CN111949938B - 异动信息的确定方法、装置、电子设备和计算机可读介质 - Google Patents

异动信息的确定方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN111949938B
CN111949938B CN202010814489.1A CN202010814489A CN111949938B CN 111949938 B CN111949938 B CN 111949938B CN 202010814489 A CN202010814489 A CN 202010814489A CN 111949938 B CN111949938 B CN 111949938B
Authority
CN
China
Prior art keywords
matrix
information
detected
dimension
determining
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010814489.1A
Other languages
English (en)
Other versions
CN111949938A (zh
Inventor
陈维识
李想
戴逸俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Douyin Vision Co Ltd
Original Assignee
Douyin Vision Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Douyin Vision Co Ltd filed Critical Douyin Vision Co Ltd
Priority to CN202010814489.1A priority Critical patent/CN111949938B/zh
Publication of CN111949938A publication Critical patent/CN111949938A/zh
Application granted granted Critical
Publication of CN111949938B publication Critical patent/CN111949938B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Complex Calculations (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本公开的实施例公开了异动信息的确定方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：基于至少一个周期性影响因素矩阵和待检测信息矩阵，生成在至少一个周期性影响因素的影响下待检测信息对应的变化矩阵；对变化矩阵进行重建，得到变化矩阵对应的重建矩阵；基于重建矩阵和待检测信息矩阵的差异，确定待检测信息中的异动信息。该实施方式实现了提高检测信息的准确性。

Description

异动信息的确定方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及异动信息的确定方法、装置、电子设备和计算机可读介质。
背景技术
随着互联网的不断发展、用户的不断增多，需要在各种场景下进行数据的异常检测。例如，需要对若干天各地的用户活跃数量进行异常检测。一般的异动检测存在准确率低的问题。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了异动信息的确定方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本公开的一些实施例提供了一种异动信息的确定方法，包括：
基于至少一个周期性影响因素矩阵和待检测信息矩阵，生成在至少一个周期性影响因素的影响下所述待检测信息矩阵对应的变化矩阵；
对所述变化矩阵进行重建，生成所述变化矩阵对应的重建矩阵；其中，所述重建矩阵和所述待检测信息矩阵的大小相同；
基于所述重建矩阵和所述待检测信息矩阵的差异，确定所述待检测信息矩阵中的异动信息。
第二方面，本公开的一些实施例提供了一种异动信息的确定装置，包括：变化矩阵生成单元，被配置成基于至少一个周期性影响因素矩阵和待检测信息矩阵，生成在至少一个周期性影响因素的影响下所述待检测信息对应的变化矩阵；重建单元，被配置成对所述变化矩阵进行重建，得到所述变化矩阵对应的重建矩阵；其中，所述重建矩阵和所述待检测信息矩阵的大小相同；异动信息确定单元，被配置成基于所述重建矩阵和所述待检测信息矩阵的差异，确定待检测信息矩阵中的异动信息。
第三方面，本公开的一些实施例提供了一种电子设备，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，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述任一的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述任一的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果：通过利用至少一个周期性影响因素矩阵，从而可以识别周期性的影响因素对于待检测信息的影响，避免将周期性的变化识别为异常。进而使得检测信息的准确度更高。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的异动信息的确定方法的一个应用场景的示意图；
图2是根据本公开的异动信息的确定方法的一些实施例的流程图；
图3是根据本公开的异动信息的确定方法的另一些实施例的流程图；
图4是根据本公开的一些实施例的异动信息的确定方法中待检测信息矩阵和重建矩阵的示例性示意图；
图5是根据本公开的异动信息的确定装置的一些实施例的结构示意图；
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
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。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的异动信息的确定方法的一个应用场景的示意图。
本公开的一些实施例提供的异动信息的确定方法可以由服务器执行，也可以由终端设备执行。需要说明的是，服务器和终端设备可以是硬件，也可以是软件。当其为硬件时，可以是各种电子设备，包括但不限于电子计算机、智能手机、平板电脑、电子书阅读器、车载终端等等。当其为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
如图1所示，在本应用场景下，异动信息的确定方法的执行主体可以是应用程序的后台服务器。待检测信息可以是应用程序的日活跃用户数量。在此基础上，上述执行主体可以基于至少一个周期性影响因素矩阵102和待检测信息矩阵101，生成在至少一个周期性影响因素的影响下待检测信息矩阵对应的变化矩阵103。例如，可以将待检测信息矩阵101与至少一个周期性影响因素矩阵102相乘，得到变化矩阵103。在本应用场景下，包括两个周期性影响因素矩阵1021和1022。作为示例，可以先将待检测信息矩阵101与周期性影响因素矩阵1021相乘。在此基础上，将相乘结果继续与周期性影响因素矩阵1022相乘，从而得到变化矩阵103。
实践中，也可以通过神经网络的某些层得到变化矩阵103。在此基础上，作为示例，可以将变化矩阵103输入变分自编码器(VAE，Variational auto-encoder)104，以对变化矩阵103进行重建，得到变化矩阵对应103的重建矩阵105。接着，基于重建矩阵105和待检测信息矩阵101的差异，确定待检测信息矩阵101中的异动信息106。
继续参考图2，示出了根据本公开的异动信息的确定方法的一些实施例的流程200。该异动信息的确定方法，包括以下步骤：
步骤201，基于至少一个周期性影响因素矩阵和待检测信息矩阵，生成在至少一个周期性影响因素的影响下待检测信息矩阵对应的变化矩阵。
在一些实施例，异动信息的确定方法的执行主体可以基于至少一个周期性影响因素矩阵和待检测信息矩阵，生成在至少一个周期性影响因素的影响下待检测信息矩阵对应的变化矩阵。其中，周期性影响因素矩阵可以是用于描述周期性影响因素的矩阵，可以包括周期性影响因素的值。作为示例，周期性影响因素可以包括各种周期性因素，例如：日期(星期)、月份等等。这些周期性影响因素可以对待检测信息周期性造成影响。例如，每周一的日活跃用户数量比一周内其他日期的数量少。一般的，这些周期性影响因素的值可以是经过向量化的值。例如，星期二可以通过词嵌入的方式向量化为“0001”。此外，待检测信息矩阵可以用于描述待检测信息，可以包括待检测信息的值。待检测信息可以是需要进行异常检测的信息。作为示例，可以包括但不限于以下至少一项：日活跃用户数量、月活跃用户数量、新增用户占比、老用户数据、新用户数量、非注册用户数、注册用户数、当天活跃用户数量变化、老用户数量变化、新用户数量变化、新近度变化、非注册用户数变化、注册用户数变化、过去3天活跃用户总量、过去5天活跃用户总量、过去7天活跃用户总量、过去3天新增注册用户总量、过去5天新增注册用户总量、过去7天新增注册用户总量、新增注册用户总损失、设备品牌、渠道损失、应用名称、省份总损失、地域等等。作为示例，待检测信息矩阵的每一列可以表示上述列举的一项。不同列可以表示不同项。此外，待检测信息还可以包括不同时间点的信息。例如，可以包括过去的一周内每天的信息。在一些实施例中，可以通过各种方式基于至少一个周期性影响因素矩阵和待检测信息矩阵，生成变化矩阵。实践中，由于周期性影响因素可以对待检测信息周期性造成影响。变化矩阵可以是在周期性影响因素的影响下，待检测信息矩阵发生变化后得到的矩阵。
在一些实施例的一些可选的实现方式中，可以确定待检测信息矩阵与至少一个周期性影响因素矩阵的乘积，得到变化矩阵。具体的，待检测信息矩阵可以是m，至少一个周期性影响因素矩阵包括a，b，c三个矩阵。那么，变化矩阵可以是m×a×b×c。
在一些实施例的一些可选的实现方式中，还可以为每个周期性影响因素矩阵赋以权重后进行相乘，从而可以调整各个影响因素的权重。
在一些实施例的一些可选的实现方式中，在基于至少一个周期性影响因素矩阵和待检测信息矩阵，生成在至少一个周期性影响因素的影响下待检测信息矩阵对应的变化矩阵之前，上述方法还可以包括：基于待检测信息矩阵中的至少一个第一维度，确定至少一个周期性影响因素矩阵。作为示例，第一维度可以是与周期性影响因素相关的维度。例如，第一维度可以是在一周中的哪一天(星期几)。
在一些实施例的一些可选的实现方式中，周期性影响因素矩阵的初始矩阵通过以下步骤得到：确定训练数据集中的训练数据矩阵中的第一维度和第二维度的第一数目；确定目标周期性影响因素的候选值的数目作为第二数目；基于第一数目和第二数目，确定目标周期性影响因素矩阵的初始矩阵。
在这些实现方式中，第一维度和第二维度的第一数目可以是有几个维度。而第二数目可以是目标周期性影响因素的候选值的数目。例如，星期几这个维度就有星期一到星期日总共7个候选值。在此基础上，可以将周期性影响因素矩阵的行或者列设置成为候选值的数目。
在一些实施例的一些可选的实现方式中，至少一个周期性影响因素矩阵通过以下步骤得到：将至少一个中的各个周期性影响因素分别输入神经网络的嵌入层，得到至少一个周期性影响因素矩阵。
步骤202，对变化矩阵进行重建，得到变化矩阵对应的重建矩阵。
在一些实施例中，上述执行主体可以通过各种方式对变化矩阵进行重建，从而得到重建矩阵。
作为示例，可以将变化矩阵输入各种深度神经网络以对变化网络进行重建，从而得到重建矩阵。实践中，深度神经网络可以根据需要选取。例如，可以是生成对抗网络。
在一些实施例的一些可选的实现方式中，将变化矩阵输入变分自编码器，得到变化矩阵对应的重建矩阵。其中，变分自编码器可以对变化矩阵进行编码，得到编码矩阵，并对编码矩阵进行解码，进而得到重建矩阵。在这些可选的实现方式中，通过选用变分自编码器，可以体现待检测信息在各个维度之间的内在关系。
在一些实施例的一些可选的实现方式中，上述方法还包括：对于任一第二维度下的子第二维度，确定子第二维度下每个第一维度对应的待检测信息的损失值；基于子第二维度下每个第一维度对应的待检测信息的损失值，生成待检测信息的变化趋势。
步骤203，基于重建矩阵和待检测信息矩阵的差异，确定待检测信息矩阵中的异动信息。
在一些实施例中，异动信息的确定方法的执行主体可以基于重建矩阵和待检测信息矩阵的差异，确定待检测信息矩阵中的异动信息。实践中，重建矩阵和待检测信息矩阵的大小一般是相同的。作为示例，可以分别确定对应的位置的元素的差值。在此基础上，可以将确定的差值与预设的差值阈值进行比较。若大于或等于预设的差值阈值，可以确定该位置对应的信息为待检测信息矩阵中的异动信息。
在一些实施例的一些可选的实现方式中，基于重建矩阵和待检测信息矩阵的差异，确定待检测信息矩阵中的异动信息包括：确定待检测信息矩阵中的至少一个第二维度，基于预设的损失函数计算重建矩阵和待检测信息矩阵在至少一个第二维度中各维度的损失值；响应于至少一个第二维度中目标第二维度的损失值大于第一预设阈值，根据目标第二维度确定待检测信息矩阵中的异动信息；其中，目标第二维度至少包括一个。
进一步参考图4，示出了计算重建矩阵和待检测信息矩阵在至少一个第二维度中各维度的损失值的示例性示意图。作为示例，待检测信息矩阵401中的第一列4011可以是第二维度中的一个维度。例如，可以用来描述日活跃新用户数量。从而可以通过待检测信息矩阵401和重建矩阵402的第一列确定在日活跃新用户数量这个维度的损失值。具体的，可以确定每个位置的元素的差值。类似的，可以确定其他维度的损失值。
在一些实施例的一些可选的实现方式中，根据目标第二维度确定待检测信息矩阵中的异动信息包括：基于目标第二维度下各子目标第二维度对应的待检测信息的损失值，确定各子目标第二维度对应的待检测信息的权重；其中，各子目标第二维度对应的待检测信息的数量与第一维度相关；根据各子目标第二维度对应的待检测信息的权重，确定待检测信息中的异动信息。
在一些实施例的一些可选的实现方式中，重建矩阵是基于预先训练的神经网络实现的，基于至少一个周期性影响因素矩阵和待检测信息矩阵，生成在至少一个周期性影响因素的影响下待检测信息对应的变化矩阵，包括：确定待检测信息矩阵与基于至少一个周期性影响因素矩阵的乘积，得到变化矩阵。
本公开的一些实施例提供的方法，通过利用至少一个周期性影响因素矩阵，从而可以识别周期性的影响因素对于待检测信息的影响，避免将周期性的变化识别为异常。进而使得检测信息的准确度更高。
进一步参考图3，其示出了异动信息的确定方法的另一些实施例的流程300。该异动信息的确定方法的流程300，包括以下步骤：
步骤301，基于至少一个周期性影响因素矩阵和待检测信息矩阵，生成在至少一个周期性影响因素的影响下待检测信息矩阵对应的变化矩阵。
步骤302，对变化矩阵进行重建，得到变化矩阵对应的重建矩阵。
步骤303，基于重建矩阵和待检测信息矩阵的差异，确定待检测信息矩阵中的异动信息。
在一些实施例中，步骤301-303的具体实现及其带来技术效果可以参考图2对应的那些实施例中步骤201-203，在此不再赘述。
步骤304，基于预设的损失函数确定各个维度当前所对应的梯度。
在一些实施例中，上述执行主体可以基于预设的损失函数确定各个维度当前所对应的梯度。具体的，作为示例，可以利用反向传播、随机梯度下降等方法，将损失值向前传播，从而得到各个维度的梯度。需要说明的是，与训练过程不同，这里实际上不对参数进行调整，只是将损失值向前传播，以确定各个维度的梯度。
步骤305，从异动信息中各个维度当前所对应的梯度中选取符合预设条件的梯度。
在一些实施例中，可以从移动信息的各个维度当前所对应的梯度中选取符合预设条件的梯度。作为示例，可以选取梯度值最大的梯度。也可以选取大于预设阈值的梯度。
步骤306，基于所选取的梯度，确定引起异动信息的至少一个异动子信息。
在一些实施例中，可以将所选取的梯度对应的维度，确定为引起异动信息的至少一个异动子信息，从而实现对于异动信息的归因。
从图3中可以看出，与图2对应的一些实施例的描述相比，增加了确定不同维度的梯度以及利用梯度来确定至少一个异动子信息。来实现了不同粒度的异常检测，并在实现了异动信息的归因，也就是说，明确了异动信息中的哪些维度导致发生异动。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种异动信息的确定装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，一些实施例的异动信息的确定装置500包括：变化矩阵生成单元501、重建单元502和异动信息确定单元503。其中，变化矩阵生成单元501被配置成基于至少一个周期性影响因素矩阵和待检测信息矩阵，生成在至少一个周期性影响因素的影响下待检测信息矩阵对应的变化矩阵。重建单元502被配置成对变化矩阵进行重建，得到变化矩阵对应的重建矩阵。异动信息确定单元503被配置成基于重建矩阵和待检测信息矩阵的差异，确定待检测信息矩阵中的异动信息。
在一些实施例的一些可选的实现方式中，装置500还包括周期性影响因素矩阵确定单元，被配置成基于待检测信息矩阵中的至少一个第一维度，确定至少一个周期性影响因素矩阵。
在一些实施例的一些可选的实现方式中，周期性影响因素矩阵的初始矩阵通过以下步骤得到：确定训练数据集中的训练数据矩阵中的第一维度和第二维度的第一数目；确定目标周期性影响因素的候选值的数目作为第二数目；基于第一数目和第二数目，确定目标周期性影响因素矩阵的初始矩阵。
在一些实施例的一些可选的实现方式中，异动信息确定单元503进一步被配置成：确定待检测信息矩阵中的至少一个第二维度，基于预设的损失函数计算重建矩阵和待检测信息矩阵在至少一个第二维度中各维度的损失值；响应于至少一个第二维度中目标第二维度的损失值大于第一预设阈值，根据目标第二维度确定待检测信息矩阵中的异动信息；其中，目标第二维度至少包括一个。
在一些实施例的一些可选的实现方式中，异动信息确定单元503进一步被配置成：基于目标第二维度下各子目标第二维度对应的待检测信息的损失值，确定各子目标第二维度对应的待检测信息的权重；其中，各子目标第二维度对应的待检测信息的数量与第一维度相关；根据各子目标第二维度对应的待检测信息的权重，确定待检测信息矩阵中的异动信息。
在一些实施例的一些可选的实现方式中，装置500还包括：梯度确定单元，被配置成基于预设的损失函数确定各个维度当前所对应的梯度；梯度选取单元，被配置成从异动信息中各个维度当前所对应的梯度中选取符合预设条件的梯度；异动子信息确定单元，被配置成基于所选取的梯度，确定引起异动信息的至少一个异动子信息。
在一些实施例的一些可选的实现方式中，重建单元502可以进一步配置成：将变化矩阵输入变分自编码器，得到重建矩阵；其中，变分自编码器通过对变化矩阵进行编码，得到编码矩阵，以及对编码矩阵进行解码，得到重建矩阵。
在一些实施例的一些可选的实现方式中，装置500还包括：损失值确定单元，被配置成：对于任一第二维度下的子第二维度，确定子第二维度下每个第一维度对应的待检测信息的损失值；变化趋势生成单元，被配置成基于子第二维度下每个第一维度对应的待检测信息的损失值，生成待检测信息的变化趋势。
在一些实施例的一些可选的实现方式中，重建矩阵是基于预先训练的神经网络实现的，变化矩阵生成单元501进一步被配置成：确定待检测信息矩阵与基于至少一个周期性影响因素矩阵的乘积，得到变化矩阵。
在一些实施例的一些可选的实现方式中，至少一个周期性影响因素矩阵通过以下步骤得到：将至少一个中的各个周期性影响因素分别输入神经网络的嵌入层，得到至少一个周期性影响因素矩阵。
在一些实施例中，通过利用至少一个周期性影响因素矩阵，从而可以识别周期性的影响因素对于待检测信息的影响，避免将周期性的变化识别为异常。进而使得检测信息的准确度更高。
下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例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。在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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电子设备执行时，使得该电子设备：基于至少一个周期性影响因素矩阵和待检测信息矩阵，生成在至少一个周期性影响因素的影响下待检测信息对应的变化矩阵；对变化矩阵进行重建，得到重建矩阵；基于重建矩阵和待检测信息矩阵的差异，生成检测信息。
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公开的一些实施例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，图示了按照本公开各种实施例的系统、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。
描述于本公开的一些实施例中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：一种处理器包括变化矩阵生成单元、重建单元和检测信息生成单元。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，重建单元还可以被描述为“对变化矩阵进行重建，得到重建矩阵的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例，提供了一种异动信息的确定方法，其特征在于，包括：基于至少一个周期性影响因素矩阵和待检测信息矩阵，生成在至少一个周期性影响因素的影响下待检测信息矩阵对应的变化矩阵；对变化矩阵进行重建，生成变化矩阵对应的重建矩阵；其中，重建矩阵和待检测信息矩阵的大小相同；基于重建矩阵和待检测信息矩阵的差异，确定待检测信息矩阵中的异动信息。
根据本公开的一个或多个实施例，在基于至少一个周期性影响因素矩阵和待检测信息矩阵，生成在至少一个周期性影响因素的影响下待检测信息矩阵对应的变化矩阵之前，方法还包括：基于待检测信息矩阵中的至少一个第一维度，确定至少一个周期性影响因素矩阵。
根据本公开的一个或多个实施例，周期性影响因素矩阵的初始矩阵通过以下步骤得到：确定训练数据集中的训练数据矩阵中的第一维度和第二维度的第一数目；确定目标周期性影响因素的候选值的数目作为第二数目；基于第一数目和第二数目，确定目标周期性影响因素矩阵的初始矩阵。
根据本公开的一个或多个实施例，基于重建矩阵和待检测信息矩阵的差异，确定待检测信息矩阵中的异动信息包括：确定待检测信息矩阵中的至少一个第二维度，基于预设的损失函数计算重建矩阵和待检测信息矩阵在至少一个第二维度中各维度的损失值；响应于至少一个第二维度中目标第二维度的损失值大于第一预设阈值，根据目标第二维度确定待检测信息矩阵中的异动信息；其中，目标第二维度至少包括一个。
根据本公开的一个或多个实施例，根据目标第二维度确定待检测信息矩阵中的异动信息包括：基于目标第二维度下各子目标第二维度对应的待检测信息的损失值，确定各子目标第二维度对应的待检测信息的权重；其中，各子目标第二维度对应的待检测信息的数量与第一维度相关；根据各子目标第二维度对应的待检测信息的权重，确定待检测信息矩阵中的异动信息。
根据本公开的一个或多个实施例，在基于重建矩阵和待检测信息矩阵的差异，确定待检测信息矩阵中的异动信息之后，方法还包括：基于预设的损失函数确定各个维度当前所对应的梯度；从异动信息中各个维度当前所对应的梯度中选取符合预设条件的梯度；基于所选取的梯度，确定引起异动信息的至少一个异动子信息。
根据本公开的一个或多个实施例，对变化矩阵进行重建，得到变化矩阵对应的重建矩阵，包括：将变化矩阵输入变分自编码器，得到重建矩阵；其中，变分自编码器通过对变化矩阵进行编码，得到编码矩阵，以及对编码矩阵进行解码，得到重建矩阵。
根据本公开的一个或多个实施例，方法还包括：对于任一第二维度下的子第二维度，确定子第二维度下每个第一维度对应的待检测信息的损失值；基于子第二维度下每个第一维度对应的待检测信息的损失值，生成待检测信息的变化趋势。
根据本公开的一个或多个实施例，重建矩阵是基于预先训练的神经网络实现的，基于至少一个周期性影响因素矩阵和待检测信息矩阵，生成在至少一个周期性影响因素的影响下待检测信息矩阵对应的变化矩阵，包括：确定待检测信息矩阵与基于至少一个周期性影响因素矩阵的乘积，得到变化矩阵。
根据本公开的一个或多个实施例，至少一个周期性影响因素矩阵通过以下步骤得到：将至少一个中的各个周期性影响因素分别输入神经网络的嵌入层，得到至少一个周期性影响因素矩阵。
根据本公开的一个或多个实施例，提供了一种异动信息的确定装置，包括：变化矩阵生成单元，被配置成基于至少一个周期性影响因素矩阵和待检测信息矩阵，生成在至少一个周期性影响因素的影响下待检测信息矩阵对应的变化矩阵；重建单元，被配置成对变化矩阵进行重建，得到变化矩阵对应的重建矩阵；其中，重建矩阵和待检测信息矩阵的大小相同；异动信息确定单元，被配置成基于重建矩阵和待检测信息矩阵的差异，确定待检测信息矩阵中的异动信息。
根据本公开的一个或多个实施例，装置还包括周期性影响因素矩阵确定单元，被配置成基于待检测信息矩阵中的至少一个第一维度，确定至少一个周期性影响因素矩阵。
根据本公开的一个或多个实施例，周期性影响因素矩阵的初始矩阵通过以下步骤得到：确定训练数据集中的训练数据矩阵中的第一维度和第二维度的第一数目；确定目标周期性影响因素的候选值的数目作为第二数目；基于第一数目和第二数目，确定目标周期性影响因素矩阵的初始矩阵。
根据本公开的一个或多个实施例，异动信息确定单元进一步被配置成：确定待检测信息矩阵中的至少一个第二维度，基于预设的损失函数计算重建矩阵和待检测信息矩阵在至少一个第二维度中各维度的损失值；响应于至少一个第二维度中目标第二维度的损失值大于第一预设阈值，根据目标第二维度确定待检测信息矩阵中的异动信息；其中，目标第二维度至少包括一个。
根据本公开的一个或多个实施例，异动信息确定单元进一步被配置成：基于目标第二维度下各子目标第二维度对应的待检测信息的损失值，确定各子目标第二维度对应的待检测信息的权重；其中，各子目标第二维度对应的待检测信息的数量与第一维度相关；根据各子目标第二维度对应的待检测信息的权重，确定待检测信息矩阵中的异动信息。
根据本公开的一个或多个实施例，装置还包括：梯度确定单元，被配置成基于预设的损失函数确定各个维度当前所对应的梯度；梯度选取单元，被配置成从异动信息中各个维度当前所对应的梯度中选取符合预设条件的梯度；异动子信息确定单元，被配置成基于所选取的梯度，确定引起异动信息的至少一个异动子信息。
根据本公开的一个或多个实施例，重建单元可以进一步配置成：将变化矩阵输入变分自编码器，得到重建矩阵；其中，变分自编码器通过对变化矩阵进行编码，得到编码矩阵，以及对编码矩阵进行解码，得到重建矩阵。
根据本公开的一个或多个实施例，装置还包括：损失值确定单元，被配置成：对于任一第二维度下的子第二维度，确定子第二维度下每个第一维度对应的待检测信息的损失值；变化趋势生成单元，被配置成基于子第二维度下每个第一维度对应的待检测信息的损失值，生成待检测信息的变化趋势。
根据本公开的一个或多个实施例，重建矩阵是基于预先训练的神经网络实现的，变化矩阵生成单元进一步被配置成：确定待检测信息矩阵与基于至少一个周期性影响因素矩阵的乘积，得到变化矩阵。
在一些实施例的一些可选的实现方式中，至少一个周期性影响因素矩阵通过以下步骤得到：将至少一个中的各个周期性影响因素分别输入神经网络的嵌入层，得到至少一个周期性影响因素矩阵。
根据本公开的一个或多个实施例，提供了一种电子设备，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，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述任一的方法。
根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如上述任一的方法。
以上描述仅为本公开的一些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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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 (12)

1.一种异动信息的确定方法，其特征在于，包括：
基于至少一个周期性影响因素矩阵和待检测信息矩阵，生成在至少一个周期性影响因素的影响下所述待检测信息矩阵对应的变化矩阵；
对所述变化矩阵进行重建，生成所述变化矩阵对应的重建矩阵；其中，所述重建矩阵和所述待检测信息矩阵的大小相同；
基于所述重建矩阵和所述待检测信息矩阵的差异，确定所述待检测信息矩阵中的至少一个第二维度，基于预设的损失函数计算所述重建矩阵和所述待检测信息矩阵在所述至少一个第二维度中各维度的损失值；响应于所述至少一个第二维度中目标第二维度的损失值大于第一预设阈值，根据所述目标第二维度确定所述待检测信息矩阵中的异动信息；其中，所述目标第二维度至少包括一个。
2.根据权利要求1所述的方法，其特征在于，在所述基于至少一个周期性影响因素矩阵和待检测信息矩阵，生成在至少一个周期性影响因素的影响下所述待检测信息矩阵对应的变化矩阵之前，所述方法还包括：
基于所述待检测信息矩阵中的至少一个第一维度，确定至少一个周期性影响因素矩阵。
3.根据权利要求1所述的方法，其特征在于，所述周期性影响因素矩阵的初始矩阵通过以下步骤得到：
确定训练数据集中的训练数据矩阵中的第一维度和第二维度的第一数目；
确定目标周期性影响因素的候选值的数目作为第二数目；
基于所述第一数目和所述第二数目，确定所述目标周期性影响因素矩阵的初始矩阵。
4.根据权利要求3所述的方法，其特征在于，所述根据所述目标第二维度确定所述待检测信息矩阵中的异动信息包括：
基于所述目标第二维度下各子目标第二维度对应的待检测信息的损失值，确定所述各子目标第二维度对应的待检测信息的权重；其中，所述各子目标第二维度对应的待检测信息的数量与所述第一维度相关；
根据所述各子目标第二维度对应的待检测信息的权重，确定所述待检测信息矩阵中的异动信息。
5.根据权利要求1-4任一项所述的方法，其特征在于，在所述基于所述重建矩阵和所述待检测信息矩阵的差异，确定所述待检测信息矩阵中的异动信息之后，所述方法还包括：
基于预设的损失函数确定各个维度当前所对应的梯度；
从所述异动信息中所述各个维度当前所对应的梯度中选取符合预设条件的梯度；
基于所选取的梯度，确定引起所述异动信息的至少一个异动子信息。
6.根据权利要求1所述的方法，其特征在于，所述对所述变化矩阵进行重建，得到所述变化矩阵对应的重建矩阵，包括：
将所述变化矩阵输入变分自编码器，得到所述重建矩阵；其中，所述变分自编码器通过对所述变化矩阵进行编码，得到编码矩阵，以及对所述编码矩阵进行解码，得到所述重建矩阵。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对于任一第二维度下的子第二维度，确定所述子第二维度下每个第一维度对应的待检测信息的损失值；
基于所述子第二维度下每个第一维度对应的待检测信息的损失值，生成所述待检测信息的变化趋势。
8.根据权利要求3所述的方法，其特征在于，所述重建矩阵是基于预先训练的神经网络实现的，所述基于至少一个周期性影响因素矩阵和待检测信息矩阵，生成在至少一个周期性影响因素的影响下待检测信息矩阵对应的变化矩阵，包括：
确定所述待检测信息矩阵与所述基于至少一个周期性影响因素矩阵的乘积，得到所述变化矩阵。
9.根据权利要求8所述的方法，其特征在于，所述至少一个周期性影响因素矩阵通过以下步骤得到：
将至少一个中的各个周期性影响因素分别输入所述神经网络的嵌入层，得到所述至少一个周期性影响因素矩阵。
10.一种异动信息的确定装置，包括：
变化矩阵生成单元，被配置成基于至少一个周期性影响因素矩阵和待检测信息矩阵，生成在至少一个周期性影响因素的影响下所述待检测信息矩阵对应的变化矩阵；
重建单元，被配置成对所述变化矩阵进行重建，得到所述变化矩阵对应的重建矩阵；其中，所述重建矩阵和所述待检测信息矩阵的大小相同；
异动信息确定单元，被配置成基于所述重建矩阵和所述待检测信息矩阵的差异，确定所述待检测信息矩阵中的至少一个第二维度，基于预设的损失函数计算所述重建矩阵和所述待检测信息矩阵在所述至少一个第二维度中各维度的损失值；响应于所述至少一个第二维度中目标第二维度的损失值大于第一预设阈值，根据所述目标第二维度确定所述待检测信息矩阵中的异动信息；其中，所述目标第二维度至少包括一个。
11.一种电子设备，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，使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
12.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
CN202010814489.1A 2020-08-13 2020-08-13 异动信息的确定方法、装置、电子设备和计算机可读介质 Active CN111949938B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010814489.1A CN111949938B (zh) 2020-08-13 2020-08-13 异动信息的确定方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010814489.1A CN111949938B (zh) 2020-08-13 2020-08-13 异动信息的确定方法、装置、电子设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN111949938A CN111949938A (zh) 2020-11-17
CN111949938B true CN111949938B (zh) 2023-06-20

Family

ID=73342935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010814489.1A Active CN111949938B (zh) 2020-08-13 2020-08-13 异动信息的确定方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN111949938B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978379A (zh) * 2019-03-28 2019-07-05 北京百度网讯科技有限公司 时序数据异常检测方法、装置、计算机设备和存储介质
CN110276096A (zh) * 2019-05-08 2019-09-24 北京百度网讯科技有限公司 提高深度学习模型预测能力的方法、电子设备和存储介质
CN110322529A (zh) * 2019-07-12 2019-10-11 电子科技大学 一种基于深度学习辅助艺术绘画的方法
CN111144267A (zh) * 2019-12-23 2020-05-12 上海联影智能医疗科技有限公司 设备运行状态检测方法、装置、存储介质及计算机设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8285018B2 (en) * 2010-03-02 2012-10-09 National Chung Cheng University Method for reconstructing color images
US11169514B2 (en) * 2018-08-27 2021-11-09 Nec Corporation Unsupervised anomaly detection, diagnosis, and correction in multivariate time series data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978379A (zh) * 2019-03-28 2019-07-05 北京百度网讯科技有限公司 时序数据异常检测方法、装置、计算机设备和存储介质
CN110276096A (zh) * 2019-05-08 2019-09-24 北京百度网讯科技有限公司 提高深度学习模型预测能力的方法、电子设备和存储介质
CN110322529A (zh) * 2019-07-12 2019-10-11 电子科技大学 一种基于深度学习辅助艺术绘画的方法
CN111144267A (zh) * 2019-12-23 2020-05-12 上海联影智能医疗科技有限公司 设备运行状态检测方法、装置、存储介质及计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于D-Markov模型的金融波动模式识别及异常检测;扈梦，等;《武汉理工大学学报(信息与管理工程版)》;第255-259页 *

Also Published As

Publication number Publication date
CN111949938A (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
US10373055B1 (en) Training variational autoencoders to generate disentangled latent factors
CN110832511A (zh) 具有数据相关可用性的分布式设备上学习的系统和方法
CN113609113B (zh) 基于电力数据的用户信息生成方法、装置、电子设备
EP3846083A1 (en) Method and apparatus for parallel processing of information
CN111858381B (zh) 应用程序容错能力测试方法、电子设备及介质
CN117035842A (zh) 模型训练方法、业务量预测方法、装置、设备和介质
CN111949938B (zh) 异动信息的确定方法、装置、电子设备和计算机可读介质
CN112989203B (zh) 素材投放方法、装置、设备和介质
CN111475618B (zh) 用于生成信息的方法和装置
CN112000667B (zh) 用于检索树形数据的方法、装置、服务器和介质
CN116416018A (zh) 内容输出方法、装置、计算机可读介质及电子设备
US11520855B2 (en) Matrix sketching using analog crossbar architectures
CN111949860B (zh) 用于生成相关度确定模型的方法和装置
CN114157578A (zh) 网络状态预测方法及装置
CN114792258B (zh) 信息生成方法、装置、电子设备和计算机可读介质
CN112365046A (zh) 用户信息生成方法、装置、电子设备和计算机可读介质
CN111709784A (zh) 用于生成用户留存时间的方法、装置、设备和介质
CN111933122B (zh) 语音识别方法、装置、电子设备和计算机可读介质
CN113283115B (zh) 图像模型生成方法、装置和电子设备
CN117391763B (zh) 申请信息趋势确定方法、装置、电子设备和存储介质
CN110633707A (zh) 预测速度的方法和装置
CN115630585B (zh) 物品流转量预测方法、装置、设备和计算机可读介质
CN111582482B (zh) 用于生成网络模型信息的方法、装置、设备和介质
CN115345931B (zh) 物体姿态关键点信息生成方法、装置、电子设备和介质
CN118014110A (zh) 点击率预测网络生成方法、装置

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant after: Tiktok vision (Beijing) Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd.

Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant after: Douyin Vision Co.,Ltd.

Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing.

Applicant before: Tiktok vision (Beijing) Co.,Ltd.

GR01 Patent grant
GR01 Patent grant