CN111147431A

CN111147431A - 用于生成信息的方法和装置

Info

Publication number: CN111147431A
Application number: CN201811314577.4A
Authority: CN
Inventors: 李欣; 王晓勤; 罗尚勇
Original assignee: Beijing Jingdong Century Trading Co Ltd; Beijing Jingdong Shangke Information Technology Co Ltd
Current assignee: Beijing Jingdong Century Trading Co Ltd; Beijing Jingdong Shangke Information Technology Co Ltd
Priority date: 2018-11-06
Filing date: 2018-11-06
Publication date: 2020-05-12
Anticipated expiration: 2038-11-06
Also published as: CN111147431B

Abstract

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：响应于接收到终端设备发送的用户标识和点击信息，用所收到的用户标识和点击信息以及当前时间生成当前用户点击信息并添加到用户点击信息序列中；将用户点击信息序列中用户标识为所收到的用户标识，且点击时间为从当前时间开始往前预设时长内的用户点击信息组成的序列确定为目标用户点击信息序列；对目标用户点击信息序列进行特征提取，得到目标用户点击信息序列特征向量；将目标用户点击信息序列特征向量输入预先训练的贝叶斯信念网络，得到所收到的用户标识所指示的用户为预设类型用户的概率。该实施方式实现了实时确定终端设备的用户是预设类型用户的概率。

Description

用于生成信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于生成信息的方法和装置。

背景技术

目前，存在恶意用户(例如，黄牛、恶意经销商等)利用模拟器、软件下单等手段模拟用户访问网站行为，实现批量操作(例如，批量生成订单或者批量发布虚假评价信息)，破坏了网站的正常运营(例如，对于电商网站，恶意用户的这种行为大量抢占了优质商品资源，破坏正常交易秩序，实现恶意攻击电商网站及非法牟利的目的)。为此，需要识别哪些用户访问网站的行为是正常用户行为，哪些用户访问网站的行为是非正常用户行为(也称作恶意用户行为)。

发明内容

本申请实施例提出了用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：响应于接收到终端设备发送的用户标识和点击信息，用所收到的用户标识和点击信息以及当前时间生成当前用户点击信息并添加到用户点击信息序列中，用户点击信息包括用户标识、点击信息和点击时间；将用户点击信息序列中用户标识为所收到的用户标识，且点击时间为从当前时间开始往前预设时长内的用户点击信息组成的序列确定为目标用户点击信息序列；对目标用户点击信息序列进行特征提取，得到预设维数的目标用户点击信息序列特征向量；将目标用户点击信息序列特征向量输入预先训练的贝叶斯信念网络，得到所收到的用户标识所指示的用户为预设类型用户的概率，其中，贝叶斯信念网络用于表征预设维数的特征向量与概率之间的对应关系。

在一些实施例中，对目标用户点击信息序列进行特征提取，得到预设维数的目标用户点击信息序列特征向量，包括：对目标用户点击信息序列进行特征提取，得到初始特征向量；对初始特征向量进行标准化处理，得到目标用户点击信息序列特征向量。

在一些实施例中，贝叶斯信念网络是通过如下训练步骤得到的：获取历史用户点击信息序列；对于历史用户标识集合中的每个用户标识，按照点击时间以预设时长为周期，对于历史用户点击信息序列中用户标识为该用户标识的各个历史用户点击信息进行划分，得到与该用户标识对应的至少一个历史用户点击信息子序列，其中，历史用户标识集合包括历史用户点击信息序列所包括的各个用户标识；对于历史用户标识集合中的每个用户标识对应的至少一个历史用户点击信息子序列中的每个历史用户点击信息子序列，执行以下标注和特征提取操作：确定该历史用户点击信息子序列对应的标注结果，标注结果包括用于表征非预设类型用户点击信息序列的正样本标签和用于表征预设类型用户点击信息序列的负样本标签；对该历史用户点击信息子序列进行特征提取，得到与该历史用户点击信息子序列对应的点击信息序列特征向量；将所得到的点击信息序列特征向量和所确定的标注结果作为训练样本对应存储在训练样本集中；分别将训练样本集中的训练样本中的点击信息序列特征向量和标注结果作为初始贝叶斯信念网络的输入和期望输出，利用机器学习方法训练得到贝叶斯信念网络。

在一些实施例中，点击信息包括点击坐标；以及确定该历史用户点击信息子序列对应的标注结果，包括：将该历史用户点击信息子序列中点击时间在同一时间窗口内的历史用户点击信息中的点击信息中的点击坐标合并，得到与该历史用户点击信息子序列和各时间窗口对应的点击坐标集，以及按照对应的时间窗口的时间先后顺序，用所得到的与各个点击坐标集生成与该历史用户点击信息子序列对应的点击坐标集序列；对于历史用户标识集合中的每个历史用户标识，将与该用户标识对应的至少一个历史用户点击信息子序列中每个历史用户点击信息子序列对应的点击坐标集序列确定为与该用户标识对应的至少一个点击坐标集序列；用历史用户标识集合中各个历史用户标识对应的点击坐标集序列生成点击坐标集序列样本集；对点击坐标集序列样本集进行序列模式挖掘，得到频繁点击坐标集序列集；对于历史用户标识集合中的每个用户标识，确定该用户标识对应的至少一个点击坐标集序列中是否包括频繁点击坐标集序列集中的点击坐标集序列；响应于确定是，将该用户标识对应的至少一个历史用户点击信息子序列中的每个历史用户点击信息子序列的标注结果确定为负样本标签；响应于确定否，将该用户标识对应的至少一个历史用户点击信息子序列中的每个历史用户点击信息子序列的标注结果确定为正样本标签。

在一些实施例中，点击信息还包括以下至少一项：浏览器信息、终端设备信息、访问IP地址、所点击的页面元素标识、鼠标/手指移动距离、鼠标/手指移动像素数量、鼠标/手指移动直线段数量、触控点数、页面跳转信息、鼠标/手指移动速度、鼠标/手指轨迹坐标横向速度、鼠标/手指轨迹坐标纵向速度、鼠标/手指轨迹坐标横向加速度、鼠标/手指轨迹坐标纵向加速度、是否页面刷新操作、是否有屏幕滚动、是否有输入行为、输入行为对应的页面元素标识、输入行为对应的页面元素坐标。

在一些实施例中，对目标用户点击信息序列进行特征提取，得到初始特征向量，包括：提取目标用户点击信息序列的以下至少一项特征作为初始特征向量中的特征分量：点击信息个数、单点控操作总次数、移动速度标准差、平均移动速度、最大移动速度、最小移动速度、移动距离和、移动的总次数、滚动的总次数、移动像素总和、移动像素最大值、移动像素最小值、移动直线点总和、移动直线点最大值、移动直线点最小值、单点控的次数、多点控的次数、鼠标/手指轨迹坐标横向速度平均值、鼠标/手指轨迹坐标横向加速度平均值、鼠标/手指轨迹坐标纵向速度平均值、鼠标/手指轨迹坐标纵向加速度平均值、鼠标/手指滑动纵向距离、鼠标/手指滑动横向距离、鼠标/手指活动面积、输入行为次数、输入行为对应的页面元素标识集合、输入行为对应的页面元素坐标集合、页面刷新次数和页面停留时间。

在一些实施例中，该方法还包括：确定所得到的概率是否大于预设概率阈值；响应于确定大于，生成用于指示所收到的用户标识所指示的用户为预设类型用户的提示信息，以及将提示信息发送给终端设备；响应于确定不大于，执行所收到的点击信息所指示的页面点击操作所关联的操作。

第二方面，本申请实施例提供了一种用于生成信息的装置，该装置包括：信息添加单元，被配置成响应于接收到终端设备发送的用户标识和点击信息，用所收到的用户标识和点击信息以及当前时间生成当前用户点击信息并添加到用户点击信息序列中，用户点击信息包括用户标识、点击信息和点击时间；序列确定单元，被配置成将用户点击信息序列中用户标识为所收到的用户标识，且点击时间为从当前时间开始往前预设时长内的用户点击信息组成的序列确定为目标用户点击信息序列；特征提取单元，被配置成对目标用户点击信息序列进行特征提取，得到预设维数的目标用户点击信息序列特征向量；概率确定单元，被配置成将目标用户点击信息序列特征向量输入预先训练的贝叶斯信念网络，得到所收到的用户标识所指示的用户为预设类型用户的概率，其中，贝叶斯信念网络用于表征预设维数的特征向量与概率之间的对应关系。

在一些实施例中，特征提取单元包括：特征提取模块，被配置成对目标用户点击信息序列进行特征提取，得到初始特征向量；标准化模块，被配置成对初始特征向量进行标准化处理，得到目标用户点击信息序列特征向量。

在一些实施例中，特征提取模块进一步用于：提取目标用户点击信息序列的以下至少一项特征作为初始特征向量中的特征分量：点击信息个数、单点控操作总次数、移动速度标准差、平均移动速度、最大移动速度、最小移动速度、移动距离和、移动的总次数、滚动的总次数、移动像素总和、移动像素最大值、移动像素最小值、移动直线点总和、移动直线点最大值、移动直线点最小值、单点控的次数、多点控的次数、鼠标/手指轨迹坐标横向速度平均值、鼠标/手指轨迹坐标横向加速度平均值、鼠标/手指轨迹坐标纵向速度平均值、鼠标/手指轨迹坐标纵向加速度平均值、鼠标/手指滑动纵向距离、鼠标/手指滑动横向距离、鼠标/手指活动面积、输入行为次数、输入行为对应的页面元素标识集合、输入行为对应的页面元素坐标集合、页面刷新次数和页面停留时间。

在一些实施例中，该装置还包括：概率比较单元，被配置成确定所得到的概率是否大于预设概率阈值；信息提示单元，被配置成响应于确定大于，生成用于指示所收到的用户标识所指示的用户为预设类型用户的提示信息，以及将提示信息发送给终端设备；操作执行单元，被配置成响应于确定不大于，执行所收到的点击信息所指示的页面点击操作所关联的操作。

第三方面，本申请实施例提供了一种服务器，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请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，其中，该计算机程序被一个或多个处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于生成信息的方法和装置，通过首先将从终端设备收到的用户标识和点击信息以及当前时间生成当前用户点击信息并添加到用户点击信息序列中。然后，将用户点击信息序列中用户标识为所收到的用户标识，且点击时间为从当前时间开始往前预设时长内的用户点击信息组成的序列确定为目标用户点击信息序列。再，对目标用户点击信息序列进行特征提取，得到目标用户点击信息序列特征向量。最后，将目标用户点击信息序列特征向量输入预先训练的贝叶斯信念网络，得到所收到的用户标识所指示的用户为预设类型用户的概率。从而有效利用了用户在过去预设时长在内的点击数据和预先训练的贝叶斯信念网络，实现了实时根据终端设备的用户访问网站的行为，确定终端设备的用户是预设类型用户(比如，恶意用户)的概率，为后续是否拦截用户操作提供依据。

附图说明

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

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成信息的方法的一个实施例的流程图；

图3是根据本申请的训练贝叶斯信念网络的训练步骤的一个实施例的流程图；

图4是根据本申请的用于生成信息的方法的一个应用场景的示意图；

图5是根据本申请的用于生成信息的方法的又一个实施例的流程图；

图6是根据本申请的用于生成信息的装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

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

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

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供网页访问服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的网页提供支持的后台网页服务器。后台网页服务器可以对接收到的网页页面请求等数据进行分析等处理，并将处理结果(例如网页页面数据)反馈给终端设备。后台网页服务器还可以对终端设备上显示的网页中所布置的埋点程序提供支持，接收终端设备上显示的网页中所布置的埋点所采集的用户标识和点击信息，并对所收到的用户标识和点击信息进行分析等处理，并提供处理结果(例如，所收到的用户标识所指示的用户为预设类型用户的概率)。

需要说明的是，本申请实施例所提供的用于生成信息的方法一般由服务器105执行，相应地，用于生成信息的装置一般设置于服务器105中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供网站管理服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

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

步骤201，响应于接收到终端设备发送的用户标识和点击信息，用所收到的用户标识和点击信息以及当前时间生成当前用户点击信息并添加到用户点击信息序列中。

在本实施例中，用户可以使用终端设备访问网页，网页中可以布置有埋点程序。埋点程序可以采集用户使用终端设备点击网页所产生的各种数据，包括用户登录网页所属的网站所用的用户标识以及点击过程的各种相关信息，即点击信息。

在本实施例的一些可选的实现方式中，点击信息可以包括点击坐标。

在本实施例的一些可选的实现方式中，点击信息还可以包括以下至少一项：浏览器信息、终端设备信息、访问IP地址、所点击的页面元素标识、鼠标/手指移动距离、鼠标/手指移动像素数量、鼠标/手指移动像素数量、鼠标/手指移动直线段数量、触控点数、页面跳转信息、鼠标/手指移动速度、鼠标/手指轨迹坐标横向速度、鼠标/手指轨迹坐标纵向速度、鼠标/手指轨迹坐标横向加速度、鼠标/手指轨迹坐标纵向加速度、是否页面刷新操作、是否有屏幕滚动、是否有输入行为、输入行为对应的页面元素标识、输入行为对应的页面元素坐标。

其中：

浏览器信息是用于对终端设备上安装的浏览器进行描述的各种信息。比如浏览器信息可以包括浏览器标识、浏览器名称、浏览器版本等等。

终端设备信息是对终端设备进行描述的信息。比如，终端设备信息可以包括终端设备类型、终端设备厂家、终端设备型号、终端设备所安装的操作系统信息等等。

访问IP地址是指终端设备连接网络所使用的IP地址。

鼠标/手指移动距离是指本次点击坐标与上次点击坐标间的距离。

鼠标/手指移动像素数量是指本次点击到上次点击之间移动了多少个像素点。

鼠标/手指移动直线段数量是指从上次点击坐标到本次点击坐标中所经过的直线段的数量。具体可以举例如下：设上次点击坐标为A点，本次点击坐标为B点，如果在上次点击和本次点击过程中，鼠标/手指没有经过任何其他点，那么本次点击操作对应的鼠标/手指移动直线段数量就是0。如果在上次点击和本次点击过程中鼠标/手指还依次经过了C点、D点和E点，如果C点、D点和E点不在同一条直线上，这时，本次点击操作对应的鼠标/手指移动直线段数量就是2。这里，记录这个数值是为了找到模拟人的操作的行为。正常情况下，如果是是人在操作的话，两点间会绕一些弯路，肯定是有些滑动的，即，不会直接从A点到B点，即鼠标/手指移动直线段数量不会为0，而模拟操作的话就可能直接从A点到B点，从而鼠标/手指移动直线段数量可能会为0。

触控点数是指同时点击/触控屏幕的手指数。

页面跳转信息可以包括本次点击之前所显示的页面的页面标识(例如，统一资源定位符)和本次点击之后将跳转到的页面的页面标识(例如，统一资源定位符)。

鼠标/手指移动速度是指用鼠标/手指移动距离除以本次点击与上次点击之间的时间差所得到的速度。

鼠标/手指轨迹坐标横向速度是指鼠标/手指横向移动距离除以本次点击与上次点击之间的时间差所得到的速度，其中，鼠标/手指横向移动距离是本次点击坐标中的横坐标与上次点击坐标中的横坐标之间的距离。

鼠标/手指轨迹坐标纵向速度是指鼠标/手指纵向移动距离除以本次点击与上次点击之间的时间差所得到的速度，其中，鼠标/手指纵向移动距离是本次点击坐标中的纵坐标与上次点击坐标中的纵坐标之间的距离。

鼠标/手指轨迹坐标横向加速度是指本次点击操作对应的鼠标/手指轨迹坐标横向速度与上次点击操作对应的鼠标/手指轨迹坐标横向速度的差，除以本次点击与上次点击之间的时间差所得到的加速度。

鼠标/手指轨迹坐标纵向加速度是指本次点击操作对应的鼠标/手指轨迹坐标纵向速度与上次点击操作对应的鼠标/手指轨迹坐标纵向速度的差，除以本次点击与上次点击之间的时间差所得到的加速度。

是否页面刷新操作是指用户是否刷新页面后即离开页面。

是否有屏幕滚动是指用户是否滚动了屏幕。

是否有输入行为是指用户是否输入了信息。

输入行为对应的页面元素标识指用户输入信息时所使用的页面元素的页面元素标识。

输入行为对应的页面元素坐标是指用户输入信息时点击页面元素的坐标。

在用户使用终端设备点击了布置有上述埋点程序的页面时，埋点程序会采集用户标识和点击信息，然后终端设备会将埋点程序采集的用户标识和点击信息发送给对上述页面提供支持的服务器。

这样，在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行网页浏览的终端设备接收用户标识和点击信息，并在接收到用户标识和点击信息后，用所收到的用户标识和点击信息以及当前时间生成当前用户点击信息，并将所生成的当前用户点击信息添加到用户点击信息序列中。

这里，上述执行主体本地可以存储有用户点击信息序列。用户点击信息序列中的用户点击信息可以包括用户标识、点击信息和点击时间。用户点击信息序列可以按照点击时间从前到后的顺序排列。

步骤202，将用户点击信息序列中用户标识为所收到的用户标识，且点击时间为从当前时间开始往前预设时长内的用户点击信息组成的序列确定为目标用户点击信息序列。

在本实施例中，步骤201中已经将最近收到的用户标识和点击信息以及收到用户标识和点击信息的时间作为当前用户点击信息添加到了用户点击信息序列中，为了确定所收到的用户标识所指示的用户是预设类型用户的概率，这里，可以将用户点击信息序列中用户标识为所收到的用户标识，且点击时间为从当前时间开始往前预设时长内的用户点击信息组成的序列确定为目标用户点击信息序列。

这里，预设时长可以是技术人员根据网站实际所运营的业务需要而预先设定的。例如，对于电商类网站可以将预设时长设置为1天，对于社交类网站可以将预设时长设置为1周。可以理解的是，预设时长也可以根据需要进行修改。

步骤203，对目标用户点击信息序列进行特征提取，得到预设维数的目标用户点击信息序列特征向量。

在本实施例中，用于生成信息的方法的执行主体可以采用各种特征提取方法对目标用户点击信息序列进行特征提取，得到预设维数的目标用户点击信息序列特征向量。

这里，目标用户点击信息序列也是由按照点击时间从前到后的顺序排列的至少一个用户点击信息组成的。

在本实施例的一些可选的实现方式中，步骤203可以如下进行：

首先，可以对目标用户点击信息序列进行特征提取，得到初始特征向量。

可选地，可以提取目标用户点击信息序列的以下至少一项特征作为初始特征向量中的特征分量：点击信息个数、单点控操作总次数、移动速度标准差、平均移动速度、最大移动速度、最小移动速度、移动距离和、移动的总次数、滚动的总次数、移动像素总和、移动像素最大值、移动像素最小值、移动直线点总和、移动直线点最大值、移动直线点最小值、单点控的次数、多点控的次数、鼠标/手指轨迹坐标横向速度平均值、鼠标/手指轨迹坐标横向加速度平均值、鼠标/手指轨迹坐标纵向速度平均值、鼠标/手指轨迹坐标纵向加速度平均值、鼠标/手指滑动纵向距离、鼠标/手指滑动横向距离、鼠标/手指活动面积、输入行为次数、输入行为对应的页面元素标识集合、输入行为对应的页面元素坐标集合、页面刷新次数和页面停留时间。

其中：

点击信息个数是指目标用户点击信息序列中用户点击信息的数目。

单点控操作总次数是指目标用户点击信息序列中单点控用户点击信息的数目，其中，单点控用户点击信息是指目标用户点击信息序列中该单点控用户点击信息中的点击信息中的点击坐标与目标用户点击信息序列中与该单点控用户点击信息相邻的前一用户点击信息中的点击坐标相同。即，如果用户两次点击在同一位置，表明这是同一次点击，将这样的点击操作称为单点控操作。

移动速度标准差是指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中的鼠标/手指移动速度的标准差。

平均移动速度是指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中的鼠标/手指移动速度的平均速度。

最大移动速度是指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中的鼠标/手指移动速度中的最大速度。

最小移动速度是指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中的鼠标/手指移动速度中的最小速度。

移动距离和是指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中的鼠标/手指移动距离之和。

移动的总次数是指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中鼠标/手指移动距离不为零的用户点击信息的数目。

滚动的总次数是指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中有屏幕滚动的数目。

移动像素总和是指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中鼠标/手指移动像素数量之和。

移动像素最大值是指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中鼠标/手指移动像素数量中的最大值。

移动像素最小值是指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中鼠标/手指移动像素数量中的最小值。

移动直线点总和是指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中鼠标/手指移动直线段数量之和。

移动直线点最大值移动像素总和是指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中鼠标/手指移动直线段数量的最大值。

移动直线点最小值移动像素总和是指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中鼠标/手指移动直线段数量的最小值。

单点控的次数是指目标用户点击信息序列中触控点数为1的用户点击信息的数目。

多点控的次数是指目标用户点击信息序列中触控点数大于1的用户点击信息的数目。

鼠标/手指轨迹坐标横向速度平均值是指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中鼠标/手指轨迹坐标横向速度的平均值。

鼠标/手指轨迹坐标横向加速度平均值是指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中鼠标/手指轨迹坐标横向加速度的平均值。

鼠标/手指轨迹坐标纵向速度平均值是指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中鼠标/手指轨迹坐标纵向速度的平均值。

鼠标/手指轨迹坐标纵向加速度平均值是指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中鼠标/手指轨迹坐标纵向加速度的平均值。

鼠标/手指滑动纵向距离是指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中点击坐标中纵向坐标的最大值减去纵向坐标的最小值所得的距离。

鼠标/手指滑动横向距离指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中点击坐标中横向坐标的最大值减去横向坐标的最小值所得的距离。

鼠标/手指活动面积指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中点击坐标所围成的多边形的面积。

输入行为次数是指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中有输入行为的次数。

输入行为对应的页面元素标识集合指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中输入行为对应的页面元素标识的集合。

输入行为对应的页面元素坐标集合指目标用户点击信息序列中排除单点控用户点击信息后，各个用户点击信息中输入行为对应的页面元素坐标的集合。

页面刷新次数指目标用户点击信息序列中是页面刷新操作的用户点击信息的次数。

页面停留时间指目标用户点击信息序列中最后一个用户点击信息中的点击时间与第一个用户点击信息中的点击时间之间的时间差。

然后，可以对初始特征向量进行标准化处理，得到目标用户点击信息序列特征向量。

这里可以采用各种标准化处理方法，例如最小-最大标准化(Min-maxnormalization)，log函数转换，atan函数转换，z-score标准化(zero-menanormalization)，模糊量化法等等。

按照上述先提取特征再标准化处理的方法所得到的特征向量，可以解决不同类型终端设备、不同类型浏览器分辨率等所带来的差异。

步骤204，将目标用户点击信息序列特征向量输入预先训练的贝叶斯信念网络，得到所收到的用户标识所指示的用户为预设类型用户的概率。

在本实施例中，由于目标用户点击信息序列特征向量是对所收到的用户标识所指示的用户在当前时间之前预设时长内的点击信息进行特征提取所得到的特征向量，因此，这里，上述执行主体可以将步骤203所得到的目标用户点击信息序列特征向量输入预先训练的贝叶斯信念网络，得到所收到的用户标识所指示的用户为预设类型用户的概率。

需要说明的是，这里，贝叶斯信念网络用于表征预设维数的特征向量与概率之间的对应关系。

这里，贝叶斯信念网络可以包括有向无环图(DAG，Directed Acyclic Graph)和条件概率表集合，其中，有向无环图中的各个节点可以是预设维数的特征向量中的特征分量。

作为示例，贝叶斯信念网络中的有向无环图和条件概率表集合可以是技术人员基于对大量的对历史用户点击信息序列进行特征提取所得到的特征向量和对应的概率值而制定的。

在本实施例的一些可选的实现方式中，贝叶斯信念网络也可以是通过训练步骤得到的。请参考图3，图3示出了根据本申请的预先训练贝叶斯信念网络的训练步骤的一个实施例的流程300。该训练步骤可以包括以下步骤301到步骤304：

步骤301，获取历史用户点击信息序列。

这里，训练步骤的执行主体可以与用于生成信息的方法的执行主体相同或者不同。如果相同，则训练步骤的执行主体可以在训练得到贝叶斯信念网络后将训练好的有向无环图和条件概率表集合存储在本地。如果不同，则训练步骤的执行主体可以在训练得到贝叶斯信念网络后将训练好的贝叶斯信念网络的有向无环图和条件概率表集合发送给用于生成信息的方法的执行主体。

这里，历史用户点击信息序列可以是训练步骤的执行主体中存储的由点击时间在当前时间之前、且按照点击时间从前到后的顺序排列的至少一个用户点击信息组成的。

步骤302，对于历史用户标识集合中的每个用户标识，按照点击时间以预设时长为周期，对于历史用户点击信息序列中用户标识为该用户标识的各个历史用户点击信息进行划分，得到与该用户标识对应的至少一个历史用户点击信息子序列。

这里，历史用户标识集合可以包括历史用户点击信息序列所包括的各个用户标识。

由于历史用户点击信息序列中的存在不同用户标识对应的点击信息和点击时间，这里可以按照用户标识的不同，对历史用户点击信息序列按照点击时间与预设时长为周期进行划分，以得到与历史用户标识集合中每个用户标识对应的至少一个历史用户点击信息子序列。

举例来说，假设历史用户点击信息序列中包括100个用户在一周内的点击信息，预设时长为1天。那么，经过步骤302，可以得到100个用户中每个用户在一周内每天的7个历史用户点击信息子序列，即，最终得到700个历史用户点击信息子序列，每个用户标识对应有7个历史用户点击信息子序列。

步骤303，对于历史用户标识集合中的每个用户标识对应的至少一个历史用户点击信息子序列中的每个历史用户点击信息子序列，执行标注和特征提取操作。

这里，可以继续延用上述举例，即对于上述所得到的700个历史用户点击信息子序列中的每个历史用户点击信息子序列，执行标注和特征提取操作。

这里，标注和特征提取操作可以包括子步骤3031到子步骤3033：

子步骤3031，确定该历史用户点击信息子序列对应的标注结果。

这里，训练步骤的执行主体可以采用各种实现方式确定该历史用户点击信息子序列对应的标注结果。例如，可以采用人工方式预先标注每个历史用户点击信息子序列对应的标注结果，则这里可以直接获取人工预先标注的结果即可。

其中，标注结果可以包括用于表征非预设类型用户(例如，正常用户)点击信息序列的正样本标签和用于表征预设类型用户(例如，恶意用户)点击信息序列的负样本标签。

实践中，正样本标签和负样本标签可以采用各种方式表示。例如，可以分别用“1”和“0”表示正样本标签和负样本标签，也可以分别用“TRUE”和“FALSE”表示正样本标签和负样本标签。

可选地，子步骤3031还可以如下进行：

第一步，将该历史用户点击信息子序列中点击时间在同一时间窗口内的历史用户点击信息中的点击信息中的点击坐标合并，得到与该历史用户点击信息子序列和各时间窗口对应的点击坐标集，以及按照对应的时间窗口的时间先后顺序，用所得到的与各个点击坐标集生成与该历史用户点击信息子序列对应的点击坐标集序列。

第二步，对于历史用户标识集合中的每个历史用户标识，将与该用户标识对应的至少一个历史用户点击信息子序列中每个历史用户点击信息子序列对应的点击坐标集序列确定为与该用户标识对应的至少一个点击坐标集序列。

第三步，用历史用户标识集合中各个历史用户标识对应的点击坐标集序列生成点击坐标集序列样本集。

第四步，对点击坐标集序列样本集进行序列模式挖掘，得到频繁点击坐标集序列集。

这里，可以采用各种序列模式挖掘算法，例如可以采用类Apriori算法。

第五步，对于历史用户标识集合中的每个用户标识，确定该用户标识对应的至少一个点击坐标集序列中是否包括频繁点击坐标集序列集中的点击坐标集序列。

第六步，响应于确定是，将该用户标识对应的至少一个历史用户点击信息子序列中的每个历史用户点击信息子序列的标注结果确定为负样本标签。

第七步，响应于确定否，将该用户标识对应的至少一个历史用户点击信息子序列中的每个历史用户点击信息子序列的标注结果确定为正样本标签。

上述可选实现方式中，采用了序列模式挖掘频繁序列模式，其基本思想是，如果不同的浏览器、不同的终端设备中经常会出现相同的序列模式，表明是预设类型的用户(例如，恶意用户)采用模拟器或者软件等批量操作所导致的，因此，用序列模式挖掘所得到的频繁序列模式对应的用户标识所指示的用户即为预设类型的用户(例如，恶意用户)，那么，这个用户之前的各个历史用户点击信息子序列对应的标注结果可以为负样本标签。用这种方法，可以减少人工标注的人力成本和时间成本。

子步骤3032，对该历史用户点击信息子序列进行特征提取，得到与该历史用户点击信息子序列对应的点击信息序列特征向量。

需要说明的是，这里对该历史用户点击信息子序列进行特征提取方法可以与步骤203中对目标用户点击信息序列进行特征提取的方法相同。

子步骤3033，将所得到的点击信息序列特征向量和所确定的标注结果作为训练样本对应存储在训练样本集中。

即，将子步骤3032中所得到的点击信息序列特征向量和步骤3031中所确定的标注结果作为训练样本对应存储在训练样本集中。

经过步骤303得到了训练样本集，其中，训练样本包括点击信息序列特征向量和对应的标注结果。

步骤304，分别将训练样本集中的训练样本中的点击信息序列特征向量和标注结果作为初始贝叶斯信念网络的输入和期望输出，利用机器学习方法训练得到贝叶斯信念网络。

这里，贝叶斯信念网络中的每一个节点表示预设维数的特征向量中的一维向量分量，而有向边表示向量分量间的条件依赖。条件概率表中的每一个元素对应有向无环图中唯一的节点，存储此节点对于其所有直接前驱节点的联合条件概率。

这里，训练贝叶斯信念网络的方法是目前广泛研究和应用的现有技术，在此不再赘述。作为示例，训练贝叶斯信念网络可以如下进行：

(1)、构造网络，确定特征向量各分量间的拓扑关系，形成有向无环图。这一步可以由领域专家与现制定或者由训练样本集中的训练样本得到。

(2)、训练贝叶斯信念网络。也就是完成条件概率表的构造。具体可以采用各种机器学习算法，例如可以采用梯度下降法来训练贝叶斯信念网络。

经过步骤301到步骤304可以训练得到贝叶斯信念网络。

继续参见图4，图4是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图4的应用场景中，用户使用终端设备401在所访问的网页上执行了点击操作；然后，终端设备将用户所执行的点击操作对应的点击信息402和用户标识403发送给网站服务器404；之后，网站服务器404可以用户标识403和点击信息402以及当前时间生成当前用户点击信息405并添加到用户点击信息序列406中；接着，网站服务器404将用户点击信息序列406中用户标识为用户标识403，且点击时间为从当前时间开始往前预设时长(比如1天)内的用户点击信息组成的序列确定为目标用户点击信息序列407；再之后，网站服务器404对目标用户点击信息序列407进行特征提取，得到目标用户点击信息序列特征向量408；最后，网站服务器404将目标用户点击信息序列特征向量408输入预先训练的贝叶斯信念网络409，得到用户标识403所指示的用户为预设类型用户的概率410。

本申请的上述实施例提供的方法通过首先将从终端设备收到的用户标识和点击信息以及当前时间生成当前用户点击信息并添加到用户点击信息序列中。然后，将用户点击信息序列中用户标识为所收到的用户标识，且点击时间为从当前时间开始往前预设时长内的用户点击信息组成的序列确定为目标用户点击信息序列。再，对目标用户点击信息序列进行特征提取，得到目标用户点击信息序列特征向量。最后，将目标用户点击信息序列特征向量输入预先训练的贝叶斯信念网络，得到所收到的用户标识所指示的用户为预设类型用户的概率。从而有效利用了用户在过去预设时长在内的点击数据和预先训练的贝叶斯信念网络，实现了实时根据终端设备的用户访问网站的行为，确定终端设备的用户是预设类型用户(比如，恶意用户)的概率，为后续是否拦截用户操作提供依据。

进一步参考图5，其示出了用于生成信息的方法的又一个实施例的流程500。该用于生成信息的方法的流程500，包括以下步骤：

步骤501，响应于接收到终端设备发送的用户标识和点击信息，用所收到的用户标识和点击信息以及当前时间生成当前用户点击信息并添加到用户点击信息序列中。

步骤502，将用户点击信息序列中用户标识为所收到的用户标识，且点击时间为从当前时间开始往前预设时长内的用户点击信息组成的序列确定为目标用户点击信息序列。

步骤503，对目标用户点击信息序列进行特征提取，得到预设维数的目标用户点击信息序列特征向量。

步骤504，将目标用户点击信息序列特征向量输入预先训练的贝叶斯信念网络，得到所收到的用户标识所指示的用户为预设类型用户的概率。

在本实施例中步骤501、步骤502、步骤503和步骤504的具体操作与图2所示的实施例中步骤201、步骤202、步骤203和步骤204的操作基本相同，在此不再赘述。

步骤505，确定所得到的概率是否大于预设概率阈值。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器)可以确定步骤504中所得到的概率是否大于预设概率阈值。

这里，预设概率阈值可以是技术人员根据业务需要预先设定的。当然，预设概率阈值也可以根据实际需要进行更改。

如果确定大于，上述执行主体可以转到步骤506执行；如果确定不大于，上述执行主体可以转到步骤507执行。

步骤506，生成用于指示所收到的用户标识所指示的用户为预设类型用户的提示信息，以及将提示信息发送给终端设备。

这里，上述执行主体可以在步骤505中确定步骤504中所得到的概率大于预设概率阈值的情况下，表明步骤501中所收到的用户标识所指示的用户为预设类型用户的概率很高，不能执行当前所收到的点击信息所指示的页面点击操作所关联的操作，可以生成用于指示所收到的用户标识所指示的用户为预设类型用户的提示信息，以及将提示信息发送给终端设备，以供终端设备呈现上述提示信息。进而，可以拦截预设类型用户希望执行的操作(例如，订单结算操作)。

步骤507，执行所收到的点击信息所指示的页面点击操作所关联的操作。

这里，上述执行主体可以在步骤505中确定步骤504中所得到的概率不大于预设概率阈值的情况下，表明步骤501中所收到的用户标识所指示的用户为预设类型用户的概率不高，则可以执行当前所收到的点击信息所指示的页面点击操作所关联的操作(例如，订单结算操作)。

从图5中可以看出，与图2对应的实施例相比，本实施例中的用于生成信息的方法的流程500多出了在所得到的概率大于预设概率阈值的情况下拦截用户操作，以及在不大于预设概率阈值的情况下执行用户操作的步骤。由此，本实施例描述的方案可以根据计算得到的概率确定是否拦截用户操作，从而提高网站操作安全性。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于生成信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的用于生成信息的装置600包括：信息添加单元601、序列确定单元602、特征提取单元603和概率确定单元604。其中，信息添加单元601，被配置成响应于接收到终端设备发送的用户标识和点击信息，用所收到的用户标识和点击信息以及当前时间生成当前用户点击信息并添加到用户点击信息序列中，用户点击信息包括用户标识、点击信息和点击时间；序列确定单元602，被配置成将上述用户点击信息序列中用户标识为所收到的用户标识，且点击时间为从当前时间开始往前预设时长内的用户点击信息组成的序列确定为目标用户点击信息序列；特征提取单元603，被配置成对上述目标用户点击信息序列进行特征提取，得到预设维数的目标用户点击信息序列特征向量；概率确定单元604，被配置成将上述目标用户点击信息序列特征向量输入预先训练的贝叶斯信念网络，得到所收到的用户标识所指示的用户为预设类型用户的概率，其中，上述贝叶斯信念网络用于表征上述预设维数的特征向量与概率之间的对应关系。

在本实施例中，用于生成信息的装置600的信息添加单元601、序列确定单元602、特征提取单元603和概率确定单元604的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述特征提取单元603可以包括：特征提取模块(6031)，被配置成对上述目标用户点击信息序列进行特征提取，得到初始特征向量；标准化模块6032，被配置成对上述初始特征向量进行标准化处理，得到上述目标用户点击信息序列特征向量。

在本实施例的一些可选的实现方式中，上述贝叶斯信念网络可以是通过如下训练步骤得到的：获取历史用户点击信息序列；对于历史用户标识集合中的每个用户标识，按照点击时间以上述预设时长为周期，对于上述历史用户点击信息序列中用户标识为该用户标识的各个历史用户点击信息进行划分，得到与该用户标识对应的至少一个历史用户点击信息子序列，其中，上述历史用户标识集合包括上述历史用户点击信息序列所包括的各个用户标识；对于历史用户标识集合中的每个用户标识对应的至少一个历史用户点击信息子序列中的每个历史用户点击信息子序列，执行以下标注和特征提取操作：确定该历史用户点击信息子序列对应的标注结果，标注结果包括用于表征非预设类型用户点击信息序列的正样本标签和用于表征预设类型用户点击信息序列的负样本标签；对该历史用户点击信息子序列进行特征提取，得到与该历史用户点击信息子序列对应的点击信息序列特征向量；将所得到的点击信息序列特征向量和所确定的标注结果作为训练样本对应存储在训练样本集中；分别将上述训练样本集中的训练样本中的点击信息序列特征向量和标注结果作为初始贝叶斯信念网络的输入和期望输出，利用机器学习方法训练得到贝叶斯信念网络。

在本实施例的一些可选的实现方式中，点击信息可以包括点击坐标；以及上述确定该历史用户点击信息子序列对应的标注结果可以包括：将该历史用户点击信息子序列中点击时间在同一时间窗口内的历史用户点击信息中的点击信息中的点击坐标合并，得到与该历史用户点击信息子序列和各时间窗口对应的点击坐标集，以及按照对应的时间窗口的时间先后顺序，用所得到的与各个点击坐标集生成与该历史用户点击信息子序列对应的点击坐标集序列；对于上述历史用户标识集合中的每个历史用户标识，将与该用户标识对应的至少一个历史用户点击信息子序列中每个历史用户点击信息子序列对应的点击坐标集序列确定为与该用户标识对应的至少一个点击坐标集序列；用上述历史用户标识集合中各个历史用户标识对应的点击坐标集序列生成点击坐标集序列样本集；对上述点击坐标集序列样本集进行序列模式挖掘，得到频繁点击坐标集序列集；对于上述历史用户标识集合中的每个用户标识，确定该用户标识对应的至少一个点击坐标集序列中是否包括上述频繁点击坐标集序列集中的点击坐标集序列；响应于确定是，将该用户标识对应的至少一个历史用户点击信息子序列中的每个历史用户点击信息子序列的标注结果确定为负样本标签；响应于确定否，将该用户标识对应的至少一个历史用户点击信息子序列中的每个历史用户点击信息子序列的标注结果确定为正样本标签。

在本实施例的一些可选的实现方式中，上述点击信息还可以包括以下至少一项：浏览器信息、终端设备信息、访问IP地址、所点击的页面元素标识、鼠标/手指移动距离、鼠标/手指移动像素数量、鼠标/手指移动直线段数量、触控点数、页面跳转信息、鼠标/手指移动速度、鼠标/手指轨迹坐标横向速度、鼠标/手指轨迹坐标纵向速度、鼠标/手指轨迹坐标横向加速度、鼠标/手指轨迹坐标纵向加速度、是否页面刷新操作、是否有屏幕滚动、是否有输入行为、输入行为对应的页面元素标识、输入行为对应的页面元素坐标。

在本实施例的一些可选的实现方式中，上述特征提取模块可以进一步用于：提取上述目标用户点击信息序列的以下至少一项特征作为上述初始特征向量中的特征分量：点击信息个数、单点控操作总次数、移动速度标准差、平均移动速度、最大移动速度、最小移动速度、移动距离和、移动的总次数、滚动的总次数、移动像素总和、移动像素最大值、移动像素最小值、移动直线点总和、移动直线点最大值、移动直线点最小值、单点控的次数、多点控的次数、鼠标/手指轨迹坐标横向速度平均值、鼠标/手指轨迹坐标横向加速度平均值、鼠标/手指轨迹坐标纵向速度平均值、鼠标/手指轨迹坐标纵向加速度平均值、鼠标/手指滑动纵向距离、鼠标/手指滑动横向距离、鼠标/手指活动面积、输入行为次数、输入行为对应的页面元素标识集合、输入行为对应的页面元素坐标集合、页面刷新次数和页面停留时间。

在本实施例的一些可选的实现方式中，上述装置还可以包括：概率比较单元605，被配置成确定所得到的概率是否大于预设概率阈值；信息提示单元606，被配置成响应于确定大于，生成用于指示所收到的用户标识所指示的用户为预设类型用户的提示信息，以及将上述提示信息发送给上述终端设备；操作执行单元607，被配置成响应于确定不大于，执行所收到的点击信息所指示的页面点击操作所关联的操作。

需要说明的是，本申请实施例提供的用于生成信息的装置中各单元的实现细节和技术效果可以参考本申请中其它实施例的说明，在此不再赘述。

下面参考图7，其示出了适于用来实现本申请实施例的导航控制设备的计算机系统700的结构示意图。图7示出的导航控制设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(CPU，Central Processing Unit)701，其可以根据存储在只读存储器(ROM，Read Only Memory)702中的程序或者从存储部分708加载到随机访问存储器(RAM，Random Access Memory)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM702以及RAM 703通过总线704彼此相连。输入/输出(I/O，Input/Output)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

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申请的操作的计算机程序代码，所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(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，图示了按照本申请各种实施例的系统、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。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括信息添加单元、序列确定单元、特征提取单元和概率确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，特征提取单元还可以被描述为“对目标用户点击信息序列进行特征提取得到预设维数的目标用户点击信息序列特征向量的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：响应于接收到终端设备发送的用户标识和点击信息，用所收到的用户标识和点击信息以及当前时间生成当前用户点击信息并添加到用户点击信息序列中，用户点击信息包括用户标识、点击信息和点击时间；将用户点击信息序列中用户标识为所收到的用户标识，且点击时间为从当前时间开始往前预设时长内的用户点击信息组成的序列确定为目标用户点击信息序列；对目标用户点击信息序列进行特征提取，得到预设维数的目标用户点击信息序列特征向量；将目标用户点击信息序列特征向量输入预先训练的贝叶斯信念网络，得到所收到的用户标识所指示的用户为预设类型用户的概率，其中，贝叶斯信念网络用于表征预设维数的特征向量与概率之间的对应关系。

以上描述仅为本申请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，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims

1.一种用于生成信息的方法，包括：

响应于接收到终端设备发送的用户标识和点击信息，用所收到的用户标识和点击信息以及当前时间生成当前用户点击信息并添加到用户点击信息序列中，用户点击信息包括用户标识、点击信息和点击时间；

将所述用户点击信息序列中用户标识为所收到的用户标识，且点击时间为从当前时间开始往前预设时长内的用户点击信息组成的序列确定为目标用户点击信息序列；

对所述目标用户点击信息序列进行特征提取，得到预设维数的目标用户点击信息序列特征向量；

将所述目标用户点击信息序列特征向量输入预先训练的贝叶斯信念网络，得到所收到的用户标识所指示的用户为预设类型用户的概率，其中，所述贝叶斯信念网络用于表征所述预设维数的特征向量与概率之间的对应关系。

2.根据权利要求1所述的方法，其中，所述对所述目标用户点击信息序列进行特征提取，得到预设维数的目标用户点击信息序列特征向量，包括：

对所述目标用户点击信息序列进行特征提取，得到初始特征向量；

对所述初始特征向量进行标准化处理，得到所述目标用户点击信息序列特征向量。

3.根据权利要求2所述的方法，其中，所述贝叶斯信念网络是通过如下训练步骤得到的：

获取历史用户点击信息序列；

对于历史用户标识集合中的每个用户标识，按照点击时间以所述预设时长为周期，对于所述历史用户点击信息序列中用户标识为该用户标识的各个历史用户点击信息进行划分，得到与该用户标识对应的至少一个历史用户点击信息子序列，其中，所述历史用户标识集合包括所述历史用户点击信息序列所包括的各个用户标识；

对于历史用户标识集合中的每个用户标识对应的至少一个历史用户点击信息子序列中的每个历史用户点击信息子序列，执行以下标注和特征提取操作：确定该历史用户点击信息子序列对应的标注结果，标注结果包括用于表征非预设类型用户点击信息序列的正样本标签和用于表征预设类型用户点击信息序列的负样本标签；对该历史用户点击信息子序列进行特征提取，得到与该历史用户点击信息子序列对应的点击信息序列特征向量；将所得到的点击信息序列特征向量和所确定的标注结果作为训练样本对应存储在训练样本集中；

分别将所述训练样本集中的训练样本中的点击信息序列特征向量和标注结果作为初始贝叶斯信念网络的输入和期望输出，利用机器学习方法训练得到贝叶斯信念网络。

4.根据权利要求3所述的方法，其中，点击信息包括点击坐标；以及

所述确定该历史用户点击信息子序列对应的标注结果，包括：

将该历史用户点击信息子序列中点击时间在同一时间窗口内的历史用户点击信息中的点击信息中的点击坐标合并，得到与该历史用户点击信息子序列和各时间窗口对应的点击坐标集，以及按照对应的时间窗口的时间先后顺序，用所得到的与各个点击坐标集生成与该历史用户点击信息子序列对应的点击坐标集序列；

对于所述历史用户标识集合中的每个历史用户标识，将与该用户标识对应的至少一个历史用户点击信息子序列中每个历史用户点击信息子序列对应的点击坐标集序列确定为与该用户标识对应的至少一个点击坐标集序列；

用所述历史用户标识集合中各个历史用户标识对应的点击坐标集序列生成点击坐标集序列样本集；

对所述点击坐标集序列样本集进行序列模式挖掘，得到频繁点击坐标集序列集；

对于所述历史用户标识集合中的每个用户标识，确定该用户标识对应的至少一个点击坐标集序列中是否包括所述频繁点击坐标集序列集中的点击坐标集序列；响应于确定是，将该用户标识对应的至少一个历史用户点击信息子序列中的每个历史用户点击信息子序列的标注结果确定为负样本标签；响应于确定否，将该用户标识对应的至少一个历史用户点击信息子序列中的每个历史用户点击信息子序列的标注结果确定为正样本标签。

5.根据权利要求1-4中任一所述的方法，其中，所述点击信息还包括以下至少一项：浏览器信息、终端设备信息、访问IP地址、所点击的页面元素标识、鼠标/手指移动距离、鼠标/手指移动像素数量、鼠标/手指移动直线段数量、触控点数、页面跳转信息、鼠标/手指移动速度、鼠标/手指轨迹坐标横向速度、鼠标/手指轨迹坐标纵向速度、鼠标/手指轨迹坐标横向加速度、鼠标/手指轨迹坐标纵向加速度、是否页面刷新操作、是否有屏幕滚动、是否有输入行为、输入行为对应的页面元素标识、输入行为对应的页面元素坐标。

6.根据权利要求5所述的方法，其中，所述对所述目标用户点击信息序列进行特征提取，得到初始特征向量，包括：

提取所述目标用户点击信息序列的以下至少一项特征作为所述初始特征向量中的特征分量：点击信息个数、单点控操作总次数、移动速度标准差、平均移动速度、最大移动速度、最小移动速度、移动距离和、移动的总次数、滚动的总次数、移动像素总和、移动像素最大值、移动像素最小值、移动直线点总和、移动直线点最大值、移动直线点最小值、单点控的次数、多点控的次数、鼠标/手指轨迹坐标横向速度平均值、鼠标/手指轨迹坐标横向加速度平均值、鼠标/手指轨迹坐标纵向速度平均值、鼠标/手指轨迹坐标纵向加速度平均值、鼠标/手指滑动纵向距离、鼠标/手指滑动横向距离、鼠标/手指活动面积、输入行为次数、输入行为对应的页面元素标识集合、输入行为对应的页面元素坐标集合、页面刷新次数和页面停留时间。

7.根据权利要求6所述的方法，其中，所述方法还包括：

确定所得到的概率是否大于预设概率阈值；

响应于确定大于，生成用于指示所收到的用户标识所指示的用户为预设类型用户的提示信息，以及将所述提示信息发送给所述终端设备；

响应于确定不大于，执行所收到的点击信息所指示的页面点击操作所关联的操作。

8.一种用于生成信息的装置，包括：

信息添加单元，被配置成响应于接收到终端设备发送的用户标识和点击信息，用所收到的用户标识和点击信息以及当前时间生成当前用户点击信息并添加到用户点击信息序列中，用户点击信息包括用户标识、点击信息和点击时间；

序列确定单元，被配置成将所述用户点击信息序列中用户标识为所收到的用户标识，且点击时间为从当前时间开始往前预设时长内的用户点击信息组成的序列确定为目标用户点击信息序列；

特征提取单元，被配置成对所述目标用户点击信息序列进行特征提取，得到预设维数的目标用户点击信息序列特征向量；

概率确定单元，被配置成将所述目标用户点击信息序列特征向量输入预先训练的贝叶斯信念网络，得到所收到的用户标识所指示的用户为预设类型用户的概率，其中，所述贝叶斯信念网络用于表征所述预设维数的特征向量与概率之间的对应关系。

9.根据权利要求8所述的装置，其中，所述特征提取单元包括：

特征提取模块，被配置成对所述目标用户点击信息序列进行特征提取，得到初始特征向量；

标准化模块，被配置成对所述初始特征向量进行标准化处理，得到所述目标用户点击信息序列特征向量。

10.根据权利要求9所述的装置，其中，所述贝叶斯信念网络是通过如下训练步骤得到的：

获取历史用户点击信息序列；

11.根据权利要求10所述的装置，其中，点击信息包括点击坐标；以及

12.根据权利要求8-11中任一所述的装置，其中，所述点击信息还包括以下至少一项：浏览器信息、终端设备信息、访问IP地址、所点击的页面元素标识、鼠标/手指移动距离、鼠标/手指移动像素数量、鼠标/手指移动直线段数量、触控点数、页面跳转信息、鼠标/手指移动速度、鼠标/手指轨迹坐标横向速度、鼠标/手指轨迹坐标纵向速度、鼠标/手指轨迹坐标横向加速度、鼠标/手指轨迹坐标纵向加速度、是否页面刷新操作、是否有屏幕滚动、是否有输入行为、输入行为对应的页面元素标识、输入行为对应的页面元素坐标。

13.根据权利要求12所述的装置，其中，所述特征提取模块进一步用于：

14.根据权利要求13所述的装置，其中，所述装置还包括：

概率比较单元，被配置成确定所得到的概率是否大于预设概率阈值；

信息提示单元，被配置成响应于确定大于，生成用于指示所收到的用户标识所指示的用户为预设类型用户的提示信息，以及将所述提示信息发送给所述终端设备；

操作执行单元，被配置成响应于确定不大于，执行所收到的点击信息所指示的页面点击操作所关联的操作。

15.一种服务器，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

16.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被一个或多个处理器执行时实现如权利要求1-7中任一所述的方法。