[发明专利]检测对象的方法、装置和系统在审

专利信息
申请号: 201911301628.4 申请日: 2019-12-17
公开(公告)号: CN112990938A 公开(公告)日: 2021-06-18
发明(设计)人: 高喆;贺国秀;康杨杨;孙常龙;张琼;司罗 申请(专利权)人: 阿里巴巴集团控股有限公司
主分类号: G06Q30/00 分类号: G06Q30/00;G06F40/289;G06F40/242;G06F16/903;G06N3/04
代理公司: 北京博浩百睿知识产权代理有限责任公司 11134 代理人: 谢湘宁;张文华
地址: 英属开曼群岛大开*** 国省代码: 暂无信息
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 检测 对象 方法 装置 系统
【权利要求书】:

1.一种检测对象的方法,其特征在于,包括:

获取用户行为数据,其中,所述用户行为数据表征查询目标对象的过程所产生的数据,所述用户行为数据至少包括:查询数据以及对象数据;

分别对所述查询数据以及所述对象数据进行向量化处理,得到第一向量和第二向量;

对所述第一向量和所述第二向量进行拼接处理,得到拼接结果,并通过神经网络输出所述拼接结果,得到标签;

根据所述标签确定所述目标对象是否包括异常对象。

2.根据权利要求1所述的方法,其特征在于,所述查询数据至少包括用户在搜索所述目标对象的过程中所使用的搜索词以及所述搜索词的搜索顺序,所述对象数据至少包括用户对所述目标对象进行选中时所产生的数据。

3.根据权利要求1所述的方法,其特征在于,分别对所述查询数据以及所述对象数据进行向量化处理,得到第一向量和第二向量,包括:

从所述用户行为数据中提取所述查询数据以及所述对象数据;

基于所述查询数据以及所述对象数据的生成时间,分别对所述查询数据以及所述对象数据进行排序处理,分别得到查询序列以及对象序列,其中,所述查询序列表征所述查询数据对应的文本序列,所述对象序列表征所述对象数据对应的文本序列;

确定所述查询序列以及所述对象序列对应的第一矩阵和第二矩阵;

分别对所述第一矩阵和所述第二矩阵进行向量化处理,分别得到第一向量和第二向量。

4.根据权利要求3所述的方法,其特征在于,确定所述查询序列以及所述对象序列对应的第一矩阵和第二矩阵,包括:

对所述查询序列以及所述对象序列进行分词处理,分别得到第一分词和第二分词;

基于预设词典确定所述第一分词和所述第二分词对应的第一分词标识和第二分词标识;

获取与所述第一分词标识和所述第二分词标识分别对应的第一词向量和第二词向量;

对所述第一词向量和所述第二词向量分别进行平均池化处理,得到所述第一矩阵和所述第二矩阵。

5.根据权利要求3所述的方法,其特征在于,分别对所述第一矩阵和所述第二矩阵进行向量化处理,分别得到第一向量和第二向量,包括:

使用长短时间记忆网络分别对所述第一矩阵和所述第二矩阵进行建模,得到第一建模结果和第二建模结果;

对所述第一建模结果和所述第二建模结果进行拼接,得到所述第一向量和所述第二向量。

6.根据权利要求4所述的方法,其特征在于,所述方法还包括:

获取所述第一分词和所述第二分词的词频;

基于所述第一分词和所述第二分词的词频生成所述预设词典;

其中,基于预设词典确定所述第一分词和所述第二分词对应的第一分词标识和第二分词标识,包括:基于所述预设词典对所述第一分词和所述第二分词进行编号,得到所述第一分词标识和所述第二分词标识。

7.根据权利要求4所述的方法,其特征在于,获取与所述第一分词标识和所述第二分词标识分别对应的第一词向量和第二词向量,包括:

从预设词向量库中获取所述第一词向量和所述第二词向量,其中,所述预设词向量库是通过训练得到的,或者通过随机初始化得到的。

8.一种检测对象的方法,其特征在于,包括:

获取与目标对象对应的用户行为数据,其中,所述用户行为数据至少包括:查询数据以及对象数据;

基于预设模型对所述用户行为数据进行检测,得到检测结果,其中,所述检测结果用于表征所述目标对象是否为异常对象,所述预设模型为使用多组数据通过神经网络学习训练得到的,所述多组数据中的每组数据至少包括:对对象进行查询时的用户行为数据,以及标签,所述标签用于表征所述对象是否为所述异常对象。

9.根据权利要求8所述的方法,其特征在于,在基于预设模型对所述用户行为数据进行检测,得到检测结果之前,所述方法还包括:

基于随机梯度下降算法确定所述预设模型的模型参数,其中,所述预设模型对应的交叉熵最小时的模型参数为所述预设模型对应的模型参数。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于阿里巴巴集团控股有限公司,未经阿里巴巴集团控股有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201911301628.4/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top