[发明专利]作弊识别方法、装置、电子设备及可读存储介质

权利要求书

1.一种作弊识别方法，其特征在于，所述方法包括：

获取用户的实时行为，并根据所述实时行为统计或提取生成实时用户特征，其中，所述实时行为至少包括：评论行为、浏览行为、下单行为、登录行为、搜索行为、定位行为；

将所述实时用户特征、预先生成的历史用户特征输入至预先训练得到的机器模型中，预测得到所述实时行为对应的作弊概率，所述预先生成的历史用户特征由每一时刻生成的实时用户特征累积而成，所述机器模型通过用户特征样本构成的用户特征样本集训练得到，所述用户特征样本包括多个维度的用户特征，所述用户特征样本集根据所述用户特征之间的相关性进行预处理，每个维度的用户特征由该维度的用户行为统计或提取而得到，每个维度的用户特征对识别作弊行为具有一个贡献度；

根据所述作弊概率确定所述实时行为是否为作弊行为；

若所述作弊概率大于预设作弊概率阈值，则确定所述实时行为为作弊行为，将所述实时行为确定为所述用户的历史作弊行为。

2.根据权利要求1所述的方法，其特征在于，所述用户特征样本集根据所述用户特征之间的相关性进行预处理，包括：

计算所述用户特征样本中所述用户特征之间的相关性系数；

若其中两个所述用户特征之间的相关性系数大于预设相关阈值，则从所述用户特征样本集中每个用户特征样本中删除第一目标特征，所述第一目标特征为两个所述用户特征中的其中一个；

在所述将所述实时用户特征、预先生成的历史用户特征输入至预先训练得到的机器模型中，预测得到所述实时行为对应的作弊概率的步骤之前，所述方法还包括：

从所述实时用户特征、预先生成的历史用户特征中删除所述第一目标特征。

3.根据权利要求1或2所述的方法，其特征在于，所述用户特征样本集通过如下步骤扩展得到新的用户特征样本：

确定所述用户特征样本包含的所述用户特征所符合的分布函数；

根据所述分布函数以及所述用户特征样本生成新的用户特征样本。

4.根据权利要求3所述的方法，其特征在于，所述根据所述分布函数以及所述用户特征样本生成新的用户特征样本的步骤，包括：

将所述用户特征样本包含的用户特征对应的取值作为参考取值；

根据所述分布函数确定所述参考取值之外的其他取值，得到新的用户特征样本的用户特征对应的取值。

5.根据权利要求4所述的方法，其特征在于，所述用户特征样本包括表示所述用户特征样本是否为作弊样本的标注信息，所述用户特征样本集通过如下步骤进行预处理：

针对每个用户特征，根据所述用户特征的取值分布、所述标注信息，采用预设函数模型确定所述用户特征对识别作弊行为的贡献度；

从所述用户特征样本集中每个用户特征样本中删除第二目标特征，所述第二目标特征为所述贡献度不满足预设贡献度条件的用户特征；

在所述将所述实时用户特征、预先生成的历史用户特征输入至预先训练得到的机器模型中，预测得到所述实时行为对应的作弊概率的步骤之前，所述方法还包括：

从所述实时用户特征、预先生成的历史用户特征中删除所述第二目标特征。

6.根据权利要求5所述的方法，其特征在于，所述根据所述作弊概率确定所述实时行为是否为作弊行为的步骤，包括：

若所述作弊概率大于预设作弊概率阈值，则确定所述实时行为为作弊行为；

若所述作弊概率小于预设作弊概率阈值，则确定所述实时行为不为作弊行为。