CN113313328A - 信任参数确定方法、装置、计算机设备和存储介质 - Google Patents
信任参数确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113313328A CN113313328A CN202110736720.4A CN202110736720A CN113313328A CN 113313328 A CN113313328 A CN 113313328A CN 202110736720 A CN202110736720 A CN 202110736720A CN 113313328 A CN113313328 A CN 113313328A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- trust
- trust parameter
- target account
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000006399 behavior Effects 0.000 claims description 130
- 230000006870 function Effects 0.000 claims description 60
- 238000012545 processing Methods 0.000 claims description 49
- 230000015654 memory Effects 0.000 claims description 18
- 230000003993 interaction Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000002238 attenuated effect Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 10
- 230000002093 peripheral effect Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 206010063659 Aversion Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material 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
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例公开了一种信任参数确定方法、装置、计算机设备和存储介质,属于计算机技术领域。该方法包括:获取目标账号对应的行为数据,所述行为数据用于表征目标用户在目标应用中的行为轨迹;获取所述目标账号对应的贡献数据,所述贡献数据表征所述目标用户对所述目标应用贡献的收益;根据所述贡献数据和所述行为数据,确定所述目标账号对应的信任参数,所述信任参数表征所述目标用户的可信度。该方案在确定用户的信任参数时参考的数据更加全面,得到的信任参数更加准确。
Description
技术领域
本申请实施例涉及计算机技术领域,特别涉及一种信任参数确定方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的不断发展,出现了各式各样的应用。用户在应用中可以注册账号,基于该账号可以在应用中进行观看多媒体数据、评论、转发、访问其他账号等操作。为了规范管理用户,应用可以根据用户的可信度为用户提供不同的权限,而如何确定用户的可信度成为当前亟需解决的问题。
发明内容
本申请实施例提供了一种信任参数确定方法、装置、计算机设备和存储介质,能够准确地确定出用户的可信度。所述技术方案如下:
一方面,提供了一种信任参数确定方法,所述方法包括:
获取目标账号对应的行为数据,所述行为数据用于表征目标用户在目标应用中的行为轨迹;
获取所述目标账号对应的贡献数据,所述贡献数据表征所述目标用户对所述目标应用贡献的收益;
根据所述贡献数据和所述行为数据,确定所述目标账号对应的信任参数,所述信任参数表征所述目标用户的可信度。
一方面,提供了一种信任参数确定装置,所述装置包括:
行为数据获取模块,用于获取目标账号对应的行为数据,所述行为数据用于表征目标用户在目标应用中的行为轨迹;
贡献数据获取模块,用于获取所述目标账号对应的贡献数据,所述贡献数据表征所述目标用户对所述目标应用贡献的收益;
参数确定模块,用于根据所述贡献数据和所述行为数据,确定所述目标账号对应的信任参数,所述信任参数表征所述目标用户的可信度。
在一种可能实现方式中,所述参数确定模块,包括:
处理单元,用于采用高斯衰减函数,对所述贡献数据和所述行为数据进行处理,得到所述目标账号对应的第一信任参数;
确定单元,用于基于所述目标账号对应的第一信任参数,确定所述目标账号对应的信任参数。
在一种可能实现方式中,所述处理单元,用于获取所述贡献数据中的付费数据,所述付费数据包括至少一条付费记录,每条付费记录包括转移的资源数量以及转移时间;获取所述行为数据中的绑定数据,所述目标账号为基于第三方账号在所述目标应用中注册的账号,所述绑定数据至少表征基于所述第三方账号在所述目标应用中注册的账号的数量;采用所述高斯衰减函数,对所述付费数据和所述绑定数据进行处理,得到所述目标账号对应的第一信任参数,所述高斯衰减函数表征所述转移的资源数量以及所述注册的账号的数量对所述第一信任参数的影响随着时间衰减。
在一种可能实现方式中,所述确定单元,用于将所述第一信任参数作为所述目标账号对应的信任参数;或者,
所述确定单元,用于通过预测模型,对所述贡献数据和所述行为数据进行预测处理,得到所述目标账号对应的第二信任参数;基于所述第一信任参数和所述第二信任参数,确定所述目标账号对应的信任参数。
在一种可能实现方式中,所述确定单元,用于对所述第一信任参数和所述第二信任参数进行统计处理,得到第三信任参数;将所述第三信任参数作为所述目标账号对应的信任参数。
在一种可能实现方式中,所述参数确定模块,包括:
预测单元,用于通过预测模型,对所述贡献数据和所述行为数据进行预测处理,得到所述目标账号对应的第二信任参数;
确定单元,用于将所述第二信任参数作为所述目标账号对应的信任参数。
在一种可能实现方式中,所述装置还包括:
样本数据获取模块,用于获取样本数据,所述样本数据包括样本账号对应的样本贡献数据、样本行为数据以及样本信任参数;
预测模块,用于通过所述预测模型,对所述样本贡献数据和样本行为数据进行预测处理,得到所述目标账号对应的预测信任参数;
训练模块,用于根据样本信任参数和预测信任参数之间的差异,训练所述预测模型。
在一种可能实现方式中,所述样本数据获取模块,包括:
特征提取单元,用于对已获取的样本数据中的样本贡献数据和样本行为数据进行特征提取,得到参考特征;
所述特征提取单元,还用于分别对多个候选数据进行特征提取,得到多个候选特征,所述候选数据包括候选贡献数据和候选行为数据;
筛选单元,用于从所述多个候选数据中,筛选出候选特征与所述参考特征匹配的候选数据;
获取单元,用于获取为筛选出的候选数据标注的样本信任参数;
确定单元,用于将所述筛选出的候选数据以及为所述候选数据标注的样本信任参数组成样本数据。
在一种可能实现方式中,所述装置还包括:
更新模块,用于根据所述目标应用的风险容忍度,更新所述信任参数。
在一种可能实现方式中,所述装置还包括:
函数获取模块,用于获取风险效用函数,所述风险效用函数表征所述目标应用对风险的态度;
收益确定模块,用于根据所述贡献数据,确定所述目标用户为所述目标应用贡献的收益值;
处理模块,用于采用所述风险效用函数对所述收益值进行处理,得到所述目标应用对所述目标用户的风险容忍度。
在一种可能实现方式中,所述更新模块,用于响应于所述风险容忍度表征的所述目标应用能够承受的最大风险超过所述信任参数表征的所述目标用户的风险,增大所述信任数值;或者,
所述更新模块,用于响应于所述风险容忍度表征的所述目标应用能够承受的最大风险未超过所述信任参数表征的所述目标用户的风险,减小所述信任数值。
在一种可能实现方式中,所述行为数据获取模块,用于根据所述目标账号的社交日志数据、终端日志数据或者人机交互日志数据中的至少一项,确定所述目标账号对应的行为数据;
其中,所述社交日志数据至少表征所述目标用户的社交记录,所述终端日志数据至少表征部署所述目标应用的终端是否为真实的终端,所述人机交互日志数据至少表征是否是真实的用户与部署所述目标应用的终端进行交互。
在一种可能实现方式中,所述贡献数据获取模块,用于根据所述目标账号的付费记录、转发记录或者广告观看记录中的至少一项,确定所述目标账号对应的贡献数据。
在一种可能实现方式中,所述装置还包括:
权限确定模块,用于根据所述目标账号对应的信任参数,确定所述信任参数对应的社交权限信息;
权限管理模块,用于根据所述社交权限信息,为所述目标账号调整对应的社交权限。
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,以实现如上述方面所述的信任参数确定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,以实现如上述方面所述的信任参数确定方法中所执行的操作。
再一方面,提供了一种计算机程序,所述计算机程序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,以实现如上述方面所述的信任参数确定方法中所执行的操作。
本申请实施例提供的信任参数确定方法,通过用户对应用的贡献以及用户在应用中的行为,来综合评估用户的可信度,由于评估用户可信度所参考的数据更加全面,因此,评估出的可信度也更加准确。
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实施环境的结构示意图;
图2是本申请实施例提供的一种信任参数确定方法的流程图;
图3是本申请实施例提供的另一种信任参数确定方法的流程图;
图4是本申请实施例提供的一种权限分配的流程图;
图5是本申请实施例提供的一种信任参数确定方法的流程图;
图6是本申请实施例提供的一种社交权限的示意图;
图7是本申请实施例提供的一种信任参数确定装置的结构示意图;
图8是本申请实施例提供的另一种信任参数确定装置的结构示意图;
图9是本申请实施例提供的一种终端的结构示意图;
图10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“第一”、“第二”、“第三”、“第四”、“第五”、“第六”等可在本文中用于描述各种概念,但除非特别说明,这些概念不受这些术语限制。这些术语仅用于将一个概念与另一个概念区分。举例来说,在不脱离本申请的范围的情况下,可以将第一信任参数称为第二信任参数,将第二信任参数称为第一信任参数。
本申请所使用的术语“每个”、“多个”、“至少一个”、“任一”等,至少一个包括一个、两个或两个以上,多个包括两个或两个以上,而每个是指对应的多个中的每一个,任一是指多个中的任意一个。举例来说,多个账号包括3个账号,而每个是指这3个账号中的每一个账号,任一是指这3个账号中的任意一个,可以是第一个,可以是第二个,也可以是第三个。
本申请实施例提供的信任参数确定方法由计算机设备执行。在一种可能实现方式中,该计算机设备为终端。例如,手机、平板电脑、计算机等。在另一种可能实现方式中,该计算机设备为服务器。该服务器可以是为一台服务器,或者由若干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实施环境的示意图。参见图1,该实施环境包括终端101和服务器102。终端101和服务器102之间通过无线或者有线网络连接。
终端101上安装由服务器102提供服务的目标应用,终端101能够通过该目标应用实现例如数据传输、消息交互等功能。可选地,终端101为电脑、手机、平板电脑或者其他终端。可选地,服务器102为该目标应用的后台服务器或者为提供云计算以及云存储等服务的云服务器。
可选地,目标应用为终端操作系统中的目标应用,或者为第三方提供的目标应用。例如,目标应用为内容分享应用,该内容分享应用具有收听音频的功能、观看视频的功能,当然,该目标应用还能够具有其他功能,例如,点评功能、社交功能等。
可选地,用户基于目标账号登录该终端101,终端101根据用户基于目标账号在目标应用中的操作行为,向服务器102上报日志数据。服务器102基于目标账号的日志数据,确定该目标账号对应的行为数据以及贡献数据;根据该贡献数据和行为数据,确定目标账号对应的信任参数,该信任参数表征目标用户的可信度。
本申请实施例提供的方法可以应用于任一场景中:
例如:应用于音乐平台。
音乐平台为用户提供了多种社交权限,如果用户的可信度较差,则为该用户开放较少的社交权限;如果用户的可信度较高,则为该用户开放较多的社交权限。若采用本申请实施例提供的方法,能够根据用户的行为以及用户为音乐平台的贡献来为用户分配权限,由于评估用户可信度所参考的数据更加全面,因此,评估的可信度更加准确。并且,采用该方法来管理用户的社交权限,还能够较好地保证了音乐平台的收益。
需要说明的是,本申请实施例提供的方法仅是以音乐平台的场景为例进行示例性说明,本申请实施例并不对应用场景进行限定。
图2是本申请实施例提供的一种信任参数确定方法的流程图。本申请实施例以执行主体为计算机设备为例,进行示例性说明。参见图2,该方法包括:
201、计算机设备获取目标账号对应的行为数据,该行为数据用于表征目标用户在目标应用中的行为轨迹。
本申请实施例中的目标账号可以是在目标应用中注册的任一账号,用户可以在目标应用中注册账号,基于注册的账号使用目标应用提供的服务。目标应用可以为任一应用,例如,目标应用为音频分享应用、社交应用、电子商务应用等任一应用,本申请实施例对目标应用不做限定。
目标账号对应的行为数据是用户基于目标账号在应用中进行操作而生成的数据,该行为数据用于表征目标用户在目标应用中的行为轨迹。
202、计算机设备获取目标账号对应的贡献数据,该贡献数据表征目标用户对目标应用贡献的收益。
目标账号对应的贡献数据用于表征目标用户对目标应用贡献的收益。可选地,该目标账号对应的贡献数据可以是目标账号对应的充值记录、转发记录、广告观看记录等。
203、计算机设备根据贡献数据和行为数据,确定目标账号对应的信任参数,该信任参数表征目标用户的可信度。
目标账号对应的信任参数是基于目标用户对目标应用的贡献以及目标用户在目标应用中的行为确定的,因此目标账号对应的信任参数实际是目标应用对目标用户的信任程度。由于信任参数的确定过程还用到了用户的行为数据,因此,如果用户的信任参数比较低,可能是用户存在一些恶意行为、作弊行为等导致的,因此,在一定程度上,用户的信任参数还可以表示用户的风险程度。
本申请实施例提供的信任参数确定方法,通过用户对应用的贡献以及用户在应用中的行为,来综合评估用户的可信度,由于评估用户可信度所参考的数据更加全面,因此,评估出的可信度也更加准确。
图3是本申请实施例提供的一种信任参数确定方法的流程图。参见图3,本申请实施例以执行主体为服务器为例进行示例性说明,该方法包括:
301、服务器获取目标账号对应的行为数据,该行为数据用于表征目标用户在目标应用中的行为轨迹。
本申请实施例中的目标账号可以是在目标应用中注册的任一账号,用户可以在目标应用中注册账号,基于注册的账号使用目标应用提供的服务。目标应用可以为任一应用,例如,目标应用为音频分享应用、社交应用、电子商务应用等任一应用,本申请实施例对目标应用不做限定。
目标账号对应的行为数据是用户基于目标账号在应用中进行操作而生成的数据,该行为数据用于表征目标用户在目标应用中的行为轨迹。
在一种可能实现方式中,目标用户基于目标账户使用目标应用提供的服务时,部署目标应用的终端可以根据目标用户的操作行为,生成日志数据,将日志数据上报给服务器,服务器根据该日志数据可以确定目标账号对应的行为数据。
可选地,如图4所示,服务器获取目标账号对应的行为数据,包括:根据目标账号的社交日志数据、终端日志数据或者人机交互日志数据中的至少一项,确定目标账号对应的行为数据。其中,社交日志数据至少表征目标用户的社交记录,该终端日志数据至少表征部署目标应用的终端是否为真实的终端,该人机交互日志数据至少表征是否是真实的用户与部署目标应用的终端进行交互。
其中,社交日志数据是目标用户在目标应用进行社交行为而生成的日志数据。例如,目标用户在目标应用对其他用户分享的多媒体数据进行评论,则生成包含评论时间、评论内容以及评论对象的社交日志数据。终端日志数据是用于记录部署目标应用的终端的日志数据。
当目标用户基于目标账号登录目标应用时,部署该目标应用的终端会上报终端日志数据,该终端日志数据可以包括该终端的型号、该终端的IP(Internet Protocol,互联网协议)地址、该终端的MAC(Media Access Control,媒体存取控制位)地址等中的至少一项。根据该终端日志数据可以得到该终端是真实的终端,还是伪造的终端。
另外,在一些情况下,用户可能采用一些挂机软件。例如,目标账号对应有不同的等级,等级越高,为用户提供的服务质量越高。而目标账号对应的等级与目标账号的登录时长、基于目标账号完成的任务等相关。一些用户为了快速获得更高的服务质量,会采用一些挂机软件,来模拟用户在应用中的操作,来快速提高目标账号对应的等级。
目标应用为了保证当前在目标应用中进行操作的是真实用户,可以向用户展示验证界面。例如,该验证界面展示有一副拼图和一个目标图像块,该拼图中有一块残缺,若用户将该目标图像块拖动到残缺处,即可使得该拼图完整,终端验证成功。通过该验证界面来对用户进行验证的过程中,终端会记录人机交互日志数据,该人机交互日志数据可以包括用户的触发位置、触发轨迹等中的至少一项,根据该人机交互日志数据可以确定是否是真实的用户与终端进行交互。
302、服务器获取目标账号对应的贡献数据,该贡献数据表征目标用户对目标应用贡献的收益。
用户基于目标账号可以在目标应用中进行充值,也可以购买目标应用提供的服务或者商品,还可以观看目标应用中的广告,对目标应用提供的数据进行转发等,这些都可以为目标应用带来收益。目标账号对应的贡献数据可以用于表征目标用户对目标应用贡献的数据。在一种可能实现方式中,服务器获取目标账号对应的贡献数据,包括:根据目标账号的付费记录、转发记录或者广告观看记录中的至少一项,确定该目标账号对应的贡献数据。
需要说明的是,该贡献数据可以为多条。可选地,每条贡献数据为目标用户基于目标账号在目标应用的一个行为所为目标应用带来的收益值,以及该行为对应的时间。本申请实施例仅是以对贡献数据进行示例性说明,并不对贡献数据进行限定。
303、服务器采用高斯衰减函数,对贡献数据和行为数据进行处理,得到目标账号对应的第一信任参数。
在确定目标账号的信任参数时,近期的贡献数据和行为数据更具有参考意义。因此,在根据贡献数据和行为数据,确定目标账号对应的信任参数时,可以根据贡献数据和行为数据对应的时间来确定该贡献数据和行为数据对信任参数的影响。
贡献数据的时间距离当前时间越近,该贡献数据对信任参数的影响越大。贡献数据的时间距离当前时间越久,该贡献数据对信任参数的影响越小。因此,贡献数据和行为数据对信任参数的影响随着时间而衰减,该衰减符合高斯变化,因此,可以采用高斯衰减函数来计算目标账号对应的第一信任参数。
目标用户对目标应用的贡献的收益可以是目标用户基于目标账号向目标应用转移的资源数量,因此,可以采用高斯衰减函数,对目标用户每次转移的资源数量以及转移时间进行处理。另外,用户的行为数据可以是用户每次进行的恶意行为,以及进行恶意行为的时间。本申请实施例中,可以采用预设的数值来表示该恶意行为。其中,不同恶意行为对应的数值不同,以区分不同恶意行为对信任参数的不同影响。
本申请实施例仅以服务器采用高斯衰减函数对贡献数据中的付费数据以及对行为数据中的绑定数据进行处理的过程为例,对采用高斯衰减函数对贡献数据以及行为数据进行处理的过程进行示例性说明。
可选地,服务器采用高斯衰减函数,对贡献数据和行为数据进行处理,得到目标账号对应的第一信任参数,包括:服务器获取贡献数据中的付费数据,该付费数据包括至少一条付费记录,每条付费记录包括转移的资源数量以及转移时间;获取行为数据中的绑定数据,该目标账号为基于第三方账号在目标应用中注册的账号,该绑定数据至少表征基于第三方账号在目标应用中注册的账号的数量;采用高斯衰减函数,对付费数据和绑定数据进行处理,得到该目标账号对应的第一信任参数,该高斯衰减函数表征转移的资源数量以及注册的账号的数量对第一信任参数的影响随着时间衰减。
其中,目标用户可以基于第三方账号在目标应用中注册账号,如果目标用户出现了一些违规行为,可以封禁该注册的账号。此时,目标用户可以基于第三方账号在目标应用中注册一个新的账号。因此,目标用户可以通过第三方账号在目标应用中注册了多个账号。
本申请实施例并不对高斯衰减函数处理的对象进行限定,高斯衰减函数可以对贡献数据和行为数据中的任一种或者多种数据进行处理。例如,该贡献数据还包括目标应用观看广告为目标应用带来的收益值,可以将采用高斯衰减函数对该收益值以及观看广告的时间进行处理,以获取目标账号对应的第一信任参数。
需要说明的是,目标用户可以基于第三方账号在目标应用中注册多个账号,而每个账号对应的贡献数据都可以表征该目标用户对目标应用贡献的收益。为了更加准确地得到目标用户对目标应用贡献的收益,可以对该多个账号对应的贡献数据进行处理,来得到目标账号对应的信任参数。
在一种可能实现方式中,服务器采用高斯衰减函数,对贡献数据和行为数据进行处理,得到目标账号对应的第一信任参数,包括:服务器采用高斯衰减函数,对多个账号对应的贡献数据和行为数据进行处理,得到目标账号对应的第一信任参数。该多个账号为基于第三方账号在目标应用中注册的账号,且该多个账号包括目标账号。
304、服务器通过预测模型,对贡献数据和行为数据进行预测处理,得到目标账号对应的第二信任参数。
该预测模型是用于预测信任参数的模型。该预测模型是通过多条样本数据训练的,具有一定准确性的模型。该预测模型可以是任一种类型的模型。可选地,该预测模型可以是RFM(Recency、Frequency、Monetary,最近一次消费、消费频率、消费金额)模型,本申请实施例对预测模型不做限定。
在一种可能实现方式中,可以通过人为标注的样本数据对预测模型进行训练,以使预测模型能够准确预测目标账号对应的信任参数。可选地,服务器通过预测模型,对贡献数据和行为数据进行预测处理,得到目标账号对应的第二信任参数之前,该方法还包括:获取样本数据,所述样本数据包括样本账号对应的样本贡献数据、样本行为数据以及样本信任参数;通过所述预测模型,对所述样本贡献数据和样本行为数据进行预测处理,得到所述目标账号对应的预测信任参数;根据样本信任参数和预测信任参数之间的差异,训练该预测模型,以使该预测模型的损失函数收敛。
另外,预测模型的预测能力与训练所使用的样本数据息息相关,为了使预测模型能够更加准确,可以挖掘多个相似的用户。对该多个相似用户的贡献数据和行为数据标注样本信任参数,得到样本数据,如果采用这些样本数据,训练预测模型的话,即便是相似的用户,预测模型也能够获知这些用户的差异,从而更加准确地预测出信任参数。在一种可能实现方式中,服务器获取样本数据,包括:对已获取的样本数据中的样本贡献数据和样本行为数据进行特征提取,得到参考特征;分别对多个候选数据进行特征提取,得到多个候选特征,该候选数据包括候选贡献数据和候选行为数据;从多个候选数据中,筛选出候选特征与参考特征匹配的候选数据;获取为筛选出的候选数据标注的样本信任参数,将筛选出的候选数据以及为该候选数据标注的样本信任参数组成样本数据。
305、服务器对第一信任参数和第二信任参数进行统计处理,得到第三信任参数,将第三信任参数作为目标账号对应的信任参数。
其中,第一信任参数和第二信任参数的表现形式可以是信任数值,信任数值越高,目标用户的可信度越高,信任数值越低,目标用户的可信度越高。本申请实施例对信任参数的表现形式不做限定。在另一实施例中,信任参数还可以是高信任用户、中信任用户或者低信任用户等。
其中,服务器可以采用任一种统计处理方式对第一信任参数和第二信任参数进行处理。例如,将第一信任参数和第二信任参数相加、加权平均等。在一种可能实现方式中,第一信任参数为第一信任数值,第二信任参数为第二信任数值,第三信任参数为第三信任数值。服务器对第一信任参数和第二信任参数进行统计处理,得到第三信任参数,包括:服务器将第一信任数值和第二信任数值相加,得到第三信任数值;或者,服务器将第一信任数值和第二信任数值进行平均处理,得到第三信任数值;或者,服务器将第一信任数值和第二信任数值进行加权处理,得到第三信任数值,且第一信任数值和第二信任数值的权重不同。
需要说明的是,本申请实施例仅是以图5所示的,通过高斯衰减函数和预测模型共同对贡献数据和行为数据进行处理,来得到目标账号的信任参数为例,对确定信任参数的过程进行示例性说明。而在另一实施例中,可以仅采用高斯衰减函数来确定目标账号对应的信任参数。在一种可能实现方式中,在获取目标账号对应的贡献数据和行为数据之后,根据该贡献数据和行为数据,确定目标账号对应的信任参数。根据该贡献数据和行为数据,确定目标账号对应的信任参数,包括:采用高斯衰减函数,对贡献数据和行为数据进行处理,得到目标账号对应的第一信任参数;基于该目标账号对应的第一信任参数,确定目标账号对应的信任参数。
可选地,基于该目标账号对应的第一信任参数,确定目标账号对应的信任参数,包括:将第一信任参数作为目标账号对应的信任参数。
在另一种可能实现方式中,可以仅通过预测模型来确定目标账号对应的信任参数。在获取目标账号对应的贡献数据和行为数据之后,根据该贡献数据和行为数据,确定目标账号对应的信任参数。根据该贡献数据和行为数据,确定目标账号对应的信任参数,包括:通过预测模型,对贡献数据和行为数据进行预测处理,得到目标账号对应的第二信任参数;将第二信任参数作为目标账号对应的信任参数。该预测模型的训练过程与上述步骤304中的预测模型的训练过程同理,在此不再一一赘述。
306、服务器根据该目标应用的风险容忍度,更新该信任参数。
目标账号对应的信任参数是基于目标用户对目标应用的贡献以及目标用户在目标应用中的行为确定的,因此目标账号对应的信任参数实际是目标应用对目标用户的信任程度。由于信任参数的确定过程还用到了用户的行为数据,因此,如果用户的信任参数比较低,可能是用户存在一些恶意行为、作弊行为等导致的,因此,在一定程度上,用户的信任参数还可以表示用户的风险程度。
目标应用在不同时刻对风险的容忍程度是不一样的,因此,可以根据该目标应用的风险容忍度,更新该信任参数。
例如,用户A在目标应用中购买了多个虚拟礼物送给用户B,并且用户A为了提高用户B的知名度,还采用了一些作弊手段来提高用户B分享的多媒体数据的浏览量。通常收益与风险是呈正相关关系的,如果目标应用此时对风险的容忍程度较高,则目标应用可以提高用户A的可信度,从而继续获取用户A带来的收益;如果目标应用此时对风险的容忍程度较低,则目标应用可以降低用户A的可信度,从而放弃用户A带来的收益。
在一种可能实现方式中,目标应用可以根据需求采用不同的风险效用函数来确定风险容忍度,以使确定的风险容忍度符合目标应用对风险的把控。服务器根据目标应用的风险容忍度,更新信任参数之前,该方法还包括:获取风险效用函数,该风险效用函数表征目标应用对风险的态度;根据贡献数据,确定目标用户为目标应用贡献的收益值;采用风险效用函数对收益值进行处理,得到目标应用对目标用户的风险容忍度。
例如,目标应用对风险的态度可以是风险厌恶、风险爱好或者风险中性。如果目标应用对风险的态度是风险厌恶,则获取的风险效用函数为凹性效用函数;如果目标应用对风险的态度是风险爱好,则获取的风险效用函数为凸性效用函数;如果目标应用对风险的态度是风险中性,则获取的风险效用函数为线性效用函数。
由于收益与风险是呈正相关关系,因此,用户贡献的收益越大,应用对用户的风险容忍度越高,根据获取的风险效用函数对目标用户为目标应用贡献的收益值进行处理,能够得到目标应用对目标用户的最大风险容忍度。
在一种可能实现方式中,该信任参数为信任数值,服务器根据目标应用的风险容忍度,更新信任参数,包括:响应于风险容忍度表征的目标应用能够承受的最大风险超过信任参数表征的目标用户的风险,增大该信任数值;或者,响应于风险容忍度表征的目标应用能够承受的最大风险未超过信任参数表征的目标用户的风险,减小该信任参数。
需要说明的是,上述步骤306为可选步骤。如果目标应用对风险的态度不是始终如一的话,可以执行上述步骤306;如果目标应用对风险的态度始终如一,则可以不执行上述步骤306,直接执行步骤307。
307、服务器根据该目标账号的信任参数,管理该目标账号的社交权限。
其中,目标账号的可信度越高,服务器可以为该目标账号分配越多的社交权限。在一种可能实现方式中,确定目标账号对应的信任参数之后,该方法还包括:根据目标账号对应的信任参数,确定该信任参数对应的社交权限信息;根据该社交权限信息,为目标账号调整对应的社交权限。
其中,社交权限信息可以是社交权限的权限标识等,本申请实施例对社交权限信息不做限定。在一种可能实现方式中,社交权限信息为社交权限的权限标识,根据社交权限信息,为目标账号调整对应的社交权限可以是:根据该权限标识,为该目标账号开放或者关闭该权限标识对应的社交权限。
另外,社交权限可以是评论权限、访问权限、关注权限等任一权限。例如,对于信任参数较高的用户,目标应用可以提供访客展示权限,如图6所示,目标应用可以向用户展示有哪些其他用户访问了该用户的主页。
另外,由于本申请实施例中信任参数的确定参考了贡献数据,因此,如果用户对目标应用的贡献较低,也会导致目标账号的信任参数较小,从而导致目标账号被分配的社交权限较少。因此,目标应用能够量化用户对应用的贡献,从而为用户提供提供不同的服务,这种为用户提供服务的方式更加公平合理。
本申请实施例提供的信任参数确定方法,通过用户对应用的贡献以及用户在应用中的行为,来综合评估用户的可信度,由于评估用户可信度所参考的数据更加全面,因此,评估出的可信度也更加准确。
本申请实施例中,还可以根据目标应用对风险的态度,对确定的信任参数进行调整,使得目标账号对应的信任参数能够准确体现目标应用对该目标用户的信任程度。
并且,目标应用对风险的态度并不是一成不变的,可以根据目标应用对风险的喜爱、厌恶或者中性态度,来确定目标应用对某一用户的风险容忍程度,使得目标应用更够更加准确地把控各个用户的风险程度。
并且,目标应用可以根据信任参数为用户分配社交权限,由于信任参数受到用户为目标应用的贡献的影响,因此,可以实现为目标应用贡献较大的用户提供较多的社交权限,为目标应用贡献较小的用户提供较少的社交权限,这种为用户提供社交权限的方式更加公平合理。因此,若采用本申请实施例提供的方案,能够根据用户的历史行为,挑选出高价值用户,根据用户的价值高低,来调整用户的社交权限,调整方式更加准确合理。
图7是本申请提供的一种信任参数确定装置的结构示意图。参见图7,该装置包括:
行为数据获取模块701,用于获取目标账号对应的行为数据,所述行为数据用于表征目标用户在目标应用中的行为轨迹;
贡献数据获取模块702,用于获取所述目标账号对应的贡献数据,所述贡献数据表征所述目标用户对所述目标应用贡献的收益;
参数确定模块703,用于根据所述贡献数据和所述行为数据,确定所述目标账号对应的信任参数,所述信任参数表征所述目标用户的可信度。
如图8所示,在一种可能实现方式中,所述参数确定模块703,包括:
处理单元7031,用于采用高斯衰减函数,对所述贡献数据和所述行为数据进行处理,得到所述目标账号对应的第一信任参数;
确定单元7032,用于基于所述目标账号对应的第一信任参数,确定所述目标账号对应的信任参数。
在一种可能实现方式中,所述处理单元7031,用于获取所述贡献数据中的付费数据,所述付费数据包括至少一条付费记录,每条付费记录包括转移的资源数量以及转移时间;获取所述行为数据中的绑定数据,所述目标账号为基于第三方账号在所述目标应用中注册的账号,所述绑定数据至少表征基于所述第三方账号在所述目标应用中注册的账号的数量;采用所述高斯衰减函数,对所述付费数据和所述绑定数据进行处理,得到所述目标账号对应的第一信任参数,所述高斯衰减函数表征所述转移的资源数量以及所述注册的账号的数量对所述第一信任参数的影响随着时间衰减。
在一种可能实现方式中,所述确定单元7032,用于将所述第一信任参数作为所述目标账号对应的信任参数;或者,
所述确定单元7032,用于通过预测模型,对所述贡献数据和所述行为数据进行预测处理,得到所述目标账号对应的第二信任参数;基于所述第一信任参数和所述第二信任参数,确定所述目标账号对应的信任参数。
在一种可能实现方式中,所述确定单元7032,用于对所述第一信任参数和所述第二信任参数进行统计处理,得到第三信任参数;将所述第三信任参数作为所述目标账号对应的信任参数。
在一种可能实现方式中,所述参数确定模块703,包括:
预测单元7033,用于通过预测模型,对所述贡献数据和所述行为数据进行预测处理,得到所述目标账号对应的第二信任参数;
确定单元7032,用于将所述第二信任参数作为所述目标账号对应的信任参数。
在一种可能实现方式中,所述装置还包括:
样本数据获取模块704,用于获取样本数据,所述样本数据包括样本账号对应的样本贡献数据、样本行为数据以及样本信任参数;
预测模块705,用于通过所述预测模型,对所述样本贡献数据和样本行为数据进行预测处理,得到所述目标账号对应的预测信任参数;
训练模块706,用于根据样本信任参数和预测信任参数之间的差异,训练所述预测模型。
在一种可能实现方式中,所述样本数据获取模块704,包括:
特征提取单元7041,用于对已获取的样本数据中的样本贡献数据和样本行为数据进行特征提取,得到参考特征;
所述特征提取单元7041,还用于分别对多个候选数据进行特征提取,得到多个候选特征,所述候选数据包括候选贡献数据和候选行为数据;
筛选单元7042,用于从所述多个候选数据中,筛选出候选特征与所述参考特征匹配的候选数据;
获取单元7043,用于获取为筛选出的候选数据标注的样本信任参数;
确定单元7044,用于将所述筛选出的候选数据以及为所述候选数据标注的样本信任参数组成样本数据。
在一种可能实现方式中,所述装置还包括:
更新模块707,用于根据所述目标应用的风险容忍度,更新所述信任参数。
在一种可能实现方式中,所述装置还包括:
函数获取模块708,用于获取风险效用函数,所述风险效用函数表征所述目标应用对风险的态度;
收益确定模块709,用于根据所述贡献数据,确定所述目标用户为所述目标应用贡献的收益值;
处理模块710,用于采用所述风险效用函数对所述收益值进行处理,得到所述目标应用对所述目标用户的风险容忍度。
在一种可能实现方式中,所述更新模块707,用于响应于所述风险容忍度表征的所述目标应用能够承受的最大风险超过所述信任参数表征的所述目标用户的风险,增大所述信任数值;或者,
所述更新模块707,用于响应于所述风险容忍度表征的所述目标应用能够承受的最大风险未超过所述信任参数表征的所述目标用户的风险,减小所述信任数值。
在一种可能实现方式中,所述行为数据获取模块701,用于根据所述目标账号的社交日志数据、终端日志数据或者人机交互日志数据中的至少一项,确定所述目标账号对应的行为数据;
其中,所述社交日志数据至少表征所述目标用户的社交记录,所述终端日志数据至少表征部署所述目标应用的终端是否为真实的终端,所述人机交互日志数据至少表征是否是真实的用户与部署所述目标应用的终端进行交互。
在一种可能实现方式中,所述贡献数据获取模块702,用于根据所述目标账号的付费记录、转发记录或者广告观看记录中的至少一项,确定所述目标账号对应的贡献数据。
在一种可能实现方式中,所述装置还包括:
权限确定模块711,用于根据所述目标账号对应的信任参数,确定所述信任参数对应的社交权限信息;
权限管理模块712,用于根据所述社交权限信息,为所述目标账号调整对应的社交权限。
本申请实施例还提供了一种计算机设备,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,以实现如上述实施例的信任参数确定方法中所执行的操作。
可选地,计算机设备被提供为终端。图9是本申请实施例提供的一种终端的结构示意图。该终端900可以是便携式移动终端,比如:智能手机、平板电脑、MP3播放器(MovingPicture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端900还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
终端900包括有:处理器901和存储器902。
处理器901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901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901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901可以集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的显示和绘制。一些实施例中,处理器901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902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902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902中的非暂态的计算机可读存储介质用于存储至少一个程序代码,该至少一个程序代码用于被处理器901所执行以实现如上述实施例的信任参数确定方法中所执行的操作。
在一些实施例中,终端900还可选包括有:外围设备接口903和至少一个外围设备。处理器901、存储器902和外围设备接口903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903相连。具体地,外围设备包括:射频电路904、显示屏905、摄像头组件906、音频电路907、定位组件908和电源909中的至少一种。
外围设备接口903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901和存储器902。在一些实施例中,处理器901、存储器902和外围设备接口903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901、存储器902和外围设备接口903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904用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路904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904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904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904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:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、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904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905用于显示UI(User Interface,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905是触摸显示屏时,显示屏905还具有采集在显示屏905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901进行处理。此时,显示屏905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905可以为一个,设置在终端900的前面板;在另一些实施例中,显示屏905可以为至少两个,分别设置在终端900的不同表面或呈折叠设计;在另一些实施例中,显示屏905可以是柔性显示屏,设置在终端900的弯曲表面上或折叠面上。甚至,显示屏905还可以设置成非矩形的不规则图形,也即异形屏。显示屏905可以采用LCD(Liquid Crystal 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906用于采集图像或视频。可选地,摄像头组件906包括前置摄像头和后置摄像头。前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。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906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907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901进行处理,或者输入至射频电路904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900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901或射频电路904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907还可以包括耳机插孔。
定位组件908用于定位终端900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908可以是基于美国的GPS(GlobalPositioning System,全球定位系统)、中国的北斗系统或俄罗斯的格雷纳斯定位系统以及欧盟的伽利略定位系统。
电源909用于为终端900中的各个组件进行供电。电源909可以是交流电、直流电、一次性电池或可充电电池。当电源909包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。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900还包括有一个或多个传感器910。该一个或多个传感器910包括但不限于:加速度传感器911、陀螺仪传感器912、压力传感器913、指纹传感器914、光学传感器915以及接近传感器916。
加速度传感器911可以检测以终端90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911可以用于检测重力加速度在三个坐标轴上的分量。处理器901可以根据加速度传感器911采集的重力加速度信号,控制显示屏905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911还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器912可以检测终端900的机体方向及转动角度,陀螺仪传感器912可以与加速度传感器911协同采集用户对终端900的3D动作。处理器901根据陀螺仪传感器912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、游戏控制以及惯性导航。
压力传感器913可以设置在终端900的侧边框和/或显示屏905的下层。当压力传感器913设置在终端900的侧边框时,可以检测用户对终端900的握持信号,由处理器901根据压力传感器913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913设置在显示屏905的下层时,由处理器901根据用户对显示屏905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914用于采集用户的指纹,由处理器901根据指纹传感器914采集到的指纹识别用户的身份,或者,由指纹传感器914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901授权该用户执行相关的敏感操作,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914可以被设置在终端900的正面、背面或侧面。当终端900上设置有物理按键或厂商Logo时,指纹传感器914可以与物理按键或厂商Logo集成在一起。
光学传感器915用于采集环境光强度。在一个实施例中,处理器901可以根据光学传感器915采集的环境光强度,控制显示屏905的显示亮度。具体地,当环境光强度较高时,调高显示屏905的显示亮度;当环境光强度较低时,调低显示屏905的显示亮度。在另一个实施例中,处理器901还可以根据光学传感器915采集的环境光强度,动态调整摄像头组件906的拍摄参数。
接近传感器916,也称距离传感器,设置在终端900的前面板。接近传感器916用于采集用户与终端900的正面之间的距离。在一个实施例中,当接近传感器916检测到用户与终端900的正面之间的距离逐渐变小时,由处理器901控制显示屏905从亮屏状态切换为息屏状态;当接近传感器916检测到用户与终端900的正面之间的距离逐渐变大时,由处理器901控制显示屏905从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图9中示出的结构并不构成对终端900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。
可选地,计算机设备被提供为服务器。图10是根据一示例性实施例示出的一种服务器的结构示意图,该服务器1000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 Processing Units,CPU)1001和一个或一个以上的存储器1002,其中,存储器1002中存储有至少一条程序代码,至少一条程序代码由处理器1001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。
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,以实现如上述实施例的信任参数确定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,以实现如上述实施例的信任参数确定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 (17)
1.一种信任参数确定方法,其特征在于,所述方法包括:
获取目标账号对应的行为数据,所述行为数据用于表征目标用户在目标应用中的行为轨迹;
获取所述目标账号对应的贡献数据,所述贡献数据表征所述目标用户对所述目标应用贡献的收益;
根据所述贡献数据和所述行为数据,确定所述目标账号对应的信任参数,所述信任参数表征所述目标用户的可信度。
2.根据权利要求1所述的方法,其特征在于,所述根据所述贡献数据和所述行为数据,确定所述目标账号对应的信任参数,包括:
采用高斯衰减函数,对所述贡献数据和所述行为数据进行处理,得到所述目标账号对应的第一信任参数;
基于所述目标账号对应的第一信任参数,确定所述目标账号对应的信任参数。
3.根据权利要求2所述的方法,其特征在于,所述采用高斯衰减函数,对所述贡献数据和所述行为数据进行处理,得到所述目标账号对应的第一信任参数,包括:
获取所述贡献数据中的付费数据,所述付费数据包括至少一条付费记录,每条付费记录包括转移的资源数量以及转移时间;
获取所述行为数据中的绑定数据,所述目标账号为基于第三方账号在所述目标应用中注册的账号,所述绑定数据至少表征基于所述第三方账号在所述目标应用中注册的账号的数量;
采用所述高斯衰减函数,对所述付费数据和所述绑定数据进行处理,得到所述目标账号对应的第一信任参数,所述高斯衰减函数表征所述转移的资源数量以及所述注册的账号的数量对所述第一信任参数的影响随着时间衰减。
4.根据权利要求2所述的方法,其特征在于,所述基于所述目标账号对应的第一信任参数,确定所述目标账号对应的信任参数,包括:
将所述第一信任参数作为所述目标账号对应的信任参数;或者,
通过预测模型,对所述贡献数据和所述行为数据进行预测处理,得到所述目标账号对应的第二信任参数;基于所述第一信任参数和所述第二信任参数,确定所述目标账号对应的信任参数。
5.根据权利要求4所述的方法,其特征在于,所述基于所述第一信任参数和所述第二信任参数,确定所述目标账号对应的信任参数,包括:
对所述第一信任参数和所述第二信任参数进行统计处理,得到第三信任参数;
将所述第三信任参数作为所述目标账号对应的信任参数。
6.根据权利要求1所述的方法,其特征在于,所述根据所述贡献数据和所述行为数据,确定所述目标账号对应的信任参数,包括:
通过预测模型,对所述贡献数据和所述行为数据进行预测处理,得到所述目标账号对应的第二信任参数;
将所述第二信任参数作为所述目标账号对应的信任参数。
7.根据权利要求6所述的方法,其特征在于,所述通过预测模型,对所述贡献数据和所述行为数据进行预测处理,得到所述目标账号对应的第二信任参数之前,所述方法还包括:
获取样本数据,所述样本数据包括样本账号对应的样本贡献数据、样本行为数据以及样本信任参数;
通过所述预测模型,对所述样本贡献数据和样本行为数据进行预测处理,得到所述目标账号对应的预测信任参数;
根据样本信任参数和预测信任参数之间的差异,训练所述预测模型。
8.根据权利要求7所述的方法,其特征在于,所述获取样本数据,包括:
对已获取的样本数据中的样本贡献数据和样本行为数据进行特征提取,得到参考特征;
分别对多个候选数据进行特征提取,得到多个候选特征,所述候选数据包括候选贡献数据和候选行为数据;
从所述多个候选数据中,筛选出候选特征与所述参考特征匹配的候选数据;
获取为筛选出的候选数据标注的样本信任参数;
将所述筛选出的候选数据以及为所述候选数据标注的样本信任参数组成样本数据。
9.根据权利要求1所述的方法,其特征在于,所述根据所述贡献数据和所述行为数据,确定所述目标账号对应的信任参数之后,所述方法还包括:
根据所述目标应用的风险容忍度,更新所述信任参数。
10.根据权利要求9所述的方法,其特征在于,所述根据所述目标应用的风险容忍度,更新所述信任参数之前,所述方法还包括:
获取风险效用函数,所述风险效用函数表征所述目标应用对风险的态度;
根据所述贡献数据,确定所述目标用户为所述目标应用贡献的收益值;
采用所述风险效用函数对所述收益值进行处理,得到所述目标应用对所述目标用户的风险容忍度。
11.根据权利要求9所述的方法,其特征在于,所述信任参数为信任数值,所述根据所述目标应用的风险容忍度,更新所述信任参数,包括:
响应于所述风险容忍度表征的所述目标应用能够承受的最大风险超过所述信任参数表征的所述目标用户的风险,增大所述信任数值;或者,
响应于所述风险容忍度表征的所述目标应用能够承受的最大风险未超过所述信任参数表征的所述目标用户的风险,减小所述信任数值。
12.根据权利要求1所述的方法,其特征在于,所述获取目标账号对应的行为数据,包括:
根据所述目标账号的社交日志数据、终端日志数据或者人机交互日志数据中的至少一项,确定所述目标账号对应的行为数据;
其中,所述社交日志数据至少表征所述目标用户的社交记录,所述终端日志数据至少表征部署所述目标应用的终端是否为真实的终端,所述人机交互日志数据至少表征是否是真实的用户与部署所述目标应用的终端进行交互。
13.根据权利要求1所述的方法,其特征在于,所述获取所述目标账号对应的贡献数据,包括:
根据所述目标账号的付费记录、转发记录或者广告观看记录中的至少一项,确定所述目标账号对应的贡献数据。
14.根据权利要求1所述的方法,其特征在于,所述根据所述贡献数据和所述行为数据,确定所述目标账号对应的信任参数之后,所述方法还包括:
根据所述目标账号对应的信任参数,确定所述信任参数对应的社交权限信息;
根据所述社交权限信息,为所述目标账号调整对应的社交权限。
15.一种信任参数确定装置,其特征在于,所述装置包括:
行为数据获取模块,用于获取目标账号对应的行为数据,所述行为数据用于表征目标用户在目标应用中的行为轨迹;
贡献数据获取模块,用于获取所述目标账号对应的贡献数据,所述贡献数据表征所述目标用户对所述目标应用贡献的收益;
参数确定模块,用于根据所述贡献数据和所述行为数据,确定所述目标账号对应的信任参数,所述信任参数表征所述目标用户的可信度。
16.一种计算机设备,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14任一权利要求所述的信任参数确定方法中所执行的操作。
17.一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14任一权利要求所述的信任参数确定方法中所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110736720.4A CN113313328A (zh) | 2021-06-30 | 2021-06-30 | 信任参数确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110736720.4A CN113313328A (zh) | 2021-06-30 | 2021-06-30 | 信任参数确定方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113313328A true CN113313328A (zh) | 2021-08-27 |
Family
ID=77381063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110736720.4A Pending CN113313328A (zh) | 2021-06-30 | 2021-06-30 | 信任参数确定方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313328A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719824A (zh) * | 2009-11-24 | 2010-06-02 | 北京信息科技大学 | 一种基于网络行为检测的信任度评估系统和方法 |
CN102014135A (zh) * | 2010-12-03 | 2011-04-13 | 北京航空航天大学 | 一种用于抵御p2p网络中自私行为的多层信任方法 |
WO2019242331A1 (zh) * | 2018-06-20 | 2019-12-26 | 华为技术有限公司 | 用户行为预测方法及装置、行为预测模型训练方法及装置 |
CN110930242A (zh) * | 2019-11-26 | 2020-03-27 | 中国建设银行股份有限公司 | 一种可信度预测方法、装置、设备和存储介质 |
CN111953679A (zh) * | 2020-08-11 | 2020-11-17 | 中国人民解放军战略支援部队信息工程大学 | 内网用户行为度量方法及基于零信任的网络访问控制方法 |
CN112530587A (zh) * | 2020-12-22 | 2021-03-19 | 云南财经大学 | 医疗大数据访问控制用二维动态信任评价模型的构建方法 |
CN113052422A (zh) * | 2019-12-28 | 2021-06-29 | 中移(成都)信息通信科技有限公司 | 风控模型训练方法和用户信用评估方法 |
-
2021
- 2021-06-30 CN CN202110736720.4A patent/CN113313328A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719824A (zh) * | 2009-11-24 | 2010-06-02 | 北京信息科技大学 | 一种基于网络行为检测的信任度评估系统和方法 |
CN102014135A (zh) * | 2010-12-03 | 2011-04-13 | 北京航空航天大学 | 一种用于抵御p2p网络中自私行为的多层信任方法 |
WO2019242331A1 (zh) * | 2018-06-20 | 2019-12-26 | 华为技术有限公司 | 用户行为预测方法及装置、行为预测模型训练方法及装置 |
CN110930242A (zh) * | 2019-11-26 | 2020-03-27 | 中国建设银行股份有限公司 | 一种可信度预测方法、装置、设备和存储介质 |
CN113052422A (zh) * | 2019-12-28 | 2021-06-29 | 中移(成都)信息通信科技有限公司 | 风控模型训练方法和用户信用评估方法 |
CN111953679A (zh) * | 2020-08-11 | 2020-11-17 | 中国人民解放军战略支援部队信息工程大学 | 内网用户行为度量方法及基于零信任的网络访问控制方法 |
CN112530587A (zh) * | 2020-12-22 | 2021-03-19 | 云南财经大学 | 医疗大数据访问控制用二维动态信任评价模型的构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674022B (zh) | 行为数据获取方法、装置及存储介质 | |
CN109522426B (zh) | 多媒体数据推荐方法、装置、设备及计算机可读存储介质 | |
CN110278464B (zh) | 显示榜单的方法和装置 | |
CN111104980B (zh) | 确定分类结果的方法、装置、设备及存储介质 | |
CN112016941A (zh) | 虚拟物品的领取方法、装置、终端及存储介质 | |
CN111311155A (zh) | 修改配送位置的方法、装置、系统、设备以及存储介质 | |
CN111708944A (zh) | 多媒体资源识别方法、装置、设备及存储介质 | |
CN110851823A (zh) | 数据访问方法、装置、终端及存储介质 | |
CN111028071A (zh) | 账单处理方法、装置、电子设备及存储介质 | |
CN114154068A (zh) | 媒体内容推荐方法、装置、电子设备及存储介质 | |
CN110909264A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN113886609A (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
CN112699268A (zh) | 训练评分模型的方法、设备及存储介质 | |
CN112131473A (zh) | 信息推荐方法、装置、设备及存储介质 | |
CN111782950A (zh) | 样本数据集获取方法、装置、设备及存储介质 | |
CN111831385A (zh) | 业务授信信息处理方法、装置、设备及存储介质 | |
CN110956469A (zh) | 支付方法、装置、设备及存储介质 | |
CN113393608B (zh) | 业务处理方法、装置、终端及存储介质 | |
CN112764824B (zh) | 触发应用程序中身份验证的方法、装置、设备及存储介质 | |
CN112699364A (zh) | 验证信息的处理方法、装置、设备及存储介质 | |
CN112990964A (zh) | 推荐内容资源的获取方法、装置、设备及介质 | |
CN113313328A (zh) | 信任参数确定方法、装置、计算机设备和存储介质 | |
CN111641853A (zh) | 多媒体资源加载方法、装置、计算机设备及存储介质 | |
CN111191254A (zh) | 访问校验方法、装置、计算机设备及存储介质 | |
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 |
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 |