CN111881007A - 操作行为判断方法、装置、设备及计算机可读存储介质 - Google Patents
操作行为判断方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111881007A CN111881007A CN201910964330.5A CN201910964330A CN111881007A CN 111881007 A CN111881007 A CN 111881007A CN 201910964330 A CN201910964330 A CN 201910964330A CN 111881007 A CN111881007 A CN 111881007A
- Authority
- CN
- China
- Prior art keywords
- intensity index
- time period
- behavior
- data
- operation behavior
- 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 49
- 230000006399 behavior Effects 0.000 claims abstract description 168
- 230000003068 static effect Effects 0.000 claims description 22
- 230000033001 locomotion Effects 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 8
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000004913 activation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种操作行为判断方法、装置、设备及计算机可读存储介质，涉及数据技术领域，以解决对终端设备的操作行为的检测准确率不高的问题。该方法包括：基于在第一时间段内对终端设备的操作，获取在所述第一时间段内终端设备的操作行为轨迹；在所述第一时间段内，获取所述终端设备的至少一个传感器的数据；根据所述操作行为轨迹，获取行为强度指数；根据所述至少一个传感器的数据，获取运动学强度指数；根据所述行为强度指数和所述运动学强度指数，对所述第一时间段内的终端设备的操作行为进行判断，获得判断结果。本发明实施例可提高对用户操作行为的检测准确率。
Description
技术领域
本发明涉及数据技术领域，尤其涉及一种操作行为判断方法、装置、设备及计算机可读存储介质。
背景技术
随着移动互联网的兴起，为了获取到各大排行榜的优质排名，出现了影视剧大量刷观看次数，微信公众号刷十万加，微博刷浏览量等各种异常流量作弊手段。这妨碍了互联网信息流动的公平性。因此，需要有效的技术手段对流量作弊的行为进行挖掘。
现有技术中通过业务专家手动对批量作弊等异常操作行为进行挖掘。但是这种方式主要依赖于人的主观判断，从而造成了对用户操作行为的检测准确率不高，且效率低。
发明内容
本发明实施例提供一种操作行为判断方法、装置、设备及计算机可读存储介质，以解决现有技术对用户操作行为的检测准确率不高的问题。
第一方面，本发明实施例提供了一种操作行为判断方法，包括：
基于在第一时间段内对终端设备的操作，获取在所述第一时间段内对所述终端设备的操作行为轨迹；
在所述第一时间段内，获取所述终端设备的至少一个传感器的数据；
根据所述对终端设备的操作行为轨迹，获取行为强度指数；
根据所述至少一个传感器的数据，获取运动学强度指数；
根据所述行为强度指数和所述运动学强度指数，对所述第一时间段内的对所述终端设备的操作行为进行判断，获得判断结果。
第二方面，本发明实施例还提供一种操作行为判断装置，包括：
第一获取模块，用于基于在第一时间段内对终端设备的操作，获取在所述第一时间段内对所述终端设备的操作行为轨迹；
第二获取模块，用于在所述第一时间段内，获取所述终端设备的至少一个传感器的数据；
第三获取模块，用于根据所述对终端设备的操作行为轨迹，获取行为强度指数；
第四获取模块，用于根据所述至少一个传感器的数据，获取运动学强度指数；
判断模块，用于根据所述行为强度指数和所述运动学强度指数，对所述第一时间段内的对所述终端设备的操作行为进行判断，获得判断结果。
第三方面，本发明实施例还提供一种处理设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如上所述的操作行为判断方法中的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的操作行为判断方法中的步骤。
在本发明实施例中，根据在第一时间段内的终端设备的操作行为轨迹和至少一个传感器的数据分别获得行为强度指数和运动学强度指数，从而对终端设备的操作行为进行判断，获得判断结果。因此，利用本发明实施例的方案无需人为的对终端设备的操作行为进行判断，从而可提高对终端设备的操作行为的检测准确率，避免流量欺诈。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的操作行为判断方法的流程图之一；
图2是本发明实施例提供的根据TAA数据和SAG数据，分别得到第一分数值、第二分数值以及第三分数值的过程示意图；
图3是本发明实施例提供的操作行为判断方法的流程图之二；
图4是本发明实施例提供的操作行为判断装置的结构图；
图5是本发明实施例提供的处理设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1是本发明实施例提供的操作行为判断方法的流程图，如图1所示，包括以下步骤：
步骤101、基于在第一时间段内对终端设备的操作，获取在所述第一时间段内对所述终端设备的操作行为轨迹。
其中，所述第一时间段的长度可以任意设置。对终端设备的操作例如可以是打开某个应用程序，点击，删除等。操作行为轨迹正是由这些操作所形成的对终端设备的某个app、app内界面或是某个网站的操作的记录。在实际应用中，这些操作行为的记录可对应用户信息存储在数据库中，因此，可通过用户的信息，从数据库中获取该用户的信息对应的操作行为轨迹。其中，所述用户的信息例如可以是用户的名称等。进一步的，在实际中，对终端设备的操作可能是真实用户的操作，也有可能是自动程序进行的操作。
步骤102、在所述第一时间段内，获取所述终端设备的至少一个传感器的数据。
本发明实施例的方法可应用于终端设备等电子设备。那么，在终端设备中可设置有TAA(Three-Axis Accelerometer，三轴加速度计)以及SAG(Six-Axis Gyroscope，六轴陀螺仪)，并可分别采集各个传感器的数据。
在本发明实施例中，所述至少一个传感器包括TAA和SAG的一个或者两个。因此，在本发明实施例中，在所述第一时间段内，获取所述终端设备的至少一个传感器的数据，具体指的是，获取TAA和SAG中的一个或者两个数据。
为提高判断的准确性，以获取TAA和SAG的数据为例，在本发明实施例中，在所述第一时间段内，分别获取所述TAA的TAA数据以及所述SAG的SAG数据。
步骤103、根据所述对终端设备的操作行为轨迹，获取行为强度指数。
所述行为强度指数(Intensity Of Behavior Index，IOBI)用于表示终端设备的操作行为的强烈程度。其中，所述行为强度例如可以是对终端屏幕的点击的次数的多少，对终端程序的运行次数等。在本发明实施例中，将终端设备操作的行为强度划分为三个等级，分别用第一强度指数，第二强度指数和第三强度指数表示，其中，所述第一强度指数所表示的行为强度最高，所述第三强度指示所表示的行为强度最弱。也即，第一强度指数、第二强度指数、第三强度指数所表示的行为强度逐渐变小。例如，第一强度指数表示行为强度为强，第二强度指数表示行为强度正常，第三强度指数表示行为强度弱。那么，对于强、正常和弱的划分或者标准，可预先设定。
在此步骤中，对所述操作行为轨迹进行预处理，得到预处理结果，基于所述预处理结果，获得所述行为强度指数。
其中，所述预处理包括对操作行为轨迹进行标签化序列特征处理。例如，对操作行为轨迹进行分析，确定其行为类型，事件类型，激活时间，激活状态，激活(行为)强度，某个操作行为相关联的操作行为等信息。
例如，对某个操作行为轨迹进行预处理之后的结果表示为如下表1所示。
表1
| 行为类型 | 事件类型 | 激活时间 | 激活状态 | 激活强度 | 上一个行为 |
| 文字阅读 | 滑动 | N秒 | 是/否 | 正常/弱/强 | 点击 |
步骤104、根据所述至少一个传感器的数据，获取运动学强度指数。
其中，运动学强度指数(Intensity Of Kinematics Index，IOKI)用于表示是在用户操作终端设备的过程中所引起的终端设备运动的强度。
在此实施例中，根据所述TAA数据和所述SAG数据，分别得到第一分数值和第二分数值，再将所述第一分数值和所述第二分数值进行加权求和，得到所述运动学强度指数。
其中，结合图2，根据所述TAA数据和所述SAG数据，分别得到第一分数值、第二分数值以及第三分数值，包括如下过程：
(1)对所述TAA数据和所述SAG数据进行预处理，得到TAA特征数据子集和SAG特征数据子集。
其中，所述预处理指的是，从所述TAA数据和所述SAG数据提取特征数据，并可根据这些特征数据进行运算。
如下表2所示，可从TAA数据和所述SAG数据中取表中的特征数据。
表2
其中，TAA数据子集可包括TAA传感器的x/y/z轴的数据，对x/y/z轴或者某个轴的数据进行运算后的结果(求均值(Mean)，方差(Std))。SAG特征数据子集可包括SAG传感器Roll/Pitch/Yaw轴的数据，SAG传感器x1/y1/z1轴的数据，某个轴的数据进行运算后的结果(求均值(Mean)，方差(Std))等等。
(2)将所述TAA特征数据子集和所述SAG特征数据子集进行拼接，形成所述特征数据集。
例如，将在某个时刻获得的TAA特征数据子集和SAG特征数据子集形成一个向量，作为第一特征数据集。
(3)对所述第一时间段内的运动状态进行分类并对分类结果进行离散化处理，得到标签数据。
在此，对所述第一时间段内的运动状态进行分类。然后，将分类结果进行2类离散化处理，得到标签数据。在具体应用中，可将运动状态分类为，如运动状态，静止状态，并对每个运动状态进行标记。
(4)将所述特征数据集和所述标签数据作为预测模型的输入，得到所述第一分数值。
其中，所述机器学习模型例如可以是监督学习模型，深度学习模型，逻辑回归模型等等。在本发明实施例中，还可预先训练所述机器学习模型。
将所述特征数据集和所述标签数据作为预测模型的输入，可得到所述第一分数值。
在上述的过程中，第一分数值M2的取值范围[0,1]。
当然，在实际应用中，也可先训练该预测模型。例如，该预测模型可为RNN(Recurrent Neural Network，循环神经网络)。
具体的，在训练预测模型的过程中，首先，在某个时间段内，分别获取所述TAA的第五数据以及所述SAG的第六数据。然后，对所述第五数据和所述第六数据进行预处理，得到特征数据集。其中，进行预处理的方式和以上描述的预处理的方式相同。接着，对该时间段内的运动状态进行分类并对分类结果进行离散化处理，得到标签数据。在具体应用中，可将该时间段内的运动状态进行分类，如运动状态，静止状态，并对每个运动状态进行标记。然后，将分类结果进行2类离散化处理，得到标签数据。最后，将得到的特征数据集和标签数据输入到模型训练模块并进行训练，得到预测模型。
(5)根据所述TAA特征数据子集和所述SAG特征数据子集，得到所述第二分数值。
具体的，对所述TAA特征数据子集和所述SAG特征数据子集进行运算，得到运算值。在所述运算值大于或等于第一预设阈值的情况下，所述第二分数值的取值为1；在所述运算值小于所述第一预设阈值的情况下，所述第二分数值为所述运算值和所述第一预设阈值的商。
具体的，结合表2中的数据，按照如下方式计算运算值：
其中，M1_index表示运算值，mean()表示对括号中的数据求均值，std()表示对括号中的数据求方差。
当M1_index<A，第二分数值M1的取值为M1_index/A；当M1_index>＝A，第二分数值的取值为1。其中，A大于或等于1，例如取值为1、2、3。
基于以上，IOKI＝w1×M1+(1-w1)×M2。其中，w1的取值为[0,1]。
其中，可根据IOKI的取值，确定动静类型。对应关系如表3所示：
表3
| IOKI | 动静类型 |
| 大于或等于B | 动 |
| 大于0且小于B | 静 |
基于以上描述，如表4所示，对终端设备的操作得到如下分析结果：
表4
| 行为类型 | 事件类型 | 激活时间 | 激活状态 | 动静程度 |
| 文字阅读 | 滑动 | N秒 | 是 | 动 |
| 文字阅读 | 滑动 | N秒 | 是 | 动 |
| 流媒体消费 | 正常播放 | N1秒 | 是 | 动 |
| 咨询流消费 | 滑动 | N2秒 | 是 | 动 |
| … | … | … | … | … |
| 锁屏 | 无 | N3秒 | 否 | 静 |
步骤105、根据所述行为强度指数和所述运动学强度指数，对所述第一时间段内的终端设备的操作行为进行判断，获得判断结果。
具体的，在所述行为强度指数为所述第一强度指数且所述运动学强度指数所表示的动静类型为静的情况下，确定在所述第一时间段内终端设备发生了操作行为异常的情况；否则，确定在所述第一时间段内终端设备未发生操作行为异常的情况。也即，在检测到行为轨迹活跃，但运动学轨迹静止的情况下，视为用户行为异常，其他的则视为正常。
其中，在所述运动学强度指数大于或等于第二预设阈值的情况下，所述运动学强度指数所表示的动静类型为动；在所述运动学强度指数大于0且小于所述第二预设阈值的情况下，所述运动学强度指数所表示的动静类型为静；所述第二预设阈值为常数，且所述第二预设阈值大于0且小于1。
在本发明实施例中，根据在第一时间段内对终端设备的操作行为轨迹和至少一个传感器的数据分别获得行为强度指数和运动学强度指数，从而对终端设备的操作行为进行判断，获得判断结果。因此，利用本发明实施例的方案无需人为的对终端设备的操作行为进行判断，从而可提高对终端设备的操作行为的检测准确率，并可自动判断对终端设备的操作是否为异常操作，及时识别操作风险。
在实际应用中，还可在一个大的时间段内(如一天，一周等)，进行多次对终端设备的操作行为进行判断，从而确定在大的时间内终端设备的操作行为是否异常。
具体的，在第二时间段内，获得对终端设备的操作行为的多个判断结果，其中，所述第二时间段被划分为时间长度相等的多个子时间段，所述第一时间段为所述多个子时间段中的任意一个。根据所述多个判断结果，对所述第二时间段内终端设备的操作行为进行判断，获得判断结果。
例如，以1个小时为例，划分为4个时间段，分别在每个时间段内按照上述的方式判断终端设备的操作行为，得到判断结果。对于获得的判断结果，将其进行归类。如果表示操作行为正常的判断结果的比例大于某个预设值(可任意设置)，那么可说明在该1个小时内终端设备的操作行为正常，否则可认为终端设备的操作行为异常。
接下来，结合一具体的应用场景说明本发明实施例解决的技术问题和达到的技术效果。例如，针对一些投机用户，经常使用电脑或者移动终端或者远程控制其他终端设备来进行网页刷流量的行为。检测到某终端设备的操作行为轨迹比较活跃，一直不停地执行登录，退出，登录，退出某网页的操作，根据检测到的操作行为轨迹得到在一段时间内该终端设备的行为强度指数，所述行为强度指数为第一强度指数，且其强度指数在该段时间内是直线上升状态(短时间内上升次数明显，达到上百次甚至上千次)；还检测到该终端设备的TAA和/或SAG传感器数据，并根据检测到的TAA和/或SAG传感器数据得到运动强度指数，得到的运动强度指数为0；则根据行为强度指数和运动强度指数判断该终端设备的操作行为为异常操作行为，进一步地，由于行为强度指数次数较多(短时间内达到上百次)，可以判断出该终端设备可能在进行刷影视剧的观看次数、刷微信公众号的浏览量或者刷微博浏览量等流量作弊行为。因此，利用本实施例的方案可以通过终端设备的行为强度指数和运动强度指数来实时判断出终端设备是否处于流量作弊的异常操作行为，解决现有技术中，需要人工进行大数据分析后才能得到流量作弊行为的问题，从而可以及时识别异常操作行为并及时做出相应的应对措施，减少风险。
参阅图3，图3是本发明实施例的操作行为判断方法的流程图。如图3所示，可包括如下步骤：
步骤301、从数据库里提取用户的信息，对操作行为轨迹进行标签化序列特征处理，得到轨迹标签数据。
步骤302、按照指定频率获取TAA/SAG传感器的原始数据，然后提取时域和频域相关特征。
步骤303、将步骤301的预处理的轨迹标签数据，进行规则化的分析和判断，获取用户的IOBI和行为(如看电视，看网页)类型。
步骤304、利用步骤303获取的TAA/SAG传感器特征数据，计算得到IOKI。
步骤305、将第步骤303和步骤304结果进行异常时间点判断，得出当前时间用户的终端设备的操作行为是否异常。
步骤306、每隔时间T(如：3秒)，将步骤301到步骤305循环进行，获得到关于时间序列的异常状态序列X，包括t1，t2……tn时刻的判断结果。
步骤307、将获取到的异常状态序列X，进行同类处理，可以得到用户异常序列，比如：取最新的N(为正整数)个点，对时间区间(now-T*N，now)进行区间异常判断，now表示当前时间。
例如，在时间区间内，判断结果为异常的时间点的比例大于某个值时，可认为时间区间内的用户行为异常。
之后，可根据判断结果做相应的处理。
通过以上描述可以看出，利用本发明实施例的方案，通过多个维度，获取用户状态，提升了对用户状态判断的准确性以及时效性。同时，本发明实施例通过基于时间的点序列状态建模方法，和时间窗判断方法，提升了对用户不同周期状态判断。
本发明实施例还提供了一种操作行为判断装置。参见图4，图4是本发明实施例提供的操作行为判断装置的结构图。由于操作行为判断装置解决问题的原理与本发明实施例中操作行为判断方法相似，因此该操作行为判断装置的实施可以参见方法的实施，重复之处不再赘述。
如图4所示，操作行为判断装置400包括：
第一获取模块401，用于基于在第一时间段内对终端设备的操作，获取在所述第一时间段内所述终端设备的操作行为轨迹；第二获取模块402，用于在所述第一时间段内，获取所述终端设备的至少一个传感器的数据；第三获取模块404，用于根据所述终端设备的操作行为轨迹，获取行为强度指数；第四获取模块404，用于根据所述至少一个传感器的数据，获取运动学强度指数；判断模块405，用于根据所述行为强度指数和所述运动学强度指数，对所述第一时间段内的终端设备的操作行为进行判断，获得判断结果。
可选的，所述第一获取模块401包括：
预处理子模块，用于对所述操作行为轨迹进行预处理，得到预处理结果；获取子模块，用于基于所述预处理结果，获得所述行为强度指数；
其中，所述行为强度指数至少包括第一强度指数，第二强度指数和第三强度指数；所述第一强度指数所表示的行为强度最高，所述第三强度指示所表示的行为强度最弱。
可选的，所述终端设备的传感器包括TAA和SAG；第二获取模块402具体用于，在所述第一时间段内，分别获取所述TAA的TAA数据以及所述SAG的SAG数据。
可选的，第三获取模块404可包括：第一获取子模块，用于根据所述TAA数据和所述SAG数据，分别得到第一分数值和第二分数值；第二获取子模块，用于将所述第一分数值和所述第二分数值进行加权求和，得到所述运动学强度指数。
可选的，第一获取子模块可包括：
预处理单元，用于分别对所述TAA数据和所述SAG数据进行预处理，得到TAA特征数据子集和SAG特征数据子集；拼接单元，用于将所述TAA特征数据子集和所述SAG特征数据子集进行拼接，形成所述特征数据集；分类单元，用于对所述第一时间段内的运动状态进行分类并对分类结果进行离散化处理，得到标签数据；第一处理单元，用于将所述特征数据集和所述标签数据作为预测模型的输入，得到所述第一分数值；第二处理单元，用于根据所述TAA特征数据子集和所述SAG特征数据子集，得到所述第二分数值。
其中，所述第二处理单元可包括：
运算子单元，员工与对所述TAA特征数据子集和所述SAG特征数据子集进行运算，得到运算值；处理子单元，用于在所述运算值大于或等于第一预设阈值的情况下，所述第二分数值的取值为1；在所述运算值小于所述第一预设阈值的情况下，所述第二分数值为所述运算值和所述第一预设阈值的商。
可选的，判断模块405具体用于，在所述行为强度指数为所述第一强度指数且所述运动学强度指数所表示的动静类型为静的情况下，确定在所述第一时间段内发生了用户操作行为异常的情况；否则，确定在所述第一时间段内未发生用户操作行为异常的情况；其中，在所述运动学强度指数大于或等于第二预设阈值的情况下，所述运动学强度指数所表示的动静类型为动；在所述运动学强度指数大于0且小于所述第二预设阈值的情况下，所述运动学强度指数所表示的动静类型为静；所述第二预设阈值为常数，且所述第二预设阈值大于0且小于1。
可选的，所述装置还可包括：
第六获取模块，用于在第二时间段内，获得对用户操作行为的多个判断结果，其中，所述第二时间段被划分为时间长度相等的多个子时间段，所述第一时间段为所述多个子时间段中的任意一个；处理模块，用于根据所述多个判断结果，对所述第二时间段内的用户操作行为进行判断，获得判断结果。
本发明实施例提供的装置，可以执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
本发明实施例还提供了一种处理设备。由于处理设备解决问题的原理与本发明实施例中操作行为判断方法相似，因此该终端的实施可以参见方法的实施，重复之处不再赘述。如图5所示，本发明实施例的处理设备，包括：处理器500，用于读取存储器520中的程序，执行下列过程：
基于用户在第一时间段内对终端设备的操作，获取在所述第一时间段内的终端设备的操作行为轨迹；
在所述第一时间段内，获取所述终端设备的至少一个传感器的数据；
根据所述终端设备的操作行为轨迹，获取行为强度指数；
根据所述至少一个传感器的数据，获取运动学强度指数；
根据所述行为强度指数和所述运动学强度指数，对所述第一时间段内的终端设备的操作行为进行判断，获得判断结果。
收发机510，用于在处理器500的控制下接收和发送数据。
其中，在图5中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器500代表的一个或多个处理器和存储器520代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机510可以是多个元件，即包括发送机和收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器500负责管理总线架构和通常的处理，存储器520可以存储处理器500在执行操作时所使用的数据。
处理器500负责管理总线架构和通常的处理，存储器520可以存储处理器500在执行操作时所使用的数据。
处理器500还用于读取所述程序，执行如下步骤:
对所述操作行为轨迹进行预处理，得到预处理结果；
基于所述预处理结果，获得所述行为强度指数；
其中，所述行为强度指数至少包括第一强度指数，第二强度指数和第三强度指数；所述第一强度指数所表示的行为强度最高，所述第三强度指示所表示的行为强度最弱。
所述终端设备的传感器包括TAA和SAG；处理器500还用于读取所述程序，执行如下步骤:
在所述第一时间段内，分别获取所述TAA的TAA数据以及所述SAG的SAG数据。
处理器500还用于读取所述程序，执行如下步骤:
根据所述TAA数据和所述SAG数据，分别得到第一分数值和第二分数值；
将所述第一分数值和所述第二分数值进行加权求和，得到所述运动学强度指数。
处理器500还用于读取所述程序，执行如下步骤:
分别对所述TAA数据和所述SAG数据进行预处理，得到TAA特征数据子集和SAG特征数据子集；
将所述TAA特征数据子集和所述SAG特征数据子集进行拼接，形成所述特征数据集；
对所述第一时间段内的运动状态进行分类并对分类结果进行离散化处理，得到标签数据；
将所述特征数据集和所述标签数据作为预测模型的输入，得到所述第一分数值；
根据所述TAA特征数据子集和所述SAG特征数据子集，得到所述第二分数值。
处理器500还用于读取所述程序，执行如下步骤:
对所述TAA特征数据子集和所述SAG特征数据子集进行运算，得到运算值；
在所述运算值大于或等于第一预设阈值的情况下，所述第二分数值的取值为1；
在所述运算值小于所述第一预设阈值的情况下，所述第二分数值为所述运算值和所述第一预设阈值的商。
处理器500还用于读取所述程序，执行如下步骤:
在所述行为强度指数为所述第一强度指数且所述运动学强度指数所表示的动静类型为静的情况下，确定在所述第一时间段内发生了用户操作行为异常的情况；否则，确定在所述第一时间段内未发生用户操作行为异常的情况；
其中，在所述运动学强度指数大于或等于第二预设阈值的情况下，所述运动学强度指数所表示的动静类型为动；在所述运动学强度指数大于0且小于所述第二预设阈值的情况下，所述运动学强度指数所表示的动静类型为静；
所述第二预设阈值为常数，且所述第二预设阈值大于0且小于1。
处理器500还用于读取所述程序，执行如下步骤:
在第二时间段内，获得对终端设备的操作行为的多个判断结果，其中，所述第二时间段被划分为时间长度相等的多个子时间段，所述第一时间段为所述多个子时间段中的任意一个；
根据所述多个判断结果，对所述第二时间段内的终端设备的操作行为进行判断，获得判断结果。
本发明实施例提供的处理设备，可以执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述操作行为判断方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。根据这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。
Claims (11)
1.一种操作行为判断方法，其特征在于，包括：
基于在第一时间段内对终端设备的操作，获取在所述第一时间段内对所述终端设备的操作行为轨迹；
在所述第一时间段内，获取所述终端设备的至少一个传感器的数据；
根据所述对终端设备的操作行为轨迹，获取行为强度指数；
根据所述至少一个传感器的数据，获取运动学强度指数；
根据所述行为强度指数和所述运动学强度指数，对所述第一时间段内的对所述终端设备的操作行为进行判断，获得判断结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述对终端设备的操作行为轨迹，获取行为强度指数，包括：
对所述操作行为轨迹进行预处理，得到预处理结果；
基于所述预处理结果，获得所述行为强度指数；
其中，所述行为强度指数至少包括第一强度指数，第二强度指数和第三强度指数；所述第一强度指数所表示的行为强度最高，所述第三强度指数所表示的行为强度最弱。
3.根据权利要求1所述的方法，其特征在于，所述终端设备的传感器包括三轴加速度计TAA和六轴陀螺仪SAG；
所述在所述第一时间段内，获取所述终端设备的至少一个传感器的数据，包括：
在所述第一时间段内，分别获取所述TAA的TAA数据以及所述SAG的SAG数据。
4.根据权利要求3所述的方法，其特征在于，所述根据所述至少一个传感器的数据，获取运动学强度指数，包括：
根据所述TAA数据和所述SAG数据，分别得到第一分数值和第二分数值；
将所述第一分数值和所述第二分数值进行加权求和，得到所述运动学强度指数。
5.根据权利要求4所述的方法，其特征在于，所述根据所述TAA数据和所述SAG数据，分别得到第一分数值和第二分数值，包括：
分别对所述TAA数据和所述SAG数据进行预处理，得到TAA特征数据子集和SAG特征数据子集；
将所述TAA特征数据子集和所述SAG特征数据子集进行拼接，形成所述特征数据集；
对所述第一时间段内的运动状态进行分类并对分类结果进行离散化处理，得到标签数据；
将所述特征数据集和所述标签数据作为预测模型的输入，得到所述第一分数值；
根据所述TAA特征数据子集和所述SAG特征数据子集，得到所述第二分数值。
6.根据权利要求5所述的方法，其特征在于，所述根据所述TAA特征数据子集和所述SAG特征数据子集，得到所述第二分数值，包括：
对所述TAA特征数据子集和所述SAG特征数据子集进行运算，得到运算值；
在所述运算值大于或等于第一预设阈值的情况下，所述第二分数值的取值为1；
在所述运算值小于所述第一预设阈值的情况下，所述第二分数值为所述运算值和所述第一预设阈值的商。
7.根据权利要求2所述的方法，其特征在于，所述根据所述行为强度指数和所述运动学强度指数，对所述第一时间段内的对所述终端设备的操作行为进行判断，获得判断结果，包括：
在所述行为强度指数为所述第一强度指数且所述运动学强度指数所表示的动静类型为静的情况下，确定在所述第一时间段内发生了操作行为异常的情况；否则，确定在所述第一时间段内未发生操作行为异常的情况；
其中，在所述运动学强度指数大于或等于第二预设阈值的情况下，所述运动学强度指数所表示的动静类型为动；在所述运动学强度指数大于0且小于所述第二预设阈值的情况下，所述运动学强度指数所表示的动静类型为静；
所述第二预设阈值为常数，且所述第二预设阈值大于0且小于1。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在第二时间段内，获得对所述终端设备的操作行为的多个判断结果，其中，所述第二时间段被划分为时间长度相等的多个子时间段，所述第一时间段为所述多个子时间段中的任意一个；
根据所述多个判断结果，对所述第二时间段内的操作行为进行判断，获得判断结果。
9.一种操作行为判断装置，其特征在于，包括：
第一获取模块，用于基于在第一时间段内对终端设备的操作，获取在所述第一时间段内对所述终端设备的操作行为轨迹；
第二获取模块，用于在所述第一时间段内，获取所述终端设备的至少一个传感器的数据；
第三获取模块，用于根据所述对终端设备的操作行为轨迹，获取行为强度指数；
第四获取模块，用于根据所述至少一个传感器的数据，获取运动学强度指数；
判断模块，用于根据所述行为强度指数和所述运动学强度指数，对所述第一时间段内的对所述终端设备的操作行为进行判断，获得判断结果。
10.一种处理设备，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；其特征在于，所述处理器，用于读取存储器中的程序实现如权利要求1至8中任一项所述的方法中的步骤。
11.一种计算机可读存储介质，用于存储计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910964330.5A CN111881007B (zh) | 2019-10-11 | 2019-10-11 | 操作行为判断方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910964330.5A CN111881007B (zh) | 2019-10-11 | 2019-10-11 | 操作行为判断方法、装置、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111881007A true CN111881007A (zh) | 2020-11-03 |
| CN111881007B CN111881007B (zh) | 2022-11-15 |
Family
ID=73154387
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910964330.5A Active CN111881007B (zh) | 2019-10-11 | 2019-10-11 | 操作行为判断方法、装置、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111881007B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114274966A (zh) * | 2021-11-25 | 2022-04-05 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于uwb技术的驾驶行为监控方法及系统 |
| CN116884649A (zh) * | 2023-09-06 | 2023-10-13 | 山西数字政府建设运营有限公司 | 一种用于监测用户安全的控制系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180324199A1 (en) * | 2017-05-05 | 2018-11-08 | Servicenow, Inc. | Systems and methods for anomaly detection |
| CN109194627A (zh) * | 2018-08-16 | 2019-01-11 | 深圳乐信软件技术有限公司 | 作弊检测方法、装置、设备和介质 |
| CN109740335A (zh) * | 2018-11-27 | 2019-05-10 | 武汉极意网络科技有限公司 | 验证码操作轨迹的分类方法及装置 |
| WO2019104873A1 (zh) * | 2017-11-29 | 2019-06-06 | 深圳壹账通智能科技有限公司 | 人机输入操作识别方法、装置、设备及可读存储介质 |
| CN110059794A (zh) * | 2018-01-18 | 2019-07-26 | 北京京东金融科技控股有限公司 | 人机识别方法及装置、电子设备、存储介质 |
| CN110162442A (zh) * | 2019-04-19 | 2019-08-23 | 平安科技（深圳）有限公司 | 一种系统性能瓶颈定位方法及系统 |
| CN110263870A (zh) * | 2019-06-26 | 2019-09-20 | 深圳市悦动天下科技有限公司 | 运动状态识别方法、装置、智能终端和存储介质 |
-
2019
- 2019-10-11 CN CN201910964330.5A patent/CN111881007B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180324199A1 (en) * | 2017-05-05 | 2018-11-08 | Servicenow, Inc. | Systems and methods for anomaly detection |
| WO2019104873A1 (zh) * | 2017-11-29 | 2019-06-06 | 深圳壹账通智能科技有限公司 | 人机输入操作识别方法、装置、设备及可读存储介质 |
| CN110059794A (zh) * | 2018-01-18 | 2019-07-26 | 北京京东金融科技控股有限公司 | 人机识别方法及装置、电子设备、存储介质 |
| CN109194627A (zh) * | 2018-08-16 | 2019-01-11 | 深圳乐信软件技术有限公司 | 作弊检测方法、装置、设备和介质 |
| CN109740335A (zh) * | 2018-11-27 | 2019-05-10 | 武汉极意网络科技有限公司 | 验证码操作轨迹的分类方法及装置 |
| CN110162442A (zh) * | 2019-04-19 | 2019-08-23 | 平安科技（深圳）有限公司 | 一种系统性能瓶颈定位方法及系统 |
| CN110263870A (zh) * | 2019-06-26 | 2019-09-20 | 深圳市悦动天下科技有限公司 | 运动状态识别方法、装置、智能终端和存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114274966A (zh) * | 2021-11-25 | 2022-04-05 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于uwb技术的驾驶行为监控方法及系统 |
| CN116884649A (zh) * | 2023-09-06 | 2023-10-13 | 山西数字政府建设运营有限公司 | 一种用于监测用户安全的控制系统 |
| CN116884649B (zh) * | 2023-09-06 | 2023-11-17 | 山西数字政府建设运营有限公司 | 一种用于监测用户安全的控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111881007B (zh) | 2022-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180322411A1 (en) | Automatic evaluation and validation of text mining algorithms | |
| US20170249389A1 (en) | Sentiment rating system and method | |
| US11775412B2 (en) | Machine learning models applied to interaction data for facilitating modifications to online environments | |
| CN110647696B (zh) | 一种业务对象的排序方法及装置 | |
| US9514412B2 (en) | Techniques for detecting deceptive answers to user questions based on user preference relationships | |
| CN109558032B (zh) | 操作处理方法、装置以及计算机设备 | |
| CN114912612A (zh) | 鸟类识别方法、装置、计算机设备及存储介质 | |
| US10303743B2 (en) | Automatic placement of electronic media content items within an online document | |
| CN111369299A (zh) | 识别的方法、装置、设备及计算机可读存储介质 | |
| CN112288554B (zh) | 商品推荐方法和装置、存储介质及电子装置 | |
| US11809505B2 (en) | Method for pushing information, electronic device | |
| CN108572984A (zh) | 一种实时用户兴趣识别方法及装置 | |
| CN112487283A (zh) | 训练模型的方法、装置、电子设备及可读存储介质 | |
| CN111881007B (zh) | 操作行为判断方法、装置、设备及计算机可读存储介质 | |
| CN112819024B (zh) | 模型处理方法、用户数据处理方法及装置、计算机设备 | |
| CN110543474A (zh) | 一种基于全埋点与潜在因子模型的用户行为分析方法和装置 | |
| CN110956278A (zh) | 重新训练机器学习模型的方法和系统 | |
| CN110659954B (zh) | 作弊识别方法、装置、电子设备及可读存储介质 | |
| CN113297486B (zh) | 一种点击率预测方法及相关装置 | |
| CN117194716B (zh) | 基于大数据的教育机器人课程个性化推荐系统 | |
| JP6989434B2 (ja) | Ｕｒｌのアクセス履歴を用いて予測対象行動に至るであろう潜在対象ユーザを推定するプログラム、装置及び方法 | |
| CN114330929B (zh) | 内容贡献度评估方法、装置、电子设备及可读存储介质 | |
| US20210201177A1 (en) | Prediction system, prediction method, and information storage medium | |
| CN115660060A (zh) | 一种模型训练方法以及检测方法、装置、设备及存储介质 | |
| CN113077292A (zh) | 一种用户分类方法、装置、存储介质及电子设备 |
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 |