CN110598157A - 目标信息识别方法、装置、设备及存储介质 - Google Patents

Abstract

本公开实施例提供一种目标信息识别方法、装置、设备及存储介质，该方法包括：获取第一账号对应的终端上传的目标数据和所述第一账号对应的终端上传的历史数据的统计信息；根据所述目标数据，通过目标信息识别模型，确定所述目标数据为目标信息的第一概率；根据所述目标数据和所述统计信息，通过对梯度提升决策树模型进行训练，确定所述第一账号为目标账号的第二概率；根据所述第一概率和所述第二概率，确定所述目标数据是否为目标信息。本公开实施例能够解决现有技术无法及时有效地识别文章是否为存在异常的目标文章的问题。

Description

目标信息识别方法、装置、设备及存储介质

技术领域

本公开实施例涉及识别技术领域，尤其涉及一种目标信息识别方法、装置、设备及存储介质。

背景技术

随着互联网技术的不断发展，涌现出越来越多的互联网服务平台。目前，在平台提供的服务中，用户可以发表自定义内容，各个互联网服务平台都会在平台中展示各个账号或用户发表的数据。

这些用户通常是通过发表的标题、描述信息等数据用以吸引粉丝，这也出现了很多存在异常的文章，这些存在异常的文章一般通过重复其他原创用户发表的内容或发表与其他原创用户发表的内容相似度很高的内容来吸引粉丝，形成不好的影响。

但是，现有技术中，针对存在异常的目标账号和目标文章的识别，一般是通过人为识别来确定的，但这种识别方式一般不能及时识别文章是否为目标文章(存在异常)，这有可能影响原创用户以及造成平台的不良传播。因此，目前现有技术无法及时有效地识别文章是否为存在异常的目标文章。

发明内容

本公开实施例提供一种目标信息识别方法、装置、设备及存储介质，以克服现有技术无法及时有效地识别文章是否为存在异常的目标文章。

第一方面，本公开实施例提供一种目标信息识别方法，包括：

获取第一账号对应的终端上传的目标数据和所述第一账号对应的终端上传的历史数据的统计信息；

根据所述目标数据，通过目标信息识别模型，确定所述目标数据为目标信息的第一概率，所述目标信息识别模型是通过获取的多个历史账号中的每个历史账号对应的终端上传的样本数据以及所述样本数据对应的所述第一概率，对第一神经网络模型训练得到的；

根据所述目标数据和所述统计信息，通过对梯度提升决策树模型进行训练，确定所述第一账号为目标账号的第二概率；

根据所述第一概率和所述第二概率，确定所述目标数据是否为目标信息。

第二方面，本公开实施例提供一种目标信息识别装置，包括：

数据获取模块，用于获取第一账号对应的终端上传的目标数据和所述第一账号对应的终端上传的历史数据的统计信息；

第一识别模块，用于根据所述目标数据，通过目标信息识别模型，确定所述目标数据为目标信息的第一概率，所述目标信息识别模型是通过获取的多个历史账号中的每个历史账号对应的终端上传的样本数据以及所述样本数据对应的所述第一概率，对第一神经网络模型训练得到的；

第二识别模块，用于根据所述目标数据和所述统计信息，通过对梯度提升决策树模型进行训练，确定所述第一账号为目标账号的第二概率；

目标信息确定模块，用于根据所述第一概率和所述第二概率，确定所述目标数据是否为目标信息。

第三方面，本公开实施例提供一种电子设备，包括：至少一个处理器和存储器；

所述存储器存储计算机执行指令；

所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的目标信息识别方法。

第四方面，本公开实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的目标信息识别方法。

本公开实施例提供的目标信息识别方法、装置、设备及存储介质，首先获取第一账号对应的终端上传的目标数据和所述第一账号对应的终端上传的历史数据的统计信息，然后根据目标数据，通过目标信息识别模型，确定所述目标数据为目标信息的第一概率，用以初步判断该目标数据是否为目标消息，再根据目标数据和统计信息，通过对梯度提升决策树模型进行训练，确定所述第一账号为目标账号的第二概率，用以初步判断通过终端上传该目标数据的第一账号是否为目标账号，再结合第一概率和第二概率，最终确定该目标数据是否为目标信息，实现了基于机器学习的目标信息识别方法，能够有效地识别目标数据是否存在异常，且识别准确率高。本公开实施例通过目标信息识别模型和梯度提升决策树模型对目标数据以及第一账号进行识别，基于目标数据和第一账号的结合，判断该目标数据(也可以为文章)是否为目标信息，能够快速、准确地识别出该目标数据是否为目标信息，同时节约了时间和资源。

附图说明

为了更清楚地说明本公开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一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本公开实施例提供的目标信息识别系统的架构示意图；

图2为本公开实施例提供的目标信息识别方法的流程示意图；

图3为本公开再一实施例提供的目标信息识别方法的流程示意图；

图4为本公开又一实施例提供的目标信息识别方法的流程示意图；

图5为本公开再一实施例提供的目标信息识别方法的流程示意图；

图6为本公开另一实施例提供的目标信息识别方法的流程示意图；

图7为本公开又一实施例提供的目标信息识别方法的流程示意图；

图8为本公开再一实施例提供的目标信息识别方法的流程示意图；

图9为本公开另一实施例提供的目标信息识别方法的流程示意图；

图10为本公开再一实施例提供的目标信息识别方法的流程示意图；

图11为本公开实施例提供的所述目标信息识别装置的结构框图；

图12为本公开又一实施例提供的所述目标信息识别装置的结构框图；

图13为本公开再一实施例提供的所述目标信息识别装置的结构框图；

图14为公开实施例提供的电子设备的硬件结构示意图。

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。

目前，在平台提供的服务中，用户可以发表自定义内容，这些用户或用户通常是通过发表的标题、描述信息等数据用以吸引粉丝，这也出现了很多存在异常的文章，这些异常文章(目标文章至少包括异常文章，异常文章可以为存在风险的文章)一般通过重复其他原创用户发表的内容或发表与其他原创用户发表的内容相似度很高的内容来吸引粉丝，形成不利影响。现有技术中，针对目标文章的识别，一般是通过人为识别来确定的，但这种识别方式一般不能及时识别文章是否存在异常，这有可能影响原创用户的利益以及造成平台的不良传播。本公开实施例提供一种目标信息识别方法以解决上述问题。

参考图1，图1为本公开实施例提供的目标信息识别系统的架构示意图。本公开实施例提供了一种目标信息识别系统10，包括服务器102和客户端101，或目标信息识别系统10，包括终端设备和客户端；其中，所述客户端或终端设备可以为移动终端、固定终端、电子设备，所述目标信息识别系统10可以用于实现目标信息识别过程。

其中，本公开实施例对模型的类型、模型的算法、模型识别算法等等均无限定。客户端可以认为是账号对应的终端(用户对应的终端，比如针对用户对应的终端上传的文章进行发表言论的用户的终端)，用户端也可以认为是与账号产生关联的用户对应的终端。

在实际应用中，这里的目标文章可以为异常文章，比如，存在风险的文章，所以该目标信息识别方法至少可以应用于风险账号或风险文章的识别，所以该方法可以应用于识别用户的账号或用户需要发表的文章的审核场景，也可以为用户或用户需要宣传的文章的审核场景等。客户端将一些目标数据上传至终端设备或服务器，终端设备或服务器获取目标账户对应的终端上传的目标数据和所述第一账号对应的终端上传的历史数据的统计信息，然后根据目标数据，通过目标信息识别模型，确定所述目标数据为目标信息的第一概率，用以初步判断该目标数据是否为目标消息，再根据目标数据和统计信息，通过对梯度提升决策树模型进行训练，确定所述第一账号为目标账号的第二概率，用以初步判断通过终端上传该目标数据的第一账号是否为目标账号，再结合第一概率和第二概率，最终确定该目标数据是否为目标信息，实现了基于机器学习的目标信息识别方法，能够有效地识别目标数据是否存在异常，且识别准确率高。

本公开实施例通过目标信息识别模型和梯度提升决策树模型对目标数据以及第一账号进行识别，基于目标数据和第一账号的结合，判断该目标数据(也可以为文章)是否为目标信息，能够快速、准确地识别出该目标数据是否为目标信息，同时节约了时间和资源。在得到目标信息后，终端设备或服务器可以对目标数据进行处理，降低该目标数据为平台和其他用户带来的不良影响。

结合图1，参见图2所示，图2为公开实施例提供的目标信息识别方法的流程示意图。本公开实施例的方法可以应用在终端设备或服务器中，即执行主体可以是终端设备也可以是服务器，在此不做限定。该目标信息识别方法包括：

S101、获取第一账号对应的终端上传的目标数据和所述第一账号对应的终端上传的历史数据的统计信息。

在本公开实施例中，对目标账户对应的终端不进行限定，可以是手机、电脑、平板等可以上传数据的终端，目标账户对应的终端上传的目标数据可以是已经发表在预设平台上的数据也可以是未发表且在等待预设平台审核的数据，所述目标信息识别方法的实现过程是实时检测进行识别的，将当前时刻通过终端发表或上传数据到预设平台上的用户作为目标账户，将当前时刻通过终端发表或上传数据到预设平台上的数据作为目标账户的目标数据。

其中，获取当前时刻目标账户对应的终端上传的文章或评论进行数据处理，这个文章可以是一篇或是多篇，由于目标数据是实时检测进而能够有效地处理的，因此，这里在具体介绍对文章的详细处理时，可以针对一篇文章进行数据处理。

同时，对所述第一账号对应的终端上传历史数据进行统计，得到历史数据的统计信息，其中，历史数据中包括预设时间段内第一账号对应的终端上传的目标数据。其中，所述目标数据可以为一篇文章也可以为多篇文章。即实际应用中，在预设时间段内(比如当天或某一天上午8点到凌晨12点)同一个账号对应的终端可能上传了一篇文章或是多篇文章即为目标数据。

S102、根据所述目标数据，通过目标信息识别模型，确定所述目标数据为目标信息的第一概率，所述目标信息识别模型是通过获取的多个历史账号中的每个历史账号对应的终端上传的样本数据以及所述样本数据对应的所述第一概率，对第一神经网络模型训练得到的。

本公开实施例中，目标信息识别模型的构建过程为：获取多个历史账户中的每个历史账户对应的终端上传的样本数据以及样本数据对应的识别结果，这里的识别结果用于表示样本数据为目标信息的第一概率。这里的样本数据可以作为历史账户在某一时间段通过终端上传的历史数据，因此，将样本数据以及样本数据对应的识别结果作为第一神经网络模型的训练样本，将训练样本输入到第一神经网络模型进行训练和优化，输出量为预测的识别结果，将训练好的第一神经网络模型作为目标信息识别模型。

具体地，对目标数据进行数据处理，将处理后的目标数据输入到目标信息识别模型中，可以输出目标数据是否为目标信息的预测的识别结果(第一概率)，或输出目标数据是目标信息或目标数据不是目标信息，即为该目标数据是存在异常或风险的数据，或识别结果是该目标数据是异常文章或风险文章的概率。

在实际应用中，该目标信息的识别方法可以不限于应用于风险信息的识别上，其中，服务器或是预设平台的终端设备实时采集某一用户对应的终端上传的目标数据，该目标数据可以为一篇文章可以为多篇文章，这里是针对一篇文章进行处理的过程：对用户对应的终端上传的目标数据进行处理，再结合目标信息识别模型，获取到输出结果：该目标数据是目标信息或该目标数据不是目标信息(或该目标数据是目标信息的概率)。其中，目标信息识别模型可以采用任意的神经网络模型、分类模型等。

S103、根据所述目标数据和所述统计信息，通过对梯度提升决策树模型进行训练，确定所述第一账号为目标账号的第二概率。

本公开实施例中，通过对目标数据和所述统计信息进行数据处理，将处理后的目标数据和处理后的统计信息作为目标账号识别模型的输入，获取到输出结果：该第一账号是目标账号的概率(或该第一账号是否为目标账号)。其中，目标账号识别模型是基于对多个历史账号对应的终端上传的样本数据以及所述样本数据对应的统计信息，对梯度提升决策树模型进行训练得到的。因此，该目标账号识别模型对账号识别更加有效，且识别准确率高。

S104、根据所述第一概率和所述第二概率，确定所述目标数据是否为目标信息。

本公开实施例中，通过确定所述目标数据为目标信息的第一概率，用以初步判断该目标数据是否为目标消息，再通过确定所述第一账号为目标账号的第二概率，用以初步判断通过终端上传该目标数据的第一账号是否为目标账号，再结合第一概率和第二概率，可以是第一概率和第二概率的加权融合，也可以是第一概率和第二概率的比值，最终确定该目标数据是否为目标信息，实现了基于机器学习的目标信息识别方法，能够有效地识别目标数据是否存在异常，且识别准确率高。

本公开实施例中，首先获取第一账号对应的终端上传的目标数据和所述第一账号对应的终端上传的历史数据的统计信息，然后根据目标数据，通过目标信息识别模型，确定所述目标数据为目标信息的第一概率，用以初步判断该目标数据是否为目标消息，再根据目标数据和统计信息，通过对梯度提升决策树模型进行训练，确定所述第一账号为目标账号的第二概率，用以初步判断通过终端上传该目标数据的第一账号是否为目标账号，再结合第一概率和第二概率，最终确定该目标数据是否为目标信息，实现了基于机器学习的目标信息识别方法，能够有效地识别目标数据是否存在异常，且识别准确率高。本公开实施例通过目标信息识别模型和梯度提升决策树模型对目标数据以及第一账号进行识别，基于目标数据和第一账号的结合，判断该目标数据(也可以为文章)是否为目标信息，能够快速、准确地识别出该目标数据是否为目标信息，同时节约了时间和资源。

如何确定所述目标数据为目标信息的第一概率，参见图3所示，图3为本公开再一实施例提供的目标信息识别方法的流程示意图，本公开实施例在上述公开实施例的基础上，例如，在图2所述的公开实施例基础上，对S102进行了详细说明。所述根据所述目标数据，通过目标信息识别模型，确定所述目标数据为目标信息的第一概率，包括：

S201、在多个第一维度上对所述目标数据进行数据处理，得到所述目标数据在每个第一维度上的分类信息。

本公开实施例中，通过多个第一维度，对目标账户对应的终端上传的目标数据进行数据处理，而数据处理的具体过程在每个所述第一维度上可以不同。其中，在每个第一维度上对目标数据进行数据处理，能够得到所述目标数据在每个第一维度上的分类信息，其中数据处理方式不进行限定，只要能够对目标数据在每个第一维度上进行分类识别即可。

具体地，如何在多个第一维度上对所述目标数据进行数据处理，得到所述目标数据在每个第一维度上的分类信息，可以通过以下两种方式实现：

方式一：参见图4所示，图4为本公开又一实施例提供的目标信息识别方法的流程示意图，本公开实施例在上述公开实施例的基础上，例如，在图3所述的公开实施例基础上，对S201进行了详细说明。其中，所述目标数据包括第一文本信息和发文时刻，所述多个第一维度包括关键词维度、标题维度、特殊领域维度、描述对象维度、发文时刻维度、发文频率维度；所述在多个第一维度上对所述目标数据进行数据处理，得到所述目标数据在每个第一维度上的分类信息，包括：

S301、通过预设高危词表，确定所述目标数据中含有预设关键字时，得到所述目标数据在所述关键词维度上的分类信息；

S302、通过预设标题分词表，确定所述目标数据中含有预设标题时，得到所述目标数据在所述标题维度上的分类信息；

S303、通过预设敏感领域表，确定所述目标数据中含有预设敏感领域时，得到所述目标数据在所述敏感领域维度上的分类信息；

S304、通过预设描述对象表，识别所述目标数据中的描述对象，得到所述目标数据在所述描述对象维度上的分类信息；

S305、查询预设发文时刻表，得到所述目标数据在所述发文时刻维度上的分类信息；

S306、查询预设发文频率表，得到所述目标数据在所述发文频率维度上的分类信息。

本公开实施例中，可以通过预先设定的各种表，在各个维度上对应查询，比如：在终端设备或服务器上存储有预设高危词表、预设标题分词表、预设敏感领域表、预设描述对象表、预设发文时刻表以及预设发文频率表。其中，预设高危词表中存储有含有高危词的关键词与该关键词对应的分类信息(可以为二分类模型分值)的第一映射关系，可以根据该第一映射关系在预设高危词表中查询到目标数据在关键词维度上的分类信息；预设标题分词表中存储有预设标题的类别与该预设标题对应的分类信息(可以为二分类模型分值)的第二映射关系，可以根据该第二映射关系在预设标题分词表中查询到目标数据在标题维度上的分类信息；预设敏感领域表中存储有预设敏感领域与该预设敏感领域对应的分类信息(可以为二分类模型分值)的第三映射关系，可以根据该第三映射关系在预设敏感领域表中查询到目标数据在敏感领域维度上的分类信息；预设描述对象表中存储有预设描述对象与该预设描述对象对应的分类信息(可以为二分类模型分值)的第四映射关系，可以根据该第四映射关系在预设描述对象表中查询到目标数据在描述对象维度上的分类信息；预设发文时刻表中存储有预设发文时刻与该预设发文时刻对应的分类信息(可以为二分类模型分值)的第五映射关系，可以根据该第五映射关系在预设发文时刻表中查询到目标数据在发文时刻维度上的分类信息；预设发文频率表中存储有预设发文频率与该预设发文频率对应的分类信息(可以为二分类模型分值)的第六映射关系，可以根据该第六映射关系在预设发文频率表中查询到目标数据在发文频率维度上的分类信息。

方式二：参见图5所示，图5为本公开再一实施例提供的目标信息识别方法的流程示意图，本公开实施例在上述公开实施例的基础上，例如，在图3所述的公开实施例基础上，对S201进行了详细说明。其中，所述目标数据包括第一文本信息和发文时刻，所述多个第一维度包括关键词维度、标题维度、特殊领域维度、描述对象维度、发文时刻维度、发文频率维度；所述在多个第一维度上对所述目标数据进行数据处理，得到所述目标数据在每个第一维度上的分类信息，包括：

S401、提取所述第一文本信息的标题；

S402、将所述标题输入到预先训练的分词模型中，得到所述标题的特征信息；

S403、获取所述第一账号的发文频率；

S404、将所述发文时刻和所述发文频率作为所述第一账号对应的发文规律的特征信息，所述标题的特征信息和所述发文规律的特征信息构成所述目标数据的特征信息；

S405、获取多个历史数据的特征信息以及每个历史数据的特征信息在每个第一维度上的分类信息；

S406、将多个历史数据的特征信息以及每个历史数据的特征信息在每个第一维度上的分类信息作为第二神经网络模型的训练样本，对第二神经网络模型进行训练，得到多分类模型；

S407、将所述目标数据的特征信息输入到所述多分类模型中，得到所述第一账号在每个第一维度上的分类信息，所述分类信息为分类模型分值。

本公开实施例中，第一文本信息包括文章的内容以及文章的标题，首先从第一文本信息中通过识别技术，提取第一文本信息中的标题，然后对该标题进行分词，即将标题输入到预先训练好的分析模型中，进而得到标题的分词结果即为标题的特征信息，还可以通过获取该目标账户通过终端上传的目标历史数据，对该目标账户通过终端上传的目标历史数据进行统计，得到目标账户的发文频率，再将目标账户对应的目标数据的发文时刻与目标账户的发文频率相结合，得到目标账户对应的发文规律的特征信息，然后将标题的特征信息和发文规律的特征信息构成目标数据的特征信息即为目标数据的总特征信息，此时，在每个第一维度上对目标数据的特征信息进行数据处理，得到所述目标数据在每个第一维度上的分类信息。

其中，目标账户在每个第一维度上的分类信息是通过训练好的多分类模型实现的，其中，多分类模型的建立过程为：首先获取多个历史数据，这里的历史数据可以多不同账户(可以包括目标账户)通过终端已经发表或未发表在预设平台上的文章以及该文章在每个维度上的分类信息，根据历史数据，通过上述的数据处理过程，得到多个历史数据的特征信息，即该文章是否含有高危词的高危特征分值、是否含有标题档的标题特征分值、是否含有敏感词的敏感领域特征分值、是否含有描述对象的描述对象特征分值、含有发文时刻的时刻特征分值以及含有发文频率的频率特征分值；然后将多个历史数据的特征信息以及每个历史数据的特征信息在每个第二维度上的分类信息作为第二神经网络模型的训练样本，将训练样本输入到对第二神经网络模型中进行训练，输出每个历史数据的特征信息在每个第二维度上的预测的分类信息，当预测的分类信息与输入的每个历史数据的特征信息在每个第二维度上的分类信息趋于稳定时，将此时训练后的第二神经网络模型作为多分类模型。

进而，将目标数据的特征信息作为多分类模型中的输入量，输出量为预测的目标账户在每个第二维度上的分类信息，其中，目标账户在每个维度上的分类信息可以为分类模型分值。

在目标数据在每个第一维度上的分类信息之后，执行如下步骤S202：

S202、基于目标信息识别模型，根据所述目标数据在每个第一维度上的分类信息，确定所述目标数据为目标信息的第一概率。

本公开实施例中，这里的分类信息可以为二分类模型分值，这里的样本数据对应的分类信息以及样本数据对应的识别结果可以作为第一神经网络模型的训练样本，将训练样本输入到第一神经网络模型进行训练和优化，输出量为预测的识别结果，将训练好的第一神经网络模型作为目标信息识别模型。

具体地，将目标数据对应的分类信息(可以为二分类模型分值)输入到目标信息识别模型中，可以输出目标数据是否为目标信息的预测的识别结果，即输出目标数据是目标信息或目标数据不是目标信息，即目标数据是目标信息的概率。

如何确定所述第一账号为目标账号的第二概率，参见图6，图6为本公开另一实施例提供的目标信息识别方法的流程示意图，本公开实施例在上述公开实施例的基础上，例如，在图2所述的公开实施例基础上，对S103进行了详细说明。所述根据所述目标数据和所述统计信息，通过对梯度提升决策树模型进行训练，确定所述第一账号为目标账号的第二概率，包括：

S501、在多个第二维度上对第一账号对应的终端上传的目标数据进行数据处理，得到所述第一账号在每个第二维度上的目标词向量。

本公开实施例中，通过多个第二维度，对第一账号对应的终端上传的目标数据进行数据处理，而数据处理的具体过程在每个所述第二维度上可以不同，比如，多个第二维度可以包括写作风格维度、评论维度和推荐维度；在每个第二维度上都能够得到第一账号对应的目标词向量，用以代表第一账号在每个第二维度上的目标词向量。

在实际应用中，对多个账号中每个账号对应的用户的第二历史数据进行处理，得到用户在多个第二维度上的词向量，将用户在多个第二维度上的词向量作为用户画像，这里多个账号可以包括多个历史账户和第一账号。

S502、对所述第一账号在每个第二维度上的目标词向量进行降维处理，得到所述第一账号在每个第二维度上的聚类标识以及所述第一账号在每个第二维度上与获取的多个历史账号的相似度，所述聚类标识用于表示一个用户群的聚类特征，所述用户群为至少一个所述账号对应的用户。

本公开实施例中，在得到第一账号在每个第二维度上的目标词向量之后，为了避免过拟合，对各第二维度上的词向量进行降维处理，得到第一账号的用户在各第二维度上的聚类标识(聚类ID)以及第一账号在每个第二维度上与获取的多个历史账号的相似度，其中，某第二维度上的聚类ID用于表征某一用户群的聚类特征，为了实现实名制或是统一管理，一个用户或用户只能注册一个账号，即一个账号对应一个用户。

S503、将所述第一账号在每个第二维度上的聚类标识、所述第一账号在每个第二维度上与获取的多个历史账号的相似度以及所述第一账号对应的终端上传的历史数据的统计信息输入到梯度提升决策树模型中进行训练，得到所述第一账号为目标账号的第二概率。

本公开实施例中，梯度提升决策树模型是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。GBDT中的树是回归树(不是分类树)，GBDT用来做回归预测，调整后也可以用于分类。其中，降维处理得到聚类ID的步骤能够避免识别模型出现过拟合现象，在实际实现中，若省略该步骤，将导致准确度下降。降维的处理方式至少可以包括如下处理方式：聚类处理、相似度处理、归一化处理等。因此，对第一账号在每个第二维度上的目标词向量进行降维处理，得到第一账号在每个所述第二维度上的聚类标识，以及第一账号在每个所述第二维度上与多个历史账号中其他账号的相似度。

具体地，梯度提升决策树模型中输入的是每个历史账号在每个第二维度上的聚类标识和每个历史账号在每个第二维度上与多个历史账号中其他账号的相似度，结合聚类标识、相似度以及第一账号对应的统计信息，能够较全面地作为目标账户对应的用户特征即为用户画像，根据用户画像对梯度提升决策树模型进行训练，输出用户对应的账号是目标账号的概率，这种实现方式是将所有预设时间段内上传目标数据的历史账号(历史账号可以包括目标账户)的用户画像进行不断训练，输出的结果更趋于用户画像对应的第一账号是否为目标账号的真实结果(第二概率)，能够提高识别的有效性以及准确率。

如何得到所述第一账号在每个第二维度上的目标词向量，参见图7所示，图7为本公开又一实施例提供的目标信息识别方法的流程示意图，本公开实施例在上述公开实施例的基础上，例如，在图6所述的公开实施例基础上，对S501进行了详细说明。其中，所述目标数据包括第二文本信息，样本数据包括样本文本信息，所述多个第二维度包括写作风格维度、评论维度、推荐维度；所述在多个第二维度上对第一账号对应的终端上传的目标数据进行数据处理，得到所述第一账号在每个第二维度上的目标词向量，包括：

S601、通过所述多个历史账号、每个历史账号对应的样本文本信息、第一账号、以及所述目标数据对应的第二文本信息对机器学习模型进行训练，得到所述第一账号在所述写作风格维度上的目标词向量；

S602、通过所述多个历史账号、获取的每个所述历史账号对应的用户评论信息、所述第一账号以及获取的第一账号对应的用户评论信息对机器学习模型进行训练，得到所述第一账号在所述评论维度上的目标词向量；

S603、通过所述多个历史账号的用户标识、所述第一账号的用户标识、获取的与每个所述历史账号存在关联性的第一关联用户标识以及获取的与所述第一账号存在关联性的第二关联用户标识对机器学习模型进行训练，得到所述第一账号在所述推荐维度上的目标词向量。

本公开实施例中，第二文本信息可以为文章内容也可以为文章标题；机器学习模型可以为线性模型、核方法与支持向量机、决策树、神经网络等，每个历史账号在不同第二维度上对目标数据的处理过程不同：将多个历史账号和第一账号作为多个训练账号，其中，若历史账号包括第一账号，则历史账号即为训练账号；在写作风格维度上，将多个训练账号以及各个训练账号对应的终端上传的样本数据中的第二文本信息作为机器学习模型的输入量，通过机器学习输出量为每个训练账号在该写作的风格维度上的目标词向量。在评论维度上，将多个训练账号以及获取的每个训练账号对应的用户评论信息为机器学习模型的输入量，通过机器学习输出量为每个训练账号在该评论维度上的目标词向量，其中，用户评论信息为多个用户对账号的用户通过终端上传的历史数据(或样本数据)进行评论的评论数据。在推荐维度上，将多个训练账号的用户标识以及获取的与每个训练账号存在关联性的关联用户标识(包括第一关联用户标识和第二关联用户标识)作为机器学习模型的输入量，通过机器学习输出量为每个训练账号在该推荐维度上的目标词向量，其中，相关性是指用户与用户发生关系(例如，第一用户读过第二用户的文章，即为两个用户产生关系，具有关联性，第一用户与第二用户互为关联用户或是第一用户为第二用户的关联用户，关联用户对应的用户标识为关联用户标识)。

其中，多个第二维度还可以包括关注维度，关注维度是指用户转载过或分享过用户的文章，根据用户载过或分享过用户的文章的特征，通过机器学习，得到用户在关注维度上的目标词向量。

在实际应用中，在各个第二维度上的目标词向量的获取步骤及处理方式如下：

1)写作风格维度；利用用户发表的文本内容来训练用户的词向量。

其中，文本内容包括：标题与具体内容中的至少一种。实际是采用发表文章的标题，这是由于具体内容较长，而标题风格明显。

训练过程：通过机器学习实现，输入为发表的文本内容，输出为用户词向量。

2)评论维度：利用机器学习实现，输入为评论数据，输出为用户词向量。

3)推荐维度：若用户与用户发生关系(例如，读过用户的文章)为正例输入；若用户并未与用户发生关系，则为负例输入；而目前实际算法考虑了“点击”行为，还可以进一步考虑分享或收藏等行为。

其中，统计信息可以包括：阅读量、发文量、过审量、展示量、粉丝阅读量等，这些数据可以通过统计得到。

如何确定目标数据是否为目标信息，参见图8所示，图8为本公开再一实施例提供的目标信息识别方法的流程示意图，本公开实施例在上述公开实施例的基础上，例如，在图2-7任一所述的公开实施例基础上，对S104进行了详细说明。所述根据所述第一概率和所述第二概率，确定所述目标数据是否为目标信息，包括：

S701、对所述第一概率和所述第二概率进行加权融合，得到加权后的概率；

S702、若所述加权后的概率大于或等于第一预设概率阈值，则确定所述目标数据为目标信息。

本公开实施例中，根据目标账户在每个第一维度上的分类信息即目标数据在关键词维度上的分类信息、目标数据在标题维度上的分类信息、目标数据在敏感领域维度上的分类信息、识别数据在描述对象维度上的分类信息、目标数据在发文时刻维度上的分类信息、目标数据在所述发文频率维度上的分类信息进行加权融合，比如预先设置目标数据在关键词维度上的分类信息、目标数据在标题维度上的分类信息、目标数据在敏感领域维度上的分类信息、识别数据在描述对象维度上的分类信息、目标数据在发文时刻维度上的分类信息、目标数据在所述发文频率维度上的分类信息的权重分别为0.2、0.3、0.2、0.1、0.1、0.1，因此，目标账户的目标数据对应的目标特征值信息即第一概率为：0.2*目标数据在关键词维度上的分类信息+0.3*目标数据在标题维度上的分类信息+0.2*目标数据在敏感领域维度上的分类信息+0.1*识别数据在描述对象维度上的分类信息+0.1*目标数据在发文时刻维度上的分类信息+0.1*目标数据在所述发文频率维度上的分类信息。

根据目标账户在每个第二维度上的目标词向量，基于训练的梯度提升决策树模型(目标账号识别模型)，得到所述第一账号在所述写作风格维度上的概率、所述第一账号在所述评论维度上的概率、所述第一账号在所述推荐维度上的概率，对目标账户在每个第二维度上的概率进行加权融合，比如预先设置第一账号在所述写作风格维度上的概率、所述第一账号在所述评论维度上的概率、所述第一账号在所述推荐维度上的概率的权重分别为0.4、0.3、0.3，因此，目标账户的目标数据对应的第二概率为：0.4*第一账号在所述写作风格维度上的概率+0.3*第一账号在所述评论维度上的概率+0.3*第一账号在所述推荐维度上的概率。

根据预先设置的第一概率和第二概率对应的权重分别为0.4、0.6，则加权后的概率为0.4*第一概率+0.6*第二概率，具体地，若目标数据对应的目标信息的概率即为加权后的概率大于第一预设概率阈值，则说明目标数据为目标信息，若目标数据对应的目标信息的概率小于或等于第一预设概率阈值，则说明目标数据为非目标信息，若所述加权后的概率小于第二预设概率阈值，则确定所述第一账号为非目标账号；若所述加权后的概率大于或等于第二预设概率阈值，则确定所述第一账号为非目标账号；其中，第二预设概率阈值小于第一预设概率阈值，因此，在一种可能的实现方式中，若该目标数据为目标信息，则即可判断出该目标数据对应的目标账户即为目标账户。该目标信息识别方法效率很高，且提高了识别的有效性以及准确率。

在确定所述目标数据为目标信息之后，需要对目标信息进行相应处理，用以保证其他用户或是预设平台的数据完全，参见图9所示，图9为本公开另一实施例提供的目标信息识别方法的流程示意图，本公开实施例在上述公开实施例的基础上，例如，在图8所述的公开实施例基础上，对目标信息识别方法进行了详细说明。所述确定所述目标数据为目标信息之后，所述方法还包括：

S801、根据所述加权后的概率，通过预设处理优先级表查询所述目标数据对应的处理优先级，得到所述第一账号对应的处理优先级，所述预设处理优先级表中存储有预设目标信息的概率与预设目标信息的概率对应的处理优先级之间的映射关系。

本公开实施例中，根据加权后的概率，来为目标数据设置不同的处理优先级。在实际应用中，可能同时检测出多个目标数据(这里的目标数据可以作为待识别数据)均为目标信息，由于针对目标信息的处理过程需要时间，因此，可以为待识别数据分配处理优先级，比如，针对加权后的概率较高的待识别数据则设置较高的处理优先级。例如，优先对文章进行审核处理，以避免目标文章的传播。其中，待识别数据的处理优先级的获取方式可以为：终端设备或服务器中存储有预设处理优先级表，所述预设处理优先级表中存储有预设目标信息的概率与预设目标信息的概率对应的处理优先级之间的映射关系，通过预设目标信息的概率与预设目标信息的概率对应的处理优先级之间的映射关系从预设处理优先级表中查询，得到待识别数据对应的处理优先级。其中，预设处理优先级可以包括高级、中级和低级。

S802、根据第一账号对应的处理优先级，确定对所述第一账号的处理方式；其中，所述处理方式包括对所述第一账号进行封号或对目标数据进行禁止发表、转载或分享。

本公开实施例中，在得到待识别数据对应的处理优先级之后，可以根据预设处理优先级选取处理时机以及对所述待识别数据的处理方式：若待识别数据对应的处理优先级为高级，则需要对所述目标用户进行立即封号，若待识别数据对应的处理优先级为中级，则在处理完高级的待识别数据后需要对所述目标用户的待识别数据立即禁止发表，若待识别数据对应的处理优先级为低级，则在处理完高级和中级的待识别数据后，需要对所述目标用户的待识别数据执行禁止转载或分享的操作，降低目标信息对原创用户的利益以及造成平台的不良传播的影响。

若第一账号为非目标账号，确定所述目标数据为目标信息之后，可以对该第一账号进行相关消息的推送处理，参见图10，图10为本公开再一实施例提供的目标信息识别方法的流程示意图，本公开实施例在上述公开实施例的基础上，例如，在图7所述的公开实施例基础上，对目标信息识别方法进行了详细说明。所述确定所述目标数据为目标信息之后，所述方法还包括：

S901、若所述加权后的概率小于第二预设概率阈值，则确定所述第一账号为非目标账号；

S902、根据所述第一账号所在所述聚类标识对应的用户群中，获取所述用户群中其他账号的用户标识；

S903、若所述用户群中其他账号中存在目标账号，则对所述用户群中其他账号中的目标账号进行标记，得到目标异常账号；

S904、向所述第一账号推送风险提示信息，以使所述第一账号的用户针对所述风险提示信息携带的所述目标异常账号的用户标识，维护所述第一账号的信息；

S905、将所述用户群中其他账号中除所述目标异常账号之外的剩余账号作为所述第一账号的相似账号；

S906、向所述第一账号推送推荐提示信息，以使所述第一账号的用户根据所述推荐提示信息中携带的所述相似账号的用户标识，确定是否添加所述相似账号的用户为好友。

在实际应用中，判断第一账号是目标账号或非目标账号之后，还可以应用于：1)若识别出用户通过终端上传目标数据对应的第一账号为目标账号，对目标账号进行限制处理，主要涉及：限制发文、限制宣传推荐、封禁处理等。

2)可基于前述得到的用户画像，来为用户进行相似(类似)用户的推荐，如添加好友时，为用户推荐写作风格类似的其他用户。

3)针对非目标账号，若识别出与其类似的目标账号，可以输出提示数据以提示非目标账号“您的发表数据可能被盗用”。

4)根据目标账号的输出概率即为第二概率，来为目标账号设置不同的处理优先级，如此，针对输出概率较高的账号则设置较高的处理优先级。例如，优先对文章进行审核处理，以避免目标文章的传播。

本公开实施例通过目标信息识别模型和梯度提升决策树模型对目标数据以及第一账号进行识别，基于目标数据和第一账号的结合，判断该目标数据(也可以为文章)是否为目标信息，能够快速、准确地识别出该目标数据是否为目标信息，同时节约了时间和资源。在得到目标信息后，终端设备或服务器可以对目标数据进行相应处理，保证其他用户或是预设平台的数据完全，进而降低该目标数据为平台和其他用户带来的不良影响。

对应于上文公开实施例的目标信息识别方法，图11为本公开实施例提供的目标信息识别装置的结构框图。为了便于说明，仅示出了与本公开实施例相关的部分。参照图11，所述目标信息识别装置110包括：数据获取模块1101、第一识别模块1102、第二识别模块1103、以及目标信息确定模块1104；数据获取模块1101，用于获取第一账号对应的终端上传的目标数据和所述第一账号对应的终端上传的历史数据的统计信息；第一识别模块1102，用于根据所述目标数据，通过目标信息识别模型，确定所述目标数据为目标信息的第一概率，所述目标信息识别模型是通过获取的多个历史账号中的每个历史账号对应的终端上传的样本数据以及所述样本数据对应的所述第一概率，对第一神经网络模型训练得到的；第二识别模块1103，用于根据所述目标数据和所述统计信息，通过对梯度提升决策树模型进行训练，确定所述第一账号为目标账号的第二概率；目标信息确定模块1104，用于根据所述第一概率和所述第二概率，确定所述目标数据是否为目标信息。

本公开实施例，通过数据获取模块1101、第一识别模块1102、第二识别模块1103、以及目标信息确定模块1104，用于获取目标账户对应的终端上传的目标数据，通过获取第一账号对应的终端上传的目标数据和所述第一账号对应的终端上传的历史数据的统计信息，然后根据目标数据，通过目标信息识别模型，确定所述目标数据为目标信息的第一概率，用以初步判断该目标数据是否为目标消息，再根据目标数据和统计信息，通过对梯度提升决策树模型进行训练，确定所述第一账号为目标账号的第二概率，用以初步判断通过终端上传该目标数据的第一账号是否为目标账号，再结合第一概率和第二概率，最终确定该目标数据是否为目标信息，实现了基于机器学习的目标信息识别方法，能够有效地识别目标数据是否存在异常，且识别准确率高。本公开实施例通过目标信息识别模型和梯度提升决策树模型对目标数据以及第一账号进行识别，基于目标数据和第一账号的结合，判断该目标数据(也可以为文章)是否为目标信息，能够快速、准确地识别出该目标数据是否为目标信息，同时节约了时间和资源。

本公开实施例提供的装置，可用于执行上文方法实施例的技术方案，其实现原理和技术效果类似，本公开实施例此处不再赘述。

在本公开的一个实施例中，本公开实施例在上述公开实施例的基础上，例如，在图12实施例的基础上，本公开实施例对多个维度和目标数据进行了详细说明。所述多个维度包括关键词维度、标题维度、敏感领域维度、描述对象维度、发文时刻维度、发文频率维度，所述目标数据包括第二文本信息和发文时刻。

在本公开的一个实施例中，本公开实施例在上述公开实施例的基础上，例如，在图8实施例的基础上，本公开实施例对所述第一识别模块1102进行了详细说明。所述第一识别模块1102，包括：分类信息确定单元和第一识别单元；分类信息确定单元，用于在多个第一维度上对所述目标数据进行数据处理，得到所述目标数据在每个第一维度上的分类信息；第一识别单元，用于基于目标信息识别模型，根据所述目标数据在每个第一维度上的分类信息，确定所述目标数据为目标信息的第一概率。

在本公开的一个实施例中，本公开实施例在上述公开实施例的基础上，本公开实施例对所述第一识别单元进行了详细说明。其中，所述目标数据包括第一文本信息和发文时刻，所述多个第一维度包括关键词维度、标题维度、特殊领域维度、描述对象维度、发文时刻维度、发文频率维度；所述第一识别单元，具体用于：

提取所述第一文本信息的标题；将所述标题输入到预先训练的分词模型中，得到所述标题的特征信息；获取所述第一账号的发文频率；将所述发文时刻和所述发文频率作为所述第一账号对应的发文规律的特征信息，所述标题的特征信息和所述发文规律的特征信息构成所述目标数据的特征信息；获取多个历史数据的特征信息以及每个历史数据的特征信息在每个第一维度上的分类信息；将多个历史数据的特征信息以及每个历史数据的特征信息在每个第一维度上的分类信息作为第二神经网络模型的训练样本，对第二神经网络模型进行训练，得到多分类模型；将所述目标数据的特征信息输入到所述多分类模型中，得到所述第一账号在每个第一维度上的分类信息，所述分类信息为分类模型分值。

在本公开的一个实施例中，本公开实施例在上述公开实施例的基础上，本公开实施例对所述第二识别模块1103进行了详细说明。所述第二识别模块1103，包括：目标词向量确定单元、降维处理单元和第二识别单元；目标词向量确定单元，用于在多个第二维度上对第一账号对应的终端上传的目标数据进行数据处理，得到所述第一账号在每个第二维度上的目标词向量；降维处理单元，用于对所述第一账号在每个第二维度上的目标词向量进行降维处理，得到所述第一账号在每个第二维度上的聚类标识以及所述第一账号在每个第二维度上与获取的多个历史账号的相似度，所述聚类标识用于表示一个用户群的聚类特征，所述用户群为至少一个所述账号对应的用户；第二识别单元，用于将所述第一账号在每个第二维度上的聚类标识、所述第一账号在每个第二维度上与获取的多个历史账号的相似度以及所述第一账号对应的终端上传的历史数据的统计信息输入到梯度提升决策树模型中进行训练，得到所述第一账号为目标账号的第二概率。

在本公开的一个实施例中，本公开实施例在上述公开实施例的基础上，对目标词向量确定单元进行了详细说明。其中，所述目标数据包括第二文本信息，样本数据包括样本文本信息，所述多个第二维度包括写作风格维度、评论维度、推荐维度；所述目标词向量确定单元，具体用于：

通过所述多个历史账号、每个历史账号对应的样本文本信息、第一账号、以及所述目标数据对应的第二文本信息对机器学习模型进行训练，得到所述第一账号在所述写作风格维度上的目标词向量；通过所述多个历史账号、获取的每个所述历史账号对应的用户评论信息、所述第一账号以及获取的第一账号对应的用户评论信息对机器学习模型进行训练，得到所述第一账号在所述评论维度上的目标词向量；通过所述多个历史账号的用户标识、所述第一账号的用户标识、获取的与每个所述历史账号存在关联性的第一关联用户标识以及获取的与所述第一账号存在关联性的第二关联用户标识对机器学习模型进行训练，得到所述第一账号在所述推荐维度上的目标词向量。

在本公开的一个实施例中，本公开实施例在上述公开实施例的基础上，例如在图11所示或上述任一目标信息识别装置对应的公开实施例基础上，对目标信息确定模块1104进行了详细说明。所述目标信息确定模块1104，具体用于：

对所述第一概率和所述第二概率进行加权融合，得到加权后的概率；若所述加权后的概率大于或等于第一预设概率阈值，则确定所述目标数据为目标信息。

参见图12，图12为本公开又一实施例提供的所述目标信息识别装置的结构框图。本公开实施例在上述公开实施例的基础上，对所述目标信息识别装置进行了详细说明。所述装置还包括：处理优先级确定模块1105和数据处理模块1106；所述处理优先级确定模块1105，用于在确定所述目标数据为目标信息之后，根据所述加权后的概率，通过预设处理优先级表查询所述目标数据对应的处理优先级，得到所述第一账号对应的处理优先级，所述预设处理优先级表中存储有预设目标信息的概率与预设目标信息的概率对应的处理优先级之间的映射关系；第一数据处理模块1106，用于根据第一账号对应的处理优先级，确定对所述第一账号的处理方式；其中，所述处理方式包括对所述第一账号进行封号或对目标数据进行禁止发表、转载或分享。

参见图13，图13为本公开再一实施例提供的所述目标信息识别装置的结构框图。本公开实施例在上述公开实施例的基础上，对所述目标信息识别装置进行了详细说明。所述装置还包括：第二数据处理模块1107；所述第二数据处理模块1107，用于：

在确定所述目标数据为目标信息之后，在所述加权后的概率小于第二预设概率阈值时，确定所述第一账号为非目标账号；根据所述第一账号所在所述聚类标识对应的用户群中，获取所述用户群中其他账号的用户标识；在所述用户群中其他账号中存在目标账号时，对所述用户群中其他账号中的目标账号进行标记，得到目标异常账号；向所述第一账号推送风险提示信息，以使所述第一账号的用户针对所述风险提示信息携带的所述目标异常账号的用户标识，维护所述第一账号的信息；将所述用户群中其他账号中除所述目标异常账号之外的剩余账号作为所述第一账号的相似账号；向所述第一账号推送推荐提示信息，以使所述第一账号的用户根据所述推荐提示信息中携带的所述相似账号的用户标识，确定是否添加所述相似账号的用户为好友。

参考图14，其示出了适于用来实现本公开实施例的电子设备1400的结构示意图，该电子设备1400可以为终端设备或服务器。其中，终端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、个人数字助理(Personal Digital Assistant，简称PDA)、平板电脑(Portable Android Device，简称PAD)、便携式多媒体播放器(PortableMedia Player，简称PMP)、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14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14所示，电子设备1400可以包括处理装置(例如中央处理器、图形处理器等)1401，其可以根据存储在只读存储器(Read Only Memory，简称ROM)1402中的程序或者从存储装置1408加载到随机访问存储器(Random Access Memory，简称RAM)1403中的程序而执行各种适当的动作和处理。在RAM 1403中，还存储有电子设备1400操作所需的各种程序和数据。处理装置1401、ROM 1402以及RAM 1403通过总线1404彼此相连。输入/输出(I/O)接口1405也连接至总线1404。

通常，以下装置可以连接至I/O接口1405：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1406；包括例如液晶显示器(Liquid CrystalDisplay，简称LCD)、扬声器、振动器等的输出装置1407；包括例如磁带、硬盘等的存储装置1408；以及通信装置1409。通信装置1409可以允许电子设备1400与其他设备进行无线或有线通信以交换数据。虽然图14示出了具有各种装置的电子设备1400，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1409从网络上被下载和安装，或者从存储装置1408被安装，或者从ROM 1402被安装。在该计算机程序被处理装置1401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。

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，使得该电子设备执行上述公开实施例所示的方法。

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(LocalArea Network，简称LAN)或广域网(Wide Area Network，简称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，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

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。

第一方面，本公开实施例提供一种目标信息识别方法，包括：

获取第一账号对应的终端上传的目标数据和所述第一账号对应的终端上传的历史数据的统计信息；

根据所述目标数据，通过目标信息识别模型，确定所述目标数据为目标信息的第一概率，所述目标信息识别模型是通过获取的多个历史账号中的每个历史账号对应的终端上传的样本数据以及所述样本数据对应的所述第一概率，对第一神经网络模型训练得到的；

根据所述目标数据和所述统计信息，通过对梯度提升决策树模型进行训练，确定所述第一账号为目标账号的第二概率；

根据所述第一概率和所述第二概率，确定所述目标数据是否为目标信息。

根据本公开的一个或多个实施例，所述根据所述目标数据，通过目标信息识别模型，确定所述目标数据为目标信息的第一概率，包括：

在多个第一维度上对所述目标数据进行数据处理，得到所述目标数据在每个第一维度上的分类信息；

基于目标信息识别模型，根据所述目标数据在每个第一维度上的分类信息，确定所述目标数据为目标信息的第一概率。

根据本公开的一个或多个实施例，所述目标数据包括第一文本信息和发文时刻，所述多个第一维度包括关键词维度、标题维度、特殊领域维度、描述对象维度、发文时刻维度、发文频率维度；

所述在多个第一维度上对所述目标数据进行数据处理，得到所述目标数据在每个第一维度上的分类信息，包括：

提取所述第一文本信息的标题；

将所述标题输入到预先训练的分词模型中，得到所述标题的特征信息；

获取所述第一账号的发文频率；

将所述发文时刻和所述发文频率作为所述第一账号对应的发文规律的特征信息，所述标题的特征信息和所述发文规律的特征信息构成所述目标数据的特征信息；

获取多个历史数据的特征信息以及每个历史数据的特征信息在每个第一维度上的分类信息；

将多个历史数据的特征信息以及每个历史数据的特征信息在每个第一维度上的分类信息作为第二神经网络模型的训练样本，对第二神经网络模型进行训练，得到多分类模型；

将所述目标数据的特征信息输入到所述多分类模型中，得到所述第一账号在每个第一维度上的分类信息，所述分类信息为分类模型分值。

根据本公开的一个或多个实施例，所述根据所述目标数据和所述统计信息，通过对梯度提升决策树模型进行训练，确定所述第一账号为目标账号的第二概率，包括：

在多个第二维度上对第一账号对应的终端上传的目标数据进行数据处理，得到所述第一账号在每个第二维度上的目标词向量；

对所述第一账号在每个第二维度上的目标词向量进行降维处理，得到所述第一账号在每个第二维度上的聚类标识以及所述第一账号在每个第二维度上与获取的多个历史账号的相似度，所述聚类标识用于表示一个用户群的聚类特征，所述用户群为至少一个所述账号对应的用户；

将所述第一账号在每个第二维度上的聚类标识、所述第一账号在每个第二维度上与获取的多个历史账号的相似度以及所述第一账号对应的终端上传的历史数据的统计信息输入到梯度提升决策树模型中进行训练，得到所述第一账号为目标账号的第二概率。

根据本公开的一个或多个实施例，所述目标数据包括第二文本信息，样本数据包括样本文本信息，所述多个第二维度包括写作风格维度、评论维度、推荐维度；

所述在多个第二维度上对第一账号对应的终端上传的目标数据进行数据处理，得到所述第一账号在每个第二维度上的目标词向量，包括：

通过所述多个历史账号、每个历史账号对应的样本文本信息、第一账号、以及所述目标数据对应的第二文本信息对机器学习模型进行训练，得到所述第一账号在所述写作风格维度上的目标词向量；

通过所述多个历史账号、获取的每个所述历史账号对应的用户评论信息、所述第一账号以及获取的第一账号对应的用户评论信息对机器学习模型进行训练，得到所述第一账号在所述评论维度上的目标词向量；

通过所述多个历史账号的用户标识、所述第一账号的用户标识、获取的与每个所述历史账号存在关联性的第一关联用户标识以及获取的与所述第一账号存在关联性的第二关联用户标识对机器学习模型进行训练，得到所述第一账号在所述推荐维度上的目标词向量。根据本公开的一个或多个实施例，所述根据所述第一概率和所述第二概率，确定所述目标数据是否为目标信息，包括：

对所述第一概率和所述第二概率进行加权融合，得到加权后的概率；

若所述加权后的概率大于或等于第一预设概率阈值，则确定所述目标数据为目标信息。

根据本公开的一个或多个实施例，所述确定所述目标数据为目标信息之后，所述方法还包括：

根据所述加权后的概率，通过预设处理优先级表查询所述目标数据对应的处理优先级，得到所述第一账号对应的处理优先级，所述预设处理优先级表中存储有预设目标信息的概率与预设目标信息的概率对应的处理优先级之间的映射关系；

根据第一账号对应的处理优先级，确定对所述第一账号的处理方式；

其中，所述处理方式包括对所述第一账号进行封号或对目标数据进行禁止发表、转载或分享。

根据本公开的一个或多个实施例，所述确定所述目标数据为目标信息之后，所述方法还包括：

若所述加权后的概率小于第二预设概率阈值，则确定所述第一账号为非目标账号；

根据所述第一账号所在所述聚类标识对应的用户群中，获取所述用户群中其他账号的用户标识；

若所述用户群中其他账号中存在目标账号，则对所述用户群中其他账号中的目标账号进行标记，得到目标异常账号；

向所述第一账号推送风险提示信息，以使所述第一账号的用户针对所述风险提示信息携带的所述目标异常账号的用户标识，维护所述第一账号的信息；

将所述用户群中其他账号中除所述目标异常账号之外的剩余账号作为所述第一账号的相似账号；

向所述第一账号推送推荐提示信息，以使所述第一账号的用户根据所述推荐提示信息中携带的所述相似账号的用户标识，确定是否添加所述相似账号的用户为好友。

第二方面，本公开实施例提供一种目标信息识别装置，包括：

数据获取模块，用于获取第一账号对应的终端上传的目标数据和所述第一账号对应的终端上传的历史数据的统计信息；

第一识别模块，用于根据所述目标数据，通过目标信息识别模型，确定所述目标数据为目标信息的第一概率，所述目标信息识别模型是通过获取的多个历史账号中的每个历史账号对应的终端上传的样本数据以及所述样本数据对应的所述第一概率，对第一神经网络模型训练得到的；

第二识别模块，用于根据所述目标数据和所述统计信息，通过对梯度提升决策树模型进行训练，确定所述第一账号为目标账号的第二概率；

目标信息确定模块，用于根据所述第一概率和所述第二概率，确定所述目标数据是否为目标信息。

根据本公开的一个或多个实施例，所述第一识别模块，包括：

分类信息确定单元，用于在多个第一维度上对所述目标数据进行数据处理，得到所述目标数据在每个第一维度上的分类信息；

第一识别单元，用于基于目标信息识别模型，根据所述目标数据在每个第一维度上的分类信息，确定所述目标数据为目标信息的第一概率。

根据本公开的一个或多个实施例，所述目标数据包括第一文本信息和发文时刻，所述多个第一维度包括关键词维度、标题维度、特殊领域维度、描述对象维度、发文时刻维度、发文频率维度；

所述第一识别单元，具体用于：

提取所述第一文本信息的标题；

将所述标题输入到预先训练的分词模型中，得到所述标题的特征信息；

获取所述第一账号的发文频率；

将所述发文时刻和所述发文频率作为所述第一账号对应的发文规律的特征信息，所述标题的特征信息和所述发文规律的特征信息构成所述目标数据的特征信息；

获取多个历史数据的特征信息以及每个历史数据的特征信息在每个第一维度上的分类信息；

将多个历史数据的特征信息以及每个历史数据的特征信息在每个第一维度上的分类信息作为第二神经网络模型的训练样本，对第二神经网络模型进行训练，得到多分类模型；

将所述目标数据的特征信息输入到所述多分类模型中，得到所述第一账号在每个第一维度上的分类信息，所述分类信息为分类模型分值。

根据本公开的一个或多个实施例，所述第二识别模块，包括：

目标词向量确定单元，用于在多个第二维度上对第一账号对应的终端上传的目标数据进行数据处理，得到所述第一账号在每个第二维度上的目标词向量；

降维处理单元，用于对所述第一账号在每个第二维度上的目标词向量进行降维处理，得到所述第一账号在每个第二维度上的聚类标识以及所述第一账号在每个第二维度上与获取的多个历史账号的相似度，所述聚类标识用于表示一个用户群的聚类特征，所述用户群为至少一个所述账号对应的用户；

第二识别单元，用于将所述第一账号在每个第二维度上的聚类标识、所述第一账号在每个第二维度上与获取的多个历史账号的相似度以及所述第一账号对应的终端上传的历史数据的统计信息输入到梯度提升决策树模型中进行训练，得到所述第一账号为目标账号的第二概率。

根据本公开的一个或多个实施例，所述目标数据包括第二文本信息，样本数据包括样本文本信息，所述多个第二维度包括写作风格维度、评论维度、推荐维度；

所述目标词向量确定单元，具体用于：

通过所述多个历史账号、每个历史账号对应的样本文本信息、第一账号、以及所述目标数据对应的第二文本信息对机器学习模型进行训练，得到所述第一账号在所述写作风格维度上的目标词向量；

通过所述多个历史账号、获取的每个所述历史账号对应的用户评论信息、所述第一账号以及获取的第一账号对应的用户评论信息对机器学习模型进行训练，得到所述第一账号在所述评论维度上的目标词向量；

通过所述多个历史账号的用户标识、所述第一账号的用户标识、获取的与每个所述历史账号存在关联性的第一关联用户标识以及获取的与所述第一账号存在关联性的第二关联用户标识对机器学习模型进行训练，得到所述第一账号在所述推荐维度上的目标词向量。

根据本公开的一个或多个实施例，所述目标信息确定模块，具体用于：

对所述第一概率和所述第二概率进行加权融合，得到加权后的概率；

若所述加权后的概率大于或等于第一预设概率阈值，则确定所述目标数据为目标信息。

根据本公开的一个或多个实施例，所述装置还包括：处理优先级确定模块和数据处理模块；

所述处理优先级确定模块，用于在确定所述目标数据为目标信息之后，根据所述加权后的概率，通过预设处理优先级表查询所述目标数据对应的处理优先级，得到所述第一账号对应的处理优先级，所述预设处理优先级表中存储有预设目标信息的概率与预设目标信息的概率对应的处理优先级之间的映射关系；

第一数据处理模块，用于根据第一账号对应的处理优先级，确定对所述第一账号的处理方式；

其中，所述处理方式包括对所述第一账号进行封号或对目标数据进行禁止发表、转载或分享。

根据本公开的一个或多个实施例，所述装置还包括：第二数据处理模块；

所述第二数据处理模块，用于：

在确定所述目标数据为目标信息之后，在所述加权后的概率小于第二预设概率阈值时，确定所述第一账号为非目标账号；

根据所述第一账号所在所述聚类标识对应的用户群中，获取所述用户群中其他账号的用户标识；

在所述用户群中其他账号中存在目标账号时，对所述用户群中其他账号中的目标账号进行标记，得到目标异常账号；

向所述第一账号推送风险提示信息，以使所述第一账号的用户针对所述风险提示信息携带的所述目标异常账号的用户标识，维护所述第一账号的信息；

将所述用户群中其他账号中除所述目标异常账号之外的剩余账号作为所述第一账号的相似账号；

向所述第一账号推送推荐提示信息，以使所述第一账号的用户根据所述推荐提示信息中携带的所述相似账号的用户标识，确定是否添加所述相似账号的用户为好友。

第三方面，本公开实施例提供一种电子设备，包括：至少一个处理器和存储器；

所述存储器存储计算机执行指令；

所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的目标信息识别方法。

第四方面，本公开实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的目标信息识别方法。

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 (11)

1.一种目标信息识别方法，其特征在于，包括：

获取第一账号对应的终端上传的目标数据和所述第一账号对应的终端上传的历史数据的统计信息；

根据所述目标数据，通过目标信息识别模型，确定所述目标数据为目标信息的第一概率，所述目标信息识别模型是通过获取的多个历史账号中的每个历史账号对应的终端上传的样本数据以及所述样本数据对应的所述第一概率，对第一神经网络模型训练得到的；

根据所述目标数据和所述统计信息，通过对梯度提升决策树模型进行训练，确定所述第一账号为目标账号的第二概率；

根据所述第一概率和所述第二概率，确定所述目标数据是否为目标信息。

2.根据权利要求1所述的方法，其特征在于，所述根据所述目标数据，通过目标信息识别模型，确定所述目标数据为目标信息的第一概率，包括：

在多个第一维度上对所述目标数据进行数据处理，得到所述目标数据在每个第一维度上的分类信息；

基于目标信息识别模型，根据所述目标数据在每个第一维度上的分类信息，确定所述目标数据为目标信息的第一概率。

3.根据权利要求2所述的方法，其特征在于，所述目标数据包括第一文本信息和发文时刻，所述多个第一维度包括关键词维度、标题维度、特殊领域维度、描述对象维度、发文时刻维度、发文频率维度；

所述在多个第一维度上对所述目标数据进行数据处理，得到所述目标数据在每个第一维度上的分类信息，包括：

提取所述第一文本信息的标题；

将所述标题输入到预先训练的分词模型中，得到所述标题的特征信息；

获取所述第一账号的发文频率；

将所述发文时刻和所述发文频率作为所述第一账号对应的发文规律的特征信息，所述标题的特征信息和所述发文规律的特征信息构成所述目标数据的特征信息；

获取多个历史数据的特征信息以及每个历史数据的特征信息在每个第一维度上的分类信息；

将多个历史数据的特征信息以及每个历史数据的特征信息在每个第一维度上的分类信息作为第二神经网络模型的训练样本，对第二神经网络模型进行训练，得到多分类模型；

将所述目标数据的特征信息输入到所述多分类模型中，得到所述第一账号在每个第一维度上的分类信息，所述分类信息为分类模型分值。

4.根据权利要求1所述的方法，其特征在于，所述根据所述目标数据和所述统计信息，通过对梯度提升决策树模型进行训练，确定所述第一账号为目标账号的第二概率，包括：

在多个第二维度上对第一账号对应的终端上传的目标数据进行数据处理，得到所述第一账号在每个第二维度上的目标词向量；

对所述第一账号在每个第二维度上的目标词向量进行降维处理，得到所述第一账号在每个第二维度上的聚类标识以及所述第一账号在每个第二维度上与获取的多个历史账号的相似度，所述聚类标识用于表示一个用户群的聚类特征，所述用户群为至少一个所述账号对应的用户；

将所述第一账号在每个第二维度上的聚类标识、所述第一账号在每个第二维度上与获取的多个历史账号的相似度以及所述第一账号对应的终端上传的历史数据的统计信息输入到梯度提升决策树模型中进行训练，得到所述第一账号为目标账号的第二概率。

5.根据权利要求4所述的方法，其特征在于，所述目标数据包括第二文本信息，样本数据包括样本文本信息，所述多个第二维度包括写作风格维度、评论维度、推荐维度；

所述在多个第二维度上对第一账号对应的终端上传的目标数据进行数据处理，得到所述第一账号在每个第二维度上的目标词向量，包括：

通过所述多个历史账号、每个历史账号对应的样本文本信息、第一账号、以及所述目标数据对应的第二文本信息对机器学习模型进行训练，得到所述第一账号在所述写作风格维度上的目标词向量；

通过所述多个历史账号、获取的每个所述历史账号对应的用户评论信息、所述第一账号以及获取的第一账号对应的用户评论信息对机器学习模型进行训练，得到所述第一账号在所述评论维度上的目标词向量；

通过所述多个历史账号的用户标识、所述第一账号的用户标识、获取的与每个所述历史账号存在关联性的第一关联用户标识以及获取的与所述第一账号存在关联性的第二关联用户标识对机器学习模型进行训练，得到所述第一账号在所述推荐维度上的目标词向量。

6.根据权利要求4或5所述的方法，其特征在于，所述根据所述第一概率和所述第二概率，确定所述目标数据是否为目标信息，包括：

对所述第一概率和所述第二概率进行加权融合，得到加权后的概率；

若所述加权后的概率大于或等于第一预设概率阈值，则确定所述目标数据为目标信息。

7.根据权利要求6所述的方法，其特征在于，所述确定所述目标数据为目标信息之后，所述方法还包括：

根据所述加权后的概率，通过预设处理优先级表查询所述目标数据对应的处理优先级，得到所述第一账号对应的处理优先级，所述预设处理优先级表中存储有预设目标信息的概率与预设目标信息的概率对应的处理优先级之间的映射关系；

根据第一账号对应的处理优先级，确定对所述第一账号的处理方式；

其中，所述处理方式包括对所述第一账号进行封号或对目标数据进行禁止发表、转载或分享。

8.根据权利要求6所述的方法，其特征在于，所述确定所述目标数据为目标信息之后，所述方法还包括：

若所述加权后的概率小于第二预设概率阈值，则确定所述第一账号为非目标账号；

根据所述第一账号所在所述聚类标识对应的用户群中，获取所述用户群中其他账号的用户标识；

若所述用户群中其他账号中存在目标账号，则对所述用户群中其他账号中的目标账号进行标记，得到目标异常账号；

向所述第一账号推送风险提示信息，以使所述第一账号的用户针对所述风险提示信息携带的所述目标异常账号的用户标识，维护所述第一账号的信息；

将所述用户群中其他账号中除所述目标异常账号之外的剩余账号作为所述第一账号的相似账号；

向所述第一账号推送推荐提示信息，以使所述第一账号的用户根据所述推荐提示信息中携带的所述相似账号的用户标识，确定是否添加所述相似账号的用户为好友。

9.一种目标信息识别装置，其特征在于，包括：

数据获取模块，用于获取第一账号对应的终端上传的目标数据和所述第一账号对应的终端上传的历史数据的统计信息；

第一识别模块，用于根据所述目标数据，通过目标信息识别模型，确定所述目标数据为目标信息的第一概率，所述目标信息识别模型是通过获取的多个历史账号中的每个历史账号对应的终端上传的样本数据以及所述样本数据对应的所述第一概率，对第一神经网络模型训练得到的；

第二识别模块，用于根据所述目标数据和所述统计信息，通过对梯度提升决策树模型进行训练，确定所述第一账号为目标账号的第二概率；

目标信息确定模块，用于根据所述第一概率和所述第二概率，确定所述目标数据是否为目标信息。

10.一种电子设备，其特征在于，包括：至少一个处理器和存储器；

所述存储器存储计算机执行指令；

所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至8任一项所述的目标信息识别方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至8任一项所述的目标信息识别方法。