CN111340210A - 用户位置识别模型的构建方法和用户位置识别方法 - Google Patents
用户位置识别模型的构建方法和用户位置识别方法 Download PDFInfo
- Publication number
- CN111340210A CN111340210A CN202010099803.2A CN202010099803A CN111340210A CN 111340210 A CN111340210 A CN 111340210A CN 202010099803 A CN202010099803 A CN 202010099803A CN 111340210 A CN111340210 A CN 111340210A
- Authority
- CN
- China
- Prior art keywords
- user
- model
- data
- neural network
- characteristic data
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种用户位置识别模型的构建方法和用户位置识别方法,用户位置识别模型的构建方法包括:样本用户特征数据、样本用户特征数据对应的样本用户真实位置数据、测试用户特征数据及所述测试用户特征数据对应的测试用户真实位置数据;根据样本用户特征数据以及样本用户真实位置数据,对预设的神经网络模型进行训练,获得已训练的神经网络模型;将测试用户特征数据输入至已训练的神经网络模型,得到已训练的神经网络模型输出的用户位置识别结果;根据用户位置识别结果以及测试用户真实位置数据,对已训练的神经网络模型进行筛选,将筛选得到的已训练的神经网络模型作为用户位置识别模型。通过用户位置识别模型可以实现用户位置的高精度识别。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及一种用户位置识别模型的构建方法、装置、存储介质和计算机设备以及用户位置识别方法、装置、存储介质和计算机设备。
背景技术
鉴权是指鉴别用户是否具有请求某种业务或服务的权限,比如,基于密码的鉴权,在用户输入的密码与预先设置的密码一致时,鉴权成功;基于地理位置的鉴权,在用户所处地理位置满足预设条件时,鉴权成功。
在对用户地理位置进行鉴权场景中,根据用户上报的地理位置对用户所处的真实位置进行鉴别,再根据鉴别结果进行后续响应操作。而传统的用户位置识别方法存在位置识别精度不高的问题。
发明内容
基于此,针对上述技术问题,提供一种提高位置识别精度的用户位置识别模型的构建方法、装置、存储介质和计算机设备以及用户位置识别方法、装置、存储介质和计算机设备。
一种用户位置识别模型的构建方法,所述方法包括:
获取样本用户特征数据、所述样本用户特征数据对应的样本用户真实位置数据、测试用户特征数据及所述测试用户特征数据对应的测试用户真实位置数据;
根据所述样本用户特征数据以及所述样本用户真实位置数据,对预设的神经网络模型进行训练,获得已训练的神经网络模型;
将所述测试用户特征数据输入至所述已训练的神经网络模型,得到所述已训练的神经网络模型输出的用户位置识别结果;
根据所述用户位置识别结果以及所述测试用户真实位置数据,对所述已训练的神经网络模型进行筛选,将筛选得到的已训练的神经网络模型作为用户位置识别模型。
一种用户位置识别模型的构建装置,所述装置包括:
数据获取模块,用于获取样本用户特征数据、所述样本用户特征数据对应的样本用户真实位置数据、测试用户特征数据及所述测试用户特征数据对应的测试用户真实位置数据;
模型训练模块,用于根据所述样本用户特征数据以及所述样本用户真实位置数据,对预设的神经网络模型进行训练,获得已训练的神经网络模型;
模型自检模块,用于将所述测试用户特征数据输入至所述已训练的神经网络模型,得到所述已训练的神经网络模型输出的用户位置识别结果;
模型确定模块,用于根据所述用户位置识别结果以及所述测试用户真实位置数据,对所述已训练的神经网络模型进行筛选,将筛选得到的已训练的神经网络模型作为用户位置识别模型。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
获取样本用户特征数据、所述样本用户特征数据对应的样本用户真实位置数据、测试用户特征数据及所述测试用户特征数据对应的测试用户真实位置数据;
根据所述样本用户特征数据以及所述样本用户真实位置数据,对预设的神经网络模型进行训练,获得已训练的神经网络模型;
将所述测试用户特征数据输入至所述已训练的神经网络模型,得到所述已训练的神经网络模型输出的用户位置识别结果;
根据所述用户位置识别结果以及所述测试用户真实位置数据,对所述已训练的神经网络模型进行筛选,将筛选得到的已训练的神经网络模型作为用户位置识别模型。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
获取样本用户特征数据、所述样本用户特征数据对应的样本用户真实位置数据、测试用户特征数据及所述测试用户特征数据对应的测试用户真实位置数据;
根据所述样本用户特征数据以及所述样本用户真实位置数据,对预设的神经网络模型进行训练,获得已训练的神经网络模型;
将所述测试用户特征数据输入至所述已训练的神经网络模型,得到所述已训练的神经网络模型输出的用户位置识别结果;
根据所述用户位置识别结果以及所述测试用户真实位置数据,对所述已训练的神经网络模型进行筛选,将筛选得到的已训练的神经网络模型作为用户位置识别模型。
上述用户位置识别模型的构建方法、装置、存储介质和计算机设备,通过样本用户特征数据以及样本用户真实位置数据,对预设的神经网络模型进行训练,获得已训练的神经网络模型;将测试用户特征数据输入至已训练的神经网络模型,得到已训练的神经网络模型输出的用户位置识别结果;根据用户位置识别结果以及测试用户真实位置数据,对已训练的神经网络模型进行筛选,将筛选得到的已训练的神经网络模型作为用户位置识别模型,通过样本数据训练得到神经网络模型,再通过测试数据进行模型自检,由此构建用户位置识别模型,后续可以通过用户位置识别模型实现地理位置的识别,且用户位置识别模型通过样本数据对神经网络模型训练,再通过测试数据进行筛选得到,因而可以支持用户位置的高精度识别。
一种用户位置识别方法,所述方法包括:
接收目标用户发起的鉴权请求,所述鉴权请求携带目标用户特征数据;
读取预设的用户位置识别模型,所述用户位置识别模型由用户位置识别模型的构建方法构建;
将所述目标用户特征数据输入至所述用户位置识别模型,根据所述用户位置识别模型的输出数据,获得目标用户位置识别结果。
一种用户位置识别装置,所述装置包括:
请求接收模块,用于接收目标用户发起的鉴权请求,所述鉴权请求携带目标用户特征数据;
模型读取模块,用于读取预设的用户位置识别模型,所述用户位置识别模型由用户位置识别模型的构建方法构建;
数据处理模块,用于将所述目标用户特征数据输入至所述用户位置识别模型,根据所述用户位置识别模型的输出数据,获得目标用户位置识别结果。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
接收目标用户发起的鉴权请求,所述鉴权请求携带目标用户特征数据;
读取预设的用户位置识别模型,所述用户位置识别模型由用户位置识别模型的构建方法构建;
将所述目标用户特征数据输入至所述用户位置识别模型,根据所述用户位置识别模型的输出数据,获得目标用户位置识别结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
接收目标用户发起的鉴权请求,所述鉴权请求携带目标用户特征数据;
读取预设的用户位置识别模型,所述用户位置识别模型由用户位置识别模型的构建方法构建;
将所述目标用户特征数据输入至所述用户位置识别模型,根据所述用户位置识别模型的输出数据,获得目标用户位置识别结果。
上述用户位置识别方法、装置、存储介质和计算机设备,通过接收目标用户发起的鉴权请求,鉴权请求携带目标用户特征数据;读取预设的用户位置识别模型,用户位置识别模型由用户位置识别模型的构建方法构建;将目标用户特征数据输入至用户位置识别模型,根据用户位置识别模型的输出数据,获得目标用户位置识别结果,通过用户位置识别模型实现地理位置的识别,且用户位置识别模型通过样本数据对神经网络模型训练,再通过测试数据进行筛选得到,因而可以实现用户位置的高精度识别。
附图说明
图1为一个实施例中用户位置识别模型的构建方法的应用环境图;
图2为一个实施例中用户位置识别模型的构建方法的流程示意图;
图3为一个实施例中用户位置识别方法的流程示意图;
图4为一个实施例中用户位置识别模型的构建和应用示意图;
图5为一个实施例中运算集群调用用户位置识别模型进行鉴权的时序图;
图6为一个实施例中模型管理平台进行模型管理的示意图;
图7为一个实施例中用户位置识别模型的构建装置的结构框图;
图8为一个实施例中用户位置识别装置的结构框图;
图9为一个实施例中计算机设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
图1为一个实施例中用户位置识别模型的构建方法的应用环境图。参照图1,用户位置识别模型的构建方法应用于用户位置识别模型的构建系统。该用户位置识别模型的构建系统包括移动终端102和服务器104,移动终端102通过网络与服务器104连接。用户可以通过移动终端102将样本用户特征数据、样本用户特征数据对应的样本用户真实位置数据、测试用户特征数据及所述测试用户特征数据对应的测试用户真实位置数据发送至服务器104。服务器104根据样本用户特征数据以及样本用户真实位置数据,对预设的神经网络模型进行训练,获得已训练的神经网络模型;将测试用户特征数据输入至已训练的神经网络模型,得到已训练的神经网络模型输出的用户位置识别结果;根据用户位置识别结果以及测试用户真实位置数据,对已训练的神经网络模型进行筛选,将筛选得到的已训练的神经网络模型作为用户位置识别模型。其中,移动终端102具体可以是手机、平板电脑、笔记本、台式电脑等,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。上述应用场景以用户位置识别模型的构建方法应用于包括移动终端和服务器的系统进行举例说明,并通过移动终端和服务器的交互实现,可以理解的是,该用户位置识别模型的构建方法也可以应用于移动终端,还可以应用于服务器。
如图2所示,在一个实施例中,提供了一种用户位置识别模型的构建方法。本实施例主要以该方法应用于上述图1中的服务器104来举例说明。参照图2,该方法具体包括如下步骤:
S202,获取样本用户特征数据、所述样本用户特征数据对应的样本用户真实位置数据、测试用户特征数据及所述测试用户特征数据对应的测试用户真实位置数据。
用户特征数据是指用于表征用户属性的数据,比如用户通过客户端发起鉴权请求,请求某种业务或服务的权限,在发起鉴权请求时,用户通过客户端同步向服务器上报用户特征数据。样本用户特征数据是指用于训练模型的用户特征数据,测试用户特征数据是指用于测试已训练模型的用户特征数据。样本用户真实位置数据用于表征样本用户的实际位置属性,测试用户真实位置数据用于表征测试用户的实际位置属性,比如表征样本用户是位置模拟用户还是到店用户,测试用户是位置模拟用户还是到店用户。真实位置数据具体可以是0/1的形式,即通过0和1进行标记,比如0表示到店用户,1表示位置模拟用户。具体地,以游戏中商户特权场景为例,需要获取特权的用户向服务器发起鉴权请求,鉴权请求携带用户特征数据,用户特征数据具体可以是经纬度位置。服务器根据用户上报的经纬度位置对用户是否真实处于商户所在地进行判断,并根据判断结果进行相应的特权分发。有些用户通过位置模拟的方式,修改手机定位绕过系统鉴权逻辑,从而实现了不在商户所处位置也能获取特权。
通过位置模拟获取特权主要包括两类方式,方式一是位置模拟+设备信息修改,方式二是位置模拟+设备信息修改+网络代理。其中,方式一通过修改位置定位信息和设备信息,绕过项目业务逻辑的校验。通过方式一进行位置模拟的用户,其网络IP(InternetProtocol,网际互连协议)信息以及IP常现位置与真实上报信息的正常用户有所区别,基于上述考虑,用户特征包括商户中IP的使用次数、人数和对应的设备数量,IP常现位置与商户距离。采用方式二进行位置模拟的用户,除了使用位置模拟软件修改位置定位信息,使用设备信息修改软件修改设备信息之外,还使用了网络代理绕过鉴权业务逻辑,网络代理的使用导致在判断IP信息是否异常时的难度加大,并且,网络代理使用具有多样化的特点。几种网络代理使用方式的特点如表1所示:
表1网络代理使用方式
用户在发起鉴权请求,以获取特权时,同步上报的用户特征数据包括用户的经纬度、WIFI名称、连接的BSSID(用于唯一标记路由器的信息)、网络的IP信息,以及上述信息在特权项目中的历史使用情况,比如,用户IP的使用时长,用户使用的IP个数,某商家下使用该BSSID的人群分布数据,商家中使用该IP的人群分布数据,IP总体使用情况等。具体地,用户特征可以包括BSSID匹配商家数量、商家中该BSSID出现次数、IP匹配商家数据、商家下该IP使用次数、用户IP定位距离偏移、用户强校验失败次数、用户当天最大移动速度、校验结果、是否多开、是否root、是否位置模拟、用户最近到达的商家数量、设备强校验失败次数、设备使用帐号数量、帐号皮肤数量、角色数量、设备最近到达的商家数量、设备最近最大移动速度、用户最近使用的IP数量、设备最近使用的IP数量、IP使用天数、商家下使用该IP人数、商家下使用该IP的设备数量、商家下最近出现的不同的IP个数、商家最近用户数量、商家最近出现的设备数量等。获取到的用户特征数据可以以文本的形式进行存储,用于构建用户位置识别模型。
S204,根据样本用户特征数据以及样本用户真实位置数据,对预设的神经网络模型进行训练,获得已训练的神经网络模型。
比如,某个IP出现在全国范围内的多个商家下,这种情况很有可能是用户在使用同一网络篡改经纬度位置模拟到店。以用户特征数据包括IP定位距离、IP历史到达的商家数量、设备历史到达的商家数为例,比如,用户a已标记为真实到店用户,用户b已标记为位置模拟用户,用户a的用户特征数据A=[6000,1,1],位置模拟用户b的用户特征数据B=[50000,10,2],根据用户特征数据和已标记的信息对预设的神经网络模型进行训练,尽可能地使得神经网络模型的输出f(A)=真实到店用户,f(B)=位置模拟用户,f表征神经网络模型的作用,可以看作是真实到店用户/位置模拟用户的画像。
在一个实施例中,根据样本用户特征数据以及样本用户真实位置数据,对预设的神经网络模型进行训练,获得已训练的神经网络模型包括:根据样本用户特征数据对应的特征与预设神经网络模型输入参数之间的匹配关系,确定样本用户特征数据对应的神经网络模型;获取每个神经网络模型对应的样本用户特征数据和样本用户真实位置数据;根据样本用户特征数据以及样本用户真实位置数据,分别对各个神经网络模型进行训练,获得已训练的神经网络模型。用户特征数据对应不同维度的特征,不同的神经网络模型对应不同的输入参数,根据用户特征与神经网络模型输入参数之间的匹配关系,比如,用户特征包括特征1、特征2、特征3、特征4和特征5,神经网络模型一的输入参数包括特征1和特征2,神经网络模型二的输入参数包括特征3、特征4和特征5,由此可以确定用户特征数据对应的神经网络模型。在获取到特征1数据、特征2数据、特征3数据、特征4数据、特征5数据以及各个特征数据对应的真实位置数据后,根据匹配关系可以确定特征1数据、特征2数据和两个特征数据分别对应的真实位置数据对应神经网络模型一,特征3数据、特征4数据、特征5数据和三个特征数据分别对应的真实位置数据对应神经网络模型二。根据特征1数据、特征2数据和两个特征数据分别对应的真实位置数据,训练神经网络模型一,特征3数据、特征4数据、特征5数据和三个特征数据分别对应的真实位置数据训练神经网络模型二。
S206,将测试用户特征数据输入至已训练的神经网络模型,得到已训练的神经网络模型输出的用户位置识别结果。
以用户c作为测试用户为例,已知用户c为位置模拟用户,将用户c的用户特征数据C=[80000,4,2]输入至已训练的神经网络模型,得到已训练的神经网络模型输出的用户位置识别结果,即用户c是位置模拟用户还是真实到店用户。
S208,根据用户位置识别结果以及测试用户真实位置数据,对已训练的神经网络模型进行筛选,将筛选得到的已训练的神经网络模型作为用户位置识别模型。
承上所述,比如,已训练的神经网络模型包括模型一、模型二和模型三,将用户c的用户特征数据C分别输入至模型一、模型二和模型三,得到模型输出的用户位置识别结果,具体地,模型一输出的用户位置识别结果:用户c是位置模拟用户,模型二输出的用户位置识别结果:用户c是位置模拟用户,模型三输出的用户位置识别结果:用户c是真实到店用户。而用户c真实位置数据表征其为位置模拟用户,因此,剔除模型三,保留模型一和模型二作为用户位置识别模型。
上述用户位置识别模型的构建方法,通过样本用户特征数据以及样本用户真实位置数据,对预设的神经网络模型进行训练,获得已训练的神经网络模型;将测试用户特征数据输入至已训练的神经网络模型,得到已训练的神经网络模型输出的用户位置识别结果;根据用户位置识别结果以及测试用户真实位置数据,对已训练的神经网络模型进行筛选,将筛选得到的已训练的神经网络模型作为用户位置识别模型,通过样本数据训练得到神经网络模型,再通过测试数据进行模型自检,由此构建用户位置识别模型,后续可以通过用户位置识别模型实现地理位置的识别,且用户位置识别模型通过样本数据对神经网络模型训练,再通过测试数据进行筛选得到,因而可以支持用户位置的高精度识别。
在一个实施例中,将筛选得到的已训练的神经网络模型作为用户位置识别模型之后,还包括:实时侦测并接收客户端上报的到店用户标识以及对应的用户位置;获取到店用户标识对应的用户特征数据,将用户特征数据输入至用户位置识别模型,得到用户位置识别模型输出的用户位置识别结果;当用户位置识别结果与用户位置不一致时,将用户特征数据以及对应的用户位置作为模型修正数据;根据模型修正数据对用户位置识别模型进行更新校准。通过用户位置识别模型进行位置识别,可能会存在误判的情况,可以通过人工上报数据判断是否有误判的发生,当发生误判情况时,将发生误判情况对应的人工上报数据作为模型修正数据,对用户位置识别模型进行更新校准,以提升用户位置识别模型的精准度。
如图3所示,在一个实施例中,提供了一种用户位置识别方法,该方法具体包括如下步骤:
S302,接收目标用户发起的鉴权请求,鉴权请求携带目标用户特征数据。
S304,读取预设的用户位置识别模型,用户位置识别模型由用户位置识别模型的构建方法构建。
S306,将目标用户特征数据输入至用户位置识别模型,根据用户位置识别模型的输出数据,获得目标用户位置识别结果。
上述用户位置识别方法,通过接收目标用户发起的鉴权请求,鉴权请求携带目标用户特征数据;读取预设的用户位置识别模型,用户位置识别模型由用户位置识别模型的构建方法构建;将目标用户特征数据输入至用户位置识别模型,根据用户位置识别模型的输出数据,获得目标用户位置识别结果,通过用户位置识别模型实现地理位置的识别,且用户位置识别模型通过样本数据对神经网络模型训练,再通过测试数据进行筛选得到,因而可以实现用户位置的高精度识别。
在一个实施例中,鉴权请求的数量以及用户位置识别模型的数量为多个;将目标用户特征数据输入至用户位置识别模型,根据用户位置识别模型的输出数据,获得目标用户位置识别结果之前,还包括:获取各个用户位置识别模型的承载系数;根据承载系数,将鉴权请求分配至不同的用户位置识别模型进行处理。承载系数是用于表征用户位置识别模型当前可处理鉴权请求的指标,比如,用户位置识别模型包括模型一、模型二和模型三,模型一的承载系数为30%,模型二的承载系数为20%,模型三的承载系数为50%,当获取到100个鉴权请求时,根据承载系数,将鉴权请求分配至不同的用户位置识别模型进行处理,即模型一处理30个鉴权请求,模型二处理20个鉴权请求,模型三处理50个鉴权请求。
在一个实施例中,获取各个用户位置识别模型的承载系数包括:获取各个用户位置识别模型的属性;根据各个用户位置识别模型的属性以及鉴权请求的数量,确定各个用户位置识别模型的承载系数。用户位置识别模型的属性包括用户位置识别模型的自身属性以及应用属性,用户位置识别模型的自身属性具体可以包括用户位置识别模型的运算量,用户位置识别模型的应用属性可以包括用户位置识别模型的状态是否为生效状态、用户位置识别模型校验总次数、判可信次数、判可疑次数、被洗白次数等。
在一个实施例中,用户位置识别模型的构建和应用示意图如图4所示,图中左边虚线框为在某场景下鉴权请求的业务逻辑示意,从图中的业务后台获取样本库,样本数据以文本的形式进行存储,并分批输入至基于Tensorflow构建的训练集群中,正负样本数据用于神经网络模型的训练,对已训练的神经网络模型进行模型自检,生成用户位置识别模型,模型库中包括多个用户位置识别模型,生成的用户位置识别模型被放置至基于Tensorflow构建的运算集群中进行使用,在新的用户发起鉴权请求时,鉴权请求携带用户特征数据,用户特征数据被输送至运算集群中进行计算,通过用户位置识别模型进行计算得到用户画像,根据计算得到的用户画像对用户进行鉴权判断。
在一个实施例中,运算集群调用用户位置识别模型进行鉴权的时序图如图5所示,用户在客户端登录游戏,由游戏客户端向游戏后台发起登录请求。游戏后台对游戏客户端发起的的登录请求进行校验,并下发可用的游戏token(令牌)。此时,在模型训练集群中,训练样本数据被放置至模型训练集群中进行模型训练。游戏客户端将获取到的游戏token发送至游戏内置的SDK(Software Development Kit,软件开发工具包),游戏SDK将用户信息以及游戏token发送至特权后台,请求特权后台下发可用的游戏特权token。此时,在模型训练集群中对已训练的神经网络模型进行自检。特权后台响应SDK上报的游戏特权请求,并预先生成用户相关的鉴权信息。特权后台向模型管理平台请求可用的模型,在模型训练集群中已训练的神经网络模型会进行测算,模型管理平台根据测算结果加载适用的模型。特权后台根据获取到的用户信息以及模型管理平台反馈的神经网络模型,进行用户环境画像匹配计算,获取计算结果。同步地,模型训练集群生成的可用模型发布至模型管理平台。特权后台的鉴权结果以及商家的介入结果会上报至模型管理平台,实现数据的收集。一方面,特权后台将生成的特权token下发至SDK,游戏SDK将获取到的特权token传递至游戏客户端。另一方面,模型管理平台将收集到的数据上报至模型训练集群中进行样本校准。游戏客户端将获取到的特权token发送至游戏后台进行校验,游戏后台将特权token发送至特权后台进行校验,校验通过之后,游戏后台直接对游戏客户端进行特权下发。
模型管理平台通过人工智能模型的使用,其具有透明度低的特点,尤其是神经网络模型的使用,平台可以有效地管理、校验和发布模型,对模型管理平台的稳定运行具有重要作用。模型管理平台设置有有对应的模块完成校验、管理、发布、数据收集、路由功能,通过各模型的协同作用实现各模型的有效管理和安全切换,从而通过模型管理平台实现在不同的人工智能模型中安全稳定地进行切换。由此可以智能化识别位置模拟用户,有效减少位置模拟用户对项目的负面影响。此外,还可以极大降低商家接入特权活动的时间成本以及金钱成本,模型管理平台可以安全保障模型的部,避免劣质模型对线上鉴权产生的影响。
在一个实施例中,模型管理平台进行模型管理的示意图如图6所示,神经网络模型在训练集群中进行训练生成,通过模型自测之后的模型会被加载至模型管理平台。不同识别能力的模型在模型管理平台中统一进行管理,通过调整不同模型的比重,平台能够实现动态调整线上鉴权平台识别特性的功能。同时在发布新的模型时,基于模型管理平台可以实现模型灰度功能,并且在需要时可以实现回滚,让线上平台有安全保障地无缝升级。
应该理解的是,虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
基于与上述方法相同的思想,图7示出了一个实施例的用户位置识别模型的构建装置的结构示意图,该实施例是以设置在服务器104为例进行说明。
如图7所示,该实施例中的用户位置识别模型的构建装置包括:
数据获取模块702,用于获取样本用户特征数据、样本用户特征数据对应的样本用户真实位置数据、测试用户特征数据及测试用户特征数据对应的测试用户真实位置数据;
模型训练模块704,用于根据样本用户特征数据以及样本用户真实位置数据,对预设的神经网络模型进行训练,获得已训练的神经网络模型;
模型自检模块706,用于将测试用户特征数据输入至已训练的神经网络模型,得到已训练的神经网络模型输出的用户位置识别结果;
模型确定模块708,用于根据用户位置识别结果以及测试用户真实位置数据,对已训练的神经网络模型进行筛选,将筛选得到的已训练的神经网络模型作为用户位置识别模型。
在一个实施例中,用户位置识别模型的构建装置还包括模型校正模块,用于实时侦测并接收客户端上报的到店用户标识以及对应的用户位置;获取到店用户标识对应的用户特征数据,将用户特征数据输入至用户位置识别模型,得到用户位置识别模型输出的用户位置识别结果;当用户位置识别结果与用户位置不一致时,将用户特征数据以及对应的用户位置作为模型修正数据;根据模型修正数据对用户位置识别模型进行更新校准。
在一个实施例中,模型训练模块还用于根据样本用户特征数据对应的特征与预设神经网络模型输入参数之间的匹配关系,确定样本用户特征数据对应的神经网络模型;获取每个神经网络模型对应的样本用户特征数据和样本用户真实位置数据;根据样本用户特征数据以及样本用户真实位置数据,分别对各个神经网络模型进行训练,获得已训练的神经网络模型。
图8示出了一个实施例的用户位置识别装置的结构示意图,该实施例中的用户位置识别装置包括:
请求接收模块802,用于接收目标用户发起的鉴权请求,鉴权请求携带目标用户特征数据;
模型读取模块804,用于读取预设的用户位置识别模型,用户位置识别模型由用户位置识别模型的构建方法构建;
数据处理模块806,用于将目标用户特征数据输入至用户位置识别模型,根据用户位置识别模型的输出数据,获得目标用户位置识别结果。
在一个实施例中,鉴权请求的数量以及用户位置识别模型的数量为多个,用户位置识别装置还包括分配处理模块,用于获取各个用户位置识别模型的承载系数;根据承载系数,将鉴权请求分配至不同的用户位置识别模型进行处理。
在一个实施例中,分配处理模块还用于获取各个用户位置识别模型的属性;根据各个用户位置识别模型的属性以及鉴权请求的数量,确定各个用户位置识别模型的承载系数。
图9示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的移动终端102或服务器104。如图9所示,该计算机设备包括通过系统总线连接的处理器902、存储器904、网络接口906、输入装置908、显示屏910、摄像头912、声音采集装置914和扬声器916。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现用户位置识别模型的构建方法/用户位置识别方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行用户位置识别模型的构建方法/用户位置识别方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的用户位置识别模型的构建装置可以实现为一种计算机程序的形式,计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成该用户位置识别模型的构建装置的各个程序模块,比如,图7所示的数据获取模块、模型训练模块、模型自检模块和模型确定模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的用户位置识别模型的构建方法中的步骤。
例如,图9所示的计算机设备可以通过如图7所示的用户位置识别模型的构建装置中的数据获取模块执行获取样本用户特征数据、样本用户特征数据对应的样本用户真实位置数据、测试用户特征数据及测试用户特征数据对应的测试用户真实位置数据。计算机设备可以通过模型训练模块执行根据样本用户特征数据以及样本用户真实位置数据,对预设的神经网络模型进行训练,获得已训练的神经网络模型。计算机设备可以通过模型自检模块执行将测试用户特征数据输入至已训练的神经网络模型,得到已训练的神经网络模型输出的用户位置识别结果。计算机设备可以通过模型确定模块执行根据用户位置识别结果以及测试用户真实位置数据,对已训练的神经网络模型进行筛选,将筛选得到的已训练的神经网络模型作为用户位置识别模型。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述用户位置识别模型的构建方法/用户位置识别方法的步骤。此处用户位置识别模型的构建方法/用户位置识别方法的步骤可以是上述各个实施例的用户位置识别模型的构建方法/用户位置识别方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述用户位置识别模型的构建方法/用户位置识别方法的步骤。此处用户位置识别模型的构建方法/用户位置识别方法的步骤可以是上述各个实施例的用户位置识别模型的构建方法/用户位置识别方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用户位置识别模型的构建方法,所述方法包括:
获取样本用户特征数据、所述样本用户特征数据对应的样本用户真实位置数据、测试用户特征数据及所述测试用户特征数据对应的测试用户真实位置数据;
根据所述样本用户特征数据以及所述样本用户真实位置数据,对预设的神经网络模型进行训练,获得已训练的神经网络模型;
将所述测试用户特征数据输入至所述已训练的神经网络模型,得到所述已训练的神经网络模型输出的用户位置识别结果;
根据所述用户位置识别结果以及所述测试用户真实位置数据,对所述已训练的神经网络模型进行筛选,将筛选得到的已训练的神经网络模型作为用户位置识别模型。
2.根据权利要求1所述的方法,其特征在于,所述将筛选得到的已训练的神经网络模型作为用户位置识别模型之后,还包括:
实时侦测并接收客户端上报的到店用户标识以及对应的用户位置;
获取所述到店用户标识对应的用户特征数据,将所述用户特征数据输入至所述用户位置识别模型,得到所述用户位置识别模型输出的用户位置识别结果;
当所述用户位置识别结果与所述用户位置不一致时,将所述用户特征数据以及对应的用户位置作为模型修正数据;
根据所述模型修正数据对所述用户位置识别模型进行更新校准。
3.根据权利要求1所述的方法,其特征在于,所述根据所述样本用户特征数据以及所述样本用户真实位置数据,对预设的神经网络模型进行训练,获得已训练的神经网络模型包括:
根据所述样本用户特征数据对应的特征与预设神经网络模型输入参数之间的匹配关系,确定所述样本用户特征数据对应的神经网络模型;
获取每个神经网络模型对应的样本用户特征数据和样本用户真实位置数据;
根据所述样本用户特征数据以及所述样本用户真实位置数据,分别对各个神经网络模型进行训练,获得已训练的神经网络模型。
4.一种用户位置识别方法,其特征在于,所述方法包括:
接收目标用户发起的鉴权请求,所述鉴权请求携带目标用户特征数据;
读取预设的用户位置识别模型,所述用户位置识别模型由权利要求1-3任一项所述的方法构建;
将所述目标用户特征数据输入至所述用户位置识别模型,根据所述用户位置识别模型的输出数据,获得目标用户位置识别结果。
5.根据权利要求4所述的方法,其特征在于,所述鉴权请求的数量以及所述用户位置识别模型的数量为多个;
所述将所述目标用户特征数据输入至所述用户位置识别模型,根据所述用户位置识别模型的输出数据,获得目标用户位置识别结果之前,还包括:
获取各个用户位置识别模型的承载系数;
根据所述承载系数,将所述鉴权请求分配至不同的用户位置识别模型进行处理。
6.根据权利要求5所述的方法,其特征在于,所述获取各个用户位置识别模型的承载系数包括:
获取各个用户位置识别模型的属性;
根据所述各个用户位置识别模型的属性以及所述鉴权请求的数量,确定所述各个用户位置识别模型的承载系数。
7.一种用户位置识别模型的构建装置,其特征在于,所述装置包括:
数据获取模块,用于获取样本用户特征数据、所述样本用户特征数据对应的样本用户真实位置数据、测试用户特征数据及所述测试用户特征数据对应的测试用户真实位置数据;
模型训练模块,用于根据所述样本用户特征数据以及所述样本用户真实位置数据,对预设的神经网络模型进行训练,获得已训练的神经网络模型;
模型自检模块,用于将所述测试用户特征数据输入至所述已训练的神经网络模型,得到所述已训练的神经网络模型输出的用户位置识别结果;
模型确定模块,用于根据所述用户位置识别结果以及所述测试用户真实位置数据,对所述已训练的神经网络模型进行筛选,将筛选得到的已训练的神经网络模型作为用户位置识别模型。
8.一种用户位置识别装置,其特征在于,所述装置包括:
请求接收模块,用于接收目标用户发起的鉴权请求,所述鉴权请求携带目标用户特征数据;
模型读取模块,用于读取预设的用户位置识别模型,所述用户位置识别模型由权利要求1-3任一项所述的方法构建;
数据处理模块,用于将所述目标用户特征数据输入至所述用户位置识别模型,根据所述用户位置识别模型的输出数据,获得目标用户位置识别结果。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至6任一项所述方法的步骤。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010099803.2A CN111340210A (zh) | 2020-02-18 | 2020-02-18 | 用户位置识别模型的构建方法和用户位置识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010099803.2A CN111340210A (zh) | 2020-02-18 | 2020-02-18 | 用户位置识别模型的构建方法和用户位置识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111340210A true CN111340210A (zh) | 2020-06-26 |
Family
ID=71185409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010099803.2A Pending CN111340210A (zh) | 2020-02-18 | 2020-02-18 | 用户位置识别模型的构建方法和用户位置识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340210A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768113A (zh) * | 2020-07-03 | 2020-10-13 | 许艳杰 | 一种基于公有云的水利工程管理系统和方法 |
CN113777938A (zh) * | 2021-08-31 | 2021-12-10 | 东风柳州汽车有限公司 | 一种家电控制方法、装置、设备及存储介质 |
CN116051155A (zh) * | 2023-03-29 | 2023-05-02 | 北京嘀嘀无限科技发展有限公司 | 用户识别方法、装置、设备、存储介质和程序产品 |
-
2020
- 2020-02-18 CN CN202010099803.2A patent/CN111340210A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768113A (zh) * | 2020-07-03 | 2020-10-13 | 许艳杰 | 一种基于公有云的水利工程管理系统和方法 |
CN113777938A (zh) * | 2021-08-31 | 2021-12-10 | 东风柳州汽车有限公司 | 一种家电控制方法、装置、设备及存储介质 |
CN113777938B (zh) * | 2021-08-31 | 2023-07-18 | 东风柳州汽车有限公司 | 一种家电控制方法、装置、设备及存储介质 |
CN116051155A (zh) * | 2023-03-29 | 2023-05-02 | 北京嘀嘀无限科技发展有限公司 | 用户识别方法、装置、设备、存储介质和程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197058B (zh) | 统一内控安全管理方法、系统、介质及电子设备 | |
CN111340210A (zh) | 用户位置识别模型的构建方法和用户位置识别方法 | |
CN111612168B (zh) | 一种机器学习任务的管理方法以及相关装置 | |
US10740411B2 (en) | Determining repeat website users via browser uniqueness tracking | |
WO2020040937A2 (en) | Blockchain-based service rental method, apparatus, and system, and electronic device | |
WO2019052234A1 (zh) | 产品算法自动化测试方法及应用服务器 | |
CN110300124A (zh) | 一种访问控制方法、系统、电子设备及可读介质 | |
CN110311891B (zh) | 账户管理方法、装置、计算机设备及存储介质 | |
CN113221163B (zh) | 一种训练模型的方法及系统 | |
CN112947945B (zh) | 一种多类型应用发布方法、装置、计算机设备和存储介质 | |
CN110287250A (zh) | 用户等级量化方法和装置 | |
CN111258832B (zh) | 一种接口参数校验方法、装置、设备及介质 | |
CN107798536A (zh) | 信用额度处理方法和装置 | |
CN109711656B (zh) | 多系统关联预警方法、装置、设备及计算机可读存储介质 | |
CN112561690B (zh) | 信用卡分期业务接口的测试方法、系统、设备及存储介质 | |
CN112702410B (zh) | 一种基于区块链网络的评估系统、方法及相关设备 | |
CN108038667B (zh) | 保单生成方法、装置及设备 | |
CN111273962B (zh) | 配置管理方法、装置、计算机可读存储介质和计算机设备 | |
CN109587244A (zh) | 云手机数据处理方法、装置、计算机可读存储介质及电子设备 | |
CN116388982A (zh) | 设备匿名化数据关联处理方法、装置、终端 | |
CN115168848B (zh) | 基于大数据分析拦截的拦截反馈处理方法 | |
CN116109215A (zh) | 可信数控系统的可信性量化评估方法、装置和计算机设备 | |
Hu et al. | Tfchain: Blockchain-based trusted forensics scheme for mobile phone data whole process | |
CN113516065B (zh) | 基于区块链的资料权重测算方法、装置、服务器及存储介质 | |
CN110992166B (zh) | 在线申请贷款的测试方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40023557 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |