CN110807179B - 一种用户识别方法、装置、服务器及存储介质 - Google Patents
一种用户识别方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN110807179B CN110807179B CN201910927851.3A CN201910927851A CN110807179B CN 110807179 B CN110807179 B CN 110807179B CN 201910927851 A CN201910927851 A CN 201910927851A CN 110807179 B CN110807179 B CN 110807179B
- Authority
- CN
- China
- Prior art keywords
- application
- user
- score
- information
- target application
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- 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
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种用户识别方法、装置、服务器及存储介质,该方法包括:获取目标应用的关联信息,目标应用的关联信息包括以下之一或全部:用户对目标应用的使用行为的使用行为特征信息、用户的应用列表,其中,应用列表包括安装于所述用户的终端上的至少一个其他应用的标识;基于关联信息,判断用户是否满足预设条件;当用户满足预设条件时,执行预设操作。全面地判断用户是否满足预设条件,即全面地判断用户是否过度使用目标应用,执行预设操作来防止用户过度使用目标应用。
Description
技术领域
本申请涉及应用领域,具体涉及用户识别方法、装置、服务器及存储介质。
背景技术
在一些应用中,应用的提供方提供了防止用户过度使用应用即防止用户沉迷应用的措施。目前,通常采用的方式在应用中或者在应用运行在的终端上安装监控用户的使用时长的程序,根据用户的使用时长,判断用户是否过度应用。
然而,仅利用使用时长这一单一信息无法全面地识别用户是否过度使用应用,导致识别的准确率低,进而难以有效防止用户过度使用应用。
发明内容
本申请实施例提供了用户识别方法、装置、服务器及存储介质。
第一方面,本申请实施例提供了用户识别方法,该方法包括:
获取目标应用的关联信息,所述目标应用的关联信息包括以下之一或全部:用户对所述目标应用的使用行为的使用行为特征信息、用户的应用列表,其中,所述应用列表包括安装于所述用户的终端上的至少一个其他应用的标识;
基于所述关联信息,判断所述用户是否满足预设条件;
当所述用户满足预设条件时,执行预设操作。
在一些实施例中,基于所述关联信息,判断所述用户是否满足预设条件,包括:
基于所述应用列表,从所述至少一个其他应用中确定所述目标应用的所有关联应用,其中所述关联应用的类型与所述目标应用的类型相同;
获取关联应用特征信息,所述关联应用特征信息包括:所述所有关联应用中的至少部分关联应用的属性信息、与所述关联应用相关的硬件配置信息;
计算所述关联应用特征信息对应的关联应用特征得分;
基于所述关联应用特征得分,判断所述用户是否满足所述预设条件。
在一些实施例中,基于所述关联应用特征得分,判断所述用户是否满足所述预设条件包括:
判断所述关联应用特征得分是否达到分数阈值;
当所述关联应用特征得分达到所述分数阈值时,确定所述用户满足所述预设条件。
在一些实施例中,所述基于所述关联应用特征得分,判断所述用户是否满足所述预设条件之前,还包括:
计算所述使用行为特征信息对应的使用行为特征得分;
对所述使用行为特征得分进行加权处理,得到第一加权得分;
对所述关联应用特征得分进行加权处理,得到第二加权得分;
基于所述第一加权得分和所述第二加权得分,得到所述用户的用户得分,所述用户得分用于指示所述用户过度使用所述目标应用的概率;
其中,所述基于所述关联应用特征得分,判断所述用户是否满足所述预设条件,包括:
基于所述用户得分,判断所述用户是否满足所述预设条件。
在一些实施例中,所述对所述使用行为特征得分进行加权处理,包括:
计算所述使用行为特征得分的第一预设权重与所述使用行为特征得分的乘积,其中,所述第一预设权重为所述使用行为特征得分对应的所有预设权重中的与所述用户的应用熟悉度匹配的预设权重。
在一些实施例中,所述计算所述使用行为特征信息对应的使用行为特征得分,包括:
利用第一识别模型,基于所述使用行为特征信息计算所述使用行为特征得分。
在一些实施例中,第一识别模型为协同过滤模型;
所述利用第一识别模型,基于所述使用行为特征信息计算所述使用行为特征得分之前,还包括:
获取多个训练样本和多个训练样本的标注信息,训练样本包括:用于训练的使用行为特征信息,训练样本的标注信息为以下之一:过度使用应用、未过度使用应用;
利用多个训练样本和训练样本的标注信息训练所述第一识别模型。
在一些实施例中,所述对所述关联应用特征得分进行加权处理,包括:
计算所述关联应用特征得分的第二预设权重与所述关联应用特征得分的乘积,其中,所述第二预设权重为所述关联应用特征得分对应的所有预设权重中的与所述用户的应用熟悉度匹配的预设权重。
在一些实施例中,所述计算所述关联应用特征信息对应的关联应用特征得分,包括:
利用第二识别模型,基于所述关联应用特征信息计算所述关联应用特征得分。
在一些实施例中,第二识别模型为用于分类的神经网络;
所述利用第二识别模型,基于所述关联应用特征信息计算所述关联应用特征得分之前,还包括:
获取多个训练样本和多个训练样本的标注信息,训练样本包括:用于训练的应用列表,训练样本的标注信息为以下之一:过度使用应用、未过度使用应用;
生成多个训练样本对,训练样本对包括:一个标注信息为过度使用应用的训练样本、一个标注信息为未过度使用应用的训练样本;
利用多个训练样本对和训练样本对中的训练样本的标注信息训练所述第二识别模型。
在一些实施例中,用户的应用熟悉度指示所述用户对所述目标应用的熟悉程度,所述方法还包括:
基于所述用户对目标应用的使用次数和/或使用总时长,确定所述用户的应用熟悉度。
在一些实施例中,所述满足预设条件包括:得分大于或等于预设阈值,或者,得分小于或等于预设阈值。
在一些实施例中,所述预设操作包括:向所述用户呈现提醒信息;
所述执行预设操作之后,所述方法还包括:
响应于确定所述用户未进行对所述提醒信息的反馈操作,执行干扰操作,所述干扰操作用于降低所述用户对所述目标应用的使用体验。
在一些实施例中,所述使用行为特征信息,包括以下至少一项:目标应用登录时长、目标应用登录次数及交互特征信息,其中,所述交互特征信息指示所述用户与使用所述目标应用的其他用户进行交互的特征。
在一些实施例中,所述目标应用为游戏应用。
第二方面,本申请实施例提供了用户识别装置,该装置包括:
获取单元,被配置为获取目标应用的关联信息,所述目标应用的关联信息包括以下之一或全部:用户对所述目标应用的使用行为的使用行为特征信息、用户的应用列表,其中,所述应用列表包括安装于所述用户的终端上的至少一个其他应用的标识;
识别单元,被配置为基于所述关联信息,判断所述用户是否满足预设条件;
保护单元,被配置为当所述用户满足预设条件时,执行预设操作。
在一些实施例中,识别单元包括:
基于应用列表的判断模块,被配置为基于所述应用列表,从所述至少一个其他应用中确定所述目标应用的所有关联应用,其中所述关联应用的类型与所述目标应用的类型相同;获取关联应用特征信息,所述关联应用特征信息包括:所述所有关联应用中的至少部分关联应用的属性信息、与所述关联应用相关的硬件配置信息;计算所述关联应用特征信息对应的关联应用特征得分;基于所述关联应用特征得分,判断所述用户是否满足所述预设条件。
基于关联应用特征得分的判断模块,被配置为基于所述应用列表,从所述至少一个其他应用中确定所述目标应用的所有关联应用,其中所述关联应用的类型与所述目标应用的类型相同;获取关联应用特征信息,所述关联应用特征信息包括:所述所有关联应用中的至少部分关联应用的属性信息、与所述关联应用相关的硬件配置信息;计算所述关联应用特征信息对应的关联应用特征得分;基于所述关联应用特征得分,判断所述用户是否满足所述预设条件。
在一些实施例中,基于关联应用特征得分的判断模块包括:第一判断子模块,被配置为:
判断所述关联应用特征得分是否大于分数阈值;当所述关联应用特征得分大于分数阈值时,确定所述用户满足所述预设条件。
在一些实施例中,用户识别装置还包括:得分计算单元,被配置为在基于所述关联应用特征得分,判断所述用户是否满足所述预设条件之前,计算所述使用行为特征信息对应的使用行为特征得分;对所述使用行为特征得分进行加权处理,得到第一加权得分;对所述关联应用特征得分进行加权处理,得到第二加权得分;基于所述第一加权得分和所述第二加权得分,得到所述用户的用户得分,所述用户得分用于指示所述用户过度使用所述目标应用的概率;基于关联应用特征得分的判断模块包括:第二判断子模块,被配置为:基于所述用户得分,判断所述用户是否满足所述预设条件。
在一些实施例中,得分计算单元包括:第一加权处理模块,被配置为:计算所述使用行为特征得分的第一预设权重与所述使用行为特征得分的乘积,其中,所述第一预设权重为所述使用行为特征得分对应的所有预设权重中的与所述用户的应用熟悉度匹配的预设权重。
在一些实施例中,得分计算单元包括:第二加权处理模块,被配置为:计算所述关联应用特征得分的第二预设权重与所述关联应用特征得分的乘积,其中,所述第二预设权重为所述关联应用特征得分对应的所有预设权重中的与所述用户的应用熟悉度匹配的预设权重。
在一些实施例中,得分计算单元包括:第一模型计算模块,被配置为:利用第一识别模型,基于所述使用行为特征信息计算所述使用行为特征得分。
在一些实施例中,第二模型计算模块,被配置为:利用第二识别模型,基于所述关联应用特征信息计算所述关联应用特征得分。
在一些实施例中,所述第一识别模型为协同过滤模型;用户识别装置还包括:第一训练单元,被配置为:在所述利用第一识别模型,基于所述使用行为特征信息计算所述使用行为特征得分之前,获取多个训练样本和多个训练样本的标注信息,训练样本包括:用于训练的使用行为特征信息,训练样本的标注信息为以下之一:过度使用应用、未过度使用应用;利用多个训练样本和训练样本的标注信息训练所述第一识别模型。
在一些实施例中,所述第二识别模型为用于分类的神经网络;用户识别装置还包括:第二训练单元,被配置为:在所述利用第二识别模型,基于所述关联应用特征信息计算所述关联应用特征得分之前,获取多个训练样本和多个训练样本的标注信息,训练样本包括:用于训练的应用列表,训练样本的标注信息为以下之一:过度使用应用、未过度使用应用;生成多个训练样本对,训练样本对包括:一个标注信息为过度使用应用的训练样本、一个标注信息为未过度使用应用的训练样本;利用多个训练样本对和训练样本对中的训练样本的标注信息训练所述第二识别模型。
在一些实施例中,用户识别装置还包括:用户的应用熟悉度确定单元,被配置为:基于所述用户对所述目标应用的使用次数和/或使用总时长,确定所述用户的应用熟悉度,所述用户的应用熟悉度指示所述用户对所述目标应用的熟悉程度。
在一些实施例中,所述满足预设条件包括:得分大于或等于预设阈值。
在一些实施例中,所述预设操作包括:向所述用户呈现提醒信息;用户识别装置还包括干扰单元,被配置为:响应于确定所述用户未进行对所述提醒信息的反馈操作,执行干扰操作,所述干扰操作用于降低所述用户对所述目标应用的使用体验。
在一些实施例中,所述使用行为特征信息,包括以下至少一项:目标应用登录时长、目标应用登录次数及交互特征信息,其中,所述交互特征信息指示所述用户与使用所述目标应用的其他用户进行交互的特征。
在一些实施例中,所述目标应用为游戏应用。
本申请的实施例提供的技术方案可以包括以下有益效果:
通过获取目标应用的关联信息,所述应用关联信息包括以下之一或全部:用户对所述目标应用的使用行为的使用行为特征信息、用户的应用列表,其中,所述应用列表包括安装于所述用户的终端上的至少一个其他应用的标识;基于所述关联信息,判断所述用户是否满足预设条件;当所述用户满足预设条件时,执行预设操作。全面地判断用户是否满足预设条件即全面地判断用户是否过度使用目标应用,执行预设操作来防止用户过度使用目标应用。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1示出了可以应用于本申请实施例提供的用户识别方法的示例性系统架构;
图2示出了本申请实施例提供的用户识别方法的一个实施例的流程图;
图3示出了本申请实施例提供的用户识别装置的一个结构示意图。
图4示出了适用于实现本申请实施例提供的用户识别方法的服务器的结构框图。
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示出了可以应用于本申请实施例提供的用户识别方法的示例性系统架构。
如图1所示,系统架构包括终端101、服务器102。每一个终端101上运行有用于获取判断是否满足预设条件所需的信息的进程。用于获取判断是否满足预设条件所需的信息的进程可以确定安装在终端101上的全部应用或部分应用,生成应用列表。用于获取判断是否满足预设条件所需的信息的进程可以获取记录用户对目标应用的使用时长、登陆次数等信息,生成使用行为特征信息。用于获取判断是否满足预设条件所需的信息的进程可以将应用列表和使用行为特征信息发送至服务器,使得服务器获取到应用列表和使用行为特征信息。
服务器102可以执行本申请实施例提供的用户识别方法,判断对于判断任意一个终端101所属的用户是否满足预设条件即确定任意一个终端101所属的用户是否过度使用目标应用。当服务器102判断出一个终端101所属的用户满足预设条件时,即判断出该终端101所属的用户过度使用该终端101上的目标应用时,服务器执行一些操作来防止该终端101所属的用户过度使用该终端101上的目标应用或向该终端101发送指示信息触发该终端101执行相应的操作来防止该终端101所属的用户过度使用该终端101上的目标应用。服务器102可以每间隔预设时间间隔判断任意一个终端101所属的用户是否满足预设条件,并且对于每一次判断结果进行记录。
图2示出了本申请实施例提供的用户识别方法的一个实施例的流程图。该方法包括以下步骤:
步骤201,获取目标应用的关联信息。
在本申请中,目标应用并不特指用户的终端上的某一个应用,可以将安装在用户的终端上的需要判断用户是否过度使用的应用称之为目标应用。
在本申请中,为了判断一个用户是否满足预设条件即判断用户是否过度使用目标应用,首先获取目标应用的关联信息,目标应用的应用关联信息包括以下之一或全部:该用户对目标应用的使用行为的使用行为特征信息、该用户的应用列表,该用户的应用列表包括安装于该用户的终端上的至少一个其他应用的标识。
例如,目标应用为一个游戏应用,该游戏应用和多个其他应用均安装于一个用户的终端上,为判断一个用户是否满足预设条件,获取到的该关联信息包括以下之一或全部:该用户对该游戏应用的使用行为的使用行为特征信息、包括该多个其他应用的标识的该用户的应用列表。
在本申请中,当判断一个用户是否满足预设条件,可以从该用户的一个或多个终端获取该用户的应用列表。当从该用户的多个终端获取该用户的应用列表时,首先从该用户的多个终端中的每一个终端获取每一个终端各自对应的应用列表。对于该用户的每一个终端,终端对应的应用列表包括安装在终端上的全部应用或部分应用的标识。可以对多个终端各自对应的应用列表中的标识进行汇总,然后,再进行标识的去重,得到该用户的应用列表。也可以将该用户每一个终端各自对应的应用列表均作为用户的应用列表,分别利用每一个应用列表参与判断用户是否满足预设条件。
在一些实施例中,使用行为特征信息,包括以下至少一项:目标应用登录时长、目标应用登录次数及交互特征信息,其中,交互特征信息指示用户与使用目标应用的其他用户进行交互的特征。
在本申请中,交互特征信息包括用户与使用目标应用的其他用户进行交互的交互次数。
在本申请中,当判断一个是否满足预设条件时,可以获取用户在以当前日期为结束日期的一定时长的时间段内每一天的目标应用登录时长、目标应用登录次数、交互次数等,计算目标应用登录时长的平均值、目标应用登录次数的平均值、交互次数的平均值,将计算出的目标应用登录时长的平均值作为使用行为特征信息中的目标应用登录时长,将计算出的目标应用登录次数的平均值作为使用行为特征信息中的目标应用登录次数,将交互次数的平均值作为使用行为特征信息中的交互次数。
步骤202,基于目标应用的关联信息,判断用户是否满足预设条件。
在本申请中,判断一个用户是否满足预设条件是为了判断该用户是否过度使用目标应用。
在本申请中,判断该用户是否过度使用目标应用包括预测用户是否过度使用目标应用的情况。当判断出用户过度使用目标应用时,用户过度使用目标应用可以是指用户可能当前时间未过度使用目标应用,但当判断出用户过度使用目标应用时,相当于预测出在当前时间之后的一段时间会出现过度使用目标应用的情况,从而,及时执行预设操作,以提醒用户和/或防止用户过度使用目标应用。
在本申请中,在获取目标应用的关联信息之后,可以基于目标应用的关联信息,判断用户是否满足预设条件。
在本申请中,可以预先多个预设条件。判断用户是否满足预设条件并不特指判断用户是否满足某个预设条件。每一次基于目标应用的关联信息,判断是否满足相应的预设条件。
例如,当通过计算目标应用的关联信息中的一项或多项与预先确定的过度使用应用的其他用户的特征中的相应的项的相似度,判断是否满足预设条件时,相应的预设条件可以为大于或等于相似度阈值。计算出的相似度大于或等于相似度阈值指示该用户与过度使用应用的其他用户较为相似。计算出的相似度也可以称之为得分,相应的预设条件可以为大于或等于分数阈值。当计算出的得分大于或等于分数阈值时,可以确定用户满足预设条件,确定用户过度使用目标应用。
又例如,当通过计算目标应用的关联信息中的一项或多项与预先确定的未过度使用应用的其他用户的特征中的相应的项的相似度,判断是否满足预设条件时,相应的预设条件可以为小于或等于相似度阈值。计算出的相似度小于或等于相似度阈值指示该用户与未过度使用应用的其他用户的差异较大。计算出的相似度也可以称之为得分,相应的预设条件可以为小于或等于分数阈值。当计算出的得分小于或等于分数阈值时,可以确定用户满足预设条件,确定用户过度使用目标应用。
在本申请中,可以仅利用用户对目标应用的使用行为的使用行为特征信息判断是否满足预设条件。在利用该用户对目标应用的使用行为的使用行为特征信息计算出用于判断的数值之后,可以判断计算出用于判断的数值是否满足多个预设条件中的与仅利用该用户对目标应用的使用行为的使用行为特征信息判断是否满足预设条件相关的预设条件。
例如,目标应用中的用户的账户的等级较高,用户的账户的等级反映出用户熟悉目标应用,用户对目标应用的使用行为的使用行为特征信息与用户是否过度目标应用的关联度较高,可以仅利用用户对目标应用的使用行为的使用行为特征信息判断是否满足预设条件。
在本申请中,可以仅利用用户的应用列表判断是否满足预设条件。在利用用户的应用列表计算出用于判断的数值之后,可以判断计算出的用于判断的数值是否满足多个预设条件中的与多个预设条件中的与仅利用用户的应用列表判断是否满足预设条件相关的预设条件。
例如,目标应用中的用户的账户的等级较低,用户的账户的等级反映出用户不熟悉目标应用,用户对目标应用的使用行为的使用行为特征信息与用户是否过度目标应用的关联度较低,此时,可以利用用户的应用列表判断是否满足预设条件。
在本申请中,可以同时利用用户对目标应用的使用行为的使用行为特征信息和用户的应用列表判断是否满足预设条件,在同时利用用户对目标应用的使用行为的使用行为特征信息和用户的应用列表计算出用于判断的数值之后,可以判断计算出的用于判断的数值是否满足多个预设条件中的与同时利用用户对目标应用的使用行为的使用行为特征信息和用户的应用列表判断是否满足预设条件相关的预设条件。
在本申请中,当判断用户是否满足预设条件即判断是否过度使用一个目标应用时,采用用户对目标应用的使用行为的使用行为特征信息和/或用户的应用列表去判断用户是否满足预设条件,即判断是否过度使用一个目标应用,考虑了用户是否熟悉目标应用的情况,可以更加全面地判断用户是否会过度使用应用,提升判断的准确性。
例如,对于一个目标应用,在一个用户未熟悉该目标应用的时间段,该用户使用该目标应用的时长短、登录次数较少、与使用目标应用的其他用户的交互次数少,在该时间段获取到的用户的使用行为信息反应出该用户不会出现过度使用应用。但该用户对与目标应用的类型相同的类型的多个应用均出现过度过度使用的情况。此时,从该用户的应用列表中获取到的一些用于判断该用户是否过度使用目标应用,从而,可以预测出该用户在当前时间之后的一段时间可能过度目标应用。
在本申请中,为判断用户是否满足预设条件,可以预先获取大量的参考用户的使用行为特征信息和参考用户的应用列表。参考用户的应用列表包括安装于参考用户的终端上的所有应用或部分应用的标识。获取到的参考用户的使用行为特征信息包括参考用户对目标应用和/或与目标应用的类型相同的其他应用的使用行为的使用行为特征信息。
在本申请中,参考用户的终端上安装有目标应用和/或与目标应用的类型相同的至少一个其他应用。
例如,目标应用为游戏应用,为判断用户是否满足预设条件,每一个参考用户的终端上安装了目标应用和/或至少一个其他游戏应用。
在本申请中,为判断用户是否满足预设条件,可以预先确定大量的参考用户中的过度使用应用的用户和未过度使用应用的用户。
应理解,过度使用应用并不特指过度使用某一个应用,当一个参考用户过度使用目标应用或过度使用任意一个与目标应用的类型相同的其他应用时,则可以称之为该参考用户过度使用应用。
在本申请中,对于大量的参考用户中的任意一个其使用的终端上未安装目标应用的参考用户,可以根据该参考用户对与目标应用的类型相同的其他应用的使用行为的使用行为特征信息,确定该用户是否过度使用应用。
在本申请中,可以以人工方式确定大量的参考用户中的过度使用应用的参考用户和未过度使用应用的参考用户。例如,人工方式确定目标应用和/或与目标应用的类型相同的类型的其他应用的使用时长大于时长阈值和登陆次数大于大于次数阈值的参考用户,将确定的参考用户作为过度使用应用的参考用户。
在本申请中,可以从第三方平台例如第三方游戏平台获取已经被确定为过度使用目标应用和/或与目标应用的类型相同的类型的其他应用的用户的用户标识,将所有参考用户中的用户标识为从第三方平台获取的用户标识的参考用户确定为过度使用应用的参考用户。
在本申请中,当判断一个用户是否满足预设条件时,可以根据该用户对目标应用的使用行为的使用行为特征信息,判断是否满足预设条件,可以分别计算该用户的使用行为特征信息与每一个过度使用应用的参考用户的使用行为特征信息的相似度。对于每一个过度使用应用的参考用户,该过度使用应用的参考用户的使用行为特征信息可以为该参考用户对其过度使用的应用的使用行为的使用行为特征信息。
例如,目标应用为一个游戏应用,可以分别计算该用户的使用行为特征信息与每一个过度使用该游戏应用或过度使用其他游戏应用的参考用户对该游戏应用或过度使用其他游戏应用的使用行为的使用行为特征信息的相似度。
当一个参考用户的终端上未安装目标应用时,该参考用户过度使用与目标应用的类型相同的其他应用,在计算该用户对目标应用的使用行为的使用行为特征信息与该过度使用应用的参考用户的使用行为特征信息的相似度时,可以计算该用户的对目标应用的使用行为的使用行为特征信息与该过度使用应用的参考用户对其过度使用的其他应用的使用行为的使用行为特征信息的相似度。
当一个参考用户的终端上安装目标应用时,该参考用户过度使用目标应用,在计算该用户的对目标应用的使用行为的使用行为特征信息与该过度使用应用的参考用户的使用行为特征信息的相似度时,可以计算可以计算该用户的对目标应用的使用行为的使用行为特征信息与该过度使用应用的参考用户对该目标应用的使用行为特征信息的相似度。
在本申请中,当根据用户对目标应用的使用行为的使用行为特征信息判断用户是否满足预设条件时,所有预设条件可以包括用户对目标应用的使用行为的使用行为特征信息对应的最大相似度大于相似度阈值这一预设条件。
在本申请中,当判断一个用户是否满足预设条件时,在分别计算该用户的使用行为特征信息与每一个过度使用应用的参考用户的使用行为特征信息的相似度之后,可以得到多个相似度。可以将多个相似度中的最大的相似度作为该用户对目标应用的使用行为的使用行为特征信息对应的最大相似度。当该用户对目标应用的使用行为的使用行为特征信息对应的最大相似度大于相似度阈值时,可以确定该用户过度使用目标应用。
在本申请中,当判断一个用户是否满足预设条件时,可以根据该用户的应用列表,判断是否满足预设条件。可以首先根据该用户的应用列表,确定出该用户的应用列表对应的特征。
例如,该用户的应用列表对应的特征包括:与目标应用的类型相同的其他应用的数量与应用列表中的标识的数量的比例、与目标应用的类型相同的其他应用中的热门应用的数量。同理,过度使用应用的参考用户的应用列表对应的特征包括:安装在参考用户的终端上的与目标应用的类型相同的其他应用的数量与参考用户的应用列表中的标识的数量的比例、安装在参考用户的终端上的与目标应用的类型相同的其他应用中的热门应用的数量。参考用户的应用列表包括安装在参考用户的终端上的全部应用或部分应用的标识。
在本申请中,当根据该用户的应用列表,判断是否满足预设条件时,可以分别计算该用户的应用列表的对应的特征与每一个过度使用应用的参考用户的应用列表对应的特征的相似度,得到多个相似度,可以将多个相似度中的最大的相似度作为用户的应用列表对应的最大相似度。
在本申请中,所有预设条件中可以包括用户的应用列表对应的最大相似度大于相似度阈值这一预设条件。当根据该用户的应用列表,判断是否满足预设条件时,可以判断是否满足用户的应用列表对应的最大相似度大于相似度阈值这一预设条件,当用户的应用列表对应的最大相似度大于相似度阈值时,则确定该用户过度使用目标应用。
在本申请中,当判断一个用户是否满足预设条件时,可以同时根据该用户对目标应用的使用行为的使用行为特征信息和该用户的应用列表,判断该用户是否满足预设条件。
在本申请中,可以从该用户对目标应用的使用行为的使用行为特征信息对应的最大相似度和该用户的应用列表对应的最大相似度中选取出用于判断是否满足预设条件的相似度。所有预设条件可以包括大于相似度阈值这一预设条件。使用行为特征信息和应用列表对应的最大相似度可以对应不同的相似度阈值。然后,判断该用户对目标应用的使用行为的使用行为特征信息对应的最大相似度或该用户的应用列表对应的最大是否大于相应的相似度阈值,来判断用户是否满足预设条件。
上述根据通过计算目标应用的关联信息中的用户对目标应用的使用行为的使用行为特征信息和/或用户的应用列表与预先确定的过度使用应用的其他用户的特征中的相应的项的相似度,判断是否满足预设条件时,相应的预设条件为大于或等于相似度阈值。计算出的相似度也可以称之为得分,相似度阈值也可称之为分数阈值,相应的预设条件可以为小于或等于分数阈值。
在本申请中,还可以通过计算目标应用的关联信息中的一项或多项与预先确定的未过度使用应用的其他用户的特征中的相应的项的相似度,判断是否满足预设条件时,相应的预设条件可以为小于或等于相似度阈值。计算出的相似度小于或等于相似度阈值指示该用户与未过度使用应用的其他用户的差异较大。计算出的相似度也可以称之为得分,相似度阈值也可称之为分数阈值,相应的预设条件可以为小于或等于分数阈值。
参考上述根据通过计算目标应用的关联信息中的用户对目标应用的使用行为的使用行为特征信息和/或用户的应用列表与预先确定的过度使用应用的其他用户的特征中的相应的项的相似度的方式,计算通过计算目标应用的关联信息中的一项或多项与预先确定的未过度使用应用的其他用户的特征中的相应的项的相似度,从而,得到相应的得分,判断相应的得分是否小于或等于分数阈值。当相应的得分小于或等于分数阈值时,则确定用户满足预设条件。
在一些实施例中,基于目标用户的关联信息,判断用户是否满足预设条件,包括:基于用户的应用列表,从至少一个其他应用中确定目标应用的所有关联应用,其中所关联应用的类型与目标应用的类型相同;获取关联应用特征信息,关联应用特征信息包括:所有关联应用中的至少部分关联应用的属性信息、与关联应用相关的硬件配置信息;计算关联应用特征信息对应的关联应用特征得分;基于关联应用特征得分,判断用户是否满足预设条件。
在本申请中,当基于目标用户的关联信息,判断一个用户是否满足预设条件时,可以首先基于该用户的应用列表,从至少一个其他应用中确定目标应用的所有关联应用。目标应用的关联应用的类型与目标应用的类型相同。
例如,目标应用为一个游戏应用,当基于目标用户的关联信息,判断一个用户是否满足预设条件时,首先根据该用户的应用列表,确定安装于用户的终端的所有或部分其他游戏应用。每一个其他游戏应用均分别作为一个该目标应用的关联应用。
在本申请中,从至少一个其他应用中确定目标应用的所有关联应用中之后,可以获取关联应用特征信息。关联应用特征信息包括:所有关联应用中的至少部分关联应用的属性信息、与关联应用相关的硬件配置信息。与关联应用相关的硬件配置信息指示关联应用在运行时所需的硬件配置。
例如,目标应用为一个游戏应用,从至少一个其他游戏应用中确定目标应用的所有关联应用中之后,可以获取确定出的目标应用的所有关联应用中的至少部分游戏应用的关联应用特征信息。
在本申请中,当计算关联应用特征信息对应的关联应用特征得分时,可以首先根据关联应用特征信息,确定用户对应的用于计算关联应用特征得分的特征。
例如,目标应用为游戏应用,可以根据目标应用的所有关联应用中的至少部分游戏应用的属性信息,确定至少部分游戏应用的数量与应用列表中的标识的数量的比例、至少部分游戏应用中的热门游戏应用的数量,将至少部分游戏应用的数量与应用列表中的标识的数量的比例、至少部分游戏应用中的热门游戏应用的数量、与关联应用相关的硬件配置信息均作为用户对应的用于计算关联应用特征得分的特征。同理,过度使用应用的参考用户对应的用于计算关联应用特征得分的所有特征包括:安装在参考用户的终端上的与游戏应用的数量与应用列表中的标识的数量的比例、安装在参考用户的终端上的热门游戏应用的数量,安装在参考用户的终端上的游戏应用的硬件配置信息等。
在本申请中,当计算关联应用特征信息对应的关联应用特征得分时,可以分别计算用户对应的用于计算关联应用特征得分的特征与每一个过度使用应用的参考用户对应的用于计算关联应用特征得分的所有特征的相似度,在得到多个相似度之后,可以将多个相似度中的最大的相似度作为关联应用特征信息对应的关联应用特征得分。
在本申请中,在计算用户对应的用于计算关联应用特征得分的特征与每一个过度使用应用的参考用户对应的用于计算关联应用特征得分的所有特征的相似度时,可以首先生成用户对应的向量、每一个过度使用应用的参考用户各自对应的向量。用户对应的向量中的每一个分量分别为用户对应的所有用于计算关联应用特征得分的特征中的一个特征。对于每一个过度使用应用的用户,过度使用应用的用户对应的向量中的每一个分量为过度使用应用的参考用户对应的所有用于计算关联应用特征得分的特征中的一个特征。可以计算用户对应的向量和过度使用应用的用户对应的向量的相似度,将计算出的向量相似度作为用户对应的用于计算关联应用特征得分的特征与过度使用应用的参考用户对应的用于计算关联应用特征得分的特征的相似度。
在一些实施例中,基于关联应用特征得分,判断用户是否满足预设条件包括:判断关联应用特征得分是否大于分数阈值;当关联应用特征得分大于分数阈值时,确定用户满足预设条件。
在本申请中,所有预设条件包括关联应用特征得分大于分数阈值这一预设条件。当根据关联应用特征得分判断用户是否满足预设条件时,可以判断关联应用特征得分是否大于分数阈值,当关联应用特征得分大于分数阈值时,则确定用户满足预设条件。
在一些实施例中,基于关联应用特征得分,判断用户是否满足预设条件之前,还包括:计算使用行为特征信息对应的使用行为特征得分;对使用行为特征得分进行加权处理,得到第一加权得分;对关联应用特征得分进行加权处理,得到第二加权得分;基于第一加权得分和第二加权得分,得到用户的用户得分,用户得分用于指示用户过度使用目标应用的概率;其中,基于关联应用特征得分,判断用户是否满足预设条件,包括:基于用户得分,判断用户是否满足预设条件。
在本申请中,当计算用户对目标应用的使用行为的使用行为特征信息对应的使用行为特征得分时,可以分别计算该使用行为特征信息与每一个过度使用应用的参考用户的使用行为特征信息的相似度,得到多个相似度,将多个相似度中的最大的相似度作为使用行为特征信息对应的使用行为特征得分。
在本申请中,可以预先设置使用行为特征得分的第一预设权重和关联应用特征得分的第二预设权重。使用行为特征信息的权重和关联应用特征得分的权重之和可以为1。可以将使用行为特征得分和使用行为特征得分的第一预设权重的乘积作为第一加权得分,可以将关联应用特征得分与关联应用特征得分的第二预设权重的乘积作为第二加权得分。然后,可以将第一加权得分和第二加权得分相加,得到用户的用户得分。最后,根据用户的用户得分,判断用户是否满足预设条件。例如,所有预设条件包括用户得分大于分数阈值这一预设条件,当用户的用户得分大于分数阈值时,则确定满足预设条件,确定用户过度使用目标应用。
在一些实施例中,对使用行为特征得分进行加权处理,包括:计算使用行为特征得分的第一预设权重与使用行为特征得分的乘积,其中,第一预设权重为使用行为特征得分对应的所有预设权重中的与用户的应用熟悉度匹配的预设权重。
在本申请中,使用行为特征得分可以预先对应多个权重,当对使用行为特征得分进行加权处理时,使用行为特征得分的第一预设权重可以为使用行为特征得分对应的所有预设权重中的与用户的应用熟悉度匹配的预设权重。
在一些实施例中,对关联应用特征得分进行加权处理,包括:计算关联应用特征得分的第二预设权重与关联应用特征得分的乘积,其中,第二预设权重为关联应用特征得分对应的所有预设权重中的与用户的应用熟悉度匹配的预设权重。
在本申请中,关联应用特征得分可以预先对应多个权重,当对关联应用特征得分进行加权处理时,关联应用特征得分的第二预设权重为关联应用特征得分对应的所有预设权重中的与用户的应用熟悉度匹配的预设权重。
在本申请中,用户的应用熟悉度指示用户对目标应用的熟悉程度。可以根据用户在目标应用中的账户的等级确定用户的熟悉度。
在本申请中,可以预先设置多个熟悉度,每一个熟悉度各自对应一个与使用行为特征得分相关的权重和一个与关联应用特征得分相关的权重。用户的应用熟悉度为预先设置的所有熟悉度中的一个。对于每一个熟悉度,熟悉度对应的一个与使用行为特征得分相关的权重和一个与关联应用特征得分相关的权重之和可以为1。在本申请中,当对使用行为特征得分进行加权处理时,可以首先确定用户的应用熟悉度预先对应的与使用行为特征得分相关的权重,将用户的应用熟悉度预先对应的与使用行为特征得分相关的权重作为使用行为特征得分对应的所有预设权重中的与用户的应用熟悉度匹配的预设权重,从而,得到使用行为特征得分的第一预设权重。同理,可以将用户的应用熟悉度预先对应的与关联应用特征得分相关的权重作为关联应用特征得分对应的所有预设权重中的与用户的应用熟悉度匹配的预设权重,从而,得到关联应用特征得分的第二预设权重。
在本申请中,用户的应用熟悉度越高,指示用户越熟悉目标应用,使用行为特征得分的第一预设权重越高,关联应用特征得分的第二预设权重越低。
在本申请中,在判断用户是否满足预设条件时,考虑了用户对于目标应用的熟悉度,从而,在同时根据使用行为特征得分和关联应用特征得分判断用户是否满足预设条件,为使用行为特征得分和关联应用特征得分分配较为合适的权重,使得计算出的用于指示用户过度使用目标应用的概率的用户的得分更加准确。
例如,当用户为不熟悉目标应用的新用户时,确定出的该用户的应用熟悉度指示该用户不熟悉目标用户,该用户的应用熟悉度预先对应的与使用行为特征得分相关的权重为0,该用户的应用熟悉度预先对应的与使用行为特征得分相关的权重作为使用行为特征得分的第一预设权重,该用户的应用熟悉度预先对应的与关联应用特征得分相关的权重为1,该用户的应用熟悉度预先对应的与关联应用特征得分相关的权重作为关联应用特征得分的第二预设权重。
当用户为较为熟悉目标应用的中等用户时,确定出的该用户的熟悉度指示该用户较为熟悉目标应用,该用户的应用熟悉度预先对应的与使用行为特征得分相关的权重为0.75,该用户的应用熟悉度预先对应的与使用行为特征得分相关的权重作为使用行为特征得分的第一预设权重,该用户的应用熟悉度预先对应的与关联应用特征得分相关的权重为0.25,该用户的应用熟悉度预先对应的与关联应用特征得分相关的权重作为关联应用特征得分的第二预设权重。
当用户为熟悉目标应用的老用户时,确定出的该用户的熟悉度指示该用户为熟悉目标应用,该用户的应用熟悉度预先对应的与使用行为特征得分相关的权重为1,该用户的应用熟悉度预先对应的与使用行为特征得分相关的权重作为使用行为特征得分的第一预设权重,该用户的应用熟悉度预先对应的与关联应用特征得分相关的权重为0,该用户的应用熟悉度预先对应的与关联应用特征得分相关的权重作为关联应用特征得分的第二预设权重。
在一些实施例中,基于用户对目标应用的使用次数和/或使用总时长,确定用户的应用熟悉度。
在本申请中,可以基于用户对目标应用的使用次数和/或使用总时长,确定用户的应用熟悉度。
在一些实施例中,计算使用行为特征信息对应的使用行为特征得分,包括:利用第一识别模型,基于使用行为特征信息计算使用行为特征得分。
在本申请中,使用行为特征得分可以指示用户过度使用目标应用的概率。当利用第一识别模型,基于使用行为特征信息计算使用行为特征得分时,可以将用户的使用行为特征信息输入到第一识别模型,由第一识别模型输出指示用户过度使用目标应用的概率的使用行为特征得分。
在本申请中,第一识别模型可以为用于分类的模型,例如支持向量机、决策树。在利用第一识别模型,基于使用行为特征信息计算使用行为特征得分之前,预先利用训练样本对第一识别模型进行训练。
在本申请中,可以预先获取的大量的参考用户的使用行为特征信息和应用列表对第一识别模型进行训练。
在本申请中,可以将预先确定的过度使用应用的参考用户的使用行为特征信息作为负样本,未过度使用应用的参考用户的使用行为特征信息作为正样本。过度使用应用的参考用户的使用行为特征信息的标注信息过度使用应用,未过度使用应用的参考用户的使用行为特征信息的标注信息为未过度使用应用。然后,以有监督学习方式利用负样本和正样本对第一识别模型进行训练。
在一些实施例中,第一识别模型为协同过滤模型;利用第一识别模型,基于使用行为特征信息计算使用行为特征得分之前,还包括:获取多个训练样本和多个训练样本的标注信息,训练样本包括:用于训练的使用行为特征信息,训练样本的标注信息为以下之一:过度使用应用、未过度使用应用;利用多个训练样本和训练样本的标注信息训练第一识别模型。
在本申请中,第一识别模型可以为协同过滤模型。例如,协同过滤模型为概率矩阵分解(Probabilistic Matrix Factorization,简称PMF)模型。
在本申请中,可以将预先确定的过度使用应用的参考用户的使用行为特征信息作为负样本,未过度使用应用的参考用户的使用行为特征信息作为正样本。过度使用应用的参考用户的使用行为特征信息的标注信息过度使用应用,未过度使用应用的参考用户的使用行为特征信息的标注信息为未过度使用应用。以有监督学习方式利用负样本和正样本对协同过滤模型进行训练。
在一些实施例中,计算关联应用特征信息对应的关联应用特征得分,包括:利用第二识别模型,基于关联应用特征信息计算关联应用特征得分。
在本申请中,当利用第二识别模型,基于关联应用特征信息计算关联应用特征得分时,可以将关联应用特征信息输入到第二识别模型,由第二识别模型输出指示用户过度使用目标应用的概率的关联应用特征得分。
在本申请中,可以将预先确定的过度使用应用的参考用户的应用列表作为负样本,将预先确定的未过度使用应用的参考用户的应用列表作为正样本。以有监督学习方式利用负样本和正样本对第二识别模型进行训练。
在一些实施例中,第二识别模型为用于分类的神经网络;利用第二识别模型,基于关联应用特征信息计算所述关联应用特征得分之前,还包括:获取多个训练样本和多个训练样本的标注信息,训练样本包括:用于训练的应用列表,训练样本的标注信息为以下之一:过度使用应用、未过度使用应用;生成多个训练样本对,训练样本对包括:一个标注信息为过度使用应用的训练样本、一个标注信息为未过度使用应用的训练样本;利用多个训练样本对和训练样本对中的训练样本的标注信息训练第二识别模型。
在本申请中,第二识别模型可以为用于分类的神经网络。为了对用于分类的神经网络进行训练,可以生成多个训练样本对,训练样本对包括:一个标注信息为过度使用应用的训练样本、一个标注信息为未过度使用应用的训练样本;利用多个训练样本对和训练样本对中的训练样本的标注信息训练第二识别模型。
在本申请中,可以将预先确定的过度使用应用的参考用户的应用列表作为负样本,将预先确定的未过度使用应用的参考用户的应用列表作为正样本。可以生成多个训练样本对,然后,可以以基于pairwise的训练方式对用于分类的神经网络进行训练。损失函数采用交叉熵损失函数。每一次训练中,采用一个训练样本对来对用于分类的神经网络进行训练。
步骤203,当用户满足预设条件时,执行预设操作。
在本申请中,当用户满足预设条件时,可以确定用户过度使用目标应用时,则执行预设操作,来防止用户过度使用目标应用。
例如,当用户满足预设条件时,可以向用户呈现用于提醒其使用目标应用的时长过长并且其应该减少使用目标应用的时长的提醒信息。
在一些实施例中,预设操作包括:向用户呈现提醒信息;执行预设操作之后,还包括:响应于确定用户未进行对提醒信息的反馈操作,执行干扰操作,干扰操作用于降低用户对目标应用的使用体验。
在本申请中,当确定用户满足预设条件时,可以首先确定用户在当天使用目标应用的时长是否大于预设时长,当确定用户在当天使用目标应用的时长大于预设时长时,可以向用户呈现用于提醒其使用目标应用的时长过长并且其应该减少使用目标应用的时长的提醒信息。同时,实时确定用户是否进行对提醒信息的反馈操作。
例如,目标应用为游戏应用,反馈操作包括结束游戏应用。若从向用户呈现提醒信息的时刻起,经过一定时长之后,确定用户未进行对所述提醒信息的反馈操作,换言之,从向用户呈现提醒信息的时刻起,经过一定时长之后,用户依然在使用目标应用,则可以执行干扰操作。干扰操作可以包括随机降低该游戏应用的帧率、该用户的终端与游戏应用运行在的服务器的连接的流畅性、在游戏过程中随机分配给不符合该用户的水平的对手等从而,降低用户的游戏体验。
图3示出了本申请实施例提供的用户识别装置的一个结构示意图。用户识别装置包括:获取单元301,识别单元302,保护单元303。
获取单元301被配置为获取目标应用的关联信息,所述目标应用的关联信息包括以下之一或全部:用户对所述目标应用的使用行为的使用行为特征信息、用户的应用列表,其中,所述应用列表包括安装于所述用户的终端上的至少一个其他应用的标识;
识别单元302被配置为基于所述关联信息,判断所述用户是否满足预设条件;
保护单元302被配置为当所述用户满足预设条件时,执行预设操作。
在一些实施例中,识别单元302包括:
基于关联应用特征得分的判断模块,被配置为基于所述应用列表,从所述至少一个其他应用中确定所述目标应用的所有关联应用,其中所述关联应用的类型与所述目标应用的类型相同;获取关联应用特征信息,所述关联应用特征信息包括:所述所有关联应用中的至少部分关联应用的属性信息、与所述关联应用相关的硬件配置信息;计算所述关联应用特征信息对应的关联应用特征得分;基于所述关联应用特征得分,判断所述用户是否满足所述预设条件。
在一些实施例中,基于关联应用特征得分的判断模块包括:第一判断子模块,被配置为:
判断所述关联应用特征得分是否大于分数阈值;当所述关联应用特征得分大于分数阈值时,确定所述用户满足所述预设条件。
在一些实施例中,用户识别装置还包括:得分计算单元,被配置为在基于所述关联应用特征得分,判断所述用户是否满足所述预设条件之前,计算所述使用行为特征信息对应的使用行为特征得分;对所述使用行为特征得分进行加权处理,得到第一加权得分;对所述关联应用特征得分进行加权处理,得到第二加权得分;基于所述第一加权得分和所述第二加权得分,得到所述用户的用户得分,所述用户得分用于指示所述用户过度使用所述目标应用的概率;
基于关联应用特征得分的判断模块包括:第二判断子模块,被配置为:基于所述用户得分,判断所述用户是否满足所述预设条件。
在一些实施例中,得分计算单元包括:第一加权处理模块,被配置为:计算所述使用行为特征得分的第一预设权重与所述使用行为特征得分的乘积,其中,所述第一预设权重为所述使用行为特征得分对应的所有预设权重中的与所述用户的应用熟悉度匹配的预设权重。
在一些实施例中,得分计算单元包括:第二加权处理模块,被配置为:计算所述关联应用特征得分的第二预设权重与所述关联应用特征得分的乘积,其中,所述第二预设权重为所述关联应用特征得分对应的所有预设权重中的与所述用户的应用熟悉度匹配的预设权重。
在一些实施例中,得分计算单元包括:第一模型计算模块,被配置为:利用第一识别模型,基于所述使用行为特征信息计算所述使用行为特征得分。
在一些实施例中,第二模型计算模块,被配置为:利用第二识别模型,基于所述关联应用特征信息计算所述关联应用特征得分。
在一些实施例中,所述第一识别模型为协同过滤模型;用户识别装置还包括:第一训练单元,被配置为:在所述利用第一识别模型,基于所述使用行为特征信息计算所述使用行为特征得分之前,获取多个训练样本和多个训练样本的标注信息,训练样本包括:用于训练的使用行为特征信息,训练样本的标注信息为以下之一:过度使用应用、未过度使用应用;利用多个训练样本和训练样本的标注信息训练所述第一识别模型。
在一些实施例中,所述第二识别模型为用于分类的神经网络;用户识别装置还包括:第二训练单元,被配置为:在所述利用第二识别模型,基于所述关联应用特征信息计算所述关联应用特征得分之前,获取多个训练样本和多个训练样本的标注信息,训练样本包括:用于训练的应用列表,训练样本的标注信息为以下之一:过度使用应用、未过度使用应用;生成多个训练样本对,训练样本对包括:一个标注信息为过度使用应用的训练样本、一个标注信息为未过度使用应用的训练样本;利用多个训练样本对和训练样本对中的训练样本的标注信息训练所述第二识别模型。
在一些实施例中,用户识别装置还包括:用户的应用熟悉度确定单元,被配置为:基于所述用户对所述目标应用的使用次数和/或使用总时长,确定所述用户的应用熟悉度,所述用户的应用熟悉度指示所述用户对所述目标应用的熟悉程度。
在一些实施例中,所述满足预设条件包括:得分大于或等于预设阈值,或者,得分小于或等于预设阈值。
在一些实施例中,所述预设操作包括:向所述用户呈现提醒信息;用户识别装置还包括干扰单元,被配置为:响应于确定所述用户未进行对所述提醒信息的反馈操作,执行干扰操作,所述干扰操作用于降低所述用户对所述目标应用的使用体验。
在一些实施例中,所述使用行为特征信息,包括以下至少一项:目标应用登录时长、目标应用登录次数及交互特征信息,其中,所述交互特征信息指示所述用户与使用所述目标应用的其他用户进行交互的特征。
在一些实施例中,所述目标应用为游戏应用。
图4示出了适用于实现本申请实施例提供的用户识别方法的服务器的结构框图。
参照图4,服务器400包括处理组件422,其进一步包括一个或多个处理器,以及由存储器432所代表的存储器资源,用于存储可由处理组件422执行的指令,例如应用程序。存储器432中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件422被配置为执行指令,以执行上述方法。
服务器400还可以包括一个电源组件426被配置为执行服务器400的电源管理,一个有线或无线网络接口450被配置为将服务器400连接到网络,和一个输入输出(I/O)接口458。服务器400可以操作基于存储在存储器432的操作系统,例如Windows ServerTM,MacOSXTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器,上述指令可由服务器执行以完成上述方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本申请还提供一种计算机程序,该计算机程序包括如图1所示的操作步骤。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (16)
1.一种用户识别方法,其特征在于,所述方法包括:
获取目标应用的关联信息,所述目标应用的关联信息包括以下之一或全部:用户对所述目标应用的使用行为的使用行为特征信息、所述用户的应用列表,其中,所述应用列表包括安装于所述用户的终端上的至少一个其他应用的标识;
基于所述关联信息,判断所述用户是否满足预设条件;
当所述用户满足预设条件时,执行预设操作;
所述基于所述关联信息,判断所述用户是否满足预设条件,包括:
基于所述应用列表,从所述至少一个其他应用中确定所述目标应用的所有关联应用,其中所述关联应用的类型与所述目标应用的类型相同;
获取关联应用特征信息,所述关联应用特征信息包括:所述所有关联应用中的至少部分关联应用的属性信息、与所述所有关联应用中的至少部分关联应用相关的硬件配置信息;
计算所述关联应用特征信息对应的关联应用特征得分;
基于所述关联应用特征得分,判断所述用户是否满足所述预设条件;
所述基于所述关联应用特征得分,判断所述用户是否满足所述预设条件之前,还包括:
计算所述使用行为特征信息对应的使用行为特征得分;
对所述使用行为特征得分进行加权处理,得到第一加权得分;
对所述关联应用特征得分进行加权处理,得到第二加权得分;
基于所述第一加权得分和所述第二加权得分,得到所述用户的用户得分,所述用户得分用于指示所述用户过度使用所述目标应用的概率;
其中,所述基于所述关联应用特征得分,判断所述用户是否满足所述预设条件,包括:
基于所述用户得分,判断所述用户是否满足所述预设条件。
2.根据权利要求1所述的方法,其特征在于,所述基于所述关联应用特征得分,判断所述用户是否满足所述预设条件,包括:
判断所述关联应用特征得分是否达到分数阈值;
当所述关联应用特征得分达到所述分数阈值时,确定所述用户满足所述预设条件。
3.根据权利要求1所述的方法,其特征在于,所述对所述使用行为特征得分进行加权处理,包括:
计算所述使用行为特征得分的第一预设权重与所述使用行为特征得分的乘积,其中,所述第一预设权重为所述使用行为特征得分对应的所有预设权重中的与所述用户的应用熟悉度匹配的预设权重。
4.根据权利要求1所述的方法,其特征在于,所述计算所述使用行为特征信息对应的使用行为特征得分,包括:
利用第一识别模型,基于所述使用行为特征信息计算所述使用行为特征得分。
5.根据权利要求4所述的方法,其特征在于,所述第一识别模型为协同过滤模型;
所述利用第一识别模型,基于所述使用行为特征信息计算所述使用行为特征得分之前,所述方法还包括:
获取多个训练样本和多个训练样本的标注信息,训练样本包括:用于训练的使用行为特征信息,训练样本的标注信息为以下之一:过度使用应用、未过度使用应用;
利用多个训练样本和训练样本的标注信息训练所述第一识别模型。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述对所述关联应用特征得分进行加权处理,包括:
计算所述关联应用特征得分的第二预设权重与所述关联应用特征得分的乘积,其中,所述第二预设权重为所述关联应用特征得分对应的所有预设权重中的与所述用户的应用熟悉度匹配的预设权重。
7.根据权利要求1至5中任一项所述的方法,其特征在于,所述计算所述关联应用特征信息对应的关联应用特征得分,包括:
利用第二识别模型,基于所述关联应用特征信息计算所述关联应用特征得分。
8.根据权利要求7所述的方法,其特征在于,所述第二识别模型为用于分类的神经网络;
所述利用第二识别模型,基于所述关联应用特征信息计算所述关联应用特征得分之前,所述方法还包括:
获取多个训练样本和多个训练样本的标注信息,训练样本包括:用于训练的应用列表,训练样本的标注信息为以下之一:过度使用应用、未过度使用应用;
生成多个训练样本对,训练样本对包括:一个标注信息为过度使用应用的训练样本、一个标注信息为未过度使用应用的训练样本;
利用多个训练样本对和训练样本对中的训练样本的标注信息训练所述第二识别模型。
9.根据权利要求3至5中任一项所述的方法,其特征在于,所述用户的应用熟悉度指示所述用户对所述目标应用的熟悉程度,所述方法还包括:
基于所述用户对所述目标应用的使用次数和/或使用总时长,确定所述用户的应用熟悉度。
10.根据权利要求1至5中任一项所述的方法,其特征在于,所述满足预设条件包括:得分大于或等于预设阈值,或者,得分小于或等于预设阈值。
11.根据权利要求1至5中任一项所述的方法,其特征在于,所述预设操作包括:向所述用户呈现提醒信息;
所述执行预设操作之后,所述方法还包括:
响应于确定所述用户未进行对所述提醒信息的反馈操作,执行干扰操作,所述干扰操作用于降低所述用户对所述目标应用的使用体验。
12.根据权利要求1至5中任一项所述的方法,其特征在于,所述使用行为特征信息,包括以下至少一项:目标应用登录时长、目标应用登录次数及交互特征信息,其中,所述交互特征信息指示所述用户与使用所述目标应用的其他用户进行交互的特征。
13.根据权利要求1至5中任一项所述的方法,其特征在于,所述目标应用为游戏应用。
14.一种用户识别装置,其特征在于,所述装置包括:
获取单元,被配置为获取目标应用的关联信息,所述目标应用的关联信息包括:用户对所述目标应用的使用行为的使用行为特征信息、所述用户的应用列表,其中,所述应用列表包括安装于所述用户的终端上的至少一个其他应用的标识;
识别单元,被配置为基于所述关联信息,判断所述用户是否满足预设条件;
保护单元,被配置为当所述用户满足预设条件时,执行预设操作;
所述识别单元包括:
基于关联应用特征得分的判断模块,被配置为基于所述应用列表,从所述至少一个其他应用中确定所述目标应用的所有关联应用,其中所述关联应用的类型与所述目标应用的类型相同;获取关联应用特征信息,所述关联应用特征信息包括:所述所有关联应用中的至少部分关联应用的属性信息、与所述所有关联应用中的至少部分关联应用相关的硬件配置信息;计算所述关联应用特征信息对应的关联应用特征得分;基于所述关联应用特征得分,判断所述用户是否满足所述预设条件;
所述装置还包括:得分计算单元,被配置为在基于所述关联应用特征得分,判断所述用户是否满足所述预设条件之前,计算所述使用行为特征信息对应的使用行为特征得分;对所述使用行为特征得分进行加权处理,得到第一加权得分;对所述关联应用特征得分进行加权处理,得到第二加权得分;基于所述第一加权得分和所述第二加权得分,得到所述用户的用户得分,所述用户得分用于指示所述用户过度使用所述目标应用的概率。
15.一种服务器,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至13中任一项所述的方法。
16.一种存储介质,当所述存储介质中的指令由服务器的处理器执行时,使得服务器能够执行如权利要求1至13中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910927851.3A CN110807179B (zh) | 2019-09-27 | 2019-09-27 | 一种用户识别方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910927851.3A CN110807179B (zh) | 2019-09-27 | 2019-09-27 | 一种用户识别方法、装置、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110807179A CN110807179A (zh) | 2020-02-18 |
CN110807179B true CN110807179B (zh) | 2022-04-05 |
Family
ID=69487844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910927851.3A Active CN110807179B (zh) | 2019-09-27 | 2019-09-27 | 一种用户识别方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807179B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115134399B (zh) * | 2021-03-24 | 2023-09-19 | 中国移动通信集团河南有限公司 | 一种用户识别的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834580A (zh) * | 2015-05-07 | 2015-08-12 | 苏州天鸣信息科技有限公司 | 一种终端用户沉迷值的计算与沉迷管控方法 |
CN104915278A (zh) * | 2014-03-14 | 2015-09-16 | 小米科技有限责任公司 | 应用的控制方法及装置 |
CN106056143A (zh) * | 2016-05-26 | 2016-10-26 | 广东欧珀移动通信有限公司 | 终端使用数据处理方法和防沉迷方法及装置、系统和终端 |
CN106101379A (zh) * | 2016-05-26 | 2016-11-09 | 广东欧珀移动通信有限公司 | 一种移动终端的防沉迷方法、装置及移动终端 |
CN106874774A (zh) * | 2015-12-14 | 2017-06-20 | 北京奇虎科技有限公司 | 一种移动终端的使用控制方法和移动终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8947198B2 (en) * | 2012-02-15 | 2015-02-03 | Honeywell International Inc. | Bootstrapping access models in the absence of training data |
-
2019
- 2019-09-27 CN CN201910927851.3A patent/CN110807179B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915278A (zh) * | 2014-03-14 | 2015-09-16 | 小米科技有限责任公司 | 应用的控制方法及装置 |
CN104834580A (zh) * | 2015-05-07 | 2015-08-12 | 苏州天鸣信息科技有限公司 | 一种终端用户沉迷值的计算与沉迷管控方法 |
CN106874774A (zh) * | 2015-12-14 | 2017-06-20 | 北京奇虎科技有限公司 | 一种移动终端的使用控制方法和移动终端 |
CN106056143A (zh) * | 2016-05-26 | 2016-10-26 | 广东欧珀移动通信有限公司 | 终端使用数据处理方法和防沉迷方法及装置、系统和终端 |
CN106101379A (zh) * | 2016-05-26 | 2016-11-09 | 广东欧珀移动通信有限公司 | 一种移动终端的防沉迷方法、装置及移动终端 |
Also Published As
Publication number | Publication date |
---|---|
CN110807179A (zh) | 2020-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163647B (zh) | 一种数据处理方法及装置 | |
CN113360622B (zh) | 用户对话信息的处理方法、装置及计算机设备 | |
CN109636218B (zh) | 一种学习内容推荐方法及电子设备 | |
CN111061948B (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
CN113918826B (zh) | 投放信息处理方法、资源预测模型训练方法及装置 | |
CN111770353A (zh) | 一种直播监控方法、装置、电子设备及存储介质 | |
CN111832952B (zh) | 一种教育课件推送系统 | |
CN112925924A (zh) | 多媒体文件的推荐方法、装置、电子设备及存储介质 | |
CN111177725B (zh) | 一种检测恶意刷点击操作的方法、装置、设备及存储介质 | |
CN110162609A (zh) | 用于向用户推荐咨询问题的方法及装置 | |
CN110769267B (zh) | 一种视频的展示方法、装置、电子设备及存储介质 | |
CN110807179B (zh) | 一种用户识别方法、装置、服务器及存储介质 | |
CN109635214B (zh) | 一种学习资源的推送方法及电子设备 | |
CN116208513A (zh) | 网关的健康度预测方法及装置 | |
CN113627979A (zh) | 资源投放数据的处理方法、装置、服务器、系统及介质 | |
CN113806501A (zh) | 意图识别模型的训练方法、意图识别方法和设备 | |
CN110516151B (zh) | 有效行为检测和个性化推荐方法 | |
CN111046293A (zh) | 一种根据测评结果推荐内容的方法及其系统 | |
CN111309706A (zh) | 模型训练方法、装置、可读存储介质及电子设备 | |
CN115269919A (zh) | 一种短视频质量的确定方法、装置、电子设备及存储介质 | |
CN111325228A (zh) | 一种模型训练方法及装置 | |
CN114461786A (zh) | 一种学习路径生成方法和系统 | |
CN114925750A (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
CN109522203B (zh) | 一种软件产品的评测方法及装置 | |
CN113191821A (zh) | 一种数据处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |