用户行为数据处理方法、装置、设备及存储介质与流程

本申请涉及人工智能(artificialintelligence，ai)
技术领域：
与云技术，尤其涉及一种用户行为数据处理方法、装置、设备及存储介质。
背景技术：
：在线上化、云技术带动各种场景蓬勃发展的大环境下，很多场景(如线上竞赛、广告、游戏等)中不可避免地出现了越来越多的作弊行为，为了更好地识别和打击作弊行为，反作弊已逐渐成为许多线上运营场景在风控安全策略控制中重要的一环。目前常见的作弊行为识别方法主要包括：基于决策树判别模型发现作弊行为的方法和基于人工设定的作弊规则识别作弊行为的方法。在基于决策树判别模型发现作弊行为的方法中，可以利用决策树判别模型根据用户特征识别用户是否存在作弊行为。在基于人工设定的作弊规则识别作弊行为的方法中，需要结合具体应用场景的特点将作弊可能采取的所有措施都列举出来，进而基于此梳理作弊规则，利用梳理出的作弊规则对作弊行为进行反制。上述作弊行为识别方法主要存在以下缺陷：基于决策树判别模型发现作弊行为的方法，需要利用标注样本对决策树判别模型进行训练，而构建大量标注样本需要花费较高的成本，构建少量标注样本又难以保证决策树判别模型的模型精度，即难以在训练成本和模型精度之间取得平衡。基于人工设定的作弊规则识别作弊行为的方法，通常需要引入相关领域的专家和先验知识梳理作弊规则，该作弊规则灵活性较低、不易扩展，对于复杂多变的线上场景，往往经过一段时间后作弊规则的覆盖率就会显著降低。综上所述，如何实现低成本、高适用性、高准确度地识别作弊行为，已成为目前亟待解决的问题。技术实现要素：有鉴于此，本申请实施例提供了一种用户行为数据处理方法、装置、设备及存储介质，能够实现低成本、高适用性、高准确度地识别作弊行为。本申请第一方面提供了一种用户行为数据处理方法，所述方法包括：获取目标用户的历史模式序列数据和当前模式序列数据；所述历史模式序列数据是基于所述目标用户的历史行为序列数据处理得到的；所述当前模式序列数据是处理所述目标用户的当前行为序列数据得到的；通过目标特征提取模型对所述历史模式序列数据进行特征提取处理，得到历史模式特征；通过所述目标特征提取模型对所述当前模式序列数据进行特征提取处理，得到当前模式特征；根据所述历史模式特征与所述当前模式特征之间的相似度，确定与所述目标用户的当前行为序列数据对应的当前行为是否为作弊行为。本申请第二方面提供了一种用户行为数据处理装置，所述装置包括：序列数据获取模块，用于获取目标用户的历史模式序列数据和当前模式序列数据；所述历史模式序列数据是基于所述目标用户的历史行为序列数据挖掘处理的；所述当前模式序列数据是处理所述目标用户的当前行为序列数据得到的；特征提取模块，用于通过目标特征提取模型对所述历史模式序列数据进行特征提取处理，得到历史模式特征；通过所述目标特征提取模型对所述当前模式序列数据进行特征提取处理，得到当前模式特征；作弊识别模块，用于根据所述历史模式特征与所述当前模式特征之间的相似度，确定与所述目标用户的当前行为序列数据对应的当前行为是否为作弊行为。本申请第三方面提供了一种电子设备，所述电子设备包括处理器以及存储器：所述存储器用于存储计算机程序；所述处理器用于根据所述计算机程序，执行如上述第一方面所述的用户行为数据处理方法的步骤。本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行上述第一方面所述的用户行为数据处理方法的步骤。本申请第五方面提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面所述的用户行为数据处理方法的步骤。从以上技术方案可以看出，本申请实施例具有以下优点：本申请实施例提供了一种用户行为数据处理方法，在该方法中，先获取目标用户的历史模式序列数据和当前模式序列数据，该历史模式序列数据是基于目标用户的历史行为序列数据处理得到的，该当前模式序列数据是处理目标用户的当前行为序列数据得到的；然后，通过目标特征提取模型分别对历史模式序列数据和当前模式序列数据进行特征提取处理，得到对应的历史模式特征和当前模式特征；进而，根据历史模式特征和当前模式特征之间的相似度，确定与目标用户的当前行为序列数据对应的当前行为是否为作弊行为。由于历史模式序列数据是基于目标用户的历史行为序列数据处理得到的，其能够在一定程度上反映目标用户的操作习惯，因此，可以根据历史模式序列数据对应的历史模式特征与当前模式序列数据对应的当前模式特征之间的相似度，衡量目标用户的当前行为是否符合其以往的操作习惯，进而据此判断用户的当前行为是否为作弊行为。相比于基于决策树判别模型发现作弊行为的方法，本申请实施例提供的方法无需获取大量标注样本训练专用于识别作弊行为的模型，因此可以有效降低识别作弊行为的成本。相比于基于人工设定的作弊规则识别作弊行为的方法，本申请实施例提供的方法可以有效准确地识别作弊行为，场景适用性较高。附图说明图1为本申请实施例提供的用户行为数据处理方法的应用场景示意图；图2为本申请实施例提供的作用户行为数据处理方法的流程示意图；图3为本申请实施例提供的待训练模型的结构示意图；图4为本申请实施例提供的第一种用户行为数据处理装置的结构示意图；图5为本申请实施例提供的第二种用户行为数据处理装置的结构示意图；图6为本申请实施例提供的第三种用户行为数据处理装置的结构示意图；图7为本申请实施例提供的第四种用户行为数据处理装置的结构示意图；图8为本申请实施例提供的第五种用户行为数据处理装置的结构示意图；图9为本申请实施例提供的服务器的结构示意图；图10为本申请实施例提供的终端设备的结构示意图。具体实施方式为了使本
技术领域：
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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，以便这里描述的本申请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。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、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如，常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。相关技术中常见的作弊行为识别方法主要包括：基于决策树判别模型发现作弊行为的方法和基于人工设定的作弊规则识别作弊行为的方法。基于决策树判别模型发现作弊行为的方法，需要利用标注样本训练专用于识别作弊行为的决策树判别模型，构建大量标注样本需要花费较高的成本，构建少量标准样本又难以保证决策树判别模型的模型精度，因此难以在训练成本与模型精度之间取得平衡。基于人工设定的作弊规则识别作弊行为的方法，需要引入相关领域的专家和先验知识梳理作弊规则，该作弊规则灵活性较低，不易扩展，对于场景的适用性较低。针对上述相关技术存在的问题，本申请实施例提供了一种用户行为数据处理方法，该方法可以应用于各种需要识别作弊行为的场景，适用性高，准确度高，并且无需花费较高的成本。具体的，在本申请实施例提供的用户行为数据处理方法中，先获取目标用户的历史模式序列数据和当前模式序列数据，该历史模式序列数据是基于目标用户的历史行为序列数据处理得到的，该当前模式序列数据是处理目标用户的当前行为序列数据得到的；然后，通过目标特征提取模型分别对历史模式序列数据和当前模式序列数据进行特征提取处理，得到对应的历史模式特征和当前模式特征；进而，根据历史模式特征和当前模式特征之间的相似度，确定与目标用户的当前行为序列数据对应的当前行为是否为作弊行为。上述用户行为数据处理方法，利用基于目标用户的历史行为序列数据处理得到的历史模式序列数据反映目标用户的操作习惯，进而，根据历史模式序列数据对应的历史模式特征与当前模式序列数据对应的当前模式特征之间的相似度，衡量目标用户的当前行为是否符合其以往的操作习惯，进而据此判断用户的当前行为是否为作弊行为。相比基于决策树判别模型发现作弊行为的方法，该方法无需获取大量标注样本训练专用于识别作弊行为的模型，因此可以有效降低识别作弊行为的成本。相比基于人工设定的作弊规则识别作弊行为的方法，该方法可以有效准确地识别作弊行为，场景适用性较高。应理解，本申请实施例提供的用户行为数据处理方法可以应用于具备数据处理能力的电子设备，如终端设备或服务器。其中，终端设备具体可以为计算机、智能手机、平板电脑、个人数字助理(personaldigitalassitant，pda)等；服务器具体可以为应用服务器或web服务器，在实际部署时，可以为独立的服务器，也可以为集群服务器或云服务器。为了便于理解本申请实施例提供的用户行为数据处理方法，下面以该用户行为数据处理方法的执行主体为服务器为例，对该用户行为数据处理方法适用的应用场景进行示例性介绍。参见图1，图1为本申请实施例提供的用户行为数据处理方法的应用场景示意图。如图1所示，该应用场景包括终端设备110和服务器120，终端设备110和服务器120之间可以通过网络进行通信。终端设备110中运行有应用程序，目标用户可以通过该应用程序在特定场景中执行当前行为；例如，假设终端设备110中运行有在线棋类竞赛程序，则目标用户可以通过该在线棋类竞赛程序进行棋类竞赛，目标用户在当前竞赛过程中的行为即可被视为该目标用户的当前行为。服务器120用于执行本申请实施例提供的用户行为数据处理方法，针对目标用户通过终端设备110执行的当前操作识别其是否为作弊行为。具体实现时，目标用户可以通过终端设备110中运行的应用程序执行当前操作，终端设备110检测到目标用户执行完当前操作后，可以通过网络将该当前操作对应的操作数据传输至服务器120。预设时间段结束后，服务器120可以将该预设时间段内目标用户执行的各个操作各自对应的操作数据串联起来，组成目标用户的当前行为序列数据，并根据预设的策略标识和/或行为标识，将该当前行为序列数据转换为对应的当前模式序列数据。仍以终端设备110中运行的应用程序为在线棋类竞赛程序为例，目标用户通过该在线棋类竞赛程序下完一步棋后，终端设备110可以将该步棋对应的操作数据传输给服务器120，目标用户完成本场棋类竞赛后，服务器120可以将其接收的各步操作各自对应的操作数据串联起来，得到目标用户在本场棋类竞赛中的当前行为序列数据，进而，根据预设的棋类策略标识和/或棋类行为标识，将该当前行为序列数据转换为对应的当前模式序列数据。此外，服务器120还需要获取目标用户的历史模式序列数据，该历史模式序列数据是基于该目标用户的历史行为序列数据挖掘得到的，此处的历史行为序列数据对应于目标用户通过终端设备110中的应用程序执行的历史行为。仍以终端设备110中运行的应用程序为在线棋类竞赛程序为例，目标用户的历史行为序列数据对应于目标用户在历史棋类竞赛中的一系列操作数据，服务器120可以基于目标用户的多条历史行为序列数据进行数据挖掘，得到目标用户的历史模式序列数据，该历史模式序列数据能够反映目标用户在棋类竞赛中的操作习惯。服务器120获取到目标用户的历史模式序列数据和当前模式序列数据后，可以将该历史模式序列数据输入预先训练好的目标特征提取模型，得到该历史模式序列数据对应的历史模式特征，并且将该当前模式序列数据输入该预先训练好的目标特征模型，得到该当前模式序列数据对应的当前模式特征。进而，服务器120可以计算历史模式特征与当前模式特征之间的相似度，该相似度能够反映目标用户的当前行为与其以往的操作习惯之间的匹配度，若该相似度超过预设相似度阈值，则说明目标用户的当前行为符合其以往的操作习惯，该当前行为是由目标用户本人执行的可能性较大，因此可以认定该目标用户的当前行为并非作弊行为，反之，若该相似度低于该预设相似度阈值，则说明目标用户的当前行为与其以往的操作习惯不符，该当前行为可能并非目标用户本人执行的，例如，可能是其他用户替代目标用户执行的当前行为，因此可以认定目标用户的当前行为属于作弊行为。应理解，本申请实施例提供的用户行为数据处理方法可以应用于各种需要识别作弊行为的场景，如识别游戏中是否存在其它用户代替目标用户玩游戏的情况、识别在线棋类竞赛中选手是否作弊、识别智力测试中的辅助打击等等。在此不对本申请实施例提供的用户行为数据处理识别方法的应用场景做任何限定。可选的，在本申请另一个实施例中，在一款多人在线射击的竞技游戏中，如果用户a采用了外挂软件的方式进行作弊，外挂软件产生的用户行为数据与用户a一贯的历史操作习惯存在较大不同，可轻易被本申请实施例所提供的方法检测到，并可依据该检测结果对采用外挂的账号进行冻结或封号或警告等各种对应措施限制。下面通过方法实施例对本申请提供的用户行为数据处理方法进行详细介绍。参见图2，图2为本申请实施例提供的用户行为数据处理方法的流程示意图，下述实施例以服务器作为执行主体。如图2所示，该用户行为数据处理方法包括以下步骤：步骤201：获取目标用户的历史模式序列数据和当前模式序列数据；所述历史模式序列数据是基于所述目标用户的历史行为序列数据处理得到的；所述当前模式序列数据是处理所述目标用户的当前行为序列数据得到的。当需要识别目标用户的当前行为是否为作弊行为时，服务器需要获取该目标用户的历史模式序列数据和当前模式序列数据。该历史模式序列数据是基于该目标用户的历史行为序列数据处理得到的，目标用户的历史行为序列数据对应于目标用户的历史行为操作，基于目标用户的历史行为序列数据处理得到的历史模式序列数据能够反映目标用户的历史操作习惯。该当前模式序列数据是处理目标用户的当前行为序列数据得到的，目标用户的当前行为序列数据对应于目标用户的当前行为操作。以将本申请实施例提供的方法应用于在线棋类竞赛中识别选手是否作弊的场景为例，当服务器需要识别某场棋类竞赛中选手a是否作弊时，服务器可以获取选手a的历史模式序列数据和当前模式序列数据，选手a的历史模式序列数据是基于选手a的多条历史行为序列数据挖掘得到的，选手a的历史行为序列数据对应于选手a在以往的该种棋类竞赛中的行为操作，选手a的当前模式序列数据是转换选手a的当前行为序列数据得到的，选手a的当前行为序列数据对应于选手a在该场棋类竞赛中的行为操作。下面对基于历史行为序列数据挖掘历史模式序列数据的方式进行介绍。具体实现时，服务器可以先获取目标用户的n(n为大于1的整数)条历史行为序列数据；然后，基于预设的策略标识和/或行为操作标识，将所获取的每条历史行为序列数据转换为对应的历史行为编码序列；进而，基于n条历史行为编码序列构建目标前缀集合，该目标前缀集合中包括多个支持预设支持度条件的目标前缀，其中，长度为i的目标前缀是基于长度为i-1的目标前缀对应的投影数据集确定的，此处i为大于1的整数；最终，可以确定该目标前缀集合中长度最长的目标前缀，作为历史模式序列数据。示例性的，服务器基于历史行为序列数据挖掘历史模式序列数据时，可以获取目标用户的所有历史行为序列数据。例如，假设服务器需要识别目标用户在某场比赛中是否存在作弊行为，则服务器可以获取在该场比赛之前目标用户参与的各场比赛各自对应的历史行为序列数据，每场比赛对应的历史行为序列数据是将该场比赛中目标用户的每个操作数据按时间顺序串联起来得到的。当然，在实际应用中，服务器也可以仅获取目标用户的部分历史行为序列数据，例如，获取目标用户在最近一年或者最近三个月内产生的历史行为序列数据等，本申请在此不对所获取的历史行为序列数据的数量、以及历史行为序列数据对应的时间做任何限定。然后，服务器可以基于预设的策略标识和/或行为操作标识，对所获取的每条历史行为序列数据进行编码转换处理，得到每条历史行为序列数据对应的历史行为编码序列。示例性的，仍以将本申请实施例提供的方法应用于在线棋类竞赛中识别选手是否作弊的场景为例，服务器可以预先设置棋类竞赛中各种策略各自对应的标识，如设置开局策略1的标识为a1、开局策略2的标识为a2、……、防御策略1的标识为b1、防御策略2的标识为b2等等，还可以预先设置棋类竞赛中各种单独的行为操作对应的标识，如设置行为操作1对应的标识为a、行为操作2对应的标识为b等等；然后，针对历史行为序列数据中的子序列数据(可对应一系列行为操作，也可以对应一个独立的行为操作)，将其(当子序列数据对应一系列行为操作时)转换为对应的策略标识，或者将其(当子序列数据对应一个独立的行为操作时)转换为对应的行为操作标识，进而，按照历史行为序列数据中各子序列数据的排布顺序，将各子序列数据各自对应的策略标识或者行为标识排列组合起来，得到该历史行为序列数据对应的历史行为编码序列。进而，服务器可以采用prefixspan算法基于n条历史行为序列数据各自对应的历史行为编码序列，挖掘隐含的历史模式序列数据。具体的，服务器可以基于最小支持度策略挖掘历史模式序列数据，最小支持度的计算方法如式(1)所示：min_sup＝a×n(1)其中，min_sup为最小支持度；n为历史行为序列数据的数目，n等于上述n；a为最小支持率，其可以根据历史行为序列数据的数目和预先设置的策略的数目进行调整。具体构建目标前缀集合时，服务器可以先在n条历史行为编码序列中找出长度为1的行为序列元素，并确定所找到的各行为序列元素各自对应的投影数据集；然后，统计各行为序列元素在n条历史行为编码序列中的出现频率，将出现频率高于最小支持度的行为序列元素作为目标前缀，添加到目标前缀集合中，并基于这些长度为1的目标前缀对应的投影数据集，继续确定长度为2的目标前缀。对于长度为i(此处i为大于1的整数)且满足最小支持度要求的目标前缀可以通过以下方式挖掘：针对每个长度为i-1的目标前缀，确定其对应的投影数据集中各投影数据单项各自对应的支持度，确定所对应的支持度大于最小支持度阈值的投影数据单项作为目标投影数据单项，将长度为i-1的目标前缀和目标投影数据单项合并起来，得到长度为i的目标前缀。即对于长度为i、且满足最小支持度要求的目标前缀可以通过以下方式递归挖掘：针对某长度为i-1的目标前缀挖掘其对应的投影数据集，若挖掘得到的投影数据集为空集合，则返回递归；若挖掘得到的投影数据集不为空集合，则统计对应的投影数据集中各投影数据单项的支持度(即出现频率)，将满足最小支持度要求的投影数据单项，与该长度为i-1的目标前缀合并得到长度为i的目标前缀，若不存在满足最小支持度要求的投影数据单项，则返回递归；针对各长度为i-1的目标前缀均完成上述操作后，设置i＝i+1，重新执行上述操作。如此，通过上述方式得到的从长度为1到长度为i的所有目标前缀，构成目标前缀集合。下面以n条历史行为编码序列包括bcafgh和bcdaghf，最小支持率为0.5为例，对构建这n条历史行为编码序列对应的目标前缀集合的过程进行介绍。对于历史行为编码序列bcafgh和bcdaghf，满足最小支持度要求的、长度为1的目标前缀，以及其各长度为1的目标前缀各自对应的投影数据集如表1所示：表1基于上述各个长度为1的目标前缀各自对应的投影数据集，服务器可以进一步确定满足最小支持度要求的、长度为2的目标前缀，以及各长度为2的目标前缀各自对应的投影数据集如表2所示：表2基于上述各个长度为2的目标前缀各自对应的投影数据集，服务器可以进一步确定满足最小支持度要求的、长度为3的目标前缀，以及各长度为3的目标前缀各自对应的投影数据集如表3所示：表3基于上述各个长度为3的目标前缀各自对应的投影数据集，服务器可以进一步确定满足最小支持度要求的、长度为4的目标前缀，以及各长度为4的目标前缀各自对应的投影数据集如表4所示：表4基于上述各个长度为4的目标前缀各自对应的投影数据集，服务器可以进一步确定满足最小支持度要求的、长度为5的目标前缀，以及各长度为5的目标前缀各自对应的投影数据集如表5所示：表5长度为4的目标前缀对应的投影数据集bcaghf上述表1至表5中各个目标前缀可以构建目标前缀集合，由于目标前缀集合中长度最长的目标前缀最能反映目标用户惯用的一系列行为操作，因此，服务器最终可以选择该目标前缀集合中长度最长的目标前缀，作为目标用户的历史模式序列数据。需要说明的是，上述历史模式序列数据可以是服务器响应相关作弊识别需求临时挖掘的，也可以是服务器预先挖掘得到的。示例性的，服务器可以在确定其需要识别目标用户在某场比赛中的行为是否为作弊行为时，获取该目标用户在以往比赛中的历史行为序列数据，并基于所获取的历史行为序列数据执行上述操作，以确定该目标用户的历史模式序列数据；或者，服务器可以预先针对目标用户确定其对应的历史模式序列数据，当服务器需要识别该目标用户在某场比赛中的行为是否为作弊行为时，服务器可以直接调取该历史模式序列数据，服务器可以定期更新该历史模式序列数据，例如，每周更新一次或每天更新一次等。本申请在此不对上述历史模式序列数据的确定时机做任何限定。下面对基于目标用户的当前行为序列数据转换当前模式序列数据的方式进行介绍。在实际应用中，服务器转换目标用户的当前行为序列数据的方式，与上文中服务器将历史行为序列数据转换为历史行为编码序列的操作相类似，即基于预设的策略标识和/或行为操作标识，对目标用户的当前行为序列数据进行编码转换处理，得到该当前行为序列数据对应的当前行为编码序列，该当前行为编码序列即为当前模式序列数据。详细可参见上文中转换历史行为序列数据得到对应的历史行为编码序列的相关实现方式，此处不再赘述。可选的，为了更准确地识别目标用户的当前行为是否为作弊行为，服务器除了可以获取目标用户的历史模式序列数据和当前模式序列数据外，还可以获取目标用户的历史画像特征数据和当前画像特征数据，该历史画像特征数据是根据目标用户的历史个人特征信息和/或历史行为特征信息确定的，该当前画像特征数据是根据目标用户的当前个人特征信息和/或当前行为特征信息确定的。示例性的，以本申请实施例提供的方法应用于在线棋类竞赛中识别选手是否作弊的场景为例，服务器可以根据目标用户的历史个人特征信息，如年龄、性别、外貌、所在地、星座等等，构建该目标用户的历史画像特征数据，服务器还可以根据目标用户的历史行为信息，如历史竞赛平均分、段位等级、下棋性格(如保守、稳健、凶猛等)、习惯路数(如弃子攻杀、守城大将、绝地反击等)、历史比赛平均时长、历史比赛风格(如局面型、激进型等)，构建该目标用户的历史画像特征数据。相应地，服务器构建目标用户的当前画像特征数据时，可以根据构建历史画像特征数据时依据的特征信息类型，基于目标用户在该特征信息类型下当前的特征信息，构建目标用户的当前画像特征数据。服务器具体构建历史画像特征数据之前，通常需要先确定基于哪种特征信息构建历史画像特征数据，此时，对于候选特征信息，服务器可以根据目标用户群体中各用户针对该种候选特征信息的配置情况，确定该候选特征信息的缺失量，当该候选特征信息的缺失量小于缺失量阈值时，可以确定该候选特征信息作为生成历史画像特征数据时所依据的特征信息，该缺失量阈值是根据目标用户群体中的用户数量和预设缺失率确定的。示例性的，仍以本申请实施例提供的方法应用于在线棋类竞赛中识别选手是否作弊的场景为例，对于某种候选特征信息，服务器可以先确定注册使用该在线棋类竞赛程序的各个用户针对该种候选特征信息的配置情况，将没有配置该种候选特征信息的用户数量作为该种候选特征信息的缺失量。服务器可以基于式(2)计算缺失量阈值：缺失量阈值＝样本数据量×p(2)其中，样本数据量即为目标用户群体中的用户数量；p为预设的缺失率，在实际应用中，可以根据实际场景需求设置p，例如可以设置为0.4。若某种候选特征信息的缺失量高于该缺失量阈值，则说明没有配置该种候选特征信息的用户过多，该种候选特征信息不适合作为生成历史画像特征数据的依据。若某种候选特征信息的缺失量低于该缺失量阈值，则说明较多用户配置有该种候选特征信息，可以将该种候选特征信息作为生成历史画像特征数据所依据的特征信息。可选的，为了保证所构建的历史画像特征数据的准确性和合理性，本申请实施例提供的方法针对目标用户构建历史画像特征数据时，可以对目标用户的目标特征信息进行异常值的判断，并在判断目标用户的目标特征信息为异常值时，采取相应地处理措施调整该异常值。具体的，服务器针对目标用户确定历史画像特征数据时，可以判断目标用户的目标特征信息是否为异常值，该目标特征信息是生成历史画像特征数据时所依据的特征信息，该异常值是根据目标用户群体中各用户的该目标特征信息的分布情况确定的。若判断目标用户的目标特征信息为异常值，在该目标特征信息对应于连续型特征的情况下，服务器可以确定目标用户群体中各用户的该目标特征信息的均值，作为该目标用户的目标特征信息，在该目标特征信息对应于离散型特征的情况下，服务器可以确定预设常数值作为目标用户的目标特征信息。示例性的，针对某种目标特征信息，服务器可以将目标用户群体中各用户的该目标特征信息按照降序或升序的顺序进行排序，进而确定排在前1/m和/或排在后1/m的目标特征信息为异常值，此处m的值可以根据实际场景需求设定，例如可以设置为10000。若服务器判断目标用户的该目标特征信息属于异常值，则服务器可以对该目标用户的目标特征信息进行校正处理；例如，当该种目标特征信息对应于连续型特征时，服务器可以计算目标用户群体中各用户的该目标特征信息的均值，进而将该均值作为目标用户的目标特征信息；又例如，当该种目标特征信息对应于离散型特征时，服务器可以将预设的常数值作为该目标用户的目标特征信息。应理解，在实际应用中，服务器除了可以通过上述方式确定异常值外，也可以根据实际需求采用其它方式确定目标特征信息的异常值，本申请在此不对确定特征信息的异常值的方式做任何限定。此外，服务器除了可以采用上述方式校正异常的目标特征信息外，也可以根据实际需求采用其它方式校正异常的目标特征信息，本申请也不对目标特征信息的校正方式做任何限定。服务器根据目标用户的历史个人特征信息和/或历史行为特征信息，生成目标用户的历史画像特征数据时，还可以基于已有的历史个人特征信息和/或历史行为特征信息进行特征衍生处理，即通过特征变换、特征平方、特征加减等处理进行特征衍生。对于连续型的特征信息，服务器可以对其进行分箱离散化，对于离散型的特征信息，服务器可以对其进行独热(one-hot)编码处理，此处one-hot编码又可被称为一位有效编码，其主要采用n位状态寄存器来对n个状态进行编码，每个状态都对应一个独立的寄存器位，并且在任意时候只有一位有效。相应地，服务器根据目标用户的当前个人特征信息和/或当前行为特征信息，生成目标用户的当前画像特征数据时，所采取的生成方式与生成历史画像特征数据的方式相类似。本申请在此不对服务器构建目标用户的历史画像特征数据和当前画像特征的方式做任何限定。步骤202：通过目标特征提取模型对所述历史模式序列数据进行特征提取处理，得到历史模式特征；通过所述目标特征提取模型对所述当前模式序列数据进行特征提取处理，得到当前模式特征。服务器获取到历史模式序列数据和当前模式序列数据后，可以将该历史模式序列数据输入预先训练好的目标特征提取模型，以通过该目标特征提取模型从历史模式序列数据中提取出历史模式特征，以及将该当前模式序列数据输入预先训练好的目标特征提取模型，以通过该目标特征提取模型从该当前模式序列数据中提取出当前模式特征。需要说明的是，若服务器在步骤201中不仅获取到了目标用户的历史模式序列数据和当前模式序列数据外，还获取到了目标用户的历史画像特征数据和当前画像特征数据；则服务器需要对历史模式序列数据和历史画像特征数据进行融合拼接处理，得到历史融合特征数据，进而通过目标特征提取模型对该历史融合特征数据进行处理得到对应的历史模式特征，并且服务器也需要对当前模式序列数据和当前画像特征数据进行融合拼接处理，得到当前融合特征数据，进而通过目标特征提取模型对该当前融合特征数据进行处理得到对应的当前模式特征。下面对上述目标特征提取模型的训练方式进行介绍。服务器可以从策略知识库中获取训练样本数据，该策略知识库用于存储具有对应关系的行为序列数据和标注策略。然后，通过待训练模型根据该训练样本数据中的行为序列数据确定预测策略结果，该待训练模型由待训练特征提取模型和待训练分类模型组成。进而，根据训练样本数据中的标注策略和待训练模型确定的预测策略结果，对该待训练模型进行训练。在该待训练模型满足训练结束条件后，服务器可以将该待训练模型中的待训练特征提取模型作为上述目标特征提取模型。下面以本申请实施例提供的方法应用于在线棋类竞赛中识别选手是否作弊的场景为例，对上述目标特征提取模型的训练方式做示例性介绍。具体的，服务器可以先对在线棋类竞赛中的博弈行为进行规范化统一标识，不同的棋类竞赛中有各自的一些招式路数或手法，例如，在国际象棋竞赛中，开局策略有意大利开局、双马防御、匈牙利防御、西班牙开局、西西里防御等等，战术有闪将、双将、捉双、牵制、引离等；服务器可以先获取大量的棋局谱，然后标注棋局中某些行为序列数据对应的策略，并将标注有策略的行为序列数据添加至策略知识库，以构建出策略知识库，一种示例性的策略知识库如表6所示：表6策略行为序列策略1行为序列a策略1行为序列b策略1行为序列c策略2行为序列d策略2行为序列e策略2行为序列f策略3行为序列g策略3行为序列h策略3行为序列i…………进而，服务器可以利用该策略知识库中的数据作为训练样本数据，对待训练模型进行训练。示例性的，本申请可以根据策略知识库的形式构建一个基于marginloss的多分类模型(即待训练模型)，引入bi-lstm(bi-directionallongshort-termmemory)模型作为待训练特征提取模型。当然，在实际应用中，本申请不仅可以使用bi-lstm模型作为待训练特征提取模型，还可以使用其它深度学习模型如卷积神经网络(convolutionalneuralnetworks,cnn)、gru(gaterecurrentunit)等作为待训练特征提取模型，本申请在此不对待训练特征提取模型的类型做任何限定。本申请基于bi-lstm模型和待训练分类模型am-softmax构建的待训练模型的模型结构如图3所示，如图3所示，bi-lstm模型包括若干并行的第一子lstm模型310、若干并行的第二子lstm模型320和连接concat层330，其中，各第一子lstm模型310用于从第一维度对输入的数据进行特征提取，各第二子lstm模型320用于从第二维度对输入的数据进行特征提取，concat层330用于将第一子lstm模型提取出的特征和第二子lstm模型提取出的特征拼接融合起来；进而，通过全连接fc层340对各concat层330融合出的特征进行处理，并通过am-softmax350根据fc层340处理得到的特征进行分类处理。服务器基于策略知识库中各策略各自对应的若干条行为序列，对该待训练模型进行训练，以使该待训练模型能够将同一策略对应的多条行为序列识别属于同一类型。服务器具体训练基于am-softmax的多分类模型，可以基于式(3)和式(4)进行训练：y＝bi-lstm(x)(3)p＝am-softmax(yw)(4)其中，x为输入的行为序列数据，y为待训练特征提取模型bi-lstm模型的输出，即行为序列数据对应的特征。w为对应的策略标签集合，w＝(c1，c2，……，cn)，c1，c2，……，cn分别对应于策略知识库中的各种策略，即p＝am-softmax(＜y，cl＞，＜y，c2＞，...，＜y，cn＞。am-softmax的损失函数如式(5)所示：其中，θi表示y与ci的夹角，s和m均为常数，s可以取30，m可以取0.35。训练待训练模型时，可以通过最小化上述am-softmax的损失函数，对待训练模型中的待训练特征提取模型bi-lstm模型和待训练分类模型am-softmax进行训练。确定待训练模型满足预设的训练结束条件后，例如，确定对于该待训练模型的迭代训练次数达到预设训练次数阈值，或者确定该待训练模型的模型准确度达到预设准确度阈值后，可以将该待训练模型中的待训练特征提取模型作为本申请中的目标特征提取模型。可选的，在应用该目标特征提取模型的过程中，还可以利用该目标特征提取模型处理的行为序列数据，扩充上述策略知识库。具体的，服务器可以计算特征提取模型处理的行为序列数据与策略知识库中已有的行为序列数据之间的相似度，针对相似度超过预设相似度阈值的行为序列数据，服务器可以为其标注已有的行为序列数据对应的策略，进而将标注后的行为序列数据存储至策略知识库中，以扩充该策略知识库。步骤203：根据所述历史模式特征与所述当前模式特征之间的相似度，确定与所述目标用户的当前行为序列数据对应的当前行为是否为作弊行为。服务器经过上述操作，利用目标特征提取模型分别对历史模式序列数据和当前模式序列数据进行特征提取处理，得到对应的历史模式特征和当前模式特征后，可以进一步计算该当前模式特征与历史模式特征之间的相似度。进而，判断该相似度是否超过预设的相似度阈值，若是，则说明目标用户的当前行为符合其历史操作习惯，因此可以认定目标用户的当前行为并非作弊行为，若否，则说明目标用户的当前行为不符合其历史操作习惯，因此可以认定目标用户的当前行为属于作弊行为。上述本申请实施例提供的作弊行为识别方法，利用基于目标用户的历史行为序列数据挖掘得到的历史模式序列数据反映目标用户的操作习惯，进而，根据历史模式序列数据对应的历史模式特征与当前模式序列数据对应的当前模式特征之间的相似度，衡量目标用户的当前行为是否符合其以往的操作习惯，进而据此判断用户的当前行为是否为作弊行为。相比基于决策树判别模型发现作弊行为的方法，该方法无需获取大量标注样本训练专用于识别作弊行为的模型，因此可以有效降低识别作弊行为的成本。相比基于人工设定的作弊规则识别作弊行为的方法，该方法可以长时间有效准确地识别作弊行为，场景适用性较高。针对上文描述的用户行为数据处理方法，本申请还提供了对应的用户行为数据处理装置，以使上述用户行为数据处理方法在实际中的应用以及实现。参见图4，图4为上文图2所示的用户行为数据处理方法对应的一种用户行为数据处理装置400的结构示意图，该用户行为数据处理装置400包括：序列数据获取模块401，用于获取目标用户的历史模式序列数据和当前模式序列数据；所述历史模式序列数据是基于所述目标用户的历史行为序列数据挖掘处理的；所述当前模式序列数据是处理所述目标用户的当前行为序列数据得到的；特征提取模块402，用于通过目标特征提取模型对所述历史模式序列数据进行特征提取处理，得到历史模式特征；通过所述目标特征提取模型对所述当前模式序列数据进行特征提取处理，得到当前模式特征；作弊识别模块403，用于根据所述历史模式特征与所述当前模式特征之间的相似度，确定与所述目标用户的当前行为序列数据对应的当前行为是否为作弊行为。可选的，在图4所示的用户行为数据处理装置的基础上，参见图5，图5为本申请实施例提供的另一种用户行为数据处理装置500的结构示意图。如图5所示，该装置还包括：数据挖掘模块501，用于获取所述目标用户的n条历史行为序列数据，所述n为大于1的整数；基于预设的策略标识和/或行为操作标识，将每条所述历史行为序列数据转换为对应的历史行为编码序列；基于所述n条历史行为编码序列，构建目标前缀集合；所述目标前缀集合中包括多个满足预设支持度条件的目标前缀，其中，长度为i的目标前缀是基于长度为i-1的目标前缀对应的投影数据集确定的，所述i为大于1的整数；确定所述目标前缀集合中长度最长的目标前缀，作为所述历史模式序列数据。可选的，在图5所示的用户行为数据处理装置的基础上，所述数据挖掘模块501具体通过以下方式确定所述长度为i的目标前缀：针对每个长度为i-1的目标前缀，确定其对应的投影数据集中各投影数据单项各自对应的支持度，确定所对应的支持度大于最小支持度阈值的投影数据单项作为目标投影数据单项；合并所述长度为i-1的目标前缀和所述目标投影数据单项，得到所述长度为i的目标前缀。可选的，在图4所示的用户行为数据处理装置的基础上，参见图6，图6为本申请实施例提供的另一种用户行为数据处理装置600的结构示意图。如图6所示，该装置还包括：模型训练模块601，用于从策略知识库中获取训练样本数据；所述策略知识库用于存储具有对应关系的行为序列数据和标注策略；通过待训练模型根据所述训练样本数据中的行为序列数据，确定预测策略结果；所述待训练模型由待训练特征提取模型和待训练分类模型组成；根据所述训练样本数据中的标注策略和所述预测策略结果，对所述待训练模型进行训练；确定所述待训练模型满足预设的训练结束条件后，将所述待训练模型中的所述待训练特征提取模型作为所述目标特征提取模型。可选的，在图4所示的用户行为数据处理装置的基础上，参见图7，图7为本申请实施例提供的另一种用户行为数据处理装置700的结构示意图。如图7所示，该装置还包括：画像数据获取模块701，用于获取所述目标用户的历史画像特征数据和当前画像特征数据；所述历史画像特征数据是根据所述目标用户的历史个人特征信息和/或历史行为特征信息确定的；所述当前画像特征数据是根据所述目标用户的当前个人特征信息和/或当前行为特征信息确定的；则所述特征提取模块402具体用于：对所述历史模式序列数据和所述历史画像特征数据进行融合拼接处理，得到历史融合特征数据；通过所述目标特征提取模型对所述历史融合特征数据进行特征提取处理，得到所述历史模式特征；对所述当前模式序列数据和所述当前画像特征数据进行融合拼接处理，得到当前融合特征数据；通过所述目标特征提取模型对所述当前融合特征数据进行特征提取处理，得到所述当前模式特征。可选的，在图7所示的用户行为数据处理装置的基础上，参见图8，图8为本申请实施例提供的另一种用户行为数据处理装置800的结构示意图。如图8所示，该装置还包括：画像特征信息选取模块801，用于对于候选特征信息，根据目标用户群体中各用户针对所述候选特征信息的配置情况，确定所述候选特征信息的缺失量；当所述候选特征信息的缺失量小于缺失量阈值时，确定所述候选特征信息作为生成所述历史画像特征数据所依据的特征信息；所述缺失量阈值是根据所述目标用户群体中的用户数量和预设缺失率确定的。可选的，在图7所示的用户行为数据处理装置的基础上，所述画像数据获取模块701具体通过以下方式确定所述历史画像特征数据：针对所述目标用户确定所述历史画像特征数据时，判断所述目标用户的目标特征信息是否为异常值；所述目标特征信息是生成所述历史画像特征数据时所依据的特征信息；所述异常值是根据目标用户群体中各用户的所述目标特征信息的分布情况确定的；若是，在所述目标特征信息对应于连续型特征的情况下，确定所述目标用户群体中各用户的所述目标特征信息的均值，作为所述目标用户的所述目标特征信息；在所述目标特征信息对应于离散型特征的情况下，确定预设常数值作为所述目标用户的所述目标特征信息。上述本申请实施例提供的用户行为数据处理装置，利用基于目标用户的历史行为序列数据挖掘得到的历史模式序列数据反映目标用户的操作习惯，进而，根据历史模式序列数据对应的历史模式特征与当前模式序列数据对应的当前模式特征之间的相似度，衡量目标用户的当前行为是否符合其以往的操作习惯，进而据此判断用户的当前行为是否为作弊行为。本申请实施例还提供了一种用于识别作弊行为的电子设备，该电子设备具体可以为服务器或终端设备，下面将从硬件实体化的角度对本申请实施例提供的服务器和终端设备进行介绍。参见图9，图9为本申请实施例提供的一种服务器900的结构示意图。该服务器900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessingunits，cpu)922(例如，一个或一个以上处理器)和存储器932，一个或一个以上存储应用程序942或数据944的存储介质930(例如一个或一个以上海量存储设备)。其中，存储器932和存储介质930可以是短暂存储或持久存储。存储在存储介质930的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器922可以设置为与存储介质930通信，在服务器900上执行存储介质930中的一系列指令操作。服务器900还可以包括一个或一个以上电源926，一个或一个以上有线或无线网络接口950，一个或一个以上输入输出接口958，和/或，一个或一个以上操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm等等。上述实施例中由服务器所执行的步骤可以基于该图9所示的服务器结构。其中，cpu922用于执行如下步骤：获取目标用户的历史模式序列数据和当前模式序列数据；所述历史模式序列数据是基于所述目标用户的历史行为序列数据处理得到的；所述当前模式序列数据是处理所述目标用户的当前行为序列数据得到的；通过目标特征提取模型对所述历史模式序列数据进行特征提取处理，得到历史模式特征；通过所述目标特征提取模型对所述当前模式序列数据进行特征提取处理，得到当前模式特征；根据所述历史模式特征与所述当前模式特征之间的相似度，确定与所述目标用户的当前行为序列数据对应的当前行为是否为作弊行为。可选的，cpu922还可以用于执行本申请实施例提供的用户行为数据处理方法的任意一种实现方式的步骤。参见图10，图10为本申请实施例提供的一种终端设备的结构示意图。为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。以终端为智能手机为例：图10示出的是与本申请实施例提供的终端相关的智能手机的部分结构的框图。参考图10，智能手机包括：射频(radiofrequency，rf)电路1010、存储器1020、输入单元1030、显示单元1040、传感器1050、音频电路1060、无线保真(wirelessfidelity，wifi)模块1070、处理器1080、以及电源1090等部件。本领域技术人员可以理解，图10中示出的智能手机结构并不构成对智能手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。存储器1020可用于存储软件程序以及模块，处理器1080通过运行存储在存储器1020的软件程序以及模块，从而执行智能手机的各种功能应用以及数据处理。存储器1020可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据智能手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器1020可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。处理器1080是智能手机的控制中心，利用各种接口和线路连接整个智能手机的各个部分，通过运行或执行存储在存储器1020内的软件程序和/或模块，以及调用存储在存储器1020内的数据，执行智能手机的各种功能和处理数据，从而对智能手机进行整体监控。可选的，处理器1080可包括一个或多个处理单元；优选的，处理器1080可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1080中。在本申请实施例中，该终端所包括的处理器1080还具有以下功能：获取目标用户的历史模式序列数据和当前模式序列数据；所述历史模式序列数据是基于所述目标用户的历史行为序列数据处理得到的；所述当前模式序列数据是处理所述目标用户的当前行为序列数据得到的；通过目标特征提取模型对所述历史模式序列数据进行特征提取处理，得到历史模式特征；通过所述目标特征提取模型对所述当前模式序列数据进行特征提取处理，得到当前模式特征；根据所述历史模式特征与所述当前模式特征之间的相似度，确定与所述目标用户的当前行为序列数据对应的当前行为是否为作弊行为。可选的，所述处理器1080还用于执行本申请实施例提供的用户行为数据处理方法的任意一种实现方式的步骤。本申请实施例还提供一种计算机可读存储介质，用于存储计算机程序，该计算机程序用于执行前述各个实施例所述的一种用户行为数据处理方法中的任意一种实施方式。本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前述各个实施例所述的一种用户行为数据处理方法中的任意一种实施方式。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文全称：read-onlymemory，英文缩写：rom)、随机存取存储器(英文全称：randomaccessmemory，英文缩写：ram)、磁碟或者光盘等各种可以存储计算机程序的介质。应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。当前第1页1 2 3 

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除