CN112699673A - 账户识别方法、装置、电子设备及存储介质 - Google Patents
账户识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112699673A CN112699673A CN202011567988.1A CN202011567988A CN112699673A CN 112699673 A CN112699673 A CN 112699673A CN 202011567988 A CN202011567988 A CN 202011567988A CN 112699673 A CN112699673 A CN 112699673A
- Authority
- CN
- China
- Prior art keywords
- account
- text
- information
- feedback information
- detected
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- 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
- G06F21/316—User authentication by observing the pattern of computer usage, e.g. typical user behaviour
Abstract
本公开关于一种账户识别方法、装置、电子设备及存储介质,所述方法包括获取针对于待检测账户的多个文本反馈路径下的文本反馈信息;将文本反馈信息输入预设的文本信息识别模型,利用文本信息识别模型确定文本反馈信息的文本特征;基于文本特征确定文本反馈信息的预测概率;预测概率为文本反馈信息属于描述待检测账户的目标行为的信息的概率;获取第一信息数量,若第一信息数量满足筛选条件,确定待检测账户为存在目标行为的目标账户;其中,第一信息数量为预测概率大于或等于第一概率阈值的文本反馈信息的信息数量。本公开提供的账户识别方法可以提高账户识别的准确性。
Description
技术领域
本公开涉及互联网技术领域,尤其涉及一种账户识别方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的发展,出现了通过采集账户的行为信息对账户进行识别的技术,该技术可以通过采集需要进行识别的待检测账户发出的行为信息,如账户发表的言论等,来确定该账户是否存在某种行为。例如可以通过采集账户针对某件商品发出的言论宣传信息,以识别该账户是否存在对该商品进行类似夸大宣传商品的功效,或者描述的商品信息与实际商品信息不符等虚假宣传行为。
相关技术中,通常是基于待检测账户发出的行为信息对待检测账户进行识别,然而,仅仅利用待检测账户的账户行为信息进行单方面的账户识别,账户识别的准确性较低。
发明内容
本公开提供一种账户识别方法、装置、电子设备及存储介质,以至少解决相关技术中账户识别准确性较低的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供了一种账户识别方法,包括:
获取针对于待检测账户的多个文本反馈路径下的文本反馈信息;
将所述文本反馈信息输入预设的文本信息识别模型,利用所述文本信息识别模型确定所述文本反馈信息的文本特征;
基于所述文本特征确定所述文本反馈信息的预测概率;所述预测概率为所述文本反馈信息属于描述所述待检测账户的目标行为的信息的概率;
获取第一信息数量,若所述第一信息数量满足筛选条件,确定所述待检测账户为存在所述目标行为的目标账户;其中,所述第一信息数量为所述预测概率大于或等于第一概率阈值的文本反馈信息的信息数量。
在一示例性实施例中,所述若所述信息数量满足筛选条件,确定所述待检测账户为存在所述目标行为的目标账户,包括:若所述第一信息数量大于或等于预设的信息数量阈值,确定所述待检测账户为所述目标账户。
在一示例性实施例中,所述若所述信息数量满足筛选条件,确定所述待检测账户为存在所述目标行为的目标账户,包括:根据所述第一信息数量,以及信息总数量,确定所述第一信息数量与所述信息总数量的第一比例;所述信息总数量为所述多个文本反馈路径下的文本反馈信息的信息数量;若所述第一比例大于或等于第一比例阈值,确定所述待检测账户为所述目标账户。
在一示例性实施例中,所述方法还包括:若所述第一比例小于所述第一比例阈值,则获取第二信息数量与所述信息总数量的第二比例;其中,所述第二信息数量为所述预测概率小于所述第一概率阈值且大于或等于第二概率阈值的文本反馈信息的信息数量;所述第二概率阈值小于所述第一概率阈值;若所述第二比例大于或等于第二比例阈值,确定所述待检测账户为所述目标账户。
在一示例性实施例中,所述若所述第一信息数量满足筛选条件,确定所述待检测账户为存在所述目标行为的目标账户,包括:从预测概率大于或等于第一概率阈值的文本反馈信息中,删除由同一反馈账户针对于所述待检测账户发起的文本反馈信息中,除预测概率最大的文本反馈信息之外的文本反馈信息;若保留的不同的反馈账户针对于所述待检测账户发起的文本反馈信息的信息数量满足所述筛选条件,确定所述待检测账户为所述目标账户。
在一示例性实施例中,所述确定所述待检测账户为存在所述目标行为的目标账户之后,所述方法还包括:获取账户处理指令;利用所述账户处理指令对所述待检测账户进行处理。
在一示例性实施例中,所述账户处理指令包括预设的处理指令库中与目标画像标签与目标数量区间匹配的处理指令;其中,所述目标画像标签为所述待检测账户对应的账户画像标签,所述目标数量区间为预设的多个数量区间中与所述第一信息数量对应的数量区间。
在一示例性实施例中,所述获取针对于待检测账户的多个文本反馈路径下的文本反馈信息,包括以下至少两种:从预设的数据库中获取针对于所述待检测账户的举报文本信息;获取所述待检测账户的关联产品页面下的评论文本信息;获取所述待检测账户对应的虚拟直播间的公屏评论信息。
在一示例性实施例中,所述文本信息识别模型的获取方法包括:获取样本文本反馈信息,以及所述样本文本反馈信息对应的样本标签;所述样本标签用于标识样本文本反馈信息是否属于描述所述目标行为的信息;将所述样本文本反馈信息输入待训练的文本分类模型,利用所述文本分类模型获取所述样本文本反馈信息的样本文本特征,并基于所述样本文本特征确定所述样本文本反馈信息对应的样本概率;根据所述样本概率与所述样本标签确定所述待训练的文本分类模型的差异损失;若所述差异损失大于预设的损失阈值,则返回利用所述文本分类模型获取所述样本文本反馈信息的样本文本特征的步骤;若所述差异损失小于或等于所述损失阈值,则将所述待训练的文本分类模型作为所述文本信息识别模型。
根据本公开实施例的第二方面,提供了一种账户识别装置,包括:
信息获取单元,被配置为执行获取针对于待检测账户的多个文本反馈路径下的文本反馈信息;
特征获取单元,被配置为执行将所述文本反馈信息输入预设的文本信息识别模型,利用所述文本信息识别模型确定所述文本反馈信息的文本特征;
概率获取单元,被配置为执行基于所述文本特征确定所述文本反馈信息的预测概率;所述预测概率为所述文本反馈信息属于描述所述待检测账户的目标行为的信息的概率;
账户确定单元,被配置为执行获取第一信息数量,若所述第一信息数量满足筛选条件,确定所述待检测账户为存在所述目标行为的目标账户;其中,所述第一信息数量为所述预测概率大于或等于第一概率阈值的文本反馈信息的信息数量。
在一示例性实施例中,所述账户确定单元,进一步被配置为执行若所述第一信息数量大于或等于预设的信息数量阈值,确定所述待检测账户为所述目标账户。
在一示例性实施例中,所述账户确定单元,还被配置为执行根据所述第一信息数量,以及信息总数量,确定所述第一信息数量与所述信息总数量的第一比例;所述信息总数量为所述多个文本反馈路径下的文本反馈信息的信息数量;所述信息总数量为所述多个文本反馈路径下的文本反馈信息的信息数量;若所述第一比例大于或等于第一比例阈值,确定所述待检测账户为所述目标账户。
在一示例性实施例中,所述账户确定单元,进一步被配置为执行若所述第一比例小于所述第一比例阈值,则获取第二信息数量与所述信息总数量的第二比例;其中,所述第二信息数量为所述预测概率小于所述第一概率阈值且大于或等于第二概率阈值的文本反馈信息的信息数量;所述第二概率阈值小于所述第一概率阈值;若所述第二比例大于或等于第二比例阈值,确定所述待检测账户为所述目标账户。
在一示例性实施例中,所述账户确定单元,进一步被配置为执行从预测概率大于或等于第一概率阈值的文本反馈信息中,删除由同一反馈账户针对于所述待检测账户发起的文本反馈信息中,除预测概率最大的文本反馈信息之外的文本反馈信息;若保留的不同的反馈账户针对于所述待检测账户发起的文本反馈信息的信息数量满足所述筛选条件,确定所述待检测账户为所述目标账户。
在一示例性实施例中,所述账户识别装置,还包括:账户处理单元,被配置为执行获取账户处理指令;利用所述账户处理指令对所述待检测账户进行处理。
在一示例性实施例中,所述账户处理指令包括预设的处理指令库中与目标画像标签与目标数量区间匹配的处理指令;其中,所述目标画像标签为所述待检测账户对应的账户画像标签,所述目标数量区间为预设的多个数量区间中与所述第一信息数量对应的数量区间。
在一示例性实施例中,所述信息获取单元,进一步被配置为执行从预设的数据库中获取针对于所述待检测账户的举报文本信息;获取所述待检测账户的关联产品页面下的评论文本信息;获取所述待检测账户对应的虚拟直播间的公屏评论信息。
在一示例性实施例中,所述账户识别装置,还包括:模型获取单元,被配置为执行获取样本文本反馈信息,以及所述样本文本反馈信息对应的样本标签;所述样本标签用于标识样本文本反馈信息是否属于描述所述目标行为的信息;将所述样本文本反馈信息输入待训练的文本分类模型,利用所述文本分类模型获取所述样本文本反馈信息的样本文本特征,并基于所述样本文本特征确定所述样本文本反馈信息对应的样本概率;根据所述样本概率与所述样本标签确定所述待训练的文本分类模型的差异损失;若所述差异损失大于预设的损失阈值,则返回利用所述文本分类模型获取所述样本文本反馈信息的样本文本特征的步骤;若所述差异损失小于或等于所述损失阈值,则将所述待训练的文本分类模型作为所述文本信息识别模型。
根据本公开实施例的第三方面,提供了一种电子设备,其特征在于,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以执行上述第一方面任一项实施例中所述的账户识别方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,当计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述第一方面任一项实施例中所述的账户识别方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现第一方面的任一项实施例中所述的账户识别方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
获取针对于待检测账户的多个文本反馈路径下的文本反馈信息;将文本反馈信息输入预设的文本信息识别模型,利用文本信息识别模型确定文本反馈信息的文本特征;基于文本特征确定文本反馈信息的预测概率;预测概率为文本反馈信息属于描述待检测账户的目标行为的信息的概率;获取第一信息数量,若第一信息数量满足筛选条件,确定待检测账户为存在目标行为的目标账户;其中,第一信息数量为预测概率大于或等于第一概率阈值的文本反馈信息的信息数量。本公开提供的账户识别方法可以基于针对于待检测账户多个路径下的文本反馈信息,对待检测账户进行账户识别,可以避免仅仅利用待检测账户的账户行为信息进行单方面的账户识别,能够从多个路径下的文本反馈信息对带检测账户进行多方面的识别,从而能提高账户识别的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种账户识别方法的流程图。
图2是根据一示例性实施例示出的文本信息识别模型的获取方法的流程图。
图3是根据另一示例性实施例示出的一种账户识别方法的流程图。
图4是根据另一示例性实施例示出的一种账户识别方法的流程图。
图5是根据一示例性实施例示出的一种账户识别装置的框图。
图6是根据一示例性实施例示出的一种电子设备的内部结构图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种账户识别方法的流程图,如图1所示,账户识别方法用于终端中,包括以下步骤。
在步骤S101中,终端获取针对于待检测账户的多个文本反馈路径下的文本反馈信息。
其中,待检测账户指的是需要进行账户识别的账户,文本反馈信息则指的是针对该待检测账户的文本信息,由与待检测账户不同的反馈账户发出,例如可以是针对于待检测账户的留言信息,或者反馈账户对待检测账户进行评论的评论信息等等。具体地,终端可以通过多个文本反馈路径采集针对于待检测账户的文本反馈信息,用于对待检测账户进行识别。
在步骤S102中,终端将文本反馈信息输入预设的文本信息识别模型,利用文本信息识别模型确定文本反馈信息的文本特征;
在步骤S103中,终端基于文本特征确定文本反馈信息的预测概率;预测概率为文本反馈信息属于描述待检测账户的目标行为的信息的概率。
其中,文本信息识别模型可用于识别输入的文本信息是否用于描述某个目标行为,利用输入的需要识别的文本信息,文本信息识别模型可输出得到该文本信息的文本特征,该文本特征可用于确定待检测账户存在目标行为的概率,目标行为则指的是待检测账户需要识别的账户行为。
例如,如果需要识别待检测账户是否存在发布虚假信息的行为,那么发布虚假信息的行为则是目标行为。具体地,终端可以将采集得到的文本反馈信息输入预先设计的文本信息识别模型,之后可根据文本信息识别模型的输出的文本特征,利用得到的文本特征确定每个文本反馈信息是用于描述待检测账户的目标行为的概率。
在步骤S104中,终端获取预测概率大于或等于第一概率阈值的文本反馈信息的信息数量,若信息数量满足预设条件,确定待检测账户为存在目标行为的目标账户。
其中,第一概率阈值可以是终端进行设定,可用作评判文本反馈信息属于描述待检测账户的目标行为的信息的基准,当文本反馈信息对应的概率大于设定的第一概率阈值,终端可以将文本反馈信息认为是用于描述待检测账户的目标行为的信息,目标账户则指的是存在目标行为的账户。具体地,终端可以多个文本反馈信息中找出概率大于或等于第一概率阈值的文本反馈信息,并统计信息数量,作为第一信息数量,如果第一信息数量满足预设的条件,例如信息数量大于一个设定的数量阈值,则可以确定待检测账户为目标账户。
上述账户识别方法中,通过终端获取针对于待检测账户的多个文本反馈路径下的文本反馈信息;将文本反馈信息输入预设的文本信息识别模型,利用文本信息识别模型确定文本反馈信息的文本特征;基于文本特征确定文本反馈信息的预测概率;预测概率为文本反馈信息属于描述待检测账户的目标行为的信息的概率;获取预测概率大于或等于第一概率阈值的文本反馈信息的信息数量,若信息数量满足预设条件,确定待检测账户为存在目标行为的目标账户。本公开提供的账户识别方法可以基于针对于待检测账户多个路径下的文本反馈信息,对待检测账户进行账户识别,可以避免仅仅利用待检测账户的账户行为信息进行账户识别,对于难以通过账户行为信息进行事实认定的目标行为,也能够通过文本反馈信息为账户识别提供事实依据,并从多个角度实现账户识别,从而能提高账户识别的准确性。
在一示例性实施例中,在步骤S104中,可以进一步包括:若第一信息数量大于或等于预设的信息数量阈值,终端确定待检测账户为目标账户。
其中,信息数量阈值用于确定待检测账户是否为存在目标行为的目标账户,信息数量阈值可通过终端进行设定,如果得到的概率大于或等于第一概率阈值的文本反馈信息的第一信息数量大于或等于上述信息数量阈值,那么终端即可将待检测账户确定为目标账户。例如:预设的信息数量阈值可以是10,如果概率大于或等于第一概率阈值的文本反馈信息的第一信息数量为12,此时信息数量大于信息数量阈值,那么终端则可以确定待检测账户为目标账户。
上述实施例,终端可以根据第一信息数量与信息数量阈值之间的大小关系,对待检测账户与目标账户的关系进行识别,可通过量化方式实现对待检测账户的识别,有利于进一步提高账户识别的准确性。
在另外一示例性实施例中,为了避免终端采集的针对于待检测账户的文本反馈信息数量过少,从而无法有效地根据信息数量与信息数量阈值之间的大小关系识别账户的情形,例如:终端采集的待检测账户的文本反馈信息仅有3个,即使3个文本反馈信息对应的概率都大于或等于第一概率阈值,其对应的第一信息数量也可能远远小于信息数量阈值,因此无法有效进行账户识别。因此,步骤S104中,还可以包括:终端根据第一信息数量,以及信息总数量,确定第一信息数量与信息总数量的第一比例;信息总数量为多个文本反馈路径下的文本反馈信息的信息数量;若第一比例大于或等于预设的比例阈值,确定待检测账户为目标账户。
其中,第一比例指的是概率大于或等于第一概率阈值的文本反馈信息数量在终端采集的待检测账户对应的文本反馈信息总数量的比值,第一比例越大则说明文本反馈信息中概率大于或等于第一概率阈值的文本反馈信息的占比越大,即用于描述待检测账户的目标行为的信息占待检测账户的文本反馈信息的比例越大。因此,终端可以通过第一比例与预设比例阈值的大小关系,进行待检测账户的识别,当第一比例大于或等于预设的比例阈值,则可以确定待检测账户为目标账户,此实施例可避免终端采集的针对于待检测账户的文本反馈信息数量过少而无法通过信息数量阈值进行账户识别的问题。
进一步地,账户识别方法还可以包括:若第一比例小于第一比例阈值,终端获取第二信息数量与信息总数量的第二比例;其中,第二信息数量为预测概率小于第一概率阈值且大于或等于第二概率阈值的文本反馈信息的信息数量;第二概率阈值小于第一概率阈值;若第二比例大于或等于比例阈值,确定待检测账户为目标账户。
其中,第二概率阈值是终端设定的小于第一概率阈值的另外一个概率阈值,例如设定的第一概率阈值可以是90%,那么终端则可以将第二概率阈值设定为80%。具体地,如果终端得到的第一比例小于设定的比例阈值,终端可以获取概率小于第一概率阈值且大于或等于第二概率阈值的文本反馈信息,并得到上述文本反馈信息在终端采集的待检测账户对应的文本反馈信息中的占比,作为第二比例,如果第二比例大于或等于设定的第二比例阈值,那么终端也可以确定待检测账户为目标账户。例如:可能会出现终端总共采集到20条文本反馈信息,其中仅有1条文本反馈信息的概率大于或等于第一概率阈值90%,而其余19条文本反馈信息都处于第一概率阈值与第二概率阈值之间,即80%-90%之间,即大部分文本反馈信息都可能描述待检测账户的目标行为,那么终端则仍然可以确定待检测账户为目标账户。
本实施例中,可通过概率大于或等于第一概率阈值的文本反馈信息在待检测账户的多个路径下的文本反馈信息的第一比例与第一比例阈值的大小对待检测账户进行识别,因此可避免终端采集的针对于待检测账户的文本反馈信息数量过少,导致的无法有效地根据信息数量与信息数量阈值之间的大小关系识别账户的情形,可提高账户识别的泛用性,另外,还可通过设定第二比例阈值,可利用大规模的疑似描述待检测账户的目标行为的文本反馈信息进行账户识别,进一步提高账户识别的准确性。
在一示例性实施例中,步骤S104可以进一步包括:终端从预测概率大于或等于第一概率阈值的文本反馈信息中,删除由同一反馈账户针对于待检测账户发起的文本反馈信息中,除预测概率最大的文本反馈信息之外的文本反馈信息;若保留的不同的反馈账户针对于待检测账户发起的文本反馈信息的信息数量满足筛选条件,确定待检测账户为所述目标账户。
而为了避免同一个反馈账户对待检测账户进行多次对描述待检测账户的目标行为进行反馈,以故意凸显待检测账户存在目标行为,本实施例中,终端还可以从预测概率大于或等于第一概率阈值的文本反馈信息中,确定发起该信息的反馈账户,如果其中有多条文本反馈信息都来源于相同的反馈账户,那么终端则删除该反馈账户反馈的出预测概率最大的文本反馈信息之外的其余文本反馈信息,因此保留下来的文本反馈信息都是由不同反馈账户向待检测账户发起的文本反馈信息。终端再利用保留的文本反馈信息对待检测账户进行识别,当保留的文本反馈信息的信息数量满足筛选条件时,才将待检测账户确定为目标账户。
本实施例可避免同一个反馈账户故意凸显待检测账户存在目标行为而进行多次对描述待检测账户的目标行为进行反馈的情形,可以保证概率大于或等于第一概率阈值的文本反馈信息分别来源于不同反馈账户,从而进一步提高账户识别的可靠性。
在一示例性实施例中,步骤S103之后,还可以包括:终端获取账户处理指令;利用账户处理指令对待检测账户进行处理。
其中,账户处理指令是用于对账户进行处理的相关指令。终端将待检测用户确定为目标账户之后,还可以通过账户处理指令,对该待检测账户进行相关处理。例如:如果终端检测出待检测账户是存在发布虚假信息等恶意行为的目标账户,终端则可以生成处罚指令以对待检测账户进行相应处罚。
进一步地,账户处理指令包括预设的处理指令库中与目标画像标签与目标数量区间匹配的处理指令;其中,目标画像标签为待检测账户对应的账户画像标签,目标数量区间为预设的多个数量区间中与第一信息数量对应的数量区间。
其中,处理指令库中预先存储有多种用于对待检测账户进行处理的处理指令,分别对应于不同的账户画像标签以及不同的数量区间,该账户画像标签,可以用于描述待检测账户的账户信息,例如可以包括账户的关注人数,账户的总评论数等等,目标画像标签则是待检测账户对应的账户画像标签,而对于同样的账户画像标签,也可以设置不同的数量区间,该数量区间指的是不同信息数量对应的区间,例如可以设定为[10,20],[20,30]等等,目标数量区间则指的是该待检测账户预测概率大于或等于第一概率阈值的文本反馈信息的信息数量对应的数量区间。
具体地,终端在确定待检测账户为目标账户之后,首先可以从待检测账户的账户相关信息中确定其对应的目标画像标签,并且根据待检测账户预测概率大于或等于第一概率阈值的文本反馈信息的第一信息数量,从多个数量区间中找到对应的目标数量区间,终端可以根据待检测账户的目标画像标签以及目标数量区间,从处理指令库中找到与目标画像标签以及目标数量区间匹配的处理指令,作为该待检测账户的账户处理指令。
例如,处理指令库中存储有指令A、指令B、指令C以及指令D,其中指令A对应于用户画像标签A与数量区间A,指令B对应于用户画像标签B与数量区间A,指令C对应于用户画像标签A与数量区间B,指令D对应于用户画像标签B与数量区间B,如果待检测账户的用户画像标签为用户画像标签A,且对应的目标数量区间为数量区间B,那么终端则会将指令C作为待检测账户的账户处理指令。
上述实施例中,终端可通过账户处理指令实现了对确定为目标账户的待检测账户进行相应处理,另外,还可以根据待检测账户的目标画像标签以及对应的目标数量区间从处理指令库中得到对应的账户处理指令,可以针对不同的情形执行不同的账户处理方式,从而提高对待检测账户进行处理的针对性。
在一示例性实施例中,步骤S101可以包括以下至少两种:终端从预设的数据库中获取针对于待检测账户的举报文本信息;获取待检测账户的关联产品页面下的评论文本信息;获取待检测账户对应的虚拟直播间的公屏评论信息。
其中,关联产品指的是与待检测账户相关的产品,预设的数据库则指的是存储有多种举报文本信息,例如差评信息的数据库。具体地,终端可以从数据库中获取针对于待检测账户的举报文本信息,以及从待检测账户的关联产品页面下获取对应的评论文本信息,还可以从待检测账户对应的虚拟直播间中读取公屏评论信息,并将举报文本信息、评论文本信息以及公屏评论信息中的至少两种作为待检测账户的多个路径下的文本反馈信息。
上述实施例中,终端可通过例如预设数据库、关联产品页面以及虚拟直播间等多种途径读取针对于待检测账户的多种文本反馈信息,有更全面的文本反馈信息来源,从而进一步提高了账户识别方法的准确性。
在一示例性实施例中,如图2所示,文本信息识别模型的获取方法可以包括:
在步骤S201中,终端获取样本文本反馈信息,以及样本文本反馈信息对应的样本标签;样本标签用于标识样本文本反馈信息是否属于描述目标行为的信息。
其中,样本文本反馈信息是终端从存储有文本反馈信息数据库中读取得到的文本反馈信息,是预先采集的文本反馈信息,样本标签则是样本文本反馈信息对应的标签,该标签可用于标识各样本文本反馈信息是否是用于描述目标行为的信息。例如,如果目标行为是账户的发布虚假信息的行为,那么终端可以读取多个样本文本反馈信息,并通过标注的方式,例如可通过人工标注,也可以是按照预设的标注规则等方式对各样本文本反馈信息是否用于描述发布虚假信息的行为进行标注,可以是属于描述发布虚假信息的行为则标注为1,不属于描述发布虚假信息的行为则标注为0,从而终端可得到每个样本文本反馈信息对应的样本标签。
在步骤S202中,终端将样本文本反馈信息输入待训练的文本分类模型,利用文本分类模型获取样本文本反馈信息的样本文本特征,并基于样本文本特征确定样本文本反馈信息对应的样本概率;
其中,样本概率指的是样本文本反馈信息属于描述目标行为的信息的概率,具体地,终端将样本文本反馈信息输入文本分类模型后,该文本分类模型可以利用预设的文本分词字典对样本文本反馈信息进行分词处理,并利用分词生成样本文本反馈信息对应的词向量,再根据各分词的词向量提取样本文本反馈信息对应的文本特征,最后利用文本特征确定每个样本文本反馈信息的样本概率并进行输出。
在步骤S203中,终端根据样本概率与样本标签确定待训练的文本分类模型的差异损失;
在步骤S204中,若差异损失大于预设的损失阈值,终端则返回利用分词得到所述样本文本反馈信息对应的词向量的步骤;若差异损失小于或等于损失阈值,终端则将待训练的文本分类模型作为文本信息识别模型。
最后终端可以根据得到的样本文本反馈信息对应的样本概率与其对应的样本标签确定待训练的文本分类模型的差异损失,如果差异损失小于或等于预设的损失阈值,那么终端则可以将该待训练的文本分类模型作为文本信息识别模型。而如果差异损失大于该损失阈值,那么终端则可以返回步骤S302,再次执行进行文本特征提取,并得到样本概率的步骤,直到得到的样本概率与样本标签的差异损失小于或等于预设的损失阈值,才将待训练的文本分类模型作为文本信息识别模型。
本实施例中,终端可基于采集样本文本反馈信息以及其对应的样本标签,通过文本分类模型得到对应的差异损失,并利用差异损失对文本分类模型进行训练直到满足差异损失小于或等于预设的损失阈值,则可将待训练的文本分类模型作为文本信息识别模型,通过模型训练的方式,可以得到准确的文本信息识别模型,进而增加账户识别的可靠性。
图3是根据一示例性实施例示出的一种账户识别方法的流程图,如图3所示,账户识别方法用于终端中,包括以下步骤。
在步骤S301中,终端获取样本文本反馈信息,以及样本文本反馈信息对应的样本标签;样本标签用于标识样本文本反馈信息是否属于描述目标行为的信息;
在步骤S302中,终端将样本文本反馈信息输入待训练的文本分类模型,利用文本分类模型获取样本文本反馈信息的样本文本特征,并基于样本文本特征确定样本文本反馈信息对应的样本概率;
在步骤S303中,终端根据样本概率与样本标签确定待训练的文本分类模型的差异损失,若差异损失小于或等于预设的损失阈值,则将待训练的文本分类模型作为文本信息识别模型;
在步骤S304中,终端从预设的数据库中获取针对于待检测账户的举报文本信息、待检测账户的关联产品页面下的评论文本信息以及待检测账户对应的虚拟直播间的公屏评论信息作为待检测账户的多个文本反馈路径下的文本反馈信息;
在步骤S305中,终端将文本反馈信息输入预设的文本信息识别模型,利用文本信息识别模型确定文本反馈信息的文本特征;基于文本特征确定文本反馈信息的预测概率;预测概率为文本反馈信息属于描述待检测账户的目标行为的信息的概率;
在步骤S306中,终端获取预测概率大于或等于第一概率阈值的文本反馈信息的第一信息数量,从预测概率大于或等于第一概率阈值的文本反馈信息中,删除由同一反馈账户针对于待检测账户发起的文本反馈信息中,除预测概率最大的文本反馈信息之外的文本反馈信息;
在步骤S307中,若保留的不同的反馈账户针对于待检测账户发起的文本反馈信息的信息数量大于或等于预设的信息数量阈值,终端确定待检测账户为目标账户;或终端根据剩余的信息数量,以及剩余的信息总数量,确定第一比例;若第一比例大于或等于第一比例阈值,确定待检测账户为目标账户;
在步骤S308中,终端获取账户处理指令;利用账户处理指令对待检测账户进行处理。
上述账户识别方法中,终端基于针对于待检测账户多个路径下的文本反馈信息,对待检测账户进行账户识别,可以避免仅仅利用待检测账户的账户行为信息进行单方面的账户识别,能够从多个路径下的文本反馈信息对带检测账户进行多方面的识别,从而能提高账户识别的准确性,从而能提高账户识别的准确性,并且可通过量化方式实现对待检测账户的识别,进一步提高账户识别的准确性,还可以避免采集的针对于待检测账户的文本反馈信息数量过少无法有效识别账户的情形,可提高账户识别的泛用性。同时,还根据不同反馈账户的反馈信息,对待识别账户进行相应处理,可针对不同的情形执行不同的账户处理方式,进而提高对待检测账户进行处理的针对性。最后,终端还通过样本文本反馈信息以及其对应的样本标签得到对应的差异损失,并利用差异损失对文本分类模型进行训练,可保证得到的文本信息识别模型的精确性。
图4是根据一示例性实施例示出的一种账户识别方法的流程图,如图4所示,该账户识别方法可应用于识别存在描述不符行为的账户,其中,描述不符行为属于虚假宣传的一部分,一般表现为收到实物后,能够第一时间感知产品与卖家宣传描述不符合,多见于产品的外形和材质问题,例如样式、材质与宣传描述不符或者有瑕疵未提前告知等等。该方法包括以下步骤。
步骤s401,收集所有虚假宣传举报;
步骤s402,由于虚假宣传举报存在举报类型乱挂,因此,对用户提交虚假宣传类举报进行了“是否描述不符”人工标注,收集5869条训练集,其中正样本2101,负样本3768;
步骤s403,确定模型输入输出;输入:用户举报文本描述信息;输出:是否描述不符,依据训练集举报样本进行分词构建字典;将分词后的文本,依据字典对训练集进行数值化处理;将数值化后的数据,对齐至统一大小64个词长度;每个词随机生成128维词向量,后续损失优化更新词向量;将预处理好的文本数据输入文本分类网络中,提取文本特征128*3通道,转化为384*1通道;将文本信息特征通过全连接层输出到归一化指数函数中,产出是否描述不符的概率值;计算预测概率与真实标签的差异损失,通过训练集样本学习反向不断优化网络参数,得到最终的描述不符文本分类识别模型;
步骤s404,在新的未知是否属于描述不符的待预测样本集上,通过训练好的描述不符文本分类识别模型对每一条乱挂类别的买家举报文本进行描述不符可能性打分;
步骤s405,通过训练好的描述不符文本分类识别模型对每一条买家购买商品后的所有评论文本以及直播间中的公屏评论进行描述不符可能性打分;
步骤s406,对描述不符分数大于等于一定阈值的类别未知样本,则判定为买家描述不符文本样本;该阈值为0.85;
步骤s407,若当天同一买家对同一主播举报或评论多次描述不符文本,则取概率最高的一条,将不同买家的高疑似描述不符汇总到商品粒度进行个数统计,以此支撑是否多个用户都对某一商品存在描述不符的质疑,如果大量用户都表述商品存在描述不符嫌疑,则依据商品粒度描述不符打分结果和主播画像标签对主播进行描述不符综合性决策及处罚,如:有效评论数、差评数、差评率、高疑似描述不符数、高疑似描述不符率、近7天高疑似描述不符文本集合和主播粉丝数等处罚主播。
上述识别存在描述不符行为的账户的方法,把识别主播是否在“说假话”的问题转化为:从购买商品后大量冗杂的买家反馈信息中,通过AI能力识别出哪些指证了主播有“描述不符行为”;如果主播的商品反馈中“描述不符”指证数量大于一定阈值的话,则对主播进行综合性处罚。并且通过自然语言处理技术端到端的从大量信息中准确识别出存在描述不符问题的主播,相比之前随机人工审核的方式,极大地提高了效能,同时通过对描述不符指证发生概率较高的商品举报样本池进行第一步的标注和训练,然后再将训练好的模型迁移到描述不符指证概率发生较低的商品评论样本池中进行召回,减少了标注人工成本,且通过迁移学习的方法在少量评论训练集中能够更快收敛,得到从冗杂评论集合中准确识别描述不符信息的模型。
应该理解的是,虽然图1-4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1-4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
图5是根据一示例性实施例示出的一种账户识别装置框图。参照图5,该装置包括信息获取单元501,特征获取单元502,概率获取单元503和账户确定单元504。
信息获取单元501,被配置为获取针对于待检测账户的多个文本反馈路径下的文本反馈信息;
特征获取单元502,被配置为执行将文本反馈信息输入预设的文本信息识别模型,利用文本信息识别模型确定文本反馈信息的文本特征;
概率获取单元503,被配置为执行基于文本特征确定文本反馈信息的预测概率;预测概率为文本反馈信息属于描述待检测账户的目标行为的信息的概率;
账户确定单元504,被配置为执行获取第一信息数量,若第一信息数量满足筛选条件,确定待检测账户为存在目标行为的目标账户;其中,第一信息数量为所述预测概率大于或等于第一概率阈值的文本反馈信息的信息数量。
在一示例性实施例中,该账户确定单元504,进一步被配置为执行若第一信息数量大于或等于预设的信息数量阈值,确定待检测账户为目标账户。
在一示例性实施例中,该账户确定单元504,还被配置为执行根据第一信息数量,以及信息总数量,确定第一信息数量与所述信息总数量的第一比例;信息总数量为多个文本反馈路径下的文本反馈信息的信息数量;若所述第一比例大于或等于第一比例阈值,确定所述待检测账户为所述目标账户。
在一示例性实施例中,该账户确定单元504,进一步被配置为执行若第一比例小于第一比例阈值,则获取第二信息数量与信息总数量的第二比例;其中,第二信息数量为预测概率小于第一概率阈值且大于或等于第二概率阈值的文本反馈信息的信息数量;第二概率阈值小于第一概率阈值;若第二比例大于或等于第二比例阈值,确定待检测账户为目标账户。
在一示例性实施例中,该账户确定单元504,进一步被配置为执行从预测概率大于或等于第一概率阈值的文本反馈信息中,删除由同一反馈账户针对于待检测账户发起的文本反馈信息中,除预测概率最大的文本反馈信息之外的文本反馈信息;若保留的不同的反馈账户针对于待检测账户发起的文本反馈信息的信息数量满足所述筛选条件,确定待检测账户为目标账户。
在一示例性实施例中,该装置还包括:账户处理单元,被配置为执行获取账户处理指令;利用账户处理指令对待检测账户进行处理。
在一示例性实施例中,账户处理指令包括预设的处理指令库中与目标画像标签与目标数量区间匹配的处理指令;其中,目标画像标签为待检测账户对应的账户画像标签,目标数量区间为预设的多个数量区间中与第一信息数量对应的数量区间。
在一示例性实施例中,信息获取单元501,进一步被配置为执行从预设的数据库中获取针对于待检测账户的举报文本信息;获取待检测账户的关联产品页面下的评论文本信息;获取待检测账户对应的虚拟直播间的公屏评论信息。
在一示例性实施例中,该装置还包括:模型获取单元,被配置为执行获取样本文本反馈信息,以及样本文本反馈信息对应的样本标签;样本标签用于标识样本文本反馈信息是否属于描述所述目标行为的信息;将样本文本反馈信息输入待训练的文本分类模型,利用文本分类模型获取所述样本文本反馈信息的样本文本特征,并基于样本文本特征确定样本文本反馈信息对应的样本概率;根据样本概率与样本标签确定待训练的文本分类模型的差异损失;若差异损失大于预设的损失阈值,则返回利用文本分类模型获取样本文本反馈信息的样本文本特征的步骤;若差异损失小于或等于损失阈值,则将待训练的文本分类模型作为文本信息识别模型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种用于账户识别的设备600的框图。例如,设备600可以是移动电话、计算机、数字广播终端、消息收发设备、游戏控制台、平板设备、医疗设备、健身设备、个人数字助理等。
参照图6,设备600可以包括以下一个或多个组件:处理组件602、存储器604、电力组件606、多媒体组件608、音频组件610、输入/输出(I/O)的接口612、传感器组件614以及通信组件616。
处理组件602通常控制设备600的整体操作,诸如与显示、电话呼叫、数据通信、相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件602可以包括一个或多个模块,便于处理组件602和其他组件之间的交互。例如,处理组件602可以包括多媒体模块,以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在设备600的操作。这些数据的示例包括用于在设备600上操作的任何应用程序或方法的指令、联系人数据、电话簿数据、消息、图片、视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器、磁盘或光盘。
电源组件606为设备600的各种组件提供电力。电源组件606可以包括电源管理系统,一个或多个电源,及其他与为设备600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述设备600和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件608包括一个前置摄像头和/或后置摄像头。当设备600处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如,音频组件610包括一个麦克风(MIC),当设备600处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中,音频组件610还包括一个扬声器,用于输出音频信号。
I/O接口612为处理组件602和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器,用于为设备600提供各个方面的状态评估。例如,传感器组件614可以检测到设备600的打开/关闭状态,组件的相对定位,例如所述组件为设备600的显示器和小键盘,传感器组件614还可以检测设备600或设备600一个组件的位置改变,用户与设备600接触的存在或不存在,设备600方位或加速/减速和设备600的温度变化。传感器组件614可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件614还可以包括加速度传感器、陀螺仪传感器、磁传感器、压力传感器或温度传感器。
通信组件616被配置为便于设备600和其他设备之间有线或无线方式的通信。设备600可以接入基于通信标准的无线网络,如WiFi,运营商网络(如2G、3G、4G或5G),或它们的组合。在一个示例性实施例中,通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件616还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,设备600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器604,上述指令可由设备600的处理器620执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由上面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种账户识别方法,其特征在于,包括:
获取针对于待检测账户的多个文本反馈路径下的文本反馈信息;
将所述文本反馈信息输入预设的文本信息识别模型,利用所述文本信息识别模型确定所述文本反馈信息的文本特征;
基于所述文本特征确定所述文本反馈信息的预测概率;所述预测概率为所述文本反馈信息属于描述所述待检测账户目标行为的信息的概率;
获取第一信息数量,若所述第一信息数量满足筛选条件,确定所述待检测账户为存在所述目标行为的目标账户;其中,所述第一信息数量为所述预测概率大于或等于第一概率阈值的文本反馈信息的信息数量。
2.根据权利要求1所述的账户识别方法,其特征在于,所述若所述第一信息数量满足筛选条件,确定所述待检测账户为存在所述目标行为的目标账户,包括:
若所述第一信息数量大于或等于预设的信息数量阈值,确定所述待检测账户为所述目标账户。
3.根据权利要求1所述的账户识别方法,其特征在于,所述若所述第一信息数量满足筛选条件,确定所述待检测账户为存在所述目标行为的目标账户,包括:
根据所述第一信息数量,以及信息总数量,确定所述第一信息数量与所述信息总数量的第一比例;所述信息总数量为所述多个文本反馈路径下的文本反馈信息的信息数量;
若所述第一比例大于或等于第一比例阈值,确定所述待检测账户为所述目标账户。
4.根据权利要求3所述的账户识别方法,其特征在于,所述方法还包括:
若所述第一比例小于所述第一比例阈值,则获取第二信息数量与所述信息总数量的第二比例;其中,所述第二信息数量为所述预测概率小于所述第一概率阈值且大于或等于第二概率阈值的文本反馈信息的信息数量;所述第二概率阈值小于所述第一概率阈值;
若所述第二比例大于或等于第二比例阈值,确定所述待检测账户为所述目标账户。
5.根据权利要求1所述的账户识别方法,其特征在于,所述若所述第一信息数量满足筛选条件,确定所述待检测账户为存在所述目标行为的目标账户,包括:
从预测概率大于或等于第一概率阈值的文本反馈信息中,删除由同一反馈账户针对于所述待检测账户发起的文本反馈信息中,除预测概率最大的文本反馈信息之外的文本反馈信息;
若保留的不同的反馈账户针对于所述待检测账户发起的文本反馈信息的信息数量满足所述筛选条件,确定所述待检测账户为所述目标账户。
6.根据权利要求1至5任一项所述的账户识别方法,其特征在于,所述文本信息识别模型的获取方法包括:
获取样本文本反馈信息,以及所述样本文本反馈信息对应的样本标签;所述样本标签用于标识样本文本反馈信息是否属于描述所述目标行为的信息;
将所述样本文本反馈信息输入待训练的文本分类模型,利用所述文本分类模型获取所述样本文本反馈信息的样本文本特征,并基于所述样本文本特征确定所述样本文本反馈信息对应的样本概率;
根据所述样本概率与所述样本标签确定所述待训练的文本分类模型的差异损失;
若所述差异损失大于预设的损失阈值,则返回利用所述文本分类模型获取所述样本文本反馈信息的样本文本特征的步骤;若所述差异损失小于或等于所述损失阈值,则将所述待训练的文本分类模型作为所述文本信息识别模型。
7.一种账户识别装置,其特征在于,包括:
信息获取单元,被配置为执行获取针对于待检测账户的多个文本反馈路径下的文本反馈信息;
特征获取单元,被配置为执行将所述文本反馈信息输入预设的文本信息识别模型,利用所述文本信息识别模型确定所述文本反馈信息的文本特征;
概率获取单元,被配置为执行基于所述文本特征确定所述文本反馈信息的预测概率;所述预测概率为所述文本反馈信息属于描述所述待检测账户的目标行为的信息的概率;
账户确定单元,被配置为执行获取第一信息数量,若所述第一信息数量满足筛选条件,确定所述待检测账户为存在所述目标行为的目标账户;其中,所述第一信息数量为所述预测概率大于或等于第一概率阈值的文本反馈信息的信息数量。
8.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至6中任一项所述的账户识别方法。
9.一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1至6中任一项所述的账户识别方法。
10.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的账户识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011567988.1A CN112699673A (zh) | 2020-12-25 | 2020-12-25 | 账户识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011567988.1A CN112699673A (zh) | 2020-12-25 | 2020-12-25 | 账户识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112699673A true CN112699673A (zh) | 2021-04-23 |
Family
ID=75510930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011567988.1A Pending CN112699673A (zh) | 2020-12-25 | 2020-12-25 | 账户识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699673A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110457566A (zh) * | 2019-08-15 | 2019-11-15 | 腾讯科技(武汉)有限公司 | 信息筛选方法、装置、电子设备及存储介质 |
CN110598157A (zh) * | 2019-09-20 | 2019-12-20 | 北京字节跳动网络技术有限公司 | 目标信息识别方法、装置、设备及存储介质 |
CN111046941A (zh) * | 2019-12-09 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 一种目标评论检测方法、装置、电子设备和存储介质 |
-
2020
- 2020-12-25 CN CN202011567988.1A patent/CN112699673A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110457566A (zh) * | 2019-08-15 | 2019-11-15 | 腾讯科技(武汉)有限公司 | 信息筛选方法、装置、电子设备及存储介质 |
CN110598157A (zh) * | 2019-09-20 | 2019-12-20 | 北京字节跳动网络技术有限公司 | 目标信息识别方法、装置、设备及存储介质 |
CN111046941A (zh) * | 2019-12-09 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 一种目标评论检测方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800325B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN107818180B (zh) | 视频关联方法、视频显示方法、装置及存储介质 | |
CN105488025A (zh) | 模板构建方法和装置、信息识别方法和装置 | |
CN105094814A (zh) | 通知消息展示方法和装置 | |
CN105654131A (zh) | 分类模型训练方法及装置 | |
CN104320525A (zh) | 电话号码识别方法及装置 | |
CN109447125B (zh) | 分类模型的处理方法、装置、电子设备及存储介质 | |
CN105528403B (zh) | 目标数据识别方法及装置 | |
CN107230137A (zh) | 商品信息获取方法及装置 | |
CN109308240B (zh) | 操作处理方法及装置、存储介质 | |
CN108320208A (zh) | 车辆推荐方法及装置 | |
CN115909127A (zh) | 异常视频识别模型的训练方法、异常视频识别方法和装置 | |
CN112183953A (zh) | 客服资源的分配方法、装置、电子设备和存储介质 | |
CN112101216A (zh) | 人脸识别方法、装置、设备及存储介质 | |
CN111127053B (zh) | 页面内容推荐方法、装置及电子设备 | |
CN105302877A (zh) | 用于短信领域分类的方法、短信领域识别方法及装置 | |
CN111046927A (zh) | 标注数据的处理方法、装置、电子设备及存储介质 | |
CN113849723A (zh) | 搜索方法及搜索装置 | |
CN113920293A (zh) | 信息识别方法、装置、电子设备及存储介质 | |
CN111813932B (zh) | 文本数据的处理方法、分类方法、装置及可读存储介质 | |
CN110650364B (zh) | 视频态度标签提取方法及基于视频的交互方法 | |
CN108491535B (zh) | 信息的分类存储方法及装置 | |
CN111797746A (zh) | 人脸识别方法、装置及计算机可读存储介质 | |
CN116610717A (zh) | 数据处理方法、装置、电子设备以及存储介质 | |
CN116127353A (zh) | 分类方法、分类模型训练方法、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210423 |