一种数据处理方法及装置制造方法及图纸

本申请提供了一种数据处理方法以及相关装置。本申请实施例可应用于人工智能领域。其方法包括：首先，获取目标对象的属性统计数据、行为序列数据及绑定信息；接着，将属性统计数据作为统计特征融合网络的输入，输出属性特征向量；将行为序列数据作为序列特征提取网络的输入，输出序列特征向量；将属性特征向量及序列特征向量作为门限网络的输入，输出对象特征向量；然后，将绑定信息及对象特征向量作为绑定关系图注意力网络的输入，输出绑定信息向量；最后，将对象特征向量及绑定信息向量作为多源特征融合网络的输入，输出目标对象是否异常的分类预测结果。本申请实施例提供的方法，提高了目标对象异常识别的准确率。提高了目标对象异常识别的准确率。提高了目标对象异常识别的准确率。

【技术实现步骤摘要】
一种数据处理方法及装置


[0001]本申请涉及人工智能
，尤其涉及一种数据处理方法及装置。

技术介绍

[0002]用户通过脚本代码或外挂程序对应用进行操控以获得应用中的资产、虚拟装备或者提高应用对象等级，这种作弊行为的对象也称黑产对象，黑产对象会导致在程序中对其他用户造成不公平的情况，同时也对应用开发公司造成一定的经济损失。
[0003]目前，一般识别黑产对象的方法主要是基于设定规则对黑产对象进行识别，例如将每天的程序在线时长及每周在线天数作为黑产对象的识别条件，当对象累计一周在线时长超过150小时，且每天在线时长超过20小时时，则判定该对象为黑产对象。但是这种方法过于依赖于关键特征和经验，黑产对象可以凭借经验从而避开设定规则，继续进行作弊行为，可见，基于设定规则对黑产对象进行识别的准确率较低。

技术实现思路

[0004]本申请实施例提供了一种数据处理方法以及相关装置，通过统计特征融合网络、序列特征提取网络及绑定关系图注意力网络对属性统计数据、行为序列数据及绑定信息等要素进行计算，得到目标对象的分类预测结果，从而判本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：获取目标对象的属性统计数据、行为序列数据及绑定信息，其中，所述属性统计数据用于表征对所述目标对象在预设时间内进行相关属性统计后得到的数据，所述行为序列数据用于表征根据所述目标对象在预设时间的目标行为产生的数据；将所述属性统计数据作为统计特征融合网络的输入，通过所述统计特征融合网络输出属性特征向量；将所述行为序列数据作为序列特征提取网络的输入，通过所述序列特征提取网络输出序列特征向量；将所述属性特征向量及所述序列特征向量作为门限网络的输入，通过所述门限网络输出对象特征向量；将所述绑定信息及所述对象特征向量作为绑定关系图注意力网络的输入，通过所述绑定关系注意力网络输出绑定信息向量；将所述对象特征向量及所述绑定信息向量作为多源特征融合网络的输入，通过所述多元特征融合网络输出所述目标对象的分类预测结果。2.如权利要求1所述的数据处理方法，其特征在于，所述统计特征融合网络包括特征映射层及特征交叉层；所述将所述属性统计数据作为统计特征融合网络的输入，通过所述统计特征融合网络输出属性特征向量，包括：根据所述属性统计数据的数据特征及所述属性统计数据，生成属性特征子向量；将所述属性特征子向量作为所述特征映射层的输入，通过所述特征映射层输出属性特征一阶子向量，其中，所述特征映射层用于将所述属性特征子向量中的对应元素相加；将所述属性特征子向量作为所述特征交叉层的输入，通过所述特征交叉层输出属性特征二阶子向量，其中，所述特征交叉层用于将所述属性特征子向量中的对应元素相乘，将对应元素相乘的结果进行相加；将所述属性特征一阶子向量与所述属性特征二阶子向量进行向量拼接，得到所述属性特征向量。3.如权利要求1所述的数据处理方法，其特征在于，所述序列特征提取网络包括卷积层及特征过滤层；所述将所述行为序列数据作为序列特征提取网络的输入，通过所述序列特征提取网络输出序列特征向量，包括：将所述行为序列数据作为所述卷积层的输入，通过所述卷积层输出P个行为序列片段，其中，所述行为序列片段由至少一个所述行为序列数据中的元素组成，P为大于1的整数；通过合并函数，将所述P个行为序列片段进行合并，得到行为卷积序列；将所述行为卷积序列作为所述特征过滤层的输入，通过所述特征过滤层输出所述序列特征向量。4.如权利要求1所述的数据处理方法，其特征在于，所述门限网络包括特征融合层及全连接层；所述将所述属性特征向量及所述序列特征向量作为门限网络的输入，通过所述门限网络输出对象特征向量，包括：
将所述属性特征向量与所述序列特征向量的拼接向量作为所述特征融合层的输入，通过所述特征融合层输出拼接特征向量；将所述拼接特征向量作为所述全连接层的输入，通过所述全连接层输出所述对象特征向量。5.如权利要求1所述的数据处理方法，其特征在于，所述绑定信息包括对象绑定信息及设备绑定信息，所述对象绑定信息包括用户关联对象，所述用户关联对象与所述目标对象对应于同一用户信息；所述设备绑定信息包括设备关联对象，所述设备关联对象与所述目标对象对应于同一设备信息；所述绑定关系图注意力网络包括对象绑定关系图注意力层及设备绑定关系图注意力层；所述将所述绑定信息及所述对象特征向量作为绑定关系图注意力网络的输入，通过所述绑定关系注意力网络输出绑定信息向量，包括：将所述对象绑定信息及所述对象特征向量作为所述对象绑定关系图注意力层的输入，通过所述对象绑定关系图注意力层输出对象绑定向量；将所述设备绑定信息及所述对象特征向量作为所述设备绑定关系图注意力层的输入，通过所述设备绑定关系图注意力层输出设备绑定向量；将所述对象绑定向量及所述设备绑定向量作为绑定融合网络的输入，通过所述绑定融合网络输出绑定信息向量，其中，所述绑定信息向量包括融合对象绑定信息的二级设备绑定全局向量，以及融合设备绑定信息的二级对象绑定全局向量，所述融合对象绑定信息的二级设备绑定全局向量为根据所述对象绑定信息及所述设备绑定向量得到的，所述融合设备绑定信息的二级对象绑定全局向量为根据所述设备绑定信息及所述对象绑定向量得到的。6.如权利要求1所述的数据处理方法，其特征在于，所述多源特征融合网络包括特征提取层及二分类层；所述将所述对象特征向量及所述绑定信息向量作为多源特征融合网络的输入，通过所述多元特征融合网络输出所述目标对象的分类预测结果，包括...

【专利技术属性】
技术研发人员：陈观钦，蓝杨，王摘星，郭贤均，王梦秋，陈远，丁朝，
申请(专利权)人：深圳市腾讯信息技术有限公司，
类型：发明
国别省市：