行为事件的识别方法和装置、电子设备和存储介质转让专利
申请号 : CN202010929350.1
文献号 : CN112036762B
文献日 : 2021-08-31
发明人 : 刘雷 , 李嘉晨 , 郭凯 , 刘思明
申请人 : 贝壳找房(北京)科技有限公司
摘要 :
权利要求 :
1.一种行为事件的识别方法,其特征在于,包括:基于异构关系网络获取目标现场行为事件相关的目标第一用户与目标第二用户之间的网络关系特征;其中,所述异构关系网络基于第一方用户与第二方用户之间、以及第一方用户之间的通信关系建立,所述第一方用户包括至少一个第一用户,所述第二方用户包括至少一个第二用户;所述异构关系网络中的节点包括表示所述第一方用户的节点和表示所述第二方用户的节点,所述异构关系网络中两个节点之间的边表示所述两个节点之间的通信关系;
获取所述目标第一用户在所述目标现场行为事件发生前后预设周期内的线上行为数据,得到用户行为特征;
获取所述目标现场行为事件的数据,得到现场行为事件特征;
利用判别模型,基于所述网络关系特征、所述用户行为特征和所述现场行为事件特征,识别所述目标现场行为事件为预定属性行为事件的概率值,以便基于所述概率值确定所述目标现场行为事件是否预定属性行为事件。
2.根据权利要求1所述的方法,其特征在于,所述异构关系网络具体为无权异构关系网络;
所述异构关系网络中两个节点之间的边表示所述两个节点之间具有历史通信关系。
3.根据权利要求2所述的方法,其特征在于,所述网络关系特征包括:所述目标第一用户与所述目标第二用户之间各种长度的路径数目,所述目标第一用户的度,所述目标第二用户的度,所述目标第一用户与所述目标第二用户之间在所述目标现场行为事件发生前后基于时间聚合的通信次数。
4.根据权利要求3所述的方法,其特征在于,获取所述目标第一用户与所述目标第二用户之间各种长度的路径数目,包括:获取所述异构关系网络的邻接矩阵,所述邻接矩阵中的元素包括:所述第一方用户之间的通信关系矩阵,所述第一方用户与所述第二方用户之间的通信关系矩阵,所述第二方用户与所述第一方用户的通信关系矩阵,用于元素补齐的零矩阵;
分别基于不同个数的邻接矩阵相乘的方式,获取不同个数的邻接矩阵的乘积;
从所述不同个数的邻接矩阵的乘积中,获取所述目标第一用户与所述目标第二用户之间各种长度的路径数目。
5.根据权利要求3所述的方法,其特征在于,获取所述目标第一用户的度,包括:从所述异构关系网络中获取与表示所述目标第一用户的节点相关联的边的条数,作为所述目标第一用户的度;
和/或,
获取所述目标第二用户的度,包括:从所述异构关系网络中获取与表示所述目标第二用户的节点相关联的边的条数,作为所述目标第二用户的度。
6.根据权利要求1‑5任一所述的方法,其特征在于,所述获取所述目标第一用户在所述目标现场行为事件发生前后预设周期内的线上行为数据,得到用户行为特征,包括:基于所述目标第一用户的基础行为数据,获取所述目标第一用户的基础行为特征;
基于所述目标第一用户的各类线上行为数据,获取所述目标第一用户在所述目标现场行为事件发生前后至少一个预设周期内的至少一类线上行为的次数,作为所述目标第一用户的线上行为特征;
其中,所述用户行为特征包括所述基础行为特征和所述线上行为特征。
7.根据权利要求1‑5任一所述的方法,其特征在于,所述获取所述目标现场行为事件的数据,得到现场行为事件特征,包括:获取所述目标现场行为事件的发生时间、所述目标现场行为事件的针对的目标对象的数量、所述目标现场行为事件所属区域与所述目标第一用户的工作地点之间的距离,作为所述现场行为事件特征。
8.根据权利要求1‑5任一所述的方法,其特征在于,所述利用判别模型,基于所述网络关系特征、所述用户行为特征和所述现场行为事件特征,识别所述目标现场行为事件为预定属性行为事件的概率值,以便基于所述概率值确定所述目标现场行为事件是否预定属性行为事件,包括:
将所述网络关系特征、所述用户行为特征和所述现场行为事件特征进行融合,得到融合特征;
将所述融合特征输入所述判别模型,经所述判别模型输出所述目标现场行为事件为预定属性行为事件的概率值;
基于所述目标现场行为事件为预定属性行为事件的概率值,确定所述目标现场行为事件是否预定属性行为事件。
9.根据权利要求1‑5任一所述的方法,其特征在于,所述判别模型的训练,包括:获取至少一个预定属性行为事件中各预定属性行为事件的融合特征,所述融合特征包括网络关系特征、用户行为特征和现场行为事件特征的融合特征;
以所述至少一个预定属性行为事件的融合特征作为训练样本集中的真实正样本,利用生成对抗网络中的生成器基于所述真实正样本生成至少一个伪造正样本;
利用所述生成对抗网络中的判别器识别输入样本是否为真实正样本;所述生成对抗网络包括所述生成器和所述判别器;
采用生成对抗的方式对所述生成器和所述判别器进行交替迭代训练,直至满足预设训练完成条件,得到训练好的生成对抗网络,以所述训练好的生成对抗网络中的判别器作为所述判别模型。
10.根据权利要求9所述的方法,其特征在于,所述利用生成对抗网络中的生成器基于所述真实正样本生成至少一个伪造正样本,包括:所述生成器根据所述训练样本集中的真实正样本的数据分布特点,利用噪声数据生成类似所述真实正样本的伪造正样本。
11.一种行为事件的识别装置,其特征在于,包括:第一获取模块,用于基于异构关系网络获取目标现场行为事件相关的目标第一用户与目标第二用户之间的网络关系特征;其中,所述异构关系网络基于第一方用户与第二方用户之间、以及第一方用户之间的通信关系建立,所述第一方用户包括至少一个第一用户,所述第二方用户包括至少一个第二用户;所述异构关系网络中的节点包括表示所述第一方用户的节点和表示所述第二方用户的节点,所述异构关系网络中两个节点之间的边表示所述两个节点之间的通信关系;
第二获取模块,用于获取所述目标第一用户在所述目标现场行为事件发生前后预设周期内的线上行为数据,得到用户行为特征;
第三获取模块,用于获取所述目标现场行为事件的数据,得到现场行为事件特征;
判别模块,用于基于所述网络关系特征、所述用户行为特征和所述现场行为事件特征,识别所述目标现场行为事件预定属性现场行为事件的概率值,以便基于所述概率值确定所述目标现场行为事件是否预定属性行为事件。
12.根据权利要求11所述的装置,其特征在于,所述异构关系网络具体为无权异构关系网络;
所述异构关系网络中两个节点之间的边表示所述两个节点之间具有历史通信关系。
13.根据权利要求12所述的装置,其特征在于,所述网络关系特征包括:所述目标第一用户与所述目标第二用户之间各种长度的路径数目,所述目标第一用户的度,所述目标第二用户的度,所述目标第一用户与所述目标第二用户之间在所述目标现场行为事件发生前后基于时间聚合的通信次数。
14.根据权利要求13所述的装置,其特征在于,所述第一获取模块获取所述目标第一用户与所述目标第二用户之间各种长度的路径数目时,具体用于:获取所述异构关系网络的邻接矩阵,所述邻接矩阵中的元素包括:所述第一方用户之间的通信关系矩阵,所述第一方用户与所述第二方用户之间的通信关系矩阵,所述第二方用户与所述第一方用户的通信关系矩阵,用于元素补齐的零矩阵;
分别基于不同个数的邻接矩阵相乘的方式,获取不同个数的邻接矩阵的乘积;
从所述不同个数的邻接矩阵的乘积中,获取所述目标第一用户与所述目标第二用户之间各种长度的路径数目。
15.根据权利要求13所述的装置,其特征在于,所述第一获取模块获取所述目标第一用户的度时,具体用于:
从所述异构关系网络中获取与表示所述目标第一用户的节点相关联的边的条数,作为所述目标第一用户的度;
和/或,
所述第一获取模块获取所述目标第二用户的度时,具体用于:从所述异构关系网络中获取与表示所述目标第二用户的节点相关联的边的条数,作为所述目标第二用户的度。
16.根据权利要求11‑15任一所述的装置,其特征在于,所述第二获取模块,具体用于:基于所述目标第一用户的基础行为数据,获取所述目标第一用户的基础行为特征;
基于所述目标第一用户的各类线上行为数据,获取所述目标第一用户在所述目标现场行为事件发生前后至少一个预设周期内的至少一类线上行为的次数,作为所述目标第一用户的线上行为特征;
其中,所述用户行为特征包括所述基础行为特征和所述线上行为特征。
17.根据权利要求11‑15任一所述的装置,其特征在于,所述第三获取模块,具体用于:获取所述目标现场行为事件的发生时间、所述目标现场行为事件的针对的目标对象的数量、所述目标现场行为事件所属区域与所述目标第一用户的工作地点之间的距离,作为所述现场行为事件特征。
18.根据权利要求11‑15任一所述的装置,其特征在于,还包括:融合模块,用于将所述网络关系特征、所述用户行为特征和所述现场行为事件特征进行融合,得到融合特征;
所述判别模块,具体用于基于输入的所述融合特征,输出所述目标现场行为事件为预定属性行为事件的概率值;
确定模块,用于基于所述目标现场行为事件为预定属性行为事件的概率值,确定所述目标现场行为事件是否为预定属性行为事件。
19.根据权利要求11‑15任一所述的装置,其特征在于,还包括:第四获取模块,用于获取至少一个预定属性行为事件中各预定属性行为事件的融合特征,所述融合特征包括网络关系特征、用户行为特征和现场行为事件特征的融合特征;
训练模块,用于以所述至少一个预定属性行为事件的融合特征作为训练样本集中的真实正样本,利用生成对抗网络中的生成器基于所述真实正样本生成至少一个伪造正样本;
利用所述生成对抗网络中的判别器识别输入样本是否为真实正样本;所述生成对抗网络包括所述生成器和所述判别器;采用生成对抗的方式对所述生成器和所述判别器进行交替迭代训练,直至满足预设训练完成条件,得到训练好的生成对抗网络,以所述训练好的生成对抗网络中的判别器作为所述判别模块。
20.根据权利要求19所述的装置,其特征在于,所述生成器,用于根据所述训练样本集中的真实正样本的数据分布特点,利用噪声数据生成类似所述真实正样本的伪造正样本。
21.一种电子设备,其特征在于,包括:存储器,用于存储计算机程序;
处理器,用于执行所述存储器中存储的计算机程序,且所述计算机程序被执行时,实现上述权利要求1‑10任一所述的方法。
22.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时,实现上述权利要求1‑10任一所述的方法。
说明书 :
行为事件的识别方法和装置、电子设备和存储介质
技术领域
背景技术
现场行为事件可以让卖方工作人员或者卖方的代理人更了解、明确客户的需求,是直接影
响交易结果的一个重要环节。例如,在房产交易领域,带看即为一种现场行为事件,是房屋
中介的经纪人带领有意向买房或租房的客户进行实地看房的过程。带看是经纪人、中介以
及中介平台对客户深入了解的时机,是经纪人服务工作的重要一步,是直接影响到交易的
重要环节。
现场行为事件。例如,在房产交易领域,在一些经纪人的工作过程中存在着虚假带看,有的
经纪人为了完成每月的指标或者提升业绩,会邀请亲戚朋友充当客户,进行带看。
为事件的检测与识别,是对交易平台、卖方或者卖方对代理人作业过程进行监管、控制和绩
效评价等的至关重要的环节。因此,如何有效识别虚假现场行为事件,是一项亟待解决的问
题。
发明内容
一方用户之间的通信关系建立,所述第一方用户包括至少一个第一用户,所述第二方用户
包括至少一个第二用户;所述异构关系网络中的节点包括表示所述第一方用户的节点和表
示所述第二方用户的节点,所述异构关系网络中两个节点之间的边表示所述两个节点之间
的通信关系;
二用户的度,所述目标第一用户与所述目标第二用户之间在所述目标现场行为事件发生前
后基于时间聚合的通信次数。
二方用户与所述第一方用户的通信关系矩阵,用于元素补齐的零矩阵;
一用户的线上行为特征;
作为所述现场行为事件特征。
性行为事件的概率值,以便基于所述概率值确定所述目标现场行为事件是否预定属性行为
事件,包括:
作为所述判别模型。
方用户之间、以及第一方用户之间的通信关系建立,所述第一方用户包括至少一个第一用
户,所述第二方用户包括至少一个第二用户;所述异构关系网络中的节点包括表示所述第
一方用户的节点和表示所述第二方用户的节点,所述异构关系网络中两个节点之间的边表
示所述两个节点之间的通信关系;
确定所述目标现场行为事件是否预定属性行为事件。
二用户的度,所述目标第一用户与所述目标第二用户之间在所述目标现场行为事件发生前
后基于时间聚合的通信次数。
二方用户与所述第一方用户的通信关系矩阵,用于元素补齐的零矩阵;
一用户的线上行为特征;
作为所述现场行为事件特征。
本;利用所述生成对抗网络中的判别器识别输入样本是否为真实正样本;所述生成对抗网
络包括所述生成器和所述判别器;采用生成对抗的方式对所述生成器和所述判别器进行交
替迭代训练,直至满足预设训练完成条件,得到训练好的生成对抗网络,以所述训练好的生
成对抗网络中的判别器作为所述判别模块。
构关系网络,该异构关系网络中的节点包括表示所述第一方用户的节点和表示所述第二方
用户的节点,所述异构关系网络中两个节点之间的边表示所述两个节点之间的通信关系;
识别目标现场行为事件是否虚假现场行为事件时,基于异构关系网络获取该目标现场行为
事件相关的目标第一用户与目标第二用户之间的网络关系特征,同时,获取目标第一用户
在目标现场行为事件发生前后预设周期内的线上行为数据得到用户行为特征,获取目标现
场行为事件的数据得到现场行为事件特征,然后,利用判别模型,基于所述网络关系特征、
所述用户行为特征和所述现场行为事件特征,识别目标现场行为事件为预定属性虚假现场
行为事件的概率值,以便基于所述概率值确定所述目标现场行为事件是否预定属性行为事
件(例如虚假现场行为事件),从而能够准确、有效地识别现场行为事件的属性,判断该现场
行为事件是否虚假现场行为事件。
了预定属性行为事件识别的准确性和识别效率。
数据,从而提高从交易平台采集到的数据质量,实现对卖方工作人员或者卖方的代理人考
核的公平性,提高交易策略制定的合理性,从而有效实现对交易平台、卖方或者卖方对代理
人作业过程进行监管、控制和绩效评价。
附图说明
具体实施方式
公开的范围。
序。
另外,本公开中字符“/”,一般表示前后关联对象是一种“或”的关系。
子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于:
个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器
的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和
包括上述任何系统的分布式云计算技术环境,等等。
标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计
算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通
信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储
设备的本地或远程计算系统存储介质上。
施例中的预定属性并不限于此,还可以是现场行为事件的其他属性,例如规范性等。
第二用户。
以包括任意形式的通信联系,例如电话联系、短信联系、线上沟通等等。
例如房产交易领域的买方或者卖房用户。本公开实施例可以应用于任意领域,因此,对第一
方用户与第二方用户的具体表示对象不做限制,具体可以根据具体应用领域进行调整。
目标现场行为事件是否预定属性行为事件。
制。
的节点包括表示所述第一方用户的节点和表示所述第二方用户的节点,所述异构关系网络
中两个节点之间的边表示所述两个节点之间的通信关系;识别目标现场行为事件是否虚假
现场行为事件时,基于异构关系网络获取该目标现场行为事件相关的目标第一用户与目标
第二用户之间的网络关系特征,同时,获取目标第一用户在目标现场行为事件发生前后预
设周期内的线上行为数据得到用户行为特征,获取目标现场行为事件的数据得到现场行为
事件特征,然后,利用判别模型,基于所述网络关系特征、所述用户行为特征和所述现场行
为事件特征,识别目标现场行为事件为预定属性虚假现场行为事件的概率值,以便基于所
述概率值确定所述目标现场行为事件是否预定属性行为事件(例如虚假现场行为事件),从
而能够准确、有效地识别现场行为事件的属性,判断该现场行为事件是否虚假现场行为事
件。
了预定属性行为事件识别的准确性和识别效率。
数据,从而提高从交易平台采集到的数据质量,实现对卖方工作人员或者卖方的代理人考
核的公平性,提高交易策略制定的合理性,从而有效实现对交易平台、卖方或者卖方对代理
人作业过程进行监管、控制和绩效评价。
现场行为事件的示例进行理解。
有权重大小之分,在第一方用户与第二方用户之间、以及第一方用户之间存在通信关系时,
相应的两个节点之间通过一条边将这两个节点连接,即,异构关系网络中两个节点之间的
边表示所述两个节点之间具有历史通信关系。
二用户(例如经纪人或买卖方用户),边表示第一用户和第一用户、第一用户和第二用户之
间的通信关系,即当且仅当第一用户和第一用户、第一用户和第二用户之间发生过通信关
系(例如电话联系、线上沟通)时,在两个节点之间存在一条边将这两个节点连接。图2中,节
点a1~a6表示第一方用户(例如经纪人),节点u1~u3表示第二方用户(例如买卖方用户)。
标第二用户的度,目标第一用户与目标第二用户之间在目标现场行为事件发生前后基于时
间聚合(近1天、1周、2周、1个月内)的通信次数(例如电话联系次数、线上沟通次数),等等。
隐式关系,间接隐式关系中往往包含大量的信息。本公开实施例利用该信息,提取可能发生
交易事件的节点之间(第一用户和第二用户之间)不同长度的路径数目,将节点之间的不同
长度的路径数目作为特征,利用判别模型预测异构关系网络中可能出现的连接,以用于识
别两个特定节点之间的现场行为事件的真实性或虚假性。
户的通信关系矩阵,用于元素补齐的零矩阵;
方;长度为k的路径数目为C的k次方,其中,k为大于1的整数。
户和经纪人之间)的关系矩阵。节点之间不同长度的路径数目可以通过邻接矩阵相乘的方
式得到,因此,第一用户节点和第二用户节点之间不同长度路径数目可以通过以下方式计
算出:
二方用户之间各种长度的路径数目。例如:
发的边的条数。
度。
度。
据(例如,在线沟通软件的下载渠道、在线沟通软件的第一次激活时间、在线沟通软件的第
一次启动、在线沟通软件的最后一次启动时间、第一次登录在线沟通软件距目标现场行为
事件的时间),获取目标第一用户的基础行为特征;基于目标第一用户的各类线上行为数
据,获取目标第一用户在目标现场行为事件发生前后至少一个预设周期内的至少一类线上
行为的次数(例如近1天、1周、2周、1月的浏览次数、可能发生交易事件的次数、委托次数
等),作为目标第一用户的线上行为特征。
区域与目标第一用户的工作地点之间的距离,作为所述现场行为事件特征。例如,在房产交
易领域,可以获取一次带看发生的时间、带看的房源数量,小区与经纪人工作的门店之间的
距离等,作为带看本身的特征。
融合特征(可以是一个特征向量),然后,将所述融合特征输入判别模型,经判别模型输出目
标现场行为事件为预定属性行为事件的概率值,判别模型输出的目标现场行为事件为预定
属性行为事件的概率值,可以仅包括目标现场行为事件是预定属性行为事件的概率值,也
可以包括目标现场行为事件是预定属性行为事件的概率值和目标现场行为事件不是预定
属性行为事件的概率值,进而,基于目标现场行为事件是预定属性行为事件的概率值,确定
目标现场行为事件是否预定属性行为事件。
事件是预定属性行为事件的概率值大于预设概率阈值时,确定该目标现场行为事件是预定
属性行为事件;否则,若目标现场行为事件是预定属性行为事件的概率值不大于预设概率
阈值,确定该目标现场行为事件不是预定属性行为事件。
行为事件的概率值时,可以比较目标现场行为事件是预定属性行为事件的概率值与目标现
场行为事件不是预定属性行为事件的概率值之间的大小关系,来确定目标现场行为事件是
否预定属性行为事件。具体来说,可以在目标现场行为事件是预定属性行为事件的概率值
大于目标现场行为事件不是行为事件的概率值时,确定该目标现场行为事件是预定属性行
为事件;否则,在目标现场行为事件是预定属性行为事件的概率值不大于目标现场行为事
件不是预定属性行为事件的概率值时,确定该目标现场行为事件不是预定属性行为事件。
户行为特征和现场行为事件特征进行融合,得到融合特征,用于识别该次次现场行为事件
是否预定属性现场行为事件。
视为一次带看,将该次带看的网络关系特征、用户行为特征和现场行为事件特征进行融合,
得到融合特征,用于识别该次带看是否虚假带看。
本,在交替迭代训练的过程中,提升伪造正样本的能力,使判别器无法判断真伪。
述判别模型。
自动化检测可以提高识别虚假现场行为的速度,提高监管效率。然而,在实际应用的过程
中,由于正负样本量过于不均衡、正样本(虚假现场行为事件)数量极少、用户线下行为少、
缺少线上行为等原因,导致识别的准确率很低,增加了人工检测的成本。例如,在房产交易
领域,对于发生虚假带看行为的用户,本身线上行为量很少,可能只有一次委托和一次带
看,这样,判别模型能掌握的用户特征很少,因此很难区分虚假带看的用户与真实现场行为
事件的线下用户,除了用户的线上行为外还需要更多的特征;虚假带看为正样本,真实带看
为负样本,正样本来源是人工识别,耗时耗力,也只能识别出一部分的虚假带看,导致负样
本中存在杂质;在判别模型的训练过程中,正样本(即虚假带看)数据量小,远小于负样本
(真实带看)的数据量,正负样本严重不平衡,判别模型在正样本中学到的知识很少,需要一
种方法在不增加人工成本的前提下,缓解正负样本不平衡的现象。
的两个模型,在一个可选示例中,生成器和判别器可以分别由4层构成:一层输入层,一层输
出层和两层隐含层,其中的每个隐含层可以包括一个以上网络层,然而,本公开实施例不限
于此。
使判别器无法判断真伪;然后不断提升判别器的判别能力,使生成器进一步提升伪造正样
本的能力。通过交替迭代训练,使得生成器生成的伪造正样本在真实性上接近于真实正样
本,判别器可以充分学习到各种正样本的特征、从而可以有效识别正样本。
(Rectifiedlinearunit,ReLu)函数;两层隐含层中,神经元的节点数分别为n=150和n=
300,激活函数亦采用ReLu函数;输出层中神经元的节点数为n=562,对应真实正样本或伪
造正样本的特征向量的维度,输出层的激活函数采用双曲正切(Tanh)函数,输出伪造正样
本G(m)。
样本数据G(m),由于输入样本的特征向量的维度为562,因此一对输入样本(真实正样本及
其对应的伪造正样本)的维度n=1124;两层隐含层中神经元的节点数分别为n=150和n=
300,判别器的所有层采用的激活函数都用泄露修正线性单元(Leaky Relu)函数,输入样本
数据在经过激活函数运算之前,将前562维数据和后562维数据(对应于真实正样本数据和
伪造正样本数据)拆分进行运算,分别输出真实正样本数据和伪造正样本数据的丢弃数据
(dropout),即以一定概率随机丢弃,以防止生成对抗网络出现过拟合。
达到最优。其中的损失函数可以表示判别器输出的关于输入样本是否真实正样本的判别结
果和标注结果(即真实情况)之间的差异。
种行为事件的识别方法可以由处理器执行,如处理器通过调用存储器存储的相应指令来执
行本公开实施例提及的任一种行为事件的识别方法。下文不再赘述。
在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光
盘等各种可以存储程序代码的介质。
的装置包括:第一获取模块,第二获取模块,第三获取模块和判别模块。其中:
方用户之间、以及第一方用户之间的通信关系建立,所述第一方用户包括至少一个第一用
户,所述第二方用户包括至少一个第二用户;所述异构关系网络中的节点包括表示所述第
一方用户的节点和表示所述第二方用户的节点,所述异构关系网络中两个节点之间的边表
示所述两个节点之间的通信关系。
的节点包括表示所述第一方用户的节点和表示所述第二方用户的节点,所述异构关系网络
中两个节点之间的边表示所述两个节点之间的通信关系;识别目标现场行为事件是否虚假
现场行为事件时,基于异构关系网络获取该目标现场行为事件相关的目标第一用户与目标
第二用户之间的网络关系特征,同时,获取目标第一用户在目标现场行为事件发生前后预
设周期内的线上行为数据得到用户行为特征,获取目标现场行为事件的数据得到现场行为
事件特征,然后,利用判别模型,基于所述网络关系特征、所述用户行为特征和所述现场行
为事件特征,识别目标现场行为事件为预定属性虚假现场行为事件的概率值,以便基于所
述概率值确定所述目标现场行为事件是否预定属性行为事件(例如虚假现场行为事件),从
而能够准确、有效地识别现场行为事件的属性,判断该现场行为事件是否虚假现场行为事
件。
了预定属性行为事件识别的准确性和识别效率。
数据,从而提高从交易平台采集到的数据质量,实现对卖方工作人员或者卖方的代理人考
核的公平性,提高交易策略制定的合理性,从而有效实现对交易平台、卖方或者卖方对代理
人作业过程进行监管、控制和绩效评价。
关系。
标第二用户的度,所述目标第一用户与所述目标第二用户之间在所述目标现场行为事件发
生前后基于时间聚合的通信次数。
邻接矩阵中的元素包括:所述第一方用户之间的通信关系矩阵,所述第一方用户与所述第
二方用户之间的通信关系矩阵,所述第二方用户与所述第一方用户的通信关系矩阵,用于
元素补齐的零矩阵;分别基于不同个数的邻接矩阵相乘的方式,获取不同个数的邻接矩阵
的乘积;从所述不同个数的邻接矩阵的乘积中,获取所述目标第一用户与所述目标第二用
户之间各种长度的路径数目。
为所述目标第一用户的度;和/或,获取所述目标第二用户的度,包括:从所述异构关系网络
中获取与表示所述目标第二用户的节点相关联的边的条数,作为所述目标第二用户的度。
目标第一用户的各类线上行为数据,获取所述目标第一用户在所述目标现场行为事件发生
前后至少一个预设周期内的至少一类线上行为的次数,作为所述目标第一用户的线上行为
特征;其中,所述用户行为特征包括所述基础行为特征和所述线上行为特征。
所述目标现场行为事件所属区域与所述目标第一用户的工作地点之间的距离,作为所述现
场行为事件特征。
中,融合模块,用于将所述网络关系特征、所述用户行为特征和所述现场行为事件特征进行
融合,得到融合特征。相应地,判别模块,具体用于基于输入的所述融合特征,输出所述目标
现场行为事件为预定属性行为事件的概率值。确定模块,用于基于所述目标现场行为事件
为预定属性行为事件的概率值,确定所述目标现场行为事件是否为预定属性行为事件。
定属性行为事件的融合特征,所述融合特征包括网络关系特征、用户行为特征和现场行为
事件特征的融合特征。训练模块,用于以所述至少一个预定属性行为事件的融合特征作为
训练样本集中的真实正样本,利用生成对抗网络中的生成器基于所述真实正样本生成至少
一个伪造正样本;利用所述生成对抗网络中的判别器识别输入样本是否为真实正样本;所
述生成对抗网络包括生成器和所述判别器;采用生成对抗的方式对所述生成器和所述判别
器进行交替迭代训练,直至满足预设训练完成条件,得到训练好的生成对抗网络,以所述训
练好的生成对抗网络中的判别器作为所述判别模块。
本。
与它们独立的单机设备,该单机设备可以与第一设备和第二设备进行通信,以从它们接收
所采集到的输入信号。
例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储
器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储
一个或多个计算机程序指令,处理器可以运行所述程序指令,以实现上文所述的本公开的
各个实施例的行为事件的识别方法以及/或者其他期望的功能。
等。
包括任何其他适当的组件。
部分中描述的根据本公开各种实施例的行为事件的识别方法中的步骤。
Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程
序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软
件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备
或服务器上执行。
的根据本公开各种实施例的行为事件的识别方法中的步骤。
磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的
例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储
器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘
只读存储器(CD‑ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作
用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部
分说明即可。
的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具
有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇
“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使
用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特
别说明。此外,在一些实施例中,还可将本公开实施为记录在记录介质中的程序,这些程序
包括用于实现根据本公开的方法的机器可读指令。因而,本公开还覆盖存储用于执行根据
本公开的方法的程序的记录介质。
的一般原理可以应用于其他方面而不脱离本公开的范围。因此,本公开不意图被限制到在
此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
术人员将认识到其某些变型、修改、改变、添加和子组合。