CN116342964A - 针对于电子商务平台的图片宣传的风控系统及其方法 - Google Patents

针对于电子商务平台的图片宣传的风控系统及其方法 Download PDF

Info

Publication number
CN116342964A
CN116342964A CN202310586601.4A CN202310586601A CN116342964A CN 116342964 A CN116342964 A CN 116342964A CN 202310586601 A CN202310586601 A CN 202310586601A CN 116342964 A CN116342964 A CN 116342964A
Authority
CN
China
Prior art keywords
feature
classification
picture
vectors
feature matrix
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.)
Granted
Application number
CN202310586601.4A
Other languages
English (en)
Other versions
CN116342964B (zh
Inventor
王玉海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Youpeng Network Technology Co ltd
Original Assignee
Hangzhou Youpeng Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Youpeng Network Technology Co ltd filed Critical Hangzhou Youpeng Network Technology Co ltd
Priority to CN202310586601.4A priority Critical patent/CN116342964B/zh
Publication of CN116342964A publication Critical patent/CN116342964A/zh
Application granted granted Critical
Publication of CN116342964B publication Critical patent/CN116342964B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及风险检测领域，其具体地公开了一种针对于电子商务平台的图片宣传的风控系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出宣传图片中的高维隐含特征以此来进行分类，这样，能够准确地检测出图片中是否存在造假、低俗、含有二维码和广告等问题，进而准确地进行宣传图片的风险检测评估，保证平台宣传图片的质量和合法性，优化电子商务平台的图片宣传。

Description

针对于电子商务平台的图片宣传的风控系统及其方法
技术领域
本申请涉及风险检测领域，且更为具体地，涉及一种针对于电子商务平台的图片宣传的风控系统及其方法。
背景技术
电子商务平台上的图片宣传是吸引用户眼球和促进商品销售的重要手段。随着电子商务平台的不断发展，越来越多的商家开始在平台上宣传他们的产品和服务。然而，随着宣传图片数量的增加，往往伴随着图片造假、低俗、含有二维码和广告等问题。这些问题不仅会损害消费者的利益，还会对平台的声誉造成影响。但是，目前的图片审核主要基于人工审核，存在成本高、效率低、无法实时检测等问题。
因此，期望一种优化的针对于电子商务平台的图片宣传的风控系统，以保证平台宣传图片的质量和合法性。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种针对于电子商务平台的图片宣传的风控系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出宣传图片中的高维隐含特征以此来进行分类，这样，能够准确地检测出图片中是否存在造假、低俗、含有二维码和广告等问题，进而准确地进行宣传图片的风险检测评估，保证平台宣传图片的质量和合法性，优化电子商务平台的图片宣传。
根据本申请的一个方面，提供了一种针对于电子商务平台的图片宣传的风控系统，其包括：宣传图片采集模块，用于获取宣传图片；图片预处理模块，用于对所述宣传图片进行图像预处理以得到预处理后宣传图片；图像分块模块，用于对所述预处理后宣传图片进行图像分块处理以得到图像块的序列；图像语义关联模块，用于将所述图像块的序列通过包含嵌入层的ViT模型以得到多个上下文图像块语义理解特征向量；空间特征增强模块，用于将所述多个上下文图像块语义理解特征向量排列为二维特征矩阵后通过空间注意力模块以得到分类特征矩阵；特征优化模块，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及风险预警模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示宣传图片的风险等级是否超过预定阈值。
在上述针对于电子商务平台的图片宣传的风控系统中，所述图像语义关联模块，包括：图像块嵌入单元，用于将所述图像块的序列输入所述包含嵌入层的ViT模型的图像块嵌入层以得到图像块嵌入向量的序列；上下文语义编码单元，用于将所述图像块嵌入向量的序列通过所述包含嵌入层的ViT模型的ViT模块以得到多个图像块上下文语义关联特征向量；以及，级联单元，用于将所述多个图像块上下文语义关联特征向量进行级联以得到所述多个上下文图像块语义理解特征向量。
在上述针对于电子商务平台的图片宣传的风控系统中，所述上下文语义编码单元，包括：查询向量构造子单元，用于将所述图像块嵌入向量的序列进行一维排列以得到全局图像块特征向量；自注意子单元，用于计算所述全局图像块特征向量与所述图像块嵌入向量的序列中各个图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述图像块嵌入向量的序列中各个图像块嵌入向量进行加权以得到所述多个上下文语义图像块特征向量；以及，级联子单元，用于将所述多个上下文语义图像块特征向量进行级联以得到所述多个图像块上下文语义关联特征向量。
在上述针对于电子商务平台的图片宣传的风控系统中，所述空间特征增强模块，用于：将所述二维特征矩阵通过所述空间注意力模块以得到权重得分矩阵；将所述权重得分矩阵输入Softmax激活函数以得到空间注意力权重特征矩阵；以及，计算所述空间注意力权重特征矩阵和所述二维特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
在上述针对于电子商务平台的图片宣传的风控系统中，所述特征优化模块，包括：优化因数计算单元，用于计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及，加权优化单元，用于以所述多个位置信息图式注意力响应因数作为加权系数对所述分类特征矩阵的各个位置特征值进行加权优化以得到所述优化分类特征矩阵。
在上述针对于电子商务平台的图片宣传的风控系统中，所述优化因数计算单元，用于：以如下优化公式计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到所述多个位置信息图式注意力响应因数；其中，所述优化公式为：
Figure SMS_3
，其中，/>
Figure SMS_9
是所述分类特征矩阵中各个位置特征值，/>
Figure SMS_10
为所述分类特征矩阵的各个位置特征值的坐标，且/>
Figure SMS_2
是所述分类特征矩阵的所有特征值的全局均值，/>
Figure SMS_5
和/>
Figure SMS_6
代表将二维实数映射为一维实数的函数，/>
Figure SMS_8
和/>
Figure SMS_1
分别是所述分类特征矩阵的宽度和高度，/>
Figure SMS_4
表示以2为底的对数函数值， />
Figure SMS_7
表示所述多个位置信息图式注意力响应因数中的各个位置信息图式注意力响应因数。
在上述针对于电子商务平台的图片宣传的风控系统中，所述风险预警模块，包括：展开单元，用于将所述优化分类特征矩阵基于行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种针对于电子商务平台的图片宣传的风控方法，其包括：获取宣传图片；对所述宣传图片进行图像预处理以得到预处理后宣传图片；对所述预处理后宣传图片进行图像分块处理以得到图像块的序列；将所述图像块的序列通过包含嵌入层的ViT模型以得到多个上下文图像块语义理解特征向量；将所述多个上下文图像块语义理解特征向量排列为二维特征矩阵后通过空间注意力模块以得到分类特征矩阵；对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示宣传图片的风险等级是否超过预定阈值。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的针对于电子商务平台的图片宣传的风控方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的针对于电子商务平台的图片宣传的风控方法。
与现有技术相比，本申请提供的一种针对于电子商务平台的图片宣传的风控系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出宣传图片中的高维隐含特征以此来进行分类，这样，能够准确地检测出图片中是否存在造假、低俗、含有二维码和广告等问题，进而准确地进行宣传图片的风险检测评估，保证平台宣传图片的质量和合法性，优化电子商务平台的图片宣传。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的针对于电子商务平台的图片宣传的风控系统的框图。
图2为根据本申请实施例的针对于电子商务平台的图片宣传的风控系统的系统架构图。
图3为根据本申请实施例的针对于电子商务平台的图片宣传的风控系统中图像语义关联模块的框图。
图4为根据本申请实施例的针对于电子商务平台的图片宣传的风控系统中特征优化模块的框图。
图5为根据本申请实施例的针对于电子商务平台的图片宣传的风控系统中风险预警模块的框图。
图6为根据本申请实施例的针对于电子商务平台的图片宣传的风控方法的流程图。
图7为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述：如上所述，随着宣传图片数量的增加，往往伴随着图片造假、低俗、含有二维码和广告等问题。这些问题不仅会损害消费者的利益，还会对平台的声誉造成影响。但是，目前的图片审核主要基于人工审核，存在成本高、效率低、无法实时检测等问题。因此，期望一种优化的针对于电子商务平台的图片宣传的风控系统，以保证平台宣传图片的质量和合法性。
相应地，考虑到在实际进行电子商务平台的图片宣传时，为了能够进行图片风控，以保证电子商务平台宣传图片的质量，需要对于宣传图片进行特征捕捉和分析来进行图片风险检测评估。但是，由于所述宣传图片中存在有大量的信息量，而关于一些图片造假、低俗、含有二维码和广告等问题信息在图片中可能为小尺度的隐藏特征信息，难以进行充分地捕捉刻画，导致对于宣传图片风险评估的能力较差。因此，在实际进行电子商务平台的宣传图片风险评估时，关键在于如何进行所述宣传图片的隐含特征的充分表达，以此来准确地检测出图片中是否存在造假、低俗、含有二维码和广告等问题，进而准确地进行宣传图片的风险检测评估，保证平台宣传图片的质量和合法性，优化电子商务平台的图片宣传。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述宣传图片的隐含特征信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取宣传图片。应可以理解，由于采集的所述宣传图片往往存在一些问题，例如噪声、失真、光照不均衡等，这些问题会影响后续对于图像的语义理解，进而影响对于宣传图片的检测预警。因此，在本申请的技术方案中，在特征提取前需要对所述宣传图片进行图像预处理以得到预处理后宣传图片。特别地，这里，通过图像预处理可以有效地消除所述宣传图片中存在的问题，使得所述宣传图片更加清晰和准确，此外，在预处理过程中还可以对图像进行裁剪、缩放等操作，以适应不同场景下的图片审核需求，为后续的图像处理和特征提取提供良好的基础。
进一步地，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述预处理后宣传图片的特征挖掘，但是由于卷积运算的固有局限性，纯CNN的方法很难学习明确的全局和远程语义信息交互。并且，还考虑到由于所述预处理后宣传图片中关于图片的内容风险和质量隐含特征为小尺度的细微特征，难以进行捕捉提取。因此，为了能够提高所述宣传图片的内容风险和质量隐含小尺度的细微特征的表达能力，以此来提高所述宣传图片的风险检测评估的精准度，在本申请的技术方案中，对所述预处理后宣传图片进行图像分块处理以得到图像块的序列后，将所述图像块的序列通过包含嵌入层的ViT模型中进行编码，以提取出所述预处理后宣传图片中关于图片的内容风险和质量的隐含上下文语义关联特征分布信息，从而得到多个上下文图像块语义理解特征向量。
更具体地，应可以理解，在对于所述预处理后宣传图片进行图像分块处理后的图像块的序列的各个图像块中关于图片的内容风险和质量的隐含小尺度特征不再是小尺度的特征信息，有利于后续进行图片内容风险的检测。特别地，这里，所述嵌入层通过可学习嵌入矩阵将所述各个图像块线性投影为一维嵌入向量。嵌入化的实现过程是先分别将各个所述图像块中所有像素位置的像素值排列为一维向量，然后使用全连接层对该一维向量进行全连接编码以实现嵌入化。并且，这里，所述ViT模型可以像Transformer一样直接通过自注意机制处理所述各个图像块，以此来分别提取出所述各个图像块中基于所述预处理后宣传图片整体的关于所述宣传图片的内容风险和质量隐含上下文语义关联特征信息。
进一步地，还考虑到针对所述宣传图片来说，为了对其进行风控评估需要考虑到所述宣传图片中包含的各种信息，如产品、文字、背景等，这些信息分布可能在不同的图像块中，并且它们之间可能存在一定的关联性。因此，在实际对电子商务平台的所述宣传图片进行风险评估时，需要将所述多个上下文图像块语义理解特征向量排列为二维特征矩阵，并通过空间注意力模块以得到分类特征矩阵。特别地，这里，通过将所述多个上下文图像块语义理解特征向量排列为所述二维特征矩阵，可以将不同图像块之间的关联性建立起来，从而更好地捕捉所述宣传图片中的整体信息和特点。同时，通过所述空间注意力模块可以自适应地学习不同区域的重要性，进而得到分类特征矩阵。这种方法能够有效地利用图像中的局部和全局信息，提高分类准确率，从而更加准确地判断该宣传图片的风险等级是否超过预定阈值。
接着，进一步再将所述分类特征矩阵通过分类器中进行分类处理，以得到用于表示宣传图片的风险等级是否超过预定阈值的分类结果。也就是，在本申请的技术方案中，所述分类器的标签包括宣传图片的风险等级超过预定阈值(第一标签)，以及，宣传图片的风险等级没有超过预定阈值(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征最终属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“宣传图片的风险等级是否超过预定阈值”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2 之和为一。因此，宣传图片的风险等级是否超过预定阈值的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“宣传图片的风险等级是否超过预定阈值”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为宣传图片的风险等级是否超过预定阈值的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来检测出图片中是否存在造假、低俗、含有二维码和广告等问题，进而准确地进行宣传图片的风险检测评估。
特别地，在本申请的技术方案中，将所述图像块的序列通过包含嵌入层的ViT模型后，所得到的多个上下文图像块语义理解特征向量中的每个上下文图像块语义理解特征向量表达单个图像分块相对于全局图像特征语义的向量级全局上下文关联特征语义，因此，通过将所述多个上下文图像块语义理解特征向量排列为二维特征矩阵后通过空间注意力模块，可以进一步提取所述多个上下文图像块语义理解特征向量之间的空间强化的局部关联图像语义，也就是，关注了图像分块的某些局部的图像语义特征之间的关联，从而提升了对图像特征的表达效果。
相应地，由于在所述分类特征矩阵中强化了某些局部空间特征分布，因此所述分类特征矩阵的各个位置的特征值都具有相应的位置属性。但是，在将所述分类特征矩阵通过分类器进行分类时，需要将所述分类特征矩阵展开为特征向量，也就是，涉及到所述分类特征矩阵的特征值的基于位置属性的重新排列变换，因此为了提升所述分类特征矩阵的各个特征值在排列变换时的特征位置信息表达效果，计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数，具体表示为：
Figure SMS_11
，/>
Figure SMS_12
代表将二维实数映射为一维实数的函数，例如，实现为非线性激活函数激活加权和加偏置的表示，/>
Figure SMS_13
和/>
Figure SMS_14
分别是所述分类特征矩阵的宽度和高度，/>
Figure SMS_15
为所述分类特征矩阵的各个特征值/>
Figure SMS_16
的坐标，例如，可以特征矩阵的任意顶点作为坐标原点，且/>
Figure SMS_17
是所述分类特征矩阵的所有特征值的全局均值。
这里，所述位置信息图式注意力响应因数通过建模像素值相对于整体特征分布的高维空间位置的相对几何方向和相对几何距离的图式信息表示，在实现特征值相对于整体特征分布的按位置聚合的同时捕获所述分类特征矩阵的高维特征分布的特征流形的整体形状权重，从而使得所述分类特征矩阵的流形形状高度响应于各个子流形的形状信息，以获得高维特征流形的排列不变性性质。因此，通过以此所述位置信息图式注意力响应因数对所述分类特征矩阵的各个特征值进行加权，就可以提升所述分类特征矩阵的各个特征值在排列变换时对所述分类特征矩阵的特征值的位置信息表达效果，从而提升所述分类特征矩阵通过分类器得到的分类结果的准确性。这样，能够准确地检测出图片中是否存在造假、低俗、含有二维码和广告等问题，进而准确地进行宣传图片的风险检测评估，以保证平台宣传图片的质量和合法性，优化电子商务平台的图片宣传。
基于此，本申请提出了一种针对于电子商务平台的图片宣传的风控系统，其包括：宣传图片采集模块，用于获取宣传图片；图片预处理模块，用于对所述宣传图片进行图像预处理以得到预处理后宣传图片；图像分块模块，用于对所述预处理后宣传图片进行图像分块处理以得到图像块的序列；图像语义关联模块，用于将所述图像块的序列通过包含嵌入层的ViT模型以得到多个上下文图像块语义理解特征向量；空间特征增强模块，用于将所述多个上下文图像块语义理解特征向量排列为二维特征矩阵后通过空间注意力模块以得到分类特征矩阵；特征优化模块，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，风险预警模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示宣传图片的风险等级是否超过预定阈值。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统：图1为根据本申请实施例的针对于电子商务平台的图片宣传的风控系统的框图。如图1所示，根据本申请实施例的针对于电子商务平台的图片宣传的风控系统300，包括：宣传图片采集模块310；图片预处理模块320；图像分块模块330；图像语义关联模块340；空间特征增强模块350；特征优化模块360；以及，风险预警模块370。
其中，所述宣传图片采集模块310，用于获取宣传图片；所述图片预处理模块320，用于对所述宣传图片进行图像预处理以得到预处理后宣传图片；所述图像分块模块330，用于对所述预处理后宣传图片进行图像分块处理以得到图像块的序列；所述图像语义关联模块340，用于将所述图像块的序列通过包含嵌入层的ViT模型以得到多个上下文图像块语义理解特征向量；所述空间特征增强模块350，用于将所述多个上下文图像块语义理解特征向量排列为二维特征矩阵后通过空间注意力模块以得到分类特征矩阵；所述特征优化模块360，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，所述风险预警模块370，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示宣传图片的风险等级是否超过预定阈值。
图2为根据本申请实施例的针对于电子商务平台的图片宣传的风控系统的系统架构图。如图2所示，在该网络架构中，首先通过所述宣传图片采集模块310获取宣传图片；接着，所述图片预处理模块320对所述宣传图片采集模块310获取的宣传图片进行图像预处理以得到预处理后宣传图片；所述图像分块模块330对所述图片预处理模块320得到的预处理后宣传图片进行图像分块处理以得到图像块的序列；所述图像语义关联模块340将所述图像分块模块330得到的图像块的序列通过包含嵌入层的ViT模型以得到多个上下文图像块语义理解特征向量；然后，所述空间特征增强模块350将所述图像语义关联模块340得到的多个上下文图像块语义理解特征向量排列为二维特征矩阵后通过空间注意力模块以得到分类特征矩阵；所述特征优化模块360对所述空间特征增强模块350得到的分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；进而，所述风险预警模块370将所述特征优化模块360得到的优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示宣传图片的风险等级是否超过预定阈值。
具体地，在所述针对于电子商务平台的图片宣传的风控系统300的运行过程中，所述宣传图片采集模块310，用于获取宣传图片。应可以理解，在实际进行电子商务平台的宣传图片时，需要对图片进行风险检测评估以保证电子商务平台宣传图片的质量，对此，可通过对宣传图片进行特征分析，这样，能够准确地检测出图片中是否存在造假、低俗、含有二维码和广告等问题。在一个具体示例中，首先，通过摄像头来获取宣传图片。
具体地，在所述针对于电子商务平台的图片宣传的风控系统300的运行过程中，所述图片预处理模块320，用于对所述宣传图片进行图像预处理以得到预处理后宣传图片。应可以理解，由于采集的所述宣传图片往往存在一些问题，例如噪声、失真、光照不均衡等，这些问题会影响后续对于图像的语义理解，进而影响对于宣传图片的检测预警。因此，在本申请的技术方案中，在特征提取前需要对所述宣传图片进行图像预处理以得到预处理后宣传图片。特别地，这里，通过图像预处理可以有效地消除所述宣传图片中存在的问题，使得所述宣传图片更加清晰和准确，此外，在预处理过程中还可以对图像进行裁剪、缩放等操作，以适应不同场景下的图片审核需求，为后续的图像处理和特征提取提供良好的基础。
具体地，在所述针对于电子商务平台的图片宣传的风控系统300的运行过程中，所述图像分块模块330和所述图像语义关联模块340，用于对所述预处理后宣传图片进行图像分块处理以得到图像块的序列；以及，将所述图像块的序列通过包含嵌入层的ViT模型以得到多个上下文图像块语义理解特征向量。在本申请的技术方案中，为了能够提高所述宣传图片的内容风险和质量隐含小尺度的细微特征的表达能力，以此来提高所述宣传图片的风险检测评估的精准度，在本申请的技术方案中，对所述预处理后宣传图片进行图像分块处理以得到图像块的序列后，将所述图像块的序列通过包含嵌入层的ViT模型中进行编码，以提取出所述预处理后宣传图片中关于图片的内容风险和质量的隐含上下文语义关联特征分布信息，从而得到多个上下文图像块语义理解特征向量。在一个具体示例中，在对于所述预处理后宣传图片进行图像分块处理后的图像块的序列的各个图像块中关于图片的内容风险和质量的隐含小尺度特征不再是小尺度的特征信息，有利于后续进行图片内容风险的检测。特别地，这里，所述嵌入层通过可学习嵌入矩阵将所述各个图像块线性投影为一维嵌入向量。嵌入化的实现过程是先分别将各个所述图像块中所有像素位置的像素值排列为一维向量，然后使用全连接层对该一维向量进行全连接编码以实现嵌入化。并且，这里，所述ViT模型可以像Transformer一样直接通过自注意机制处理所述各个图像块，以此来分别提取出所述各个图像块中基于所述预处理后宣传图片整体的关于所述宣传图片的内容风险和质量隐含上下文语义关联特征信息。
图3为根据本申请实施例的针对于电子商务平台的图片宣传的风控系统中图像语义关联模块的框图。如图3所示，所述图像语义关联模块340，包括：图像块嵌入单元341，用于将所述图像块的序列输入所述包含嵌入层的ViT模型的图像块嵌入层以得到图像块嵌入向量的序列；上下文语义编码单元342，用于将所述图像块嵌入向量的序列通过所述包含嵌入层的ViT模型的ViT模块以得到多个图像块上下文语义关联特征向量；以及，级联单元343，用于将所述多个图像块上下文语义关联特征向量进行级联以得到所述多个上下文图像块语义理解特征向量。其中，所述上下文语义编码单元342，包括：查询向量构造子单元，用于将所述图像块嵌入向量的序列进行一维排列以得到全局图像块特征向量；自注意子单元，用于计算所述全局图像块特征向量与所述图像块嵌入向量的序列中各个图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述图像块嵌入向量的序列中各个图像块嵌入向量进行加权以得到所述多个上下文语义图像块特征向量；以及，级联子单元，用于将所述多个上下文语义图像块特征向量进行级联以得到所述多个图像块上下文语义关联特征向量。
具体地，在所述针对于电子商务平台的图片宣传的风控系统300的运行过程中，所述空间特征增强模块350，用于将所述多个上下文图像块语义理解特征向量排列为二维特征矩阵后通过空间注意力模块以得到分类特征矩阵。在本申请的技术方案中，考虑到所述宣传图片的各图像块中包含的信息之间可能存在关联关系，因此，在实际对电子商务平台的所述宣传图片进行风险评估时，需要将所述多个上下文图像块语义理解特征向量排列为二维特征矩阵，并通过空间注意力模块以得到分类特征矩阵。特别地，这里，通过将所述多个上下文图像块语义理解特征向量排列为所述二维特征矩阵，可以将不同图像块之间的关联性建立起来，从而更好地捕捉所述宣传图片中的整体信息和特点。同时，通过所述空间注意力模块可以自适应地学习不同区域的重要性，进而得到分类特征矩阵。这种方法能够有效地利用图像中的局部和全局信息，提高分类准确率，从而更加准确地判断该宣传图片的风险等级是否超过预定阈值。更具体地，首先，将所述二维特征矩阵通过所述空间注意力模块以得到权重得分矩阵；接着，将所述权重得分矩阵输入Softmax激活函数以得到空间注意力权重特征矩阵；进而，计算所述空间注意力权重特征矩阵和所述二维特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
具体地，在所述针对于电子商务平台的图片宣传的风控系统300的运行过程中，所述特征优化模块360，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵。考虑到将所述图像块的序列通过包含嵌入层的ViT模型后，所得到的多个上下文图像块语义理解特征向量中的每个上下文图像块语义理解特征向量表达单个图像分块相对于全局图像特征语义的向量级全局上下文关联特征语义，因此，通过将所述多个上下文图像块语义理解特征向量排列为二维特征矩阵后通过空间注意力模块，可以进一步提取所述多个上下文图像块语义理解特征向量之间的空间强化的局部关联图像语义，也就是，关注了图像分块的某些局部的图像语义特征之间的关联，从而提升了对图像特征的表达效果。相应地，由于在所述分类特征矩阵中强化了某些局部空间特征分布，因此所述分类特征矩阵的各个位置的特征值都具有相应的位置属性。但是，在将所述分类特征矩阵通过分类器进行分类时，需要将所述分类特征矩阵展开为特征向量，也就是，涉及到所述分类特征矩阵的特征值的基于位置属性的重新排列变换，因此为了提升所述分类特征矩阵的各个特征值在排列变换时的特征位置信息表达效果，计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数，具体表示为：
Figure SMS_20
，其中，/>
Figure SMS_23
是所述分类特征矩阵中各个位置特征值，/>
Figure SMS_26
为所述分类特征矩阵的各个位置特征值的坐标，且/>
Figure SMS_19
是所述分类特征矩阵的所有特征值的全局均值，/>
Figure SMS_22
和/>
Figure SMS_25
代表将二维实数映射为一维实数的函数，/>
Figure SMS_27
和/>
Figure SMS_18
分别是所述分类特征矩阵的宽度和高度，
Figure SMS_21
表示以2为底的对数函数值， />
Figure SMS_24
表示所述多个位置信息图式注意力响应因数中的各个位置信息图式注意力响应因数。这里，所述位置信息图式注意力响应因数通过建模像素值相对于整体特征分布的高维空间位置的相对几何方向和相对几何距离的图式信息表示，在实现特征值相对于整体特征分布的按位置聚合的同时捕获所述分类特征矩阵的高维特征分布的特征流形的整体形状权重，从而使得所述分类特征矩阵的流形形状高度响应于各个子流形的形状信息，以获得高维特征流形的排列不变性性质。因此，通过以此所述位置信息图式注意力响应因数对所述分类特征矩阵的各个特征值进行加权，就可以提升所述分类特征矩阵的各个特征值在排列变换时对所述分类特征矩阵的特征值的位置信息表达效果，从而提升所述分类特征矩阵通过分类器得到的分类结果的准确性。这样，能够准确地检测出图片中是否存在造假、低俗、含有二维码和广告等问题，进而准确地进行宣传图片的风险检测评估，以保证平台宣传图片的质量和合法性，优化电子商务平台的图片宣传。
图4为根据本申请实施例的针对于电子商务平台的图片宣传的风控系统中特征优化模块的框图。如图4所示，所述特征优化模块360，包括：优化因数计算单元361，用于计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及，加权优化单元362，用于以所述多个位置信息图式注意力响应因数作为加权系数对所述分类特征矩阵的各个位置特征值进行加权优化以得到所述优化分类特征矩阵。
具体地，在所述针对于电子商务平台的图片宣传的风控系统300的运行过程中，所述风险预警模块370，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示宣传图片的风险等级是否超过预定阈值。也就是，在得到所述优化分类特征矩阵后进一步将其作为分类特征矩阵通过分类器进行分类以得到用于表示宣传图片的风险等级是否超过预定阈值的分类结果。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中，在所述分类器的分类处理中，首先将所述优化分类特征矩阵投影为向量，例如，在一个具体的示例中，将所述优化分类特征矩阵沿着行向量或者列向量进行展开为分类特征向量；然后，使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的Softmax层，即，使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。在一个具体示例中，所述分类器的标签包括宣传图片的风险等级超过预定阈值(第一标签)，以及，宣传图片的风险等级没有超过预定阈值(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征最终属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“宣传图片的风险等级是否超过预定阈值”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2 之和为一。因此，宣传图片的风险等级是否超过预定阈值的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“宣传图片的风险等级是否超过预定阈值”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为宣传图片的风险等级是否超过预定阈值的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来检测出图片中是否存在造假、低俗、含有二维码和广告等问题，进而准确地进行宣传图片的风险检测评估。
图5为根据本申请实施例的针对于电子商务平台的图片宣传的风控系统中风险预警模块的框图。如图5所示，所述风险预警模块370，包括：展开单元371，用于将所述优化分类特征矩阵基于行向量或列向量展开为分类特征向量；全连接编码单元372，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元373，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的针对于电子商务平台的图片宣传的风控系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出宣传图片中的高维隐含特征以此来进行分类，这样，能够准确地检测出图片中是否存在造假、低俗、含有二维码和广告等问题，进而准确地进行宣传图片的风险检测评估，保证平台宣传图片的质量和合法性，优化电子商务平台的图片宣传。
如上所述，根据本申请实施例的针对于电子商务平台的图片宣传的风控系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的针对于电子商务平台的图片宣传的风控系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该针对于电子商务平台的图片宣传的风控系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该针对于电子商务平台的图片宣传的风控系统300同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该针对于电子商务平台的图片宣传的风控系统300与该终端设备也可以是分立的设备，并且该针对于电子商务平台的图片宣传的风控系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法：图6为根据本申请实施例的针对于电子商务平台的图片宣传的风控方法的流程图。如图6所示，根据本申请实施例的针对于电子商务平台的图片宣传的风控方法，包括步骤：S110，获取宣传图片；S120，对所述宣传图片进行图像预处理以得到预处理后宣传图片；S130，对所述预处理后宣传图片进行图像分块处理以得到图像块的序列；S140，将所述图像块的序列通过包含嵌入层的ViT模型以得到多个上下文图像块语义理解特征向量；S150，将所述多个上下文图像块语义理解特征向量排列为二维特征矩阵后通过空间注意力模块以得到分类特征矩阵；S160，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，S170，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示宣传图片的风险等级是否超过预定阈值。
在一个示例中，在上述针对于电子商务平台的图片宣传的风控方法中，所述步骤S140，包括：将所述图像块的序列输入所述包含嵌入层的ViT模型的图像块嵌入层以得到图像块嵌入向量的序列；将所述图像块嵌入向量的序列通过所述包含嵌入层的ViT模型的ViT模块以得到多个图像块上下文语义关联特征向量；以及，将所述多个图像块上下文语义关联特征向量进行级联以得到所述多个上下文图像块语义理解特征向量。其中，将所述图像块嵌入向量的序列通过所述包含嵌入层的ViT模型的ViT模块以得到多个图像块上下文语义关联特征向量，包括：计算所述全局图像块特征向量与所述图像块嵌入向量的序列中各个图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述图像块嵌入向量的序列中各个图像块嵌入向量进行加权以得到所述多个上下文语义图像块特征向量；以及，将所述多个上下文语义图像块特征向量进行级联以得到所述多个图像块上下文语义关联特征向量。
在一个示例中，在上述针对于电子商务平台的图片宣传的风控方法中，所述步骤S150，包括：将所述二维特征矩阵通过所述空间注意力模块以得到权重得分矩阵；将所述权重得分矩阵输入Softmax激活函数以得到空间注意力权重特征矩阵；以及，计算所述空间注意力权重特征矩阵和所述二维特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
在一个示例中，在上述针对于电子商务平台的图片宣传的风控方法中，所述步骤S160，包括：计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及，以所述多个位置信息图式注意力响应因数作为加权系数对所述分类特征矩阵的各个位置特征值进行加权优化以得到所述优化分类特征矩阵。其中，计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数，包括：以如下优化公式计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到所述多个位置信息图式注意力响应因数；其中，所述优化公式为：
Figure SMS_29
，其中，/>
Figure SMS_33
是所述分类特征矩阵中各个位置特征值，/>
Figure SMS_36
为所述分类特征矩阵的各个位置特征值的坐标，且/>
Figure SMS_30
是所述分类特征矩阵的所有特征值的全局均值，/>
Figure SMS_31
和/>
Figure SMS_35
代表将二维实数映射为一维实数的函数，/>
Figure SMS_37
和/>
Figure SMS_28
分别是所述分类特征矩阵的宽度和高度，
Figure SMS_32
表示以2为底的对数函数值， />
Figure SMS_34
表示所述多个位置信息图式注意力响应因数中的各个位置信息图式注意力响应因数。
在一个示例中，在上述针对于电子商务平台的图片宣传的风控方法中，所述步骤S170，包括：将所述优化分类特征矩阵基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的针对于电子商务平台的图片宣传的风控方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出宣传图片中的高维隐含特征以此来进行分类，这样，能够准确地检测出图片中是否存在造假、低俗、含有二维码和广告等问题，进而准确地进行宣传图片的风险检测评估，保证平台宣传图片的质量和合法性，优化电子商务平台的图片宣传。
示例性电子设备：下面，参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的针对于电子商务平台的图片宣传的风控系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如分类特征矩阵等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质：除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的针对于电子商务平台的图片宣传的风控方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的针对于电子商务平台的图片宣传的风控方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。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。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种针对于电子商务平台的图片宣传的风控系统，其特征在于，包括：宣传图片采集模块，用于获取宣传图片；图片预处理模块，用于对所述宣传图片进行图像预处理以得到预处理后宣传图片；图像分块模块，用于对所述预处理后宣传图片进行图像分块处理以得到图像块的序列；图像语义关联模块，用于将所述图像块的序列通过包含嵌入层的ViT模型以得到多个上下文图像块语义理解特征向量；空间特征增强模块，用于将所述多个上下文图像块语义理解特征向量排列为二维特征矩阵后通过空间注意力模块以得到分类特征矩阵；特征优化模块，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及风险预警模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示宣传图片的风险等级是否超过预定阈值。
2.根据权利要求1所述的针对于电子商务平台的图片宣传的风控系统，其特征在于，所述图像语义关联模块，包括：图像块嵌入单元，用于将所述图像块的序列输入所述包含嵌入层的ViT模型的图像块嵌入层以得到图像块嵌入向量的序列；上下文语义编码单元，用于将所述图像块嵌入向量的序列通过所述包含嵌入层的ViT模型的ViT模块以得到多个图像块上下文语义关联特征向量；以及级联单元，用于将所述多个图像块上下文语义关联特征向量进行级联以得到所述多个上下文图像块语义理解特征向量。
3.根据权利要求2所述的针对于电子商务平台的图片宣传的风控系统，其特征在于，所述上下文语义编码单元，包括：查询向量构造子单元，用于将所述图像块嵌入向量的序列进行一维排列以得到全局图像块特征向量；自注意子单元，用于计算所述全局图像块特征向量与所述图像块嵌入向量的序列中各个图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述图像块嵌入向量的序列中各个图像块嵌入向量进行加权以得到所述多个上下文语义图像块特征向量；以及级联子单元，用于将所述多个上下文语义图像块特征向量进行级联以得到所述多个图像块上下文语义关联特征向量。
4.根据权利要求3所述的针对于电子商务平台的图片宣传的风控系统，其特征在于，所述空间特征增强模块，用于：将所述二维特征矩阵通过所述空间注意力模块以得到权重得分矩阵；将所述权重得分矩阵输入Softmax激活函数以得到空间注意力权重特征矩阵；以及计算所述空间注意力权重特征矩阵和所述二维特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
5.根据权利要求4所述的针对于电子商务平台的图片宣传的风控系统，其特征在于，所述特征优化模块，包括：优化因数计算单元，用于计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及加权优化单元，用于以所述多个位置信息图式注意力响应因数作为加权系数对所述分类特征矩阵的各个位置特征值进行加权优化以得到所述优化分类特征矩阵。
6.根据权利要求5所述的针对于电子商务平台的图片宣传的风控系统，其特征在于，所述优化因数计算单元，用于：以如下优化公式计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到所述多个位置信息图式注意力响应因数；其中，所述优化公式为：
Figure QLYQS_2
，其中，/>
Figure QLYQS_6
是所述分类特征矩阵中各个位置特征值，/>
Figure QLYQS_7
为所述分类特征矩阵的各个位置特征值的坐标，且/>
Figure QLYQS_3
是所述分类特征矩阵的所有特征值的全局均值，/>
Figure QLYQS_5
和/>
Figure QLYQS_9
代表将二维实数映射为一维实数的函数，/>
Figure QLYQS_10
和/>
Figure QLYQS_1
分别是所述分类特征矩阵的宽度和高度，/>
Figure QLYQS_4
表示以2为底的对数函数值， />
Figure QLYQS_8
表示所述多个位置信息图式注意力响应因数中的各个位置信息图式注意力响应因数。
7.根据权利要求6所述的针对于电子商务平台的图片宣传的风控系统，其特征在于，所述风险预警模块，包括：展开单元，用于将所述优化分类特征矩阵基于行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
8.一种针对于电子商务平台的图片宣传的风控方法，其特征在于，包括：获取宣传图片；对所述宣传图片进行图像预处理以得到预处理后宣传图片；对所述预处理后宣传图片进行图像分块处理以得到图像块的序列；将所述图像块的序列通过包含嵌入层的ViT模型以得到多个上下文图像块语义理解特征向量；将所述多个上下文图像块语义理解特征向量排列为二维特征矩阵后通过空间注意力模块以得到分类特征矩阵；对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示宣传图片的风险等级是否超过预定阈值。
9.根据权利要求8所述的一种针对于电子商务平台的图片宣传的风控方法，其特征在于，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵，包括：以如下优化公式计算所述分类特征矩阵中各个位置特征值的位置信息图式注意力响应因数以得到所述多个位置信息图式注意力响应因数；其中，所述优化公式为：
Figure QLYQS_12
，其中，/>
Figure QLYQS_16
是所述分类特征矩阵中各个位置特征值，/>
Figure QLYQS_18
为所述分类特征矩阵的各个位置特征值的坐标，且/>
Figure QLYQS_13
是所述分类特征矩阵的所有特征值的全局均值，/>
Figure QLYQS_15
和/>
Figure QLYQS_19
代表将二维实数映射为一维实数的函数，/>
Figure QLYQS_20
和/>
Figure QLYQS_11
分别是所述分类特征矩阵的宽度和高度，/>
Figure QLYQS_14
表示以2为底的对数函数值， />
Figure QLYQS_17
表示所述多个位置信息图式注意力响应因数中的各个位置信息图式注意力响应因数。
10.根据权利要求9所述的一种针对于电子商务平台的图片宣传的风控方法，其特征在于，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示宣传图片的风险等级是否超过预定阈值，包括：将所述优化分类特征矩阵基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
CN202310586601.4A 2023-05-24 2023-05-24 针对于电子商务平台的图片宣传的风控系统及其方法 Active CN116342964B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310586601.4A CN116342964B (zh) 2023-05-24 2023-05-24 针对于电子商务平台的图片宣传的风控系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310586601.4A CN116342964B (zh) 2023-05-24 2023-05-24 针对于电子商务平台的图片宣传的风控系统及其方法

Publications (2)

Publication Number Publication Date
CN116342964A true CN116342964A (zh) 2023-06-27
CN116342964B CN116342964B (zh) 2023-08-01

Family

ID=86880699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310586601.4A Active CN116342964B (zh) 2023-05-24 2023-05-24 针对于电子商务平台的图片宣传的风控系统及其方法

Country Status (1)

Country Link
CN (1) CN116342964B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101607617B1 (ko) * 2015-01-14 2016-03-30 주식회사 펫츠뷰 관광지 홍보용 실시간 영상 제공 시스템
WO2021179570A1 (zh) * 2020-03-13 2021-09-16 平安科技（深圳）有限公司 序列标注方法、装置、计算机设备和存储介质
CN113552944A (zh) * 2021-07-20 2021-10-26 深圳市博乐信息技术有限公司 一种智慧宣传系统
CN114332639A (zh) * 2021-11-30 2022-04-12 中国人民解放军战略支援部队航天工程大学 一种非线性残差自注意力机制的卫星姿态视觉测量算法
KR20220130630A (ko) * 2021-09-29 2022-09-27 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 이미지 처리 방법, 안면 인식 모델 훈련 방법, 장치 및 기기
CN116089648A (zh) * 2023-04-10 2023-05-09 云南远信科技有限公司 基于人工智能的档案管理系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101607617B1 (ko) * 2015-01-14 2016-03-30 주식회사 펫츠뷰 관광지 홍보용 실시간 영상 제공 시스템
WO2021179570A1 (zh) * 2020-03-13 2021-09-16 平安科技（深圳）有限公司 序列标注方法、装置、计算机设备和存储介质
CN113552944A (zh) * 2021-07-20 2021-10-26 深圳市博乐信息技术有限公司 一种智慧宣传系统
KR20220130630A (ko) * 2021-09-29 2022-09-27 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 이미지 처리 방법, 안면 인식 모델 훈련 방법, 장치 및 기기
CN114332639A (zh) * 2021-11-30 2022-04-12 中国人民解放军战略支援部队航天工程大学 一种非线性残差自注意力机制的卫星姿态视觉测量算法
CN116089648A (zh) * 2023-04-10 2023-05-09 云南远信科技有限公司 基于人工智能的档案管理系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
叶艺勇;: "基于改进遗传算法的电子商务交易风险评估", 现代电子技术, no. 13 *
田世海;吕德丽;: "改进潜在语义分析和支持向量机算法用于突发安全事件舆情预警", 数据分析与知识发现, no. 02 *

Also Published As

Publication number Publication date
CN116342964B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
US10133921B2 (en) Methods and apparatus for capturing, processing, training, and detecting patterns using pattern recognition classifiers
CN108229341B (zh) 分类方法和装置、电子设备、计算机存储介质
US20220382553A1 (en) Fine-grained image recognition method and apparatus using graph structure represented high-order relation discovery
CN112395979B (zh) 基于图像的健康状态识别方法、装置、设备及存储介质
CN108960001A (zh) 训练用于人脸识别的图像处理装置的方法和装置
CN112164002B (zh) 人脸矫正模型的训练方法、装置、电子设备及存储介质
CN110175248B (zh) 一种基于深度学习和哈希编码的人脸图像检索方法和装置
CN113177133B (zh) 一种图像检索方法、装置、设备及存储介质
CN113887438B (zh) 人脸图像的水印检测方法、装置、设备及介质
CN105740808A (zh) 人脸识别方法和装置
CN116226785A (zh) 目标对象识别方法、多模态识别模型的训练方法和装置
CN116523583A (zh) 电子商务数据分析系统及其方法
CN116071147A (zh) 基于app埋点数据挖掘的金融欺诈识别方法及装置
CN114639109A (zh) 一种图像处理方法、装置、电子设备和存储介质
US20210117987A1 (en) Fraud estimation system, fraud estimation method and program
CN117058723B (zh) 掌纹识别方法、装置及存储介质
Mao et al. SC-YOLO: Provide Application-Level Recognition and Perception Capabilities for Smart City Industrial Cyber-Physical System
CN116342964B (zh) 针对于电子商务平台的图片宣传的风控系统及其方法
CN112926700A (zh) 针对目标图像的类别识别方法和装置
CN116774973A (zh) 数据渲染方法、装置、计算机设备及存储介质
CN114511741B (zh) 图像的识别方法、装置、设备、存储介质及程序产品
US20230065074A1 (en) Counterfeit object detection using image analysis
CN118119971A (zh) 使用神经网络确定人的身高的电子设备和方法
CN113888760A (zh) 基于软件应用的违规信息监控方法、装置、设备及介质
Han et al. A Two‐Branch Pedestrian Detection Method for Small and Blurred Target

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