一种用户的识别方法、装置及设备与流程

1.本发明涉及数据分析技术领域，具体涉及一种用户的识别方法、装置及设备。


背景技术：

2.当前常用的视频刷量用户判别技术有两种。一种是获取用户唯一标识，如ip，cookie，imei，跟已知的刷量用户库进行匹配，如果能匹配到，则认定为刷量用户，反之，则不是；已知的刷量用户库一般通过采买第三方库的方式获取，成本较大。另外一种是采集用户行为数据(如登录，播放，曝光等)，通过几个维度，分析用户使用时段、播放时长、播放次数、点击率等规律，加上经验判断，判别用户刷量。
3.这两种方法存在如下问题：数据维度单一，刷量判别结果认定准确率较低。


技术实现要素：

4.鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的用户的识别方法、装置及设备。
5.根据本发明实施例的一个方面，提供了一种用户的识别方法，所述方法包括：
6.根据至少两个维度的用户数据，确定第一类型用户以及第二类型用户；
7.根据所述第一类型用户的至少两个维度的用户数据，生成至少两个评判器；
8.将所述第二类型用户的至少两个维度的用户数据，输入所述至少两个评判器进行处理，得到所述第二类型用户是否为目标类型用户的判断结果。
9.根据本发明实施例的另一方面，提供了一种用户的识别装置，所述装置包括：
10.确定模块，用于根据至少两个维度的用户数据，确定第一类型用户以及第二类型用户；
11.处理模块，用于根据所述第一类型用户的至少两个维度的用户数据，生成至少两个评判器；将所述第二类型用户的至少两个维度的用户数据，输入所述至少两个评判器进行处理，得到所述第二类型用户是否为目标类型用户的判断结果。
12.根据本发明实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
13.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述所述刷量用户的识别方法对应的操作。
14.根据本发明实施例的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述所述刷量用户的识别方法对应的操作。
15.根据本发明上述实施例提供的方案，根据输入的多维度的用户数据，建立所述多维度分别对应的评判器，依据多个评判器可以准确识别出目标类型用户，也即是刷量用户，由此解决了采用单一维度的用户数据分析和经验判断造成的判断失准等问题，提高识别效
率与准确率。
16.上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明实施例的具体实施方式。
附图说明
17.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明实施例的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
18.图1示出了本发明实施例提供的用户的识别方法流程图；
19.图2示出了本发明实施例提供的用户的识别方法的具体实现流程图；
20.图3示出了本发明实施例提供的用户的识别装置的结构示意图；
21.图4示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
22.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
23.图1示出了本发明实施例提供的一种用户的识别方法的流程图。如图1所示，该方法包括以下步骤：
24.步骤11，根据至少两个维度的用户数据，确定第一类型用户以及第二类型用户；
25.步骤12，根据所述第一类型的至少两个维度的用户数据，生成至少两个评判器；
26.步骤13，将所述第二类型用户的至少两个维度用户数据，输入所述至少两个评判器进行处理，得到所述第二类型用户是否为目标类型用户的判断结果。
27.该实施例中，所述至少两个维度的用户数据，可以包括：用户基础数据、播放数据、内容数据等纬度的用户播放视频特征数据，组合这些特征数据，为后续步骤实施提供数据基础；同时，根据至少两个维度的用户数据避免了采用单一维度的数据分析和经验判断造成的判断失准，提升了刷量伪造的成本；在所述根据至少两个维度的用户数据中，按照一定的规则进行第一类型用户以及第二类型用户的筛选，并利用筛选的所述第一类型用户以及相关播放特征数据，生成至少两个评判器；将所述第二类型用户至少两个维度的用户数据(如播放特征数据)输入所述至少两个评判器进行处理，综合所述至少两个评判器的输出结果，最终得出所述第二类型用户是否为目标类型用户的判断结果。所述至少两个评判器的结果可以应对不同场景、不同类型的视频，动态调节使用。
28.本发明的一可选的实施例中，步骤11中，所述第一类型用户为用户数据满足第一条件的用户；所述第一条件包括：确定所述第一类型用户是正常用户的第一子条件以及确定所述第一类型用户是刷量用户的第二子条件；所述第二类型用户为用户数据满足第二条件的用户。
29.该实施例中，所述第一类型用户可以包括正常用户和刷量用户，所述第二类型用
户可以包括疑似刷量用户。所述第一子条件可以是根据所述至少两个维度数据中互动性交互的第一数据，确定该第一数据对应的用户为正常用户；所述第二子条件可以是根据所述至少两个维度数据中满足强制性刷量用户规则的第二数据，确定该第二数据对应的用户为刷量用户；所述第二条件可以是多维度的用户数据中除所述第一数据和所述第二数据外的第三数据，确定该第三数据对应的用户为疑似刷量用户。
30.将所述至少两个维度数据中互动性交互的数据作为第一数据，例如：用户付费、参与营销活动等互动性交互的数据，通过业务数据分析及播放业务流程分析，制定所述第一数据对应的用户筛选规则，如播放时参与了视频互动功能，或者播放来源于参与营销活动，或者是付费播放并且存在转发、收藏、评论等社交行为等规则，并依据此规则确定所述第一数据对应的用户，即为正常用户；
31.将所述至少两个维度数据中满足强制性刷量用户规则的数据作为第二数据，例如：单用户的不同视频播放时长相同(精确到毫秒)等数据，通过数据分析用户播放生命周期数据，制定强业务特性的所述第二数据对应的用户筛选判定规则，如单日播放时长超长、视频播放频率过高，视频播放时长存在某种共性等明显刷量行为，并依据此规则确定所述第二数据对应的用户，即为刷量用户；
32.经过上述规则筛选后的剩余用户数据确定为第三数据，并认定所述第三数据对应的用户为疑似刷量用户。通过制定用户数据筛选规则，并输入多维度数据进行删选判断，提高筛选的精确度。
33.优选的，所述至少两个维度的用户数据，可以根据下述步骤获得：
34.步骤s1，统计获取单个用户不同维度(如：不同网络状态、不同版本、不同时段、不同付费状态、不同视频类型、不同优先级视频内容)下的当日播放时长和播放次数。网络状态如：4g、wifi；版本信息如某一指定版本、低版本、高版本等；付费状态如：会员等各类消费场景；视频类型如：电影、电视剧、综艺等类别；不同优先级信息如：视频内容本身质量等级等。统计用户在各维度下的播放相关数据，形成用户高纬度特征数据，还原用户的真实播放。
35.步骤s2，计算用户当日在特定页面的访问行为数据。计算用户在首页、vip页面等重点页面的访问次数，停留时长等基础访问以及活跃等相关数据。基础访问数据涵盖用户基础操作行为，为后续判定刷量用户过程提供数据支撑。
36.步骤s3，计算用户当日参加营销活动、短信活动、社交互动信息和视频互动次数和时长等信息。获取用户的在非刷量状态下的操作行为数据，为后续判定正常用户过程提供数据支撑。
37.步骤s4，统计过去n天内用户在步骤111，步骤112，步骤113的所有数据，根据不同数据类别，进行数据加总、最大值、最小值、平均值等操作，生成过去n天的用户数据，单条数据包含67个维度，真实的反映用户实际操作特性。
38.需要说明的是，这里的步骤s1至步骤s3没有必然的顺序限制，其中的一个或者多个步骤可以单独实现，也可以组合实现。
39.本发明的一可选实施例中，所述步骤12包括：
40.步骤121，根据所述第一类型用户的至少两个维度的用户数据中的每一个维度的用户数据，生成与每一个维度的用户数据分别对应的评判器。
41.该实施例中，根据所述第一类型用户中的所述正常用户和刷量用户的高维度特征数据，可以建立多个不同维度的刷量评判器，由于每一个评判器选取的特征数据不同，则每一个评判器的判断阈值不同，相应的在数据筛选时，筛选的范围更大。
42.本发明的一可选实施例中，所述步骤121可以包括：
43.步骤1211，根据所述第一类型用户的至少两个维度的用户数据中的每一个维度的用户数据确定出来的所述第一类型用户中正常用户和确定刷量用户的出现概率，生成与每一个维度的用户数据分别对应的评判器。
44.该实施例中，根据第一类型用户中正常用户和刷量用户的出现概率，生成与每一个维度的用户数据分别对应的评判器，进一步提高了数据筛选的精度。
45.本发明的一可选实施例中，所述步骤1211可以包括：
46.步骤12111，根据所述第一类型用户的至少两个维度的用户数据中的每一个维度的用户数据，计算所述正常用户和刷量用户的信息熵；
47.步骤12112，根据所述信息熵，获得所述至少两个维度的用户数据分别对应的评判器的可信度；
48.步骤12113，根据所述可信度以及所述可信度对应的维度的用户数据，生成所述维度对应的评判器。
49.该实施例中，计算所述正常用户和刷量用户的出现概率的信息熵，可以用于筛选对应特征维度的用户数据；根据所述信息熵，获得特征维度的用户数据对应的评判器的可信度，再根据所述可信度以及所述可信度对应的特征维度的用户数据，生成与特征维度的用户数据对应的评判器。由于每一个评判器选取的特征维度的用户数据不同，每一个评判器的判断阈值不同，进一步数据筛选的精度。
50.优选的，步骤12111可以包括：
51.依据公式：h＝-∑ip(i)log2p(i)，计算所述正常用户和确定刷量用户的信息熵。
52.该实施例中，h为信息熵，i＝第一值，表示正常用户，i＝第二值，表示刷量用户；
53.当i＝第一值时，pi是从正常用户和刷量用户的总用户数中，根据一阈值，识别出的确定的正常用户的数量与总用户数的比值；
54.当i＝第二值时，pi是从正常用户和刷量用户的总用户数中，根据所述阈值，识别出的刷量用户数量与总用户数的比值。
55.例如，以电视剧播放次数特征(a1)为例，计算该特征的信息熵，假设选出正常用户总共d1＝400个，刷量用户总共d2＝50个。
56.随机选取该特征的一个取值作为识别的阈值，按照该阈值识别出正常用户和刷量用户的总用户数中：正常用户c
’1＝410个，其中c1＝370个是识别正确的正常用户；刷量用户c
’2＝40个，其中c2＝30个是识别正确的刷量用户。
57.首先，根据信息熵计算公式h＝-∑ip(i)log2p(i)，计算已知的用户集合信息熵h＝0.5033。
58.i＝0表示正常用户，pi是370/450；
59.i＝1表示刷量用户，pi是30/450。
60.优选的，步骤12113可以包括：
61.根据所述可信度以及所述可信度对应的维度的用户数据，依据公式
获得所述维度对应的评判器。
62.其中，l(i)为所述维度对应的评判器的标识，为定义模型函数，γ为所述可信度，z＝wx b为线性变换函数，x为选取所述可信度对应的维度的用户数据，y为用户标识，w及b均为线性函数的系数，为预设值。
63.以构建内容维度评判器为例，假设选取的用户内容维度数据包括电视剧、电影、综艺、重点电视剧、重点电影、重点综艺等播放次数，形成输入数据x＝(x1，x2，x3，x4，x5，x6)，用户标识形成y＝(y1，y2
…
yn)，其中w＝(w1，w2，w3，w4，w5，w6)，依据最大化目标函数yn)，其中w＝(w1，w2，w3，w4，w5，w6)，依据最大化目标函数生成内容维度评判器。
64.内容维度评判器输出疑似刷量播放的标识，基于评判器的输入特征可信度γ，定义该评判器的阈值t＝-γlog(p/p n)，其中p为确定刷量用户数量，n为正常用户数量。
65.将疑似刷量用户的内容维度播放特征数据作为评判器输入，评判器输出值与阈值t对比，确定播放是否刷量的定性标识{0，1}。依据所述可信度以及所述可信度对应的维度的用户数据，建立所述维度对应的评判器，并动态调整所述评判器阈值，优化评判器参数设置。
66.本发明的一可选实施例中，所述步骤12112可以包括：
67.步骤121121，根据所述正常用户和刷量用户的至少一维度的用户数据，计算所述正常用户和刷量用户的条件熵；
68.步骤121122，根据所述条件熵和所述信息熵，获得所述至少一维度的用户数据的特征信息增益；
69.步骤121123，根据所述特征信息增益，获得评判器的可信度。
70.该实施例中，利用上述实施例中计算出的所述正常用户和刷量用户的信息熵，依据所述信息熵以及条件熵计算公式，计算出对应特征识别的用户集合条件熵，再根据所述条件熵和所述信息熵，得到所述至少一维度的用户数据的特征信息增益，最后根据所述特征信息增益以及可信度计算公式，得到评判器的可信度。
71.通过所述至少一维度的正常用户和刷量用户的数据重要性计算该用户数据的特征信息增益值，利用计算所得的所述特征信息增益值，精准的计算得到每个特征的可靠度；信息熵、条件熵特征信息增益、特征信息增益以及可信度之间的强关联性，避免了现有方式中所采用的利用人工经验判断设定评判条件的确定方式造成的判断失准的问题，提高了判断的准确性。
72.步骤121121中，根据所述正常用户和刷量用户的至少一维度的用户数据，根据公式计算所述正常用户和刷量用户的条件熵。
73.其中，h(a1)为条件熵，c’j是根据一阈值判定出来刷量用户数，cj是根据一阈值，识别出的c’j中的正确的刷量用户数，d为正常用户和刷量用户的总用户数，di为正常用户数或刷量用户数。
74.步骤121122中，根据所述条件熵和所述信息熵，依据公式g(a1)＝h-h(a1)，获得所述至少一维度的用户数据的特征信息增益；其中，g(a1)为特征信息增益。
75.步骤121123中，根据所述特征信息增益，依据公式获得评判器的可信度，其中γk为可信度，k为第k个特征，g(k)为第k个特征的特征信息增益。
76.本发明的一可选实施例中，所述步骤13可以包括：
77.步骤131，将所述第二类型用户的至少两个维度的用户数据，分别输入与每一个维度的用户数据对应的评判器进行处理，得到每一个评判器的处理结果；
78.步骤132，将每一个评判器的处理结果，按照每一个评判器的权重进行加权运算处理，得到所述第二类型用户是否为刷量用户的判断结果。
79.该实施例中，将所述第二类型用户对应的第三数据中的至少两个维度的用户数据，输入对应的评判器进行信息熵、条件熵、可行度等计算，得出评判器标识，，根据公式l＝∑nq(n)l(n)得到所述疑似刷量用户是否为刷量用户的判断结果，其中q(n)为第n个评判器的权重(0《q《1)，l(n){0,1}，l(n)为第n个评判器的标识，标识l(0《l《1)是该用户播放为刷量播放的定量度量。
80.例如，根据活动时段、活动参与人数、活动奖励等数据，建立活动质量回归模型。结合所述模型输出的活动质量系数，根据当前活动质量，再次调整刷量判定阈值，对比上述实施例中输出的标识l，输出最终的刷量标识{0,1}。
81.下面结合图2的具体实现过程模块图说明上述方法的具体实现过程：
82.s201，统计获取单个用户不同维度下的当日播放时长和播放次数，分别计算用户不同网络状态、不同版本、不同时段、不同付费状态、不同视频类型、不同优先级视频内容的播放次数、播放时长(秒)，网络状态如：4g、wifi等；版本信息如：某一指定版本、低版本、高版本等；付费状态如：会员等各类消费场景；视频类型如：电影、电视剧、综艺等类别；不同优先级信息如：视频内容本身质量等级等。统计用户在各维度下的播放相关数据，形成用户高纬度特征数据，还原用户的真实播放。
83.s202，计算用户当日在特定页面的访问行为数据。计算用户在首页、vip页面等重点页面的访问次数，停留时长等基础访问以及活跃等相关数据。基础访问数据涵盖用户基础操作行为，为后续判定刷量用户过程提供数据支撑。
84.s203，计算用户当日参加营销活动、短信活动、社交互动信息和视频互动次数和时长等信息。获取用户的在非刷量状态下的操作行为数据，为后续判定正常用户过程提供数据支撑。
85.s204，统计过去n天内用户s201，s202，s203的所有数据，根据不同数据类别，进行数据加总、最大值、最小值、平均值等操作，形成用户特征数据，真实的反映用户实际操作特性。
86.s205，模拟用户播放真实操作，以强业务特性筛选出部分正常播放用户。通过业务数据分析及播放业务流程分析，制定n个正常用户筛选规则，如播放时参与了视频互动功能，或者播放来源于参与营销活动，或者是付费播放并且存在转发、收藏、评论等社交行为等规则。
87.s206，通过数据分析用户播放生命周期数据，制定强业务特性的刷量用户判定规则，如单日播放时长超长，视频播放频率过高，视频播放时长存在某种共性等明显刷量，同时又不具备s205特征用户，定义为明显刷量用户播放。
88.s207，确定疑似刷量播放的用户。经过s205筛选出强特性的正常播放用户，s206筛选出强特征的刷量用户剩余的用户归类于疑似刷量播放用户。
89.s208，组合s205，s206，s204的用户高维度播放特征数据，建立多个不同维度的刷量评判器。每一个评判器在输出标识时，根据该评判器的输入特征可信度，动态调整判阈值，输出评判结果。由于每一个评判器选取的数据特征不同，每一个评判器的判断阈值不同。建立一个评判器主要步骤包括：
90.步骤i)，计算各特征的信息熵，用于筛选特征维度，调整评判器判断阈值，计算各评判器加权系数；
91.步骤ii)，根据已有异常播放、正常播放数据，最小化误差函数，求解各维度特征向量化参数，生成评判器。
92.s209，以构建内容维度评判器为例，内容评判器输出疑似刷量播放的标识。基于评判器的输入特征可信度，定义该评判器的阈值。将疑似刷量用户的内容维度播放特征数据作位评判器输入，评判器输出值与阈值对比，确定播放是否刷量的定性标识{0,1}。
93.s210，以构建网络维度评判器为例，网络评判器输出疑似刷量播放的标识。同s209过程类似，计算网络评判器的判断阈值，将网络维度的用户播放特征数据作位评判器输入，评判器输出播放是否刷量的定性标识{0,1}。
94.s211，以构建版本维度评判器为例，版本评判器输出疑似刷量播放的标识。同s209过程类似，计算版本判器的判断阈值，将版本维度的用户播放特征数据作位评判器输入，评判器输出播放是否刷量的定性标识{0,1}。
95.s212，加权所有评判器，输出最终标识。对于每一个评判器，根据s208计算出的特征可信度，赋予评判器不同的权重，得出最终判断值。输出用户播放为刷量播放的定量度量。
96.s213，根据活动时段、活动参与人数、活动奖励等数据，建立活动质量回归模型。结合该模型输出的活动质量系数，根据当前活动质量，再次调整刷量判定阈值，对比s212中输出的用户刷量值，输出最终的刷量标识{0,1}。
97.本发明的上述实施例将用户基础属性、付费行为、社交行为、播放行为、视频内容属性和播放生命周期等多维度的数据作为输入，通过强规则识别和模型训练建立了自动化评判器。避免了采用单一维度的数据分析和经验判断造成的判断失准，提升了刷量伪造的成本，降低刷量评判系统被绕过的可能性。多维度的数据，更真实的还原用户播放的场景，结合业务数据分析与多评判器的综合判断，能更准确的做出识别。基于数据特征可信度，建立评判器、动态调整各评判器阈值和权重，将评判器和数据特征紧密结合，优化了评判器参数设置过程，降低了对分析人员的经验依赖，进一步提升了评判器生成过程中的自动化程度。上述实施例，不仅能输出刷量播放的定性结果，同时也将判断结果进行量化，能更方便的应对不同的业务场景。
98.图3示出了本发明实施例提供的一种用户的识别装置的结构示意图。如图3所示，该装置包括：
99.确定模块31，用于根据至少两个维度的用户数据，确定第一类型用户以及第二类型用户；
100.处理模块32，用于根据所述至少两个维度的用户数据，确定第一类型用户以及第
二类型用户，以及根据所述第一类型用户至少两个维度的用户数据，生成至少两个评判器，将所述第二类型用户的至少两个维度的用户数据，输入所述至少两个评判器进行处理，得到所述第二类型用户是否为目标类型用户的判断结果。
101.可选的，所述确定模块31确定所述第一类型用户为用户数据满足第一条件的用户；所述第一条件包括：确定所述第一类型用户是正常用户的第一子条件以及确定所述第一类型用户是刷量用户的第二子条件；
102.所述第二类型用户为用户数据满足第二条件的用户。
103.可选的，所述处理模块32可以根据所述第一类型用户的至少两个维度的用户数据，生成至少两个评判器，包括：
104.根据所述第一类型用户的至少两个维度的用户数据中的每一个维度的用户数据确定出来的所述第一类型用户中正常用户和刷量用户的出现概率，生成与每一个维度的用户数据分别对应的评判器。
105.可选的，所述确定模块32根据所述第一类型用户的至少两个维度的用户数据中的每一个维度的用户数据确定出来的所述第一类型用户中正常用户和刷量用户的出现概率，生成与每一个维度的用户数据分别对应的评判器，包括：
106.根据所述第一类型用户的至少两个维度的用户数据中的每一个维度的用户数据，计算所述正常用户和刷量用户的出现概率的信息熵；
107.根据所述信息熵，获得所述至少两个维度的用户数据分别对应的评判器的可信度；
108.根据所述可信度以及所述可信度对应的维度的用户数据，生成所述维度的用户数据对应的评判器。
109.可选的，所述确定模块32根据所述信息熵，获得所述至少两个维度的用户数据分别对应的评判器的可信度，包括：
110.根据所述正常用户和刷量用户的至少两个维度的用户数据，计算所述正常用户和刷量用户的条件熵；
111.根据所述条件熵和所述信息熵，获得所述至少两个维度的用户数据的特征信息增益；
112.根据所述特征信息增益，获得评判器的可信度。
113.可选的，所述确定模块32将所述第二类型用户的至少两个维度的用户数据，输入所述至少两个评判器进行处理，得到所述第二类型用户是否为目标类型用户的判断结果，包括：
114.将所述第二类型用户的至少两个维度的用户数据，分别输入与每一个维度的用户数据对应的评判器进行处理，得到每一个评判器的处理结果；
115.将每一个评判器的处理结果，按照每一个评判器的权重进行加权运算处理，得到所述第二类型用户是否为确定刷量用户的判断结果。
116.该装置是与上述方法对应的装置，上述方法实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
117.本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的刷量用户的识别
法。
118.图4示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
119.如图4所示，该计算设备可以包括：处理器(processor)、通信接口(communications interface)、存储器(memory)、以及通信总线。
120.其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。通信接口，用于与其它设备比如客户端或其它服务器等的网元通信。处理器，用于执行程序，具体可以执行上述用于计算设备的刷量用户的识别方法实施例中的相关步骤。
121.具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。
122.处理器可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
123.存储器，用于存放程序。存储器可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
124.程序具体可以用于使得处理器执行上述任意方法实施例中的刷量用户的识别方法。程序中各步骤的具体实现可以参见上述刷量用户的识别实施例中的相应步骤和单元中对应的描述，在此不赘述。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，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
125.在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明实施例的内容，并且上面对特定语言所做的描述是为了披露本发明实施例的最佳实施方式。
126.在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
127.类似地，应当理解，为了精简本发明实施例并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
128.本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何
组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
129.此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
130.本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
131.应该注意的是上述实施例对本发明实施例进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。