具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种目标用户识别方法的流程图,本实施例提供的目标用户识别方法可适用于对以不正当方式参与直播间抽奖活动的作弊用户进行识别的场景。该方法可以由目标用户识别装置来执行,该装置可以由软件和/或硬件的方式来实现,通常集成于终端,例如与直播平台对应的服务器。
如图1所示,该方法具体包括以下步骤:
S110、确定待识别用户在设定时间段内的设定网上行为。
其中,待识别用户是在网上具有某些行为,并需要识别是否为目标用户的用户。目标用户是可以是具有作弊行为的用户。设定时间段是预先设置的时间段,是用来分析带识别用户网上行为的时间段通常情况下可以设置为7天,也可以根据实际需求进行设置,设定网上行为是可能发生作弊行为的网上行为,具体可以是页面浏览、发弹幕、关注等。
具体的,确定待识别用户在设定时间段内的设定网上行为的方法可以是通过行为打点采集待识别用户的用户行为日志,并从用户行为日志中确定设定网上行为。也可以是检测到待识别用户进行设定网上行为时,将与该网上行为相关的信息存储至后台服务器,以从后台服务器中提取待识别用户在设定时间段内的设定网上行为。
具体的,在设定时间段内待识别用户会具有多种设定网上行为,这些设定网上行为可以按照时间顺序进行排序,例如:待识别用户在设定时间段内设定网上行为表达式可以是
Su={a1u,a2u,…,aku}
其中,Su是用户u的各设定网上行为按时间先后顺序的集合,aiu代表用户u的第i个设定网上行为,其可能的取值为{c1,c2…,cn},n表示设定网上行为类型的数量,c1,c2…,cn分别表示各种设定网上行为的行为类型,k是用户u在设定时间段内的设定网上行为发生的次数。
选择设定网上行为的好处在于网上行为的类型非常多,但很多网上行为对于黑产来说是没有利益点的或者有这样的行为用户量比较少。因此,只需要关注一些设定的行为,这样可以大大的降低后续处理计算量,并且当每种设定网上行为所对应的用户比较多时,能够保证后续计算具有统计学意义。
S120、根据每种设定网上行为的关联属性生成行为属性标识。
其中,关联属性是与设定网上行为相关的属性,例如:设备信息,IP(InternetProtocol,互联网协议)地址,行为类型等,行为属性标识是将每种设定网上行为的关联属性所对应的标识进行组合后确定的标识。
具体的,每种设定网上行为可以具有与其相对应的至少一个关联属性,并且每个关联属性所对应的标识也不相同。因此,可以是先确定每种设定网上行为的关联属性,根据获取的待识别用户在设定时间段内的设定网上行为相关信息,确定与各个关联属性相对应的标识,进一步将各个关联属性所对应的标识进行组合,组合方式可以是横向拼接等,以得到行为属性标识。也就是说,一个设定网上行为可以有多个关联属性,每个关联属性都对应一个标识,那么一个设定网上行为的行为属性标识可以由多个标识拼接而成。
示例性的,网上行为A所对应的关联属性有:属性B1,属性B2以及属性B3。根据关联属性确定相对应的标识,属性B1,属性B2以及属性B3所对应的标识分别为b1,b2以及b3。进一步,将各属性标识进行组合确定的行为属性标识可以是(b1,b2,b3)。
S130、基于行为属性标识确定任意两种设定网上行为关联发生的概率。
为了更好的刻画设定网上行为之间的关联性,确定任意两种设定网上行为关联发生的概率的方法可以是:
其中,P表示设定网上行为a与b关联发生的概率,N(a,b)表示当前设定网上行为是a,并且下一个设定网上行为是b所发生的次数,N(a)表示设定网上行为是a发生的次数。
S140、根据概率确定待识别用户的行为编码向量。
其中,行为编码向量是将上述所有任意两种所述设定网上行为关联发生的概率进行相应处理得到的向量。
具体的,根据所有任意两种所述设定网上行为关联发生的概率,可以得出用户行为编码矩阵。根据用户行为编码矩阵可以进行矩阵按行求和,按列求和,分块求和,分块求平均值等计算,以得到待识别用户的行为编码向量。
示例性的,根据所有任意两种所述设定网上行为关联发生的概率得出的用户行为编码矩阵为
其中,pij是设定网上行i与j关联发生的概率。
若待识别用户的行为编码向量的确定方法是矩阵按行求和,则待识别用户的行为编码向量为(p11+p12+p13,p21+p22+p23,p31+p32+p33)。若待识别用户的行为编码向量的确定方法是矩阵按列求均值,则待识别用户的行为编码向量为
需要说明的是,具体的待识别用户的行为编码向量的确定方式可以根据实际情况确定。
S150、基于待识别用户的行为编码向量、已知目标用户的行为编码向量以及已知非目标用户的行为编码向量确定待识别用户是否为目标用户。
其中,已知目标用户是预先确定的目标用户,可以是确定为具有某些作弊行为的用户,已知非目标用户是预先确定的非目标用户,可以是确定为不具有某些作弊行为的用户。
具体的,可以是根据使用已知目标用户的行为编码向量以及已知非目标用户的行为编码向量预先训练的人工智能分类模型,确定待识别用户的行为编码向量所对应的用户是否为目标用户。其中,预先训练的人工智能分类模型可以是深度学习模型/机器学习模型,例如:LSTM(Long Short-Term Memory,长短期记忆网络),CNN(Convolutional NeuralNetworks,卷积神经网络),SVM(Support Vector Machine,支持向量机)等,具体的模型选择可以根据实际需求进行选择。可以是根据待识别用户的行为编码向量与已知目标用户的行为编码向量以及已知非目标用户的行为编码向量的距离确定待识别用户是否为目标用户,例如:待识别用户的行为编码向量与已知目标用户的行为编码向量的阈值小于预先设定的阈值时,认为待识别用户的行为与目标用户的行为相似度高,可以将待识别用户确定为目标用户。也可以是根据相似度检测等方法确定待识别用户是否为目标用户。
本实施例的技术方案,通过确定待识别用户在设定时间段内的设定网上行为,根据关联属性生成属性标识,基于行为属性标识确定任意两种设定网上行为关联发生的概率,并根据概率确定待识别用户的行为编码向量,进一步基于待识别用户的行为编码向量、已知目标用户的行为编码向量以及已知非目标用户的行为编码向量确定待识别用户是否为目标用户,解决了无法有针对性的,准确的找到具有作弊嫌疑的目标用户的技术问题,实现了根据网上行为的关联属性,准确的确定具有不符合逻辑的网上行为的用户为目标用户,进而提高识别目标用户的准确性的技术效果。
实施例二
图2是本发明实施例二提供的一种目标用户识别方法的流程图,本实施例在上述实施例的基础上,基于用户行为日志统计待识别用户的设定网上行为,且基于设定编码规则获得属性向量进而拼接获得行为属性标识,并对具体的行为编码向量以及根据行为编码向量识别待识别用户是否为目标用户进行了优化。其中与上述实施例相同或相应的术语的解释在此不再赘述。
参见图2,本实施例提供的曝光位置分配方法具体包括以下步骤:
S210、基于用户行为日志统计待识别用户在设定时间段内的设定网上行为。
具体的,可以是通过行为打点采集用户行为日志,所述行为打点是为了同居用户行为在需要埋点的地方插入埋点代码,之后用户的网上行为便会记录在用户行为日志中。通过用户的行为日志就可以查询用户的设定网上行为。
可选的,待识别用户在设定时间段内设定网上行为表达式可以是
Su={a1u,a2u,…,aku}
其中,Su是用户u的各设定网上行为按时间先后顺序的集合,aiu代表用户u的第i个设定网上行为,其可能的取值为{c1,c2…,cn},n表示设定网上行为类型的数量,c1,c2…,cn分别表示各种设定网上行为的行为类型,k是用户u在设定时间段内的设定网上行为发生的次数。
S220、基于设定编码规则对每种关联属性进行编码,获得属性向量。
具体的,每种设定网上行为可以具有与其相对应的至少一个关联属性。例如:网上行为A所对应的关联属性有:属性B1,属性B2以及属性B3,分别对关联属性进行编码可以得到属性向量b1,b2以及b3。
示例性的,可以选择用户行为日志统计中的与设定网上行为相关的以下几种属性作为关联属性:
(1)行为发生时间
具体的,可以以预设时间间隔对设定时间段进行切割,例如:以5分钟为时间段进行切割。找到离该设定网上行为发生时间最近的预设时间间隔的切割点,将该切割点作为行为发生时间属性。例如,预设时间间隔为5分钟,如果行为发生的时间是2019年1月1日12点50分,则通过上述方法获取的行为发生时间可以是2019年1月1日12点45分和/或2019年1月1日12点55分。具体是取2019年1月1日12点45分至2019年1月1日12点50分,2019年1月1日12点50分至2019年1月1日12点55分,还是2019年1月1日12点45分至2019年1月1日12点55分可以根据设定网上行为的实际情况进行选择。
(2)所使用应用客户端的版本
具体的,所使用应用客户端的版本可以包含使用应用程序的客户端,如:网页端、移动端等,还可以包含应用程序的版本编号,如:5.91等。示例性的,所使用应用客户端的版本为web_5.91,那么可以确定待识别用户发生设定网上行为时使用的是web端,应用程序版本号是5.91。
(3)上网的互联网协议地址IP
具体的,可以通过IP地址得到的省份、城市组成的地域信息,例如:发生设定网上行为的IP地址是119.126.12.13,那么通过解析可以确定该设定网上行为所对应的地域为广东_佛山,将该地域作为该网上行为IP所在的地域。
(4)行为类型
具体的,行为类型是不同设定网上行为的类型,可以是{c1,c2…,cn}中的一个,例如:c1表示页面浏览,c2表示发送弹幕等。
选择上述属性作为关联属性的理由在于行为发生时间可以藐视行为发生的时刻,刷接口等作弊行为之间发生的时间间隔通常是很短的,因此通过行为发生时间与作弊行为是具有一定关联性的;所使用应用客户端的版本决定了行为路径的内在逻辑,不同版本的应用程序存在路径上的差异,因此相同的作弊行为在不同版本的应用程序上的行为可能存在差异,因此需要考虑应用程序版本的差异性;上网的互联网协议地址IP表示行为发生的地理位置,可以描述刷接口等作弊行为的网络地理信息;行为类型可以对不同种类的行为作区分。
进一步的,可以将上述关联属性根据设定编码规则进行编码,得到属性向量。例如:{201901011245_201901011255}表示行为发生时间为2019年1月1日12点45分至2019年1月1日12点55分,{web_5.91}表示使用的是web端,应用程序版本号是5.91,{guangdong_foshan}表示上网的互联网协议地址IP是广东佛山,{c1}表示行为类型是c1。
为了使计算机对属性向量的识别更加容易,编码规则可以是按0-1进行编码。
具体的,分别对各关联属性进行0-1编码,以生成一个相对应的向量,该向量的长度是该关联属性所有可能取值数量,其中,只有一个位置是1,其余位置均是0。
示例性的,若关联属性是性别,可能的取值有男和女2种,那么男性对应的属性向量是(1,0),女性对应的属性向量是(0,1)。若关联属性是付费情况,可能的取值有未付费、低付费和高付费3种,那么未付费对应的属性向量是(1,0,0),低付费对应的属性向量是(0,1,0),高付费对应的属性向量是(0,0,1)。
S230、将同一种设定网上行为的各属性向量进行拼接,获得该种设定网上行为对应的行为属性标识。
其中,拼接方式可以是多个向量进行横向拼接。
在上述示例的基础上,若一个用户的关联属性是男性和未付费,那么性别属性的属性向量是(1,0),付费属性的属性向量是(1,0,0),最终拼接得到的行为属性标识是(1,0,1,0,0)。
S240、基于行为属性标识确定任意两种设定网上行为关联发生的概率。
在本实施例中,相同的设定网上行为类型若具有不同属性标识,其含义也是不同的,为了能够更好的刻画设定网上行为的之间关联性,可以根据各个设定网上行为的行为属性标识通过计算确定任意两种设定网上行为关联发生的概率。
可选的,任意两种设定网上行为关联发生的概率的具体计算方法如下:
通过如下公式确定任意两种设定网上行为关联发生的概率:
其中,Mij表示任意两种所述设定网上行为关联发生的概率,vt(i=1)表示在时刻t时行为属性标识中第i维特征取值为1,N(vt(i=1))表示在所述待识别用户的设定网上行为中满足vt(i=1)的设定网上行为的数量,N(vt(i=1,vt+1(j=1))表示在所述待识别用户的设定网上行为中满足vt(i=1)且vt+1(j=1)的设定网上行为的数量。
示例性的,假设当前设定网上行为的行为属性标识为(1,*,*,*,*),相邻的下一设定网上行为的行为属性标识为(*,1,*,*,*),其中,*表示0或1,上述两种设定网上行为关联发生的概率即为M12。此时,按照上述公式可以计算M12=N(当前设定网上行为的行为属性标识为(1,*,*,*,*),相邻的下一设定网上行为的行为属性标识为(*,1,*,*,*))/N(当前设定网上行为的行为属性标识为(1,*,*,*,*))。
同理,可以计算得到M13=N((1,*,*,*,*),(*,*,1,*,*))/N((1,*,*,*,*))。
根据上述计算公式可以确定任意两种设定网上行为关联发生的概率。
S250、根据概率确定待识别用户的行为编码向量。
其中,行为编码向量是将上述所有任意两种所述设定网上行为关联发生的概率进行相应处理得到的向量。
可选的,可以按如下步骤确定待识别用户的行为编码向量:
根据概率生成用户行为编码矩阵。
根据任意两种设定网上行为关联发生的概率,可以生成用户行为编码矩阵,例如:设定网上行为相对应的行为属性标识长度是L,用户行为编码矩阵M,那么矩阵M的维度为L×L,矩阵M为
基于设定窗口从用户行为编码矩阵抽取子矩阵,并计算子矩阵中各元素值的平均值。
其中,设定窗口为预先设定的窗口,窗口大小应小于用户行为编码矩阵的大小。具体的,设定窗口不能过大或者过小,若设定窗口过大,则会损失过多有效信息,无法对待识别用户进行有效识别;若设定窗口过小,则无法达到降维,进而减少计算量的目的。
需要说明的是,基于不同大小的设定窗口,可以得到不同的行为编码向量,设定窗口的大小可以根据用户行为编码矩阵的大小,以及根据识别目标用户的需求进行调整。
可选的,可以选用不同大小的设定窗口从用户行为编码矩阵抽取子矩阵,这样做的好处在于能够捕捉不同尺度的有效信息,并且尽量保证有效信息不会有较多的损失。
计算子矩阵中各元素值的平均值的原因在于可以降低后续获得的行为编码向量的维度,若不进行这样的平均处理,那么行为编码向量的维度会非常大,导致计算量过大。
示例性的,若用户行为编码矩阵M为
设定窗口的大小为2×2,那么,基于设定窗口从用户行为编码矩阵抽取子矩阵为:
以及/>
进一步,通过计算可以确定各子矩阵中各元素值的平均值ei,其中,ei表示第i个子矩阵中各元素值的平均值。各个子矩阵中各元素值的平均值分别为
以及/>
将各子矩阵的平均值拼接成行为编码向量。
其中,拼接方式可以是是横向拼接等。
示例性的,若各子矩阵的平均值分别为e1,e2,e3以及e4,拼接方式是横向拼接,那么,行为编码向量为(e1,e2,e3,e4)。
示例性的,假设有两个设定网上行为分别是抽奖页面浏览以及抽奖。抽奖页面浏览有两个关联属性,分别是所使用应用客户端的版本以及行为类型。所使用应用客户端的版本的取值有两种,分别为web_3.0和web_4.0,抽奖页面浏览的行为类型为c1。抽奖只有一个关联属性为是行为类型,行为类型为c2。此时,可以根据任意两种设定网上行为关联发生的概率生成用户行为编码矩阵,该矩阵的维度为4×4。若生成的用户行为编码矩阵为
并且,若只有一个设定窗口,窗口大小为3×3,则可以确定行为编码向量为(0,0.22,0.18,0.26)。
S260、基于待识别用户的行为编码向量、已知目标用户的行为编码向量以及已知非目标用户的行为编码向量确定待识别用户是否为目标用户。
其中,已知目标用户是预先确定的目标用户,即确定为具有某些作弊行为的用户,已知非目标用户是预先确定的非目标用户,即确定为不具有某些作弊行为的用户。
为了更加准确的确定待识别用户是否为目标用户,可以引入度量值进行准确判断。
可选的,基于如下公式确定待识别用户为非目标用户的度量值:
其中,L表示所述待识别用户为非目标用户的度量值,|P|是集合P的元素个数,j是集合P中任意的一个元素,集合P为由已知目标用户的行为编码向量组成的集合,Lij表示待识别用户的行为编码向量i与集合P中元素j之间的距离,所述距离的计算公式为:
其中:表示的是集合N中的元素与待识别用户的行为编码向量i之间距离的最大值;/>表示的是集合N中的元素与集合P中元素之间距离的最大值,集合N为由已知非目标用户的行为编码向量组成的集合;Dij表示的是待识别用户的行为编码向量i和集合P中元素j之间的距离。
上述各个公式中距离可以是各个用户行为编码向量的之间的余弦距离,也可以是马尔科夫距离或麦哈顿距离等其他的距离。
根据上述公式能够确定待识别用户是否为目标用户的原因在于由于集合P是由已知目标用户的行为编码向量组成的集合,若待识别用户的行为编码向量与集合P中的各个元素距离较近,那么该用户是目标用户可能性较大。
为了度量待识别用户与集合P的距离关系,可以计算待识别用户i和集合P中的用户j之间的距离,将其作为度量值。度量值由两部分组成,第一部分是用户i与用户j的编码向量之间的距离,第二部分是用户i与集合N中元素的最大距离和用户j与集合N中元素的最大距离中的最大值。
示例性的,若用户i与集合N中元素的最大距离为0.4,用户j与集合N中元素的最大距离中的最大值为0.2,并且,用户i与用户j的编码向量之间的距离为0.2,那么,待识别用户的行为编码向量i与集合P中元素j之间的距离为
Lij=max(0.1,0.2)+0.2=0.2+0.2=0.4
进一步,可以分别计算用户i与集合P中每一个元素的距离值。假设,集合P中的元素个数|P|为10个,距离值分别为:0.1,0.5,-0.2,0.1,-0.3,-0.5,0.4,0.2,-0.1以及0.1。确定待识别用户为非目标用户的度量值:
若度量值小于设定阈值,则确定待识别用户为目标用户。
设定阈值是预先设定的用于确定目标用户的度量值。如果计算得到的待识别用户的度量值小于阈值,那么将该用户识别为目标用户。设定阈值的大小可以根据业务需求来设定,例如:根据识别准确率来设定,若对识别准确率要求较高,则可以将设定阈值设定的小一些,即判断目标用户的条件更加严格一些。
可选的,对于目标用户可以采取更多的人机验证手段或者限制其在平台中的某些行为等。
可选的,在本实施例中设定网上行为可以包括下述至少一种:页面浏览、发弹幕以及关注;关联属性可以包括下述至少一种:行为发生时间、所使用应用客户端的版本、上网的互联网协议地址IP以及行为类型。
本发明实施例的技术方案,通过根据任意两种设定网上行为关联发生的概率生成用户行为编码矩阵,基于设定窗口确定行为编码向量,并根据计算得出待识别用户为非目标用户的度量值,以确定待识别用户是否为目标用户,解决了无法有针对性的,准确的找到具有作弊嫌疑的目标用户的技术问题,实现了根据网上行为的关联属性,准确的确定具有不符合逻辑的网上行为的用户为目标用户,进而提高识别目标用户的准确性的技术效果。
以下是本发明实施例提供的目标用户识别装置的实施例,该装置与上述各实施例的目标用户识别方法属于同一个发明构思,在目标用户识别装置的实施例中未详尽描述的细节内容,可以参考上述目标用户识别方法的实施例。
实施例三
图3是本发明实施例三提供的一种目标用户识别装置的结构示意图,该装置具体包括:第一确定模块310、生成模块320、第二确定模块330、第三确定模块340和识别模块350;
其中,第一确定模块310,用于确定待识别用户在设定时间段内的设定网上行为;生成模块320,用于根据每种设定网上行为的关联属性生成行为属性标识;第二确定模块330,用于基于行为属性标识确定任意两种设定网上行为关联发生的概率;第三确定模块340,用于根据概率确定待识别用户的行为编码向量;识别模块350,用于基于待识别用户的行为编码向量、已知目标用户的行为编码向量以及已知非目标用户的行为编码向量确定待识别用户是否为目标用户。
可选的,第一确定模块310,包括:
第一确定单元,用于基于用户行为日志统计待识别用户在设定时间段内的设定网上行为。
可选的,生成模块320,包括:
属性向量获取单元,用于基于设定编码规则对每种关联属性进行编码,获得属性向量;
属性标识获取单元,用于将同一种设定网上行为的各属性向量进行拼接,获得该种设定网上行为对应的行为属性标识。
可选的,第二确定模块330,包括:
计算单元,用于通过如下算法公式确定所述概率:
其中,Mij表示任意两种所述设定网上行为关联发生的概率,vt(i=1)表示在时刻t时行为属性标识中第i维特征取值为1,N(vt(i=1))表示在所述待识别用户的设定网上行为中满足vt(i=1)的设定网上行为的数量,N(vt(i=1),vt+1(j=1))表示在所述待识别用户的设定网上行为中满足vt(i=1)且vt+1(j=1)的设定网上行为的数量。
可选的,第三确定模块340,包括:
矩阵生成单元,用于根据概率生成用户行为编码矩阵;
平均值计算单元,用于基于设定窗口从用户行为编码矩阵抽取子矩阵,并计算子矩阵中各元素值的平均值;
编码向量拼接单元,用于各子矩阵的平均值拼接成行为编码向量。
可选的,识别模块350,包括:
度量值确定单元,用于基于如下公式确定待识别用户为非目标用户的度量值:
其中,L表示待识别用户为非目标用户的度量值,|P|是集合P的元素个数,j是集合P中任意的一个元素,集合P为由已知目标用户的行为编码向量组成的集合,Lij表示待识别用户的行为编码向量i与集合P中元素j之间的距离,距离的计算公式为:
其中:表示的是集合N中的元素与待识别用户的行为编码向量i之间距离的最大值;/>表示的是集合N中的元素与集合P中元素之间距离的最大值,集合N为由已知非目标用户的行为编码向量组成的集合;Dij表示的是待识别用户的行为编码向量i和集合P中元素j之间的距离;
目标用户确定单元,用于若度量值小于设定阈值,则确定待识别用户为目标用户。
可选的,所述装置中的所述设定网上行为包括下述至少一种:页面浏览、发弹幕以及关注;所述关联属性包括下述至少一种:行为发生时间、所使用应用客户端的版本、上网的互联网协议地址IP以及行为类型。
本实施例的技术方案,通过确定待识别用户在设定时间段内的设定网上行为,根据关联属性生成属性标识,基于行为属性标识确定任意两种设定网上行为关联发生的概率,并根据概率确定待识别用户的行为编码向量,进一步基于待识别用户的行为编码向量、已知目标用户的行为编码向量以及已知非目标用户的行为编码向量确定待识别用户是否为目标用户,解决了无法有针对性的,准确的找到具有作弊嫌疑的目标用户的技术问题,实现了根据网上行为的关联属性,准确的确定具有不符合逻辑的网上行为的用户为目标用户,进而提高识别目标用户的准确性的技术效果。
本发明实施例所提供的目标用户识别装置可执行本发明任意实施例所提供的目标用户识别方法,具备执行目标用户识别方法相应的功能模块和有益效果。
值得注意的是,上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明实施例的保护范围。
实施例四
图4是本发明实施例四提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图4显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发实施例所提供的一种目标用户识别方法步骤,该方法包括:
确定待识别用户在设定时间段内的设定网上行为;
根据每种设定网上行为的关联属性生成行为属性标识;
基于行为属性标识确定任意两种设定网上行为关联发生的概率;
根据概率确定待识别用户的行为编码向量;
基于待识别用户的行为编码向量、已知目标用户的行为编码向量以及已知非目标用户的行为编码向量确定待识别用户是否为目标用户。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的目标用户识别方法的技术方案。
实施例五
本发明实施例五提供了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如本发明任意实施例所提供的目标用户识别方法步骤,该方法包括:
确定待识别用户在设定时间段内的设定网上行为;
根据每种设定网上行为的关联属性生成行为属性标识;
基于行为属性标识确定任意两种设定网上行为关联发生的概率;
根据概率确定待识别用户的行为编码向量;
基于待识别用户的行为编码向量、已知目标用户的行为编码向量以及已知非目标用户的行为编码向量确定待识别用户是否为目标用户。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。