作为先验概率，将得到的后验概率确定为在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率。

在本实施例的一些可选的实现方式中，用于输出信息的装置500还可以包括第二标记单元(图中未示出)。确定出在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率之后，响应于上述概率大于等于预设的概率阈值，上述第二标记单元可以将上述用户的用户标识符标记为异常。上述第二标记单元可以将上述用户的用户全局唯一标识标记为异常，也可以将用户的IP地址标记为异常，还可以将用户的MAC地址标记为异常。

在本实施例的一些可选的实现方式中，用于输出信息的装置500还可以包括增加单元(图中未示出)。上述增加单元可以首先获取在预设的第三时间段内在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率；之后，响应于在上述第三时间段内在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率均小于上述概率阈值，上述增加单元可以将上述第一时间段的时间长度增加预设第一倍数，其中，上述第三时间段的时间长度可以是上述第一时间段的时间长度的预设第二倍数。作为示例，当上述第三时间段的时间长度是5分钟，上述第一时间段的时间长度是1分钟，上述概率阈值是0.9，响应于在5分钟的每个1分钟内在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率均小于0.9，上述增加单元可以将上述第一时间段的时间长度1分钟增加到1.1分钟。

在本实施例的一些可选的实现方式中，用于输出信息的装置500还可以包括减少单元(图中未示出)。上述减少单元可以首先获取在预设的第四时间段内在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率；之后，响应于在上述第四时间段内在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率均大于等于上述概率阈值，上述减少单元可以将上述第一时间段的时间长度减少预设第一倍数，其中，上述第四时间段的时间长度可以是上述第一时间段的时间长度的预设第三倍数。作为示例，当上述第四时间段的时间长度是3分钟，上述第一时间段的时间长度是1分钟，上述概率阈值是0.9，响应于在3分钟的每个1分钟内在上述参与次数大于上述次数阈值的条件下上述用户是异常用户的概率均大于等于0.9，上述减少单元可以将上述第一时间段的时间长度1分钟减少到0.9分钟。

在本实施例的一些可选的实现方式中，用于输出信息的装置500还可以包括拦截单元(图中未示出)或推送单元(图中未示出)。在将上述用户的用户标识符标记为异常之后，上述拦截单元可以对上述用户发送的参与请求进行拦截或者上述推送单元可以向上述用户的终端推送参与失败页面，上述参与失败页面可以用于表征用户未成功参与活动的页面，例如，当用户参与的活动为抽奖活动时，上述推送单元可以返回未中奖页面。

下面参考图6，其示出了适于用来实现本发明实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如液晶显示器(LCD)以及扬声器等的输出部分607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，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610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608。

特别地，根据本公开的实施例，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609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述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。在本申请中，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。而在本申请中，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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取单元、输入单元、设置单元和输出单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。例如，第一获取单元还可以被描述为“响应于接收到用户的参与请求，获取用户的用户特征向量的单元”。

作为另一方面，本申请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装置中所包含的；也可以是单独存在，而未装配入该装置中。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该装置执行时，使得该装置：响应于接收到用户的参与请求，获取用户的用户特征向量；将用户特征向量输入到预先训练的异常用户识别模型中，得到用户的用户类型，其中，异常用户识别模型用于表征用户特征向量与用户类型之间的对应关系；响应于用户在预设的第一时间段内的参与次数大于预设的次数阈值，设置第一计数，以及响应于用户的用户类型为异常类型，设置第二计数；基于在第一时间段内接收到的参与请求的总次数、第一计数、预先确定出的在预设的第二时间段内异常用户发送参与请求的次数和第二计数，确定在参与次数大于次数阈值的条件下用户是异常用户的概率并输出包含概率的信息。

以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种用于输出信息的方法，其特征在于，所述方法包括：

响应于接收到用户的参与请求，获取所述用户的用户特征向量；

将所述用户特征向量输入到预先训练的异常用户识别模型中，得到所述用户的用户类型，其中，所述异常用户识别模型用于表征用户特征向量与用户类型之间的对应关系；

响应于所述用户在预设的第一时间段内的参与次数大于预设的次数阈值，设置第一计数，以及响应于所述用户的用户类型为异常类型，设置第二计数；

基于在所述第一时间段内接收到的参与请求的总次数、所述第一计数、预先确定出的在预设的第二时间段内异常用户发送参与请求的次数和所述第二计数，确定在所述参与次数大于所述次数阈值的条件下所述用户是异常用户的概率并输出包含所述概率的信息。

2.根据权利要求1所述的方法，其特征在于，在所述将所述用户特征向量输入到预先训练的异常用户识别模型中之前，所述方法还包括：

将存在于预先存储的异常用户标识符表中、且在所述第二时间段内发送参与请求的用户的用户标识符标记为异常，将除标记为异常的用户标识符之外的用户标识符标记为正常；

获取在所述第二时间段内发送参与请求的用户的用户特征向量；

利用机器学习方法，将所述标记为异常的用户标识符对应的用户的用户特征向量和所述标记为正常的用户标识符对应的用户的用户特征向量分别作为输入，将异常类型和正常类型分别作为输出，训练得到异常用户识别模型。

3.根据权利要求1所述的方法，其特征在于，所述确定在所述参与次数大于所述次数阈值的条件下所述用户是异常用户的概率，包括：

将所述第二计数与所述第一计数的商确定为在所述用户是异常用户的条件下所述参与次数大于所述次数阈值的概率；

将预先确定出的在预设的第二时间段内异常用户发送参与请求的次数与在所述第一时间段内接收到的参与请求的总次数的商确定为所述用户是异常用户的概率；

基于所述在所述用户是异常用户的条件下所述参与次数大于所述次数阈值的概率，利用朴素贝叶斯公式，将所述用户是异常用户的概率作为先验概率，将得到的后验概率确定为在所述参与次数大于所述次数阈值的条件下所述用户是异常用户的概率。

4.根据权利要求1-3之一所述的方法，其特征在于，所述方法还包括：

响应于所述在所述参与次数大于所述次数阈值的条件下所述用户是异常用户的概率大于等于预设的概率阈值，将所述用户的用户标识符标记为异常。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

响应于在预设的第三时间段内在所述参与次数大于所述次数阈值的条件下所述用户是异常用户的概率均小于所述概率阈值，将所述第一时间段的时间长度增加预设第一倍数，其中，所述第三时间段的时间长度是所述第一时间段的时间长度的预设第二倍数。

6.根据权利要求4所述的方法，其特征在于，所述方法还包括：

响应于在预设的第四时间段内在所述参与次数大于所述次数阈值的条件下所述用户是异常用户的概率均大于等于所述概率阈值，将所述第一时间段的时间长度减少预设第三倍数，其中，所述第四时间段的时间长度是所述第一时间段的时间长度的预设第四倍数。

7.根据权利要求4所述的方法，其特征在于，在所述将所述用户的用户标识符标记为异常之后，所述方法还包括：

拦截所述用户发送的参与请求；或

向所述用户的终端推送参与失败页面。

8.一种用于输出信息的装置，其特征在于，所述装置包括：

第一获取单元，配置用于响应于接收到用户的参与请求，获取所述用户的用户特征向量；

输入单元，配置用于将所述用户特征向量输入到预先训练的异常用户识别模型中，得到所述用户的用户类型，其中，所述异常用户识别模型用于表征用户特征向量与用户类型之间的对应关系；

设置单元，配置用于响应于所述用户在预设的第一时间段内的参与次数大于预设的次数阈值，设置第一计数，以及响应于所述用户的用户类型为异常类型，设置第二计数；

输出单元，配置用于基于在所述第一时间段内接收到的参与请求的总次数、所述第一计数、预先确定出的在预设的第二时间段内异常用户发送参与请求的次数和所述第二计数，确定在所述参与次数大于所述次数阈值的条件下所述用户是异常用户的概率并输出包含所述概率的信息。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

第一标记单元，配置用于将存在于预先存储的异常用户标识符表中、且在所述第二时间段内发送参与请求的用户的用户标识符标记为异常，将除标记为异常的用户标识符之外的用户标识符标记为正常；

第二获取单元，配置用于获取在所述第二时间段内发送参与请求的用户的用户特征向量；

训练单元，配置用于利用机器学习方法，将所述标记为异常的用户标识符对应的用户的用户特征向量和所述标记为正常的用户标识符对应的用户的用户特征向量分别作为输入，将异常类型和正常类型分别作为输出，训练得到异常用户识别模型。

10.根据权利要求8所述的装置，其特征在于，所述输出单元，包括：

第一确定模块，配置用于将所述第二计数与所述第一计数的商确定为在所述用户是异常用户的条件下所述参与次数大于所述次数阈值的概率；

第二确定模块，配置用于将预先确定出的在预设的第二时间段内异常用户发送参与请求的次数与在所述第一时间段内接收到的参与请求的总次数的商确定为所述用户是异常用户的概率；

第三确定模块，配置用于基于所述在所述用户是异常用户的条件下所述参与次数大于所述次数阈值的概率，利用朴素贝叶斯公式，将所述用户是异常用户的概率作为先验概率，将得到的后验概率确定为在所述参与次数大于所述次数阈值的条件下所述用户是异常用户的概率。

11.根据权利要求9-10之一所述的装置，其特征在于，所述装置还包括：

第二标记单元，配置用于响应于所述在所述参与次数大于所述次数阈值的条件下所述用户是异常用户的概率大于等于预设的概率阈值，将所述用户的用户标识符标记为异常。

12.根据权利要求11所述的装置，其特征在于，所述装置还包括：

增加单元，配置用于响应于在预设的第三时间段内在所述参与次数大于所述次数阈值的条件下所述用户是异常用户的概率均小于所述概率阈值，将所述第一时间段的时间长度增加预设第一倍数，其中，所述第三时间段的时间长度是所述第一时间段的时间长度的预设第二倍数。

13.根据权利要求11所述的装置，其特征在于，所述装置还包括：

减少单元，配置用于响应于在预设的第四时间段内在所述参与次数大于所述次数阈值的条件下所述用户是异常用户的概率均大于等于所述概率阈值，将所述第一时间段的时间长度减少预设第三倍数，其中，所述第四时间段的时间长度是所述第一时间段的时间长度的预设第四倍数。

14.根据权利要求11所述的装置，其特征在于，所述装置还包括：

拦截单元，配置用于拦截所述用户发送的参与请求；或

推送单元，配置用于向所述用户的终端推送参与失败页面。

15.一种服务器，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中任一所述的方法。

16.一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中任一所述的方法。