HI,欢迎来到起点商标网!
24小时服务QQ:2880605093

一种信息检测方法、装置及计算机可读存储介质与流程

2021-01-11 15:01:01|260|起点商标网
一种信息检测方法、装置及计算机可读存储介质与流程

本申请涉及通信技术领域,具体涉及一种信息检测方法、装置及计算机可读存储介质。



背景技术:

随着互联网技术的飞速发展,智能终端处理器的处理能力越来越强,衍生出很多游戏应用,例如联机第一人称射击类(first-personshootinggame,fps)游戏,此类游戏可以支持多个玩家同时在线,基于丰富的场景,进行生动的互动娱乐。

现有技术中,为了防止未成年人过度沉迷游戏,需要识别未成年玩家并进行限制,实际应用过程中可以通过对游戏玩家进行实名认证来识别未成年玩家,而对于未实名认证的玩家不给予游戏权限。

在对现有技术的研究和实践过程中,本申请的发明人发现,现有技术中,未成年玩家可以通过冒用他人身份进行实名制验证,导致信息检测的结果不准确。



技术实现要素:

本申请实施例提供一种信息检测方法、装置及计算机可读存储介质,可以进而提升信息检测的准确率。

为解决上述技术问题,本申请实施例提供以下技术方案:

一种信息检测方法,包括:

获取待检测对象集合的特征矩阵和交互行为形成的目标关联矩阵;

将所述目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给所述特征矩阵,得到目标对象表征向量矩阵;

生成所述目标对象表征向量矩阵对应的标签信息;

通过所述目标对象表征向量矩阵和对应的标签信息对预设神经网络模型进行训练,得到训练后的预设神经网络模型;

基于所述训练后的预设神经网络模型对目标待识别对象进行身份检测。

一种信息检测装置,包括:

获取单元,用于获取待检测对象集合的特征矩阵和交互行为形成的目标关联矩阵;

传播单元,用于将所述目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给所述特征矩阵,得到目标对象表征向量矩阵;

生成单元,用于生成所述目标对象表征向量矩阵对应的标签信息;

训练单元,用于通过所述目标对象表征向量矩阵和对应的标签信息对预设神经网络模型进行训练,得到训练后的预设神经网络模型;

检测单元,用于基于所述训练后的预设神经网络模型对目标待识别对象进行身份检测。

在一些实施方式中,该训练单元,用于:

将每一行的对象表征向量信息输入所述预设神经网络模型中,输出对应的预测信息;

将所述预测信息和对应的标签信息输入损失函数;

根据所述损失函数计算的损失值对预设神经网络模型的网络参数进行迭代处理,直至收敛,得到训练后的预设神经网络模型。

在一些实施方式中,该检测单元,用于:

获取待识别对象集合的待识别特征矩阵和交互行为形成的待识别目标关联矩阵;

将所述待识别目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给所述待识别特征矩阵,得到待识别目标对象表征向量矩阵;

将所述待识别目标对象表征向量矩阵输入训练后的神经网络模型,输出所述待识别对象集合中的每一目标待识别对象的身份检测结果。

本申请实施例通过获取待检测对象集合的特征矩阵和交互行为形成的目标关联矩阵;将目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给特征矩阵,得到目标对象表征向量矩阵;生成目标对象表征向量矩阵对应的标签信息;通过目标对象表征向量矩阵和对应的标签信息对预设神经网络模型进行训练,得到训练后的预设神经网络模型;基于训练后的预设神经网络模型对目标待识别对象进行身份检测。以此,将目标关联矩阵中隐含的亲密度信息传播给特征矩阵,进行标签标定并训练,使训练后的预设神经网络模型可以结合对象集合中邻居对象关系进行身份识别,极大的提升了信息检测的准确率。

附图说明

为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的信息检测系统的场景示意图;

图2是本申请实施例提供的信息检测方法的流程示意图;

图3是本申请实施例提供的信息检测方法的一流程示意图;

图4是本申请实施例提供的信息检测装置的结构示意图;

图5是本申请实施例提供的服务器的结构示意图。

具体实施方式

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,本领域技术人员在没有作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。

本申请实施例提供一种信息检测方法、装置、及计算机可读存储介质。

请参阅图1,图1为本申请实施例所提供的信息检测系统的场景示意图,包括:终端a、和服务器(该信息检测系统还可以包括除终端a之外的其他终端,终端具体个数在此处不作限定),终端a与服务器之间可以通过通信网络连接,该通信网络,可以包括无线网络以及有线网络,其中无线网络包括无线广域网、无线局域网、无线城域网、以及无线个人网中的一种或多种的组合。网络中包括路由器、网关等等网络实体,图中并未示意出。终端a可以通过通信网络与服务器进行信息交互,比如终端a可以将需要进身份检测的目标待识别对象发送至服务器中。

该信息检测系统可以包括信息检测装置,该信息检测装置具体可以集成在服务器中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。如图1所示,该服务器可以获取待检测对象集合的特征矩阵和交互行为形成的目标关联矩阵;将该目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给该特征矩阵,得到目标对象表征向量矩阵;生成该目标对象表征向量矩阵对应的标签信息;通过该目标对象表征向量矩阵和对应的标签信息对预设神经网络模型进行训练,得到训练后的预设神经网络模型;接收终端a发送的目标待识别对象,基于该训练后的预设神经网络模型对目标待识别对象进行身份检测,生成身份检测结果返回终端a。

该信息检测系统中终端a可以安装各种用户需要的应用,比如即时通讯应用、媒体应用以及游戏应用等,终端a可以基于游戏应用将目标待识别对象发送至服务器中进行身份检测,接收服务器返回的身份检测结果。

需要说明的是,图1所示的信息检测系统的场景示意图仅仅是一个示例,本申请实施例描述的信息检测系统以及场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着信息检测系统的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。

以下分别进行详细说明。需说明的是,以下实施例的序号不作为对实施例优选顺序的限定。

在本实施例中,将从信息检测装置的角度进行描述,该信息检测装置具体可以集成在具备储存单元并安装有微处理器而具有运算能力的计算机设备中,计算机设备可以是服务器或者终端,在本实施例中以计算机设备是服务器为例进行说明。

请参阅图2,图2是本申请实施例提供的信息检测方法的流程示意图。该信息检测方法包括:

在步骤101中,获取待检测对象集合的特征矩阵和交互行为形成的目标关联矩阵。

人工智能(artificialintelligence,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。

机器学习(machinelearning,ml)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

本申请实施例提供的方案涉及人工智能的机器学习技术等技术,具体通过如下实施例进行说明:

需要说明的是,随着游戏应用的风靡,需要限制未成年人的消费以及游戏行为,以此,需要对游戏中的游戏对象(即游戏用户)进行身份认证,判断用户为成年游戏对象还是未成年游戏对象,而在现有技术中,可以通过实名认证来识别未成年玩家,即通过采集游戏对象的身份证信息,根据身份证信息判定游戏对象为成年玩家或者未成年玩家,但是,在实际应用过程中,未成年玩家可以冒用他人身份进行实名制验证,因此,往往会导致身份验证失败。

其中,在实际的游戏中,尽管未成年人可以通过冒用他人身份躲避系统的认证,然而由于未成年游戏对象的游戏行为决定了一些固定特征,例如,未成年游戏对象主要与相似年龄人进行自愿组队游戏,而且未成年游戏对象的游戏时间、游戏操作和游戏消费均与成年游戏对象有显著差别。

在本申请实施例中,该待检测对象集合即为自愿组队的多个游戏对象组成,基于上述逻辑规律,可以获取待检测对象集合的特征矩阵,该特征矩阵可以由待检测对象数量维度和游戏对象特征维度组成,该游戏对象特征可以包括游戏组队特征、游戏行为特征(即操作水平和游戏评分等等)、游戏消费特征和游戏时间特征等等组成,该特征矩阵反映了每一游戏对象的游戏行为特征。

进一步的,还可以获取待检测对象集合中不同的待检测对象之间进行交互形成的目标关联矩阵,例如,在两两待检测对象之间发生赠送行为时,可以记录该两个待检测对象的赠送行为,进而形成不同的待检测对象之间进行赠送行为交互的矩阵,该目标关联矩阵可以由待检测对象数量维度的矩阵长度和待检测对象数量维度的矩阵宽度的组成,反映了每一待检测对象与其他待检测对象的交互行为规律,该目标关联矩阵可以由待检测对象集合在不同维度下的交互行为形成的多个关联矩阵结合形成,可以反映出该待检测对象集合中不同的待检测对象之间的关联性。

在一些实施方式中,该获取待检测对象集合的特征矩阵和交互行为形成的目标关联矩阵的步骤,可以包括:

(1)获取待检测对象集合的特征矩阵;

(2)获取待检测对象集合在不同特征维度下的交互行为形成的多个关联矩阵;

(3)对每一关联矩阵进行矩阵标准化处理,得到矩阵标准化处理后的多个关联矩阵;

(4)将矩阵标准化处理后的多个关联矩阵进行加权聚合,得到目标关联矩阵。

其中,可以获取待检测对象集合的特征矩阵,该特征矩阵可以表示为x,该x的维度为n*f,该n为待检测对象集合中的待检测对象的数量维度,该f代表待检测对象的特征维度,该特征维度可以包含多个,例如以包括游戏组队特征、游戏聊天次数特征和游戏赠送特征,由于未成年游戏对象主要与相似年龄人进行自愿组队游戏,而且未成年游戏对象的游戏组队行为、游戏聊天行为和游戏消费均行为与成年游戏对象有显著差别,所以可以获取游戏组队特征、游戏聊天次数特征和游戏赠送特征可以反映出用户年龄。

进一步的,获取待检测对象集合在不同特征维度下的交互行为形成的多个关联矩阵,例如获取待检测对象集合在游戏组队特征维度的交互形成的第一关联矩阵,该第一关联矩阵为n*n,该n为待检测对象集合中的待检测对象的数量维度,代表了每一待检测对象集合中每一待检测对象与其他待检测对象的组队互动行为表征。以此类推,可以继续获取代表每一待检测对象集合中每一待检测对象与其他待检测对象的聊天互动行为表征的第二关联矩阵n*n以及游戏赠送行为表征的第三关联矩阵n*n。

为了更好的结合不同维度下的矩阵信息,在本申请实施例中可以通过对每一关联矩阵进行矩阵标准化处理,即将每一关联矩阵中的元素归为(0,1)之间,使得后续可以进行统一处理,得到矩阵标准化处理后的多个关联矩阵时,可以将矩阵标准化处理后的多个关联矩阵进行加权聚合,为每一矩阵标准化处理后的多个关联矩阵进行加权,由于矩阵的长宽相同,在加权之后,可以将多个关联矩阵的元素按照行列排列规则对应相加,结合为一个目标关联矩阵,该目标关联矩阵可以为该待检测对象集合中不同的待检测对象之间在综合所有特征维度下的关联性,反映了待检测对象集合中全部待检测对象的紧密度联系。

在步骤102中,将目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给特征矩阵,得到目标对象表征向量矩阵。

其中,图神经网络可以构建出图结构,该图网络中的每一个节点在图传播的过程中,可以将每一个节点的特征(趋势)信息传递给同一组队中的邻居节点,在本申请实施例中,该待检测对象集合中的每一待检测对象可看作图神经网络中的节点,每个待检测对象在经过图传播的过程中,均可以得到邻居节点的待检测对象的特征信息,使得每一待检测对象可以包含更多层次表征信息,融合实际的组队行为特征。

以此,通过上述原理,对该目标关联矩阵和特征矩阵构建图结构,通过图神经网络不断进行图传播,将该目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给特征矩阵,该紧密度信息即表征每一待检测对象与邻居待检测对象的特征信息的关联关系,得到目标对象表征向量矩阵,该目标对象表征向量矩阵反应了每一待检测对象自身的特征信息和与其他待检测对象之间的关联关系,从多个维度上融合表征游戏对象的行为,可以反映出每一待检测用户在结合了有交互邻居节点传递来的信息之后的表征行为,未成年组队中不同用户之间势必有很多类似行为特征,将这些行为特征互相传递,可以得到表征每一待检测用户身份的目标对象表征向量矩阵,可以更准确的对游戏对象的身份进行定义。

在一些实施方式中,该将目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给特征矩阵,得到目标对象表征向量矩阵的步骤,可以包括:

(1)将该目标关联矩阵确定为对象表征向量矩阵;

(2)将该特征矩阵和对象表征向量矩阵输入图神经网络的传播函数;

(3)对该特征矩阵和对象表征向量矩阵进行矩阵相乘处理、线性变换处理以及非线性激活处理,得到更新后的对象表征向量矩阵;

(4)重复执行预设次数对该特征矩阵和更新后的对象表征向量矩阵进行矩阵相乘处理、线性变换处理以及非线性激活处理,得到更新后的对象表征向量矩阵的步骤,得到目标对象表征向量矩阵。

其中,可以一并参阅图神经网络的传播函数:

该hl+1代表下一层的对象表征向量矩阵(更新后的对象表征向量矩阵),该σ该为激活函数,为目标关联矩阵,hl为当前的对象表征向量矩阵,该初始对象表征向量矩阵为特征矩阵,该wl为当前层的网络传播参数。

以此,通过上述公式将特征矩阵确定为对象表征向量矩阵,将该目标关联矩阵和对象表征向量矩阵输入上述图神经网络的传播函数,对该目标关联矩阵和对象表征向量矩阵进行矩阵相乘处理,将邻居节点的特征信息进行吸收,将矩阵相乘处理的结果与当前层的网络传播参数做线性变换,之后再通过激活函数进行非线性处理,得到下一层的对象表征向量矩阵。

进一步的,为了尽可能多的获取越多的邻居节点的特征信息进行吸收,需要进行预设次数的传播,即重复执行预设次数对该目标关联矩阵和更新后的对象表征向量进行矩阵相乘处理、线性变换处理以及非线性激活处理,得到更新后的对象表征向量矩阵的步骤,得到传播完成的目标对象表征向量矩阵。

在一些实施方式中,该图神经网络的传播函数还包括对象表征回忆系数以及传播参数回忆系数,该对该目标关联矩阵和对象表征向量矩阵进行矩阵相乘处理、线性变换处理以及非线性激活处理,得到更新后的对象表征向量矩阵的步骤,可以包括:

(1.1)对该目标关联矩阵和对象表征向量矩阵进行矩阵相乘处理、线性变换处理、根据对象表征回忆系数以及传播参数回忆系数补充初始的对象表征向量矩阵的梯度信息处理以及非线性激活处理,得到更新后的对象表征向量矩阵。

其中,为了避免图神经网络在进行长距离的传播之后,会遗忘之前的特征信息,影响后面矩阵处理准确率,本申请实施例可以引入用户表征回忆系数和传播参数回忆系数,以此,在对该目标关联矩阵和对象表征向量矩阵进行矩阵相乘处理、线变换处理之后,还可以根据该对象表征回忆系数以及传播参数回忆系数补充一定权重初始的对象表征向量矩阵的梯度信息,使得无论经过多少次传播函数处理,均会保留初始的对象表征向量矩阵的残留信息,避免出现矩阵数据冗余,并在补充之后进行非线性激活处理,得到更新后的对象表征向量矩阵。

在一些实施方式中,该重复执行预设次数对该目标关联矩阵和更新后的对象表征向量矩阵进行矩阵相乘处理、线性变换处理以及非线性激活处理,得到更新后的对象表征向量矩阵的步骤,得到目标对象表征向量矩阵的步骤,包括:

(2.2)重复执行预设次数对该目标关联矩阵和更新后的对象表征向量矩阵进行矩阵相乘处理、线性变换处理、根据对象表征回忆系数以及传播参数回忆系数补充初始的对象表征向量矩阵的梯度信息处理以及非线性激活处理,得到更新后的对象表征向量矩阵的步骤,得到目标对象表征向量矩阵。

其中,可以重复执行预设次数对该目标关联矩阵和更新后的对象表征向量矩阵进行矩阵相乘处理、线性变换处理、根据对象表征回忆系数以及传播参数回忆系数补充初始的对象表征向量矩阵的梯度信息处理以及非线性激活处理,得到更新后的对象表征向量矩阵的步骤,得到目标对象表征向量矩阵,例如该目标对象表征向量矩阵可以为n*50,该n为待检测对象集合中的待检测对象的数量维度,由于该对象表征向量矩阵信息在传播的过程中不断根据对象表征回忆系数以及传播参数回忆系数补充初始的对象表征向量矩阵的梯度信息处理,相对于相关技术中的图神经网络传播函数,可以对象表征回忆系数以及传播参数回忆系数不断保留最初的对象表征向量矩阵的原始表征信息,不会因为补充邻居信息而损失最初的表征关系,保留原始的对象表征向量矩阵的表征信息,使得特征的表征更为准确。

在步骤103中,生成目标对象表征向量矩阵对应的标签信息。

其中,该目标对象表征向量矩阵包含n个待检测对象与其他待检测对象之间关系的表征关系,可以从多个维度上融合表征待检测对象和在待检测对象集合中与其他待检测对象紧密度,具有丰富的表现能力,以此,可以获取目标对象表征向量矩阵中每一待检测对象的图传播特征(即对象表征向量信息),并根据实际情况生成相应的标签信息,例如当待检测对象为未成年玩家对象时,生成标签1,当待检测对象为成年玩家对象时,生成标签0。

由于目标对象表征向量矩阵可以反映出每一待检测用户在结合了有交互邻居节点传递来的信息之后的交互表征行为,而未成年组队中不同用户之间势必有很多类似行为特征,将这些行为特征互相传递进行提炼,标上身份进行训练,可以使得模型可以学习根据这些行为来判断出用户的身份,本申请融合了整个组队中交互行为,结合未成年组队后的一些行为习惯来进行身份判定,使得身份判定的准确性更高。

在一些实施方式中,该生成目标对象表征向量矩阵对应的标签信息的步骤,可以包括:

(1)依次获取该目标对象表征向量矩阵中每一行的对象表征向量信息;

(2)生成每一行的对象表征向量信息的标签信息。

其中,该目标对象表征向量矩阵的行数量为待检测对象集合中的待检测对象数量n,以此,可以依次获取该目标对象表征向量矩阵中每一行的对象表征向量信息,每一行的对象表征向量信息即代表每一待检测对象的图传播特征。

进一步的,根据每一行的待检测对象是否为成年游戏对象和未成年游戏对象进行标签信息的标定,例如当待检测对象为未成年玩家对象时,生成标签1,当待检测对象为成年玩家对象时,生成标签0。

在步骤104中,通过目标对象表征向量矩阵和对应的标签信息对预设神经网络模型进行训练,得到训练后的预设神经网络模型。

其中,该预设神经网络模型可以为多层感知机(multilayerperceptron,mlp),可以将目标对象表征向量矩阵中每一待检测对象的图传播特征和对应标定的标签信息输入预设神经网络模型中进行训练,该预设神经网络模型对该每一待检测对象的图传播特征进行不断的特征提取,输出最后的预测信息,根据该预测信息与对应的标签信息之间的差异不断的调整预设神经网络模型的网络参数,直至差异无限小,得到训练后的预设神经网络模型。

在一些实施方式中,该通过目标对象表征向量矩阵和对应的标签信息对预设神经网络模型进行训练,得到训练后的预设神经网络模型的步骤,可以包括:

(1)将每一行的对象表征向量信息输入该预设神经网络模型中,输出对应的预测信息;

(2)将该预测信息和对应的标签信息输入损失函数;

(3)根据该损失函数计算的损失值对预设神经网络模型的网络参数进行迭代处理,直至收敛,得到训练后的预设神经网络模型。

其中,将该目标对象表征向量矩阵中每一行的对象表征向量信息输入该预设神经网络模型中进行特征提取,输出对应的预测信息,并将该预测信息和对应的标签信息输入损失函数,该损失函数用于计算对应的标签信息与预测信息的平方差的值(即损失值),前期由于网络参数为随机选取,该损失值会较大,可以根据该损失函数计算的损失值反向传播,调整对预设神经网络模型的网络参数进行迭代调整处理,直至该损失值收敛,得到预测比较准确的预设神经网络模型。

在步骤105中,基于训练后的预设神经网络模型对目标待识别对象进行身份检测。

其中,在目标待识别对象在游戏中进行自愿组队时,可以采集组队中所有的待识别对象组成待识别对象集合,进而获取待识别对象集合的特征矩阵和交互行为形成的待识别目标关联矩阵,将该待识别目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给该待识别特征矩阵,得到待识别目标对象表征向量矩阵,具体实现过程请参照前述描述,此处不做赘述。

进一步的,从该待识别目标对象表征向量矩阵中取目标待识别对象相应的目标对象表征向量信息输入训练后的预设神经网络模型,由于前期预设神经网络模型的训练已经学习到如何识别目标对象表征向量信息的能力,所以可以输出预测信息,该预测信息属于(0,1)之间,当该预测信息大于0.5时,判定该目标待识别对象为未成年玩家,当该预测信息不大于0.5时,判定该目标待识别对象为成年玩家,以此,实现根据在组队中未成年玩家和成年玩家的游戏操作行为规则对目标待识别对象自动进行身份检测,不需要依赖用户的身份证信息进行实名认证,实现无感身份检测。

在一些实施方式中,该基于训练后的预设神经网络模型对目标待识别对象进行身份检测的步骤,可以包括:

(1)获取待识别对象集合的待识别特征矩阵和交互行为形成的待识别目标关联矩阵;

(2)将该待识别目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给该待识别特征矩阵,得到待识别目标对象表征向量矩阵;

(3)将该待识别目标对象表征向量矩阵输入训练后的神经网络模型,输出该待识别对象集合中的每一目标待识别对象的身份检测结果。

其中,可以采集游戏玩家在自主组队时,组队中所有待识别对象组成的待识别对象集合,实时采集该待识别对象集合的待识别特征矩阵和彼此交互行为形成的待识别目标关联矩阵,将该待识别目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给该待识别特征矩阵,得到待识别目标对象表征向量矩阵,具体实现过程请参照前述描述,此处不做赘述。

进一步的,将该待识别目标对象表征向量矩阵中每一行的待识别对象表征向量信息依次输入训练后的神经网络模型,输出该待识别对象集合中的每一目标待识别对象的预测信息(预测分数),该预测信息大于0.5时,判定该目标待识别对象为未成年玩家,当该预测信息不大于0.5时,判定该目标待识别对象为成年玩家。

由上述可知,本申请实施例通过获取待检测对象集合的特征矩阵和交互行为形成的目标关联矩阵;将目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给特征矩阵,得到目标对象表征向量矩阵;生成目标对象表征向量矩阵对应的标签信息;通过目标对象表征向量矩阵和对应的标签信息对预设神经网络模型进行训练,得到训练后的预设神经网络模型;基于训练后的预设神经网络模型对目标待识别对象进行身份检测。以此,将目标关联矩阵中隐含的亲密度信息传播给特征矩阵,进行标签标定并训练,使训练后的预设神经网络模型可以结合对象集合中邻居对象关系进行身份识别,极大的提升了信息检测的准确率。

结合上述实施例所描述的方法,以下将举例作进一步详细说明。

在本实施例中,将以该信息检测装置具体集成在服务器中为例进行说明。

请一并参阅图3,图3为本申请实施例提供的信息检测方法的另一流程示意图,该方法流程可以包括:

在步骤201中,服务器获取待检测对象集合的特征矩阵,获取待检测对象集合在不同特征维度下的交互行为形成的多个关联矩阵。

其中,服务器获取待检测对象集合的特征矩阵x,该x的维度为为n*f,该n为待检测对象集合中的待检测对象的数量维度,该f代表待检测对象的特征维度,该特征维度可以包括多个,例如游戏组队特征、游戏聊天次数特征、游戏赠送特征、游戏时间特征、游戏行为特征和游戏消费特征等等。

进一步的,获取待检测对象集合在不同特征维度下的交互行为形成的多个关联矩阵,假设可以具有交互行为的维度特征为3个,分别为游戏组队特征、游戏聊天次数特征和游戏赠送特征,那么可以采集在游戏组队特征、游戏聊天次数特征和游戏赠送特征下每一待检测对象与其他待检测对象进行行为交互的3个关联矩阵,该关联矩阵均为n*n。

在步骤202中,服务器对每一关联矩阵进行矩阵标准化处理,得到矩阵标准化处理后的多个关联矩阵,将矩阵标准化处理后的多个关联矩阵进行加权聚合,得到目标关联矩阵。

其中,服务器为了将3个不同的关联矩阵进行结合,可以通过矩阵标准化公式进行矩阵标准化处理,请参阅如下公式:

该d为拉普拉斯矩阵,该d为除对角线以外的元素都为零元素,该i为单位矩阵,以此,通过上述公式对每一关联矩阵进行矩阵标准化处理,得到矩阵标准化处理后的多个关联矩阵,该矩阵标准化处理后的多个关联矩阵中的元素均归为(0,1)之间的数值,此处的为矩阵标准化处理后的多个关联矩阵。

进一步的,为了减小计算复杂度,可以通过动态加权聚合矩阵对矩阵标准化处理后的多个关联矩阵中的元素进行加权聚合,请参阅如下公式:

该wk为权重矩阵,k代表第k个矩阵标准化处理后的关联矩阵,该wk用于对矩阵标准化处理后的关联矩阵进行加权,避免出现元素过大的情况,在加权处理之后进行求和,得到目标关联矩阵,此处的为目标关联矩阵。

在步骤203中,服务器将特征矩阵确定为对象表征向量矩阵,将目标关联矩阵和对象表征向量矩阵输入图神经网络的传播函数,对目标关联矩阵和对象表征向量矩阵进行矩阵相乘处理、线性变换处理、根据对象表征回忆系数以及传播参数回忆系数补充初始的对象表征向量矩阵的梯度信息处理以及非线性激活处理,得到更新后的对象表征向量矩阵。

其中,该图神经网络的传播函数还包括对象表征回忆系数以及传播参数回忆系数,请参阅如下公式:

该hl+1代表下一层的对象表征向量矩阵(更新后的对象表征向量矩阵),该σ该为激活函数,为目标关联矩阵,hl为当前的对象表征向量矩阵,该初始对象表征向量矩阵为特征矩阵x(即h0=x),该为当前层的网络传播参数,该αl为对象表征回忆系数,可以为0.1,该β1为传播参数回忆系数,可以为0.9,为初始层的网络传播参数。

以此,服务器可以将特征矩阵x确定为初始的对象表征向量矩阵,将目标关联矩阵输入上述的图神经网络的传播函数,依次对目标关联矩阵和对象表征向量矩阵进行矩阵相乘处理,将目标关联矩阵对于相邻关系的亲密度特征描述传播给对象表征向量矩阵,再通过矩阵相乘的结果与当前层的网络传播参数进行线性变换,为了避免面图神经网络的传播函数在进行长距离的传播之后,会遗忘之前的特征信息,导致处理结果发生较大的偏移,可以再根据对象表征回忆系数以及传播参数回忆系数补充初始的对象表征向量矩阵的梯度信息,最后通过激活函数σ进行非线性处理,得到下一层的对象表征向量矩阵(更新后的对象表征向量矩阵)。

在步骤204中,服务器重复执行预设次数对目标关联矩阵和更新后的对象表征向量矩阵进行矩阵相乘处理、线性变换处理、根据对象表征回忆系数以及传播参数回忆系数补充初始的对象表征向量矩阵的梯度信息处理以及非线性激活处理,得到更新后的对象表征向量矩阵的步骤,得到目标对象表征向量矩阵。

其中,服务器可以重复执行预设次数对该目标关联矩阵和更新后的对象表征向量矩阵进行矩阵相乘处理、线性变换处理、根据对象表征回忆系数以及传播参数回忆系数补充初始的对象表征向量矩阵的梯度信息处理以及非线性激活处理,得到更新后的对象表征向量矩阵的步骤,使得hl+1不断进行更新,并在每一次更新中不断学习待检测对象之间亲密度联系,不断的将邻居节点的特征信息进行互相传导,假设预设次数为10次,在进行10次传导之后,得到目标对象表征向量矩阵,该目标对象表征向量矩阵不仅可以表征每一待检测对象的特征表现,还结合相邻的待检测对象的亲密度特征表现,由于未成年游戏对象主要与相似年龄人进行自愿组队游戏,而且未成年游戏对象的游戏时间、游戏操作和游戏消费均与成年游戏对象有显著差别,以此,将相邻的待检测对象的亲密度特征表现进行结合,可以使得目标对象表征向量矩阵对于身份的特征表达能力更好,该目标对象表征向量矩阵可以为n*50,该n为待检测对象集合中的待检测对象的数量维度,该50为传播之后的特征维度数量。

在步骤205中,服务器依次获取目标对象表征向量矩阵中每一行的对象表征向量信息,生成每一行的对象表征向量信息的标签信息。

其中,服务器可以依次获取目标对象表征向量矩阵中每一行的对象表征向量信息,即依次获取每一个待检测对象的对象表征向量信息,并根据每一待检测对象是否为成年游戏玩家或者未成年游戏玩家进行标签标定,假设待检测对象未成年游戏玩家时,为该待检测对象的对象表征向量信息标定标签信息1,假设待检测对象为成年游戏玩家时,为该待检测对象的对象表征向量信息标定标签信息0。

在步骤206中,服务器将每一行的对象表征向量信息输入预设神经网络模型中,输出对应的预测信息,将预测信息和对应的标签信息输入损失函数,根据损失函数计算的损失值对预设神经网络模型的网络参数进行迭代处理,直至收敛,得到训练后的预设神经网络模型。

其中,将每一个待检测对象的对象表征向量信息输入该预设神经网络模型中进行特征提取,输出对应的预测信息,并将该预测信息和对应的标签信息输入损失函数,该损失函数请一并参照如下公式:

该yi代表待检测对象的标签信息,该代表待检测对象的预测信息,该li代表损失值,以此,基于上述公式,将预测信息和对应的标签信息输入损失函数,根据损失值对预设神经网络模型的网络参数进行迭代处理,直至损失值收敛,得到训练后的预设神经网络模型。

在步骤207中,服务器获取待识别对象集合的待识别特征矩阵和交互行为形成的待识别目标关联矩阵。

在步骤208中,服务器将待识别目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给待识别特征矩阵,得到待识别目标对象表征向量矩阵。

其中,服务器检测到目标待识别对象在游戏中进行自愿组队时,可以采集组队中所有的待识别对象组成待识别对象集合,进而获取待识别对象集合的特征矩阵和交互行为形成的待识别目标关联矩阵,将该待识别目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给该待识别特征矩阵,得到待识别目标对象表征向量矩阵,具体实现过程请参照参照前述对于特征矩阵、目标关联矩阵以及目标对象表征向量矩阵获取的描述,此处不做赘述。

在步骤209中,服务器将待识别目标对象表征向量矩阵输入训练后的神经网络模型,输出待识别对象集合中的每一目标待识别对象的身份检测结果。

其中,服务器将该待识别目标对象表征向量矩阵中每一行的待识别对象表征向量信息依次输入训练后的神经网络模型,输出该待识别对象集合中的每一目标待识别对象的预测信息(预测分数),该预测信息大于0.5时,判定该目标待识别对象为未成年玩家的身份检测结果,当该预测信息不大于0.5时,判定该目标待识别对象为成年玩家的身份检测结果。

由上述可知,本申请实施例通过获取待检测对象集合的特征矩阵和交互行为形成的目标关联矩阵;将目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给特征矩阵,得到目标对象表征向量矩阵;生成目标对象表征向量矩阵对应的标签信息;通过目标对象表征向量矩阵和对应的标签信息对预设神经网络模型进行训练,得到训练后的预设神经网络模型;基于训练后的预设神经网络模型对目标待识别对象进行身份检测。以此,将目标关联矩阵中隐含的亲密度信息传播给特征矩阵,进行标签标定并训练,使训练后的预设神经网络模型可以结合对象集合中邻居对象关系进行身份识别,极大的提升了信息检测的准确率。

为便于更好的实施本申请实施例提供的信息检测方法,本申请实施例还提供一种基于上述信息检测方法的装置。其中名词的含义与上述信息检测方法中相同,具体实现细节可以参考方法实施例中的说明。

请参阅图4,图4为本申请实施例提供的信息检测装置的结构示意图,其中该信息检测装置可以包括获取单元301、传播单元302、生成单元303、训练单元304及检测单元305等。

获取单元301,用于获取待检测对象集合的特征矩阵和交互行为形成的目标关联矩阵。

在一些实施方式中,该获取单元301,用于:

获取待检测对象集合的特征矩阵;

获取待检测对象集合在不同特征维度下的交互行为形成的多个关联矩阵;

对每一关联矩阵进行矩阵标准化处理,得到矩阵标准化处理后的多个关联矩阵;

将矩阵标准化处理后的多个关联矩阵进行加权聚合,得到目标关联矩阵。

传播单元302,用于将该目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给该特征矩阵,得到目标对象表征向量矩阵。

在一些实施方式中,该传播单元302,包括:

确定子单元,用于将该特征矩阵确定为对象表征向量矩阵;

输入子单元,用于将该目标关联矩阵和对象表征向量矩阵输入图神经网络的传播函数;

处理子单元,用于对该目标关联矩阵和对象表征向量矩阵进行矩阵相乘处理、线性变换处理以及非线性激活处理,得到更新后的对象表征向量矩阵;

执行子单元,用于重复执行预设次数对该目标关联矩阵和更新后的对象表征向量矩阵进行矩阵相乘处理、线性变换处理以及非线性激活处理,得到更新后的对象表征向量矩阵的步骤,得到目标对象表征向量矩阵。

在一些实施方式中,该图神经网络的传播函数还包括对象表征回忆系数以及传播参数回忆系数,该处理子单元,用于:对该目标关联矩阵和对象表征向量矩阵进行矩阵相乘处理、线性变换处理、根据对象表征回忆系数以及传播参数回忆系数补充初始的对象表征向量矩阵的梯度信息处理以及非线性激活处理,得到更新后的对象表征向量矩阵。

在一些实施方式中,该执行子单元,用于:重复执行预设次数对该目标关联矩阵和更新后的对象表征向量矩阵进行矩阵相乘处理、线性变换处理、根据对象表征回忆系数以及传播参数回忆系数补充初始的对象表征向量矩阵的梯度信息处理以及非线性激活处理,得到更新后的对象表征向量矩阵的步骤,得到目标对象表征向量矩阵。

生成单元303,用于生成该目标对象表征向量矩阵对应的标签信息。

在一些实施方式中,该构建单元303,用于:依次获取该目标对象表征向量矩阵中每一行的对象表征向量信息;生成每一行的对象表征向量信息的标签信息。

训练单元304,用于通过该目标对象表征向量矩阵和对应的标签信息对预设神经网络模型进行训练,得到训练后的预设神经网络模型。

在一些实施方式中,该训练单元304,用于:将每一行的对象表征向量信息输入该预设神经网络模型中,输出对应的预测信息;将该预测信息和对应的标签信息输入损失函数;根据该损失函数计算的损失值对预设神经网络模型的网络参数进行迭代处理,直至收敛,得到训练后的预设神经网络模型。

检测单元305,用于基于该训练后的预设神经网络模型对目标待识别对象进行身份检测。

在一些实施例中,该检测单元305,用于:获取待识别对象集合的待识别特征矩阵和交互行为形成的待识别目标关联矩阵;将该待识别目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给该待识别特征矩阵,得到待识别目标对象表征向量矩阵;将该待识别目标对象表征向量矩阵输入训练后的神经网络模型,输出该待识别对象集合中的每一目标待识别对象的身份检测结果。

以上各个单元的具体实施可参见前面的实施例,在此不再赘述。

由上述可知,本申请实施例通过获取单元301获取待检测对象集合的特征矩阵和交互行为形成的目标关联矩阵;传播单元302将目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给特征矩阵,得到目标对象表征向量矩阵;生成单元303生成目标对象表征向量矩阵对应的标签信息;训练单元304通过目标对象表征向量矩阵和对应的标签信息对预设神经网络模型进行训练,得到训练后的预设神经网络模型;检测单元305基于训练后的预设神经网络模型对目标待识别对象进行身份检测。以此,将目标关联矩阵中隐含的亲密度信息传播给特征矩阵,进行标签标定并训练,使训练后的预设神经网络模型可以结合对象集合中邻居对象关系进行身份识别,极大的提升了信息检测的准确率。

本申请实施例还提供一种计算机设备,如图5所示,其示出了本申请实施例所涉及的服务器的结构示意图,具体来讲:

该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图5中示出的计算机设备结构并不构成对计算机设备的限定,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。其中:

处理器401是该计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体监控。可选的,处理器401可包括一个或多个处理核心;可选的,处理器401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401中。

存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402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服务器的使用所创建的数据等。此外,存储器402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。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。

计算机设备还包括给各个部件供电的电源403,可选的,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

计算机设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

尽管未示出,计算机设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,计算机设备中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现前述实施例提供的各种方法步骤,如下:

获取待检测对象集合的特征矩阵和交互行为形成的目标关联矩阵;将该目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给该特征矩阵,得到目标对象表征向量矩阵;生成该目标对象表征向量矩阵对应的标签信息;通过该目标对象表征向量矩阵和对应的标签信息对预设神经网络模型进行训练,得到训练后的预设神经网络模型;基于该训练后的预设神经网络模型对目标待识别对象进行身份检测。

在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见上文针对信息检测方法的详细描述,此处不再赘述。

由上述可知,本申请实施例的计算机设备可以通过获取待检测对象集合的特征矩阵和交互行为形成的目标关联矩阵;将目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给特征矩阵,得到目标对象表征向量矩阵;生成目标对象表征向量矩阵对应的标签信息;通过目标对象表征向量矩阵和对应的标签信息对预设神经网络模型进行训练,得到训练后的预设神经网络模型;基于训练后的预设神经网络模型对目标待识别对象进行身份检测。以此,将目标关联矩阵中隐含的亲密度信息传播给特征矩阵,进行标签标定并训练,使训练后的预设神经网络模型可以结合对象集合中邻居对象关系进行身份识别,极大的提升了信息检测的准确率。

本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。

为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种信息检测方法中的步骤。例如,该指令可以执行如下步骤:

获取待检测对象集合的特征矩阵和交互行为形成的目标关联矩阵;将该目标关联矩阵中表征待检测集合中不同的待检测对象之间的紧密度信息传播给该特征矩阵,得到目标对象表征向量矩阵;生成该目标对象表征向量矩阵对应的标签信息;通过该目标对象表征向量矩阵和对应的标签信息对预设神经网络模型进行训练,得到训练后的预设神经网络模型;基于该训练后的预设神经网络模型对目标待识别对象进行身份检测。

根据本申请的一个方面,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实施例提供的各种可选实现方式中提供的方法。

以上各个操作的具体实施可参见前面的实施例,在此不再赘述。

其中,该计算机可读存储介质可以包括:只读存储器(rom,readonlymemory)、随机存取记忆体(ram,randomaccessmemory)、磁盘或光盘等。

由于该计算机可读存储介质中所存储的指令,可以执行本申请实施例所提供的任一种信息检测方法中的步骤,因此,可以实现本申请实施例所提供的任一种信息检测方法所能实现的有益效果,详见前面的实施例,在此不再赘述。

以上对本申请实施例所提供的一种信息检测方法、装置及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。

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

tips