CN110516422B - 用户身份的识别方法、装置、电子设备及存储介质 - Google Patents
用户身份的识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110516422B CN110516422B CN201910816876.6A CN201910816876A CN110516422B CN 110516422 B CN110516422 B CN 110516422B CN 201910816876 A CN201910816876 A CN 201910816876A CN 110516422 B CN110516422 B CN 110516422B
- Authority
- CN
- China
- Prior art keywords
- user
- identified
- identity
- information
- determining
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开公开了一种用户身份的识别方法、装置、电子设备及存储介质。该方法包括:获取待识别用户的信息,通过身份识别模型对待识别用户的信息进行检测,根据检测结果确定待识别用户的身份,身份识别模型基于样本用户的信息进行训练而成。本公开实施例的方案通过已经训练好的身份识别模型,对待识别用户的信息进行检测,并实现对待识别用户的身份的确定,从而使识别过程更加准确高效。
Description
技术领域
本发明实施例涉及互联网技术领域,尤其涉及一种用户身份的识别方法、装置、电子设备及存储介质。
背景技术
随着移动互联网的快速发展,用户对于应用软件的使用越来越普遍,而应用软件的运营商也会相应的采取一些营销手段来吸引更多的用户。
运营商所采用的营销手段往往是只要完成规定的任务就可以得到奖励,因此就有部分用户仅仅为了赚取奖励而参加,但是所完成的任务质量可能并不达标,这类用户一般称为低价值用户,针对低价值用户目前运营商平台一般采用人工标记的方式进行识别。
发明人在实现本发明的过程中,发现现有技术存在如下缺陷:对于每一个应用软件其所对应的用户数量往往是非常庞大的,仅仅采用人工标记的方式对低价值用户进行识别通常需要耗费巨大的人力和时间成本,并且最终的识别结果往往也会存在一定的误差,因此现有技术中还没有一种有效的方式实现对低价值用户的准确快速的识别。
发明内容
本公开实施例提供一种用户身份的识别方法、装置、电子设备及存储介质,以实现对待识别用户的身份进行准确快速的确定。
第一方面,本公开实施例提供了一种用户身份的识别方法,该方法包括:
获取待识别用户的信息,其中,用户的信息包括:用户投稿行为、用户软件使用行为和用户所投稿件特征中的至少一项;
通过身份识别模型对待识别用户的信息进行检测,根据检测结果确定待识别用户的身份,其中,身份识别模型基于样本用户的信息进行训练而成。
第二方面,本公开实施例还提供了一种用户身份的识别装置,该装置包括:
待识别用户的信息获取模块,用于获取待识别用户的信息,其中,用户的信息包括:用户投稿行为、用户软件使用行为和用户所投稿件特征中的至少一项;
待识别用户的身份确定模块,用于通过身份识别模型对待识别用户的信息进行检测,根据检测结果确定待识别用户的身份,其中,身份识别模型基于样本用户的信息进行训练而成。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
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本公开任意实施例所述的用户身份的识别方法。
第四方面,本公开实施例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本公开任意实施例所述的用户身份的识别方法。
本公开实施例提供了一种用户身份的识别方法、装置、电子设备及存储介质,通过已经训练好的身份识别模型,对待识别用户的信息进行检测,并实现对待识别用户的身份的确定,由于身份识别模型是基于样本用户的信息所提前训练好的,因此可以实现对待识别用户的身份准确高效的确定。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是本公开实施例提供的一种用户身份的识别方法的流程图;
图2是本公开实施例提供的另一种用户身份的识别方法的流程图;
图3是本公开实施例提供的一种用户身份的识别装置的结构示意图;
图4是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
图1为本公开实施例提供的一种用户身份的识别方法的流程图,本实施例可适用于对待识别用户的身份进行准确高效确定的情况,该方法可以由用户身份识别装置或电子设备来执行,该装置可以通过软件和/或硬件的方式来实现,该装置可以配置在电子设备中。可选的,该电子设备可以是应用程序的后端服务平台对应的设备,还可以是安装有应用程序客户端的移动终端设备。
可选的,如图1所示,本实施例中的方法可以包括如下步骤:
步骤101,获取待识别用户的信息。
其中,用户的信息包括:用户投稿行为、用户软件使用行为和用户所投稿件特征中的至少一项。由于用户操作行为相关的数据都会在电子设备的数据库中进行保存,因此通过调用数据库就可以获取到待识别用户的信息。
可选的,用户投稿行为包括:用户的投稿频率或用户的投稿时间规律中的至少一项;用户软件使用行为包括:用户的在线时长、用户所浏览信息的类型和用户对所使用软件的反馈信息中的至少一项;用户所投稿件特征包括:用户所投稿件的类型和用户所投稿件的播放时长中的至少一项。
例如,所获取的待识别用户A的信息为:用户的投稿频率为30次/分钟,用户的在线时长为21小时,用户所投稿件的播放时长为10秒。当然,本实施方式仅是以待识别用户A的信息为例进行的举例说明,本实施方式中并不限定用户信息的具体类型,只要根据待识别用户的信息能够实现对待识别用户身份的确定,都是在本公开实施例的保护范围内。
步骤102,通过身份识别模型对待识别用户的信息进行检测,根据检测结果确定待识别用户的身份。
其中,身份识别模型基于样本用户的信息进行训练而成。因此在通过身份识别模型对待识别用户的信息进行检测之前,首先需要对身份识别模型进行训练。
可选的,在对身份识别模型进行训练时,可以采用根据各样本用户的信息确定各样本用户的向量,用户向量之间的向量距离反应用户之间的相似程度;根据各样本用户的向量作为输入参数,训练身份识别模型,其中,各样本用户标注有低价值或高价值的输出结果。
在一个具体实现中,样本用户B的信息为:用户的投稿频率为30次/分钟,用户的在线时长为20小时,用户所投稿件的播放时长为30秒,并且样本用户B标注有低价值。样本用户C的信息为:用户的投稿频率为1次/分钟,用户的在线时长为3小时,用户所投稿件的播放时长为1分钟,并且样本用户C标注有高价值。按照预设的向量转换算法,例如word2vec算法对样本用户B的信息和样本用户C的信息进行向量转换。由于向量转换过程并不是本申请的重点,因此本申请实施方式中不对其进行赘述,并且通过上述算法进行向量转化之后得到样本用户B的向量为(1 2 2),样本用户C的向量为(10 8 7),则将样本用户B的向量和样本用户C的向量作为输入参数,训练身份识别模型。本实施方式中仅是以两个样本为例进行的举例说明,而在实际应用中往往需要大量的样本用户来实现对身份识别模型的训练过程。
需要说明的是,在本公式实施方式中,根据用户的向量还可以计算用户向量之间的向量距离,根据向量距离可以得出用户之间的相似程度,例如,样本用户B与样本用户C之间的向量距离为11,而提前预存了向量距离与相似概率的对应关系列表,例如,向量距离在1~3范围内的相似概率为90%,向量距离在4~6范围内的相似概率为60%,向量距离在7~10范围内的相似概率为20%,向量距离在大于10范围内的相似概率为3%。由于样本用户B与样本用户C之间的向量距离为11,两者的相似概率仅为3%,因此基本可以确定样本用户B与样本用户C的身份不同。
可选的,通过身份识别模型对待识别用户的信息进行检测,根据检测结果确定待识别用户的身份,可以包括:确定待识别用户的信息所对应的待识别用户的向量;将待识别用户的向量输入身份识别模型,以确定待识别用户与低价值用户的相似概率;根据相似概率确定待识别用户的身份。
可选的,根据相似概率确定待识别用户的身份,可以包括:判断待识别用户的相似概率是否超过预设阈值,若是,则确定待识别用户的身份为低价值,否则,确定待识别用户的身份为高价值。
例如,在本公开实施例中,确定待识别用户A的信息为:用户的投稿频率为30次/分钟,用户的在线时长为21小时,用户所投稿件的播放时长为10秒,并根据待识别用户A的信息可以确定出待识别用户A的向量为(1 3 1),将待识别用户A的向量输入已经训练好的身份识别模型,可以得出待识别用户A与低价值用户的相似概率为70%,由于数据库中所保存的预设阈值的个数为60%,即与低价值用户的相似概率超过60%的用户被识别为低价值。由于本公开中待识别用户A与低价值用户的相似度为70%,大于所设定的预设阈值60%,因此可以确定待识别用户A的身份为低价值。
本公开实施例提供了一种用户身份的识别方法,通过已经训练好的身份识别模型,对待识别用户的信息进行检测,并实现对待识别用户的身份的确定,由于身份识别模型是基于样本用户的信息所提前训练好的,因此可以实现对待识别用户的身份准确高效的确定。
图2示出了本公开实施例提供的另一种用户身份的识别方法的流程图,本实施例在上述实施例提供的各可选方案的基础上进行了优化,具体给出了针对待识别用户所确定的不同身份采用不同的方式进行激励的详细描述。
可选的,如图2所示,本实施例中的方法可以包括如下步骤:
步骤201,获取待识别用户的信息。
步骤202,通过身份识别模型对待识别用户的信息进行检测,根据检测结果确定待识别用户的身份。
步骤203,判断待识别用户的身份是否为高价值,若是,则执行步骤204,否则,执行步骤205。
步骤204,对待识别用户采用第一预设策略进行激励。
采用预设策略进行激励可以是应用软件运营商为了激励用户对应用软件的使用所做出的贡献,而提供的一种奖励规则。并且针对高价值用户所采用的是奖励力度比较大的策略,并将该类策略称为第一预设策略。
其中,在确定待识别用户的身份为高价值时,说明待识别用户为正常使用应用软件的用户,而不仅仅是为了赚取奖励,所以为了吸引该类高价值用户,增加与该用户的黏度,通常需要加大对该类用户的激励,并采用第一预设策略进行激励。例如,为该类用户定期赠送10元红包,并每天免费赠送10个积分或者活动优惠券。
步骤205,对待识别用户采用第二预设策略进行激励。
其中,第一预设策略的激励力度大于第二预设策略的激励力度。在确定用户的身份为低价值时,说明待识别用户暂时性使用应用软件的概率比较大,并且使用的目的仅仅是为了赚取奖励,如果该类用户大量存在,而不采取相应措施的话,会严重损害正常用户的利益以及应用软件的生态环境,所以通常需要降低对该类用户的激励,并且针对低价值用户所采用的是奖励力度非常小的策略,并将该类策略称为第二预设策略。例如,对该类用户赠送红包的额度最大为0.5元,每周免费赠送1个积分,不向该类用户发放活动优惠券,由此可以看出针对高价值用户的第一预设策略的激励力度是明显大于第二预设策略的激励力度的。
可选的,在对待识别用户采用第二策略进行激励之后,可以包括:在确定待识别用户流失的情况下,增加对待识别用户的软件使用许可阈值。
具体的说,在识别出待识别用户为低价值用户,并对该用户采用第二预设策略之后,如果该用户流失,则可以进一步确定该用户应用软件的目的仅仅是为了赚取奖励,所以为了避免该用户对应用软件的再次使用,可以增加对该用户的软件使用需要阈值。例如,对于上传视频的应用软件,针对其他未识别的第一次申请的新用户,只需要上传一个视频内容就可以注册成功,而对于该用户,由于数据库中保存了该用户的身份信息,当发现再次申请注册使用时,需要限定上传三段视频,并针对上传的视频内容需要经过审核通过后才可以确定注册成功。
本公开实施提供了一种用户身份的识别方法,在确定出待识别用户的身份之后,在确定身份为高价值用户的情况下,则对该用户采用第一预设策略进行激励,在确定身份为低价值用户的情况下,则对待识别用户采用第二预设策略进行激励,并且第一预设策略的激励力度大于第二预设策略的激励力度。本公开实施例的方案通过对不同身份的用户采用不同的激励策略,可以实现增加与高价值用户的黏度,同时减少低价值用户的数量,从而保证应用软件保持良好的生态运行环境。
图3示出了本公开实施例提供的一种用户身份的识别装置的结构示意图,本公开实施例可适用于对待识别用户的身份进行准确高效确定的情况。该装置可以通过软件和/或硬件来实现,并集成在执行方法的电子设备中,如图3所示,该装置可以包括:
待识别用户的信息获取模块301,用于获取待识别用户的信息,其中,用户的信息包括:用户投稿行为、用户软件使用行为和用户所投稿件特征中的至少一项;
待识别用户的身份确定模块302,用于通过身份识别模型对待识别用户的信息进行检测,根据检测结果确定待识别用户的身份,其中,身份识别模型基于样本用户的信息进行训练而成。
本公开实施例提供了一种用户身份的识别装置,通过已经训练好的身份识别模型,对待识别用户的信息进行检测,并实现对待识别用户的身份的确定,由于身份识别模型是基于样本用户的信息所提前训练好的,因此可以实现对待识别用户的身份准确高效的确定。
进一步的,所述装置还包括:
身份识别模型训练模块,用于根据各样本用户的信息确定各样本用户的向量,用户向量之间的向量距离反应用户之间的相似程度;根据各样本用户的向量作为输入参数,训练身份识别模型,其中,各样本用户标注有低价值或高价值的输出结果。
进一步的,所述待识别用户的身份确定模块302具体用于:
确定待识别用户的信息所对应的待识别用户的向量;
将待识别用户的向量输入身份识别模型,以确定待识别用户与低价值用户的相似概率;
根据相似概率确定待识别用户的身份。
进一步的,所述待识别用户的身份确定模块302在执行根据相似概率确定待识别用户的身份时,具体用于:
判断待识别用户的相似概率是否超过预设阈值,若是,则确定待识别用户的身份为低价值,否则,确定待识别用户的身份为高价值。
进一步的,所述装置还包括:
预设策略分配模块,用于在确定待识别用户的身份为高价值时,则对待识别用户采用第一预设策略进行激励;
在确定待识别用户的身份为低价值时,则对待识别用户采用第二预设策略进行激励,其中,第一预设策略的激励力度大于第二预设策略的激励力度。
进一步的,所述装置还包括:
软件使用许可阈值增加模块,用于在确定待识别用户流失的情况下,增加对待识别用户的软件使用许可阈值。
进一步的,所述用户投稿行为包括:用户的投稿频率或用户的投稿时间规律中的至少一项;所述用户软件使用行为包括:用户的在线时长、用户所浏览信息的类型和用户对所使用软件的反馈信息中的至少一项用户所投稿件特征包括:所述用户所投稿件的类型和用户所投稿件的播放时长中的至少一项。
本公开实施例提供的用户身份的识别装置,与上述各实施例提供的用户身份的识别方法属于同一发明构思,未在本公开实施例中详尽描述的技术细节可参见上述各实施例,并且本公开实施例与上述各实施例具有相同的有益效果。
下面参考图4,其示出了适于用来实现本公开实施例的电子设备400的结构示意图。本公开实施例中的电子设备可以是应用程序的后端服务平台对应的设备,还可以是安装有应用程序客户端的移动终端设备。具体的,该电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
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,其包括承载在非暂态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装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开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。在本公开中,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。而在本公开中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
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电子设备执行时,使得该电子设备内部进程执行:获取待识别用户的信息,其中,用户的信息包括:用户投稿行为、用户软件使用行为和用户所投稿件特征中的至少一项;通过身份识别模型对待识别用户的信息进行检测,根据检测结果确定待识别用户的身份,其中,身份识别模型基于样本用户的信息进行训练而成。
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公开的操作的计算机程序代码,上述程序设计语言包括但不限于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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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。
描述于本公开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。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例提供的一种用户身份的识别方法,该方法包括:
获取待识别用户的信息,其中,所述用户的信息包括:用户投稿行为、用户软件使用行为和用户所投稿件特征中的至少一项;
通过身份识别模型对所述待识别用户的信息进行检测,根据检测结果确定所述待识别用户的身份,其中,所述身份识别模型基于样本用户的信息进行训练而成。
根据本公开的一个或多个实施例,上述方法中,还包括:
根据各所述样本用户的信息确定各所述样本用户的向量,用户向量之间的向量距离反应用户之间的相似程度;
根据各所述样本用户的向量作为输入参数,训练所述身份识别模型,其中,各所述样本用户标注有低价值或高价值的输出结果。
根据本公开的一个或多个实施例,上述方法中,通过所述身份识别模型对所述待识别用户的信息进行检测,根据检测结果确定所述待识别用户的身份,包括:
确定所述待识别用户的信息所对应的待识别用户的向量;
将所述待识别用户的向量输入所述身份识别模型,以确定所述待识别用户与低价值用户的相似概率;
根据所述相似概率确定所述待识别用户的身份。
根据本公开的一个或多个实施例,上述方法中,根据所述相似概率确定所述待识别用户的身份,包括:
判断所述待识别用户的相似概率是否超过预设阈值,若是,则确定所述待识别用户的身份为低价值,否则,确定所述待识别用户的身份为高价值。
根据本公开的一个或多个实施例,上述方法中,通过所述身份识别模型对所述待识别用户的信息进行检测,根据检测结果确定所述待识别用户的身份之后,还包括:
在确定所述待识别用户的身份为高价值时,则对所述待识别用户采用第一预设策略进行激励;
在确定所述待识别用户的身份为低价值时,则对所述待识别用户采用第二预设策略进行激励,其中,所述第一预设策略的激励力度大于所述第二预设策略的激励力度。
根据本公开的一个或多个实施例,上述方法中,对所述待识别用户采用第二预设策略进行激励之后,还包括:
在确定所述待识别用户流失的情况下,增加对所述待识别用户的软件使用许可阈值。
根据本公开的一个或多个实施例,上述方法中,所述用户投稿行为包括:所述用户的投稿频率或所述用户的投稿时间规律中的至少一项;
所述用户软件使用行为包括:所述用户的在线时长、所述用户所浏览信息的类型和所述用户对所使用软件的反馈信息中的至少一项;
所述用户所投稿件特征包括:所述用户所投稿件的类型和所述用户所投稿件的播放时长中的至少一项。
根据本公开的一个或多个实施例提供的一种用户身份的识别装置,该装置包括:
待识别用户的信息获取模块,用于获取待识别用户的信息,其中,所述用户的信息包括:用户投稿行为、用户软件使用行为和用户所投稿件特征中的至少一项;
待识别用户的身份确定模块,用于通过身份识别模型对所述待识别用户的信息进行检测,根据检测结果确定所述待识别用户的身份,其中,所述身份识别模型基于样本用户的信息进行训练而成。
根据本公开的一个或多个实施例,上述装置还包括:
身份识别模型训练模块,用于根据各样本用户的信息确定各样本用户的向量,用户向量之间的向量距离反应用户之间的相似程度;根据各样本用户的向量作为输入参数,训练身份识别模型,其中,各样本用户标注有低价值或高价值的输出结果。
根据本公开的一个或多个实施例,上述装置中的待识别用户的身份确定模块具体用于:
确定待识别用户的信息所对应的待识别用户的向量;
将待识别用户的向量输入身份识别模型,以确定待识别用户与低价值用户的相似概率;
根据相似概率确定待识别用户的身份。
根据本公开的一个或多个实施例,上述装置中的待识别用户的身份确定模块在执行根据相似概率确定待识别用户的身份时,具体用于:
判断待识别用户的相似概率是否超过预设阈值,若是,则确定待识别用户的身份为低价值,否则,确定待识别用户的身份为高价值。
根据本公开的一个或多个实施例,上述装置还包括:预设策略分配模块,用于在确定待识别用户的身份为高价值时,则对待识别用户采用第一预设策略进行激励;
在确定待识别用户的身份为低价值时,则对待识别用户采用第二预设策略进行激励,其中,第一预设策略的激励力度大于第二预设策略的激励力度。
根据本公开的一个或多个实施例,上述装置还包括:软件使用许可阈值增加模块,用于在确定待识别用户流失的情况下,增加对待识别用户的软件使用许可阈值。
根据本公开的一个或多个实施例,所述用户投稿行为包括:用户的投稿频率或用户的投稿时间规律中的至少一项;所述用户软件使用行为包括:用户的在线时长、用户所浏览信息的类型和用户对所使用软件的反馈信息中的至少一项用户所投稿件特征包括:所述用户所投稿件的类型和用户所投稿件的播放时长中的至少一项。
根据本公开的一个或多个实施例提供的一种电子设备,该电子设备包括:
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本公开任意实施例所述的用户身份的识别方法。
根据本公开的一个或多个实施例提供的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本公开任意实施例所述的用户身份的识别方法。
以上描述仅为本公开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,本公开中所涉及的公开范围,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公开构思的情况下,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。例如上述特征与本公开中公开的(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。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (8)
1.一种用户身份的识别方法,其特征在于,包括:
获取待识别用户的信息,其中,所述用户的信息包括:用户投稿行为、用户软件使用行为和用户所投稿件特征中的至少一项;
通过身份识别模型对所述待识别用户的信息进行检测,根据检测结果确定所述待识别用户的身份,其中,所述身份识别模型基于样本用户的信息进行训练而成;
所述通过所述身份识别模型对所述待识别用户的信息进行检测,根据检测结果确定所述待识别用户的身份之后,还包括:在确定所述待识别用户的身份为高价值时,则对所述待识别用户采用第一预设策略进行激励;在确定所述待识别用户的身份为低价值时,则对所述待识别用户采用第二预设策略进行激励,其中,所述第一预设策略的激励力度大于所述第二预设策略的激励力度;
所述对所述待识别用户采用第二预设策略进行激励之后,还包括:在确定所述待识别用户流失的情况下,增加对所述待识别用户的软件使用许可阈值。
2.根据权利要求1所述的方法,其特征在于,还包括:
根据各所述样本用户的信息确定各所述样本用户的向量,用户向量之间的向量距离反应用户之间的相似程度;
根据各所述样本用户的向量作为输入参数,训练所述身份识别模型,其中,各所述样本用户标注有低价值或高价值的输出结果。
3.根据权利要求2所述的方法,其特征在于,所述通过所述身份识别模型对所述待识别用户的信息进行检测,根据检测结果确定所述待识别用户的身份,包括:
确定所述待识别用户的信息所对应的待识别用户的向量;
将所述待识别用户的向量输入所述身份识别模型,以确定所述待识别用户与低价值用户的相似概率;
根据所述相似概率确定所述待识别用户的身份。
4.根据权利要求3所述的方法,其特征在于,所述根据所述相似概率确定所述待识别用户的身份,包括:
判断所述待识别用户的相似概率是否超过预设阈值,若是,则确定所述待识别用户的身份为低价值,否则,确定所述待识别用户的身份为高价值。
5.根据权利要求1至4任一项所述的方法,其特征在于:
所述用户投稿行为包括:所述用户的投稿频率或所述用户的投稿时间规律中的至少一项;
所述用户软件使用行为包括:所述用户的在线时长、所述用户所浏览信息的类型和所述用户对所使用软件的反馈信息中的至少一项;
所述用户所投稿件特征包括:所述用户所投稿件的类型和所述用户所投稿件的播放时长中的至少一项。
6.一种用户身份的识别装置,其特征在于,包括:
待识别用户的信息获取模块,用于获取待识别用户的信息,其中,所述用户的信息包括:用户投稿行为、用户软件使用行为和用户所投稿件特征中的至少一项;
待识别用户的身份确定模块,用于通过身份识别模型对所述待识别用户的信息进行检测,根据检测结果确定所述待识别用户的身份,其中,所述身份识别模型基于样本用户的信息进行训练而成;
所述装置还包括:预设策略分配模块,用于在确定所述待识别用户的身份为高价值时,则对所述待识别用户采用第一预设策略进行激励;在确定所述待识别用户的身份为低价值时,则对所述待识别用户采用第二预设策略进行激励,其中,所述第一预设策略的激励力度大于所述第二预设策略的激励力度;
软件使用许可阈值增加模块,用于在确定所述待识别用户流失的情况下,增加对所述待识别用户的软件使用许可阈值。
7.一种电子设备,其特征在于,所述电子设备包括:
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1-5中任一所述的用户身份的识别方法。
8.一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1-5中任一所述的用户身份的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910816876.6A CN110516422B (zh) | 2019-08-30 | 2019-08-30 | 用户身份的识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910816876.6A CN110516422B (zh) | 2019-08-30 | 2019-08-30 | 用户身份的识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110516422A CN110516422A (zh) | 2019-11-29 |
CN110516422B true CN110516422B (zh) | 2021-05-07 |
Family
ID=68628876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910816876.6A Active CN110516422B (zh) | 2019-08-30 | 2019-08-30 | 用户身份的识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516422B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111459780B (zh) * | 2020-04-01 | 2023-04-07 | 北京字节跳动网络技术有限公司 | 用户识别方法、装置、可读介质及电子设备 |
CN113742665B (zh) * | 2020-06-05 | 2024-03-26 | 国家计算机网络与信息安全管理中心 | 用户身份识别模型构建、用户身份验证方法及装置 |
CN113094412B (zh) * | 2021-04-28 | 2022-12-23 | 杭州数澜科技有限公司 | 一种身份识别方法、装置、电子设备以及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN108616491A (zh) * | 2016-12-13 | 2018-10-02 | 北京酷智科技有限公司 | 一种恶意用户的识别方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8326777B2 (en) * | 2009-07-31 | 2012-12-04 | Yahoo! Inc. | Supplementing a trained model using incremental data in making item recommendations |
CN108416198B (zh) * | 2018-02-06 | 2022-02-01 | 平安科技(深圳)有限公司 | 人机识别模型的建立装置、方法及计算机可读存储介质 |
-
2019
- 2019-08-30 CN CN201910816876.6A patent/CN110516422B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN108616491A (zh) * | 2016-12-13 | 2018-10-02 | 北京酷智科技有限公司 | 一种恶意用户的识别方法和系统 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110516422A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110874440B (zh) | 一种信息推送及其模型训练的方法、装置及电子设备 | |
CN110516422B (zh) | 用户身份的识别方法、装置、电子设备及存储介质 | |
CN109961032B (zh) | 用于生成分类模型的方法和装置 | |
CN110516159B (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN109862100B (zh) | 用于推送信息的方法和装置 | |
CN110781373B (zh) | 榜单更新方法、装置、可读介质和电子设备 | |
CN111209306A (zh) | 业务逻辑判断方法、装置、电子设备和存储介质 | |
CN110737846B (zh) | 一种社交界面推荐方法、装置、电子设备及存储介质 | |
CN110008926B (zh) | 用于识别年龄的方法和装置 | |
CN111209432A (zh) | 信息获取的方法、装置、电子设备及计算机可读介质 | |
US11526904B2 (en) | System and method for reward video viewing | |
CN110765490A (zh) | 用于处理信息的方法和装置 | |
CN110781066B (zh) | 用户行为分析方法、装置、设备及存储介质 | |
CN116306981A (zh) | 策略确定方法、装置、介质及电子设备 | |
CN115671723A (zh) | 资源处理方法、装置、设备及介质 | |
CN113177176A (zh) | 特征构建方法、内容显示方法及相关装置 | |
CN115086700A (zh) | 推送处理方法、装置、设备及介质 | |
CN113033680A (zh) | 视频分类方法、装置、可读介质及电子设备 | |
CN113837808A (zh) | 一种推广信息的推送方法、装置、设备、介质及产品 | |
CN113222050A (zh) | 图像分类方法、装置、可读介质及电子设备 | |
CN112507884A (zh) | 直播内容的检测方法、装置、可读介质和电子设备 | |
CN111949527A (zh) | 游戏视频的测试方法、装置、设备及存储介质 | |
CN110532475B (zh) | 一种信息预估方法、装置、电子设备及存储介质 | |
CN110752958A (zh) | 用户行为分析方法、装置、设备及存储介质 | |
CN111709782A (zh) | 信息交互方法、装置和电子设备 |
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 |