[发明专利]作弊用户检测方法、电子设备及计算机可读存储介质

权利要求书

1.一种作弊用户检测方法，其特征在于，包括：

获取预设时间内的评论日志；

基于获取的预设时间内的评论日志，确定各个用户分别对应的用户特征信息；

基于所述各个用户分别对应的用户特征信息，构建图结构文件；

将所述图结构文件输入至训练后的图卷积网络模型，识别作弊用户，所述训练后的图卷积网络模型是基于标注后的图结构文件样本训练得到；

基于所述各个用户分别对应的用户特征信息，构建图结构文件，包括：

将各个用户分别对应的唯一标识信息确定为图结构的节点；

基于所述各个用户分别对应的用户特征信息，并通过预设条件确定图结构的边关系；

基于所述图结构的节点以及所述图结构的边关系，构建所述图结构文件；

所述各个用户分别对应的用户特征信息作为各个节点分别对应的属性信息。

2.根据权利要求1所述的方法，其特征在于，基于获取的预设时间内的评论日志，确定各个用户分别对应的用户特征信息，之前还包括：

基于获取的预设时间内的评论日志，对评论日志中的内容执行预设操作；

所述预设操作包括以下至少一项：数据清洗操作、分词操作、去停用词操作以及提取关键词操作；

基于获取的预设时间内的评论日志，确定各个用户分别对应的用户特征信息，包括：

基于预设操作处理后的评论日志，确定各个用户分别对应的用户特征信息。

3.根据权利要求1或2所述的方法，其特征在于，所述用户特征信息包括以下至少一项：

用户行为特征信息；用户文本内容特征信息；

其中，基于评论日志，确定各个用户分别对应的用户文本内容特征信息，包括：

从所述评论日志中提取各个用户分别对应的用户文本内容；

基于各个用户分别对应的用户文本内容训练Doc2Vec模型，并输出各个用户分别对应的用户文本内容特征信息。

4.根据权利要求1所述的方法，其特征在于，所述将所述图结构文件输入至训练后的图卷积网络模型，识别作弊用户，之前还包括：

获取第一训练样本，所述第一训练样本包括正例样本以及负例样本；

基于所述第一训练样本训练所述图卷积网络模型，得到训练后的模型。

5.根据权利要求4所述的方法，其特征在于，所述基于所述第一训练样本训练所述图卷积网络模型，得到训练后的模型，之后还包括：

将所述负例样本通过所述训练后的模型，确定预测结果；

基于预测结果以及第一预设规则，确定新的负例样本；

将所述新的负例样本以及所述正例样本作为第二训练样本，训练所述训练后的模型。

6.根据权利要求4所述的方法，其特征在于，所述获取第一训练样本，包括：

获取图结构文件样本；

基于图结构文件样本中各个用户分别对应的用户特征信息，并通过第二预设规则，对图结构文件样本中的各个节点进行标注；

将标注后的图结构文件样本确定为所述第一训练样本。

7.一种作弊用户检测装置，其特征在于，包括：

第一获取模块，用于获取预设时间内的评论日志；

第一确定模块，用于基于所述第一获取模块获取的预设时间内的评论日志，确定各个用户分别对应的用户特征信息；

构建模块，用于基于所述第一确定模块确定的各个用户分别对应的用户特征信息，构建图结构文件；

识别模块，用于将所述构建模块构建的图结构文件输入至训练后的图卷积网络模型，识别作弊用户，所述训练后的图卷积网络模型是基于标注后的图结构文件样本训练得到；

所述构建模块，具体用于：

将各个用户分别对应的唯一标识信息确定为图结构的节点；

基于所述各个用户分别对应的用户特征信息，并通过预设条件确定图结构的边关系；

基于所述图结构的节点以及所述图结构的边关系，构建所述图结构文件；

所述各个用户分别对应的用户特征信息作为各个节点分别对应的属性信息。