CN111259252A - 用户标识识别方法、装置、计算机设备及存储介质 - Google Patents
用户标识识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111259252A CN111259252A CN202010075694.0A CN202010075694A CN111259252A CN 111259252 A CN111259252 A CN 111259252A CN 202010075694 A CN202010075694 A CN 202010075694A CN 111259252 A CN111259252 A CN 111259252A
- Authority
- CN
- China
- Prior art keywords
- search data
- search
- pieces
- user identifier
- categories
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000013598 vector Substances 0.000 claims description 35
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 11
- 230000002093 peripheral effect Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 241000282414 Homo sapiens Species 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种用户标识识别方法、装置、计算机技术及存储介质,属于互联网技术领域。该方法包括:获取用户标识的多条搜索数据,将多条搜索数据划分为多个类别,根据多条搜索数据,获取多个类别对应的搜索次数,根据多个类别对应的搜索次数,获取用户标识的分值,根据分值,确定用户标识的识别结果。该方法将多条搜索数据划分为一个类别,不仅考虑每条搜索数据的搜索次数,还考虑了每个类别对应的搜索次数,可以识别每条搜索数据的搜索次数正常,但是多条搜索数据相似时的作弊行为,提高了识别用户标识的准确率,实现了反作弊。
Description
技术领域
本申请实施例涉及互联网技术领域,特别涉及一种用户标识识别方法、装置、计算机设备及存储介质。
背景技术
随着互联网技术的发展,越来越多的用户通过搜索应用获取信息,但是,有些用户标识在短时间内多次搜索同一内容,存在异常行为,将存在异常行为的用户标识作为异常用户标识,异常用户标识的行为会对搜索应用显示的信息造成影响,如何识别异常用户标识成为亟待解决的问题。
目前,获取用户标识在预设时长内对同一搜索数据的搜索次数,当该搜索次数大于预设搜索次数时,确定该用户标识为异常用户标识。但是上述方法仅是根据搜索次数来识别异常用户标识,导致识别用户标识的准确率较低。
发明内容
本申请实施例提供了一种用户标识识别方法、装置、计算机设备及存储介质,提高了识别用户标识的准确率。所述技术方案如下:
一方面,提供了一种用户标识识别方法,所述方法包括:
获取用户标识的多条搜索数据;
将所述多条搜索数据划分为多个类别,每个类别包括至少一条搜索数据;
根据所述多条搜索数据,获取所述多个类别对应的搜索次数;
根据所述多个类别对应的搜索次数,获取所述用户标识的分值;
根据所述分值,确定所述用户标识的识别结果,所述识别结果用于表示所述用户标识是否为异常用户标识。
可选地,所述根据所述分值,确定所述用户标识的识别结果之后,所述方法还包括:
将所述用户标识的识别结果确定为所述多条搜索数据的识别结果。
可选地,所述将所述用户标识的识别结果确定为所述多条搜索数据的识别结果之后,所述方法还包括:
响应于所述多条搜索数据的识别结果为正常搜索数据,将所述多条搜索数据添加至目标模型的样本数据集合,所述目标模型包括数据推荐模型或数据点击率预测模型中的至少一种。
另一方面,提供了一种用户标识识别装置,所述装置包括:
数据获取模块,用于获取用户标识的多条搜索数据;
类别划分模块,用于将所述多条搜索数据划分为多个类别,每个类别包括至少一条搜索数据;
次数获取模块,用于根据所述多条搜索数据,获取所述多个类别对应的搜索次数;
分值获取模块,用于根据所述多个类别对应的搜索次数,获取所述用户标识的分值;
用户标识识别模块,用于根据所述分值,确定所述用户标识的识别结果,所述识别结果用于表示所述用户标识是否为异常用户标识。
可选地,所述装置还包括:
次数对比模块,用于响应于所述多条搜索数据的总搜索次数大于预设次数,触发所述类别划分模块执行将所述多条搜索数据划分为多个类别,每个类别包括至少一条搜索数据的步骤。
可选地,所述数据获取模块,还用于获取所述用户标识在当前时间点之前的预设时长内的多条搜索数据。
可选地,所述类别划分模块,包括:
向量获取单元,用于获取所述多条搜索数据的特征向量;
类别确定单元,用于根据所述多条搜索数据的特征向量,对所述多条搜索数据进行聚类,确定所述多个类别。
可选地,所述次数获取模块,还用于将每个类别中的每条搜索数据对应的搜索次数进行累加,得到所述每个类别对应的搜索次数。
可选地,所述分值获取模块,包括:
比例获取单元,用于根据所述多个类别对应的搜索次数,获取每个类别的搜索次数所占的比例;
分值获取单元,用于根据所述每个类别对应的比例,获取所述用户标识的分值。
可选地,所述用户标识识别模块,还用于:
响应于所述分值小于预设阈值,则确定所述目标用户标识为异常用户标识;或者,
响应于所述分值不小于所述预设阈值,则确定所述目标用户标识为正常用户标识。
可选地,所述装置还包括:
数据识别模块,用于将所述用户标识的识别结果确定为所述多条搜索数据的识别结果。
可选地,所述装置还包括:
集合获取模块,用于响应于所述多条搜索数据的识别结果为正常搜索数据,将所述多条搜索数据添加至目标模型的样本数据集合,所述目标模型包括数据推荐模型或数据点击率预测模型中的至少一种。
另一方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行,以实现如所述用户标识识别方法中所执行的操作。
另一方面,提供了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条程序代码,所述至少一条程序代码由处理器加载并执行,以实现如所述用户标识识别方法中所执行的操作。
本申请实施例提供的方法、装置、计算机设备及存储介质,获取用户标识的多条搜索数据,将多条搜索数据划分为多个类别,根据多条搜索数据,获取多个类别对应的搜索次数,根据多个类别对应的搜索次数,获取用户标识的分值,根据分值,确定用户标识的识别结果。该方法将多条搜索数据划分为一个类别,不仅考虑每条搜索数据的搜索次数,还考虑了每个类别对应的搜索次数,可以识别每条搜索数据的搜索次数正常,但是多条搜索数据相似时的作弊行为,提高了识别用户标识的准确率,实现了反作弊。
并且,响应于多条搜索数据的总搜索次数大于预设次数时,进行用户标识识别,可以减少需要识别的用户标识的数量,提高用户标识识别的效率。
并且,获取预设时长内搜索数据,不需要对用户标识的全部搜索数据进行处理,减少了需要处理的搜索数据的数量,进一步提高了用户标识识别的效率,且设置合适的预设时长,可以避免遗漏一些用户标识,提高用户标识识别的准确率。
并且,根据预设阈值确定识别结果,使在确定识别结果时,可以根据准确的标准确定识别结果,且该预设阈值可以改变,如果对识别结果的准确率要求很高,可以设置一个较高的阈值,如果对识别结果的准确率要求较低,可以设置一个较低的阈值,提高了灵活性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请实施例的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种用户标识识别方法的流程图。
图2是本申请实施例提供的一种用户标识识别装置的结构示意图。
图3是本申请实施例提供的另一种用户标识识别装置的结构示意图。
图4是本申请实施例提供的一种终端的结构示意图。
图5是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
可以理解,本申请所使用的术语“至少一条”、“多条”、“多个”、“每个”、“每条”,至少一条包括一条、两条或两条以上,多条包括两条或两条以上,多个包括两个或两个以上,而每条是指对应的多条中的每一条,每个是指对应的多个中的每一个。举例来说,多条搜索数据包括100条搜索数据,而每条是指这100条搜索数据中的每一条搜索数据。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
本申请实施例中,基于人工智能技术或者机器学习训练数据推荐模型、数据点击率预测模型或者其他模型。
本申请实施例提供的用户标识识别方法,可以应用于多种场景。
例如,将该方法应用于搜索应用中的作弊行为识别。
用户在使用搜索应用搜索信息时,有些用户会在预设时长内对同一搜索内容搜索很多次,为该搜索内容带来大量的浏览量,即为该搜索内容带来大量的流量,导致该搜索内容的浏览量增大,通过这种为某一搜索数据引流的作弊方式,吸引其他用户对该搜索数据进行搜索。或者,采用其他作弊方式为某一搜索数据引流,作弊方式还可以为SEO(SearchEngine Optimization,搜索引擎优化)抓取、spider(蜘蛛)抓取等方式。采用本申请实施例提供的方法,可以识别出用户标识的作弊行为。
例如,将该方法应用于模型训练。
搜索应用会存储每个用户标识的搜索数据,计算机设备根据用户的历史搜索数据,训练数据推荐模型。搜索应用在向用户推荐信息时,基于数据推荐模型,得到用户感兴趣的搜索数据,将该搜索数据推荐给用户。但是如果历史搜索数据是用户标识通过在预设时长内对同一搜索数据搜索很多次得到的,那么根据该历史搜索数据训练的数据推荐模型就会是不准确的,导致向用户推荐的搜索数据不准确,且对推荐的搜索数据进行排序时,该历史搜索数据相关的搜索数据的顺序会较为靠前。采用本申请实施例提供的方法,对搜索数据进行识别,从而使用准确的历史搜索数据对数据推荐模型进行训练,得到准确的数据推荐模型。
本申请实施例提供的方法,可以应用于计算机设备。其中,计算机设备可以为终端,该终端可以为便携式、袖珍式、手持式等多种类型的终端,如手机、计算机、平板电脑等。或者,计算机设备也可以为服务器,该服务器可以是一台服务器,或者由若干台服务器组成的服务器集群,或者是一个云计算服务中心。
图1是本申请实施例提供的一种用户标识识别方法的流程图。本申请实施例的执行主体为计算机设备,参见图1,该方法包括:
101、计算机设备获取用户标识的多条搜索数据。
本申请实施例中,计算机设备获取的多条搜索数据,可以是该计算机设备生成并存储的搜索数据,也可以是由其他设备发送给该计算机设备的,本申请实施例对搜索数据的获取方式不做限制。
其中,用户标识是指任一执行过搜索操作的用户标识,该用户标识可以为用户账号、用户昵称或者其他标识;搜索数据是根据用户标识执行搜索操作时生成的数据,该搜索数据可以为一个词语,也可以为一个句子。
在一种可能实现方式中,用户在搜索信息时,计算机设备根据用户标识的搜索操作为用户标识生成搜索记录,每条搜索记录中包括用户标识、搜索时间、搜索数据等。其中,每条搜索记录中包括一条搜索数据,多条搜索记录中包括的搜索数据可以相同,也可以不同。或者,计算机设备根据用户标识的搜索操作为用户标识生成搜索日志(query sessionlog)。
可选地,计算机设备根据用户标识对搜索数据执行的搜索操作,为用户显示该搜索数据对应的文章、图片等链接,如果用户标识对链接执行点击操作,那么每条搜索记录中还可以包括进行点击操作的链接。
在一种可能实现方式中,计算机设备判断多条搜索数据的总搜索次数是否大于预设次数。计算机设备响应于多条搜索数据的总搜索次数大于预设次数时,执行步骤102。或者,计算机设备响应于多条搜索数据的总搜索次数不大于预设次数,不执行步骤102。
其中,每条搜索数据对应的搜索次数可以为1次或者多次,总搜索次数是指多条搜索数据的搜索次数之和,预设次数为预先设置的,该预设次数可以为任一数值,例如,该预设次数为100次、200次等。
可选地,计算机设备检测到用户标识在搜索框中输入需要搜索的关键词a之后,点击搜索按钮。那么可以认为点击一次搜索按钮,即是用户标识进行一次搜索,对应生成一条搜索数据,计算机设备根据生成的多条搜索数据的数量,即可确定多条搜索数据的总搜索次数。
当多条搜索数据的总搜索次数大于预设次数时,如果该多条搜索数据为同一搜索数据或者为同一类别的搜索数据,那么后续使用该多条搜索数据进行模型训练时,该多条搜索数据会对模型的训练结果造成较大的影响。
而当多条搜索数据的总搜索次数不大于预设次数时,认为用户标识的搜索次数较少,即使用户标识的多条搜索数据为同一搜索数据,后续使用该多条搜索数据进行模型训练时,由于搜索数据的数量较少,也不会对模型的训练结果造成影响。
因此,对于多条搜索数据的总搜索次数大于预设次数的用户标识,采用本申请实施例提供的方法来识别用户标识,识别出异常用户标识,以避免后续使用该多条搜索数据训练模型时造成影响。
根据多条搜索次数是否大于预设次数,确定是否进行用户标识识别,可以对用户标识进行初步的筛选,减少需要识别的用户标识的数量,提高用户标识识别的效率。
在一种可能实现方式中,搜索数据中包括搜索时间,计算机设备可以根据搜索时间,获取用户标识在当前时间点之前的预设时长内的多条搜索数据。
其中,预设时长可以为任意时长,例如,可以为1小时、2小时或者其他时长。
当计算机设备获取预设时长内的多条搜索数据,识别用户标识时,如果该多条搜索数据的总搜索次数不大于预设次数,计算机设备认为该用户标识为正常用户标识,不再对该用户标识进行后续的识别。但是,可能是由于该预设时长较短,从而使获取的多条搜索数据的总搜索次数不大于预设次数,导致计算机设备对用户标识识别不准确。因此,计算机设备在获取预设时长内的多条搜索数据时,该预设时长可以为较长的时长,避免遗漏一些用户标识,提高用户标识识别的准确率。
获取用户标识在预设时长内的多条搜索数据,不需要对用户标识的全部搜索数据进行处理,减少需要处理的搜索数据的数量,提高用户标识识别的效率。并且,通过设置合适的预设时长,在提高用户标识识别的效率的同时,还可以不免遗漏一些用户标识,提高用户标识识别的准确率。
102、计算机设备将多条搜索数据划分为多个类别。
其中,每个类别包括至少一条搜索数据。
可选地,计算机设备将多条搜索数据划分为多个类别时,可以直接将该多条数据划分为多个类别,也可以根据该多条搜索数据,将多条搜索数据分为多个组,每组中的搜索数据是相同的,只需要将多组搜索数据划分为多个类别,而不需要将多条搜索数据划分为多个类别。
例如,用户标识搜索的100条搜索数据中,5条搜索数据是搜索关键词a,10条搜索数是搜索关键词b,10条搜索数据是搜索关键词c,70条搜索数据是搜索关键词d,5条搜索数据是搜索关键词e。那么,计算机设备将该100条搜索数据划分为多个类别时,只需要将关键词a、关键词b、关键词c、关键词d和关键词e这5个关键词划分为多个类别即可。
在一种可能实现方式中,计算机设备对多条搜索数据进行聚类,将多条搜索数据划分为多个类别。
其中,计算机设备可以采用K-means聚类(K均值聚类算法)、DBSCAN聚类(Density-Based Spatial Clustering of Applications with Noise,基于密度的聚类算法)或者其他聚类算法对多条搜索数据进行聚类。
在一种可能实现方式中,计算机设备获取多条搜索数据的特征向量,根据多条搜索数据的特征向量,对多条搜索数据进行聚类,确定多个类别。
其中,计算机设备对搜索数据进行聚类时,可以采用下述步骤:
1、计算机设备提取多条搜索数据的特征向量,且从多个特征向量中任意选择K个向量作为初始聚类中心,即将该K个向量作为中心特征向量;
2、计算机设备根据设置的K个中心特征向量,确定每个特征向量与该K个中心特征向量之间的距离;
3、对于每个中心特征向量,计算机设备将距离中心特征向量最近的特征向量与中心特征向量划分为一类;
4、计算机设备重新确定每个类别中的中心特征向量的位置;
5、重复执行上述步骤3和4,直至划分的多个类别中的特征向量与中心特征向量之间的距离最近。
可选地,计算机设备可以采用word2vec(一种词向量模型)、doc2vec(一种词向量模型)或者其他方式,得到多条搜索数据的特征向量。例如,计算机设备采用doc2vec获取特征向量,将搜索数据输入至doc2vec,基于doc2vec,将搜索数据映射到向量空间,得到搜索数据对应的特征向量,基于doc2vec得到的特征向量,不仅能够准确地获取词语的特征向量,也能够准确地获取句子的特征向量。
根据多条搜索数据的特征向量对多条搜索数据进行聚类,能够根据搜索数据的语义,将多条搜索数据划分为多个类别,可以准确地对搜索数据进行划分,提高了划分的类别的准确率。
103、计算机设备根据多条搜索数据,获取多个类别对应的搜索次数。
在一种可能实现方式中,计算机设备将每个类别中的每条搜索数据对应的搜索次数进行累加,得到每个类别对应的搜索次数。
计算机设备获取每条搜索数据对应的搜索次数,根据每个类别中包括的至少一条搜索数据,将每个类别中的每条搜索数据对应的搜索次数进行累加,从而得到每个类别对应的搜索次数。
104、计算机设备根据多个类别对应的搜索次数,获取用户标识的分值。
其中,分值用于表示用户标识是否为正常用户标识的概率,分值越大表示用户标识为正常用户标识的可能性越大,分值越小表示用户标识为异常用户标识的可能性越大。
在一种可能实现方式中,计算机设备根据多个类别对应的搜索次数,获取每个类别的搜索次数所占的比例,从而根据每个类别对应的比例,获取用户标识的分值。
其中,计算机设备求取每个类别的搜索次数与总搜索次数之间的商,将求取的商作为每个类别对应的比例。
在另一种可能实现方式中,计算机设备获取每条搜索数据对应的搜索次数,根据每条搜索数据对应的搜索次数,获取每条搜索数据所占的比例,将每个类别中的每条搜索数据对应的比例进行累加,得到每个类别对应的比例,从而根据每个类别对应的比例,获取用户标识的分值。
其中,计算机设备求取每条搜索数据对应的搜索次数与总搜索次数之间的商,将求取的商作为每条搜索数据对应的比例。
在一种可能实现方式中,计算机设备可以获取信息熵(information entropy),将信息熵作为用户标识的分值。
其中,信息熵用于度量一个系统的复杂程度,系统越复杂,信息熵越大;系统越简单,信息熵越小。对于极端情况,该系统中只有1种情况,那么对应的信息熵为0。
对于搜索数据来说,用户标识的多条搜索数据中对应的类别越多,每个类别的搜索次数相差较小,那么可以认为该用户标识搜索的多条搜索数据越复杂;用户标识的多条搜索数据中对应的类别越少,每个类别的搜索次数相差越大,那么可以认为该用户标识搜索的多条搜索数据越简单。对于极端情况,如果用户标识只搜索多次同一搜索数据,那么对应的信息熵为0。
可选地,计算机设备可以根据每个类别对应的比例,采用下述公式,获取用户标识的信息熵:
H(X)=-sum[p(xi)log2p(xi)];
即:
其中,x为搜索数据对应的类别,n为类别的总数量,i表示n个类别中的第i个类别,1≤i<n,i为正整数,H(X)为用户标识的信息熵,p(xi)为第i个类别xi对应的概率,即第i个类别xi对应的比例,-logp(xi)为信息量,该信息量用于对信息进行度量,熵用于表示对可能产生的信息量的期望。即信息量用于对多个类别进行度量,类别越多,且每个类别之间相差的搜索次数越小,信息量越大,得到的熵越大;类别越少,且每个类别之间相差的搜索次数越大,信息量越小,得到的熵越小。
例如,基于上述举例,假设将关键词a、关键词b、关键词c、关键词d以及关键词e划分为多个类别之后,关键词a、关键词b、关键词c以及关键词d为第一个类别,关键词e为第二个类别。那么第一个类别对应的比例为(5+10+10+70)/100=0.95,第二个类别对应的比例为5/100=0.05,从而可以获取用户标识的信息熵为H(X)=-(0.95*log0.95+0.05*log0.05)=0.086。
105、计算机设备根据分值,确定用户标识的识别结果。
其中,识别结果用于表示用户标识是否为异常用户标识。
在一种可能实现方式中,计算机设备判断分值是否小于预设阈值,来确定用户标识的识别结果。计算机设备响应于分值小于预设阈值,则确定目标用户标识为异常用户标识;或者,计算机设备响应于分值不小于预设阈值,则确定目标用户标识为正常用户标识。
其中,预设阈值为任一数值,该预设阈值大于等于0,小于1。例如,该预设阈值为0.1,当分值小于0.1时,确定用户标识为异常用户标识,当分值不小于0.1时,认为用户标识为正常用户标识。
根据预设阈值确定识别结果,使在确定识别结果时,可以根据准确的标准确定识别结果,且该预设阈值可以改变,如果对识别结果的准确率要求很高,可以设置一个较高的阈值,如果对识别结果的准确率要求较低,可以设置一个较低的阈值,提高了灵活性。
在一种可能实现方式中,计算机设备确定用户标识的识别结果之后,将用户标识的识别结果确定为多条搜索数据的识别结果。即当用户标识为异常用户标识时,确定该异常用户标识的多条搜索数据为异常搜索数据;当用户标识为正常用户标识时,确定该正常用户标识的多条搜索数据为正常搜索数据。
在一种可能实现方式中,计算机设备确定用户标识的识别结果之后,如果该用户标识为异常用户标识,将该异常用户标识添加至黑名单中。后续计算机设备获取用户标识的搜索数据后,查询黑名单,如果用户标识在黑名单中,则过滤该用户标识,不使用该用户标识的搜索数据,如果用户标识不在黑名单中,则保留该用户标识,可以使用该用户标识的搜索数据。
在另一种可能实现方式中,计算机设备确定用户标识的识别结果之后,如果用户标识为正常用户标识,将该正常用户标识添加至白名单中。后续计算机设备获取用户标识的搜索数据后,查询白名单,如果用户标识在白名单中,则保留该用户标识,可以使用该用户标识的搜索数据,如果用户标识不在白名单中,则过滤该用户标识,不使用该用户标识的搜索数据。
在一种可能实现方式中,计算机设备确定多条搜索数据的识别结果之后,响应于多条搜索数据的识别结果为正常搜索数据,将多条搜索数据添加至目标模型的样本数据集合,目标模型包括数据推荐模型或数据点击率预测模型中的至少一种。
可选地,计算机设备为服务器时,终端上安装有搜索应用,用户在使用搜索应用搜索信息时,搜索应用为用户标识生成搜索数据,将该搜索数据发送给搜索应用对应的服务器,服务器获取到该搜索数据,采用上述用户标识识别方法,识别出正常用户标识,从而识别出正常搜索数据,将正常搜索数据添加至样本数据集合,服务器中存储有数据推荐模型、数据点击率预测模型或者其他模型,服务器根据样本数据集合中的搜索数据训练模型。
可选地,计算机设备为终端时,终端上安装的搜索应用为用户标识生成搜索数据后,终端存储该搜索数据,采用上述用户标识识别的方式,识别出正常用户标识,从而识别出正常搜索数据,将正常搜索数据添加至样本数据集合,终端存储有数据推荐模型、数据点击率预测模型或则会其他模型,终端根据样本数据集合中的搜索数据训练模型。
例如,用于训练模型的搜索数据,是用户标识在短时间内多次搜索同一内容,生成的多条搜索数据,那么将该多条搜索数据用于训练数据推荐模型时,训练出的数据推荐模型可能会更偏向于该搜索数据,导致数据推荐模型的输出不准确。采用上述用户标识识别的方式,识别哪些用户标识是正常用户标识,哪些用户标识是异常用户标识,从而识别出异常搜索数据,不将异常搜索数据添加至样本数据集合,识别出正常搜索数据,将正常搜索数据添加至样本数据集合,用于模型训练。
本申请实施例提供的方法,获取用户标识的多条搜索数据,将多条搜索数据划分为多个类别,根据多条搜索数据,获取多个类别对应的搜索次数,根据多个类别对应的搜索次数,获取用户标识的分值,根据分值,确定用户标识的识别结果。该方法将多条搜索数据划分为一个类别,不仅考虑每条搜索数据的搜索次数,还考虑了每个类别对应的搜索次数,可以识别每条搜索数据的搜索次数正常,但是多条搜索数据相似时的作弊行为,提高了识别用户标识的准确率,实现了反作弊。
并且,响应于多条搜索数据的总搜索次数大于预设次数时,进行用户标识识别,可以减少需要识别的用户标识的数量,提高用户标识识别的效率。
并且,获取预设时长内搜索数据,不需要对用户标识的全部搜索数据进行处理,减少了需要处理的搜索数据的数量,进一步提高了用户标识识别的效率,且设置合适的预设时长,可以避免遗漏一些用户标识,提高用户标识识别的准确率。
并且,根据预设阈值确定识别结果,使在确定识别结果时,可以根据准确的标准确定识别结果,且该预设阈值可以改变,如果对识别结果的准确率要求很高,可以设置一个较高的阈值,如果对识别结果的准确率要求较低,可以设置一个较低的阈值,提高了灵活性。
图2是本申请实施例提供的一种用户标识识别装置的结构示意图。参见图2,该装置包括:
数据获取模块201,用于获取用户标识的多条搜索数据;
类别划分模块202,用于将多条搜索数据划分为多个类别,每个类别包括至少一条搜索数据;
次数获取模块203,用于根据多条搜索数据,获取多个类别对应的搜索次数;
分值获取模块204,用于根据多个类别对应的搜索次数,获取用户标识的分值;
用户标识识别模块205,用于根据分值,确定用户标识的识别结果,识别结果用于表示用户标识是否为异常用户标识。
本申请实施例提供的装置,获取用户标识的多条搜索数据,将多条搜索数据划分为多个类别,根据多条搜索数据,获取多个类别对应的搜索次数,根据多个类别对应的搜索次数,获取用户标识的分值,根据分值,确定用户标识的识别结果。该装置将多条搜索数据划分为一个类别,不仅考虑每条搜索数据的搜索次数,还考虑了每个类别对应的搜索次数,可以识别每条搜索数据的搜索次数正常,但是多条搜索数据相似时的作弊行为,提高了识别用户标识的准确率,实现了反作弊。
可选地,参见图3,该装置还包括:
次数对比模块206,用于响应于多条搜索数据的总搜索次数大于预设次数,则触发类别划分模块202执行将多条搜索数据划分为多个类别,每个类别包括至少一条搜索数据的步骤。
可选地,数据获取模块201,还用于获取用户标识在当前时间点之前的预设时长内的多条搜索数据。
可选地,参见图3,类别划分模块202,包括:
向量获取单元2021,用于获取多条搜索数据的特征向量;
类别确定单元2022,用于根据多条搜索数据的特征向量,对多条搜索数据进行聚类,确定多个类别。
可选地,次数获取模块201,还用于将每个类别中的每条搜索数据对应的搜索次数进行累加,得到每个类别对应的搜索次数。
可选地,参见图3,分值获取模块204,包括:
比例获取单元2041,用于根据多个类别对应的搜索次数,获取每个类别的搜索次数所占的比例;
分值获取单元2042,用于根据每个类别对应的比例,获取用户标识的分值。
可选地,用户标识识别模块205,还用于:
响应于分值小于预设阈值,则确定目标用户标识为异常用户标识;或者,
响应于分值不小于预设阈值,则确定目标用户标识为正常用户标识。
可选地,参见图3,该装置还包括:
数据识别模块207,用于将用户标识的识别结果确定为多条搜索数据的识别结果。
可选地,参见图3,该装置还包括:
集合获取模块208,用于响应于多条搜索数据的识别结果为正常搜索数据,将多条搜索数据添加至目标模型的样本数据集合,目标模型包括数据推荐模型或数据点击率预测模型中的至少一种。
需要说明的是:上述实施例提供的用户标识识别装置在识别用户标识时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将计算机设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的用户标识识别装置与用户标识识别方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图4示出了本申请一个示例性实施例提供的终端400的结构示意图。
通常,终端400包括有:处理器401和存储器402。
处理器401可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器401可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器401也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器401可以在集成有GPU(Graphics Processing Unit,图像处理的交互器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器401还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器402可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器402还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器402中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器401所具有以实现本申请中方法实施例提供的用户标识识别方法。
在一些实施例中,终端400还可选包括有:外围设备接口403和至少一个外围设备。处理器401、存储器402和外围设备接口403之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口403相连。具体地,外围设备包括:射频电路404、触摸显示屏405、摄像头406、音频电路407、定位组件408和电源409中的至少一种。
外围设备接口403可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器401和存储器402。在一些实施例中,处理器401、存储器402和外围设备接口403被集成在同一芯片或电路板上;在一些其他实施例中,处理器401、存储器402和外围设备接口403中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路404用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路404通过电磁信号与通信网络以及其他通信设备进行通信。射频电路404将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路404包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路404可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及8G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路404还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏405用于显示UI(UserInterface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏405是触摸显示屏时,显示屏405还具有采集在显示屏405的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器401进行处理。此时,显示屏405还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏405可以为一个,设置终端400的前面板;在另一些实施例中,显示屏405可以为至少两个,分别设置在终端400的不同表面或呈折叠设计;在再一些实施例中,显示屏405可以是柔性显示屏,设置在终端400的弯曲表面上或折叠面上。甚至,显示屏405还可以设置成非矩形的不规则图形,也即异形屏。显示屏405可以采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件406用于采集图像或视频。可选地,摄像头组件406包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端400的前面板,后置摄像头设置在终端400的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件406还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路407可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器401进行处理,或者输入至射频电路404以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端400的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器401或射频电路404的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路407还可以包括耳机插孔。
定位组件408用于定位终端400的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件408可以是基于美国的GPS(GlobalPositioning System,全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源409用于为终端400中的各个组件进行供电。电源409可以是交流电、直流电、一次性电池或可充电电池。当电源409包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端400还包括有一个或多个传感器410。该一个或多个传感器410包括但不限于:加速度传感器411、陀螺仪传感器412、压力传感器413、指纹传感器414、光学传感器415以及接近传感器416。
加速度传感器411可以检测以终端400建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器411可以用于检测重力加速度在三个坐标轴上的分量。处理器401可以根据加速度传感器411采集的重力加速度信号,控制触摸显示屏405以横向视图或纵向视图进行用户界面的显示。加速度传感器411还可以用于应用或者用户的运动数据的采集。
陀螺仪传感器412可以检测终端400的机体方向及转动角度,陀螺仪传感器412可以与加速度传感器411协同采集用户对终端400的3D动作。处理器401根据陀螺仪传感器412采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、应用控制以及惯性导航。
压力传感器413可以设置在终端400的侧边框和/或触摸显示屏405的下层。当压力传感器413设置在终端400的侧边框时,可以检测用户对终端400的握持信号,由处理器401根据压力传感器413采集的握持信号进行左右手识别或快捷操作。当压力传感器413设置在触摸显示屏405的下层时,由处理器401根据用户对触摸显示屏405的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器414用于采集用户的指纹,由处理器401根据指纹传感器1414采集到的指纹识别用户的身份,或者,由指纹传感器414根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器401授权该用户具有相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器414可以被设置终端400的正面、背面或侧面。当终端400上设置有物理按键或厂商Logo时,指纹传感器414可以与物理按键或厂商标志集成在一起。
光学传感器415用于采集环境光强度。在一个实施例中,处理器401可以根据光学传感器415采集的环境光强度,控制触摸显示屏405的显示亮度。具体地,当环境光强度较高时,调高触摸显示屏405的显示亮度;当环境光强度较低时,调低触摸显示屏405的显示亮度。在另一个实施例中,处理器401还可以根据光学传感器415采集的环境光强度,动态调整摄像头组件406的拍摄参数。
接近传感器416,也称距离传感器,通常设置在终端400的前面板。接近传感器416用于采集用户与终端400的正面之间的距离。在一个实施例中,当接近传感器416检测到用户与终端400的正面之间的距离逐渐变小时,由处理器401控制触摸显示屏405从亮屏状态切换为息屏状态;当接近传感器416检测到用户与终端400的正面之间的距离逐渐变大时,由处理器401控制触摸显示屏405从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图4中示出的结构并不构成对终端400的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
图5是本申请实施例提供的一种服务器的结构示意图,该服务器500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(Central ProcessingUnits,CPU)501和一个或一个以上的存储器502,其中,存储器502中存储有至少一条指令,该至少一条指令由处理器501加载并执行以实现上述各个方法实施例提供的方法。当然,该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器还可以包括其他用于实现设备功能的部件,在此不做赘述。
服务器500可以用于执行上述用户标识识别方法中计算机设备所执行的步骤。
本申请实施例还提供了一种用于识别用户标识的计算机设备,该计算机设备包括处理器和存储器,存储器中存储有至少一条程序代码,该至少一条程序代码由处理器加载并执行,以实现上述实施例的用户标识识别方法中所执行的操作。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有至少一条程序代码,该至少一条程序代码由处理器加载并执行,以实现上述实施例的用户标识识别方法中所执行的操作。
本申请实施例还提供了一种计算机程序,该计算机程序中存储有至少一条程序代码,该至少一条程序代码由处理器加载并执行,以实现上述实施例的用户标识识别方法中所执行的操作。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上仅为本申请实施例的可选实施例,并不用以限制本申请实施例,凡在本申请实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种用户标识识别方法,其特征在于,所述方法包括:
获取用户标识的多条搜索数据;
将所述多条搜索数据划分为多个类别,每个类别包括至少一条搜索数据;
根据所述多条搜索数据,获取所述多个类别对应的搜索次数;
根据所述多个类别对应的搜索次数,获取所述用户标识的分值;
根据所述分值,确定所述用户标识的识别结果,所述识别结果用于表示所述用户标识是否为异常用户标识。
2.根据权利要求1所述的方法,其特征在于,所述将所述多条搜索数据划分为多个类别,每个类别包括至少一条搜索数据之前,所述方法还包括:
响应于所述多条搜索数据的总搜索次数大于预设次数,执行将所述多条搜索数据划分为多个类别,每个类别包括至少一条搜索数据的步骤。
3.根据权利要求1所述的方法,其特征在于,所述获取用户标识的多条搜索数据,包括:
获取所述用户标识在当前时间点之前的预设时长内的多条搜索数据。
4.根据权利要求1所述的方法,其特征在于,所述将所述多条搜索数据划分为多个类别,包括:
获取所述多条搜索数据的特征向量;
根据所述多条搜索数据的特征向量,对所述多条搜索数据进行聚类,确定所述多个类别。
5.根据权利要求1所述的方法,其特征在于,所述根据所述多条搜索数据,获取所述多个类别对应的搜索次数,包括:
将每个类别中的每条搜索数据对应的搜索次数进行累加,得到所述每个类别对应的搜索次数。
6.根据权利要求1所述的方法,其特征在于,所述根据所述多个类别对应的搜索次数,获取所述用户标识的分值,包括:
根据所述多个类别对应的搜索次数,获取每个类别的搜索次数所占的比例;
根据所述每个类别对应的比例,获取所述用户标识的分值。
7.根据权利要求1所述的方法,其特征在于,所述根据所述分值,确定所述用户标识的识别结果,包括:
响应于所述分值小于预设阈值,则确定所述目标用户标识为异常用户标识;或者,
响应于所述分值不小于所述预设阈值,则确定所述目标用户标识为正常用户标识。
8.一种用户标识识别装置,其特征在于,所述装置包括:
数据获取模块,用于获取用户标识的多条搜索数据;
类别划分模块,用于将所述多条搜索数据划分为多个类别,每个类别包括至少一条搜索数据;
次数获取模块,用于根据所述多条搜索数据,获取所述多个类别对应的搜索次数;
分值获取模块,用于根据所述多个类别对应的搜索次数,获取所述用户标识的分值;
用户标识识别模块,用于根据所述分值,确定所述用户标识的识别结果,所述识别结果用于表示所述用户标识是否为异常用户标识。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条程序代码,所述至少一条程序代码由所述处理器加载并执行,以实现如权利要求1至7任一权利要求所述的用户标识识别方法中所执行的操作。
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条程序代码,所述至少一条程序代码由处理器加载并执行,以实现如权利要求1至7任一权利要求所述的用户标识识别方法中所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010075694.0A CN111259252B (zh) | 2020-01-22 | 2020-01-22 | 用户标识识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010075694.0A CN111259252B (zh) | 2020-01-22 | 2020-01-22 | 用户标识识别方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111259252A true CN111259252A (zh) | 2020-06-09 |
CN111259252B CN111259252B (zh) | 2022-09-30 |
Family
ID=70947240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010075694.0A Active CN111259252B (zh) | 2020-01-22 | 2020-01-22 | 用户标识识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259252B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967105A (zh) * | 2021-03-03 | 2021-06-15 | 北京嘀嘀无限科技发展有限公司 | 订单信息的处理方法、设备、存储介质及计算机程序产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104731937A (zh) * | 2015-03-30 | 2015-06-24 | 百度在线网络技术(北京)有限公司 | 用户行为数据的处理方法及装置 |
CN107153656A (zh) * | 2016-03-03 | 2017-09-12 | 阿里巴巴集团控股有限公司 | 一种信息搜索方法和装置 |
CN107341187A (zh) * | 2017-06-07 | 2017-11-10 | 努比亚技术有限公司 | 搜索处理方法、装置、设备和计算机存储介质 |
CN110069691A (zh) * | 2019-04-29 | 2019-07-30 | 百度在线网络技术(北京)有限公司 | 用于处理点击行为数据的方法和装置 |
CN110210886A (zh) * | 2018-05-31 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 识别虚假操作方法、装置、服务器、可读存储介质、系统 |
CN110661913A (zh) * | 2019-08-30 | 2020-01-07 | 中国人民财产保险股份有限公司 | 一种用户排序方法、装置及电子设备 |
-
2020
- 2020-01-22 CN CN202010075694.0A patent/CN111259252B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104731937A (zh) * | 2015-03-30 | 2015-06-24 | 百度在线网络技术(北京)有限公司 | 用户行为数据的处理方法及装置 |
CN107153656A (zh) * | 2016-03-03 | 2017-09-12 | 阿里巴巴集团控股有限公司 | 一种信息搜索方法和装置 |
CN107341187A (zh) * | 2017-06-07 | 2017-11-10 | 努比亚技术有限公司 | 搜索处理方法、装置、设备和计算机存储介质 |
CN110210886A (zh) * | 2018-05-31 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 识别虚假操作方法、装置、服务器、可读存储介质、系统 |
CN110069691A (zh) * | 2019-04-29 | 2019-07-30 | 百度在线网络技术(北京)有限公司 | 用于处理点击行为数据的方法和装置 |
CN110661913A (zh) * | 2019-08-30 | 2020-01-07 | 中国人民财产保险股份有限公司 | 一种用户排序方法、装置及电子设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967105A (zh) * | 2021-03-03 | 2021-06-15 | 北京嘀嘀无限科技发展有限公司 | 订单信息的处理方法、设备、存储介质及计算机程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN111259252B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110471858B (zh) | 应用程序测试方法、装置及存储介质 | |
CN111104980B (zh) | 确定分类结果的方法、装置、设备及存储介质 | |
CN111432245B (zh) | 多媒体信息的播放控制方法、装置、设备及存储介质 | |
CN111897996A (zh) | 话题标签推荐方法、装置、设备及存储介质 | |
CN112084811A (zh) | 身份信息的确定方法、装置及存储介质 | |
CN111738365B (zh) | 图像分类模型训练方法、装置、计算机设备及存储介质 | |
CN113918767A (zh) | 视频片段定位方法、装置、设备及存储介质 | |
CN111782950B (zh) | 样本数据集获取方法、装置、设备及存储介质 | |
CN113570510A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN112100528A (zh) | 对搜索结果评分模型进行训练的方法、装置、设备、介质 | |
CN112001442A (zh) | 特征检测方法、装置、计算机设备及存储介质 | |
CN111563201A (zh) | 内容推送方法、装置、服务器及存储介质 | |
CN111259252B (zh) | 用户标识识别方法、装置、计算机设备及存储介质 | |
CN113343709B (zh) | 意图识别模型的训练方法、意图识别方法、装置及设备 | |
CN114817709A (zh) | 排序方法、装置、设备及计算机可读存储介质 | |
CN114791971A (zh) | 信息聚合方法、装置、设备及计算机可读存储介质 | |
CN113936240A (zh) | 确定样本图像的方法、装置、设备及存储介质 | |
CN114385854A (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
CN113139614A (zh) | 特征提取方法、装置、电子设备及存储介质 | |
CN113763932A (zh) | 语音处理方法、装置、计算机设备及存储介质 | |
CN114764480A (zh) | 群组类型识别方法、装置、计算机设备及介质 | |
CN111597823A (zh) | 中心词提取方法、装置、设备及存储介质 | |
CN111858983A (zh) | 图片类别的确定方法、装置、电子设备及存储介质 | |
CN111429106A (zh) | 资源转移凭证的处理方法、服务器、电子设备及存储介质 | |
CN111258673A (zh) | 快应用显示方法及终端设备 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40024096 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |