CN114173138B - 一种处理异常视频up主的方法、装置、介质及设备 - Google Patents
一种处理异常视频up主的方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN114173138B CN114173138B CN202111237520.0A CN202111237520A CN114173138B CN 114173138 B CN114173138 B CN 114173138B CN 202111237520 A CN202111237520 A CN 202111237520A CN 114173138 B CN114173138 B CN 114173138B
- Authority
- CN
- China
- Prior art keywords
- feature dimension
- combination
- viewing
- video
- watching
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012216 screening Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 5
- 230000002547 anomalous effect Effects 0.000 claims description 4
- 238000005406 washing Methods 0.000 claims 1
- 238000013138 pruning Methods 0.000 abstract description 3
- 230000001680 brushing effect Effects 0.000 description 22
- 230000006399 behavior Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/21—Server components or server architectures
- H04N21/218—Source of audio or video content, e.g. local disk arrays
- H04N21/2187—Live feed
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
- H04N21/25808—Management of client data
- H04N21/25833—Management of client data involving client hardware characteristics, e.g. manufacturer, processing or storage capabilities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
- H04N21/25866—Management of end-user data
- H04N21/25883—Management of end-user data being end-user demographical data, e.g. age, family status or address
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
- H04N21/25866—Management of end-user data
- H04N21/25891—Management of end-user data being end-user preferences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
- H04N21/44213—Monitoring of end-user related data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明提供一种由于处理异常视频up主的方法、装置、介质及设备,方法包括:通过设备属性信息、设备IP信息及页面来源信息确定第一观看特征维度组合,确保基础数据的精度;由于第一观看特征维度组合可能包含有正常观看组合,因此对第一观看特征维度组合进行筛选,获得第二观看特征维度组合,进一步提高识别精度;为降低异常组合的冗余,减少搜索量,继续对第二观看特征维度组合进行剪枝处理,获得嫌疑度较高的目标观看特征维度组合,通过确定目标观看特征维度组合的嫌疑分值来判断该组合对应的up主是否具有刷量行为,有效识别出具有刷量行为的up主,若是,对该组合下的用户观看时长进行清洗,确保直播平台的直播生态环境。
Description
技术领域
本发明属于直播风控技术领域,尤其涉及一种处理异常视频up主的方法、装置、介质及设备。
背景技术
目前,直播平台上会予给观看用户较多、观看时长较长的视频up主(视频up主可以理解为视频上传者)一定的物质奖励,因此一些up主会对视频播放量及视频播放时长的指标进行刷量,这种行为会严重影响其他无刷量行为的视频up主的利益,进而影响直播平台的生态环境,因此需要采取一定的措施来防止这样的恶意刷量行为。
现有技术中,一种方式是采用一些人工规则识别恶意刷量行为,但人工规则容易被黑产识破并绕过;另一种方式是去识别是否具有刷接口行为,进而对恶意请求进行拦截,但是这种方法具有局限性,若黑产不通过刷接口来进行刷量时,此方法无法识别出刷量行为,无法对具有刷量行为的视频up主的非正常观看时长进行有效清洗。
发明内容
针对现有技术存在的问题,本发明实施例提供了一种处理异常视频up主的方法、装置、介质及设备,用于解决现有技术中无法有效识别出具有刷量行为的视频up主,进而无法对具有刷量行为的视频up主的非正常观看时长进行有效清洗技术问题。
第一方面,本发明提供一种处理异常视频up主的方法,所述方法包括:
根据视频观看特征信息确定所述目标视频up主对应的多个第一观看特征维度组合;所述视频观看特征信息包括:用于观看所述目标视频up主的视频的设备属性信息、设备IP信息及页面来源信息;
根据每个所述第一观看特征维度组合对所述目标视频up主的视频的观看时长,对各所述第一观看特征维度组合进行筛选,获得多个第二观看特征维度组合;
根据每个所述第二观看特征维度组合的异常分值对各所述第二观看特征维度组合进行筛选,获得至少一个目标观看特征维度组合;
确定所述至少一个目标观看特征维度组合的嫌疑分值;
基于所述嫌疑分值清洗所述目标视频up主的视频的非正常观看时长。
上述方案中,所述根据每个所述第一观看特征维度组合对所述目标视频up主的视频的观看时长,对各所述第一观看特征维度组合进行筛选,包括:
针对每个所述第一观看特征维度组合,获取所述第一观看特征维度组合在预设时间段内对所述目标视频up主的视频进行观看的观看时长序列;
基于公式确定所述第一观看特征维度组合的观看时长显著变化值/>;
删除观看时长显著变化值小于显著变化检验阈值的第一观看特征维度组合,获得剩余的第二观看特征维度组合;其中,
所述为所述观看时长序列截止到当前时刻对应的时间序列分布值,所述为所述观看时长序列截止到当前时刻上一时刻对应的时间序列分布值,所述n为所述当前时刻,所述n-1为所述当前时刻的上一时刻,所述j为任一时刻,1<j<n,所述X为所述第一观看特征维度组合,所述/>为所述观看时长序列中的任一时刻对应的观看时长。
上述方案中,方法还包括:
利用公式确定所述第一观看特征维度组合截止到当前时刻对应的时间序列分布值/>;
利用公式确定所述第一观看特征维度组合截止到当前时刻上一时刻对应的时间序列分布值/>;其中,
所述X为所述第一观看特征维度组合,所述为所述第一观看特征维度组合截止到当前时刻的观看时长均值,所述/>为所述第一观看特征维度组合截止到当前时刻的观看时长标准差,所述/>为所述第一观看特征维度组合截止到当前时刻上一时刻的观看时长均值,所述/>为所述第一观看特征维度组合截止到当前时刻上一时刻的观看时长标准差。
上述方案中,所述根据每个所述第二观看特征维度组合的异常分值对各所述第二观看特征维度组合进行筛选,获得至少一个目标观看特征维度组合,包括:
确定每个所述第二观看特征维度组合的观看特征维度子组合及观看特征维度父组合,所述观看特征维度子组合中每个观看特征维度组合的特征维度数量大于第二观看特征维度组合中的特征维度数量,所述观看特征维度父组合中每个观看特征维度组合的特征维度数量小于第二观看特征维度组合中的特征维度数量;
针对每个所述第二观看特征维度组合,确定所述第二观看特征维度组合的第一异常分值、所述观看特征维度子组合的第二异常分值、所述观看特征维度父组合的第三异常分值;
若确定所述第一异常分值大于所述第二异常分值,则删除所述第二观看特征维度组合的观看特征维度子组合;若确定所述第一异常分值大于所述第三异常分值,则删除所述第二观看特征维度组合的观看特征维度父组合,获得至少一个目标观看特征维度组合。
上述方案中,所述确定所述第二观看特征维度组合的第一异常分值,包括:
根据公式
确定所述第二观看特征维度组合的第一异常分值/>;其中,
所述为当前时刻所有第二观看特征维度组合观看所述目标视频up主的视频的总时长,所述/>为当前时刻上一时刻所有第二观看特征维度组合观看所述目标视频up主的视频的总时长,所述/>为在当前时刻当前第二观看特征维度组合观看所述目标视频up主的视频的时长,所述/>为在当前时刻上一时刻当前第二观看特征维度组合观看所述目标视频up主的视频的时长,所述n为当前时刻,所述n-1为所述当前时刻的上一时刻。
上述方案中,所述确定所述至少一个目标观看特征维度组合的嫌疑分值,包括:
根据公式确定所述目标观看特征维度组合的嫌疑分值/>;其中,
为所述目标观看特征维度组合,所述/>为当前时刻所述目标观看特征维度组合观看所述目标视频up主的视频的时长,所述/>为当前时刻上一时刻所述目标观看特征维度组合观看所述目标视频up主的视频的时长,所述/>为当前时刻所有目标观看特征维度组合观看所述目标视频up主的视频的总时长,所述/>为当前时刻上一时刻所有目标观看特征维度组合观看所述目标视频up主的视频的总时长。
上述方案中,所述基于所述嫌疑分值清洗所述目标视频up主的视频的非正常观看时长,包括:
若确定所述嫌疑分值大于阈值分值,则对所述嫌疑分值大于阈值分值的目标观看特征组合下的视频观看时长进行清零。
第二方面,本发明提供一种处理异常视频up主的装置,所述装置包括:
第一确定单元,用于根据视频观看特征信息确定目标视频up主对应的多个第一观看特征维度组合;所述视频观看特征信息包括:用于观看所述目标视频up主的视频的设备属性信息、设备IP信息及页面来源信息;
第一筛选单元,用于根据每个所述第一观看特征维度组合对所述目标视频up主的视频的观看时长,对各所述第一观看特征维度组合进行筛选,获得多个第二观看特征维度组合;
第二筛选单元,用于根据每个所述第二观看特征维度组合的异常分值对各所述第二观看特征维度组合进行筛选,获得至少一个目标观看特征维度组合;
第二确定单元,用于确定所述至少一个目标观看特征维度组合的嫌疑分值;
清洗单元,用于基于所述嫌疑分值清洗所述目标视频up主的视频的非正常观看时长。
第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面中任一项所述的方法。
第四方面,提供一种计算机设备,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计算机程序,所述处理器执行所述程序时实现第一方面中任一项所述的方法。
本发明提供一种处理异常视频up主的方法、装置、介质及设备,方法包括:根据视频观看特征信息确定目标视频up主对应的多个第一观看特征维度组合;所述视频观看特征信息包括:用于观看所述目标视频up主的视频的设备属性信息、设备IP信息及页面来源信息;根据每个所述第一观看特征维度组合对所述目标视频up主的视频的观看时长,对各所述第一观看特征维度组合进行筛选,获得多个第二观看特征维度组合;根据每个所述第二观看特征维度组合的异常分值对各所述第二观看特征维度组合进行筛选,获得至少一个目标观看特征维度组合;确定所述至少一个目标观看特征维度组合的嫌疑分值;基于所述嫌疑分值清洗所述目标视频up主的视频的非正常观看时长;如此,由于黑产进行大规模刷量的资源包括虚假设备或对设备信息进行伪造,因此本文根据设备属性信息、设备IP信息及页面来源信息确定第一观看特征维度组合,确保基础数据的精度;由于第一观看特征维度组合可能包含有正常观看组合,因此基于每个第一观看特征维度组合观看所述目标视频up主的视频的观看时长对第一观看特征维度组合进行筛选,获得第二观看特征维度组合,进一步提高识别精度;另外为降低异常组合的冗余,减少搜索量,继续对第二观看特征维度组合进行剪枝处理,获得嫌疑度较高的目标观看特征维度组合,最后通过确定目标观看特征维度组合的嫌疑分值来判断该组合是否为异常组合,若是,说明该组合对应的up主具有刷量行为,此时对该组合下的用户观看时长进行清洗;如此可以有效识别出具有刷量行为的up主,并对其进行有效处理,确保直播平台的直播生态环境。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明实施例提供的处理异常视频up主的方法流程示意图;
图2为本发明实施例提供的处理异常视频up主的装置结构示意图;
图3为本发明实施例提供的计算机设备结构示意图;
图4为本发明实施例提供的计算机存储可读介质结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本说明书实施例的技术方案做详细的说明,应当理解本说明书实施例以及实施例中的具体特征是对本说明书实施例技术方案的详细的说明,而不是对本说明书技术方案的限定,在不冲突的情况下,本说明书实施例以及实施例中的技术特征可以相互组合。
本实施例提供一种处理异常视频up主的方法,如图1所示,方法包括以下步骤:
S110,根据视频观看特征信息确定目标视频up主对应的多个第一观看特征维度组合;所述视频观看特征信息包括:用于观看所述目标视频up主的视频的设备属性信息、设备IP信息及页面来源信息;
由于黑产进行大规模刷量的资源包括虚假设备或对设备信息进行伪造,因此设备属性信息是比较重要的参数之一;另外,观看视频时,IP是黑产需要的资源,因此常采用代理IP,那么在IP的地理位置信息上会出现聚集性。并且黑产通过一些脚本到达观看操作的目的,因此行为路径相似,这样会使得观看视频的页面来源也出现一定的趋同性。
考虑到上述原因,本步骤中的观看视频特征信息包括:用于观看目标视频up主的视频的设备属性信息、设备IP信息及页面来源信息;每个观看视频特征信息至少包括一个特征维度,每个特征维度至少包括一个特征取值。
其中,设备属性信息的特征维度:可以包括设备唯一序列号(设备ID)、设备类型及设备品牌等信息;
设备IP信息的特征维度可以包括:IP地址(IP省份、IP城市等);
页面来源信息的特征维度可以包括:视频的页面编码ID信息等。
比如:当特征维度包括:设备类型时,特征维度的取值可以包括:手机、平板等;当特征维度为设备品牌时,该特征维度的特征取值可以包括:品牌1、品牌2、品牌3等手机品牌。当特征维度为IP地址时,特征维度的取值可以包括:北京、上海、武汉等城市。
继而本实施例中针对目标视频up主,可根据视频观看特征信息确定目标视频up主对应的多个初始观看特征维度组合;目标视频up主为直播平台中的任一视频up主。初始观看特征维度组合包括至少一个特征维度。
比如,初始观看特征维度组合可以包括:{手机}、{手机、品牌1}、{手机、品牌1、武汉}、{品牌2}、{品牌2、武汉、32(页面编码)}等,在此不一一进行列举。
各初始观看特征维度组合确定出之后,由于初始观看特征组合的维度众多,可能部分初始观看特征维度组合的观看时长较短,不具备刷量风险,因此本步骤还需对各初始观看特征维度组合进行筛选,获得多个第一观看特征维度组合。
具体来讲,针对每个初始观看特征维度组合,获取根据每个初始观看特征维度组合观看目标视频up主的视频的第一总观看时长以及所有初始观看特征维度组合观看目标视频up主的视频的第二总观看时长,确定第一总观看时长在第二总观看时长中的当前占比。
若当前占比小于占比阈值,则剔除该初始观看特征维度组合;若当前占比大于或等于占比阈值,则保留该初始观看特征维度组合;最后确定出第一观看特征维度组合。
本步骤考虑到黑产进行大规模刷量的资源包括虚假设备或对设备信息进行伪造,因此本文根据设备属性信息、设备IP信息及页面来源信息确定第一观看特征维度组合,确保基础数据的精度;进而可确保后续可高精度识别具有刷量行为的视频up主。
S111,根据每个所述第一观看特征维度组合对所述目标视频up主的视频的观看时长,对各所述第一观看特征维度组合进行筛选,获得多个第二观看特征维度组合;
确定出各第一观看特征维度组合后,根据每个第一观看特征维度组合对目标视频up主的视频的观看时长,对各第一观看特征维度组合进行筛选,获得多个第二观看特征维度组合。
在一种可选的实施例中,根据每个第一观看特征维度组合对目标视频up主的视频的观看时长,对各第一观看特征维度组合进行筛选,包括:
针对每个第一观看特征维度组合,获取第一观看特征维度组合在预设时间段内对目标视频up主的视频进行观看的观看时长序列;
基于公式确定第一观看特征维度组合的观看时长显著变化值/>;
删除观看时长显著变化值小于显著变化检验阈值的第一观看特征维度组合,获得剩余的第二观看特征维度组合;其中,
为观看时长序列截止到当前时刻对应的时间序列分布值,/>为观看时长序列截止到当前时刻上一时刻对应的时间序列分布值,n为当前时刻,n-1为当前时刻的上一时刻,j为任一时刻,1<j<n,X为第一观看特征维度组合,/>为观看时长序列中的任一时刻对应的观看时长。
具体来讲,可以每间隔预设的采集周期采集第一观看特征维度组合观看目标视频up主的视频的观看时长,各个观看时长形成观看时长序列;其中,采集周期可以为1天、3天或7天,具体时间可根据实际场景进行设置,在此不做限制。
其中,方法还包括:
利用公式确定所述第一观看特征维度组合截止到当前时刻对应的时间序列分布值/>;
利用公式确定所述第一观看特征维度组合截止到当前时刻上一时刻对应的时间序列分布值/>;其中,
X为第一观看特征维度组合,为第一观看特征维度组合截止到当前时刻的观看时长均值,/>为第一观看特征维度组合截止到当前时刻的观看时长标准差,/>为第一观看特征维度组合截止到当前时刻上一时刻的观看时长均值,/>为第一观看特征维度组合截止到当前时刻上一时刻的观看时长标准差。
上述公式的原理是:可以根据观看时长序列来检验第一观看特征维度组合针对目标视频up主是否存在观看时长突变点。如果第一观看特征维度组合的观看时长有一个明显的突增,那么从整体时间维度上来看,突增后的观看时长占比分布突增之前的观看时长占比会有一个明显的差异。因此本步骤通过时间序列分布的极大似然函数的值来表示序列样本整体出现的可能性,如果新增了一个时间点后时间序列整体出现的可能性发生了较大的变化,那么说明新增的时间点上的数据和原有的数据具有较大的差异,此时说明该第一观看特征维度组合具有很大的异常可能。
举例来说,假设第一观看特征组合在在预设时间段内观看所述目标视频up主的观看时长序列为(10、8、12、30)min,那么第一观看特征维度组合的观看时长显著变化值为:
;
;
若检验阈值为25,此时会将该第一观看特征组合保留。
本步骤通过设置检验阈值来将异常可能性较低的第一观看特征维度组合删除掉,保留的下的第二观看特征维度组合是异常可能性较大的组合,进一步为高精度识别具有刷量行为的视频up主奠定基础。
S112,根据每个所述第二观看特征维度组合的异常分值对各所述第二观看特征维度组合进行筛选,获得至少一个目标观看特征维度组合;
第二观看特征维度组合确定出之后,根据每个第二观看特征维度组合的异常分值对各第二观看特征维度组合进行筛选,获得至少一个目标观看特征维度组合。
本实施例中,每个第二观看特征维度组合都应该包括至少一个观看特征维度子组合或至少一个观看特征维度父组合,本步骤为了筛选出最具有异常嫌疑的组合,减少搜索规模,降低异常组合的信息冗余,需要继续对第二观看特征维度组合进行筛选。
举例来说,假设第二观看特征维度组合为:{手机、品牌1、武汉},那么第二观看特征维度组合的观看特征维度子组合可以包括:{手机、品牌1、武汉、322}等,第二观看特征维度组合的观看特征维度父组合可以包括:{手机、品牌1}、{品牌1、武汉}等。
在一种可选的实施例中,根据每个第二观看特征维度组合的异常分值对各第二观看特征维度组合进行筛选,获得至少一个目标观看特征维度组合,包括:
确定每个第二观看特征维度组合的观看特征维度子组合及观看特征维度父组合,观看特征维度子组合中每个观看特征维度组合的特征维度数量大于第二观看特征维度组合中的特征维度数量,观看特征维度父组合中每个观看特征维度组合的特征维度数量小于第二观看特征维度组合中的特征维度数量;
针对每个第二观看特征维度组合,确定第二观看特征维度组合的第一异常分值、观看特征维度子组合的第二异常分值、观看特征维度父组合的第三异常分值;
若确定第一异常分值大于第二异常分值,则删除第二观看特征维度组合的观看特征维度子组合;若确定第一异常分值大于所述第三异常分值,则删除第二观看特征维度组合的观看特征维度父组合,获得至少一个目标观看特征维度组合。
在一种可选的实施例中,确定第二观看特征维度组合的第一异常分值,包括:
根据公式
确定所述第二观看特征维度组合的第一异常分值/>;其中,
为当前时刻所有第二观看特征维度组合观看目标视频up主的视频的总时长,为当前时刻上一时刻所有第二观看特征维度组合观看目标视频up主的视频的总时长,为在当前时刻当前第二观看特征维度组合观看所述目标视频up主的视频的时长,/>为在当前时刻上一时刻当前第二观看特征维度组合观看目标视频up主的视频的时长,n为当前时刻,n-1为当前时刻的上一时刻。
同理,可以参考上述公式确定出确定第二观看特征维度组合的第一异常分值、观看特征维度子组合的第二异常分值、观看特征维度父组合的第三异常分值。
举例来说,继续以上述例子进行说明,第二观看特征维度组合的第一异常分值计算如下:
假设第二异常分值为-1,则删除第二观看特征维度组合的观看特征维度子组合;假设第三异常分值为-0.1,则保留第二观看特征维度组合的观看特征维度父组合。
上述公式的原理是:
表示去除/>后的观看时长,可以剔除/>变动的产生影响;/>表示去除/>后的观看时长,可以剔除/>变动的产生影响。对/>和/>分别计算信息熵,可以得到:/>和/>两部分的结果。将/>和/>分看成一个整体计算信息熵,可得:。如此,可将将异常分值定义为整体拆分后信息熵的增量,若信息熵增加的越多,说明/>较/>在分布上产生较大的变化,因此越有可能是异常的。
本步骤确定出目标观看特征维度组合(异常最大的组合),降低异常组合的信息冗余,减少搜索规模,提高整体的识别效率。
S113,确定所述至少一个目标观看特征维度组合的嫌疑分值;
目标观看特征维度组合确定出之后,确定至少一个目标观看特征维度组合的嫌疑分值。
在一种可选的实施例中,确定至少一个目标观看特征维度组合的嫌疑分值,包括:
根据公式确定目标观看特征维度组合的嫌疑分值/>;其中,
为目标观看特征维度组合,/>为当前时刻目标观看特征维度组合观看目标视频up主的视频的时长,/>为当前时刻上一时刻目标观看特征维度组合观看目标视频up主的视频的时长,/>为当前时刻所有目标观看特征维度组合观看目标视频up主的视频的总时长,/>为当前时刻上一时刻所有目标观看特征维度组合观看目标视频up主的视频的总时长。
举例来说,继续以上述例子进行说明,目标观看特征维度组合的嫌疑分值确定如下:
。
上述公式的原理是:表示当前时刻/>在/>中的第一占比,/>表示的当前时刻上一时刻/>观看在/>中的第二占比,通过/>(/>)可以反映目标观看特征维度组合对目标视频up主观看时长的占比变化,该值越大说明该异常变化对越明显,从而嫌疑分值越大。同时需要单独第一占比/>,第一占比表示对异常变化的绝对影响,该值越大则嫌疑分值越大。
本步骤通过确定出目标观看特征维度组合的嫌疑分值,进而通过嫌疑分值识别出目标视频up主是否为具有刷量行为的up主。
S114,基于所述嫌疑分值清洗所述目标视频up主的视频的非正常观看时长。
嫌疑分值确定出之后,基于嫌疑分值清洗目标视频up主的视频的非正常观看时长。
在一种可选的实施例中,基于嫌疑分值清洗目标视频up主的视频的非正常观看时长,包括:
若确定嫌疑分值大于阈值分值,则对嫌疑分值大于阈值分值的目标观看特征组合下的视频观看时长进行清零。
其中,阈值分值可以根据实际场景进行设置,在此不做限制。
举例来说,若某目标观看特征维度组合的嫌疑分值为0.7,阈值分值为0.5,说明该目标观看特征维度组合下的目标视频up主是具有刷量行为的up主,需要将该目标观看特征维度组合下针对目标视频up主的视频的观看时长进行清零操作。
本步骤通过嫌疑分值清洗所述目标视频up主的视频的非正常观看时长,可以有效地可以有效识别出具有刷量行为的视频up主,并对其进行有效处理,确保直播平台的直播生态环境。
基于同一发明构思,本实施例还提供一种处理异常视频up主的装置,如图2所示,装置包括:
第一确定单元21,用于根据视频观看特征信息确定目标视频up主对应的多个第一观看特征维度组合;所述视频观看特征信息包括:用于观看所述目标视频up主的视频的设备属性信息、设备IP信息及页面来源信息;
第一筛选单元22,用于根据每个所述第一观看特征维度组合对所述目标视频up主的视频的观看时长,对各所述第一观看特征维度组合进行筛选,获得多个第二观看特征维度组合;
第二筛选单元23,用于根据每个所述第二观看特征维度组合的异常分值对各所述第二观看特征维度组合进行筛选,获得至少一个目标观看特征维度组合;
第二确定单元24,用于确定所述至少一个目标观看特征维度组合的嫌疑分值;
清洗单元25,用于基于所述嫌疑分值清洗所述目标视频up主的视频的非正常观看时长。
以上各单元的具体功能可参见上述方法实施例中的对应描述,在此不再赘述。由于本发明实施例所介绍的装置,为实施本发明实施例的方法所采用的装
置,故而基于本发明实施例所介绍的方法,本领域所属人员能够了解该装置的
具体结构及变形,故而在此不再赘述。凡是本发明实施例的方法所采用的装置
都属于本发明所欲保护的范围。
本发明提供的处理异常视频up主的方法及装置能够带来的有益效果至少是:
本发明提供一种处理异常视频up主的方法、装置、介质及设备,方法包括:根据视频观看特征信息确定目标视频up主对应的多个第一观看特征维度组合;所述视频观看特征信息包括:用于观看所述目标视频up主的视频的设备属性信息、设备IP信息及页面来源信息;根据每个所述第一观看特征维度组合对所述目标视频up主的视频的观看时长,对各所述第一观看特征维度组合进行筛选,获得多个第二观看特征维度组合;根据每个所述第二观看特征维度组合的异常分值对各所述第二观看特征维度组合进行筛选,获得至少一个目标观看特征维度组合;确定所述至少一个目标观看特征维度组合的嫌疑分值;基于所述嫌疑分值清洗所述目标视频up主的视频的非正常观看时长;如此,由于黑产进行大规模刷量的资源包括虚假设备或对设备信息进行伪造,因此本文根据设备属性信息、设备IP信息及页面来源信息确定第一观看特征维度组合,确保基础数据的精度;由于第一观看特征维度组合可能包含有正常观看组合,因此基于每个第一观看特征维度组合观看所述目标视频up主的视频的观看时长对第一观看特征维度组合进行筛选,获得第二观看特征维度组合,进一步提高识别精度;另外为降低异常组合的冗余,减少搜索量,继续对第二观看特征维度组合进行剪枝处理,获得嫌疑度较高的目标观看特征维度组合,最后通过确定目标观看特征维度组合的嫌疑分值来判断该组合是否为异常组合,若是,说明该组合对应的up主具有刷量行为,此时对该组合下的用户观看时长进行清洗;如此可以有效识别出具有刷量行为的up主,并对其进行有效处理,确保直播平台的直播生态环境。
基于同一发明构思,本实施例提供一种计算机设备300,如图3所示,包括存储器310、处理器320及存储在存储器310上并可在处理器320上运行的计算机程序311,处理器320执行计算机程序311时实现以下步骤:
根据视频观看特征信息确定目标视频up主对应的多个第一观看特征维度组合;所述视频观看特征信息包括:用于观看所述目标视频up主的视频的设备属性信息、设备IP信息及页面来源信息;
根据每个所述第一观看特征维度组合对所述目标视频up主的视频的观看时长,对各所述第一观看特征维度组合进行筛选,获得多个第二观看特征维度组合;
根据每个所述第二观看特征维度组合的异常分值对各所述第二观看特征维度组合进行筛选,获得至少一个目标观看特征维度组合;
确定所述至少一个目标观看特征维度组合的嫌疑分值;
基于所述嫌疑分值清洗所述目标视频up主的视频的非正常观看时长。
在具体实施过程中,处理器320执行计算机程序311时,可以实现前述实施例二任一实施方式。
由于本实施例所介绍的计算机设备为实施本申请实施例一种处理异常视频up主的方法所采用的设备,故而基于本申请前述实施例中所介绍的方法,本领域所属技术人员能够了解本实施例的计算机设备的具体实施方式以及其各种变化形式,所以在此对于该服务器如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中的方法所采用的设备,都属于本申请所欲保护的范围。
基于同一发明构思,本实施例提供一种计算机可读存储介质400,如图4所示,其上存储有计算机程序411,该计算机程序411被处理器执行时实现以下步骤:
根据视频观看特征信息确定目标视频up主对应的多个第一观看特征维度组合;所述视频观看特征信息包括:用于观看所述目标视频up主的视频的设备属性信息、设备IP信息及页面来源信息;
根据每个所述第一观看特征维度组合对所述目标视频up主的视频的观看时长,对各所述第一观看特征维度组合进行筛选,获得多个第二观看特征维度组合;
根据每个所述第二观看特征维度组合的异常分值对各所述第二观看特征维度组合进行筛选,获得至少一个目标观看特征维度组合;
确定所述至少一个目标观看特征维度组合的嫌疑分值;
基于所述嫌疑分值清洗所述目标视频up主的视频的非正常观看时长。
在具体实施过程中,该计算机程序511被处理器执行时,可以实现前述实施例中任一实施方式。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种处理异常视频up主的方法,其特征在于,所述方法包括:
根据视频观看特征信息确定目标视频up主对应的多个第一观看特征维度组合;所述视频观看特征信息包括:用于观看所述目标视频up主的视频的设备属性信息、设备IP信息及页面来源信息;
根据每个所述第一观看特征维度组合对所述目标视频up主的视频的观看时长,对各所述第一观看特征维度组合进行筛选,获得多个第二观看特征维度组合;
根据每个所述第二观看特征维度组合的异常分值对各所述第二观看特征维度组合进行筛选,获得至少一个目标观看特征维度组合;
确定所述至少一个目标观看特征维度组合的嫌疑分值;
基于所述嫌疑分值清洗所述目标视频up主的视频的非正常观看时长;其中,
所述根据每个所述第二观看特征维度组合的异常分值对各所述第二观看特征维度组合进行筛选,获得至少一个目标观看特征维度组合,包括:
确定每个所述第二观看特征维度组合的观看特征维度子组合及观看特征维度父组合,所述观看特征维度子组合中每个观看特征维度组合的特征维度数量大于第二观看特征维度组合中的特征维度数量,所述观看特征维度父组合中每个观看特征维度组合的特征维度数量小于第二观看特征维度组合中的特征维度数量;
针对每个所述第二观看特征维度组合,确定所述第二观看特征维度组合的第一异常分值、所述观看特征维度子组合的第二异常分值、所述观看特征维度父组合的第三异常分值;
若确定所述第一异常分值大于所述第二异常分值,则删除所述第二观看特征维度组合的观看特征维度子组合;若确定所述第一异常分值大于所述第三异常分值,则删除所述第二观看特征维度组合的观看特征维度父组合,获得至少一个目标观看特征维度组合;
所述确定所述第二观看特征维度组合的第一异常分值,包括:
根据公式
确定所述第二观看特征维度组合的第一异常分值/>;其中,
所述为当前时刻所有第二观看特征维度组合观看所述目标视频up主的视频的总时长,所述/>为当前时刻上一时刻所有第二观看特征维度组合观看所述目标视频up主的视频的总时长,所述/>为在当前时刻当前第二观看特征维度组合观看所述目标视频up主的视频的时长,所述/>为在当前时刻上一时刻当前第二观看特征维度组合观看所述目标视频up主的视频的时长,所述n为当前时刻,所述n-1为所述当前时刻的上一时刻;
所述确定所述至少一个目标观看特征维度组合的嫌疑分值,包括:
根据公式确定所述目标观看特征维度组合的嫌疑分值/>;其中,
为所述目标观看特征维度组合,所述/>为当前时刻所述目标观看特征维度组合观看所述目标视频up主的视频的时长,所述/>为当前时刻上一时刻所述目标观看特征维度组合观看所述目标视频up主的视频的时长,所述/>为当前时刻所有目标观看特征维度组合观看所述目标视频up主的视频的总时长,所述/>为当前时刻上一时刻所有目标观看特征维度组合观看所述目标视频up主的视频的总时长。
2.如权利要求1所述的方法,其特征在于,所述根据每个所述第一观看特征维度组合对所述目标视频up主的视频的观看时长,对各所述第一观看特征维度组合进行筛选,包括:
针对每个所述第一观看特征维度组合,获取所述第一观看特征维度组合在预设时间段内对所述目标视频up主的视频进行观看的观看时长序列;
基于公式确定所述第一观看特征维度组合的观看时长显著变化值;
删除观看时长显著变化值小于显著变化检验阈值的第一观看特征维度组合,获得剩余的第二观看特征维度组合;其中,
所述为所述观看时长序列截止到当前时刻对应的时间序列分布值,所述/>为所述观看时长序列截止到当前时刻上一时刻对应的时间序列分布值,所述n为所述当前时刻,所述n-1为所述当前时刻的上一时刻,所述j为任一时刻,1<j<n,所述X为所述第一观看特征维度组合,所述/>为所述观看时长序列中的任一时刻对应的观看时长。
3.如权利要求2所述的方法,其特征在于,方法还包括:
利用公式确定所述第一观看特征维度组合截止到当前时刻对应的时间序列分布值/>;
利用公式确定所述第一观看特征维度组合截止到当前时刻上一时刻对应的时间序列分布值/>;其中,
所述X为所述第一观看特征维度组合,所述为所述第一观看特征维度组合截止到当前时刻的观看时长均值,所述/>为所述第一观看特征维度组合截止到当前时刻的观看时长标准差,所述/>为所述第一观看特征维度组合截止到当前时刻上一时刻的观看时长均值,所述/>为所述第一观看特征维度组合截止到当前时刻上一时刻的观看时长标准差。
4.如权利要求1所述的方法,其特征在于,所述基于所述嫌疑分值清洗所述目标视频up主的视频的非正常观看时长,包括:
若确定所述嫌疑分值大于阈值分值,则对所述嫌疑分值大于阈值分值的目标观看特征组合下的视频观看时长进行清零。
5.一种处理异常视频up主的装置,其特征在于,所述装置包括:
第一确定单元,用于根据视频观看特征信息确定目标视频up主对应的多个第一观看特征维度组合;所述视频观看特征信息包括:用于观看所述目标视频up主的视频的设备属性信息、设备IP信息及页面来源信息;
第一筛选单元,用于根据每个所述第一观看特征维度组合对所述目标视频up主的视频的观看时长,对各所述第一观看特征维度组合进行筛选,获得多个第二观看特征维度组合;
第二筛选单元,用于根据每个所述第二观看特征维度组合的异常分值对各所述第二观看特征维度组合进行筛选,获得至少一个目标观看特征维度组合;
第二确定单元,用于确定所述至少一个目标观看特征维度组合的嫌疑分值;
清洗单元,用于基于所述嫌疑分值清洗所述目标视频up主的视频的非正常观看时长;
所述根据每个所述第二观看特征维度组合的异常分值对各所述第二观看特征维度组合进行筛选,获得至少一个目标观看特征维度组合,包括:
确定每个所述第二观看特征维度组合的观看特征维度子组合及观看特征维度父组合,所述观看特征维度子组合中每个观看特征维度组合的特征维度数量大于第二观看特征维度组合中的特征维度数量,所述观看特征维度父组合中每个观看特征维度组合的特征维度数量小于第二观看特征维度组合中的特征维度数量;
针对每个所述第二观看特征维度组合,确定所述第二观看特征维度组合的第一异常分值、所述观看特征维度子组合的第二异常分值、所述观看特征维度父组合的第三异常分值;
若确定所述第一异常分值大于所述第二异常分值,则删除所述第二观看特征维度组合的观看特征维度子组合;若确定所述第一异常分值大于所述第三异常分值,则删除所述第二观看特征维度组合的观看特征维度父组合,获得至少一个目标观看特征维度组合;
所述确定所述第二观看特征维度组合的第一异常分值,包括:
根据公式
确定所述第二观看特征维度组合的第一异常分值/>;其中,
所述为当前时刻所有第二观看特征维度组合观看所述目标视频up主的视频的总时长,所述/>为当前时刻上一时刻所有第二观看特征维度组合观看所述目标视频up主的视频的总时长,所述/>为在当前时刻当前第二观看特征维度组合观看所述目标视频up主的视频的时长,所述/>为在当前时刻上一时刻当前第二观看特征维度组合观看所述目标视频up主的视频的时长,所述n为当前时刻,所述n-1为所述当前时刻的上一时刻;
所述确定所述至少一个目标观看特征维度组合的嫌疑分值,包括:
根据公式确定所述目标观看特征维度组合的嫌疑分值/>;其中,
为所述目标观看特征维度组合,所述/>为当前时刻所述目标观看特征维度组合观看所述目标视频up主的视频的时长,所述/>为当前时刻上一时刻所述目标观看特征维度组合观看所述目标视频up主的视频的时长,所述/>为当前时刻所有目标观看特征维度组合观看所述目标视频up主的视频的总时长,所述/>为当前时刻上一时刻所有目标观看特征维度组合观看所述目标视频up主的视频的总时长。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至4任一项所述的方法。
7.一种计算机设备,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计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111237520.0A CN114173138B (zh) | 2021-10-22 | 2021-10-22 | 一种处理异常视频up主的方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111237520.0A CN114173138B (zh) | 2021-10-22 | 2021-10-22 | 一种处理异常视频up主的方法、装置、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114173138A CN114173138A (zh) | 2022-03-11 |
CN114173138B true CN114173138B (zh) | 2023-08-22 |
Family
ID=80477241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111237520.0A Active CN114173138B (zh) | 2021-10-22 | 2021-10-22 | 一种处理异常视频up主的方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114173138B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017113677A1 (zh) * | 2015-12-28 | 2017-07-06 | 乐视控股(北京)有限公司 | 处理用户行为数据的方法和系统 |
CN107566897A (zh) * | 2017-07-19 | 2018-01-09 | 北京奇艺世纪科技有限公司 | 一种视频刷量的鉴别方法、装置及电子设备 |
CN107613314A (zh) * | 2017-10-09 | 2018-01-19 | 武汉斗鱼网络科技有限公司 | 一种检测直播中刷人气行为的方法及装置 |
WO2019134307A1 (zh) * | 2018-01-02 | 2019-07-11 | 武汉斗鱼网络科技有限公司 | 恶意用户识别方法、装置及可读存储介质 |
CN110019954A (zh) * | 2017-12-13 | 2019-07-16 | 优酷网络技术(北京)有限公司 | 一种作弊用户的识别方法及系统 |
CN110290400A (zh) * | 2019-07-29 | 2019-09-27 | 北京奇艺世纪科技有限公司 | 可疑刷量视频的识别方法、真实播放量预估方法及装置 |
WO2020007164A1 (zh) * | 2018-07-04 | 2020-01-09 | 腾讯科技(深圳)有限公司 | 用户特征的生成方法、装置、设备及计算机可读存储介质 |
CN111147944A (zh) * | 2019-12-26 | 2020-05-12 | 广州易方信息科技股份有限公司 | 一种基于大数据日志分析的点播侵权风险发现方法 |
CN112016773A (zh) * | 2019-05-13 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 一种确定潜力主播的方法及装置 |
CN112995689A (zh) * | 2021-02-24 | 2021-06-18 | 上海哔哩哔哩科技有限公司 | 确定直播间刷量的方法及装置 |
CN113268690A (zh) * | 2021-04-15 | 2021-08-17 | 微梦创科网络科技(中国)有限公司 | 一种对网站短视频播放信息进行安全过滤的方法及系统 |
-
2021
- 2021-10-22 CN CN202111237520.0A patent/CN114173138B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017113677A1 (zh) * | 2015-12-28 | 2017-07-06 | 乐视控股(北京)有限公司 | 处理用户行为数据的方法和系统 |
CN107566897A (zh) * | 2017-07-19 | 2018-01-09 | 北京奇艺世纪科技有限公司 | 一种视频刷量的鉴别方法、装置及电子设备 |
CN107613314A (zh) * | 2017-10-09 | 2018-01-19 | 武汉斗鱼网络科技有限公司 | 一种检测直播中刷人气行为的方法及装置 |
CN110019954A (zh) * | 2017-12-13 | 2019-07-16 | 优酷网络技术(北京)有限公司 | 一种作弊用户的识别方法及系统 |
WO2019134307A1 (zh) * | 2018-01-02 | 2019-07-11 | 武汉斗鱼网络科技有限公司 | 恶意用户识别方法、装置及可读存储介质 |
WO2020007164A1 (zh) * | 2018-07-04 | 2020-01-09 | 腾讯科技(深圳)有限公司 | 用户特征的生成方法、装置、设备及计算机可读存储介质 |
CN112016773A (zh) * | 2019-05-13 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 一种确定潜力主播的方法及装置 |
CN110290400A (zh) * | 2019-07-29 | 2019-09-27 | 北京奇艺世纪科技有限公司 | 可疑刷量视频的识别方法、真实播放量预估方法及装置 |
CN111147944A (zh) * | 2019-12-26 | 2020-05-12 | 广州易方信息科技股份有限公司 | 一种基于大数据日志分析的点播侵权风险发现方法 |
CN112995689A (zh) * | 2021-02-24 | 2021-06-18 | 上海哔哩哔哩科技有限公司 | 确定直播间刷量的方法及装置 |
CN113268690A (zh) * | 2021-04-15 | 2021-08-17 | 微梦创科网络科技(中国)有限公司 | 一种对网站短视频播放信息进行安全过滤的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114173138A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210081812A1 (en) | Methods and systems for processing software traces | |
CN108108821B (zh) | 模型训练方法及装置 | |
CN111078488B (zh) | 数据采集方法、装置、存储介质及系统 | |
CN111565171B (zh) | 异常数据的检测方法、装置、电子设备及存储介质 | |
CN110311902A (zh) | 一种异常行为的识别方法、装置及电子设备 | |
CN110691080B (zh) | 自动溯源方法、装置、设备及介质 | |
CN109522470A (zh) | 一种视频热度预测方法、装置、设备及存储介质 | |
CN109766176B (zh) | 一种基于大规模网络空间探测的扫描进度计算方法及装置 | |
CN104902292B (zh) | 一种基于电视报道的舆情分析方法和系统 | |
WO2013082297A2 (en) | Classifying attribute data intervals | |
CN104021140A (zh) | 一种网络视频的处理方法及装置 | |
CN112241439B (zh) | 一种攻击组织发现方法、装置、介质和设备 | |
CN110941738A (zh) | 推荐方法、装置、电子设备及计算机可读存储介质 | |
CN103617263A (zh) | 一种基于多模态特征的电视广告片花自动检测方法 | |
CN112418259A (zh) | 一种基于直播过程中用户行为的实时规则的配置方法、计算机设备及可读存储介质 | |
CN114173138B (zh) | 一种处理异常视频up主的方法、装置、介质及设备 | |
CN110876072A (zh) | 一种批量注册用户识别方法、存储介质、电子设备及系统 | |
CN105989019B (zh) | 一种清洗数据的方法及装置 | |
CN108171053B (zh) | 一种规则发现的方法以及系统 | |
CN106709597B (zh) | 基于人工蜂群算法的并行优化处理tsp问题的方法及装置 | |
CN115604032A (zh) | 一种电力系统复杂多步攻击检测方法及系统 | |
CN105243122A (zh) | 一种基于社交软件的数据获取方法及装置 | |
CN115065558A (zh) | Apt攻击的攻击流程溯源方法及装置 | |
CN110929207B (zh) | 数据处理方法、装置和计算机可读存储介质 | |
CN112434894A (zh) | 一种实时风险控制方法、计算机设备及可读存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230725 Address after: Room A101, No. 31 Maogang Huancun Road, Huangpu District, Guangzhou City, Guangdong Province, 510000 Applicant after: GUANGZHOU SUNTRON ELECTRON CO.,LTD. Address before: 430000 East Lake Development Zone, Wuhan City, Hubei Province, No. 1 Software Park East Road 4.1 Phase B1 Building 11 Building Applicant before: WUHAN DOUYU NETWORK TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |