CN117574266A - 用户身份验证方法、装置、设备、介质及产品 - Google Patents
用户身份验证方法、装置、设备、介质及产品 Download PDFInfo
- Publication number
- CN117574266A CN117574266A CN202311585676.7A CN202311585676A CN117574266A CN 117574266 A CN117574266 A CN 117574266A CN 202311585676 A CN202311585676 A CN 202311585676A CN 117574266 A CN117574266 A CN 117574266A
- Authority
- CN
- China
- Prior art keywords
- behavior
- user
- sample
- embedded
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012795 verification Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 155
- 230000006399 behavior Effects 0.000 claims description 367
- 230000003542 behavioural effect Effects 0.000 claims description 44
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 241000282326 Felis catus Species 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 101100412093 Schizosaccharomyces pombe (strain 972 / ATCC 24843) rec16 gene Proteins 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种用户身份验证方法、装置、设备、介质及产品,可以应用于信息技术领域。该方法包括:提取待处理样本中的所有行为数据的行为特征,按照所述行为特征的数据类型,确定所述行为特征的嵌入向量,基于所述所有行为数据的所述行为特征的嵌入向量,利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户,所述多层感知机模型用于确定所述待处理样本属于所述目标用户的概率,提升用户身份验证准确度。
Description
技术领域
本公开涉及身份验证技术领域,尤其涉及一种用户身份验证方法、装置、设备、介质及产品。
背景技术
现有的研究中,通常根据不同用户在不同数据的准确率不同给模型设定权重,通过最终的投票结果判断样本是否属于用户本身。虽然这种方法效率高,可扩展性强,但不同数据的投票权重难以确定,也不能考虑到不同数据预测结果之间的关联,准确度较差。
发明内容
鉴于上述问题,本公开提供了用户身份验证方法、装置、设备、介质和程序产品。
根据本公开的第一个方面,提供了一种用户身份验证方法,包括:
提取待处理样本中的所有行为数据的行为特征;
按照所述行为特征的数据类型,确定所述行为特征的嵌入向量;
基于所述所有行为数据的所述行为特征的嵌入向量,利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户,所述多层感知机模型用于确定所述待处理样本属于所述目标用户的概率。
在本公开一实施例中,所述行为特征的数据类型包括类别单值、类别多值、数值和向量中的至少之一,所述按照所述行为特征的数据类型,确定所述行为特征的嵌入向量包括:
对于所述数据类型为类别单值的行为特征,采用单值类别特征法确定所述行为特征的嵌入向量,所述单值类别特征法为将一个与所述行为特征的特征值唯一映射的向量确定为所述行为特征的嵌入向量;
对于所述数据类型为类别多值的行为特征,获取所述行为特征的所有类别类型特征,采用所述单值类别特征法确定每个所述类别类型特征的嵌入向量,将所述每个所述类别类型特征的嵌入向量的和确定所述行为特征的嵌入向量;
对于所述数据类型为数值的行为特征,获得所述行为特征的通用嵌入向量,然后将所述行为特征的取值乘以所述行为特征唯一对应的向量确定为所述行为特征的嵌入向量;
对于所述数据类型为向量的行为特征,通过向量模型确定所述行为特征的嵌入向量。
在本公开一实施例中,所述基于所述所有行为数据的所述行为特征的嵌入向量利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户包括:
将每个行为数据的所述行为特征的嵌入向量进行拼接,得到所述行为数据的嵌入表示;
根据所述待处理样本中所有所述行为数据的嵌入表示,利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户。
在本公开一实施例中,所述根据所述待处理样本中所有所述行为数据的嵌入表示利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户包括:
将行为类型相同的所有行为数据分类进行聚合,得到按照所述行为类型分类的行为数据集;
对每一所述行为数据集,基于所述行为数据集中所有行为数据的嵌入表示,确定在对应所述行为类型下所述待处理样本属于所述目标用户的概率;
根据在每个所述行为类型下所述目标用户属于预设类别的概率利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户。
在本公开一实施例中,所述基于所述行为数据集中所有行为数据的嵌入表示,确定在对应所述行为类型下所述待处理样本属于所述目标用户的概率包括:
基于所述行为数据集中所有行为数据的嵌入表示,确定所述行为数据集的整体表示;
将所述行为数据集的整体表示输入多层感知机模型的第一层,得到在对应所述行为类型下所述待处理样本属于所述目标用户的概率。
在本公开一实施例中,所述基于所述行为数据集中所有行为数据的嵌入表示,确定所述行为数据集的整体表示包括:
使用前向长短期记忆网络LSTM模型和后向LSTM模型分别对所述行为数据集中的行为数据的嵌入表示建模,得到所述行为数据的前向建模结果和后向建模结果;
将所述前向建模结果和所述后向建模结果进行拼接,得到所述行为数据集中所有所述行为数据的融合序列信息表示;
将所述行为数据集中所有所述行为数据的融合序列信息表示进行求和,得到所述行为数据集的整体表示。
在本公开一实施例中,所述方法还包括:
确定所述待处理样本中的所有用户特征的嵌入向量;
根据所述待处理样本中的所有用户特征的嵌入向量,以及,所述所有行为数据的所述行为特征的嵌入向量,利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户。
在本公开一实施例中,所述根据所述待处理样本中的所有用户特征的嵌入向量,以及,所述所有行为数据的所述行为特征的嵌入向量利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户包括:
根据所述待处理样本中的所有用户特征的嵌入向量,确定所述所有用户特征的用户特征表示,所述用户特征表示包括所述所有用户特征的整体表示、所有用户特征间的二阶组合信息、所述所有用户特征间的二阶权重组合信息中的至少之一;
基于所述行为数据集中所有行为数据的行为特征的嵌入向量,确定所述行为数据集的整体表示;
将所述用户特征表示与所述行为数据集的整体表示进行拼接,得到拼接结果;
将所述拼接结果输入多层感知机模型的第一层,得到在对应所述行为类型下所述待处理样本属于所述目标用户的概率。
在本公开一实施例中,所述方法包括:
将所述待处理样本中的所有用户特征的嵌入向量进行拼接,得到所述所有用户特征的整体表示;
将所述待处理样本中的所有用户特征的嵌入向量中任两个嵌入向量均进行元素积后求和,得到所述所有用户特征间的二阶组合信息;
将所述待处理样本中的所有用户特征分别乘以预设权重后进行拼接,得到所有用户特征间的二阶权重组合信息。
在本公开一实施例中,所述行为类型包括输入行为、搜索行为、APP使用行为以及语义行为中的至少之一;
所述语义行为的行为数据的行为特征的数据类型为向量类型。
本公开的第二方面提供了一种数据处理装置,包括:
特征提取模块,用于提取待处理样本中的所有行为数据的行为特征;
向量表示模块,用于按照所述行为特征的数据类型,确定所述行为特征的嵌入向量;
判别模块,用于基于所述所有行为数据的所述行为特征的嵌入向量利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户,所述多层感知机模型用于确定所述待处理样本属于所述目标用户的概率。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述方法。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的用户身份验证方法的应用场景图;
图2示意性示出了根据本公开实施例的用户身份验证方法的流程图;
图3A示意性示出了根据本公开实施例的嵌入向量表示的流程图;
图3B示意性示出了根据本公开实施例的嵌入向量表示的示意图;
图4示意性示出了根据本公开实施例的使用BERT模型获取语义行为的语义向量的示意图;
图5示意性示出了根据本公开实施例的用户身份验证方法的流程图;
图6示意性示出了根据本公开实施例的用户身份验证的示意图;
图7示意性示出了根据本公开实施例的用户用户身份验证方法的流程图;
图8示意性示出了根据本公开实施例的用户身份验证装置的结构框图;以及
图9示意性示出了根据本公开实施例的适于实现用户身份验证方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,对数据的获取、收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
用户在使用设备的过程中会产生多种行为数据,设备应当能够根据用户的各种行为判断用户身份,从而在使用设备的整个过程中,随着使用行为的产生,不断的验证用户身份,提供持续性的安全保障。另一方面,在某种行为数据下,两个人的行为表现可能比较相似,但在另外一种数据的视角下,这两个人的行为具有显著的差异性,综合多种数据验证用户身份能够提高主动验证的准确性。
本公开的实施例提供了一种用户身份验证方法,包括:提取待处理样本中的所有行为数据的行为特征,按照该行为特征的数据类型,确定该行为特征的嵌入向量,基于该所有行为数据的该行为特征的嵌入向量利用预先训练的多层感知机模型确定该待处理样本是否属于目标用户,该多层感知机模型用于确定该待处理样本属于该目标用户的概率。
图1示意性示出了根据本公开实施例的用户身份验证方法的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的用户身份验证方法一般可以由服务器105执行。相应地,本公开实施例所提供的数据处理装置一般可以设置于服务器105中。本公开实施例所提供的用户身份验证方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的数据处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图6对公开实施例的用户身份验证方法进行详细描述。
图2示意性示出了根据本公开实施例的用户身份验证方法的流程图。
如图2所示,该实施例的数据处理包括操作S210~操作S230。
在操作S210,提取待处理样本中的所有行为数据的行为特征。
在操作S220,按照该行为特征的数据类型,确定该行为特征的嵌入向量。
在操作S230,基于该所有行为数据的该行为特征的嵌入向量利用预先训练的多层感知机模型确定该待处理样本是否属于目标用户。
待处理样本为与目标用户相关的样本,可以是用户的行为日志数据,其可以存储在本地、远端或者例如服务器等的设备。该行为日志数据可以是用户在一天内的行为日志数据,或者,一周内的行为日志数据、或者,一个月之内的行为日志数据,本公开对此不做限制。
待处理样本中包括多条行为数据,可以根据行为类型对待处理样本进行分类,行为类型包括输入行为、搜索行为、APP使用行为以及语义行为中的至少之一。在一示例中,将待处理样本按照行为类型分为四类,分别是输入行为数据、搜索行为数据、APP使用行为数据和语义行为数据。更多的,还可以将用户的行为日志数据分为上述四类中的任意一类、两类或三类,本公开对此均不做限制。
每条行为数据的行为特征可以具有多种,在一实施方式中,对于输入行为数据的行为特征进一步可以包括输入错误、输入模式、字符统计和时间间隔中的至少之一。搜索行为数据的行为特征进一步可以包括输入速度、文本长度、关键词个数、是否为疑问句、是否是网址或ip、英文单词个数、特殊符号个数、词性模式、句法模式以及时间间隔中的至少之一。APP使用行为数据的行为特征进一步可以包括APP、时间段以及时间间隔中的至少之一。
不同的行为特征具有不同的数据类型,将数据类型按照特征类型和取值数量两个维度分类,得到数据类型包括类别单值、类别多值、数值和向量中的至少之一。如表1所示,特征类型包括类别和数值,取值数量包括单值和多值。
表1
对于输入行为数据,其行为特征的数据类型包括类别多值、类别单值和数值。对于搜索行为数据,其行为特征的数据类型包括类别单值和数值。对于APP使用行为数据,其行为特征的数据类型包括类别单值和数值。对于语义行为数据,其行为特征的数据类型包括向量。
图3A示意性示出了根据本公开实施例的嵌入向量表示的流程图。图3B示意性示出了根据本公开实施例的嵌入向量表示的示意图。
如图3A所示,该实施例的嵌入向量表示包括操作S310~操作S340。
在操作S310,对于该数据类型为类别单值的行为特征,采用单值类别特征法确定该行为特征的嵌入向量。
该单值类别特征法是指将一个与该行为特征的特征值唯一映射的向量确定为该行为特征的嵌入向量。
数据类型为类别单值的行为特征(s.v.cat),是指只会有一种取值的类别型行为特征,如APP名称、拼音字符串的输入模式等。对于类别单值的行为特征,把一个和特征值唯一映射的向量作为嵌入向量,类别单值的行为特征的嵌入向量emb(fs.v.cat)=lookup(v),其中行为特征的特征值为v,lookup(v)表示根据特征值获取特征值对应的向量。
在操作S320,对于该数据类型为类别多值的行为特征,获取该行为特征的所有类别类型特征,采用该单值类别特征法确定每个该类别类型特征的嵌入向量,将该每个该类别类型特征的嵌入向量的和确定该行为特征的嵌入向量。
数据类型为类别多值的行为特征(m.v.cat),是指该类行为特征的取值可能包含多个类别型行为特征的取值,例如:输入一次拼音同时混淆了平卷舌音和前后鼻音。
对于这类行为特征,对多个类别型行为特征分别采用单值类别特征法获得嵌入向量,然后对这些嵌入向量求和,将作为该行为特征的嵌入向量。设类别多值的行为特征有k个取值,分别记为v1,v2...,vk,类别多值的行为特征的嵌入向量
在操作S330,对于该数据类型为数值的行为特征,获得该行为特征的通用嵌入向量,然后将该行为特征的取值乘以该行为特征唯一对应的向量确定为该行为特征的嵌入向量。
数据类型为数值类型的行为特征(numeric),是指取值为一个实数值的行为特征,例如本次搜索行为中平均的输入速度、输入关键词个数等,首先获得该行为特征的通用嵌入向量,然后将改行为特征的取值值乘以该行为特征唯一对应的向量作为该行为特征的嵌入向量。令行为特征的取值为v,lookup(fnumeric)表示该行为特征唯一对应的向量,则数值类型的行为特征的嵌入向量emb(fnumeric)=v×lookup(fnumeric)。
在操作S340,对于该数据类型为向量的行为特征,通过向量模型确定该行为特征的嵌入向量。
数据类型为向量类型的行为特征(vector),是指取值由一个有多个实数值构成的数组的行为特征,比如通过BERT模型学习到的用户输入的语义文本的语义向量,语义文本例如输入字符串和/或搜索文本,假设数组中有k个实数值,分别表示为v1,v2,...,vk,则向量类型的行为特征的嵌入向量emb(fvector)=[v1,v2,...,vk]。
在一实施例中,采用BERT模型对拼音输入字符串和搜索文本的语义进行建模,获得其语义表示向量。如图4所示,BERT接收一个以“[CLS]”标签为开始的长度为N的字序列输入,在获得每个字的嵌入表示Ej后,通过多层双向Transformer的计算得到每个字的深层上下文表示Ti,本公开使用“[CLS]”标签对应的深层上下文表示C作为语义文本的语义向量。
对于拼音输入字符串,构建基于拼音输入字符串的Bert模型,通过基于拼音输入字符串的Bert模型,得到拼音输入字符串的语义表示向量。具体的,可以按照输入法的不同,分别训练适用于九键输入法和全拼输入法的BERT模型,由于输入数据的字符串构成相对简单,九键数据由“2”到“9”的8个数字组成,全拼数据由26个字母组成,因此在训练BERT模型的时候可以适当地减小模型的规模。类似于中文输入数据的预处理,将每个输入的字符作为BERT模型处理的基本单元,用空格分隔,例如将“nihao”处理成“nihao”。本公开使用全部的全拼输入数据和九键输入数据分别训练九键的BERT模型和全拼的BERT模型。搜索数据和输入数据采用的BERT模型的重要参数如表2所示:
表2
参数 | 九键 | 全拼 | 搜索记录 |
隐藏层个数 | 3 | 3 | 12 |
隐藏层大小 | 32 | 32 | 768 |
中间层大小 | 32 | 32 | 3072 |
最大序列长度 | 50 | 50 | 512 |
注意力头个数 | 4 | 4 | 12 |
对于搜索文本,构建基于基于搜索文本的Bert模型,通过基于搜索文本的Bert模型,得到搜索文本的语义表示向量。搜索文本可能同时包括中文和英文,语言模型应当能够处理包含多种语言的输入。例如,可以使用谷歌发布的支持102种语言训练好的BERT模型。该模型以字为粒度处理中文输入,以单词为粒度处理英文输入,因此,需要将搜索文本进行预处理,用空格隔开每个汉字,将大写字母转换成小写字母,例如将“BERT模型”处理为“bert模型”。
在一实施例中,基于该所有行为数据的该行为特征的嵌入向量利用预先训练的多层感知机模型确定该待处理样本是否属于目标用户,该多层感知机模型用于确定该待处理样本属于该目标用户的概率包括:将每个行为数据的该行为特征的嵌入向量进行拼接,得到该行为数据的嵌入表示;根据该待处理样本中所有该行为数据的嵌入表示,,利用预先训练的多层感知机模型确定待处理样本是否属于目标用户。
如图3B所示,对于一个包含n个行为特征a的行为数据,按照数据类型,通过上述方式获得各个行为特征的嵌入向量,然后将该行为数据a的n个行为特征的嵌入向量拼接到一起,作为该行为数据a的嵌入表示,记为emb(a)。然后根据待处理样本中所有该行为数据的嵌入表示。
图5示意性示出了根据本公开实施例的用户身份验证方法的流程图。
如图5所示,根据该待处理样本中所有该行为数据的嵌入表示,利用预先训练的多层感知机模型确定该待处理样本是否属于目标用户包括:操作S510~操作S530。
在操作S510,将行为类型相同的所有行为数据分类进行聚合,得到按照该行为类型分类的行为数据集。
在操作S520,对每一该行为数据集,基于该行为数据集中所有行为数据的行为特征的嵌入向量,确定在对应该行为类型下该待处理样本属于该目标用户的概率。
在操作S530,根据在每个该行为类型下该目标用户属于预设类别的概率,利用预先训练的多层感知机模型确定该待处理样本是否属于目标用户。
如图6所示,其中,a表示APP使用行为,b表示输入行为,c表示搜索行为,d表示语义行为。将行为类型相同的所有行为数据分类进行聚合,得到按照行为类型分类的行为数据集{a1,....,a9}、{b1,....,b10}、{c1,....,c4}、{d1}。假设在该样本中包括9次APP使用、10次输入和6次搜索行为和一个语义行为,这四类行为按时间的先后顺序交叉出现,本公开可以将行为类型相同的行为数据聚合到一起,得到四种行为数据集,行为数据集中行为数据的排序方式可以是按照时间顺序排序。
在一实施例中,基于该行为数据集中所有行为数据的嵌入表示,确定在对应该行为类型下该待处理样本属于该目标用户的概率包括:基于该行为数据集中所有行为数据的嵌入表示,确定该行为数据集的整体表示,将该行为数据集的整体表示输入多层感知机模型的第一层,得到在对应该行为类型下该待处理样本属于该目标用户的概率。
在一实施例中,基于该行为数据集中所有行为数据的嵌入表示,确定该行为数据集的整体表示包括:使用前向长短期记忆网络LSTM模型和后向LSTM模型分别对该行为数据集中的行为数据的嵌入表示建模,得到该行为数据的前向建模结果和后向建模结果;将该前向建模结果和该后向建模结果进行拼接,得到该行为数据集中所有该行为数据的融合序列信息表示;将该行为数据集中所有该行为数据的融合序列信息表示进行求和,得到该行为数据集的整体表示。
以图6中的APP使用行为数据集为例,使用前向LSTM模型和后向LSTM模型对行为数据集建模。将两个LSTM的输出拼接到一起作为行为数据集ai中所有该行为数据的融合序列信息的表示 为前向建模结果,/>为后向建模结果。
本公开将行为数据集内所有m个行为数据的融合序列信息的表示作为该行为数据集的整体表示在一实施方式中,repseq作为MLP模型输入的一部分,参与到模型训练过程中,利用预先训练的多层感知机模型确定待处理样本是否属于目标用户。
在一实施例中,为了使得MLP模型能够更快的收敛并且避免陷入局部极小点,在多层感知机中每一层都使用批归一化对该层的输入进行处理,MLP模型的第i层的输出outi=δ(Wiρ(xi)+bi),其中xi表示第i层的输入,Wi和bi表示第i层的参数,ρ表示批归一化,δ表示激活函数。
图7示意性示出了根据本公开实施例的用户用户身份验证方法的流程图。
如图7所示,该方法包括:操作S710~操作S720。
在操作S710,确定该待处理样本中的所有用户特征的嵌入向量;
在操作S720,根据该待处理样本中的所有用户特征的嵌入向量,以及,该所有行为数据的该行为特征的嵌入向量,利用预先训练的多层感知机模型确定该待处理样本是否属于目标用户。
用户特征是指用户画像,例如,用户的年龄、性别、住址、职业、籍贯等等。
在一实施例中,根据该待处理样本中的所有用户特征的嵌入向量,以及,该所有行为数据的该行为特征的嵌入向量,利用预先训练的多层感知机模型确定该待处理样本是否属于目标用户包括操作S1-S4。
操作S1,根据该待处理样本中的所有用户特征的嵌入向量,确定该所有用户特征的用户特征表示。
用户特征表示包括该所有用户特征的整体表示repf、所有用户特征间的二阶组合信息rep2、该所有用户特征间的二阶权重组合信息rep1中的至少之一。
以样本s中共有d维用户特征为例,即s=[f1,f2,...,fd],对于第i维用户特征fi,获得该用户特征fi的通用嵌入向量,然后将该用户特征的取值vi乘以该用户特征唯一对应的向量lookup(fi)确定为该用户特征的嵌入向量emb(fi)=vi×lookup(fi),则:
将待处理样本中的所有用户特征的嵌入向量进行拼接,得到所有用户特征的整体表示repf=[emb(f1);emb(f2);...;emb(fd)]。
将待处理样本中的所有用户特征的嵌入向量中任两个嵌入向量均进行元素积后求和,得到所有用户特征间的二阶组合信息
将待处理样本中的所有用户特征分别乘以预设权重后进行拼接,得到所有用户特征间的二阶权重组合信息rep1=[w1v1,w2v2,...,wnvn]。
操作S2,基于该行为数据集中所有行为数据的行为特征的嵌入向量,确定该行为数据集的整体表示repseq。参照上述相关之处描述,此处不再赘述。
操作S3,将该用户特征表示与该行为数据集的整体表示repseq进行拼接,得到拼接结果。
可以理解的,本领域技术人员可以根据用户特征表示包括的具体信息,与行为数据集的整体表示repseq进行任意拼接,得到多种拼接结果。在一示例中,在用户特征表示包括所有用户特征的整体表示repf的情况下,拼接结果为[repseq;repf]。在另一示例中,在用户特征表示包括所有用户特征的整体表示repf、所有用户特征间的二阶组合信息rep2、所有用户特征间的二阶权重组合信息rep1的情况下,拼接结果为[repseq;repf;rep2;rep1]。
操作S4,将该拼接结果输入MLP模型的第一层,得到在对应该行为类型下该待处理样本属于该目标用户的概率。
以拼接结果为[repseq;repf;rep2;rep1]为例,x1=[repseq;repf;rep2;rep1],将x1作为MLP模型的第一层的输入。
经过上述处理,得到对于APP使用行为下待处理样本属于目标用户的概率、输入行为下待处理样本属于目标用户的概率、搜索行为下待处理样本属于目标用户的概率、语义行为下待处理样本属于目标用户的概率。
可选的,可以利用一二层分类器,将各个行为类型下该待处理样本属于该目标用户的概率作为二层分类器的输入,获得最终的用户身份的判断,也即待处理样本属于该目标用户的概率。
在一实施方式中,本公开使用交叉熵作为损失函数,对于包含N个用户的M个样本,其中yj,i表示第j个样本是否属于第i个用户,如果属于,取值为1,否则为0,/>表示MLP模型预测第j个样本属于第i个用户的概率。最后通过Adam算法最小化目标函数,更新MLP模型参数。
基于上述用户身份验证方法,本公开还提供了一种用户身份验证装置。以下将结合图8对该装置进行详细描述。
图8示意性示出了根据本公开实施例的用户身份验证装置的结构框图。
如图8所示,该实施例的数据处理装置800包括特征提取模块810、向量表示模块820和判别模块830。
特征提取模块810用于提取待处理样本中的所有行为数据的行为特征。在一实施例中,特征提取模块810可以用于执行前文描述的操作S210,在此不再赘述。
向量模块820用于按照该行为特征的数据类型,确定该行为特征的嵌入向量。在一实施例中,数值处理模块820可以用于执行前文描述的操作S220,在此不再赘述。
判别模块830用于基于该所有行为数据的该行为特征的嵌入向量利用预先训练的多层感知机模型确定该待处理样本是否属于目标用户,该多层感知机模型用于确定该待处理样本属于该目标用户的概率。在一实施例中,筛选模块830可以用于执行前文描述的操作S230,在此不再赘述。
在本公开一实施例中,该行为特征的数据类型包括类别单值、类别多值、数值和向量中的至少之一,该按照该行为特征的数据类型,确定该行为特征的嵌入向量包括:
对于该数据类型为类别单值的行为特征,采用单值类别特征法确定该行为特征的嵌入向量,该单值类别特征法为将一个与该行为特征的特征值唯一映射的向量确定为该行为特征的嵌入向量;
对于该数据类型为类别多值的行为特征,获取该行为特征的所有类别类型特征,采用该单值类别特征法确定每个该类别类型特征的嵌入向量,将该每个该类别类型特征的嵌入向量的和确定该行为特征的嵌入向量;
对于该数据类型为数值的行为特征,获得该行为特征的通用嵌入向量,然后将该行为特征的取值乘以该行为特征唯一对应的向量确定为该行为特征的嵌入向量;
对于该数据类型为向量的行为特征,通过向量模型确定该行为特征的嵌入向量。
在本公开一实施例中,该基于该所有行为数据的该行为特征的嵌入向量利用预先训练的多层感知机模型确定该待处理样本是否属于目标用户包括:
将每个行为数据的该行为特征的嵌入向量进行拼接,得到该行为数据的嵌入表示;
根据该待处理样本中所有该行为数据的嵌入表示,利用预先训练的多层感知机模型确定该待处理样本是否属于目标用户。
在本公开一实施例中,该根据该待处理样本中所有该行为数据的嵌入表示利用预先训练的多层感知机模型确定该待处理样本是否属于目标用户包括:
将行为类型相同的所有行为数据分类进行聚合,得到按照该行为类型分类的行为数据集;
对每一该行为数据集,基于该行为数据集中所有行为数据的嵌入表示,确定在对应该行为类型下该待处理样本属于该目标用户的概率;
根据在每个该行为类型下该目标用户属于预设类别的概率利用预先训练的多层感知机模型确定该待处理样本是否属于目标用户。
在本公开一实施例中,该基于该行为数据集中所有行为数据的嵌入表示,确定在对应该行为类型下该待处理样本属于该目标用户的概率包括:
基于该行为数据集中所有行为数据的嵌入表示,确定该行为数据集的整体表示;
将该行为数据集的整体表示输入多层感知机模型的第一层,得到在对应该行为类型下该待处理样本属于该目标用户的概率。
在本公开一实施例中,该基于该行为数据集中所有行为数据的嵌入表示,确定该行为数据集的整体表示包括:
使用前向长短期记忆网络LSTM模型和后向LSTM模型分别对该行为数据集中的行为数据的嵌入表示建模,得到该行为数据的前向建模结果和后向建模结果;
将该前向建模结果和该后向建模结果进行拼接,得到该行为数据集中所有该行为数据的融合序列信息表示;
将该行为数据集中所有该行为数据的融合序列信息表示进行求和,得到该行为数据集的整体表示。
在本公开一实施例中,该装置800还包括:
确定模块,用于确定该待处理样本中的所有用户特征的嵌入向量;
执行模块,用于根据该待处理样本中的所有用户特征的嵌入向量,以及,该所有行为数据的该行为特征的嵌入向量,利用预先训练的多层感知机模型确定该待处理样本是否属于目标用户。
在本公开一实施例中,该根据该待处理样本中的所有用户特征的嵌入向量,以及,该所有行为数据的该行为特征的嵌入向量利用预先训练的多层感知机模型确定该待处理样本是否属于目标用户包括:
根据该待处理样本中的所有用户特征的嵌入向量,确定该所有用户特征的用户特征表示,该用户特征表示包括该所有用户特征的整体表示、所有用户特征间的二阶组合信息、该所有用户特征间的二阶权重组合信息中的至少之一;
基于该行为数据集中所有行为数据的行为特征的嵌入向量,确定该行为数据集的整体表示;
将该用户特征表示与该行为数据集的整体表示进行拼接,得到拼接结果;
将该拼接结果输入多层感知机模型的第一层,得到在对应该行为类型下该待处理样本属于该目标用户的概率。
在本公开一实施例中,该行为类型包括输入行为、搜索行为、APP使用行为以及语义行为中的至少之一;
该语义行为的行为数据的行为特征的数据类型为向量类型。
根据本公开的实施例特征提取模块810、向量表示模块820和判别模块830中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,特征提取模块810、向量表示模块820和判别模块830中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,特征提取模块810、向量表示模块820和判别模块830中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图8示意性示出了根据本公开实施例的适于实现用户身份验证方法的电子设备的方框图。
如图8所示,根据本公开实施例的电子设备900包括处理器901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中,存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,该程序也可以存储在除ROM902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备900还可以包括输入/输出(I/O)接口905,输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、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。在本公开中,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。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的方法。
在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分909被下载和安装,和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,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公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“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、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。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (14)
1.一种用户身份验证方法,包括:
提取待处理样本中的所有行为数据的行为特征;
按照所述行为特征的数据类型,确定所述行为特征的嵌入向量;
基于所述所有行为数据的所述行为特征的嵌入向量,利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户,所述多层感知机模型用于确定所述待处理样本属于所述目标用户的概率。
2.根据权利要求1所述的用户身份验证方法,所述行为特征的数据类型包括类别单值、类别多值、数值和向量中的至少之一,所述按照所述行为特征的数据类型,确定所述行为特征的嵌入向量包括:
对于所述数据类型为类别单值的行为特征,采用单值类别特征法确定所述行为特征的嵌入向量,所述单值类别特征法为将一个与所述行为特征的特征值唯一映射的向量确定为所述行为特征的嵌入向量;
对于所述数据类型为类别多值的行为特征,获取所述行为特征的所有类别类型特征,采用所述单值类别特征法确定每个所述类别类型特征的嵌入向量,将所述每个所述类别类型特征的嵌入向量的和确定所述行为特征的嵌入向量;
对于所述数据类型为数值的行为特征,获得所述行为特征的通用嵌入向量,然后将所述行为特征的取值乘以所述行为特征唯一对应的向量确定为所述行为特征的嵌入向量;
对于所述数据类型为向量的行为特征,通过向量模型确定所述行为特征的嵌入向量。
3.根据权利要求1所述的用户身份验证方法,所述基于所述所有行为数据的所述行为特征的嵌入向量利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户包括:
将每个行为数据的所述行为特征的嵌入向量进行拼接,得到所述行为数据的嵌入表示;
根据所述待处理样本中所有所述行为数据的嵌入表示,利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户。
4.根据权利要求3所述的用户身份验证方法,所述根据所述待处理样本中所有所述行为数据的嵌入表示利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户包括:
将行为类型相同的所有行为数据分类进行聚合,得到按照所述行为类型分类的行为数据集;
对每一所述行为数据集,基于所述行为数据集中所有行为数据的嵌入表示,确定在对应所述行为类型下所述待处理样本属于所述目标用户的概率;
根据在每个所述行为类型下所述目标用户属于预设类别的概率利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户。
5.根据权利要求4所述的用户身份验证方法,所述基于所述行为数据集中所有行为数据的嵌入表示,确定在对应所述行为类型下所述待处理样本属于所述目标用户的概率包括:
基于所述行为数据集中所有行为数据的嵌入表示,确定所述行为数据集的整体表示;
将所述行为数据集的整体表示输入多层感知机模型的第一层,得到在对应所述行为类型下所述待处理样本属于所述目标用户的概率。
6.根据权利要求5所述的用户身份验证方法,所述基于所述行为数据集中所有行为数据的嵌入表示,确定所述行为数据集的整体表示包括:
使用前向长短期记忆网络LSTM模型和后向LSTM模型分别对所述行为数据集中的行为数据的嵌入表示建模,得到所述行为数据的前向建模结果和后向建模结果;
将所述前向建模结果和所述后向建模结果进行拼接,得到所述行为数据集中所有所述行为数据的融合序列信息表示;
将所述行为数据集中所有所述行为数据的融合序列信息表示进行求和,得到所述行为数据集的整体表示。
7.根据权利要求1至6任意一项所述的用户身份验证方法,所述方法还包括:
确定所述待处理样本中的所有用户特征的嵌入向量;
根据所述待处理样本中的所有用户特征的嵌入向量,以及,所述所有行为数据的所述行为特征的嵌入向量,利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户。
8.根据权利要求7所述的用户身份验证方法,所述根据所述待处理样本中的所有用户特征的嵌入向量,以及,所述所有行为数据的所述行为特征的嵌入向量利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户包括:
根据所述待处理样本中的所有用户特征的嵌入向量,确定所述所有用户特征的用户特征表示,所述用户特征表示包括所述所有用户特征的整体表示、所有用户特征间的二阶组合信息、所述所有用户特征间的二阶权重组合信息中的至少之一;
基于所述行为数据集中所有行为数据的行为特征的嵌入向量,确定所述行为数据集的整体表示;
将所述用户特征表示与所述行为数据集的整体表示进行拼接,得到拼接结果;
将所述拼接结果输入多层感知机模型的第一层,得到在对应所述行为类型下所述待处理样本属于所述目标用户的概率。
9.根据权利要求7所述的用户身份验证方法,所述方法包括:
将所述待处理样本中的所有用户特征的嵌入向量进行拼接,得到所述所有用户特征的整体表示;
将所述待处理样本中的所有用户特征的嵌入向量中任两个嵌入向量均进行元素积后求和,得到所述所有用户特征间的二阶组合信息;
将所述待处理样本中的所有用户特征分别乘以预设权重后进行拼接,得到所有用户特征间的二阶权重组合信息。
10.根据权利要求1或3所述的用户身份验证方法,所述行为类型包括输入行为、搜索行为、APP使用行为以及语义行为中的至少之一;
所述语义行为的行为数据的行为特征的数据类型为向量类型。
11.一种数据处理装置,包括:
特征提取模块,用于提取待处理样本中的所有行为数据的行为特征;
向量表示模块,用于按照所述行为特征的数据类型,确定所述行为特征的嵌入向量;
判别模块,用于基于所述所有行为数据的所述行为特征的嵌入向量利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户,所述多层感知机模型用于确定所述待处理样本属于所述目标用户的概率。
12.一种电子设备,包括:
一个或多个处理器;以及
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~10中任一项所述的方法。
13.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~10中任一项所述的方法。
14.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311585676.7A CN117574266A (zh) | 2023-11-24 | 2023-11-24 | 用户身份验证方法、装置、设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311585676.7A CN117574266A (zh) | 2023-11-24 | 2023-11-24 | 用户身份验证方法、装置、设备、介质及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117574266A true CN117574266A (zh) | 2024-02-20 |
Family
ID=89884158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311585676.7A Pending CN117574266A (zh) | 2023-11-24 | 2023-11-24 | 用户身份验证方法、装置、设备、介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117574266A (zh) |
-
2023
- 2023-11-24 CN CN202311585676.7A patent/CN117574266A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2018383346B2 (en) | Domain-specific natural language understanding of customer intent in self-help | |
US10558852B2 (en) | Predictive analysis of target behaviors utilizing RNN-based user embeddings | |
US11574201B2 (en) | Enhancing evolutionary optimization in uncertain environments by allocating evaluations via multi-armed bandit algorithms | |
US9064212B2 (en) | Automatic event categorization for event ticket network systems | |
US11651247B2 (en) | Method for verifying lack of bias of deep learning AI systems | |
US20210073255A1 (en) | Analyzing the tone of textual data | |
CN113011889B (zh) | 账号异常识别方法、系统、装置、设备及介质 | |
US20210065245A1 (en) | Using machine learning to discern relationships between individuals from digital transactional data | |
US20230108469A1 (en) | Systems and methods for generating dynamic conversational responses using cluster-level collaborative filtering matrices | |
US11151322B2 (en) | Computer-implemented method, system and computer program product for providing an application interface | |
CN112348321A (zh) | 风险用户的识别方法、装置及电子设备 | |
CN107291774B (zh) | 错误样本识别方法和装置 | |
CN111429161A (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
US11822590B2 (en) | Method and system for detection of misinformation | |
Kothamasu et al. | Sentiment analysis on twitter data based on spider monkey optimization and deep learning for future prediction of the brands | |
Al Marouf et al. | Looking behind the mask: A framework for detecting character assassination via troll comments on social media using psycholinguistic tools | |
US20150235138A1 (en) | System, method, and storage medium for generating hypotheses in data sets | |
CN116308641A (zh) | 产品推荐方法、训练方法、装置、电子设备和介质 | |
CN117574266A (zh) | 用户身份验证方法、装置、设备、介质及产品 | |
Liu et al. | Stratify Mobile App Reviews: E-LDA Model Based on Hot" Entity" Discovery | |
CN112200602A (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
Shidaganti et al. | A Comprehensive Framework for Big Data Analytics in Education | |
CN110197056B (zh) | 关系网络和关联身份识别方法、装置、设备和存储介质 | |
CN117172632B (zh) | 一种企业异常行为检测方法、装置、设备及存储介质 | |
US20240028935A1 (en) | Context-aware prediction and recommendation |
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 |