[發(fā)明專利]用戶識(shí)別方法和裝置、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)、電子設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 202010929369.6
• 申請(qǐng)日: 2020-09-07
• 公開（公告）號(hào): CN112036955B
• 公開（公告）日: 2021-09-24
• 發(fā)明（設(shè)計(jì)）人: 劉洋;李嘉晨
• 申請(qǐng)（專利權(quán)）人: 貝殼找房(北京)科技有限公司
• 主分類號(hào): G06Q30/02
• 分類號(hào): G06Q30/02;G06Q50/16;G06K9/62
• 代理公司: 北京思源智匯知識(shí)產(chǎn)權(quán)代理有限公司 11657
• 代理人: 王曉多

1.一種用戶識(shí)別方法，其特征在于，包括：

獲取設(shè)定時(shí)間段內(nèi)待識(shí)別用戶的至少一種行為數(shù)據(jù)；

根據(jù)所述至少一種行為數(shù)據(jù)確定所述待識(shí)別用戶的行為特征向量；

利用判別器對(duì)所述行為特征向量進(jìn)行判別，確定所述待識(shí)別用戶對(duì)應(yīng)的行為指標(biāo)的預(yù)測(cè)概率；其中，所述判別器基于結(jié)合生成器的對(duì)抗訓(xùn)練獲得；

所述利用判別器對(duì)所述行為特征向量進(jìn)行判別，確定所述待識(shí)別用戶對(duì)應(yīng)的行為指標(biāo)的預(yù)測(cè)概率之前，還包括：

獲取第一正樣本集和真負(fù)樣本集；其中，所述第一正樣本集中包括至少一個(gè)正樣本，所述真負(fù)樣本集中包括至少一個(gè)真負(fù)樣本，每個(gè)所述真負(fù)樣本的行為數(shù)據(jù)與所述正樣本的行為數(shù)據(jù)之間的差異小于設(shè)定值；

將所述第一正樣本集輸入所述判別器，得到每個(gè)所述正樣本對(duì)應(yīng)的行為指標(biāo)的第一預(yù)估異常概率；

將所述真負(fù)樣本集中的每個(gè)真負(fù)樣本輸入到所述生成器，得到包括的至少一個(gè)第二樣本的第二正樣本集，并基于所述判別器確定每個(gè)所述第二樣本對(duì)應(yīng)的行為指標(biāo)的第二預(yù)估異常概率；

基于所述第一預(yù)估異常概率和所述第二預(yù)估異常概率，確定基于所述生成器和所述判別器構(gòu)成的對(duì)抗網(wǎng)絡(luò)的損失；

基于所述損失對(duì)所述對(duì)抗網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練后的判別器。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述至少一種行為數(shù)據(jù)包括以下至少之一：線上行為數(shù)據(jù)、線下行為數(shù)據(jù)、交互行為數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，在基于所述第一預(yù)估異常概率和所述第二預(yù)估異常概率，確定所述對(duì)抗網(wǎng)絡(luò)的損失之前，還包括：

基于用戶生命價(jià)值網(wǎng)絡(luò)確定所述第一正樣本集和所述第二正樣本集中每個(gè)樣本對(duì)應(yīng)的正常預(yù)估概率；

所述基于所述第一預(yù)估異常概率和所述第二預(yù)估異常概率，確定所述對(duì)抗網(wǎng)絡(luò)的損失，包括：

基于所述第一預(yù)估異常概率、所述第二預(yù)估異常概率和所述正常預(yù)估概率，確定所述對(duì)抗網(wǎng)絡(luò)的損失。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取第一正樣本集和真負(fù)樣本集，包括：

基于標(biāo)注信息和/或至少一種預(yù)設(shè)規(guī)則獲得至少一個(gè)正樣本，構(gòu)成所述第一正樣本集；其中，所述預(yù)設(shè)規(guī)則包括至少一種行為數(shù)據(jù)符合設(shè)定條件；

基于標(biāo)注信息獲得至少一個(gè)真負(fù)樣本，構(gòu)成所述真負(fù)樣本集。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述基于至少一種預(yù)設(shè)規(guī)則獲得至少一個(gè)正樣本，包括：

基于多個(gè)訓(xùn)練用戶在所述設(shè)定時(shí)間段內(nèi)的至少一種行為數(shù)據(jù)，確定所述多個(gè)訓(xùn)練用戶中每個(gè)訓(xùn)練用戶對(duì)應(yīng)的訓(xùn)練特征；

利用孤立森林算法對(duì)所述多個(gè)訓(xùn)練特征進(jìn)行切分處理，得到每個(gè)所述訓(xùn)練特征對(duì)應(yīng)的離散概率，基于所述離散概率確定每個(gè)所述訓(xùn)練特征對(duì)應(yīng)的一維強(qiáng)特征；

響應(yīng)于所述訓(xùn)練特征和所述一維強(qiáng)特征符合所述設(shè)定條件，確定所述訓(xùn)練用戶是正樣本；

響應(yīng)于所述訓(xùn)練特征和所述一維強(qiáng)特征不符合所述設(shè)定條件，將所述訓(xùn)練樣本作為待識(shí)別用戶，得到待識(shí)別用戶集。

6.根據(jù)權(quán)利要求1-5任一所述的方法，其特征在于，還包括：基于所述待識(shí)別用戶對(duì)應(yīng)的行為指標(biāo)的預(yù)測(cè)概率，確定所述待識(shí)別用戶是否符合識(shí)別條件。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述基于所述待識(shí)別用戶的行為指標(biāo)對(duì)應(yīng)的預(yù)測(cè)概率，確定所述待識(shí)別用戶是否符合識(shí)別條件，包括：

判斷所述待識(shí)別用戶對(duì)應(yīng)的預(yù)測(cè)概率是否小于分類器閾值；如果是，確定所述待識(shí)別用戶符合識(shí)別條件，否則，確定所述待識(shí)別用戶不符合識(shí)別條件。

8.根據(jù)權(quán)利要求7所述的方法，其特征在于，在判斷所述待識(shí)別用戶對(duì)應(yīng)的預(yù)測(cè)概率是否小于分類器閾值之前，還包括：

合并所述第一正樣本集和所述第二正樣本集，得到第三正樣本集；

將所述第三正樣本集隨機(jī)分割為第二預(yù)測(cè)集和第四正樣本集；

基于所述第四正樣本集對(duì)分類器進(jìn)行訓(xùn)練，得到訓(xùn)練后的分類器；

基于所述訓(xùn)練后的分類器對(duì)所述第二預(yù)測(cè)集得到的多個(gè)分類概率值，確定所述分類器閾值。