【技术实现步骤摘要】
本公开涉及身份验证，尤其涉及一种用户身份验证方法、装置、设备、介质及产品。
技术介绍
1、现有的研究中，通常根据不同用户在不同数据的准确率不同给模型设定权重，通过最终的投票结果判断样本是否属于用户本身。虽然这种方法效率高，可扩展性强，但不同数据的投票权重难以确定，也不能考虑到不同数据预测结果之间的关联，准确度较差。
技术实现思路
1、鉴于上述问题，本公开提供了用户身份验证方法、装置、设备、介质和程序产品。
2、根据本公开的第一个方面，提供了一种用户身份验证方法，包括：
3、提取待处理样本中的所有行为数据的行为特征；
4、按照所述行为特征的数据类型，确定所述行为特征的嵌入向量；
5、基于所述所有行为数据的所述行为特征的嵌入向量，利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户，所述多层感知机模型用于确定所述待处理样本属于所述目标用户的概率。
6、在本公开一实施例中，所述行为特征的数据类型包括类别单值、类别多值、数值和向量中的至少之一，所述按照所述行为特征的数据类型，确定所述行为特征的嵌入向量包括：
7、对于所述数据类型为类别单值的行为特征，采用单值类别特征法确定所述行为特征的嵌入向量，所述单值类别特征法为将一个与所述行为特征的特征值唯一映射的向量确定为所述行为特征的嵌入向量；
8、对于所述数据类型为类别多值的行为特征，获取所述行为特征的所有类别类型特征，采用所述单值类别特征法确定每个所述
9、对于所述数据类型为数值的行为特征，获得所述行为特征的通用嵌入向量，然后将所述行为特征的取值乘以所述行为特征唯一对应的向量确定为所述行为特征的嵌入向量；
10、对于所述数据类型为向量的行为特征，通过向量模型确定所述行为特征的嵌入向量。
11、在本公开一实施例中，所述基于所述所有行为数据的所述行为特征的嵌入向量利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户包括：
12、将每个行为数据的所述行为特征的嵌入向量进行拼接，得到所述行为数据的嵌入表示；
13、根据所述待处理样本中所有所述行为数据的嵌入表示，利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户。
14、在本公开一实施例中，所述根据所述待处理样本中所有所述行为数据的嵌入表示利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户包括：
15、将行为类型相同的所有行为数据分类进行聚合，得到按照所述行为类型分类的行为数据集；
16、对每一所述行为数据集，基于所述行为数据集中所有行为数据的嵌入表示，确定在对应所述行为类型下所述待处理样本属于所述目标用户的概率；
17、根据在每个所述行为类型下所述目标用户属于预设类别的概率利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户。
18、在本公开一实施例中，所述基于所述行为数据集中所有行为数据的嵌入表示，确定在对应所述行为类型下所述待处理样本属于所述目标用户的概率包括：
19、基于所述行为数据集中所有行为数据的嵌入表示，确定所述行为数据集的整体表示；
20、将所述行为数据集的整体表示输入多层感知机模型的第一层，得到在对应所述行为类型下所述待处理样本属于所述目标用户的概率。
21、在本公开一实施例中，所述基于所述行为数据集中所有行为数据的嵌入表示，确定所述行为数据集的整体表示包括：
22、使用前向长短期记忆网络lstm模型和后向lstm模型分别对所述行为数据集中的行为数据的嵌入表示建模，得到所述行为数据的前向建模结果和后向建模结果；
23、将所述前向建模结果和所述后向建模结果进行拼接，得到所述行为数据集中所有所述行为数据的融合序列信息表示；
24、将所述行为数据集中所有所述行为数据的融合序列信息表示进行求和，得到所述行为数据集的整体表示。
25、在本公开一实施例中，所述方法还包括：
26、确定所述待处理样本中的所有用户特征的嵌入向量；
27、根据所述待处理样本中的所有用户特征的嵌入向量，以及，所述所有行为数据的所述行为特征的嵌入向量，利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户。
28、在本公开一实施例中，所述根据所述待处理样本中的所有用户特征的嵌入向量，以及，所述所有行为数据的所述行为特征的嵌入向量利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户包括：
29、根据所述待处理样本中的所有用户特征的嵌入向量，确定所述所有用户特征的用户特征表示，所述用户特征表示包括所述所有用户特征的整体表示、所有用户特征间的二阶组合信息、所述所有用户特征间的二阶权重组合信息中的至少之一；
30、基于所述行为数据集中所有行为数据的行为特征的嵌入向量，确定所述行为数据集的整体表示；
31、将所述用户特征表示与所述行为数据集的整体表示进行拼接，得到拼接结果；
32、将所述拼接结果输入多层感知机模型的第一层，得到在对应所述行为类型下所述待处理样本属于所述目标用户的概率。
33、在本公开一实施例中，所述方法包括：
34、将所述待处理样本中的所有用户特征的嵌入向量进行拼接，得到所述所有用户特征的整体表示；
35、将所述待处理样本中的所有用户特征的嵌入向量中任两个嵌入向量均进行元素积后求和，得到所述所有用户特征间的二阶组合信息；
36、将所述待处理样本中的所有用户特征分别乘以预设权重后进行拼接，得到所有用户特征间的二阶权重组合信息。
37、在本公开一实施例中，所述行为类型包括输入行为、搜索行为、app使用行为以及语义行为中的至少之一；
38、所述语义行为的行为数据的行为特征的数据类型为向量类型。
39、本公开的第二方面提供了一种数据处理装置，包括：
40、特征提取模块，用于提取待处理样本中的所有行为数据的行为特征；
41、向量表示模块，用于按照所述行为特征的数据类型，确定所述行为特征的嵌入向量；
42、判别模块，用于基于所述所有行为数据的所述行为特征的嵌入向量利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户，所述多层感知机模型用于确定所述待处理样本属于所述目标用户的概率。
43、本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述方法。
44、本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述方法本文档来自技高网...
【技术保护点】
1.一种用户身份验证方法，包括：
2.根据权利要求1所述的用户身份验证方法，所述行为特征的数据类型包括类别单值、类别多值、数值和向量中的至少之一，所述按照所述行为特征的数据类型，确定所述行为特征的嵌入向量包括：
3.根据权利要求1所述的用户身份验证方法，所述基于所述所有行为数据的所述行为特征的嵌入向量利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户包括：
4.根据权利要求3所述的用户身份验证方法，所述根据所述待处理样本中所有所述行为数据的嵌入表示利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户包括：
5.根据权利要求4所述的用户身份验证方法，所述基于所述行为数据集中所有行为数据的嵌入表示，确定在对应所述行为类型下所述待处理样本属于所述目标用户的概率包括：
6.根据权利要求5所述的用户身份验证方法，所述基于所述行为数据集中所有行为数据的嵌入表示，确定所述行为数据集的整体表示包括：
7.根据权利要求1至6任意一项所述的用户身份验证方法，所述方法还包括：
8.根据权利要求7所
9.根据权利要求7所述的用户身份验证方法，所述方法包括：
10.根据权利要求1或3所述的用户身份验证方法，所述行为类型包括输入行为、搜索行为、APP使用行为以及语义行为中的至少之一；
11.一种数据处理装置，包括：
12.一种电子设备，包括：
13.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～10中任一项所述的方法。
14.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～10中任一项所述的方法。
...【技术特征摘要】
1.一种用户身份验证方法，包括：
2.根据权利要求1所述的用户身份验证方法，所述行为特征的数据类型包括类别单值、类别多值、数值和向量中的至少之一，所述按照所述行为特征的数据类型，确定所述行为特征的嵌入向量包括：
3.根据权利要求1所述的用户身份验证方法，所述基于所述所有行为数据的所述行为特征的嵌入向量利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户包括：
4.根据权利要求3所述的用户身份验证方法，所述根据所述待处理样本中所有所述行为数据的嵌入表示利用预先训练的多层感知机模型确定所述待处理样本是否属于目标用户包括：
5.根据权利要求4所述的用户身份验证方法，所述基于所述行为数据集中所有行为数据的嵌入表示，确定在对应所述行为类型下所述待处理样本属于所述目标用户的概率包括：
6.根据权利要求5所述的用户身份验证方法，所述基于所述行为数据集中所有行为数据的嵌入表示，确定所述行为数据集的整体表示...
【专利技术属性】
技术研发人员：魏晓东，邰振赢，张婧怡，
申请(专利权)人：北京壹心壹翼科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。