[发明专利]一种基于用户行为序列的短视频异常行为识别方法

权利要求书

1.一种基于用户行为序列的短视频异常行为识别方法，其特征在于：具体包含如下步骤；

步骤1，获得用户全面的行为序列，包含用户在短视频社交平台上的各种属性特征；

步骤2，采用深度兴趣网络DIN作为训练模型，将用户行为序列分为连续值行为特征和离散值行为特征；且连续值行为特征和离散值行为特征以时间顺序进行排序，用户的id和设备作为条件输入，进而使深度兴趣网络DIN根据不同用户在行为序列特征下做出精准分类；

步骤3，获取用户的连续值行为特征和离散值行为特征，基于深度兴趣网络DIN的短视频用户行为序列识别网络结构，经过注意力机制Attention结构和全连接FC结构进行用户行为序列特征间的关联学习，通过行为相似性和特点来识别水军用户。

2.根据权利要求1所述的一种基于用户行为序列的短视频异常行为识别方法，其特征在于：在步骤1中，用户在短视频社交平台上的各种属性特征包含用户账号、作品账号、收藏作品账号、是否浏览完作品、是否对作品点赞、登录设备、作品发布时间、作品时长、浏览作品时长。

3.根据权利要求1所述的一种基于用户行为序列的短视频异常行为识别方法，其特征在于：在步骤2中，连续值行为特征在短视频平台中包含作品账号、收藏作品账号、是否浏览完作品、是否对作品点赞、作品发布时间、作品时长、浏览作品时长；

以用户账号为基本，将同一用户下的上述连续值行为进行聚类，再按时间顺序进行排序，从而获得在一段时间内的某用户的连续值行为序列；

Con_act_seq＝{actions₁,actions₂,actions₃,L actions_t}

actions_t＝(f₁(t),f₂(t),f₃(t),L f_n(t))

其中，t表示某一时刻，Con_act_seq表示一段时间内的连续值行为序列特征；actions_t表示在t时刻下某用户产生的所有行为序列集合；f_n(t)表示在t时刻下不同行为的值，n为不同行为序号；

由于上述的连续行为数值大都表示次数、时间点，在构建数据集时需要对上述排序后的数值按顺序映射到连续实数值上，即

充分学习不同时间段内的用户连续行为之间的关系，将整个时间段划分为k个子时间段，子时间段间可重叠，d为重叠长度，具体如下：

4.根据权利要求1所述的一种基于用户行为序列的短视频异常行为识别方法，其特征在于：在步骤2中，离散值行为序列在短视频平台中为用户账号、登录设备，将离散行为序列构建为条件输入，作为连续值行为特征的辅助条件，具体如下：

Dis_act_seq＝{h₁,h₂,L h_n}

其中，Dis_act_seq表示所有离散行为h_n(t)值的集合。

5.根据权利要求1所述的一种基于用户行为序列的短视频异常行为识别方法，其特征在于：由连续值行为特征和离散值行为特征分别构建连续值和离散值的用户行为序列特征，按同一用户u_id进行组合，

即

相应的对于数据中所有用户的行为序列为

其中，u表示不同u_id的用户，label_l表示每个用户对应的标签，其中l＝0,1,2…,不同类型的水军团伙标签不同，包含机器人水军、刷点赞量、恶意评论，对水军团伙的类型细分更加细致。