交互行为的识别方法和装置、存储介质及电子设备制造方法及图纸

本发明专利技术公开了一种交互行为的识别方法和装置、存储介质及电子设备。该方法包括：获取目标用户账号在目标应用中执行交互行为所生成的行为记录；从行为记录中提取目标用户账号所执行的交互行为的行为序列特征及行为统计特征，行为序列特征用于指示交互行为在目标时间段内的时序特性，行为统计特征用于指示交互行为基于多个统计标签分别进行统计后的统计结果；获取与行为序列特征相匹配的序列向量和与行为统计特征相匹配的统计向量；融合序列向量及统计向量得到行为识别系数；在行为识别系数大于或等于目标阈值的情况下，确定所执行的交互行为是目标交互行为。本发明专利技术解决了无法识别出反映用户真实的交互行为所导致的行为识别准确性较低的问题。

Identification method and device of interactive behavior, storage medium and electronic equipment

【技术实现步骤摘要】
交互行为的识别方法和装置、存储介质及电子设备
本专利技术涉及计算机领域，具体而言，涉及一种交互行为的识别方法和装置、存储介质及电子设备。
技术介绍
在很多游戏应用中，为了保证游戏的公平性，常常会基于不同玩家的历史游戏行为产生的大数据，来计算用以表征玩家游戏行为的健康程度的指标，进而基于这些指标来调整各个玩家的游戏权限。如使用包括账号信息、日常活跃、游戏付费、作弊处罚、安全贡献五个维度及其800多个子维度的数据，来计算不同玩家的游戏信用值，从而实现基于该游戏信用值来为不同信用等级的玩家提供不同的游戏权限，例如，给高信用玩家提供特权或福利，而对低信用玩家进行行为限制，具体可以为：降低上述低信用玩家的收益、提高上述低信用分玩家在游戏中的发言/私聊/加好友等交互行为的门槛、限制上述低信用分玩家交易或取消上述低信用分玩家的游戏测试资格、体验服资格或活动资格等。其中，部分个人玩家会选择挂机、部分工作室玩家会通过较长时间的挂机和在游戏应用中执行简单操作来进行刷分，也就是通过增加日常活跃度，达到恢复游戏信用值的目的。也就是说，在相关技术中尚未提供一种有效的识别方式，来识别出用于反映出用户在各个终端应用中的真实的活跃度的交互行为，从而导致行为识别准确性较低的问题。针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术实施例提供了一种交互行为的识别方法和装置、存储介质及电子设备，以至少解决无法识别出反映用户真实的交互行为所导致的行为识别准确性较低的技术问题。根据本专利技术实施例的一个方面，提供了一种交互行为的识别方法，包括：获取目标用户账号在目标应用中执行交互行为所生成的行为记录；从上述行为记录中提取上述目标用户账号所执行的交互行为的行为序列特征及行为统计特征，其中，上述行为序列特征用于指示上述交互行为在目标时间段内的时序特性，上述行为统计特征用于指示上述交互行为基于多个统计标签分别进行统计后的统计结果；获取与上述行为序列特征相匹配的序列向量，和与上述行为统计特征相匹配的统计向量；融合上述序列向量及上述统计向量，得到行为识别系数；在上述行为识别系数大于或等于目标阈值的情况下，确定上述目标用户账号所执行的交互行为是目标交互行为。根据本专利技术实施例的另一方面，还提供了一种交互行为的识别装置，包括：第一获取单元，用于获取目标用户账号在目标应用中执行交互行为所生成的行为记录；提取单元，用于从上述行为记录中提取上述目标用户账号所执行的交互行为的行为序列特征及行为统计特征，其中，上述行为序列特征用于指示上述交互行为在目标时间段内的时序特性，上述行为统计特征用于指示上述交互行为基于多个统计标签分别进行统计后的统计结果；第二获取单元，用于获取与上述行为序列特征相匹配的序列向量，和与上述行为统计特征相匹配的统计向量；融合单元，用于融合上述序列向量及上述统计向量，得到行为识别系数；识别单元，用于在上述行为识别系数大于或等于目标阈值的情况下，确定上述目标用户账号所执行的交互行为是目标交互行为。根据本专利技术实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述交互行为的识别方法。根据本专利技术实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过所述计算机程序执行上述的交互行为的识别方法。在本专利技术实施例中，基于行为序列和统计特征所构建的双塔模型，从目标用户账号的行为记录提取出行为序列特征和行为统计特征，并获取与行为序列特征相匹配的序列向量，和与行为统计特征相匹配的统计向量，以融合两个向量得到用于预测用户所执行的交互行为为目标交互行为的行为识别系数。也就是说，通过融合用户账号在目标应用中所执行的交互行为的时序特性，和基于多个统计标签对交互行为分别统计的统计结果，来准确的识别出该目标用户账号真实的交互行为，从而达到确保得到该用户账号的真实的活跃度的效果，进而克服相关技术中由于用户恶意挂机等行为所导致的识别出用户的真实交互行为的准确性较低的技术问题。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是根据本专利技术实施例的一种可选的交互行为的识别方法的硬件环境的示意图；图2是根据本专利技术实施例的一种可选的交互行为的识别方法的流程图；图3是根据本专利技术实施例的一种可选的交互行为的识别方法的示意图；图4是根据本专利技术实施例的另一种可选的交互行为的识别方法的流程图；图5是根据本专利技术实施例的又一种可选的交互行为的识别方法的示意图；图6是根据本专利技术实施例的又一种可选的交互行为的识别方法的示意图；图7是根据本专利技术实施例的又一种可选的交互行为的识别方法的示意图；图8是根据本专利技术实施例的一种可选的交互行为的识别方法的示意图；图9是根据本专利技术实施例的一种可选的交互行为的识别装置的结构示意图；图10是根据本专利技术实施例的一种可选的电子设备的结构示意图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。在本申请实施例中，可以但不限于使用以下技术术语：人工智能(ArtificialIntelligence，简称AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处本文档来自技高网...

【技术保护点】
1.一种交互行为的识别方法，其特征在于，包括：/n获取目标用户账号在目标应用中执行交互行为所生成的行为记录；/n从所述行为记录中提取所述目标用户账号所执行的交互行为的行为序列特征及行为统计特征，其中，所述行为序列特征用于指示所述交互行为在目标时间段内的时序特性，所述行为统计特征用于指示所述交互行为基于多个统计标签分别进行统计后的统计结果；/n获取与所述行为序列特征相匹配的序列向量，和与所述行为统计特征相匹配的统计向量；/n融合所述序列向量及所述统计向量，得到行为识别系数；/n在所述行为识别系数大于或等于目标阈值的情况下，确定所述目标用户账号所执行的交互行为是目标交互行为。/n

【技术特征摘要】
1.一种交互行为的识别方法，其特征在于，包括：
获取目标用户账号在目标应用中执行交互行为所生成的行为记录；
从所述行为记录中提取所述目标用户账号所执行的交互行为的行为序列特征及行为统计特征，其中，所述行为序列特征用于指示所述交互行为在目标时间段内的时序特性，所述行为统计特征用于指示所述交互行为基于多个统计标签分别进行统计后的统计结果；
获取与所述行为序列特征相匹配的序列向量，和与所述行为统计特征相匹配的统计向量；
融合所述序列向量及所述统计向量，得到行为识别系数；
在所述行为识别系数大于或等于目标阈值的情况下，确定所述目标用户账号所执行的交互行为是目标交互行为。


2.根据权利要求1所述的方法，其特征在于，所述获取与所述行为序列特征相匹配的序列向量，和与所述行为统计特征相匹配的统计向量包括：
通过目标识别网络模型中的第一识别子网络获取所述行为序列特征相匹配的所述序列向量，并通过所述目标识别网络模型中的第二识别子网络获取所述行为统计特征相匹配的所述统计向量，其中，所述第一识别子网络中包括多尺度卷积结构和门控过滤结构，所述第二识别子网络中包括多阶特征融合结构。


3.根据权利要求2所述的方法，其特征在于，所述通过目标识别网络模型中的第一识别子网络获取所述行为序列特征相匹配的所述序列向量，并通过所述目标识别网络模型中的第二识别子网络获取所述行为统计特征相匹配的所述统计向量包括：
在所述第一识别子网络中，通过M层N尺度卷积结构对所述行为序列特征进行卷积操作，以得到N个候选行为片段特征矩阵，其中，所述多尺度卷积结构包括所述M层N尺度卷积结构，M、N为正整数；对所述N个候选行为片段特征矩阵分别进行最大池化处理，得到N个关键行为片段特征向量；通过所述门控过滤结构对所述N个关键行为片段特征向量进行融合，以得到所述序列向量；
在所述第二识别子网络中，通过所述多阶特征融合结构分别提取所述行为统计特征的第一阶特征、第二阶特征及第三阶特征；拼接所述第一阶特征、所述第二阶特征及所述第三阶特征，得到多阶统计特征；对所述多阶统计特征进行转换，以得到所述统计向量。


4.根据权利要求3所述的方法，其特征在于，所述在所述第二识别子网络中，通过所述多阶特征融合结构分别提取所述行为统计特征的第一阶特征、第二阶特征及第三阶特征包括：
通过所述多阶特征融合结构中的第一特征提取结构，提取所述行为统计特征的一阶特征，其中，所述第一特征提取结构用于对特征元素执行线性加权求和操作；
通过所述多阶特征融合结构中的第二特征提取结构，提取所述行为统计特征的二阶特征，其中，所述第二特征提取结构用于对特征元素执行交叉组合操作；
通过所述多阶特征融合结构中的第三特征提取结构，提取所述行为统计特征的多阶特征，其中，所述第三特征提取结构用于对特征元素执行缩放拼接操作。


5.根据权利要求2所述的方法，其特征在于，所述融合所述序列向量及所述统计向量，得到行为识别系数包括：
对所述序列向量及所述统计向量进行拼接，得到目标向量；
通过非线性全连接层对所述目标向量进行全局融合和维度转换处理，得到所述行为识别系数。


6.根据权利要求1所述的方法，其特征在于，所述从所述行为记录中提取所述目标用户账号所执行...

【专利技术属性】
技术研发人员：陈观钦，王洁怡，丁朝，陈远，王摘星，王阔，江彩霞，陈斌，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44