CN116159310A - 数据处理方法、装置、电子设备以及存储介质 - Google Patents

Abstract

本申请提供了一种数据处理方法、装置、电子设备、计算机程序产品及计算机可读存储介质；方法包括：获取目标应用程序中的目标账号在登录设备中的登录数据；获取登录设备中的应用程序安装数据；对登录数据和应用程序安装数据至少之一进行特征提取处理，得到目标账号的登录行为特征，基于登录行为特征确定目标账号的账号类型；对应用程序安装数据进行特征提取处理，得到登录设备的设备特征，基于设备特征确定登录设备的用户类型；响应于目标账号的账号类型为异常账号、且登录设备的用户类型是未成年人，确定目标账号是未成年人的租用账号；针对目标应用程序执行未成年限制策略。通过本申请，能够提升执行未成年人限制策略的效率。

Description

数据处理方法、装置、电子设备以及存储介质

技术领域

本申请涉及人工智能技术，尤其涉及一种数据处理方法、装置、电子设备以及存储介质。

背景技术

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，感知环境、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。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

目前，各种应用程序均有相关的未成年人防沉迷策略，例如：针对游戏应用程序，进行实名认证，针对未成年人使用的账号限制每日游戏时长。但目前存在多种方式绕过游戏侧设置的防沉迷策略，其中比较常见的是，通过租用他人(成年人)的账号进行游戏，这种情况下难以确定账号的实际使用人，影响了未成年人防沉迷策略的执行。

相关技术暂无较好的方式准确地执行未成年人策略。

发明内容

本申请实施例提供一种数据处理方法、装置、电子设备及计算机可读存储介质、计算机程序产品，能够提升执行未成年人限制策略的效率。

本申请实施例的技术方案是这样实现的：

本申请实施例提供一种数据处理方法，所述方法包括：

获取目标应用程序中的目标账号在登录设备中的登录数据；

获取所述登录设备中的应用程序安装数据，其中，所述应用程序安装数据包括：所述登录设备中已安装应用程序的特征数据；

对所述登录数据和所述应用程序安装数据至少之一进行特征提取处理，得到所述目标账号的登录行为特征，基于所述登录行为特征确定所述目标账号的账号类型；

对所述应用程序安装数据进行特征提取处理，得到所述登录设备的设备特征，基于所述设备特征确定所述登录设备的用户类型；

响应于所述目标账号的账号类型为异常账号、且所述登录设备的用户类型是未成年人，确定所述目标账号是未成年人的租用账号；

针对所述目标应用程序执行未成年限制策略。

本申请实施例提供一种数据处理装置，包括：

数据获取模块，配置为获取目标应用程序中的目标账号在登录设备中的登录数据；

所述数据获取模块，还配置为获取所述登录设备中的应用程序安装数据，其中，所述应用程序安装数据包括：所述登录设备中已安装应用程序的特征数据；

类型识别模块，配置为对所述登录数据和所述应用程序安装数据至少之一进行特征提取处理，得到所述目标账号的登录行为特征，基于所述登录行为特征确定所述目标账号的账号类型；

所述类型识别模块，还配置为对所述应用程序安装数据进行特征提取处理，得到所述登录设备的设备特征，基于所述设备特征确定所述登录设备的用户类型；

策略执行模块，配置为响应于所述目标账号的账号类型为异常账号、且所述登录设备的用户类型是未成年人，确定所述目标账号是未成年人的租用账号；

所述策略执行模块，还配置为针对所述目标应用程序执行未成年限制策略。

本申请实施例提供一种电子设备，所述电子设备包括：

存储器，用于存储计算机可执行指令；

处理器，用于执行所述存储器中存储的计算机可执行指令时，实现本申请实施例提供的数据处理方法。

本申请实施例提供一种计算机可读存储介质，存储有计算机可执行指令，用于被处理器执行时，实现本申请实施例提供的数据处理方法。

本申请实施例提供一种计算机程序产品，包括计算机程序或计算机可执行指令，述计算机程序或计算机可执行指令被处理器执行时，实现本申请实施例提供的数据处理方法。

本申请实施例具有以下有益效果：

通过获取账号的登录数据以及账号所登录的设备的应用程序安装数据，基于登录数据分析账号的特征，确定账号的类型，基于应用程序安装数据分析设备的特征，确定使用设备的对象的类型，提升了确定使用设备的对象的准确性，针对未成年人的账号登录的应用程序实施限制策略，节约了电子设备的能耗，提升了账号安全性。

附图说明

图1是本申请实施例提供的数据处理方法的应用模式示意图；

图2是本申请实施例提供的电子设备的结构示意图；

图3A至图3H是本申请实施例提供的数据处理方法的流程示意图；

图4是本申请实施例提供的数据处理方法的流程示意图；

图5是本申请实施例提供的数据处理方法的一个可选的流程示意图；

图6是本申请实施例提供的地址跳变的示意图；

图7是本申请实施例提供的数据处理方法的一个可选的流程示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

需要指出，在本申请实施例中，涉及到用户信息、用户反馈数据等相关的数据，当本申请实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。

1)卷积神经网络(CNN，Convolutional Neural Networks)，是一类包含卷积计算且具有深度结构的前馈神经网络(FNN，Feed forward Neural Networks)，是深度学习(Deep Learning)的代表算法之一。卷积神经网络具有表征学习(RepresentationLearning)能力，能够按其阶层结构对输入图像进行平移不变分类(Shift-invariantClassification)。卷积神经网络的人工神经元可以响应一部分覆盖范围内的周围单元。卷积神经网络由一个或多个卷积层和顶端的全连接层(对应经典的神经网络)组成，同时也包括关联权重和池化层(pooling layer)。

2)极端梯度提升模型(Extreme Gradient Boosting，XGBoost)，应用梯度提升树(Gradient Boosting Decision Tree，GBDT)，既可以用于分类也可以用于回归问题的模型。

3)防沉迷系统，全称网络游戏防沉迷系统，旨在解决未成年人沉迷网络游戏或者娱乐应用程序的现状，设有该系统的游戏服务器中，通过实名认证确定为未成年人身份的、实名身份信息不规范的和验证未通过的用户均纳入网络游戏防沉迷系统范围。例如：未成年玩家的游玩时间超过设定的游戏时长，应用程序中执行相应的限制策略，包括但不限于虚拟经验值减半、账号自动下线等。未经实名认证的用户的游戏时长达到设定的游戏时长，在应用程序中执行相关的限制策略。

本申请实施例提供一种数据处理方法、数据处理装置、电子设备和计算机可读存储介质及计算机程序产品，能够提升执行未成年人限制策略的效率。

下面说明本申请实施例提供的电子设备的示例性应用，本申请实施例提供的电子设备可以实施为笔记本电脑，平板电脑，台式计算机，机顶盒，移动设备(例如，移动电话，便携式音乐播放器，个人数字助理，专用消息设备，便携式游戏设备)、车载终端、、虚拟现实(Virtual Reality，VR)设备、增强现实(Augmented Reality，AR)设备等各种类型的用户终端，也可以实施为服务器。下面，将说明设备实施为终端设备或服务器时示例性应用。

参考图1，图1是本申请实施例提供的数据处理方法的应用模式示意图；示例的，图1中涉及服务器200、网络300及终端设备400。终端设备400通过网络300连接服务器200，网络300可以是广域网或者局域网，又或者是二者的组合。

在一些实施例中，终端设备400中安装有多种不同的应用程序，目标应用程序是游戏应用程序，服务器200可以是游戏平台的服务器，未成年人是未成年玩家，目标账号可以是游戏账号。

示例的，当用户使用游戏账号，通过未开启未成年保护模式的终端设备400登录游戏应用程序时，终端设备400向服务器200发送游戏账号在终端设备400的登录数据以及终端设备400的应用程序安装数据，服务器基于游戏账号获取游戏账号关联的其他登录数据(登录设备、登录地址、登录时间等)，并结合终端设备400的登录数据确定游戏账号是否为异常账号，基于终端设备400的应用程序安装数据确定终端设备400的用户类型，当用户类型为未成年且游戏账号为异常账号时，服务器向终端设备400发送包含未成年人限制策略的指令，终端设备400的应用程序执行未成年人限制策略。

在一些实施例中，终端设备400可以独立执行本申请实施例提供的数据处理方法，终端设备400中接收服务器200反馈的游戏账号在其他登录设备的登录数据，终端设备400基于应用程序安装数据以及登录数据确定游戏账号的类型以及终端设备400的类型，响应于游戏账号为异常账号且终端设备400的用户类型是未成年人，终端设备400针对目标应用程序执行未成年人限制策略。

在一些实施例中，本申请实施例的数据处理方法还可以应用在以下应用场景中：账号安全场景，一些用户通过向其他用户提供账号租赁业务获取收益，租借账号通常会被多个用户登录，对账号安全造成影响。通过调用本申请实施例的数据处理方法可以定位到未成年人的租赁账号，提升账号的安全性。

本申请实施例可以通过区块链技术实现，可以将本申请实施例获取的未成年人使用的设备或者账号作为识别结果上传到区块链中存储，通过共识算法保证识别结果的可靠性。区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。

本申请实施例可以通过数据库技术实现，数据库(Database)，简而言之可视为电子化的文件柜存储电子文件的处所，用户可以对文件中的数据进行新增、查询、更新、删除等操作。所谓“数据库”是以一定方式储存在一起、能与多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

数据库管理系统(Database Management System，DBMS)是为管理数据库而设计的电脑软件系统，一般具有存储、截取、安全保障、备份等基础功能。数据库管理系统可以依据它所支持的数据库模型来作分类，例如关系式、XML(Extensible Markup Language，即可扩展标记语言)；或依据所支持的计算机类型来作分类，例如服务器群集、移动电话；或依据所用查询语言来作分类，例如结构化查询语言(SQL，Structured Query Language)、XQuery；或依据性能冲量重点来作分类，例如最大规模、最高运行速度；亦或其他的分类方式。不论使用哪种分类方式，一些DBMS能够跨类别，例如，同时支持多种查询语言。

本申请实施例，还可以通过云技术实现，云技术(Cloud Technology)基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，以及搜索服务、社会网络、移动商务和开放协作等需求的推动，将来每个物品都有可能存在自己的哈希编码识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。

在一些实施例中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。电子设备可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本发明实施例中不做限制。

参见图2，图2是本申请实施例提供的电子设备的结构示意图，电子设备可以是服务器，图2所示的服务器200包括：至少一个处理器410、存储器450、至少一个网络接口420。服务器200中的各个组件通过总线系统440耦合在一起。可理解，总线系统440用于实现这些组件之间的连接通信。总线系统440除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线系统440。

处理器410可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。

存储器450可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器450可选地包括在物理位置上远离处理器410的一个或多个存储设备。

存储器450包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM，Read Only Memory)，易失性存储器可以是随机存取存储器(RAM，Random Access Memory)。本申请实施例描述的存储器450旨在包括任意适合类型的存储器。

在一些实施例中，存储器450能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。

操作系统451，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；

网络通信模块452，用于经由一个或多个(有线或无线)网络接口420到达其他电子设备，示例性的网络接口420包括：蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB，Universal Serial Bus)等；

在一些实施例中，本申请实施例提供的装置可以采用软件方式实现，图2示出了存储在存储器450中的数据处理装置455，其可以是程序和插件等形式的软件，包括以下软件模块：数据获取模块4551、类型识别模块4552、策略执行模块4553，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。

在一些实施例中，终端或服务器可以通过运行计算机程序来实现本申请实施例提供的数据处理方法。举例来说，计算机程序可以是操作系统中的原生程序或软件模块；可以是本地(Native)应用程序(APP，Application)，即需要在操作系统中安装才能运行的程序，如游戏APP或者视频APP；也可以是小程序，即只需要下载到浏览器环境中就可以运行的程序；还可以是能够嵌入至任意APP中的小程序。总而言之，上述计算机程序可以是任意形式的应用程序、模块或插件。

将结合本申请实施例提供的终端的示例性应用和实施，说明本申请实施例提供的数据处理方法。如前，实现本申请实施例的数据处理方法的电子设备可以是终端、服务器，又或者是二者的结合。因此下文中不再重复说明各个步骤的执行主体。

参见图3A，图3A是本申请实施例提供的数据处理方法的流程示意图，将结合图3A示出的步骤进行说明。

在步骤301中，获取目标应用程序中的目标账号在登录设备中的登录数据。

示例的，目标应用程序可以是游戏应用程序或者娱乐应用程序，防止未成年人沉迷游戏或者娱乐，上述类型的应用程序中通常设置有实名认证机制，以确定使用账号的用户的类型。一些情况下，用户未经实名认证，则可以通过本申请实施例提供的数据处理方法确定用户的类型。目标账号在登录设备的登录数据包括：目标账号在当前登录设备的登录数据以及目标账号在其他登录设备的登录数据。每段登录数据对应于目标账号的一次登录行为，每段登录数据的字段类型包括：登录设备标识、登录时间、登录地址。

在步骤302中，获取登录设备中的应用程序安装数据。

示例的，应用程序安装数据包括：登录设备中已安装应用程序的特征数据。应用程序的特征数据包括应用程序安装时间、类型、标识。应用程序安装数据可以通过应用程序的统一资源定位系统(uniform resource locator，URL)获取。

在一些实施例中，在步骤301之后，将每段登录数据中存在字段缺失的登录数据删除；在步骤302之后，将每段应用程序安装数据中存在字段缺失的应用程序安装数据删除。获取数据的过程中，数据可能会存在缺失，通过删除缺失字段的数据，可以提升类型识别的准确性，节约计算资源。

在步骤303中，对所述登录数据和所述应用程序安装数据至少之一进行特征提取处理，得到所述目标账号的登录行为特征。

示例的，登录数据可以直观体现目标账号的登录行为，基于登录数据可以提取登录行为特征；目标账号所登录的登录设备的应用程序安装数据可以侧面体现登录行为相关的数据，可以用于提取登录行为特征。

在一些实施例中，参考图3B，图3B是本申请实施例提供的数据处理方法的流程示意图；图3A中的步骤303可以通过图3B中的步骤3031或者步骤3032实现，以下具体说明。

在步骤3031中，对登录数据的每个字段类型的数据进行特征提取处理，得到每个字段类型对应的子特征，将每个子特征组合为目标账号的登录行为特征。

示例的，登录数据的字段类型包括：目标账号的登录时间、登录设备以及登录地址。子特征的类型包括：时间特征、地址特征以及设备特征；

在一些实施例中，参考图3C，图3C是本申请实施例提供的数据处理方法的流程示意图；图3B中的步骤3031可以通过图3C的步骤30311至步骤30314实现，以下具体说明。

在步骤30311中，基于目标账号的登录时间确定目标账号每次登录的登录时长，将每次登录的登录时长组合为序列形式的时间特征。

示例的，登录时长是每次登录的下线时间与登录时间的差，根据每次登录对应的先后顺序，将每次登录的登录时长组合为序列形式的时间特征。

在步骤30312中，将当前设备每次登录的登录地址组合为序列形式的地址特征。

示例的，根据每次登录对应的先后顺序，将每次登录的登录地址组合为序列形式的地址特征。

在步骤30313中，将当前设备每次登录的登录设备组合为序列形式的登录特征。

示例的，步骤30313与步骤30312同理，根据每次登录的先后顺序组合登录设备，得到登录特征。

在步骤30314中，将地址特征、登录特征以及时间特征组合为目标账号的登录行为特征。

示例的，登录行为特征可以表征为包括三个维度的序列的矩阵。

本申请实施例中，通过多种维度提取登录行为特征，提升了登录行为特征的准确性，能够提升确定账号类型的准确性，提升防沉迷策略的执行效率。

继续参考图3B，在步骤3032中，基于登录数据确定目标账号关联的登录设备，从目标账号关联的登录设备的应用程序安装数据中，提取目标账号的登录行为特征。

在一些实施例中，登录数据的字段类型包括：目标账号的登录时间、登录设备标识以及登录地址；登录行为特征包括：登录设备数量、登录地址数量、登录设备的已安装应用程序的类型；步骤3032可以通过以下方式实现：基于登录数据统计目标账号的登录设备的数量、以及登录地址的数量；从应用程序安装数据中提取每个已安装应用程序的类型。

本申请实施例，从应用程序安装数据提取登录行为特征，提升了特征提取的全面性，节约了计算资源。

继续参考图3A，在步骤304中，基于登录行为特征确定目标账号的账号类型。

示例的，登录行为特征的确定方式包括两种，则确定账号类型的方式对应地存在两种，以下具体说明。

在一些实施例中，参考图3D，图3D是本申请实施例提供的数据处理方法的流程示意图；在图3B中的步骤3031之后，步骤304可以通过图3D的步骤3041至步骤3043实现，以下具体说明。

在步骤3041中，基于登录行为特征确定目标账号的跳变指标。

这里，跳变指标是用于表征目标账号的登录时间、登录设备以及登录地址的变化频次的指标。跳变是指变更，每次变更可以记为一次跳变。

在一些实施例中，参考图3E，图3E是本申请实施例提供的数据处理方法的流程示意图；图3D中的步骤3041可以通过图3E中的步骤30411至步骤30414实现，以下具体说明。

在步骤30411中，基于地址特征中相邻的登录地址之间的差异，确定地址特征对应的跳变频次。

示例的，相邻的登录行为的登录地址不同记为一次跳变。例如：地址特征的序列为[地址1，地址2，地址3，地址3，地址3]，五次登录中，地址跳变了两次，则跳变频次为2。

在步骤30412中，基于登录特征中相邻的登录设备之间的差异，确定登录特征对应的跳变频次。

示例的，相邻的登录行为的登录设备不同记为一次跳变。例如：登录特征的序列为[设备1，设备3，设备2，设备1，设备3]，则五次登录中，设备跳变4次跳变频次为4。

在步骤30413中，将时间特征中的每个登录时长与登录时长阈值进行比较，基于比较结果确定时间特征对应的跳变频次。

示例的，时间特征对应的跳变频次是小于登录时长阈值的登录时长的数量。登录时长阈值可以基于应用场景确定。例如：五次登录中，有3次的登录时长小于登录时长阈值，则时间特征对应的跳变频次为3。

在步骤30414中，对登录行为特征中每个维度的子特征的跳变频次进行加权计算处理，得到目标账号的跳变指标。

示例的，每个维度的跳变频次对应的权重值可以根据应用场景以及目标应用程序的类型确定。跳变指标可以表征为以下公式：跳变指标＝时间特征对应的跳变频次*Q1+地址特征对应的跳变频次*Q2+登录特征对应的跳变频次*Q3，其中，Q1、Q2、Q3分别是权重。

继续参考图3D，在步骤3042中，响应于跳变指标大于跳变指标阈值，确定目标账号的类型为异常账号。

示例的，跳变指标大于跳变指标阈值表征目标账号变更地址、设备的频次高于正常账号，目标账号的登录行为存在异常，则目标账号的类型为异常账号。

在步骤3043中，响应于跳变指标小于跳变指标阈值，确定目标账号的类型为正常账号。

示例的，跳变指标小于跳变指标阈值表征目标账号变更地址、设备的频次小于异常账号，则目标账号的类型为异常账号。

本申请实施例中，通过登录行为的跳变确定账号的类型，提升了确定账号类型的准确性，提升了执行防沉迷策略的效率。

在一些实施例中，参考图3F，图3F是本申请实施例提供的数据处理方法的流程示意图；在图3B中的步骤3032之后，步骤304可以通过图3F中的步骤3044至步骤3045实现，以下具体说明。

在步骤3044中，当登录行为特征满足账号异常条件时，确定目标账号的类型为异常账号。

示例的，账号异常条件包括以下至少一项：目标账号的至少一个登录设备的已安装应用程序的类型为异常应用程序(例如：租借账号类的应用程序)；目标账号的登录地址或者登录设备的数量大于数量阈值。

在步骤3045中，当登录行为特征不满足账号异常条件时，确定目标账号的类型为正常账号。

本申请实施例中，通过登录设备与目标账号的关联性确定目标账号的类型，提升了确定账号类型的效率，节约了计算资源，提升了账号的安全性。

继续参考图3A，在步骤305中，对所述应用程序安装数据进行特征提取处理，得到所述登录设备的设备特征，基于设备特征确定登录设备的用户类型。

示例的，用户类型根据用户年龄进行区分，用户类型包括成年人、未成年人。应用程序安装数据可以确定设备中安装的应用程序的类型，应用程序的类型可以表征用户的兴趣喜好，不同类型的用户的设备中安装的应用类型的分布是不同的。

在一些实施例中，参考图3G，图3G是本申请实施例提供的数据处理方法的流程示意图；图3A中的步骤305可以通过图3G中步骤3051至步骤3054实现，以下具体说明。

在步骤3051中，对已安装应用程序的特征数据进行特征提取处理，得到登录设备的设备特征。

示例的，设备特征可以是特征值，通过已安装应用程序的目标群体指数确定。目标群体指数(Target Group Index，TGI)是反映目标群体在特定研究范围(如地理区域、人口统计领域、媒体受众、产品消费者)内的强势或弱势的指数。针对本申请实施例，目标群体指数是应用程序的未成年用户(目标群体)在产品消费者(总体)方面强势的指数。

在一些实施例中，特征数据包括：应用程序的安装时间、应用程序标识、应用程序类型(例如：游戏、教育、视频)。参考图3H，图3H是本申请实施例提供的数据处理方法的流程示意图；图3G中的步骤3051可以通过图3H的步骤30511至步骤30514实现，以下具体说明。

在步骤30511中，获取每个已安装应用程序的目标群体指数。

示例的，目标群体指数＝[未成年人中使用应用程序的群体所占比例/产品消费者中使用应用程序的群体所占比例]*标准数100。目标群体指数可以是预先从应用程序对应的数据库中获取的。

在步骤30512中，对每个已安装应用程序进行分组处理，得到多个应用程序组。

在一些实施例中，可以通过以下任意一种方式对每个已安装应用程序进行分组处理：

方式1、基于每个已安装应用程序的类型进行分组处理，得到多个应用程序组，其中，每个应用程序组中的应用程序的类型相同，例如：将教育类的应用程序划分至同一组，将支付类的应用程序划分至同一组。

方式2、对每个已安装应用程序的目标群体指数进行降序排序处理，得到降序排序列表，获取多个预设指数区间，基于多个预设指数区间对每个已安装应用程序进行分组处理，得到多个应用程序组，其中，每个应用程序组中的已安装应用程序属于同一个预设指数区间。例如：降序排序列表为[160，120，111，……60]，获取预设指数区间为[60，110)，[110，160]，将目标群体指数属于[60，110)的应用程序划分至第一应用程序组，将目标群体指数属于[110，160]的应用程序划分至第二应用程序组。

在步骤30513中，针对每个应用程序组执行以下处理：将每个已安装应用程序的目标群体指数的平均值，作为应用程序组的目标群体指数。

示例的，继续基于上述举例进行说明，例如：针对第一应用程序组，获取目标群体指数的平均值A1作为第一组的目标群体指数。针对第二应用程序组，获取目标群体指数的平均值A2作为第二组的目标群体指数。

在步骤30514中，将每个应用程序组的目标群体指数进行组合为目标群体指数序列，将目标群体指数序列作为设备特征。

示例的，将每个组的目标群体指数组合，得到作为设备特征的目标群体指数序列[A1，A2]。

继续参考图3G，在步骤3052中，基于设备特征调用极端梯度提升模型进行类型预测处理，得到登录设备的类型概率。

示例的，极端梯度提升模型(Extreme Gradient Boosting，XGBoost)可以用于分类，极端梯度提升模型输出的是登录设备的用户类型为未成年人的概率。

在一些实施例中，在步骤3052之前，通过以下方式获取极端梯度提升模型：获取训练样本集合，其中，训练样本集合包括：样本登录设备的应用程序安装数据、样本登录设备的类型，样本登录设备的用户类型包括：未成年人、成年人；对样本登录设备的应用程序安装数据进行标注处理，得到标注后的应用程序安装数据，其中，未成年人的登录设备的标签为概率1，成年人的登录设备的标签为概率0；基于标注后的应用程序安装数据，对初始化的极端梯度提升模型进行训练处理，得到训练后的极端梯度提升模型。

在步骤3053中，响应于类型概率大于或者等于概率阈值，确定登录设备的用户类型是未成年人。

示例的，概率阈值可以基于应用场景确定。当类型概率大于概率阈值，表征登录设备的用户类型为未成年人的概率大于概率阈值，可将用户类型认定为未成年人，再结合其他数据确定当前使用目标账号的用户是否为未成年人。

在步骤3054中，响应于类型概率小于概率阈值，确定登录设备的用户类型是成年人。

示例的，当类型概率小于概率阈值，表征登录设备的用户类型为成年人的概率小于概率阈值，可将用户类型认定为成年人。当登录设备的用户类型是成年人时，还可以向登录设备发送实名认证提醒，以使用户进行实名认证，提升账号的安全性。

在一些实施例中，在步骤306之前，获取登录设备的已安装应用程序的使用时间数据；对使用时间数据进行特征提取处理，得到使用时间特征；获取使用时间特征与样本时间特征之间的相似度，其中，样本时间特征是用户类型为未成年人的登录设备的使用时间特征，计算相似度的方式可以是计算特征之间的余弦相似度；响应于相似度大于或者等于相似度阈值，确定登录设备的用户类型是未成年人；响应于相似度小于相似度阈值，确定登录设备的用户类型是成年人。

示例的，未成年人与成年人使用设备的时间段的分布存在差异，可以获取未成年人的样本时间特征，基于样本时间特征与登录设备的实际的使用时间特征之间的相似度确定设备的用户类型，节约了计算资源。

继续参考图3A，在步骤306中，响应于目标账号的账号类型为异常账号、且登录设备的用户类型是未成年人，确定目标账号是未成年人的租用账号。

示例的，未成年人的租用账号可以是未成年人从其他用户处租赁得到的，或者未成年人向成年人借来的账号，可以针对租借账号当前登录的应用程序实施限制策略。

在一些实施例中，在步骤307之前，在目标应用程序中显示交互验证界面，其中，交互验证的类型包括：指纹验证、声纹验证、人脸识别以及验证码验证；响应于针对交互验证界面的交互操作，显示交互操作对应的验证结果；响应于验证结果为验证失败，转入执行步骤307。

示例的，通过交互验证方式，确定当前使用账号的用户是否为账号的已认证用户，提升了账号的安全性，提升了未成年限制策略执行的准确性。

在步骤307中，针对目标应用程序执行未成年限制策略。

示例的，未成年限制策略是用于解决未成年人沉迷网络游戏或者娱乐应用程序的策略，通过对应用程序的使用进行干扰，达到避免未成年人长期沉迷的作用。

在一些实施例中，步骤307可以通过以下方式实现：响应于目标应用程序满足限制条件，执行将目标账号从目标应用程序强制下线的操作，并停止运行目标应用程序；其中，限制条件包括以下至少一项：1、基于目标账号登录目标应用程序的登录时长达到时长阈值；例如：预先规定了未成年人可以在工作日进行2个小时游戏。工作日中，当未成年人的账号在游戏中的游玩时长达到了2小时，强制其下线。2、当前时刻不属于目标应用程序的未成年人使用时间段。例如：预先规定了未成年人可以游玩的时间段，在当前时间段不属于该时间段的情况下，拒绝未成年人的账号的登录请求，或者对正在游戏中的账号执行强制下线。

在一些实施例中，参考图4，在图3A的步骤306之后执行步骤401至步骤405。

在步骤401中，基于登录数据确定目标账号登录过的其他登录设备。

示例的，登录数据包括目标账号登录过的每个登录设备，获取登录数据中除当前设备以外的设备作为其他设备。

在步骤402中，将其他登录设备的用户类型标记为未成年人。

示例的，在目标账号确认为未成年人的租赁账号时，则目标账号曾经登录的设备的类型为未成年人。

在步骤403中，获取当前的登录设备的账号登录记录。

示例的，当前登录设备的账号登录记录可以从目标应用程序的日志中提取。账号登录记录包括登录账号的标识、登录账号的登录时间。

在步骤404中，提取账号登录记录中除目标账号之外的其他账号，将其他账号的类型标记为异常账号。

示例的，目标账号确认为未成年人的租赁账号，通过登录设备与目标账号存在关联的账号可以标注为异常账号。

在步骤405中，将标记后的每个异常账号其他账号、每个其他登录设备的数据存储至数据库。

示例的，数据库中的数据可以用于确定未成年人账号，节约了同时针对大量的账号以及设备执行限制策略所需的计算资源，或者作为训练用于识别设备类型的极端梯度提升模型的训练数据。

本申请实施例，通过获取账号的登录数据以及账号所登录的设备的应用程序安装数据，基于登录数据分析账号的特征，确定账号的类型，基于应用程序安装数据分析设备的特征，确定使用设备的对象的类型，提升了确定使用设备的对象的准确性，针对未成年人的账号登录的应用程序实施限制策略，节约了电子设备的能耗，提升了账号安全性。

下面，将说明本申请实施例数据处理方法在一个实际的应用场景中的示例性应用。

目前，针对未成年人沉迷游戏的情况，各类型的应用程序均存在实名认证机制，并采取相关防沉迷策略，例如：目标账号是未成年人的游戏账号，则限制目标账号每日的游戏时长；但目前，存在多种方式绕过游戏侧设置的防沉迷策略，其中比较常见的是，通过租用他人(成年人)的账号进行游戏。

现有的未成年人防沉迷策略，主要是依赖实名认证。在未成年人登录游戏时，即通过填写身份信息和人脸验证，进行实名认证，系统则标识该账号为未成年人账号；后续该账号的游戏时长和游戏时段则受到系统的限制。账号的覆盖率低。从未成年人使用的账号角度来看，只有部分账号是未成年人实名认证的账号，大部分账号是租用或者使用他人(包括亲人、朋友等)的成年人账号进行游戏，从而逃避了游戏的防沉迷策略，可以任意时间任意时长的玩游戏。

本申请实施例结合游戏账号的登录行为、特征、和登录设备的设备特征，可以发现没有未成年人实名认证，但实际上是未成年人在使用的游戏账号，并关联对应的未成年人使用的设备，从账号和设备两个层面，进行防沉迷的策略(检测账号、设备是否为未成年人使用)。并以防沉迷策略的结果，确认未成年人使用账号和设备。基于防沉迷策略的结果，可以扩散更多未成年人使用账号和设备，进而循环使用防沉迷的策略。可以极大的提升对未成年人使用账号的覆盖率。

参考图5，图5是本申请实施例提供的数据处理方法的一个可选的流程示意图，以服务器为执行主体，以下结合图5的步骤进行解释说明。

步骤501中，获取游戏账号的登录数据。

示例的，一段登录数据包括以下字段：账号、游戏名、登陆时间、登录设备标识(id)。登录设备标识可以是国际移动设备识别码(International Mobile EquipmentIdentity，IMEI)，即通常所说的手机序列号、手机“串号”；开放匿名设备标识符(OpenAnonymous Device Identifier，OAID)，是非永久性设备标识符，使用OAID可在保护用户个人数据隐私安全的前提下，向用户提供个性化广告。

示例的，登录数据的数据格式可以表征为如下表(1)：

登录设备id	账号	游戏名	登录时间
				86xxx	123xx	xxxx	2022-10-01 12:12:12
86xxx	123xx	xxxx	2022-10-02 12:12:12

表(1)游戏账号登录数据

步骤502中，获取设备的应用程序安装数据。

示例的，每段应用软件数据包括如下字段：应用软件名称、应用软件包名、应用软件关联设备、软件安装时间。其中，应用软件的统一资源定位系统(uniform resourcelocator，URL)可以通过模拟器对应用软件进行安装，安装过程动态运行时对应用程序安装数据进行抓包获取。

示例的，应用程序的数据格式可以表征为如下表(1)：

应用软件名称	包名	安装设备id	安装时间
				应用A	com.xxx.xxa	86xxx	2022-06-01
应用B	com.xxx.xxb	86xxx	2022-06-02

表(2)应用程序安装数据

示例的，步骤502以及步骤501的执行可以是同步的。在步骤502以及步骤503之后均执行步骤503。

步骤503中，对获取得到数据进行过滤处理。

示例的，由于各种原因，数据中会存在很多信息不全的记录，比如游戏账号登录数据中，登录时间字段为空，或者设备标识字段无法获取到。这部分数据可以舍弃，也即过滤处理，基于过滤后的数据执行后续处理。

在步骤503之后执行步骤504以及步骤505，步骤504以及步骤505可以是同步执行的或者先后执行的。

步骤504中，基于登录数据进行异常账号识别处理，得到账号的类型。

示例的，账号的类型包括正常账号以及异常账号，异常账号是存在异常的登录行为的账号，例如：租借账号是异常账号，租借账号的异常登录行为包括：在多个设备登录、频繁地更换登录设备(更换登录设备的频次大于阈值)。

示例的，获取目标账号的使用轨迹数据(登录设备id、登录地址、每个设备或者地址的活跃时间)，基于使用轨迹数据获取跳变特征，进而基于跳变特征识别账号是否为异常账号。从账号的登录行为方面，异常账号的登录行为表征为：短期内(例如：一两周左右)关联多个设备，并且在不同地点活跃(登录)，这种登录特征称之为跳变特征；而正常用户账号登陆设备和地点都比较固定。参考图6，图6是本申请实施例提供的地址跳变的示意图；游戏账号在时间T-(n+2)至时间T-n的登录地址为地址n，地址未跳变，在时间T-2的登录地址为地址3，在时间T-1，登录地址跳变为地址2；在时间T0，登录地址跳变为地址1。

为便于理解正常账号与异常账号的区别，参考以下表(3)。

	账号	登录设备id	登录地址	最后登录时间	登录天数
						正常账号	123xx	86xxxx	A省	2022-11-15	120
	123xx	86xxxy	A省	2022-11-10	20
						异常账号	345xx	86xxxa	B省	2022-11-15	4
	345xx	86xxxb	C省	2022-11-10	3
							345xx	86xxxc	D省	2022-11-01	6
	345xx	86xxxd	E省	2022-10-28	5
							345xx	86xxxe	F省	2022-10-16	7

表(3)账号登录游戏的统计数据

表(3)中，正常账号关联的设备很少，且活跃时间长，地址固定；而异常账号，关联设备多，大多停留时间短，且地址经常变化。

示例的，基于异常账号的上述特征，可以获取目标账号的登录设备、地址跳变的频次，基于跳变频次预测目标账号的类型。跳变频次也即变更的频次，每次变更可以记为一次跳变。

目标账号的跳变特征可以通过以下方式获取：统计预设时间内(例如：一个月)账号的登录设备以及登录地址、登录时间，得到以账号和设备标识为key的最常登陆地址、最早和最晚登录时间，并计算账号每次登录的登录时长。获取目标账号在预设时间内变更登录设备的频次作为登录设备维度的跳变频次，获取目标账号在预设时间内变更登录地址的频次作为登录地址维度的跳变频次，获取目标账号的登录时长小于预设时长的次数，作为目标账号的时间维度的跳变频次。将每个维度的跳变频次进行加权求和，得到目标账号的跳变特征的特征值。当跳变特征的特征值属于异常账号对应的特征值区间时，确定目标账号为异常账号。

在一些实施例中，异常账号对应的特征值区间可以根据特征值的大小划分为不同的异常级别对应的区间，异常账号的异常程度与特征值正相关，对应的特征值越高的异常级别对应的置信度越高。

在一些实施例中，可以通过目标账号登录过的登录设备的特征表征目标账号的登录行为，在目标账号的登录设备满足异常条件时，将目标账号作为异常账号。异常条件包括以下任意一项：

1、登录设备中安装有异常应用程序。

异常应用程序，例如：租号类应用程序，租用账号登陆的设备安装租号类应用软件的目标群体指数比较高，目标群体指数(Target Group Index，TGI)是反映目标群体在特定研究范围(如地理区域、人口统计领域、媒体受众、产品消费者)内的强势或弱势的指数。登录设备中安装有异常应用程序可以通过以下方式确定：获取预先构建的异常应用程序库，将登录设备中安装的程序与异常应用程序库中的应用程序进行比较，将应用程序标识相同的应用程序作为异常应用程序。

2、目标账号登录的地址的数量或者设备的数量大于阈值。租用账号通常被多个用户共用，则租用账号登录的设备或者地址的数量高于正常账号。

步骤505中，基于应用程序安装数据进行设备识别处理，得到设备的类型。

示例的，不同的用户类型所使用的应用程序的类型的分布存在差异，例如：未成年人所使用的应用软件，集中在游戏、动漫、视频、教育类，而成年人则偏向办公、即时通讯、金融、新闻类。可以通过设备中安装的应用软件类型确定登录设备的用户类型，以识别登录设备的用户类型是否为未成年人。

在一些实施例中，可以通过调用极端梯度提升模型预测登录设备的类型。参考图7，图7是本申请实施例提供的数据处理方法的一个可选的流程示意图。图5中的步骤505的设备识别处理可以通过图7中的步骤701至步骤704训练得到的极端梯度提升模型实现。

步骤701中，获取样本设备的应用程序安装数据。

示例的，收集一批未成年人和成年人的样本设备，并提取其软件安装列表，软件安装列表包括应用程序安装数据。样本设备的用户类型已经预先标注，例如：样本设备的用户类型标签为成年人、未成年人。

步骤702中，获取每个样本设备的每个应用程序的目标群体指数。

示例的，计算应用程序的目标群体指数(指数)，也即，计算应用程序的未成年用户(目标群体)在产品消费者(总体)方面强势的指数。计算公式如下所示：目标群体指数＝[未成年人中使用应用程序的群体所占比例/产品消费者中使用应用程序的群体所占比例]*标准数100。

步骤703中，对样本设备的应用程序进行分组，基于每个分组的目标群体指数确定样本设备的设备特征。

示例的，基于每个分组确定设备特征，也即进行分桶处理，分桶是进行不同区块的隔离处理以及同一区块的统一处理。分桶策略中，可以通过以下方式进行分组(分桶)：方式1、根据应用程序的分类进行分桶，应用程序分类如游戏、视频、教育、金融等；方式2、根据应用程序的目标群体指数进行分桶，例如：将目标群体指数进行降序排序，设置多个连续的预设区间，每个预设区间表征一个等级，基于预设区间将降序排序分成不同的组，每个组对应不同的区间且每个组内的应用程序的目标群体指数属于同一区间。

针对每个分桶，获取每个分组的目标群体指数的平均值(或者最大值)为此分桶的目标群体指数，将样本设备的应用程序安装列表，转化为了分桶的目标群体指数，按照预先设置的分桶排列顺序组合每个分桶的目标群体指数为序列，例如：按照[游戏、视频、教育……]进行排列，得到一个样本设备的设备特征，[160，87，130……]。

步骤704中，基于样本设备的设备特征对初始化的极端梯度提升模型进行训练处理，得到训练后的极端梯度提升模型。

示例的，将用户类型标签为未成年人的样本设备的概率标注为1，将用户类型标签为成年人的样本设备的概率标注为0，基于标注的样本设备的设备特征对初始化的极端梯度提升模型进行训练处理，得到训练后的极端梯度提升模型。

在步骤704之后，执行步骤705，基于待检测设备的应用程序安装数据，调用训练后的极端梯度提升模型进行设备识别处理。

示例的，极端梯度提升模型输出预测概率，当预测概率大于阈值时，确定用户类型为未成年人；当预测概率小于阈值，确定用户类型是成年人。

继续参考图5，在步骤504以及步骤505执行完毕之后，执行步骤506。

步骤506中，针对应用程序执行防沉迷策略。

示例的，若账号为租借账号，账号的登录行为会表征为频繁地更换设备登录游戏，登录设备的设备特征可以通过已安装应用程序的特征数据表征；当账号为存在异常登录行为的账号、且基于设备特征确定的账号的用户类型是未成年人，则目标账号属于未成年人租用的账号(或者借用家长的账号)进行游戏。可以对目标账号的登录和其登录的设备采取防沉迷的验证，以限制未成年人过度游戏的行为，节约了设备的能耗，规范了未成人用户的行为，提升了账号的安全性。

示例的，当目标账号为异常账号且目标账号的用户类型是未成年，则可以通过交互验证的方式确定当前使用目标账号的用户是否为未成年。验证方式包括但不限于短信验证码验证、人脸识别、指纹验证、声纹验证等。验证失败，则当前使用游戏账号的用户是未成年人。

在一些实施例中，在未成年人使用账号登录应用程序的情况下，当应用程序的使用时间达到防沉迷时长时，强制账号下线，自动关闭应用程序；或者，当前时间不属于未成年人可登录时间，禁止账号登录。

步骤507中，基于当前账号以及当前设备，获取其他的用户类型为未成年人的设备以及账号。

示例的，可以根据防沉迷策略的结果，确认其他的未成年人使用账号和设备，例如：获取目标账号关联的其他的未成年人使用账号和设备，进而循环使用防沉迷的策略。在步骤507之后，若获取到了其他的用户类型为未成年人的设备以及账号，可以针对这些设备中的应用程序执行步骤506。

本申请实施例从账号可能被租用的角度出发，结合账号的登录行为特征，能够用于识别未成年人使用、租用(或亲朋好友)账号，相较于中从实名制信息中得到未成年人账号，能够发现更多的被未成年人使用的账号，进而提升成年人使用账号的检测能力。

下面继续说明本申请实施例提供的数据处理装置455的实施为软件模块的示例性结构，在一些实施例中，如图2所示，存储在存储器450的数据处理装置455中的软件模块可以包括：数据获取模块，配置为获取目标应用程序中的目标账号在登录设备中的登录数据；数据获取模块，还配置为获取登录设备中的应用程序安装数据，其中，应用程序安装数据包括：登录设备中已安装应用程序的特征数据；类型识别模块，配置为对所述登录数据和所述应用程序安装数据至少之一进行特征提取处理，得到所述目标账号的登录行为特征，基于登录行为特征确定目标账号的账号类型；类型识别模块，还配置为对所述应用程序安装数据进行特征提取处理，得到所述登录设备的设备特征，基于设备特征确定登录设备的用户类型；策略执行模块，配置为响应于目标账号的账号类型为异常账号、且登录设备的用户类型是未成年人，确定目标账号是未成年人的租用账号；策略执行模块，还配置为针对目标应用程序执行未成年限制策略。

在一些实施例中，登录数据的字段类型包括：目标账号的登录时间、登录设备以及登录地址；类型识别模块4552，还配置为执行以下处理至少之一：对登录数据的每个字段类型的数据进行特征提取处理，得到每个字段类型对应的子特征，将每个子特征组合为目标账号的登录行为特征；基于登录数据确定目标账号关联的登录设备，从目标账号关联的登录设备的应用程序安装数据中，提取目标账号的登录行为特征。

在一些实施例中，子特征的类型包括：时间特征、地址特征以及登录特征；类型识别模块4552，还配置为基于目标账号的登录时间确定目标账号每次登录的登录时长，将每次登录的登录时长组合为序列形式的时间特征；将当前设备每次登录的登录地址组合为序列形式的地址特征；将当前设备每次登录的登录设备组合为序列形式的登录特征；将地址特征、登录特征以及时间特征组合为目标账号的登录行为特征。

在一些实施例中，类型识别模块4552，还配置为基于登录行为特征确定目标账号的跳变指标，其中，跳变指标用于表征目标账号的登录时间、登录设备以及登录地址的变化频次；响应于跳变指标大于跳变指标阈值，确定目标账号的类型为异常账号；响应于跳变指标小于跳变指标阈值，确定目标账号的类型为正常账号。

在一些实施例中，类型识别模块4552，还配置为基于地址特征中相邻的登录地址之间的差异，确定地址特征对应的跳变频次，其中，相邻的登录地址不同记为一次跳变；基于登录特征中相邻的登录设备之间的差异，确定登录特征对应的跳变频次，其中，相邻的登录设备不同记为一次跳变；将时间特征中的每个登录时长与登录时长阈值进行比较，基于比较结果确定时间特征对应的跳变频次，其中，时间特征对应的跳变频次是小于登录时长阈值的登录时长的数量；对登录行为特征中每个维度的子特征的跳变频次进行加权计算处理，得到目标账号的跳变指标。

在一些实施例中，登录数据的字段类型包括：目标账号的登录时间、登录设备标识以及登录地址；登录行为特征包括：登录设备数量、登录地址数量、登录设备的已安装应用程序的类型；类型识别模块4552，还配置为基于登录数据统计目标账号的登录设备的数量、以及登录地址的数量；从应用程序安装数据中提取每个已安装应用程序的类型。

在一些实施例中，类型识别模块4552，还配置为当登录行为特征满足账号异常条件时，确定目标账号的类型为异常账号；当登录行为特征不满足账号异常条件时，确定目标账号的类型为正常账号；其中，账号异常条件包括以下至少一项：目标账号的至少一个登录设备的已安装应用程序的类型为异常应用程序；目标账号的登录地址或者登录设备的数量大于数量阈值。

在一些实施例中，类型识别模块4552，还配置为对已安装应用程序的特征数据进行特征提取处理，得到登录设备的设备特征；基于设备特征调用极端梯度提升模型进行类型预测处理，得到登录设备的类型概率；响应于类型概率大于或者等于概率阈值，确定登录设备的用户类型是未成年人；响应于类型概率小于概率阈值，确定登录设备的用户类型是成年人。

在一些实施例中，特征数据包括：应用程序的安装时间、应用程序标识、应用程序类型；类型识别模块4552，还配置为获取每个已安装应用程序的目标群体指数；对每个已安装应用程序进行分组处理，得到多个应用程序组；针对每个应用程序组执行以下处理：将每个已安装应用程序的目标群体指数的平均值，作为应用程序组的目标群体指数；将每个应用程序组的目标群体指数进行组合为目标群体指数序列，将目标群体指数序列作为设备特征。

在一些实施例中，类型识别模块4552，还配置为通过以下任意一种方式对每个已安装应用程序进行分组处理：基于每个已安装应用程序的类型进行分组处理，得到多个应用程序组，其中，每个应用程序组中的应用程序的类型相同；对每个已安装应用程序的目标群体指数进行降序排序处理，得到降序排序列表，获取多个预设指数区间，基于多个预设指数区间对每个已安装应用程序进行分组处理，得到多个应用程序组，其中，每个应用程序组中的已安装应用程序属于同一个预设指数区间。

在一些实施例中，类型识别模块4552，还配置为在基于设备特征调用极端梯度提升模型进行类型预测处理，得到登录设备的类型概率之前，获取训练样本集合，其中，训练样本集合包括：样本登录设备的应用程序安装数据、样本登录设备的类型，样本登录设备的用户类型包括：未成年人、成年人；对样本登录设备的应用程序安装数据进行标注处理，得到标注后的应用程序安装数据，其中，未成年人的登录设备的标签为概率1，成年人的登录设备的标签为概率0；基于标注后的应用程序安装数据，对初始化的极端梯度提升模型进行训练处理，得到训练后的极端梯度提升模型。

在一些实施例中，登录数据的字段类型包括：目标账号每次登录的登录时间、登录设备标识以及登录地址；已安装应用程序的特征数据的字段类型包括：登录设备中安装的每个应用程序的安装时间、应用程序标识、应用程序类型；数据获取模块4551，还配置为在获取登录设备中的应用程序安装数据之后，将每段登录数据中存在字段缺失的登录数据删除；将每段应用程序安装数据中存在字段缺失的应用程序安装数据删除。

在一些实施例中，类型识别模块4552，还配置为在响应于目标账号的账号类型为异常账号、且登录设备的用户类型是未成年人，确定目标账号是未成年人的租用账号之前，获取登录设备的已安装应用程序的使用时间数据；对使用时间数据进行特征提取处理，得到使用时间特征；获取使用时间特征与样本时间特征之间的相似度，其中，样本时间特征是用户类型为未成年人的登录设备的使用时间特征；响应于相似度大于或者等于相似度阈值，确定登录设备的用户类型是未成年人；响应于相似度小于相似度阈值，确定登录设备的用户类型是成年人。

在一些实施例中，策略执行模块4553，还配置为在针对目标应用程序执行未成年限制策略之前，在目标应用程序中显示交互验证界面，其中，交互验证的类型包括：指纹验证、声纹验证、人脸识别以及验证码验证；响应于针对交互验证界面的交互操作，显示交互操作对应的验证结果；响应于验证结果为验证失败，转入执行针对目标应用程序执行未成年限制策略的处理。

在一些实施例中，策略执行模块4553，还配置为响应于目标应用程序满足限制条件，执行将目标账号从目标应用程序强制下线的操作，并停止运行目标应用程序；其中，限制条件包括以下至少一项：基于目标账号登录目标应用程序的登录时长达到时长阈值；当前时刻不属于目标应用程序的未成年人使用时间段。

在一些实施例中，策略执行模块4553，还配置为在响应于目标账号的账号类型为异常账号、且登录设备的用户类型是未成年人，确定目标账号是未成年人的租用账号之后，基于登录数据确定目标账号登录过的其他登录设备；将其他登录设备的用户类型标记为未成年人；获取当前的登录设备的账号登录记录；提取账号登录记录中除目标账号之外的其他账号，将其他账号的类型标记为异常账号；将标记后的每个异常账号其他账号、每个其他登录设备的数据存储至数据库。

本申请实施例提供了一种计算机程序产品，该计算机程序产品包括计算机程序或计算机可执行指令，该计算机程序或计算机可执行指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机可执行指令，处理器执行该计算机可执行指令，使得该电子设备执行本申请实施例上述的数据处理方法。

本申请实施例提供一种存储有计算机可执行指令的计算机可读存储介质，其中存储有计算机可执行指令或者计算机程序，当计算机可执行指令或者计算机程序被处理器执行时，将引起处理器执行本申请实施例提供的数据处理方法，例如，如图3A示出的数据处理方法。

在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。

在一些实施例中，计算机可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。

作为示例，计算机可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，HyperText Markup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。

作为示例，可执行指令可被部署为在一个电子设备上执行，或者在位于一个地点的多个电子设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个电子设备上执行。

综上所述，本申请实施例通过获取账号的登录数据以及账号所登录的设备的应用程序安装数据，基于登录数据分析账号的特征，确定账号的类型，基于应用程序安装数据分析设备的特征，确定使用设备的对象的类型，提升了确定使用设备的对象的准确性，针对未成年人的账号登录的应用程序实施限制策略，节约了电子设备的能耗，提升了账号安全性。

以上所述，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。

Claims (20)

1.一种数据处理方法，其特征在于，所述方法包括：

获取目标应用程序中的目标账号在登录设备中的登录数据；

获取所述登录设备中的应用程序安装数据，其中，所述应用程序安装数据包括：所述登录设备中已安装应用程序的特征数据；

对所述登录数据和所述应用程序安装数据至少之一进行特征提取处理，得到所述目标账号的登录行为特征，基于所述登录行为特征确定所述目标账号的账号类型；

对所述应用程序安装数据进行特征提取处理，得到所述登录设备的设备特征，基于所述设备特征确定所述登录设备的用户类型；

响应于所述目标账号的账号类型为异常账号、且所述登录设备的用户类型是未成年人，确定所述目标账号是未成年人的租用账号；

针对所述目标应用程序执行未成年限制策略。

2.根据权利要求1所述的方法，其特征在于，

所述登录数据的字段类型包括：所述目标账号的登录时间、登录设备以及登录地址；

所述对所述登录数据和所述应用程序安装数据至少之一进行特征提取处理，得到所述目标账号的登录行为特征，包括：

执行以下处理至少之一：

对所述登录数据的每个所述字段类型的数据进行特征提取处理，得到每个所述字段类型对应的子特征，将每个所述子特征组合为所述目标账号的登录行为特征；

基于所述登录数据确定所述目标账号关联的登录设备，从所述目标账号关联的登录设备的应用程序安装数据中，提取所述目标账号的登录行为特征。

3.根据权利要求2所述的方法，其特征在于，所述子特征的类型包括：时间特征、地址特征以及登录特征；

所述对所述登录数据的每个字段类型的数据进行特征提取处理，得到每个所述字段类型对应的子特征，将每个所述子特征组合为所述目标账号的登录行为特征，包括：

基于所述目标账号的登录时间确定所述目标账号每次登录的登录时长，将每次登录的登录时长组合为序列形式的时间特征；

将所述当前设备每次登录的登录地址组合为序列形式的地址特征；

将所述当前设备每次登录的登录设备组合为序列形式的登录特征；

将所述地址特征、所述登录特征以及所述时间特征组合为所述目标账号的登录行为特征。

4.根据权利要求3所述的方法，其特征在于，所述基于所述登录行为特征确定所述目标账号的账号类型，包括：

基于所述登录行为特征确定所述目标账号的跳变指标，其中，所述跳变指标用于表征所述目标账号的登录时间、登录设备以及登录地址的变化频次；

响应于所述跳变指标大于跳变指标阈值，确定所述目标账号的类型为异常账号；

响应于所述跳变指标小于跳变指标阈值，确定所述目标账号的类型为正常账号。

5.根据权利要求4所述的方法，其特征在于，所述基于所述登录行为特征确定所述目标账号的跳变指标，包括：

基于所述地址特征中相邻的登录地址之间的差异，确定所述地址特征对应的跳变频次，其中，相邻的登录地址不同记为一次跳变；

基于所述登录特征中相邻的登录设备之间的差异，确定所述登录特征对应的跳变频次，其中，相邻的登录设备不同记为一次跳变；

将所述时间特征中的每个登录时长与登录时长阈值进行比较，基于比较结果确定所述时间特征对应的跳变频次，其中，所述时间特征对应的跳变频次是小于所述登录时长阈值的登录时长的数量；

对所述登录行为特征中每个维度的子特征的跳变频次进行加权计算处理，得到所述目标账号的跳变指标。

6.根据权利要求2所述的方法，其特征在于，所述登录数据的字段类型包括：所述目标账号的登录时间、登录设备标识以及登录地址；所述登录行为特征包括：登录设备数量、登录地址数量、登录设备的已安装应用程序的类型；

所述从所述目标账号关联的登录设备的应用程序安装数据中，提取所述目标账号的登录行为特征，包括：

基于所述登录数据统计所述目标账号的登录设备的数量、以及登录地址的数量；

从所述应用程序安装数据中提取每个所述已安装应用程序的类型。

7.根据权利要求6所述的方法，其特征在于，所述基于所述登录行为特征确定所述目标账号的账号类型，包括：

当所述登录行为特征满足账号异常条件时，确定所述目标账号的类型为异常账号；

当所述登录行为特征不满足账号异常条件时，确定所述目标账号的类型为正常账号；

其中，所述账号异常条件包括以下至少一项：所述目标账号的至少一个登录设备的已安装应用程序的类型为异常应用程序；所述目标账号的登录地址或者登录设备的数量大于数量阈值。

8.根据权利要求1所述的方法，其特征在于，所述对所述应用程序安装数据进行特征提取处理，得到所述登录设备的设备特征，基于所述设备特征确定所述登录设备的用户类型，包括：

对已安装应用程序的特征数据进行特征提取处理，得到所述登录设备的设备特征；

基于所述设备特征调用极端梯度提升模型进行类型预测处理，得到所述登录设备的类型概率；

响应于所述类型概率大于或者等于概率阈值，确定所述登录设备的用户类型是未成年人；

响应于所述类型概率小于概率阈值，确定所述登录设备的用户类型是成年人。

9.根据权利要求8所述的方法，其特征在于，所述特征数据包括：应用程序的安装时间、应用程序标识、应用程序类型；

所述对已安装应用程序的特征数据进行特征提取处理，得到所述登录设备的设备特征，包括：

获取每个所述已安装应用程序的目标群体指数；

对每个所述已安装应用程序进行分组处理，得到多个应用程序组；

针对每个所述应用程序组执行以下处理：将每个所述已安装应用程序的目标群体指数的平均值，作为所述应用程序组的目标群体指数；

将每个所述应用程序组的目标群体指数进行组合为目标群体指数序列，将所述目标群体指数序列作为设备特征。

10.根据权利要求9所述的方法，其特征在于，所述对每个所述已安装应用程序进行分组处理，得到多个应用程序组，包括：

通过以下任意一种方式对每个所述已安装应用程序进行分组处理：

基于每个所述已安装应用程序的类型进行分组处理，得到多个所述应用程序组，其中，每个所述应用程序组中的应用程序的类型相同；

对每个所述已安装应用程序的目标群体指数进行降序排序处理，得到降序排序列表，获取多个预设指数区间，基于所述多个预设指数区间对每个所述已安装应用程序进行分组处理，得到多个所述应用程序组，其中，每个所述应用程序组中的已安装应用程序属于同一个预设指数区间。

11.根据权利要求8所述的方法，其特征在于，在所述基于所述设备特征调用极端梯度提升模型进行类型预测处理，得到所述登录设备的类型概率之前，所述方法还包括：

获取训练样本集合，其中，所述训练样本集合包括：样本登录设备的应用程序安装数据、样本登录设备的类型，所述样本登录设备的用户类型包括：未成年人、成年人；

对所述样本登录设备的应用程序安装数据进行标注处理，得到标注后的应用程序安装数据，其中，未成年人的登录设备的标签为概率1，成年人的登录设备的标签为概率0；

基于所述标注后的应用程序安装数据，对初始化的极端梯度提升模型进行训练处理，得到训练后的极端梯度提升模型。

12.根据权利要求1所述的方法，其特征在于，

所述登录数据的字段类型包括：所述目标账号每次登录的登录时间、登录设备标识以及登录地址；所述已安装应用程序的特征数据的字段类型包括：所述登录设备中安装的每个应用程序的安装时间、应用程序标识、应用程序类型；

在所述获取所述登录设备中的应用程序安装数据之后，所述方法还包括：

将每段所述登录数据中存在字段缺失的登录数据删除；

将每段所述应用程序安装数据中存在字段缺失的应用程序安装数据删除。

13.根据权利要求1所述的方法，其特征在于，在所述响应于所述目标账号的账号类型为异常账号、且所述登录设备的用户类型是未成年人，确定所述目标账号是未成年人的租用账号之前，所述方法还包括：

获取所述登录设备的已安装应用程序的使用时间数据；

对所述使用时间数据进行特征提取处理，得到使用时间特征；

获取所述使用时间特征与样本时间特征之间的相似度，其中，所述样本时间特征是用户类型为未成年人的登录设备的使用时间特征；

响应于所述相似度大于或者等于相似度阈值，确定所述登录设备的用户类型是未成年人；

响应于所述相似度小于所述相似度阈值，确定所述登录设备的用户类型是成年人。

14.根据权利要求1所述的方法，其特征在于，在所述针对所述目标应用程序执行未成年限制策略之前，所述方法还包括：

在所述目标应用程序中显示交互验证界面，其中，交互验证的类型包括：指纹验证、声纹验证、人脸识别以及验证码验证；

响应于针对所述交互验证界面的交互操作，显示所述交互操作对应的验证结果；

响应于所述验证结果为验证失败，转入执行所述针对所述目标应用程序执行未成年限制策略的处理。

15.根据权利要求1所述的方法，其特征在于，所述针对所述目标应用程序执行未成年限制策略，包括：

响应于所述目标应用程序满足限制条件，执行将所述目标账号从所述目标应用程序强制下线的操作，并停止运行所述目标应用程序；

其中，所述限制条件包括以下至少一项：基于所述目标账号登录所述目标应用程序的登录时长达到时长阈值；当前时刻不属于所述目标应用程序的未成年人使用时间段。

16.根据权利要求1所述的方法，其特征在于，在所述响应于所述目标账号的账号类型为异常账号、且所述登录设备的用户类型是未成年人，确定所述目标账号是未成年人的租用账号之后，所述方法还包括：

基于所述登录数据确定所述目标账号登录过的其他登录设备；

将所述其他登录设备的用户类型标记为未成年人；

获取当前的登录设备的账号登录记录；

提取所述账号登录记录中除所述目标账号之外的其他账号，将所述其他账号的类型标记为异常账号；

将标记后的每个所述异常账号其他账号、每个所述其他登录设备的数据存储至数据库。

17.一种数据处理装置，其特征在于，所述装置包括：

数据获取模块，配置为获取目标应用程序中的目标账号在登录设备中的登录数据；

所述数据获取模块，还配置为获取所述登录设备中的应用程序安装数据，其中，所述应用程序安装数据包括：所述登录设备中已安装应用程序的特征数据；

类型识别模块，配置为对所述登录数据和所述应用程序安装数据至少之一进行特征提取处理，得到所述目标账号的登录行为特征，基于所述登录行为特征确定所述目标账号的账号类型；

所述类型识别模块，还配置为对所述应用程序安装数据进行特征提取处理，得到所述登录设备的设备特征，基于所述设备特征确定所述登录设备的用户类型；

策略执行模块，配置为响应于所述目标账号的账号类型为异常账号、且所述登录设备的用户类型是未成年人，确定所述目标账号是未成年人的租用账号；

所述策略执行模块，还配置为针对所述目标应用程序执行未成年限制策略。

18.一种电子设备，其特征在于，所述电子设备包括：

存储器，用于存储计算机可执行指令；

处理器，用于执行所述存储器中存储的计算机可执行指令或者计算机程序时，实现权利要求1至16任一项所述的数据处理方法。

19.一种计算机可读存储介质，存储有计算机可执行指令或者计算机程序，其特征在于，所述计算机可执行指令或者计算机程序被处理器执行时实现权利要求1至16任一项所述的方法。

20.一种计算机程序产品，包括计算机可执行指令或计算机程序，其特征在于，所述计算机可执行指令或计算机程序被处理器执行时实现权利要求1至16任一项所述的方法。

Images