CN110825818B - 多维特征构建方法、装置、电子设备及存储介质 - Google Patents

多维特征构建方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN110825818B
CN110825818B CN201910882077.9A CN201910882077A CN110825818B CN 110825818 B CN110825818 B CN 110825818B CN 201910882077 A CN201910882077 A CN 201910882077A CN 110825818 B CN110825818 B CN 110825818B
Authority
CN
China
Prior art keywords
data
feature
time
target
liveness
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
Application number
CN201910882077.9A
Other languages
English (en)
Other versions
CN110825818A (zh
Inventor
骆昕艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910882077.9A priority Critical patent/CN110825818B/zh
Publication of CN110825818A publication Critical patent/CN110825818A/zh
Application granted granted Critical
Publication of CN110825818B publication Critical patent/CN110825818B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本发明提供一种多维特征构建方法、装置、电子设备及存储介质。所述多维特征构建方法能够当接收到特征构建指令时，采集目标应用程序的历史访问数据，检测所述目标应用程序的当前访问数据，采用K‑L散度算法计算所述历史访问数据及所述当前访问数据的相似度，得到第一特征数据，获取当前时间并确定所述当前时间所属的目标时间分片，从预先存储的活跃度数据中调取与所述目标时间分片对应的目标活跃度，并处理所述目标活跃度，得到第二特征数据，进一步获取配置传感器采集的第三特征数据，并对所述第一特征数据、所述第二特征数据及所述第三特征数据做归一化处理，进而进行数据分析，得到多维特征，使用户特征的刻画更加全面，且具有更高的灵活性。

Description

多维特征构建方法、装置、电子设备及存储介质
技术领域
本发明涉及数据分析技术领域，尤其涉及一种多维特征构建方法、装置、电子设备及存储介质。
背景技术
现有技术方案中，对于智能终端上的应用程序，主要通过低维向量的数据结构构建用户特征，即单用户的属性特征映射成基于单主键的一维向量。
在这种情况下，一旦出现用户特征暴增，单用户的属性特征将无法满足需求，而且，现在的很多任务为了得到更准确的结果，都需要基于多维且不断变化的数据进行特征提取，显然，现有的技术方案所刻画的用户特征不仅片面，且灵活性不高。
发明内容
鉴于以上内容，有必要提供一种多维特征构建方法、装置、电子设备及存储介质，能够使用户特征的刻画更加全面，且具有更高的灵活性。
一种多维特征构建方法，所述方法包括：
当接收到特征构建指令时，基于埋点技术采集目标应用程序的历史访问数据；
检测所述目标应用程序的当前访问数据；
采用K-L散度算法，计算所述历史访问数据及所述当前访问数据的相似度，得到第一特征数据；
获取当前时间；
确定所述当前时间所属的目标时间分片；
从预先存储的活跃度数据中调取与所述目标时间分片对应的目标活跃度；
基于时间衰减因子处理所述目标活跃度，得到第二特征数据；
获取配置传感器采集的第三特征数据；
对所述第一特征数据、所述第二特征数据及所述第三特征数据做归一化处理，得到多维特征。
根据本发明优选实施例，在基于埋点技术采集目标应用程序的历史访问数据前，所述方法还包括：
获取所述目标应用程序的所有图标；
确定所述所有图标中每个图标的页面编码、区域编码及内容编码；
以每个图标的页面编码、区域编码及内容编码为每个图标建立标识；
根据每个图标的标识进行埋点。
根据本发明优选实施例，所述采用K-L散度算法，计算所述历史访问数据及所述当前访问数据的相似度，得到第一特征数据包括：
将所述历史访问数据作为原始分布，及将所述当前访问数据作为近似分布；
计算所述原始分布及所述近似分布的相对熵，得到所述第一特征数据。
根据本发明优选实施例，在确定所述当前时间所属的目标时间分片前，所述方法还包括：
在预设时间范围内，监控所述目标应用程序的活跃参数；
对所述活跃参数进行处理，得到不同级别的活跃度；
以所述不同级别的活跃度为基准，对所述预设时间范围内的时间进行分片。
根据本发明优选实施例，在基于时间衰减因子处理所述目标活跃度前，所述方法还包括：
获取配置的历史活跃度NHistory及配置的标准活跃度Ncurrent；
计算所述历史活跃度NHistory与所述标准活跃度Ncurrent的间隔时间Δt；
根据下述公式计算所述时间衰减因子：
NHistory＝Ncurrente-λΔt
其中，e是自然对数，λ是所述时间衰减因子。
根据本发明优选实施例，在得到多维特征后，所述方法还包括：
将所述多维特征输入到预先训练的风险预测模型中，得到预测数据；
当所述预测数据显示有风险时，发出警报。
根据本发明优选实施例，在得到多维特征后，所述方法还包括：
将所述多维特征输入到预先训练的用户认证模型中，得到认证数据；
当所述认证数据显示用户未通过认证时，限制所述用户的访问权限。
一种多维特征构建装置，所述装置包括：
采集单元，用于当接收到特征构建指令时，基于埋点技术采集目标应用程序的历史访问数据；
检测单元，用于检测所述目标应用程序的当前访问数据；
计算单元，用于采用K-L散度算法，计算所述历史访问数据及所述当前访问数据的相似度，得到第一特征数据；
获取单元，用于获取当前时间；
确定单元，用于确定所述当前时间所属的目标时间分片；
调取单元，用于从预先存储的活跃度数据中调取与所述目标时间分片对应的目标活跃度；
处理单元，用于基于时间衰减因子处理所述目标活跃度，得到第二特征数据；
所述获取单元，还用于获取配置传感器采集的第三特征数据；
所述处理单元，还用于对所述第一特征数据、所述第二特征数据及所述第三特征数据做归一化处理，得到多维特征。
根据本发明优选实施例，所述获取单元，还用于在基于埋点技术采集目标应用程序的历史访问数据前，获取所述目标应用程序的所有图标；
所述确定单元，还用于确定所述所有图标中每个图标的页面编码、区域编码及内容编码；
所述装置还包括：
建立单元，用于以每个图标的页面编码、区域编码及内容编码为每个图标建立标识；
埋点单元，用于根据每个图标的标识进行埋点。
根据本发明优选实施例，所述计算单元具体用于：
将所述历史访问数据作为原始分布，及将所述当前访问数据作为近似分布；
计算所述原始分布及所述近似分布的相对熵，得到所述第一特征数据。
根据本发明优选实施例，所述装置还包括：
监控单元，用于在确定所述当前时间所属的目标时间分片前，在预设时间范围内，监控所述目标应用程序的活跃参数；
所述处理单元，还用于对所述活跃参数进行处理，得到不同级别的活跃度；
分片单元，用于以所述不同级别的活跃度为基准，对所述预设时间范围内的时间进行分片。
根据本发明优选实施例，所述获取单元，还用于在基于时间衰减因子处理所述目标活跃度前，获取配置的历史活跃度NHistory及配置的标准活跃度Ncurrent；
所述计算单元，还用于计算所述历史活跃度NHistory与所述标准活跃度Ncurrent的间隔时间Δt；
所述计算单元，还用于根据下述公式计算所述时间衰减因子：
NHistory＝Ncurrente-λΔt
其中，e是自然对数，λ是所述时间衰减因子。
根据本发明优选实施例，所述装置还包括：
输入单元，用于在得到多维特征后，将所述多维特征输入到预先训练的风险预测模型中，得到预测数据；
发送单元，用于当所述预测数据显示有风险时，发出警报。
根据本发明优选实施例，所述输入单元，还用于在得到多维特征后，将所述多维特征输入到预先训练的用户认证模型中，得到认证数据；
所述装置还包括：
限制单元，用于当所述认证数据显示用户未通过认证时，限制所述用户的访问权限。
一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述多维特征构建方法。
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至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述多维特征构建方法。
由以上技术方案可以看出，本发明能够当接收到特征构建指令时，基于埋点技术采集目标应用程序的历史访问数据，进而有针对性的快速采集数据，检测所述目标应用程序的当前访问数据，采用K-L散度算法，计算所述历史访问数据及所述当前访问数据的相似度，得到第一特征数据，进一步获取当前时间，并确定所述当前时间所属的目标时间分片，从预先存储的活跃度数据中调取与所述目标时间分片对应的目标活跃度，基于时间衰减因子处理所述目标活跃度，得到第二特征数据，由于时间衰减因子的引入，使所述第二特征数据更加符合自然规律，且更加准确，进一步获取配置传感器采集的第三特征数据，并对所述第一特征数据、所述第二特征数据及所述第三特征数据做归一化处理，得到属于同一维度的多维特征，使用户特征的刻画更加全面，且具有更高的灵活性。
附图说明
图1是本发明多维特征构建方法的较佳实施例的流程图。
图2是本发明多维特征构建装置的较佳实施例的功能模块图。
图3是本发明实现多维特征构建方法的较佳实施例的电子设备的结构示意图。
主要元件符号说明
Figure BDA0002206189730000061
Figure BDA0002206189730000071
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明多维特征构建方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述多维特征构建方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital SignalProcessor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，当接收到特征构建指令时，基于埋点技术采集目标应用程序的历史访问数据。
在本发明的至少一个实施例中，所述特征构建指令可以由相关工作人员触发，本发明不限制。
在本发明的至少一个实施例中，所述目标应用程序可以包括任意应用程序。
具体地，通过采集所述目标应用程序的数据，可以从多个维度构建用户的特征，并基于用户的特征进行数据处理。
在本发明的至少一个实施例中，所述历史访问数据是指当前时间之前的配置时间段内的访问数据。
具体地，所述配置时间段可以进行自定义配置，根据不同的业务需求，所述配置时间段也可以不同。
在本发明的至少一个实施例中，在基于埋点技术采集目标应用程序的历史访问数据前，所述方法还包括：
所述电子设备获取所述目标应用程序的所有图标，进一步地，所述电子设备确定所述所有图标中每个图标的页面编码、区域编码及内容编码，以每个图标的页面编码、区域编码及内容编码为每个图标建立标识，根据每个图标的标识进行埋点。
例如：所述电子设备获取到目标应用程序A中的图标icon的页面编码为100，区域编码为201，内容编码为511，则所述icon的标识[page_no，region_no，name_no]为[100，201，511]，进一步地，所述电子设备在标识[100，201，511]处进行埋点，以获取到所述icon的访问数据。
通过上述实施方式，所述电子设备能够通过埋点技术，对所述目标应用程序的访问数据进行有针对性的采集，不仅节约了采集时间，提高了采集效率，并且对用户的隐私也起到一定的保护作用。
S11，检测所述目标应用程序的当前访问数据。
在本发明的至少一个实施例中，所述当前访问数据是指用户在当前时间对所述目标应用程序的访问数据。
具体地，所述电子设备也可以通过数据埋点技术检测所述目标应用程序的当前访问数据。
S12，采用K-L散度算法，计算所述历史访问数据及所述当前访问数据的相似度，得到第一特征数据。
在本发明的至少一个实施例中，所述第一特征数据可以包括空间上的用户特征，以作为后续得到的多维特征在空间维度上的特征。
在本发明的至少一个实施例中，所述采用K-L散度算法，计算所述历史访问数据及所述当前访问数据的相似度，得到第一特征数据包括：
所述电子设备将所述历史访问数据作为原始分布，及将所述当前访问数据作为近似分布，计算所述原始分布及所述近似分布的相对熵，得到所述第一特征数据。
通过上述实施方式，由于K-L散度算法的特性，能够更加简单且准确地对所述历史访问数据及所述当前访问数据之间的相似度进行确定。
S13，获取当前时间。
在本发明的至少一个实施例中，可以调取所述电子设备的系统时间作为所述当前时间，也可以从所述电子设备安装的时间软件上获取时间作为所述当前时间，或者从与所述电子设备相通信的外部时间设备上获取时间作为所述当前时间，本发明对所述当前时间的获取方式不做限制。
S14，确定所述当前时间所属的目标时间分片。
在本发明的至少一个实施例中，所述目标时间分片由所述电子设备进行预先配置。
具体地，在确定所述当前时间所属的目标时间分片前，所述方法还包括：
在预设时间范围内，所述电子设备监控所述目标应用程序的活跃参数，进一步地，所述电子设备对所述活跃参数进行处理，得到不同级别的活跃度，更进一步地，所述电子设备以所述不同级别的活跃度为基准，对所述预设时间范围内的时间进行分片。
其中，所述预设时间范围可以进行自定义配置，例如：一天、一周以及一个月等，本发明不限制。
进一步地，所述活跃参数包括，但不限于以下一种或者多种参数的组合：
所述目标应用程序的启动次数、用户对所述目标应用程序的登陆次数、用户对所述目标应用程序的点击次数，以及用户在所述目标应用程序的任意页面上的停留时间等。
更进一步地，所述电子设备在监控到所述目标应用程序的活跃参数后，对所述活跃参数进行处理，可以得到活跃等级不同的多个时间段，所述电子设备可以以所述多个时间段对所述预设时间范围内的时间进行分片。
例如：所述电子设备在对所述活跃参数进行处理后，确定在一天中，1:00到18:00的活跃等级较低，18:00到20:00的活跃等级为中等，且20:00到1:00的活跃等级较高，则所述电子设备可以将所述预设时间范围内的时间划分为1:00到18:00、18:00到20:00，以及20:00到1:00三个时间分片。
通过上述实施方式，能够根据不同的活跃程度对时间进行分片处理，便于后续以时间为基准进行数据的处理。
在本发明的至少一个实施例中，在对所述预设时间范围内的时间进行分片后，所述电子设备即可确定所述当前时间所属的目标时间分片。
例如：当所述当前时间为21:00时，根据预先对时间的分片处理，21:00属于20:00到1:00的范围，因此，所述电子设备能够确定所述当前时间所属的目标时间分片为20:00到1:00。
S15，从预先存储的活跃度数据中调取与所述目标时间分片对应的目标活跃度。
在本发明的至少一个实施例中，所述电子设备在对时间进行分片后，进一步获取每个时间分片对应的活跃度，并将每个时间分片及每个时间分片的活跃度一并存储，以方便后续调用。
具体地，所述电子设备可以将每个时间分片及每个时间分片的活跃度存储在所述电子设备的内部存储器中，以提高调取速度。
当然，为了保证所述电子设备能够更好的运行，避免所述电子设备由于内存占用过高而出现卡顿现象，还可以将每个时间分片及每个时间分片的活跃度存储在与所述电子设备相通信的外部存储器中，本发明不限制。
进一步地，所述电子设备以所述目标时间分片为基准，即可准确地调取出与所述目标时间分片对应的目标活跃度，以供后续使用。
例如：所述电子设备确定所述当前时间所属的目标时间分片为20:00到1∶00，而20:00到1∶00的时间分片所对应的活跃度为90％，则所述电子设备确定所述目标时间分片对应的目标活跃度为90％。
S16，基于时间衰减因子处理所述目标活跃度，得到第二特征数据。
在本发明的至少一个实施例中，所述第二特征数据可以包括时间上的用户特征，以作为后续得到的多维特征在时间维度上的特征。
在本发明的至少一个实施例中，在基于时间衰减因子处理所述目标活跃度前，所述方法还包括：
所述电子设备获取配置的历史活跃度NHistory及配置的标准活跃度Ncurrent，计算所述历史活跃度NHistory与所述标准活跃度Ncurrent的间隔时间Δt，根据下述公式计算所述时间衰减因子：NHistory＝Ncurrente-λΔt，其中，e是自然对数，λ是所述时间衰减因子。
可以理解的是，在实际应用中，用户的活跃程度的下降速度和时间成比例，可以理解为用户的活跃度与时间服从指数衰减分布。因此，所述电子设备引入所述时间衰减因子，以使得到的活跃度更加符合自然规律，并且，由于考虑了时间因素，也使得到的活跃度更加具有可信度。
具体地，所述电子设备以下述公式处理所述目标活跃度，得到所述第二特征数据。
N目标活跃度＝N第二特征数据e-λΔt1
其中，N目标活跃度是所述目标活跃度，λ是所述时间衰减因子，e是自然对数，Δt1是预先存储所述目标活跃度时采集数据的时间与所述当前时间的间隔。
这样，上述公式以所述第二特征数据N第二特征数据为未知数，即可基于时间衰减因子对所述目标活跃度进行处理，进而得到更加符合自然规律的所述第二特征数据。
S17，获取配置传感器采集的第三特征数据。
在本发明的至少一个实施例中，所述配置传感器包括，但不限于以下一种或者多种的组合：
加速度传感器、陀螺仪、温度传感器、光传感器、压力传感器、磁力计、红外线传感器等。
可以理解的是，对应于不同的传感器，所述第三特征数据也有所不同。
例如：所述压力传感器对应的第三特征数据为压力值，所述温度传感器对应的第三特征数据为触摸面积等。
通过上述实施方式，所述电子设备能够通过不同的传感器，进一步采集到每个用户在所述目标应用程序上所独有的、不同的特征数据。例如：用户在进行点击操作时，手指对屏幕的压力，手指与屏幕的接触面积，滑动的屏幕轨迹坐标，以及手指按下与抬起的时间间隔等。
进一步地，不仅能够丰富所述第三特征数据的维度，还能从另一个角度丰富后续的多维特征，使用户特征数据更加全面。
S18，对所述第一特征数据、所述第二特征数据及所述第三特征数据做归一化处理，得到多维特征。
可以理解的是，所述第一特征数据、所述第二特征数据及所述第三特征数据的采集方式是不同的，因此，所述第一特征数据、所述第二特征数据及所述第三特征数据并不在同一维度上，而为了方便后续使用，所述电子设备需要对所述第一特征数据、所述第二特征数据及所述第三特征数据做归一化处理，以得到属于同一维度的多维数据。
优选地，所述电子设备对所述第一特征数据、所述第二特征数据及所述第三特征数据做归一化处理，得到多维特征包括：
(1)所述电子设备对所述第一特征数据、所述第二特征数据及所述第三特征数据做Z-score标准化处理。
通过上述实施方式，能够将所述第一特征数据、所述第二特征数据及所述第三特征数据转换为[0，1]之间的小数。
(2)所述电子设备对所述第一特征数据、所述第二特征数据及所述第三特征数据做min-max标准化处理。
通过上述实施方式，能够将所述第一特征数据、所述第二特征数据及所述第三特征数据转换为无量纲形式。
当然，在其他实施例中，所述电子设备还可以采用其他归一化方式，本发明在此不作限制。
在本发明的至少一个实施例中，在得到多维特征后，所述方法还包括：
所述电子设备将所述多维特征输入到预先训练的风险预测模型中，得到预测数据，当所述预测数据显示有风险时，所述电子设备发出警报。
其中，所述风险预测模型可以包括任意支持多维数据的模型，如Tensorflow深度学习框架工具等。
例如：当所述电子设备将所述多维特征输入到所述风险预测模型后，当显示有风险时，则可能出现类似于机器刷单等非正常行为，所述电子设备及时报警，便于进行风险确认。
在本发明的至少一个实施例中，在得到多维特征后，所述方法还包括：
所述电子设备将所述多维特征输入到预先训练的用户认证模型中，得到认证数据，当所述认证数据显示用户未通过认证时，所述电子设备限制所述用户的访问权限。
其中，所述用户认证模型可以包括任意支持多维数据的模型，如Tensorflow深度学习框架工具等。
例如：当所述电子设备将所述多维特征输入到所述用户认证模型后，当显示用户未通过认证时，则可能有其他人冒充所述用户进行程序的登陆，所述电子设备限制所述用户的访问权限，以便保护所述用户的隐私。
由以上技术方案可以看出，本发明当接收到特征构建指令时，基于埋点技术采集目标应用程序的历史访问数据，进而有针对性的快速采集数据，检测所述目标应用程序的当前访问数据，采用K-L散度算法，计算所述历史访问数据及所述当前访问数据的相似度，得到第一特征数据，进一步获取当前时间，并确定所述当前时间所属的目标时间分片，从预先存储的活跃度数据中调取与所述目标时间分片对应的目标活跃度，基于时间衰减因子处理所述目标活跃度，得到第二特征数据，由于时间衰减因子的引入，使所述第二特征数据更加符合自然规律，且更加准确，进一步获取配置传感器采集的第三特征数据，并对所述第一特征数据、所述第二特征数据及所述第三特征数据做归一化处理，得到属于同一维度的多维特征，使用户特征的刻画更加全面，且具有更高的灵活性。
如图2所示，是本发明多维特征构建装置的较佳实施例的功能模块图。所述多维特征构建装置11包括采集单元110、检测单元111、计算单元112、获取单元113、确定单元114、调取单元115、处理单元116、建立单元117、埋点单元118、监控单元119、分片单元120、输入单元121、发送单元122、限制单元123以及保存单元124。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
当接收到特征构建指令时，采集单元110基于埋点技术采集目标应用程序的历史访问数据。
在本发明的至少一个实施例中，所述特征构建指令可以由相关工作人员触发，本发明不限制。
在本发明的至少一个实施例中，所述目标应用程序可以包括任意应用程序。
具体地，通过采集所述目标应用程序的数据，可以从多个维度构建用户的特征，并基于用户的特征进行数据处理。
在本发明的至少一个实施例中，所述历史访问数据是指当前时间之前的配置时间段内的访问数据。
具体地，所述配置时间段可以进行自定义配置，根据不同的业务需求，所述配置时间段也可以不同。
在本发明的至少一个实施例中，在基于埋点技术采集目标应用程序的历史访问数据前，所述方法还包括：
获取单元113获取所述目标应用程序的所有图标，进一步地，确定单元114确定所述所有图标中每个图标的页面编码、区域编码及内容编码，更进一步地，建立单元117以每个图标的页面编码、区域编码及内容编码为每个图标建立标识，埋点单元118根据每个图标的标识进行埋点。
例如：所述获取单元113获取到目标应用程序A中的图标icon的页面编码为100，区域编码为201，内容编码为511，则所述icon的标识[page_no，region_no，name_no]为[100，201，511]，进一步地，所述埋点单元118在标识[100，201，511]处进行埋点，以获取到所述icon的访问数据。
通过上述实施方式，能够通过埋点技术，对所述目标应用程序的访问数据进行有针对性的采集，不仅节约了采集时间，提高了采集效率，并且对用户的隐私也起到一定的保护作用。
检测单元111检测所述目标应用程序的当前访问数据。
在本发明的至少一个实施例中，所述当前访问数据是指用户在当前时间对所述目标应用程序的访问数据。
具体地，所述检测单元111也可以通过数据埋点技术检测所述目标应用程序的当前访问数据。
计算单元112采用K-L散度算法，计算所述历史访问数据及所述当前访问数据的相似度，得到第一特征数据。
在本发明的至少一个实施例中，所述第一特征数据可以包括空间上的用户特征，以作为后续得到的多维特征在空间维度上的特征。
在本发明的至少一个实施例中，所述计算单元112采用K-L散度算法，计算所述历史访问数据及所述当前访问数据的相似度，得到第一特征数据包括：
所述计算单元112将所述历史访问数据作为原始分布，及将所述当前访问数据作为近似分布，进一步地，所述计算单元112计算所述原始分布及所述近似分布的相对熵，得到所述第一特征数据。
通过上述实施方式，由于K-L散度算法的特性，能够更加简单且准确地对所述历史访问数据及所述当前访问数据之间的相似度进行确定。
所述获取单元113获取当前时间。
在本发明的至少一个实施例中，可以调取电子设备的系统时间作为所述当前时间，也可以从所述电子设备安装的时间软件上获取时间作为所述当前时间，或者从与所述电子设备相通信的外部时间设备上获取时间作为所述当前时间，本发明对所述当前时间的获取方式不做限制。
所述确定单元114确定所述当前时间所属的目标时间分片。
在本发明的至少一个实施例中，所述目标时间分片由所述确定单元114进行预先配置。
具体地，在确定所述当前时间所属的目标时间分片前，所述方法还包括：
在预设时间范围内，监控单元119监控所述目标应用程序的活跃参数，进一步地，处理单元116对所述活跃参数进行处理，得到不同级别的活跃度，更进一步地，分片单元120以所述不同级别的活跃度为基准，对所述预设时间范围内的时间进行分片。
其中，所述预设时间范围可以进行自定义配置，例如：一天、一周以及一个月等，本发明不限制。
进一步地，所述活跃参数包括，但不限于以下一种或者多种参数的组合：
所述目标应用程序的启动次数、用户对所述目标应用程序的登陆次数、用户对所述目标应用程序的点击次数，以及用户在所述目标应用程序的任意页面上的停留时间等。
更进一步地，在监控到所述目标应用程序的活跃参数后，所述处理单元116对所述活跃参数进行处理，可以得到活跃等级不同的多个时间段，所述分片单元120可以以所述多个时间段对所述预设时间范围内的时间进行分片。
例如：在对所述活跃参数进行处理后，确定在一天中，1:00到18:00的活跃等级较低，18:00到20:00的活跃等级为中等，且20:00到1:00的活跃等级较高，则可以将所述预设时间范围内的时间划分为1:00到18:00、18:00到20:00，以及20:00到1:00三个时间分片。
通过上述实施方式，能够根据不同的活跃程度对时间进行分片处理，便于后续以时间为基准进行数据的处理。
在本发明的至少一个实施例中，在对所述预设时间范围内的时间进行分片后，所述确定单元114即可确定所述当前时间所属的目标时间分片。
例如：当所述当前时间为21:00时，根据预先对时间的分片处理，21:00属于20:00到1:00的范围，因此，所述确定单元114能够确定所述当前时间所属的目标时间分片为20:00到1:00。
调取单元115从预先存储的活跃度数据中调取与所述目标时间分片对应的目标活跃度。
在本发明的至少一个实施例中，所述分片单元120在对时间进行分片后，进一步地，所述获取单元113获取每个时间分片对应的活跃度，更进一步地，保存单元124将每个时间分片及每个时间分片的活跃度一并存储，以方便后续调用。
具体地，所述保存单元124可以将每个时间分片及每个时间分片的活跃度存储在所述电子设备的内部存储器中，以提高调取速度。
当然，为了保证所述电子设备能够更好的运行，避免所述电子设备由于内存占用过高而出现卡顿现象，所述保存单元124还可以将每个时间分片及每个时间分片的活跃度存储在与所述电子设备相通信的外部存储器中，本发明不限制。
进一步地，所述调取单元115以所述目标时间分片为基准，即可准确地调取出与所述目标时间分片对应的目标活跃度，以供后续使用。
例如：所述确定单元114确定所述当前时间所属的目标时间分片为20:00到1:00，而20:00到1∶00的时间分片所对应的活跃度为90％，则所述确定单元114确定所述目标时间分片对应的目标活跃度为90％。
所述处理单元116基于时间衰减因子处理所述目标活跃度，得到第二特征数据。
在本发明的至少一个实施例中，所述第二特征数据可以包括时间上的用户特征，以作为后续得到的多维特征在时间维度上的特征。
在本发明的至少一个实施例中，在基于时间衰减因子处理所述目标活跃度前，所述方法还包括：
所述获取单元113获取配置的历史活跃度NHistory及配置的标准活跃度Ncurrent，进一步地，所述计算单元112计算所述历史活跃度NHistory与所述标准活跃度NCurrent的间隔时间Δt，根据下述公式计算所述时间衰减因子：NHistory＝Ncurrente-λΔt，其中，e是自然对数，λ是所述时间衰减因子。
可以理解的是，在实际应用中，用户的活跃程度的下降速度和时间成比例，可以理解为用户的活跃度与时间服从指数衰减分布。因此，引入所述时间衰减因子，以使得到的活跃度更加符合自然规律，并且，由于考虑了时间因素，也使得到的活跃度更加具有可信度。
具体地，所述处理单元116以下述公式处理所述目标活跃度，得到所述第二特征数据。
N目标活跃度＝N第二特征数据e-λΔt1
其中，N目标活跃度是所述目标活跃度，λ是所述时间衰减因子，e是自然对数，Δt1是预先存储所述目标活跃度时采集数据的时间与所述当前时间的间隔。
这样，上述公式以所述第二特征数据N第二特征数据为未知数，即可基于时间衰减因子对所述目标活跃度进行处理，进而得到更加符合自然规律的所述第二特征数据。
所述获取单元113获取配置传感器采集的第三特征数据。
在本发明的至少一个实施例中，所述配置传感器包括，但不限于以下一种或者多种的组合：
加速度传感器、陀螺仪、温度传感器、光传感器、压力传感器、磁力计、红外线传感器等。
可以理解的是，对应于不同的传感器，所述第三特征数据也有所不同。
例如：所述压力传感器对应的第三特征数据为压力值，所述温度传感器对应的第三特征数据为触摸面积等。
通过上述实施方式，所述采集单元110能够通过不同的传感器，进一步采集到每个用户在所述目标应用程序上所独有的、不同的特征数据。例如：用户在进行点击操作时，手指对屏幕的压力，手指与屏幕的接触面积，滑动的屏幕轨迹坐标，以及手指按下与抬起的时间间隔等。
进一步地，不仅能够丰富所述第三特征数据的维度，还能从另一个角度丰富后续的多维特征，使用户特征数据更加全面。
所述处理单元116对所述第一特征数据、所述第二特征数据及所述第三特征数据做归一化处理，得到多维特征。
可以理解的是，所述第一特征数据、所述第二特征数据及所述第三特征数据的采集方式是不同的，因此，所述第一特征数据、所述第二特征数据及所述第三特征数据并不在同一维度上，而为了方便后续使用，所述处理单元116需要对所述第一特征数据、所述第二特征数据及所述第三特征数据做归一化处理，以得到属于同一维度的多维数据。
优选地，所述处理单元116对所述第一特征数据、所述第二特征数据及所述第三特征数据做归一化处理，得到多维特征包括：
(1)所述处理单元116对所述第一特征数据、所述第二特征数据及所述第三特征数据做Z-score标准化处理。
通过上述实施方式，能够将所述第一特征数据、所述第二特征数据及所述第三特征数据转换为[0，1]之间的小数。
(2)所述处理单元116对所述第一特征数据、所述第二特征数据及所述第三特征数据做min-max标准化处理。
通过上述实施方式，能够将所述第一特征数据、所述第二特征数据及所述第三特征数据转换为无量纲形式。
当然，在其他实施例中，所述处理单元116还可以采用其他归一化方式，本发明在此不作限制。
在本发明的至少一个实施例中，在得到多维特征后，所述方法还包括：
输入单元121将所述多维特征输入到预先训练的风险预测模型中，得到预测数据，当所述预测数据显示有风险时，发送单元122发出警报。
其中，所述风险预测模型可以包括任意支持多维数据的模型，如Tensorflow深度学习框架工具等。
例如：当所述输入单元121将所述多维特征输入到所述风险预测模型后，当显示有风险时，则可能出现类似于机器刷单等非正常行为，所述发送单元122及时发出报警，便于进行风险确认。
在本发明的至少一个实施例中，在得到多维特征后，所述方法还包括：
所述输入单元121将所述多维特征输入到预先训练的用户认证模型中，得到认证数据，当所述认证数据显示用户未通过认证时，限制单元123限制所述用户的访问权限。
其中，所述用户认证模型可以包括任意支持多维数据的模型，如Tensorflow深度学习框架工具等。
例如：当所述输入单元121将所述多维特征输入到所述用户认证模型后，当显示用户未通过认证时，则可能有其他人冒充所述用户进行程序的登陆，所述限制单元123限制所述用户的访问权限，以便保护所述用户的隐私。
由以上技术方案可以看出，本发明当接收到特征构建指令时，基于埋点技术采集目标应用程序的历史访问数据，进而有针对性的快速采集数据，检测所述目标应用程序的当前访问数据，采用K-L散度算法，计算所述历史访问数据及所述当前访问数据的相似度，得到第一特征数据，进一步获取当前时间，并确定所述当前时间所属的目标时间分片，从预先存储的活跃度数据中调取与所述目标时间分片对应的目标活跃度，基于时间衰减因子处理所述目标活跃度，得到第二特征数据，由于时间衰减因子的引入，使所述第二特征数据更加符合自然规律，且更加准确，进一步获取配置传感器采集的第三特征数据，并对所述第一特征数据、所述第二特征数据及所述第三特征数据做归一化处理，得到属于同一维度的多维特征，使用户特征的刻画更加全面，且具有更高的灵活性。
如图3所示，是本发明实现多维特征构建方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如多维特征构建程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个多维特征构建方法实施例中的步骤，例如图1所示的步骤S10、S11、S12、S13、S14、S15、S16、S17、S18。
或者，所述处理器13执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如：当接收到特征构建指令时，基于埋点技术采集目标应用程序的历史访问数据；检测所述目标应用程序的当前访问数据；采用K-L散度算法，计算所述历史访问数据及所述当前访问数据的相似度，得到第一特征数据；获取当前时间；确定所述当前时间所属的目标时间分片；从预先存储的活跃度数据中调取与所述目标时间分片对应的目标活跃度；基于时间衰减因子处理所述目标活跃度，得到第二特征数据；获取配置传感器采集的第三特征数据；对所述第一特征数据、所述第二特征数据及所述第三特征数据做归一化处理，得到多维特征。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如，所述计算机程序可以被分割成采集单元110、检测单元111、计算单元112、获取单元113、确定单元114、调取单元115、处理单元116、建立单元117、埋点单元118、监控单元119、分片单元120、输入单元121、发送单元122、限制单元123以及保存单元124。
所述存储器12可用于存储所述计算机程序和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机程序和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据(比如音频数据)等。此外，存储器12可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是集成电路中没有实物形式的具有存储功能的电路，如FIFO(First InFirst Out，)等。或者，所述存储器12也可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种多维特征构建方法，所述处理器13可执行所述多个指令从而实现：当接收到特征构建指令时，基于埋点技术采集目标应用程序的历史访问数据；检测所述目标应用程序的当前访问数据；采用K-L散度算法，计算所述历史访问数据及所述当前访问数据的相似度，得到第一特征数据；获取当前时间；确定所述当前时间所属的目标时间分片；从预先存储的活跃度数据中调取与所述目标时间分片对应的目标活跃度；基于时间衰减因子处理所述目标活跃度，得到第二特征数据；获取配置传感器采集的第三特征数据；对所述第一特征数据、所述第二特征数据及所述第三特征数据做归一化处理，得到多维特征。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种多维特征构建方法，其特征在于，所述方法包括：
当接收到特征构建指令时，基于埋点技术采集目标应用程序的历史访问数据；
检测所述目标应用程序的当前访问数据；
采用K-L散度算法，计算所述历史访问数据及所述当前访问数据的相似度，得到第一特征数据；
获取当前时间；
确定所述当前时间所属的目标时间分片；
从预先存储的活跃度数据中调取与所述目标时间分片对应的目标活跃度；
基于时间衰减因子处理所述目标活跃度，得到第二特征数据；
获取配置传感器采集的第三特征数据；
对所述第一特征数据、所述第二特征数据及所述第三特征数据做归一化处理，得到多维特征。
2.如权利要求1所述的多维特征构建方法，其特征在于，在基于埋点技术采集目标应用程序的历史访问数据前，所述方法还包括：
获取所述目标应用程序的所有图标；
确定所述所有图标中每个图标的页面编码、区域编码及内容编码；
以每个图标的页面编码、区域编码及内容编码为每个图标建立标识；
根据每个图标的标识进行埋点。
3.如权利要求1所述的多维特征构建方法，其特征在于，所述采用K-L散度算法，计算所述历史访问数据及所述当前访问数据的相似度，得到第一特征数据包括：
将所述历史访问数据作为原始分布，及将所述当前访问数据作为近似分布；
计算所述原始分布及所述近似分布的相对熵，得到所述第一特征数据。
4.如权利要求1所述的多维特征构建方法，其特征在于，在确定所述当前时间所属的目标时间分片前，所述方法还包括：
在预设时间范围内，监控所述目标应用程序的活跃参数；
对所述活跃参数进行处理，得到不同级别的活跃度；
以所述不同级别的活跃度为基准，对所述预设时间范围内的时间进行分片。
5.如权利要求1所述的多维特征构建方法，其特征在于，在基于时间衰减因子处理所述目标活跃度前，所述方法还包括：
获取配置的历史活跃度NHistory及配置的标准活跃度Ncurrent；
计算所述历史活跃度NHistory与所述标准活跃度Ncurrent的间隔时间Δt；
根据下述公式计算所述时间衰减因子：
NHistory＝Ncurrente-λΔt
其中，e是自然对数，λ是所述时间衰减因子。
6.如权利要求1所述的多维特征构建方法，其特征在于，在得到多维特征后，所述方法还包括：
将所述多维特征输入到预先训练的风险预测模型中，得到预测数据；
当所述预测数据显示有风险时，发出警报。
7.如权利要求1所述的多维特征构建方法，其特征在于，在得到多维特征后，所述方法还包括：
将所述多维特征输入到预先训练的用户认证模型中，得到认证数据；
当所述认证数据显示用户未通过认证时，限制所述用户的访问权限。
8.一种多维特征构建装置，其特征在于，所述装置包括：
采集单元，用于当接收到特征构建指令时，基于埋点技术采集目标应用程序的历史访问数据；
检测单元，用于检测所述目标应用程序的当前访问数据；
计算单元，用于采用K-L散度算法，计算所述历史访问数据及所述当前访问数据的相似度，得到第一特征数据；
获取单元，用于获取当前时间；
确定单元，用于确定所述当前时间所属的目标时间分片；
调取单元，用于从预先存储的活跃度数据中调取与所述目标时间分片对应的目标活跃度；
处理单元，用于基于时间衰减因子处理所述目标活跃度，得到第二特征数据；
所述获取单元，还用于获取配置传感器采集的第三特征数据；
所述处理单元，还用于对所述第一特征数据、所述第二特征数据及所述第三特征数据做归一化处理，得到多维特征。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的多维特征构建方法。
10.一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至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的多维特征构建方法。
CN201910882077.9A 2019-09-18 2019-09-18 多维特征构建方法、装置、电子设备及存储介质 Active CN110825818B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910882077.9A CN110825818B (zh) 2019-09-18 2019-09-18 多维特征构建方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910882077.9A CN110825818B (zh) 2019-09-18 2019-09-18 多维特征构建方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN110825818A CN110825818A (zh) 2020-02-21
CN110825818B true CN110825818B (zh) 2023-06-27

Family

ID=69548007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910882077.9A Active CN110825818B (zh) 2019-09-18 2019-09-18 多维特征构建方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN110825818B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111581305B (zh) * 2020-05-18 2023-08-08 抖音视界有限公司 特征处理方法、装置、电子设备和介质
CN113806656B (zh) * 2020-06-17 2024-04-26 华为技术有限公司 确定用户的特征的方法、设备及计算机可读介质
CN111753293B (zh) * 2020-06-29 2022-08-02 苏州浪潮智能科技有限公司 一种操作行为监测方法、装置及电子设备和存储介质
CN112085323A (zh) * 2020-07-30 2020-12-15 北京明略软件系统有限公司 基于活跃度指标的关联可信度评估方法和装置
CN112612826B (zh) * 2020-12-21 2024-02-06 北京达佳互联信息技术有限公司 数据处理方法和装置
CN113347094B (zh) * 2021-06-22 2022-05-20 深圳壹账通智能科技有限公司 分片路由方法、装置、设备及存储介质
CN113449309B (zh) * 2021-06-28 2023-10-27 平安银行股份有限公司 终端安全状态识别方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106504099A (zh) * 2015-09-07 2017-03-15 国家计算机网络与信息安全管理中心 一种构建用户画像的系统
CN106682770A (zh) * 2016-12-14 2017-05-17 重庆邮电大学 一种基于好友圈子的动态微博转发行为预测系统及方法
CN108228270A (zh) * 2016-12-19 2018-06-29 腾讯科技（深圳）有限公司 启动资源加载方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106504099A (zh) * 2015-09-07 2017-03-15 国家计算机网络与信息安全管理中心 一种构建用户画像的系统
CN106682770A (zh) * 2016-12-14 2017-05-17 重庆邮电大学 一种基于好友圈子的动态微博转发行为预测系统及方法
CN108228270A (zh) * 2016-12-19 2018-06-29 腾讯科技（深圳）有限公司 启动资源加载方法及装置

Also Published As

Publication number Publication date
CN110825818A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
CN110825818B (zh) 多维特征构建方法、装置、电子设备及存储介质
US20220327409A1 (en) Real Time Detection of Cyber Threats Using Self-Referential Entity Data
CN111082966B (zh) 基于批量告警事件的定位方法、装置、电子设备及介质
CN111786950B (zh) 基于态势感知的网络安全监控方法、装置、设备及介质
CN111274583A (zh) 一种大数据计算机网络安全防护装置及其控制方法
CN107305611B (zh) 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置
CN109040970B (zh) 基于云计算的业务规划办理方法及终端设备
CN112596990B (zh) 告警风暴的处理方法、装置及终端设备
US11074652B2 (en) System and method for model-based prediction using a distributed computational graph workflow
CN111400357A (zh) 一种识别异常登录的方法和装置
CN111814646B (zh) 基于ai视觉的监控方法、装置、设备及介质
CN104348810A (zh) 被盗帐号的检测方法、装置及系统
CN113050900B (zh) 屏幕分享方法、装置、设备及存储介质
CN112291277B (zh) 一种恶意软件检测方法、装置、设备及存储介质
CN112948614A (zh) 图像处理方法、装置、电子设备及存储介质
CN109951449A (zh) 一种异常登录检测方法、装置、电子设备及存储介质
CN111221722B (zh) 行为检测方法、装置、电子设备及存储介质
CN111064719B (zh) 文件异常下载行为的检测方法及装置
CN109886239B (zh) 人像聚类方法、装置及系统
CN114157480A (zh) 网络攻击方案的确定方法、装置、设备和存储介质
CN111783677B (zh) 人脸识别方法、装置、服务器和计算机可读介质
JP2022003526A (ja) 情報処理装置、検出システム、情報処理方法、及びプログラム
CN110995687B (zh) 一种猫池设备识别方法、装置、设备及存储介质
CN110019374B (zh) 基于特征的数据项处理方法、装置、存储介质及计算机设备
CN113746780A (zh) 基于主机画像的异常主机检测方法、装置、介质和设备

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