验证用户电子邮件真实性的系统及关联的装置和处理方法与流程

1.本公开总体上涉及一种适用于验证一个或多个用户电子邮件的真实性的系统。本公开还涉及与该系统相关联的装置和/或处理方法。


背景技术：

2.在基于互联网/万维网的环境中，为了进行用户注册，通常会使用电子邮件(email)地址(例如，注册用户是人而非机器人的证明)。
3.不幸的是，(例如，欺诈者和/或偷懒的用户)可能试图绕过提供合法电子邮件的步骤，以达到上述用户注册的目的。例如，可使用不存在的电子邮件地址。因此，可能会试图提供非真实的电子邮件以达到用户注册的目的。
4.通常，可以将测试电子邮件传送(即，检查响应)到所提供的电子邮件地址，以确定所提供的电子邮件地址的真实性。然而，测试电子邮件的传送可能潜在地给用户带来不便(例如，导致用户的电子邮件收件箱中不必要的混乱)。此外，测试电子邮件的传送不一定是可靠的认证形式(例如，一些电子邮件服务提供商在收到电子邮件之后，可能默认根据测试电子邮件被传送到与电子邮件服务提供商相关联的域的事实而传送指示连接成功的返回信号)。
5.确定所提供的电子邮件地址的真实性的其他常规技术/解决方案包括检查邮箱名称是否是乱码。然而，这种技术可能不准确且不健全。
6.因此，本公开考虑了常规的解决方案/技术不能以用户友好、有效和/或可靠的方式促进对所提供的电子邮件地址的认证。
7.本公开考虑了需要改进能够对所提供的电子邮件地址进行认证的方式。


技术实现要素：

8.根据本公开的实施例，提供了一种装置。
9.所述装置可以被配置为验证至少一个用户电子邮件的真实性。所述装置还可以被配置为接收和处理多个真实用户电子邮件。每个真实用户电子邮件可以与用户相关联。每个真实用户电子邮件还可以与关联于真实用户电子邮件的用户的唯一身份数据相关联。
10.所述装置可以包括处理器。在一个实施例中，所述处理器可以包括第一部分和第二部分。第一部分可以例如耦接至第二部分。可以通过有线耦接和/或无线耦接的方式(即，有线耦接和无线耦接中的至少一种)来进行耦接。
11.所述处理器可以确定(例如，通过挖掘的方式)真实用户电子邮件和真实用户电子邮件的用户之间的至少一个关联，基于所确定的至少一个关联生成至少一个关联信号，以及基于所述至少一个关联信号，生成可以用于验证至少一个用户电子邮件的真实性的深度学习模型。
12.在一个实施例中，所述第一部分可以被配置为接收对应于所述多个真实用户电子邮件的信息。所述第一部分还可以被配置为挖掘真实用户电子邮件和真实用户电子邮件的
用户之间的至少一个关联。所述第一部分还可以被配置为基于挖掘的至少一个关联生成并传送至少一个关联信号。
13.所述第二部分可以被配置为接收所述至少一个关联信号，以进行处理来生成深度学习模型。所述深度学习模型可以用作验证至少一个用户电子邮件的真实性的基础。
14.在一个实施例中，所述第一部分可以对应于学习部分。此外，可以通过以下方式来挖掘所述至少一个关联：将自然语言中的词语以向量形式映射到高维数学空间，并通过计算两个向量之间的相似度获得关联。此外，所述至少一个关联可以例如对应于可被学习的至少一个模式。
15.在一个实施例中，所述第二部分可以对应于训练部分。此外，所述至少一个关联信号能够出于训练目的根据基于长短期记忆(lstm)的技术被处理，以生成所述深度学习模型。
16.在一个实施例中，要验证真实性的至少一个用户电子邮件可以不同于所述多个真实用户电子邮件。
17.在一个实施例中，要验证真实性的所述用户电子邮件与用户相关联，并且要验证真实性的所述用户电子邮件的用户与用户身份数据相关联。此外，所述装置可以被配置为与至少一个设备通信，所述至少一个设备可以被利益方用来生成和传送至少一个输入信号，所述输入信号指示要验证真实性的用户电子邮件和/或用户身份数据。
18.根据本公开的另一实施例，提供了一种处理方法。
19.该处理方法可以包括：基于多个真实用户电子邮件开发深度学习模型。
20.该处理方法还可以包括：接收输入信号，所述输入信号指示要验证其真实性的至少一个用户电子邮件。
21.该处理方法还可以包括：基于所述深度学习模型，验证至少一个用户电子邮件的真实性。
22.每个真实用户电子邮件可以与用户和关联于所述真实用户电子邮件的用户的唯一身份数据相关联。可以挖掘真实用户电子邮件和真实用户电子邮件的用户之间的至少一个关联。此外，可以基于所挖掘的至少一个关联生成至少一个关联信号。此外，所述深度学习模型可以通过处理所述至少一个关联信号的方式开发。
附图说明
23.在下文中，将参考以下附图描述本公开的实施例，其中：
24.图1示出了根据本公开实施例的系统，该系统可以包括至少一个装置以及可选地包括至少一个设备。
25.图2进一步详细示出了根据本公开实施例的图1的装置；
26.图3进一步详细示出了根据本公开实施例的图1的设备；
27.图4示出了根据本公开实施例的可以与图1的装置和/或图1的设备相对应或相关联的示例计算机设备；
28.图5示出了根据本公开实施例的与图1的系统相关联的处理方法；以及
29.图6示出了根据本公开实施例的装置的模块示例的图示，该装置例如对应于图2的装置。
具体实施方式
30.本公开考虑了正确地认证所提供的用户电子邮件地址对于例如基于互联网的公司是重要的，因为正确的认证可以是与这些公司相关联的后续活动(例如，商业类型的活动)的基础。
31.本公开广泛地考虑了通过使用深度学习技术并结合多维信息(例如，诸如用户姓名和用户生日的用户身份数据)来验证一个或多个所提供的用户电子邮件地址(以下简称为“用户电子邮件”)的真实性的算法的可能性。
32.具体地，本公开考虑了用户电子邮件通常可以与用户身份数据(例如，用户生日、用户姓名和与该用户姓名相关联的首字母中的任一个，或其任意组合)相关联，并且基于所提供的用户电子邮件地址和用户身份数据的组合可以预测用户电子邮件的真实性。具体而言，可以挖掘用户电子邮件和用户身份数据之间的一个或多个关联(即，挖掘的数据)。
33.此外，本公开考虑了一个或多个模式可以与挖掘的数据相关联，并且这种(些)模式可以通过使用基于神经网络的技术，基于大数据样本(例如，基于多个认证的用户电子邮件)来学习。因此，可以生成/开发具有非常强兼容性的深度学习模型，并且可以将其用于广泛的应用中。深度学习是机器学习的分支(例如，使用人工神经网络作为框架以表征和学习数据的算法)。
34.将仅通过示例的方式，参考附图来描述实施例。附图中相同的附图标记和符号表示相同的元素或等同物。
35.下面描述的一些部分是以计算机存储器内的算法和对数据的操作的函数或符号表示来明确或隐含地呈现的。这些算法描述和函数或符号表示是数据处理领域的技术人员用来最有效地向本领域其他技术人员传达其工作实质的手段。在这里，算法通常被认为是达到期望结果的自洽的步骤序列。这些步骤是需要对物理量(例如，能够被存储、传输、组合、比较和以其他方式操纵的电、磁或光信号)进行物理操纵的步骤。
36.除非另有特别说明，并且从以下内容显见，将理解的是，在整个说明书中，利用诸如“接收”、“扫描”、“计算”、“确定”、“替换”、“生成”、“初始化”、“输出”等的术语，指的是计算机系统或类似电子设备的动作和处理，它们将计算机系统内的表示为物理量的数据操纵和转换为计算机系统或其他信息存储、传输或显示设备内的类似地表示为物理量的其他数据。
37.本文还公开了用于执行一个或多个方法的操作的一个或多个装置。这样的装置可以被特殊构造以用于所需目的，或者可以包括计算机或由存储在计算机中的计算机程序选择性地激活或重新配置的其他设备。本文介绍的算法和显示与任何特定计算机或其他装置都没有内在联系。根据本文的教导，各种机器可以与程序一起使用。可替代地，用于执行所需方法步骤的更专业化的装置的构造可能是合适的。适合于执行本文描述的各种方法/处理的计算机的结构将通过下面的描述呈现。
38.此外，本说明书还隐含地公开了一种计算机程序，因为对于本领域技术人员而言显见的是，本文所描述的方法的各个步骤可以通过计算机代码来实现。该计算机程序不旨在限于任何特定的编程语言及其实现。将理解的是，各种编程语言及其代码可以用于实现本文所包含的本公开的教导。而且，该计算机程序不旨在限于任何特定的控制流程。计算机程序还有许多其他变体，可以使用不同的控制流，而不会脱离本公开的精神或范围。
39.此外，计算机程序的一个或多个步骤可以并行地而不是依次地执行。这样的计算机程序可以存储在任何计算机可读介质上。计算机可读介质可以包括诸如磁盘或光盘的存储设备、存储器芯片、或适合于与计算机接口的其他存储设备。计算机可读介质还可以包括诸如在互联网系统中例示的硬连线介质、或诸如在gsm移动电话系统中例示的无线介质。该计算机程序在这样的计算机上加载并执行时，有效地产生了实现本文所描述的任何方法的步骤的装置。
40.下文将参考图1至图6更详细地讨论前述内容。
41.参照图1，示出了根据本公开实施例的系统100。系统100可以适用于验证至少一个用户电子邮件的真实性。
42.系统100可以包括一个或多个装置102，以及可选地包括至少一个设备104和通信网络106之一或两者。
43.装置102可以耦接到设备104。具体地，装置102可以例如经由通信网络106耦接到设备104。
44.在一个实施例中，装置102可以耦接到通信网络106，并且装置104可以耦接到通信网络106。耦接可以通过有线耦接和/或无线耦接的方式进行。通常，装置102可以被配置为经由通信网络106与设备104通信。
45.装置102可以例如对应于一个或多个计算机(例如，膝上型计算机、台式计算机和/或具有计算能力的诸如智能手机和电子平板电脑的电子移动设备)。在一个实施例中，装置102可以包括一个或多个处理器(未示出)，其可以被配置为执行一个或多个处理任务，该任务可以包括基于处理任务的模式学习(即，称为“模式学习”)和/或基于处理任务的算法训练(即，称为“算法训练”)。具体地，装置102可以被配置为执行模式学习和/或算法训练的任务。根据本公开的实施例，稍后将参照图2更详细地讨论装置102。
46.设备104可以例如对应于一个或多个主机设备(例如，一个或多个计算机或一个或多个数据库)。主机设备可以例如被配置为托管/承载被配置为允许利益方(例如，互联网公司的所有者或管理员)验证一个或多个用户电子邮件的平台。该平台可以例如是在线平台的形式。在更具体的示例中，平台可以对应于基于在线的图形用户界面(gui)，该图形用户界面可以包括一个或多个输入部分，以由利益方进行输入来验证一个或多个用户电子邮件。例如，经由输入部分，利益方可以生成一个或多个输入信号，所述输入信号可以指示要验证的用户电子邮件和/或用户身份数据(即，要验证的用户电子邮件和用户身份数据中的至少一个)。输入信号可以从设备104传送，并且可以由装置102接收。根据本公开的实施例，稍后将参照图3更详细地讨论设备104。
47.通信网络106可以例如对应于互联网通信网络。经由通信网络106(即，在装置102与设备104之间)的通信可以通过有线通信和/或无线通信的方式进行。
48.本公开考虑到，通常，当创建用户电子邮件时，出于方便(例如，便于记忆)目的，许多用户例如将倾向于使用(即，示例性使用模式)与身份相关的信息(即，对应于上述用户身份数据，例如生日和/或姓名)。例如，用户可以使用个人姓名和生日中的一个或二者来形成电子邮件地址(即，用户电子邮件)。
49.基于上面提到的示例性使用模式，本公开考虑到，在一个实施例中，装置102可以被配置为承载一个或多个部分，该一个或多个部分可以被配置为通过挖掘(例如，挖掘邮箱
名和用户身份信息之间的关系)和/或学习(例如，基于上述挖掘，学习与挖掘的数据相关的关联/模式)的方式确定至少一个用户电子邮件的真实性。所述部分可以是基于硬件的部分和/或基于软件的部分(即，一部分可以对应于基于硬件和/或软件的部分)。根据本公开的实施例，这将在稍后参照图2的实施例的上下文中进行讨论。
50.基于前述的挖掘和/或学习，可以生成验证数据。验证数据可以从装置102传送到设备104以与上述平台相关联地使用，和/或，基于由装置102接收的输入信号(即，从设备104传送的输入信号)用于进一步处理。
51.如前所述，装置102可以被配置为承载一个或多个部分，该一个或多个部分可以被配置为确定至少一个用户电子邮件的真实性。现在，将在下文中根据本公开实施例参照图2基于实施例进行讨论。
52.参照图2，根据本公开的实施例，在实施例200的上下文中更详细地示出了装置102。
53.在实施例200中，装置102可以包括处理器(未示出)，该处理器可以承载第一部分202和/或第二部分204。此外，第一部分202和/或第二部分204可以例如对应于一个或多个算法。就这一点而言，装置102可以例如被配置为承载一个或多个算法，该一个或多个算法可以对应于第一部分202和第二部分204中的至少一个(即，第一部分202和/或第二部分204)。第一部分202可以耦接到第二部分204。第一部分202和第二部分204之间的耦接可以例如通过有线耦接和/或无线耦接的方式进行。
54.此外，在实施例200中，第一部分202可以对应于学习部分，第二部分204可以对应于训练部分。
55.学习部分可以例如对应于模式学习部分。例如，已经被验证/确认(例如，先前/在过去的实例中被验证/确认)为真实(即，真实的用户电子邮件)的多个(例如，数十、数百、数千、或数十万)用户电子邮件可以被收集(即，由装置102接收)，并且基于专家经验和/或基于词语向量训练的技术(例如，“word2vec”，通常涉及词语向量训练方法/技术，它将自然语言中的词语以向量形式映射到高维数学空间，从而有助于后续的词语相似度计算)可以挖掘一个或多个关联。具体地，可以通过计算两个向量之间的相似度获得关联。关联可以指示/对应于可以被学习的一个或多个模式。附加地，所挖掘的一个或多个关联可以被称为“挖掘的关联”。挖掘的关联可以对应于上述挖掘的数据。学习部分可以被配置为基于挖掘的关联来生成一个或多个关联信号。可以从学习部分传送(一个或多个)关联信号(即，其可以关联于/对应于/指示上述挖掘的数据)。
56.训练部分可以例如对应于算法训练部分。例如，基于长短期记忆(lstm)的技术可用于训练的目的。lstm是与深度学习领域相关联的基于人工递归神经网络(rnn)的体系结构。rnn是一类人工神经网络，其中节点之间的连接沿时间序列形成有向图。具体地，训练部分可以被配置为根据例如基于lstm的技术处理上述关联(即，挖掘的数据可以例如指示/对应于一个或多个模式)，以进行学习来生成深度学习模型206。例如，训练部分可以被配置为接收(一个或多个)关联信号，以使用例如基于lstm的技术进行进一步处理来生成深度学习模型206。
57.深度学习模型206可以是基于硬件和基于软件中的一者或两者(即，基于硬件和/或基于软件；基于硬件和基于软件中的至少一者)。
58.在一个实施例中，深度学习模型206可以对应于基于硬件的部分(未示出)，其承载根据例如基于lstm的技术基于对前述关联信号的进一步处理而生成/开发的算法。
59.在另一实施例中，深度学习模型206可以对应于基于软件的部分(例如，算法)，其基于对前述关联信号基于例如基于lstm技术的进一步处理而生成/开发。
60.在又一实施例中，深度学习模型206可以对应于基于硬件和基于软件的部分的组合。
61.本公开考虑到，在一个示例中，深度学习模型206可以由第一部分202和/或第二部分204承载。在另一个示例中，深度学习模型206可以承载在与第一部分202和第二部分204不同的第三部分(未示出)中。
62.深度学习模型206可以关联于/对应于前述验证数据。
63.此外，深度学习模型206可以用作验证一个或多个用户电子邮件的基础，这将参照图3进行更详细讨论。
64.鉴于前述内容，可以理解的是，本公开在一个实施例中构思了装置102，其可以被配置为验证至少一个用户电子邮件的真实性。该装置还可以被配置为接收和处理多个真实的用户电子邮件(例如，多达数十万个这样真实的用户电子邮件)。这些真实的用户电子邮件可以从使用历史、过去的记录、来自可靠来源等(例如，基于先前的使用、存储在数据库中的受信任记录和/或来自受信任的公司/组织的用户电子邮件获知)的用户电子邮件和/或先前已验证/确认为真实的用户电子邮件中获知。每个真实的用户电子邮件可以与用户和与该用户(即，真实用户电子邮件的用户)相关联的唯一身份数据(即，用户姓名、用户姓名的首字母、用户生日和/或用户的出生地)相关联。
65.通常，该装置可以包括处理器，该处理器可以确定(例如，通过挖掘的方式)真实用户电子邮件和真实用户电子邮件的用户之间的至少一个关联，基于所确定的至少一个关联来生成至少一个关联信号，并基于所述至少一个关联信号生成深度学习模型206，该深度学习模型206可以用于验证至少一个用户电子邮件的真实性。
66.在一个实施例中，处理器可以包括第一部分202，该第一部分202可以被配置为接收与多个真实用户电子邮件相对应的信息(例如，指示/对应于多个真实用户电子邮件的信息信号)并且挖掘真实用户电子邮件与真实用户电子邮件的用户之间的至少一个关联(例如，真实用户电子邮件的用户姓名和真实用户电子邮件之间的关联)。第一部分202还可以被配置为基于至少一个挖掘的关联(即，对应于挖掘的数据)生成并传送至少一个关联信号。
67.在一个实施例中，处理器还可以包括第二部分204，该第二部分204可以被配置为接收至少一个关联信号以进行处理来生成深度学习模型206(即，关联于/对应于验证数据)，该深度学习模型206可以用作验证至少一个用户电子邮件(即，利益方感兴趣的新用户电子邮件，其真实性希望/需要被验证)的真实性的基础。具体地，在此上下文中，“新用户电子邮件”可以指不包括在上述多个真实用户电子邮件中的用户电子邮件。因此，至少一个用户电子邮件(即，称为“至少一个新用户电子邮件”)可以被认为与多个真实用户电子邮件不同。
68.参照图3，根据本公开的实施例，进一步详细示出了系统100的设备104。
69.如前所述，在一个实施例中，该设备可以被配置为托管/承载平台，该平台可以被
配置为托管/承载被配置为允许利益方(例如，互联网公司的所有者或管理员)验证一个或多个用户电子邮件的平台。
70.如图所示，平台可以例如是在线平台302的形式。在更具体的示例中，平台可以对应于基于在线的图形用户界面(gui)，其可以包括一个或多个输入部分304，以由利益方进行输入来验证一个或多个用户电子邮件。
71.例如，经由输入部分304，利益方可以生成一个或多个输入信号，该输入信号可以指示要验证的用户电子邮件和/或用户身份数据。
72.如前所述，输入信号可以从设备104传送并由装置102接收。
73.可理解，利益方可以输入要验证的电子邮件地址和一个或多个关联的身份信息。与所输入的电子邮件地址和关联的身份信息对应的一个或多个输入信号可以被生成并被传送到装置102。基于深度学习模型206可以处理所接收的输入信号，以生成一个或多个概率信号。概率信号可以被传送到设备104，以进行进一步处理，使得利益方可以在视觉上感知与所输入的电子邮件地址的真实性有关的概率(即，关于所输入的电子邮件地址是否真实)。就这一点而言，可以进一步处理(例如，通过设备104)概率信号来生成一个或多个输出图形信号。输出图形信号可以指示真实性的概率(即，关于所输入的电子邮件地址的真实性)。
74.可进一步理解，从利益方的角度来看，可以有利于方便地对一个或多个用户电子邮件进行认证。此外，可以以可靠的方式(例如，鉴于深度学习模型206)认证一个或多个用户电子邮件的真实性。在一个简单的示例中，利益方仅需要使用在线平台302输入用户电子邮件和身份信息，就可以得到验证结果(即，基于上述的概率信号)。
75.此外，假定真实的用户电子邮件可以作为开发/生成(学习、训练等)深度学习模型206的基础，则可以有利于验证新用户电子邮件的真实性的准确性/可靠性。通常，本公开考虑到，通过基于(已知的/已验证的)真实用户电子邮件学习前述的关联/模式的方式来开发深度学习模型206将比尝试检测异常(例如，如前所述，检查邮箱名称是否是乱码)更可靠。
76.此外，考虑到异常的检测将是冗长繁琐的，因为可能潜在地存在无限的可能性/变化/组合(即，逐个情况检测异常可能是漫长而无穷的任务)。因此，本公开考虑了通过基于(已知/已验证的)真实用户电子邮件学习前述的关联/模式开发深度学习模型206将更加有效。
77.此外，可以减轻或至少减少对测试电子邮件的通信需求。因此，以一种用户友好和/或有效的方式认证用户电子邮件会是很有意义的。
78.为了从总体上理解前述内容，本公开考虑了学习用户电子邮件和身份之间的关联/模式可以在开发用于验证未来/新用户电子邮件的真实性的深度学习模型206中有帮助。用户电子邮件的真实性可以基于概率的大小。例如，较高的概率百分比(例如，75％或更高)可指示用户电子邮件可能是真实的，而较低的概率百分比(例如，50％或更低)可指示用户电子邮件不太可能是真实的。此外，关联的类型可以有很多种，例如用户姓名的首字母与用户电子邮件关联使用、用户姓名的首字母结合用户生日与用户电子邮件关联使用、用户的全名结合生日与用户电子邮件关联使用、用户的全名结合用户的出生地与用户电子邮件关联使用，等等。
79.此外，本公开考虑到，根据本公开的实施例，装置102和/或设备104通常可以包括
至少一个收发器(用于接收和/或发送信号等)和至少一个处理器(用于处理至少一个信号以生成其他一个或多个信号等)之一或两者。
80.在一个示例中，装置102和/或设备104可以对应于/关联于计算设备。这将在下面参照图4的示例性计算设备的上下文中进行讨论。
81.图4示出了根据本公开实施例的示例性计算设备400，在下文中可互换地称为计算机系统400。仅通过示例的方式提供了对计算设备400的以下描述，而无意于进行限制。
82.如图4所示，示例性计算设备400包括用于执行软件例程的处理器404。尽管为了清楚起见示出了单个处理器，但是计算设备400也可以包括多处理器系统。处理器404连接到通信基础设施406，用于与计算设备500的其他组件进行通信。通信基础设施406可以包括例如通信总线、交叉条(cross
‑
bar)或网络。
83.计算设备400还包括诸如随机存取存储器(ram)之类的主存储器408和辅助存储器410。辅助存储器410可以包括例如硬盘驱动器412和/或可移动存储驱动器414，其可以包括软盘驱动器、磁带驱动器、光盘驱动器等。可移动存储驱动器414以众所周知的方式从可移动存储单元418读取和/或写入可移动存储单元418。可移动存储单元418可以包括被可移动存储驱动器414读取和写入的软盘、磁带、光盘等。如相关领域技术人员将理解的，可移动存储单元418包括其中存储有计算机可执行程序代码指令和/或数据的计算机可读存储介质。
84.在替代实施方式中，辅助存储器410可以附加地或替代地包括用于允许将计算机程序或其他指令加载到计算设备400中的其他类似装置。这样的装置可以包括例如可移动存储单元422和接口420。可移动存储单元422和接口420的示例包括程序盒及盒接口(例如在视频游戏控制台设备中找到的接口)、可移动存储芯片(例如eprom或prom)及相关联的插槽、以及允许将软件和数据从可移动存储单元422传输到计算机系统400的其他可移动存储单元422和接口420。
85.计算设备400还包括至少一个通信接口424。通信接口424允许软件和数据经由通信路径426在计算设备400和外部设备之间传输。在本公开的各种实施例中，通信接口424允许数据在计算设备400和诸如公有数据或私有数据通信网络之类的数据通信网络之间传输。通信接口424可以用于在不同的计算设备400之间交换数据，这些计算设备400形成互连的计算机网络的一部分。通信接口424的示例可以包括调制解调器、网络接口(诸如以太网卡)、通信端口、具有相关电路的天线等。通信接口424可以是有线的或者可以是无线的。经由通信接口424传输的软件和数据采用信号的形式，其可以是能够被通信接口424接收的电信号、电磁信号、光信号或其他信号。这些信号经由通信路径426被提供给通信接口。
86.如图4所示，计算设备400还包括显示接口402和音频接口432，显示接口402执行用于将图像呈现到关联的显示器430的操作，音频接口432执行用于经由关联的扬声器434播放音频内容的操作。
87.如本文所使用的，术语“计算机程序产品”可以部分地指代可移动存储单元418、可移动存储单元422、安装在硬盘驱动器412中的硬盘，或将软件经由通信路径426(无线链路或电缆)运载到通信接口424的载波。
88.计算机可读存储介质是指将记录的指令和/或数据提供给计算设备400以供执行和/或处理的任何非暂态有形存储介质。这种存储介质的示例包括软盘、磁带、cd
‑
rom、dvd、blu
‑
ray
tm
光盘、硬盘驱动器、rom或集成电路、usb存储器、磁光盘或诸如pcmcia卡之类的计
算机可读卡，不管这些设备是在计算设备400的内部还是外部。也可参与向计算设备500提供软件、应用程序、指令和/或数据的暂态或非有形计算机可读传输介质的示例包括无线电或红外传输信道、以及连接到另一个计算机或网络设备的网络、和包括电子邮件传输和记录在网站上的信息的互联网或内网等。
89.计算机程序(也称为计算机程序代码/算法)被存储在主存储器408和/或辅助存储器410中。计算机程序也可以经由通信接口424接收。此类计算机程序在被执行时使计算设备400能够执行本文所讨论的实施例的一个或多个特征。在各种实施例中，计算机程序在被执行时使处理器404能够执行上述实施例的特征。因此，这样的计算机程序代表计算机系统400的控制器。
90.软件可以存储在计算机程序产品中，并使用可移动存储驱动器414、硬盘驱动器412或接口420加载到计算设备500中。可替代地，计算机程序产品可以经由通信路径426下载到计算机系统400。该软件在由处理器404执行时使计算设备400执行本文描述的实施例的功能。
91.应当理解，图4的实施例仅通过示例的方式给出。因此，在一些实施例中，计算设备400的一个或多个特征可以被省略。而且，在一些实施例中，计算设备400的一个或多个特征可以被组合在一起。此外，在一些实施例中，计算设备400的一个或多个特征可以被分成一个或多个组成部分。
92.应当理解，图4所示的元素起到提供用于执行如以上实施例中所描述的系统的各种功能和操作的装置的作用。
93.在一种实施方式中，服务器通常可以被描述为包括至少一个处理器和包括计算机程序代码的至少一个存储器的物理设备。所述至少一个存储器和计算机程序代码被配置为与所述至少一个处理器一起使所述物理设备执行必要的操作。
94.参照图5，示出了根据本公开实施例的与系统100相关联的处理方法500。
95.处理方法500可以包括输入(或“输入”)步骤502，开发(或“生成”)步骤504和输出(或“输出”)步骤506中的任一个或它们的任意组合。
96.关于输入步骤502，可以生成前述的输入信号。如前所述，根据本公开的实施例，输入信号可以由装置102接收以进行处理。例如，输入信号可以从设备104传送并由装置102接收以进行处理。
97.关于开发步骤504，根据本公开的实施例，可以以如先前参照图2所讨论的方式开发/生成深度学习模型206。
98.关于输出步骤506，根据本公开的实施例，可以基于深度学习模型206处理输入信号，以如先前参照图2和/或图3所讨论的方式生成一个或多个概率信号。
99.通常，在一个实施例中，本公开考虑了一种处理方法500，其可以包括：基于多个真实用户电子邮件开发深度学习模型206(例如，使用装置102)；接收输入信号(例如，可以使用设备104生成和传送)，所述输入信号指示要验证其真实性的至少一个用户电子邮件；以及基于深度学习模型206验证所述至少一个用户电子邮件的真实性。
100.每个真实用户电子邮件可以与用户和与真实用户电子邮件的用户相关联的唯一身份数据(例如，用户生日、用户姓名、用户姓名的首字母和/或用户的出生地)相关联。
101.可以挖掘真实用户电子邮件和真实用户电子邮件的用户之间的至少一个关联(例
如，真实用户电子邮件的用户姓名和真实用户电子邮件之间的关联)。此外，可以基于至少一个挖掘的关联来生成至少一个关联信号。此外，可以通过处理至少一个关联信号的方式开发/生成深度学习模型206。
102.参照图6，示出了根据本公开实施例的装置600的模块示例。装置600可以是前述装置102的实施例的示例。
103.如图所示，装置600可以包括：开发模块602，其基于多个真实用户电子邮件开发深度学习模型206；检索模块604，其接收输入信号，所述输入信号指示要被验证其真实性的至少一个用户电子邮件；以及验证模块606，其基于深度学习模型验证所述至少一个用户电子邮件的真实性。
104.在一个实施例中，开发模块602可以包括学习模块和训练模块之一或两者。学习模块可以例如对应于前述学习部分，训练模块可以例如对应于前述训练部分。就这一点而言，前述讨论适用于关于第一部分202和/或第二部分204的类似应用。
105.在一个实施例中，输入信号可以由前述设备104生成并从其传送。
106.在一个实施例中，验证模块606可以包括/对应于深度学习模型206，其可以验证至少一个用户电子邮件的真实性。
107.例如，图6可以被解释为示出根据本公开实施例的验证至少一个用户电子邮件的真实性的内部功能模块和/或验证装置的结构。
108.关于本公开的一个或多个实施例讨论的解决方案/技术可以与一个或多个技术效果相关联。例如，非侵入式邮箱(即，对应于前述用户电子邮件)验证系统/算法/装置/设备/方法可以是有利的(例如，可以基本上消除验证电子邮件以确认真实性的通信)。如先前所讨论的，可以以用户友好的方式(即方便)、有效的方式和/或可靠的方式来促进用户电子邮件的认证。
109.本领域技术人员还应该认识到，上述特征的变型和组合，不是可选或代替，可以组合以形成其他实施例。
110.在一个示例中，前述平台可以由利益方的个人计算机(pc)承载(例如，安装在其上)。例如，所述平台可以是软件程序，其可以安装在利益方的pc上，以供利益方用以验证一个或多个用户电子邮件的真实性。
111.在另一个示例中，根据本公开的实施例，本公开考虑了多个真实用户电子邮件的所有用户都是不同的(例如，所有不同的个体/个人)。
112.在又一个示例中，本公开考虑了以下可能：在一个实施例中，可能存在相同的用户与来自上述多个真实用户电子邮件的多个真实用户电子邮件相关联(例如，同一个体/个人可以与来自多个真实用户电子邮件的两个或更多真实用户电子邮件相关联)。
113.在又一示例中，本公开考虑了：在另一实施例中，要验证的用户电子邮件的用户可能与真实用户电子邮件的用户相同，尽管要验证的用户电子邮件与真实用户电子邮件不同(即，真实用户电子邮件可能与要验证的用户电子邮件不同，即使真实用户电子邮件的用户与要验证的用户电子邮件的用户相同)。
114.以上述方式，描述了本公开的各种实施例，用于解决至少一个前述缺点。这些实施例旨在由随附的权利要求涵盖，并且不限于如此描述的部件的具体形式或布置，对于本领域的技术人员来说，鉴于本公开显见的是，可以进行许多改变和/或修改，这些改变和/或修
改也由所附的权利要求涵盖。