本发明涉及智能决策,尤其涉及基于应用程序清单的用户风险识别方法、装置及设备。
背景技术:
1、目前,在用户授权获取用户数据的前提下,在获取到用户的智能手机上应用程序采集数据并进行风险用户识别时,除了传统的分类统计类特征挖掘外,常见的还有基于one-hot编码(即独热编码)特征。其中,one-hot编码特征是指将每一个应用程序进行0-1编码。与one-hot编码相似的还有tf-idf编码(即词频-逆向文件频率编码),tf-idf编码与one-hot编码的不同之处在于tf-idf编码使用应用程序的重要性而不是“0-1”进行编码。
2、在风险用户识别时场景中,如果用户的智能手机上安装应用程序数量过多,而覆盖率高的应用程序较少,就会导致one-hot编码或者tf-idf编码的向量过于稀疏,不利于提取出低维用户特征向量以供后续更准确的进行风险用户识别。而且,one-hot编码/tf-idf编码方法无法学习应用程序之间的相似性。
技术实现思路
1、本发明实施例提供了基于应用程序清单的用户风险识别方法、装置及设备,旨在解决现有技术中在风险用户识别时场景中,若用户的智能手机上安装应用程序数量较多,且使用one-hot编码或者tf-idf编码得到用户特征时,会导致编码结果过于稀疏,不利于提取出低维用户特征向量进行更准确的风险用户识别的问题。
2、第一方面,本发明实施例提供了一种基于应用程序清单的用户风险识别方法,其包括:
3、响应于用户风险识别指令,获取与所述用户风险识别指令对应的目标用户终端,及所述目标用户终端中已安装的当前应用程序所组成的当前应用程序集;
4、基于预先训练的推荐模型获取与所述当前应用程序集对应的应用程序向量集;
5、基于预先训练的加权模型获取与所述当前应用程序集对应的权重向量;
6、基于预设的向量运算策略获取所述应用程序向量集与所述权重向量的运算结果并作为用户分类向量;
7、基于所述用户分类向量确定用户综合向量;
8、基于预先训练的分类器获取与所述用户综合向量对应的用户风险识别结果,并将所述用户风险识别结果发送至所述目标用户终端。
9、第二方面,本发明实施例还提供了一种基于应用程序清单的用户风险识别装置,其包括:
10、当前应用程序集获取单元,用于响应于用户风险识别指令,获取与所述用户风险识别指令对应的目标用户终端,及所述目标用户终端中已安装的当前应用程序所组成的当前应用程序集;
11、应用程序向量集获取单元,用于基于预先训练的推荐模型获取与所述当前应用程序集对应的应用程序向量集;
12、权重向量获取单元,用于基于预先训练的加权模型获取与所述当前应用程序集对应的权重向量;
13、用户分类向量获取单元,用于基于预设的向量运算策略获取所述应用程序向量集与所述权重向量的运算结果并作为用户分类向量;
14、用户综合向量获取单元,用于基于所述用户分类向量确定用户综合向量;
15、风险识别单元,用于基于预先训练的分类器获取与所述用户综合向量对应的用户风险识别结果,并将所述用户风险识别结果发送至所述目标用户终端。
16、第三方面,本发明实施例还提供了一种应计算机设备,其包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
17、第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时可实现上述第一方面所述的方法。
18、本发明实施例提供了基于应用程序清单的用户风险识别方法、装置及设备,方法包括响应于用户风险识别指令,获取与用户风险识别指令对应的目标用户终端,及目标用户终端中已安装的当前应用程序所组成的当前应用程序集;基于预先训练的推荐模型获取与当前应用程序集对应的应用程序向量集;基于预先训练的加权模型获取与当前应用程序集对应的权重向量;基于预设的向量运算策略获取应用程序向量集与权重向量的运算结果并作为用户分类向量;基于用户分类向量确定用户综合向量;基于预先训练的分类器获取与用户综合向量对应的用户风险识别结果且发送至目标用户终端。本发明实施例能基于推荐模型和加权模型有效获取用户已安装应用程序对应的低维用户特征,并输入至分类器中获取到更准确的用户风险识别结果。
1.一种基于应用程序清单的用户风险识别方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述基于预先训练的推荐模型获取与所述当前应用程序集对应的应用程序向量集,包括:
3.根据权利要求1所述的方法,其特征在于,所述基于预先训练的推荐模型获取与所述当前应用程序集对应的应用程序向量集,包括:
4.根据权利要求2或3所述的方法,其特征在于,所述基于预先训练的加权模型获取与所述当前应用程序集对应的权重向量,包括:
5.根据权利要求1所述的方法,其特征在于,所述基于预设的向量运算策略获取所述应用程序向量集与所述权重向量的运算结果并作为用户分类向量,包括:
6.根据权利要求1所述的方法,其特征在于,所述基于所述用户分类向量确定用户综合向量,包括:
7.根据权利要求1所述的方法,其特征在于,在所述基于预先训练的加权模型获取与所述当前应用程序集对应的权重向量的步骤之前,所述方法还包括:
8.一种基于应用程序清单的用户风险识别装置,其特征在于,包括:
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的基于应用程序清单的用户风险识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时可实现如权利要求1-7中任一项所述的基于应用程序清单的用户风险识别方法。