CN114301864B - 对象识别方法、装置、存储介质及服务器 - Google Patents
对象识别方法、装置、存储介质及服务器 Download PDFInfo
- Publication number
- CN114301864B CN114301864B CN202111661088.8A CN202111661088A CN114301864B CN 114301864 B CN114301864 B CN 114301864B CN 202111661088 A CN202111661088 A CN 202111661088A CN 114301864 B CN114301864 B CN 114301864B
- Authority
- CN
- China
- Prior art keywords
- node
- account
- instant messaging
- group
- nodes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 230000003993 interaction Effects 0.000 claims abstract description 62
- 238000012216 screening Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000012546 transfer Methods 0.000 claims description 41
- 238000004891 communication Methods 0.000 claims description 30
- 238000012512 characterization method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 abstract description 16
- 230000010365 information processing Effects 0.000 abstract description 7
- 230000006399 behavior Effects 0.000 description 28
- 230000006870 function Effects 0.000 description 16
- 230000002776 aggregation Effects 0.000 description 8
- 238000004220 aggregation Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 231100000136 action limit Toxicity 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请实施例公开了一种对象识别方法、装置、存储介质及服务器。该方法包括:获取即时通讯群组中各账户节点在所述即时通讯群组中的第一互动信息;根据所述第一互动信息构建各账户节点之间的第一节点相关关系;获取所述即时通讯群组中各账户节点的节点特征;从所述即时通讯群组中筛选出节点特征满足指定维度特征条件的目标账户节点;基于所述目标账户节点的节点特征和所述第一节点相关关系,识别所述即时通讯群组的群组类型。本方案中基于丢弃池化图卷积神经网络智能化地对群组中的账户节点进行丢弃,同时增加了群组中单个节点的信息量,保证了群组类型识别时的准确性,并提升了信息处理速度。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及一种对象识别方法、装置、存储介质及服务器。
背景技术
随着互联网的发展和移动通信网络的发展,同时也伴随着终端的处理能力和存储能力的迅猛发展,海量的应用程序得到了迅速传播和使用,尤其是社交软件类应用。
现有技术中,对社交软件中群组的识别准确性较差。
发明内容
本申请实施例提供一种对象识别方法、装置、存储介质及服务器,保证了群组类型识别时的准确性。
本申请实施例提供了一种对象识别方法,包括:
获取即时通讯群组中各账户节点在所述即时通讯群组中的第一互动信息;
根据所述第一互动信息构建各账户节点之间的第一节点相关关系;
获取所述即时通讯群组中各账户节点的节点特征;
从所述即时通讯群组中筛选出节点特征满足指定维度特征条件的目标账户节点;
基于所述目标账户节点的节点特征和所述第一节点相关关系,识别所述即时通讯群组的群组类型。
相应的,本申请实施例还提供了一种基于图卷积神经网络的对象识别方法,包括:
获取即时通讯群组中各账户节点之间的第一节点相关关系、及各账户节点的节点特征;
将所述第一节点相关关系和所述节点特征输入至训练好的图卷积神经网络中,并基于所述图卷积神经网络,从所述即时通讯群组中筛选出节点特征满足指定维度特征条件的目标账户节点;
通过所述图卷积神经网络对所述目标账户节点的节点特征和所述第一节点相关关系进行处理,得到处理结果;
基于所述处理结果识别所述即时通讯群组的群组类型。
相应的,本申请实施例还提供了一种对象识别装置,包括:
信息获取单元,用于获取即时通讯群组中各账户节点在所述即时通讯群组中的第一互动信息;
构建单元,用于根据所述第一互动信息构建各账户节点之间的第一节点相关关系;
特征获取单元,用于获取所述即时通讯群组中各账户节点的节点特征;
筛选单元,用于从所述即时通讯群组中筛选出节点特征满足指定维度特征条件的目标账户节点;
识别单元,用于基于所述目标账户节点的节点特征和所述第一节点相关关系,识别所述即时通讯群组的群组类型。
在一些实施例中,所述筛选单元用于:
构建各账户节点的节点特征的向量表示;
获取各账户节点对应的向量表示在指定向量方向上的投影长度;
根据所述投影长度从所述即时通讯群组中筛选出指定数量的账户节点,作为节点特征满足指定维度特征条件的目标账户节点。
在一些实施例中,所述第一互动信息包括:历史时间段内的即时通讯消息;所述构建单元用于:
确定所述历史时间段内的每一条即时通讯消息对应的发布时间;
计算发布时间相邻的两条即时通讯消息之间的第一发布时间间隔;
选取第一发布时间间隔处于预设时间间隔内且来源于不同发布账户节点的即时通讯消息对;
根据所述即时通讯消息对的消息来源,构建各账户节点之间的第一节点相关关系。
在一些实施例中,在根据所述即时通讯消息对的消息来源,构建各账户节点之间的第一节点相关关系时,所述构建单元进一步用于包括:
选取存在相同即时通讯消息的即时通讯消息对,得到多个即时通讯消息集合;
获取各账户节点中任意两个账户节点共同存在于同一即时通讯消息集合的共存次数;
根据所述共存次数构建各账户节点之间的第一节点相关关系。
在一些实施例中,所述特征获取单元用于:
确定所述即时通讯群组中各账户节点对应的关联账户节点集合;
获取各账户节点与其对应的关联账户节点集合中每一关联账户节点之间的第二互动信息;
获取各账户节点对应的第一账户描述信息;
根据所述第一账户描述信息和所述第二互动信息,确定各账户节点的节点特征。
在一些实施例中,所述第二互动信息包括:即时通讯参数和虚拟资源转移信息;在根据所述第一账户描述信息和所述第二互动信息,确定各账户节点的节点特征时,所述特征获取单元具体用于:
根据所述即时通讯参数和所述虚拟资源转移信息,构建各账户节点与其对应的关联账户节点集合中每一关联账户节点之间的第二节点相关关系;
获取各账户节点与其对应的关联账户节点集合中每一关联账户节点的第二账户描述信息;
根据所述第一账户描述信息、所述第二账户描述信息、及所述第二节点相关关系,确定各账户节点的节点特征。
在一些实施例中,所述即时通讯参数包括:通讯次数;所述虚拟资源转移信息包括:虚拟资源转移频率和虚拟资源转移量;在根据所述即时通讯参数和所述虚拟资源转移信息,构建各账户节点与其对应的关联账户节点集合中每一关联账户节点之间的第二节点相关关系时,所述特征获取单元进一步用于:
根据所述通讯次数、所述虚拟资源转移频率和所述虚拟资源转移量,构建各账户节点与其对应的关联账户节点集合中每一关联账户节点之间的第二节点相关关系。
在一些实施例中,所述识别单元用于:
确定所述目标账户节点的节点特征、及所述第一节点相关关系,构建所述即时通讯群组的向量表示;
根据所述即时通讯群组的向量表示,确定所述即时通信群组对应在指定群组类型上的概率;
基于所述概率确定所述即时通讯群组所属的群组类型。
相应的,本申请实施例还提供了一种计算机可读存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行如上所述的对象识别方法。
相应的,本申请实施例还提供了一种服务器,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如上所述的对象识别方法。
本申请实施例中,首先获取即时通讯群组中各账户节点在即时通讯群组中的第一互动信息,并根据第一互动信息构建各账户节点之间的第一节点相关关系。随后获取即时通讯群组中各账户节点的节点特征,并从即时通讯群组中筛选出节点特征满足指定维度特征条件的目标账户节点。最后基于目标账户节点的节点特征和第一节点相关关系,识别即时通讯群组的群组类型。本方案中基于丢弃池化图卷积神经网络智能化地对群组中的账户节点进行丢弃,同时增加了群组中单个节点的信息量,保证了群组类型识别时的准确性,并提升了信息处理速度。
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的一些实施例,对于本领域技术人员来讲,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对象识别方法的流程示意图。
图2是本申请实施例提供的基于图卷积神经网络的对象识别方法的流程示意图。
图3是本申请实施例提供的丢弃池化层的结构示意图。
图4是本申请实施例提供的基于图卷积神经网络的对象识别系统的架构示意图。
图5是本申请实施例提供的对象识别装置的结构示意图。
图6是本申请实施例提供的服务器的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供一种对象识别方法、装置、存储介质及服务器。其中,该对象识别装置具体可以集成在平板PC(Personal Computer)、手机等具备摄像头和储存单元并安装有微处理器而具有运算能力的服务器或服务器集群中。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统,使机器具有感知、推理与决策的功能。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本申请方案中,正是采用基于丢弃池化图神经网络的群体分类方法,在进行图卷积传播时分层地对群组中的用户节点进行自底向上的池化与丢弃,从而使每个微信群中每次聚合后的信息越来越丰富,一方面以logN的复杂度进行群表示,极大的减少了算法运行的时间;另一方面能够更有效的抽取群组结构中的零散信息,从而能更加准确的对具有违法行为的群进行甄别。此外,不需要提前规定每一次传播的节点数量,从而能够适应不同规模的群组,实用性强。
以下分别进行详细说明。需说明的是,以下实施例的序号不作为对实施例优选顺序的限定。请参阅图1,图1为本申请实施例提供的对象识别方法的流程示意图。该对象识别方法的具体流程可以如下:
101、获取即时通讯群组中各账户节点在即时通讯群组中的第一互动信息。
其中,即时通讯群组可以为可以即时发送和接收互联网消息的社交平台中的群组。该即时通讯群组可以包括两个或两个以上的即时通讯账户,位于该即时通讯群组中的成员账户可以在该群组中发言、与群组内其他成员账户进行交流互动等。
本实施例中,该即时通讯群组中的成员账户可作为一账户节点。该第一互动信息为各成员账户在群组内进行互动时产生的互动信息,如在群组内行使消息沟通行为、虚拟资源转移行为时产生的互动信息。
102、根据第一互动信息构建各账户节点之间的第一节点相关关系。
社交网络的关系结构是社会个体成员之间通过社会关系结成的网络系统。个体也称为节点,在本申请中该节点可以为账户ID。根据第一互动信息构建各账户节点之间的第一节点相关关系,也即得到群组图网络。账户节点间的连边由账户节点间一对一行为组成。若两个账户节点间有较多交互行为,则两个账户节点连线权重较高;若两个账户节点间交互行为较少,则两个账户节点连线权重较低;若两个账户节点间没有交互行为,则两个账户节点间没有连线。
本申请实施例中,构建各账户节点之间的第一节点相关关系的方式可以有多种。在一些实施例中,可以采用统计不同账户之间沟通消息共现度,来构建各账户节点之间的相关关系。也即,第一互动信息可以包括:历史时间段内的即时通讯消息,则“根据第一互动信息构建各账户节点之间的第一节点相关关系”的步骤,可以包括以下流程:
确定历史时间段内的每一条即时通讯消息对应的发布时间;
计算发布时间相邻的两条即时通讯消息之间的第一发布时间间隔;
选取第一发布时间间隔处于预设时间间隔内且来源于不同发布账户节点的即时通讯消息对;
根据即时通讯消息对的消息来源,构建各账户节点之间的第一节点相关关系。
其中,历史时间段可以是最近一段时间(如最近7天),也可以是该群组建立以来至当前时刻之间的时间段。实际应用中,该即时通讯消息可以为文本信息、图像信息、语音信息及视频信息中的一种或多种。
在一些实施例中,可通过统计最近一段时间群组中各成员账户之间的共同出现次数来计算用户连接权重。也即,在根据所述即时通讯消息对的消息来源构建各账户节点之间的第一节点相关关系时,具体可以选取存在相同即时通讯消息的即时通讯消息对,得到多个即时通讯消息集合。
然后,获取各账户节点中任意两个账户节点共同存在于同一即时通讯消息集合的共存次数。最后,根据共存次数构建各账户节点之间的第一节点相关关系。共存次数越多,则表明构建得到的群组图网络中两个账户之间的权重越大。
103、获取即时通讯群组中各账户节点的节点特征。
在本实施例中,该节点特征可以用于表示该账户节点的用户表征。在一些实施例中,获取即时通讯群组中各账户节点的节点特征时,具体可以包括以下流程:
确定即时通讯群组中各账户节点对应的关联账户节点集合;
获取各账户节点与其对应的关联账户节点集合中每一关联账户节点之间的第二互动信息;
获取各账户节点对应的第一账户描述信息;
根据第一账户描述信息和第二互动信息,确定各账户节点的节点特征。
其中,关联账户节点集合中包括该账户节点的关联账户节点。第一账户描述信息可以包括账户的信息。具体实施时,可以获取各账户节点与好友账户之间的第二互动信息,并结合该账户节点本身的账户描述信息,来确定其账户节点的节点特征。
在本实施例中,第二互动信息可由以下两部分组成:沟通行为和交易行为。也即,在一些实施例中第二互动信息包括:即时通讯参数和虚拟资源转移信息。为了丰富各节点包含的信息,还可以将具有相关性的关联账户节点的账户描述信息也考虑进来。则在根据第一账户描述信息和第二互动信息确定各账户节点的节点特征时,具体可以包括以下步骤:
根据即时通讯参数和虚拟资源转移信息,构建各账户节点与其对应的关联账户节点集合中每一关联账户节点之间的第二节点相关关系;
获取各账户节点与其对应的关联账户节点集合中每一关联账户节点的第二账户描述信息;
根据第一账户描述信息、第二账户描述信息、及第二节点相关关系,确定各账户节点的节点特征。
其中,虚拟资源转移信息即进行交易行为时涉及到的相关信息,虚拟资源转移对象、虚拟资源转移时间、虚拟资源转移量等等。第二账户描述信息可以包括关联账户节点的信息。
实际应用中,在构造用户社交网络时需要权衡沟通行为以及交易行为的权重,同时,交易行为还需要考虑交易金额的大小。也即,在一些实施方式中,即时通讯参数可以为通讯次数;虚拟资源转移信息可以包括:虚拟资源转移频率和虚拟资源转移量。在构建各账户节点与其对应的关联账户节点集合中每一关联账户节点之间的第二节点相关关系时,具体可以根据该通讯次数、虚拟资源转移频率和虚拟资源转移量,来构建各账户节点与其对应的关联账户节点集合中每一关联账户节点之间的第二节点相关关系。账户节点与关联账户节点之间的权重可以由以下公式计算:
Aij=log10(Bij)+log10(Tij)*log10(Mij)
其中,i、j分别表示社交网络中的第i个账户节点和第j个账户节点。Bij可以表示账户节点i和账户节点j之间的通讯次数,Tij可以表示账户节点i和账户节点j之间虚拟资源转移频率,Mij表示账户节点i和账户节点j之间虚拟资源转移量。其中,虚拟资源转移频率和虚拟资源转移量相乘是为了同时从频率和额度两方面对账户间的虚拟资源转移行为进行描述。
104、从即时通讯群组中筛选出节点特征满足指定维度特征条件的目标账户节点。
其中,指定维度特征条件可以由本领域技术人员或产品厂商预先进行设定,以基于该指定维度特征条件从大量的账户节点中丢弃掉不符合条件的账户节点,以及保留符合条件的账户节点。在本实施例中,从即时通讯群组中筛选出节点特征满足指定维度特征条件的目标账户节点时,具体可以包括以下步骤:
构建各账户节点的节点特征的向量表示;
获取各账户节点对应的向量表示在指定向量方向上的投影长度;
根据投影长度从即时通讯群组中筛选出指定数量的账户节点,作为节点特征满足指定维度特征条件的目标账户节点。
具体的,可以预先训练好的基于丢弃池化图卷积神经网络(Graph ConvolutionalNetwork,GCN)的群体分类模型,在进行图卷积传播时分层地对群组中的账户节点进行自底向上的池化与丢弃,保留节点特征信息丰富的账户节点,从而使每个群组中每次聚合后的信息越来越丰富。需要说明的是,每一层都对应有一个特定的投影向量(即指定向量方向的向量),该投影向量的值可通过最后的误差反向回传进行优化。
在本实施例中,投影长度的信息可以表示信息的多少,投影长度越长则表示信息量越大,反之则表示信息量越小。因此可选择信息量较大(即投影长度较长)的节点,以丰富每次聚合后的群组表征的信息量。
需要说明的是,筛选出目标节点的数量可以基于实际情况来设定。例如,可以设定为2个、4个等。
105、基于目标账户节点的节点特征和第一节点相关关系,识别该即时通讯群组的群组类型。
本实施例中,识别该即时通讯群组的群组类型的方式可有多种。例如,在一些实施例中,可以基于概率模型识别该即时通讯群组的群组类型。具体的,可以根据目标账户节点的节点特征、及第一节点相关关系,构建即时通讯群组的向量表示,随后根据即时通讯群组的向量表示,确定即时通信群组对应在指定群组类型上的概率,最后再基于概率确定即时通讯群组所属的群组类型。
实际应用中,该即时通讯群组的向量表示为一维向量。在根据该向量表示确定即时通信群组对应在指定群组类型上的概率时,可以对即时通讯群组的向量表示进行归一化处理,输出的值即为即时通信群组对应在该指定群组类型上的概率。当概率值大于预设值时,可以确定即时通信群组属于该指定群组类型(如非法群组)。
在一些实施例中,还可以使用多层感知机(MultiLayer Perceptron,MLP)作为群组预测模块的分类器,来预测该即时通讯群组是否属于某一群组类型。
本申请实施例提供的对象识别方法,首先获取即时通讯群组中各账户节点在即时通讯群组中的第一互动信息,并根据第一互动信息构建各账户节点之间的第一节点相关关系。随后获取即时通讯群组中各账户节点的节点特征,并从即时通讯群组中筛选出节点特征满足指定维度特征条件的目标账户节点。最后基于目标账户节点的节点特征和第一节点相关关系,识别即时通讯群组的群组类型。本方案中基于丢弃池化图卷积神经网络智能化地对群组中的账户节点进行丢弃,同时增加了群组中单个节点的信息量,保证了群组类型识别时的准确性,并提升了信息处理速度。
本申请实施例提供的对象识别方法涉及人工智能的深度学习等技术,具体通过如下实施例对本申请方案进行详细描述。参考图2,图2是本申请实施例提供的基于图卷积神经网络的对象识别方法的流程示意图。
201、获取即时通讯群组中各账户节点之间的第一节点相关关系、及各账户节点的节点特征。
本实施例中,首先需要构建群组网络拓扑图。具体的,可获取即时通讯群组中各账户节点、及各账户节点之间的第一节点相关关系,并基于此构建该群组网络拓扑图。
而各账户节点的节点特征,可以用于表示该账户节点的用户表征。
202、将各账户节点的节点特征输入至训练好的图卷积神经网络中,并基于图卷积神经网络,从即时通讯群组中筛选出节点特征满足指定维度特征条件的目标账户节点。
具体的,可以预先训练好图卷积神经网络,在进行图卷积传播时分层地对群组中的账户节点进行自底向上的池化与丢弃,保留节点特征信息丰富的目标账户节点,从而使每个群组中每次聚合后的信息越来越丰富。
203、通过图卷积神经网络对目标账户节点的节点特征和第一节点相关关系进行处理,得到处理结果。
具体的,经过多层GCN传播后,可以得到账户节点的用户表征,通过池化读出函数得到群组表征,得到处理结果。实际应用在,该群组表征为一维向量。
204、基于处理结果识别即时通讯群组的群组类型。
具体的,可以使用多层感知机(MultiLayer Perceptron,MLP)作为群组预测模块的分类器,将上述得到的群组表征作为输入,来预测该即时通讯群组是否属于某一群组类型。
本实施例提供的基于图卷积神经网络的对象识别方法,采用图卷积神经网络智能化地对群组类型进行识别,增加了群组中每个节点的信息量,同时自动对群组中的账户节点进行丢弃,保证了群组类型识别时的准确性,并提升了信息处理速度。
为了进一步描述本申请方案,提供了一种基于图卷积神经网络的群组类型识别系统。该群组类型识别系统可包括以下几个模块:社交网络构建模块、用户表征学习模块、群组图网络构建、分层聚合群组表征模块、群组类型预测模块。
(1)用户社交网络构建模块
首先通过衡量用户间行为,将全网用户连接成用户社交网络,随后使用社交网络用户表示的方法学习全网用户的用户表征。
社交网络中用户间的连边由用户间一对一行为组成。若两个用户间有较多交互行为,则两个用户连线权重较高;若两个用户间交互行为较少,则两个用户连线权重较低;若两个用户间没有交互行为,则两个用户间没有连线。其中用户间的交互行由以下两部分组成:沟通行为和交易行为。其中,对于沟通行为的衡量,可通过诸如沟通行为次数、沟通行为累计时长、沟通频率、最近一段时间内的沟通天数等变量共同决定。对于交易行为的衡量可按照相同方式进行衡量。在构造用户社交网络时需要权衡沟通行为以及交易行为的权重,同时,交易行为还需要考虑交易金额的大小。因此两个用户间的权重可以由以下公式计算:
Aij=log10(Bij)+log10(Tij)*log10(Mij)
其中,i、j分别表示社交网络中的第i个账户节点和第j个账户节点。Bij表示用户沟通行为权重,Tij表示用户交易行为权重,Mij是用户交易行为额度。其中用户交易权重和用户交易行为额度相乘是为了同时从频率和额度两方面对用户间的交易行为进行描述。
(2)用户表征学习模块
用户表征学习模块是指通过社交网络嵌入学习对用户进行描述。本实施例中,可综合对象特征对用户进行描述。
常用的社交网络嵌入的方法包括DeepWalk以及Node2Vec等节点嵌入方法。以Deepwalk节点嵌入方法为例,基于给定的用户网络,从图中的每个节点出发,根据上述得到的网络结构以及用户连线权重随机游走多条轨迹。随后,将全部游走出的轨迹作为语料库输入到word2vec词向量嵌入算法中,利用word2vec算法最终训练得到每个用户的节点表征向量。节点表征向量中,网络中相近的节点表示较为相似。在此,可使用X来表示全网账户的用户表征。
(3)群组图网络构建模块
本实施例中的群组是完整的社交网络中的一个子图,可通过群组构建群组网络。通常来说,在一个很短的时间段内,若群组中两个用户都有回复,则一定程度上表明这两个用户的关系较为紧密。有基于此,可通过统计最近一段时间(如3天)群组中各成员之间的共同出现次数,来计算用户连接权重。可将用户间权重定义为如下形式:
其中,Cij表示两个用户共同出现的次数,Am指的是第m个群组的邻接矩阵。
实际应用中,为了使得群组内连接群能够较为稀疏,在此使用了基于阈值的方法,如将共同出现次数在1次或以下的群友设定为未连接。
(4)分层聚合群组表征模块
本申请中,通过丢弃池化层可以在进行图卷积的时不断减小群组网络图(即群组的网络拓扑图)的大小,从而一方面可加速图卷积操作,一方面能够减少需要读出节点的数量。
参考图3,图3为本实施例提供的丢弃池化层的结构示意图。假设丢弃池化层的输入是和/>其中/>表示当前图传播的所在层级,/>表示现有节点的特征,/>表示现有节点的图结构特征。则整个丢弃池化层的计算过程如下:
①计算每个节点的特征在P向量方向的投影长度。P为投影向量,每一层都有一个特定的投影向量该向量通过最后的误差反向回传进行优化。计算公式如下:
其中,代表向量的模长。模长越长,则表示节点包含的信息量越大。
②对y进行排序,通过排序函数选取投影较长的n个节点,例如idx=rank(y,n),则idx表示选取出来的节点ID标识。
③由于idx表示留存的节点ID,因此可以基于留存的节点ID选取对应位置的向量表示和图结构,来得到以idx中包含的账户节点为子图的特征和结构。如所示。其中,“,:”表示该账户节点idx的全部信息。
④若只通过以上算法得到X,会导致无法对P的向量值进行更新。因此,可使用如下公式将向量P的信息代入更新中。
其中,⊙表示按位乘,/>表示一个全部为1的向量。在此意义是将/>乘上通过/>计算的权重。
通过以上四个步骤,得到了下一层的输入,即以及/>
1)GCN层
其中,表示第l层的GCN传播系数,GCN层基于上一步计算得到的/>以及计算卷积。
2)读出层
假设最后经过K层的传播,得到XK。
通过池化读出函数得到群组的表示:
Em=Readout(x for x∈XK)
群组表征模块可以通过上述群组临接矩阵Am以及用户表征矩阵(从矩阵中取出对应用户的表示)X来学习每个群组的表征。将Am当成A0、X当成X0,经过传播最终得到Em。
(5)群组类型预测模块
群组预测模块用于训练模型通过输入群组的表示向量,来预测该群组是一个正常群组或是一个非法群组。在此,可使用MLP作为群组预测模块的分类器,公式如下:
MLP输入维度为Em的维度,输出维度为一维。
在一些实施例中,可以通过平方误差来对模型进行训练。其中可训练的参数为W1一直到Wk,其中k为传播层数。详细误差为:
其中,Ym是真实的预测结果标签。若该群组为非法群,则Ym=1否则Ym=0。
实际应用中,分层聚合群组表征模块的丢弃池化层通常为两层或三层。参考图4,以两层传递为例对群组的完整表示路径进行描述:
原始图→池化丢弃→GCN卷积→子图1→池化丢弃→GCN卷积→子图2→读出→多层感知机MLP→预测结果
实际预测时,首先通过群组图网络构建模块构建群组图网络,随后通过分层聚合群组表征模块进行信息传播,并得到群组表示Em。最后通过群组类型预测模块中的预测函数计算预测值,最终基于得到的预测值判定群组类型。
本申请方案采用基于图卷积神经网络的自动检测方式智能化地对群组类型进行识别,增加了群组中每个节点的信息量,同时自动对群组中的账户节点进行丢弃,保证了群组类型识别时的准确性,并提升了信息处理速度。
为便于更好的实施本申请实施例提供的对象识别方法,本申请实施例还提供一种基于上述对象识别方法的装置。其中名词的含义与上述对象识别方法中相同,具体实现细节可以参考方法实施例中的说明。
请参阅图5,图5为本申请实施例提供的对象识别装置的结构示意图,其中该处理装置可以包括信息获取单元301、构建单元302、特征获取单元303、筛选单元304以及识别单元305,具体可以如下:
信息获取单元301,用于获取即时通讯群组中各账户节点在所述即时通讯群组中的第一互动信息;
构建单元302,用于根据所述第一互动信息构建各账户节点之间的第一节点相关关系;
特征获取单元303,用于获取所述即时通讯群组中各账户节点的节点特征;
筛选单元304,用于从所述即时通讯群组中筛选出节点特征满足指定维度特征条件的目标账户节点;
识别单元305,用于基于所述目标账户节点的节点特征和所述第一节点相关关系,识别所述即时通讯群组的群组类型。
在一些实施例中,所述筛选单元304用于:
构建各账户节点的节点特征的向量表示;
获取各账户节点对应的向量表示在指定向量方向上的投影长度;
根据所述投影长度从所述即时通讯群组中筛选出指定数量的账户节点,作为节点特征满足指定维度特征条件的目标账户节点。
在一些实施例中,所述第一互动信息包括:历史时间段内的即时通讯消息;所述构建单元302用于:
确定所述历史时间段内的每一条即时通讯消息对应的发布时间;
计算发布时间相邻的两条即时通讯消息之间的第一发布时间间隔;
选取第一发布时间间隔处于预设时间间隔内且来源于不同发布账户节点的即时通讯消息对;
根据所述即时通讯消息对的消息来源,构建各账户节点之间的第一节点相关关系。
在一些实施例中,在根据所述即时通讯消息对的消息来源,构建各账户节点之间的第一节点相关关系时,所述构建单元302进一步用于包括:
选取存在相同即时通讯消息的即时通讯消息对,得到多个即时通讯消息集合;
获取各账户节点中任意两个账户节点共同存在于同一即时通讯消息集合的共存次数;
根据所述共存次数构建各账户节点之间的第一节点相关关系。
在一些实施例中,所述特征获取单元303用于:
确定所述即时通讯群组中各账户节点对应的关联账户节点集合;
获取各账户节点与其对应的关联账户节点集合中每一关联账户节点之间的第二互动信息;
获取各账户节点对应的第一账户描述信息;
根据所述第一账户描述信息和所述第二互动信息,确定各账户节点的节点特征。
在一些实施例中,所述第二互动信息包括:即时通讯参数和虚拟资源转移信息;在根据所述第一账户描述信息和所述第二互动信息,确定各账户节点的节点特征时,所述特征获取单元303具体用于:
根据所述即时通讯参数和所述虚拟资源转移信息,构建各账户节点与其对应的关联账户节点集合中每一关联账户节点之间的第二节点相关关系;
获取各账户节点与其对应的关联账户节点集合中每一关联账户节点的第二账户描述信息;
根据所述第一账户描述信息、所述第二账户描述信息、及所述第二节点相关关系,确定各账户节点的节点特征。
在一些实施例中,所述即时通讯参数包括:通讯次数;所述虚拟资源转移信息包括:虚拟资源转移频率和虚拟资源转移量;在根据所述即时通讯参数和所述虚拟资源转移信息,构建各账户节点与其对应的关联账户节点集合中每一关联账户节点之间的第二节点相关关系时,所述特征获取单元303进一步用于:
根据所述通讯次数、所述虚拟资源转移频率和所述虚拟资源转移量,构建各账户节点与其对应的关联账户节点集合中每一关联账户节点之间的第二节点相关关系。
在一些实施例中,所述识别单元305用于:
确定所述目标账户节点的节点特征、及所述第一节点相关关系,构建所述即时通讯群组的向量表示;
根据所述即时通讯群组的向量表示,确定所述即时通信群组对应在指定群组类型上的概率;
基于所述概率确定所述即时通讯群组所属的群组类型。
本申请实施例提供的对象识别装置,通过信息获取单元301获取即时通讯群组中各账户节点在即时通讯群组中的第一互动信息;构建单元302根据第一互动信息构建各账户节点之间的第一节点相关关系;特征获取单元303获取即时通讯群组中各账户节点的节点特征;筛选单元304从即时通讯群组中筛选出节点特征满足指定维度特征条件的目标账户节点;识别单元305基于目标账户节点的节点特征和第一节点相关关系,识别即时通讯群组的群组类型。本方案中基于丢弃池化图卷积神经网络智能化地对群组中的账户节点进行丢弃,同时增加了群组中单个节点的信息量,保证了群组类型识别时的准确性,并提升了信息处理速度。
本申请实施例还提供一种服务器,该服务器可以是单独的一台服务器,也可以是由多台服务器组成的服务器集群。如图6所示,该服务器可以包括射频(RF,RadioFrequency)电路601、包括有一个或一个以上计算机可读存储介质的存储器602、输入单元603、显示单元604、传感器605、音频电路606、无线保真(WiFi,Wireless Fidelity)模块607、包括有一个或者一个以上处理核心的处理器608、以及电源609等部件。本领域技术人员可以理解,图6中示出的服务器结构并不构成对服务器的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
RF电路601可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,交由一个或者一个以上处理器608处理;另外,将涉及上行的数据发送给基站。通常,RF电路601包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM,Subscriber Identity Module)卡、收发信机、耦合器、低噪声放大器(LNA,Low Noise Amplifier)、双工器等。此外,RF电路601还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(GSM,Global System of Mobile communication)、通用分组无线服务(GPRS,GeneralPacket Radio Service)、码分多址(CDMA,Code Division Multiple Access)、宽带码分多址(WCDMA,Wideband Code Division Multiple Access)、长期演进(LTE,Long TermEvolution)、电子邮件、短消息服务(SMS,Short Messaging Service)等。
存储器602可用于存储软件程序以及模块,处理器608通过运行存储在存储器602的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器602可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据服务器的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器602可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器602还可以包括存储器控制器,以提供处理器608和输入单元603对存储器602的访问。
输入单元603可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地,在一个具体的实施例中,输入单元603可包括触敏表面以及其他输入设备。触敏表面,也称为触摸显示屏或者触控板,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触敏表面可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器608,并能接收处理器608发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面,输入单元603还可以包括其他输入设备。具体地,其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元604可用于显示由用户输入的信息或提供给用户的信息以及服务器的各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元604可包括显示面板,可选的,可以采用液晶显示器(LCD,Liquid CrystalDisplay)、有机发光二极管(OLED,Organic Light-Emitting Diode)等形式来配置显示面板。进一步的,触敏表面可覆盖显示面板,当触敏表面检测到在其上或附近的触摸操作后,传送给处理器608以确定触摸事件的类型,随后处理器608根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图6中,触敏表面与显示面板是作为两个独立的部件来实现输入和输入功能,但是在某些实施例中,可以将触敏表面与显示面板集成而实现输入和输出功能。
服务器还可包括至少一种传感器605,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板的亮度,接近传感器可在服务器移动到耳边时,关闭显示面板和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于服务器还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路606、扬声器,传声器可提供用户与服务器之间的音频接口。音频电路606可将接收到的音频数据转换后的电信号,传输到扬声器,由扬声器转换为声音信号输出;另一方面,传声器将收集的声音信号转换为电信号,由音频电路606接收后转换为音频数据,再将音频数据输出处理器608处理后,经RF电路601以发送给比如另一服务器,或者将音频数据输出至存储器602以便进一步处理。音频电路606还可能包括耳塞插孔,以提供外设耳机与服务器的通信。
WiFi属于短距离无线传输技术,服务器通过WiFi模块607可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图6示出了WiFi模块607,但是可以理解的是,其并不属于服务器的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器608是服务器的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器602内的软件程序和/或模块,以及调用存储在存储器602内的数据,执行服务器的各种功能和处理数据。可选的,处理器608可包括一个或多个处理核心;优选的,处理器608可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器608中。
服务器还包括给各个部件供电的电源609(比如电池),优选的,电源可以通过电源管理系统与处理器608逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源609还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出,服务器还可以包括摄像头、蓝牙模块等,在此不再赘述。具体在本实施例中,服务器中的处理器608会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器602中,并由处理器608来运行存储在存储器602中的应用程序,从而实现各种功能:
获取即时通讯群组中各账户节点在所述即时通讯群组中的第一互动信息;根据所述第一互动信息构建各账户节点之间的第一节点相关关系;获取所述即时通讯群组中各账户节点的节点特征;从所述即时通讯群组中筛选出节点特征满足指定维度特征条件的目标账户节点;基于所述目标账户节点的节点特征和所述第一节点相关关系,识别所述即时通讯群组的群组类型。
本申请实施例提供的服务器,采用基于图卷积神经网络的自动检测方式智能化地对群组类型进行识别,增加了群组中每个节点的信息量,同时自动对群组中的账户节点进行丢弃,保证了群组类型识别时的准确性,并提升了信息处理速度。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种对象识别方法中的步骤。例如,该指令可以执行如下步骤:
获取即时通讯群组中各账户节点在所述即时通讯群组中的第一互动信息;根据所述第一互动信息构建各账户节点之间的第一节点相关关系;获取所述即时通讯群组中各账户节点的节点特征;从所述即时通讯群组中筛选出节点特征满足指定维度特征条件的目标账户节点;基于所述目标账户节点的节点特征和所述第一节点相关关系,识别所述即时通讯群组的群组类型。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本申请实施例所提供的任一种对象识别方法中的步骤,因此,可以实现本申请实施例所提供的任一种对象识别方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种对象识别方法、装置、存储介质及服务器进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种对象识别方法,其特征在于,包括:
获取即时通讯群组中各账户节点在所述即时通讯群组中的第一互动信息,所述账户节点为所述即时通讯群组中的成员账户;
根据所述第一互动信息构建各账户节点之间的第一节点相关关系;
获取所述即时通讯群组中各账户节点的节点特征,所述节点特征为对应账户节点的用户表征;
从所述即时通讯群组中筛选出节点特征满足指定维度特征条件的目标账户节点;
基于所述目标账户节点的节点特征和所述第一节点相关关系,识别所述即时通讯群组的群组类型;
其中,所述获取所述即时通讯群组中各账户节点的节点特征,包括:
确定所述即时通讯群组中各账户节点对应的关联账户节点集合;获取各账户节点与其对应的关联账户节点集合中每一关联账户节点之间的第二互动信息;获取各账户节点对应的第一账户描述信息;根据所述第一账户描述信息和所述第二互动信息,确定各账户节点的节点特征;
所述从所述即时通讯群组中筛选出节点特征满足指定维度特征条件的目标账户节点,包括:
构建各账户节点的节点特征的向量表示;获取各账户节点对应的向量表示在指定向量方向上的投影长度;根据所述投影长度从所述即时通讯群组中筛选出指定数量的账户节点,作为节点特征满足指定维度特征条件的目标账户节点。
2.根据权利要求1所述的对象识别方法,其特征在于,所述第一互动信息包括:历史时间段内的即时通讯消息;
所述根据所述第一互动信息构建各账户节点之间的第一节点相关关系,包括:
确定所述历史时间段内的每一条即时通讯消息对应的发布时间;
计算发布时间相邻的两条即时通讯消息之间的第一发布时间间隔;
选取第一发布时间间隔处于预设时间间隔内且来源于不同发布账户节点的即时通讯消息对;
根据所述即时通讯消息对的消息来源,构建各账户节点之间的第一节点相关关系。
3.根据权利要求2所述的对象识别方法,其特征在于,所述根据所述即时通讯消息对的消息来源,构建各账户节点之间的第一节点相关关系,包括:
选取存在相同即时通讯消息的即时通讯消息对,得到多个即时通讯消息集合;
获取各账户节点中任意两个账户节点共同存在于同一即时通讯消息集合的共存次数;
根据所述共存次数构建各账户节点之间的第一节点相关关系。
4.根据权利要求1所述的对象识别方法,其特征在于,所述第二互动信息包括:即时通讯参数和虚拟资源转移信息;
所述根据所述第一账户描述信息和所述第二互动信息,确定各账户节点的节点特征,包括:
根据所述即时通讯参数和所述虚拟资源转移信息,构建各账户节点与其对应的关联账户节点集合中每一关联账户节点之间的第二节点相关关系;
获取各账户节点与其对应的关联账户节点集合中每一关联账户节点的第二账户描述信息;
根据所述第一账户描述信息、所述第二账户描述信息、及所述第二节点相关关系,确定各账户节点的节点特征。
5.根据权利要求4所述的对象识别方法,其特征在于,所述即时通讯参数包括:通讯次数;所述虚拟资源转移信息包括:虚拟资源转移频率和虚拟资源转移量;
所述根据所述即时通讯参数和所述虚拟资源转移信息,构建各账户节点与其对应的关联账户节点集合中每一关联账户节点之间的第二节点相关关系,包括:
根据所述通讯次数、所述虚拟资源转移频率和所述虚拟资源转移量,构建各账户节点与其对应的关联账户节点集合中每一关联账户节点之间的第二节点相关关系。
6.根据权利要求1-5任一项所述的对象识别方法,其特征在于,所述基于所述目标账户节点的节点特征和所述第一节点相关关系,识别所述即时通讯群组的群组类型,包括:
确定所述目标账户节点的节点特征、及所述第一节点相关关系,构建所述即时通讯群组的向量表示;
根据所述即时通讯群组的向量表示,确定所述即时通信群组对应在指定群组类型上的概率;
基于所述概率确定所述即时通讯群组所属的群组类型。
7.一种基于图卷积神经网络的对象识别方法,其特征在于,包括:
获取即时通讯群组中各账户节点之间的第一节点相关关系、及各账户节点的节点特征;所述账户节点为所述即时通讯群组中的成员账户,所述节点特征为对应账户节点的用户表征;
将所述第一节点相关关系和所述节点特征输入至训练好的图卷积神经网络中,并基于所述图卷积神经网络,从所述即时通讯群组中筛选出节点特征满足指定维度特征条件的目标账户节点;
通过所述图卷积神经网络对所述目标账户节点的节点特征和所述第一节点相关关系进行处理,得到处理结果;
基于所述处理结果识别所述即时通讯群组的群组类型;
其中,所述获取所述即时通讯群组中各账户节点的节点特征,包括:
确定所述即时通讯群组中各账户节点对应的关联账户节点集合;获取各账户节点与其对应的关联账户节点集合中每一关联账户节点之间的第二互动信息;获取各账户节点对应的第一账户描述信息;根据所述第一账户描述信息和所述第二互动信息,确定各账户节点的节点特征;
所述从所述即时通讯群组中筛选出节点特征满足指定维度特征条件的目标账户节点,包括:
构建各账户节点的节点特征的向量表示;获取各账户节点对应的向量表示在指定向量方向上的投影长度;根据所述投影长度从所述即时通讯群组中筛选出指定数量的账户节点,作为节点特征满足指定维度特征条件的目标账户节点;
所述基于所述处理结果识别所述即时通讯群组的群组类型,包括:
用多层感知机作为群组预测模块的分类器,将所述处理结果作为输入,得到所述即时通讯群组的群组类型。
8.一种对象识别装置,其特征在于,包括:
信息获取单元,用于获取即时通讯群组中各账户节点在所述即时通讯群组中的第一互动信息;所述账户节点为所述即时通讯群组中的成员账户;
构建单元,用于根据所述第一互动信息构建各账户节点之间的第一节点相关关系;
特征获取单元,用于获取所述即时通讯群组中各账户节点的节点特征,所述节点特征为对应账户节点的用户表征;
筛选单元,用于从所述即时通讯群组中筛选出节点特征满足指定维度特征条件的目标账户节点;
识别单元,用于基于所述目标账户节点的节点特征和所述第一节点相关关系,识别所述即时通讯群组的群组类型;
其中,所述筛选单元用于:
构建各账户节点的节点特征的向量表示;
获取各账户节点对应的向量表示在指定向量方向上的投影长度;
根据所述投影长度从所述即时通讯群组中筛选出指定数量的账户节点,作为节点特征满足指定维度特征条件的目标账户节点;
所述特征获取单元用于:
确定所述即时通讯群组中各账户节点对应的关联账户节点集合;
获取各账户节点与其对应的关联账户节点集合中每一关联账户节点之间的第二互动信息;
获取各账户节点对应的第一账户描述信息;
根据所述第一账户描述信息和所述第二互动信息,确定各账户节点的节点特征。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1-7任一项所述的对象识别方法。
10.一种服务器,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如权利要求1-7任一项所述的对象识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111661088.8A CN114301864B (zh) | 2020-08-14 | 2020-08-14 | 对象识别方法、装置、存储介质及服务器 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111661088.8A CN114301864B (zh) | 2020-08-14 | 2020-08-14 | 对象识别方法、装置、存储介质及服务器 |
CN202010820174.8 | 2020-08-14 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010820174.8 Division | 2020-08-14 | 2020-08-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114301864A CN114301864A (zh) | 2022-04-08 |
CN114301864B true CN114301864B (zh) | 2024-02-02 |
Family
ID=80998307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111661088.8A Active CN114301864B (zh) | 2020-08-14 | 2020-08-14 | 对象识别方法、装置、存储介质及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114301864B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101247361A (zh) * | 2008-03-19 | 2008-08-20 | 腾讯科技(深圳)有限公司 | 一种用户群组中成员动态信息显示系统及方法 |
CN106549974A (zh) * | 2016-12-06 | 2017-03-29 | 北京知道创宇信息技术有限公司 | 预测社交网络账户是否恶意的设备、方法及系统 |
WO2020140612A1 (zh) * | 2019-01-04 | 2020-07-09 | 平安科技(深圳)有限公司 | 基于卷积神经网络的意图识别方法、装置、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10102387B2 (en) * | 2015-06-01 | 2018-10-16 | Facebook, Inc. | Systems and methods for identifying illegitimate accounts based on clustering |
US11238368B2 (en) * | 2018-07-02 | 2022-02-01 | Paypal, Inc. | Machine learning and security classification of user accounts |
-
2020
- 2020-08-14 CN CN202111661088.8A patent/CN114301864B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101247361A (zh) * | 2008-03-19 | 2008-08-20 | 腾讯科技(深圳)有限公司 | 一种用户群组中成员动态信息显示系统及方法 |
CN106549974A (zh) * | 2016-12-06 | 2017-03-29 | 北京知道创宇信息技术有限公司 | 预测社交网络账户是否恶意的设备、方法及系统 |
WO2020140612A1 (zh) * | 2019-01-04 | 2020-07-09 | 平安科技(深圳)有限公司 | 基于卷积神经网络的意图识别方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114301864A (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241431B (zh) | 一种资源推荐方法和装置 | |
CN106528745B (zh) | 在移动终端上推荐资源的方法、装置及移动终端 | |
CN107273011A (zh) | 应用程序快速切换方法及移动终端 | |
CN108121803B (zh) | 一种确定页面布局的方法和服务器 | |
WO2017041664A1 (zh) | 一种征信评分确定方法、装置及存储介质 | |
CN110798718B (zh) | 一种视频推荐方法以及装置 | |
CN113284142B (zh) | 图像检测方法、装置、计算机可读存储介质及计算机设备 | |
CN110069715A (zh) | 一种信息推荐模型训练的方法、信息推荐的方法及装置 | |
CN108616448A (zh) | 一种信息分享的路径推荐方法及移动终端 | |
CN114781766B (zh) | 水文站点的水文信息预测方法、装置、设备及存储介质 | |
CN112907255A (zh) | 一种用户分析方法和相关装置 | |
CN114301864B (zh) | 对象识别方法、装置、存储介质及服务器 | |
CN116307394A (zh) | 产品用户体验评分方法、装置、介质及设备 | |
CN115392405A (zh) | 模型训练方法、相关装置及存储介质 | |
CN113822435B (zh) | 一种用户转化率的预测方法及相关设备 | |
CN112948763B (zh) | 件量预测方法、装置、电子设备及存储介质 | |
CN116933149A (zh) | 一种对象意图预测方法、装置、电子设备和存储介质 | |
CN110209924B (zh) | 推荐参数获取方法、装置、服务器及存储介质 | |
CN114430504A (zh) | 一种媒体内容的推荐方法以及相关装置 | |
CN115080840A (zh) | 一种内容推送方法、装置及存储介质 | |
CN112015973A (zh) | 一种异构网络的关系推理方法及终端 | |
CN112312411A (zh) | VoLTE业务的业务量预测方法和终端设备 | |
CN110750193A (zh) | 一种基于人工智能的场景拓扑确定方法和装置 | |
CN112862289B (zh) | 一种临床研究从业者的信息匹配方法和装置 | |
CN109471914A (zh) | 一种位置确定方法、装置和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |