一种结合AI模型识别作弊用户的处理方法和装置与流程

本发明涉及数据处理，特别涉及一种结合ai模型识别作弊用户的处理方法和装置。

背景技术：

1、各领域业务服务商（例如金融服务领域、保险服务领域、电信服务领域、互联网应用商服务领域等）为提高业务增长量，定期都会基于一些固定的活动模式（也称活动场景）向用户推出对应的线上/线下促销活动（例如打折、发券等）。这些活动的最终目的是拉动业务量上升，业务服务商为确保这一点就会对活动中出现的作弊用户进行及时识别与剥离。常规的作弊用户识别手段为：对用户行为数据进行统计、并基于一个预先设置的作弊行为判断规则集对统计数据进行分析从而得到一个作弊用户或正常用户的识别结果。然而我们在实践应用中发现这种常规识别手段存在实时性差的问题，究其原因就是作弊行为判断规则集需要通过比对个体与群体差异来得到识别结果，这自然就无法在任意时刻基于任意单个用户的行为统计数据进行实时识别。

技术实现思路

1、本发明的目的，就是针对现有技术的缺陷，提供一种结合ai模型识别作弊用户的处理方法、装置、电子设备及计算机可读存储介质。本发明根据历史经验为指定活动场景设置对应的作弊行为判断规则集，再构建一个用于识别作弊用户的ai模型记为第一分类模型，再根据作弊行为判断规则集以及指定活动场景的所有场次历史活动的用户行为数据进行模型训练集准备得到对应的第一训练数据集，再根据第一训练数据集对第一分类模型进行模型训练；在模型训练结束后则基于第一分类模型对指定活动场景对应的新开场次活动中的作弊用户进行实时识别。通过本发明可以提高作弊用户识别的实时性和识别效率。

2、为实现上述目的，本发明实施例第一方面提供了一种结合ai模型识别作弊用户的处理方法，所述方法包括：

3、根据历史经验为指定活动场景设置对应的作弊行为判断规则集；

4、构建一个用于识别作弊用户的ai模型记为第一分类模型；

5、根据所述作弊行为判断规则集以及所述指定活动场景的所有场次历史活动的用户行为数据进行模型训练集准备得到对应的第一训练数据集；

6、根据所述第一训练数据集对所述第一分类模型进行模型训练；

7、模型训练结束后，基于所述第一分类模型对所述指定活动场景对应的新开场次活动中的作弊用户进行识别。

8、优选的，所述作弊行为判断规则集包括多个作弊行为判断规则；

9、所述作弊行为判断规则包括行为类型、个体特征指标计算公式和作弊指标范围；所述行为类型包括多类行为类型编码；所述个体特征指标计算公式对应两个输入参数和一个输出参数，所述两个输入参数分别为个体特征统计数据和群体特征均值数据，所述输出参数为个体特征指标值；所述个体特征统计数据与单个用户对应，所述群体特征均值数据为同一场次活动中得到的所有所述个体特征统计数据的平均值；每类行为类型对应的所述个体特征统计数据都对应一个行为数据统计规则；所述作弊指标范围由一对最大、最小特征指标值组成；

10、所述第一分类模型用于根据输入的用户行为张量进行用户类型预测并输出对应的用户分类向量；所述用户行为张量包括多个用户行为向量；所述用户行为向量由一个所述行为类型和一个对应的所述个体特征统计数据组成；所述用户分类向量包括作弊用户分类预测概率和正常用户分类预测概率；

11、所述第一分类模型包括第一gan网络、第一cnn网络、第一全连接网络和第一softmax函数层；所述第一gan网络与所述第一cnn网络连接；所述第一cnn网络与所述第一全连接网络连接；所述第一全连接网络与所述第一softmax函数层连接；

12、所述第一gan网络用于根据模型输入的所述用户行为张量进行伪图生成处理得到对应的第一伪图向所述第一cnn网络发送；所述第一cnn网络用于对所述第一伪图进行特征提取生成对应的第一特征张量向所述第一全连接网络发送；所述第一全连接网络用于对所述第一特征张量进行全连接运算生成对应的第一全连接向量向所述第一softmax函数层发送；所述第一softmax函数层用于根据所述第一全连接向量进行二分类预测概率计算得到对应的所述用户分类向量。

13、优选的，所述根据所述作弊行为判断规则集以及所述指定活动场景的所有场次历史活动的用户行为数据进行模型训练集准备得到对应的第一训练数据集，具体包括：

14、基于所述作弊行为判断规则集的所有所述行为数据统计规则对与所述指定活动场景对应的每场历史活动中的所有用户的各类所述个体特征统计数据进行统计得到对应的第一历史活动数据集；所述第一历史活动数据集包括多个第一用户记录；所述第一用户记录包括第一用户标识和多个第一类个体特征统计数据；所述第一类个体特征统计数据与所述行为类型一一对应；所述第一类特征统计数据为一个所述行为类型对应的所述个体特征统计数据；

15、将各个所述第一历史活动数据集作为对应的当前数据集；并将所述当前数据集中对应各个所述行为类型的所有所述第一类个体特征统计数据聚为一类作为对应的第一类个体特征统计数据集；并对各个所述第一类个体特征统计数据集进行均值计算得到对应的第一类群体特征均值数据；

16、并对每个所述第一历史活动数据集的所有所述第一用户记录进行遍历；并在遍历时，将当前遍历的所述第一用户记录作为对应的当前用户记录；并将各个所述行为类型逐个记为对应的当前类型，并将所述当前用户记录中与所述当前类型对应的所述第一类个体特征统计数据以及与所述当前类型对应的所述第一类群体特征均值数据带入所述作弊行为判断规则集中与所述当前类型对应的所述个体特征指标计算公式中进行计算得到对应的第一类个体特征指标，并对所述第一类个体特征指标是否满足所述当前类型对应的所述作弊指标范围进行识别，若满足则设置对应的第一类识别结果为作弊用户、若不满足则设置对应的第一类识别结果为正常用户；并对所述当前用户记录对应的所有所述第一类识别结果是否都为正常用户进行识别，若是则设置对应的第一记录识别结果为正常用户，若否则设置对应的所述第一记录识别结果为作弊用户；并按所述用户行为向量的向量结构由所述当前用户记录的各个所述第一类个体特征统计数据及其对应的所述行为类型组成一个所述用户行为向量作为对应的第一训练向量；并按所述用户行为张量的张量结构由得到的所有所述第一训练向量组成一个所述用户行为张量作为对应的所述第一训练张量；并按所述用户分类向量的向量结构根据所述第一记录识别结果进行用户分类向量设置得到对应的第一标签分类向量；再基于预设的随机掩膜规则对所述第一训练张量进行随机掩膜处理；并由随机掩膜处理后的所述第一训练张量和对应的所述第一标签分类向量组成一个对应的第一训练数据；

17、并在所有所述第一历史活动数据集都完成用户记录遍历之后，由得到的所有所述第一训练数据组成对应的所述第一训练数据集；所述第一训练数据集包括多个所述第一训练数据；所述第一训练数据包括所述第一训练张量和所述第一标签分类向量。

18、优选的，所述根据所述第一训练数据集对所述第一分类模型进行模型训练，具体包括：

19、对所述第一训练数据集的所有所述第一训练数据进行遍历；并在遍历时，将当前遍历的所述第一训练数据作为对应的当前训练数据；并将所述当前训练数据的所述第一训练张量输入所述第一分类模型进行用户类型预测得到对应的第一预测分类向量；并将所述第一预测分类向量和所述训练数据的所述第一标签分类向量带入预设的第一损失函数，并基于预设的模型参数优化算法朝着使所述第一损失函数达到最小值的方向对所述第一分类模型进行一次参数优化处理；并在本次参数优化处理结束时，转至下一个所述第一训练数据继续训练直到所述当前训练数据为所述第一训练数据集的最后一个所述第一训练数据为止；所述第一损失函数包括l1损失函数、l2损失函数；所述模型参数优化算法包括sgd优化算法。

20、优选的，所述基于所述第一分类模型对所述指定活动场景对应的新开场次活动中的作弊用户进行识别，具体包括：

21、在所述指定活动场景对应的任一场新开活动中，基于所述作弊行为判断规则集对参加活动的每个现场用户的各类所述行为类型的个体特征统计数据进行实时统计得到对应的实时个体特征统计数据；并按所述用户行为张量的张量结构根据各个所述现场用户的所有所述实时个体特征统计数据以及各个所述实时个体特征统计数据进行用户行为张量设置得到对应的实时用户行为向量；并将各个所述实时用户行为向量输入所述第一分类模型进行用户类型预测得到对应的实时用户分类向量；并在各个所述实时用户分类向量的所述作弊用户分类预测概率大于或等于所述正常用户分类预测概率时设置对应的用户识别结果为作弊用户，并在各个所述实时用户分类向量的所述作弊用户分类预测概率小于所述正常用户分类预测概率时设置对应的所述用户识别结果为正常用户；并将本次活动中所有被识别为作弊用户的所述现场用户加入活动黑名单。

22、本发明实施例第二方面提供了一种用于实现上述第一方面所述的结合ai模型识别作弊用户的处理方法的装置，所述装置包括：规则制定模块、模型构建模块、数据采集模块、模型训练模块和模型应用模块；

23、所述规则制定模块用于根据历史经验为指定活动场景设置对应的作弊行为判断规则集；

24、所述模型构建模块用于构建一个用于识别作弊用户的ai模型记为第一分类模型；

25、所述数据采集模块用于根据所述作弊行为判断规则集以及所述指定活动场景的所有场次历史活动的用户行为数据进行模型训练集准备得到对应的第一训练数据集；

26、所述模型训练模块用于根据所述第一训练数据集对所述第一分类模型进行模型训练；

27、所述模型应用模块用于在模型训练结束后，基于所述第一分类模型对所述指定活动场景对应的新开场次活动中的作弊用户进行识别。

28、本发明实施例第三方面提供了一种电子设备，包括：存储器、处理器和收发器；

29、所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面所述的方法步骤；

30、所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。

31、本发明实施例第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行上述第一方面所述的方法的指令。

32、本发明实施例提供了一种结合ai模型识别作弊用户的处理方法、装置、电子设备及计算机可读存储介质。由上述内容可知，本发明实施例根据历史经验为指定活动场景设置对应的作弊行为判断规则集，再根据作弊行为判断规则集构建一个用于对作弊用户与正常用户进行分类识别的二分类模型记为对应的第一分类模型，再根据作弊行为判断规则集以及指定活动场景的所有场次历史活动的用户行为数据进行模型训练集准备得到对应的第一训练数据集，再根据第一训练数据集对第一分类模型进行模型训练；在模型训练结束后则基于第一分类模型对指定活动场景对应的新开场次活动中的作弊用户进行实时识别。通过本发明实施例提高了作弊用户识别的实时性和识别效率。