基于视觉识别的互联网服务确定方法、装置、设备和产品与流程

1.本发明涉及计算机信息处理领域，具体涉及一种基于视觉识别的互联网服务确定方法、装置、设备和产品。


背景技术：

2.在基于互联网的应用技术中，常常需要在不同的参与方之间进行资源的交换。这里所称的资源是指任何可被利用的物质、信息、金钱、时间等。信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。在分配资源的过程中，往往需要对用户的资源配置权进行认证，并为不同的用户分配不同的资源配额，所述资源配置权是指用户有无权获取资源的一种认证，其可以由特定的资源管理机构认证，也可以是资源所有的一方进行认证。所谓资源配额是指该用户在特定时间内可以获得的最高资源额。
3.与金钱相关的资源通常也称为互联网资源，该互联网资源是指互联网领域中关于资源服务主体与客体的结构、数量、规模、分布及其效应和相互作用关系的一系列对象的总和或集合体，在生产和生活中，只有互联网资源配置有效率，才能实现互联网资源和经济可持续发展。对于提供互联网资源服务的公司而言，互联网资源可以为资金的总额度，或者等同于资金的资产的额度等等。对于提供互联网资源服务的公司而言，互联网资产中的一部分可用来给个人用户提供资源服务，还有一部分可以给其他的企业用户提供互联网服务，其他部分可用来投入到本公司的发展中去，或者进行其他的互联网相关的业务。
4.对于互联网资源服务的公司而言，由于总体的互联网资源在一个相对固定的时间是有限的，而如何在不同的业务中合理的进行互联网资源的分配就尤为重要。对于互联网资源服务公司所服务的企业级用户或者其他互联网相关的业务而言，其需要占用互联网资源的时间和周期一般是通过事先计划审批才能够获准的，比较有利于统筹安排其互联网资源的分配。
5.在互联网反欺诈中，涉黑或欺诈客群违约风险较高、资源归还逾期风险较大，催收成本较大，从而降低了互联网服务平台的资产利用质量，提高互联网服务平台的运营成本，因而有效识别涉黑客群或欺诈客群是必要的。现有涉黑客群或欺诈客群在申请互联网服务时可能通过虚假包装申请资料，且其数据呈现形式一般是非结构化的，因此，存在难以识别此类数据，甚至难以有效涉黑客群或欺诈客群。此外，还存在如何有效识别涉黑客群或欺诈客群，如何有效预防涉黑客群或欺诈客群，如何有效提高互联网资源的可回收性和可再利用性等的技术问题。
6.因此，有必要提供一种更优化的互联网服务确定方法。


技术实现要素：

7.为了解决如何有效识别涉黑客群或欺诈客群，如何有效预防涉黑客群或欺诈客群，如何有效提高互联网资源的可回收性和可再利用性等的技术问题。
8.本发明的第一方面提供了一种基于视觉识别的互联网服务确定方法，包括：获取
历史用户的离线视觉数据，对该离线视觉数据标注非法视觉特征，建立训练数据集；构建视觉识别模型，使用所述训练数据集对所述视觉识别模型进行训练；获取所述互联网服务平台的在线用户的视觉数据，使用训练好的所述视觉识别模型识别该在线用户的非法视觉特征；根据所述在线用户的非法视觉特征进行实时确定该在线用户的非法视觉评估值；根据所计算的非法视觉评估值和预设策略，决定是否向所述在线用户提供互联网服务，或确定提供互联网服务的方式。
9.根据可选的实施方式，所述标注非法视觉特征包括：构建视觉数据标注平台，所述平台包括视觉数据服务器和标注客户端；所述视觉数据服务器对提供给标注客户端的视觉数据进行脱敏处理；所述标注客户端通过所述视觉数据标注平台从所述视觉数据服务器获取脱敏后的视频数据，以在线方式标注所述非法视觉特征。
10.根据可选的实施方式，所述视觉识别模型为至少两个，各视觉识别模型用于识别不同类型的非法视觉特征；所述非法视觉特征包括：非法身体特征和/或非法环境特征。
11.根据可选的实施方式，所述非法视觉评估值用于评估用户在享受所述互联网服务的特定期间内可能对互联网服务平台造成的损害度。
12.根据可选的实施方式，根据所述在线用户的非法视觉特征进行实时确定该在线用户的非法视觉评估值包括：建立基于机器学习的损害预测模型；使用历史用户的非法视觉特征与损害行为特征训练所述损害预测模型；使用所述损害预测模型，并基于所述视觉识别模型识别的该在线用户的非法视觉特征来计算所述在线用户的非法视觉评估值作为损害度评估值。
13.根据可选的实施方式，还包括：对所述在线用户的非法视觉特征和损害度评估值进行结果验证处理，在所述在线用户通过所述结果验证处理的情况下，将所述在线用户作为新增样本用于所述损害预测模型的模型网络优化。
14.根据可选的实施方式，所述获取历史用户的离线视觉数据，对该离线视觉数据标注非法视觉特征，建立训练数据集包括：获取历史用户申请互联网服务时或者注册互联网服务产品时拍摄的图像，并在该图像中分别标注出非法身体特征和/或非法环境特征，以建立训练数据集。
15.此外，本发明的第二方面还提供了一种基于视觉识别的互联网服务确定装置，包括：数据获取模块，用于获取历史用户的离线视觉数据，对该离线视觉数据标注非法视觉特征，建立训练数据集；模型构建模块，用于构建视觉识别模型，使用所述训练数据集对所述视觉识别模型进行训练；识别模块，用于获取所述互联网服务平台的在线用户的视觉数据，使用训练好的所述视觉识别模型识别该在线用户的非法视觉特征；计算模块，根据所述在线用户的非法视觉特征进行实时确定该在线用户的非法视觉评估值；确定模块，根据所计算的非法视觉评估值和预设策略，决定是否向所述在线用户提供互联网服务，或确定提供互联网服务的方式。
16.根据可选的实施方式，还包括平台构建模块，所述平台构建模块用于构建视觉数据标注平台，所述平台包括视觉数据服务器和标注客户端，其中，所述视觉数据服务器对提供给标注客户端的视觉数据进行脱敏处理；所述标注客户端通过所述视觉数据标注平台从所述视觉数据服务器获取脱敏后的视频数据，以在线方式标注所述非法视觉特征。
17.根据可选的实施方式，所述模型构建模块构建至少两个所述视觉识别模型，各视
觉识别模型用于识别不同类型的非法视觉特征；所述非法视觉特征包括：非法身体特征和/或非法环境特征
18.此外，本发明的第三方面还提供了一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，当所述计算机程序被所述处理器执行时，所述处理器执行如本发明所述的互联网服务确定方法。
19.此外，本发明的第四方面还提供了一种计算机程序产品，存储有计算机可执行程序，所述计算机可执行程序被执行时，实现如本发明所述的互联网服务确定方法。
20.有益效果
21.与现有技术相比，本发明通过获取历史用户的离线视觉数据，对该离线视觉数据标注非法视觉特征建立训练数据集以构建视觉识别模型，通过使用训练好的视觉识别模型，能够精确识别在线用户的待识别图像中是否包含非法视觉特征，并能够提高所述视觉识别模型的计算精度；通过将所述在线用户的损害行为特征输入损害预测模型，以实时计算该在线用户的损害度评估值，根据所计算的非法视觉评估值和预设策略，能够准确决定是否向所述在线用户提供互联网服务，并能够精确确定提供互联网服务的方式。
22.进一步地，通过历史用户的非法视觉特征与损害行为特征建立训练数据集，并用于训练损害预测模型，再使用训练好的损害预测模型计算在线用户的非法视觉评估值，能够精确地评估用户在享受所述互联网服务的特定期间内可能对互联网服务平台造成的损害度；通过使用优化组件将验证后的在线用户的计算的损害度评估值与实际的损害度评估值进行比较，以用于测试损失值调整，并调整相应模型参数，以优化模型参数，能够提高模型精确度。
23.进一步地，通过增设cnn网络结构，用于构建识别图像类特征的视觉识别模型，能够有效识别多类图像特征，如纹身类图像特征，刀疤类用户外形图像特征，环境类图像特征等，并能够构建更精确的视觉识别模型；通过增设与各视觉识别模型相适应的优化组件和数据增强组件，使用数据增强组件有效增加模型训练数据样本，使用该优化组件监督模型训练，并调整测试损失值以进行网络优化，能够优化视觉识别模型的网络结构，并能够提高模型精度。
附图说明
24.为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
25.图1是本发明的基于视觉识别的互联网服务确定方法的一示例的流程图。
26.图2是本发明的基于视觉识别的互联网服务确定方法的另一示例的流程图。
27.图3是本发明的基于视觉识别的互联网服务确定方法的又一示例的流程图。
28.图4是本发明的基于视觉识别的互联网服务确定装置的一示例的示意性结构框图。
29.图5是本发明的基于视觉识别的互联网服务确定装置的另一示例的示意性结构框图。
30.图6是本发明的基于视觉识别的互联网服务确定装置的又一示例的示意性结构框图。
31.图7是根据本发明的计算机设备的示例性实施例的结构框图。
32.图8是根据本发明的计算机程序产品的示例性实施例的结构框图。
具体实施方式
33.现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
34.在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
35.在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
36.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
37.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
38.应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
39.术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
40.鉴于上述问题，本发明提供了一种基于视觉识别的互联网服务确定方法，该方法通过获取历史用户的离线视觉数据，对该离线视觉数据标注非法视觉特征建立训练数据集以构建视觉识别模型，通过使用训练好的视觉识别模型，能够精确识别在线用户的待识别图像中是否包含非法视觉特征，并能够提高所述视觉识别模型的计算精度；通过将所述在线用户的非法视觉特征输入损害预测模型，实时确定该在线用户的损害度评估值，根据所计算的非法视觉评估值和预设策略，能够准确决定是否向所述在线用户提供互联网服务，并能够精确确定提供互联网服务的方式。
41.为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
42.实施例1
43.下面，将参照图1至图3描述本发明的基于视觉识别的互联网服务确定方法的实施例。
44.图1是本发明的基于视觉识别的互联网服务确定方法的一示例的流程图。
45.如图1所示，所述互联网服务确定方法包括以下步骤。
46.步骤s101，获取历史用户的离线视觉数据，对该离线视觉数据标注非法视觉特征，建立训练数据集。
47.步骤s102，构建视觉识别模型，使用所述训练数据集对所述视觉识别模型进行训练。
48.步骤s103，获取所述互联网服务平台的在线用户的视觉数据，使用训练好的所述视觉识别模型识别该在线用户的非法视觉特征。
49.步骤s104，根据所述在线用户的非法视觉特征进行实时确定该在线用户的非法视觉评估值。
50.步骤s105，根据所计算的非法视觉评估值和预设策略，决定是否向所述在线用户提供互联网服务，或确定提供互联网服务的方式。
51.需要说明的是，本发明的互联网服务确定方法特别适用于不同互联网服务的应用场景。其中，互联网服务包括由用户设备或客户端向互联网服务平台的申请而提供例如购物、乘车、地图、外卖、共享单车等的服务资源。例如，所述互联网服务包括资源使用服务、资源分配服务、资源筹集服务、资源保障服务或互助服务、拼团购买以及乘车服务等等。其中，资源是指任何可被利用的物质、信息、时间，信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。
52.首先，在步骤s101中，获取历史用户的离线视觉数据，对该离线视觉数据标注非法视觉特征，建立训练数据集。
53.具体地，构建视觉数据标注平台，所述平台包括视觉数据服务器和标注客户端，所述视觉数据服务器与标注客户端之间可进行数据交互。
54.在一实施方式中，获取不同互联网服务的应用场景下历史用户的离线视觉数据。标注人员通过标注客户端对所获取的离线视觉数据进行人工标注。
55.在另一实施方式中，互联网服务平台与视觉数据标注平台之间可进行数据交互，标注人员通过标注客户端从视觉数据标注平台直接拉取不同互联网服务相关的历史用户的离线视觉数据，并对所述离线视觉数据进行人工标注。
56.具体地，获取历史用户申请互联网服务时或者注册互联网服务产品时拍摄的图像，并在该图像中分别标注出非法身体特征和/或非法环境特征，以建立训练数据集。
57.需要说明的是，在本发明中，所述离线视觉数据是指用户在申请互联网服务时或者注册互联网服务相关产品时所拍摄的图像、视频等数据。例如，在不同互联网服务申请、资源归还、资源使用等的应用场景下用户所拍摄的图片(具体包括用户脸部的图片、包括环境背景的全景图片)、视频等。
58.具体地，所述人工标注包括对所述离线视觉数据标注非法视觉特征，所述非法视觉特征包括以下的至少一种：类型、数量、大小、占比、位置。
59.作为一具体实施方式，所述非法视觉特征包括非法身体特征和/或非法环境特征。但是不限于此，在其他实施方式中，所述非法视觉特征还包括具有非法倾向的其他非法视觉特征，例如有暴力、色情、诈骗等非法行为的倾向的非法视觉特征等。
60.例如，所述非法身体特征包括纹身类、刀疤类等身体特征，所述非法环境特征包括
包括歌舞厅、卡拉ok场所等各类歌舞娱乐场所等的环境特征。
61.需要说明的是，上述仅作为可选示例进行说明，不能理解成对本发明的限制。在其他实施方式中，该非法视觉特征包括位置特征，例如纹身类或刀疤类图形在图像中的位置，在人体的部位等的位置信息。
62.在又一实施方式中，在进行人工标注之前确定图像标注策略，例如，使用用户申请互联网服务时的全景图片并从中截取出包括身体的局部图片，先识别非法身体特征(例如，纹身特征、刀疤特征等)，进行非法身体特征标注，以得到用于表征非法身体特征的第一图像标签。接着对该全景图片中的背景环境进行识别，并进行非法环境特征标注，以得到用于表征非法环境特征的第二图像标签。
63.可选地，所述图像标注策略包括对用户信息进行脱敏处理，即在进行人工标注之前对用户信息进行脱敏处理。例如在视觉数据标注平台对全景图片中的人脸关键特征(例如眼睛、嘴)进行识别，并进行遮掩处理或者模糊处理。
64.需要说明的是，在本发明中，所述脱敏处理是指对用户信息数据或其他涉及隐私安全的相关信息数据进行遮掩处理或变形处理，其目的是保护隐私数据等信息的安全，所述敏感数据例如包括视觉数据标注平台和互联网服务平台等各平台所获取的用户的个人身份信息、手机号码、银行卡信息等敏感数据。
65.在该实施方式中，在进行脱敏处理之后，通过页面呈现用户视觉图片或图像，标注人员例如通过下拉框选取图像，或通过鼠标标注目标所在图像中位置，以得到第一图像标签和/或第二图像标签。
66.在另一实施方式中，所述视觉数据服务器对提供给标注客户端的视觉数据进行脱敏处理；所述标注客户端通过所述视觉数据标注平台从所述视觉数据服务器获取脱敏后的视频数据，以在线方式标注非法身体特征和非法环境特征，以得到第一图像标签和第二图像标签。
67.因此，通过构建视觉数据标注平台进行人工标注，能够对较为敏感的图像类数据进行标注，能够有效避免标注人员直接在平台保存具有图像类特征的特定用户群(例如欺诈用户或高风险用户)。
68.在又一实施方式中，在互联网服务的资源服务分类的应用场景下，自动标注或人工标注非法身体特征和非法环境特征。
69.在又一实施方式中，在互联网服务的资源服务筹集的应用场景下，自动标注或人工标注非法身体特征或非法环境特征。
70.需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。
71.接下来，在步骤s102中，构建视觉识别模型，使用所述训练数据集对所述视觉识别模型进行训练。
72.具体地，使用平移不变人工神经网络(shift-invariant artificial neural networks，siann)构建的多个视觉识别模型，所述视觉识别模型是图像类识别模型，其用于识别例如人脸或特定图形等的识别模型。
73.更具体地，通过cnn网络结构组件，生成不同互联网服务的环境场景所适用的不同cnn网络结构以构建多个视觉预测模型。例如，生成三个视觉识别模型，以分别识别纹身类非法视觉特征、疤痕类非法视觉特征和环境类非法视觉特征。
74.进一步地，通过cnn网络结构组件，生成与各图像标签相对应的网络结构。例如，使用是有无纹身类非法视觉特征、有无其他非法视觉特征的数量、位置信息(例如非法视觉特征在图片中的位置信息，非法视觉特征与用户自身之间的位置信息)，得到图像标签，并使用该图像标签建立训练数据集，以用于训练相应的视觉模型。其中，所述图像标签的值可以为0～1之间的一个数值，或者一个特定维度的向量(该向量的各维度分别表征非法视觉特征的有无，数量和位置信息等)，并设定预定标签阈值以用于划分好样本和坏样本。
75.在另一实施方式中，通过cnn网络结构组件，还可以构建至少两个视觉识别模型，以用于识别包含非法身体特征和/或非法环境特征的图片(或图像)和视频。
76.因此，通过增设cnn网络结构，用于构建识别图像类特征的视觉识别模型，能够有效识别多类图像特征，如纹身类图像特征，刀疤类用户外形图像特征，环境类图像特征等，并能够识别精确构建更精确的视觉识别模型。
77.在构建两个视觉识别模型的情况下，例如构建第一视觉识别模型和第二视觉识别模型。
78.具体地，还包括定义好、坏样本，以建立与第一视觉识别模型和第二视觉识别模型相对应的训练数据集。
79.在一实施方式中，使用有非法身体特征和非法环境特征及其位置信息(例如非法视觉特征在图片中的位置信息，非法视觉特征与用户自身之间的位置信息)作为图像标签(即该图像标签包括第一图像标签和第二图像标签，并且标签值为一个0～1之间的数值或一个特定维度的向量，并设定预定标签阈值或各维度对应的设定阈值)，定义好、坏样本，以建立相应训练数据集，该训练数据集包括标注有纹身类非法视觉特征和疤痕类非法视觉特征的用户特征数据。由此，通过使用有无非法身体特征和非法环境特征及其位置信息所得到图像标签，建立与第一视觉识别模型相对应的训练数据集。
80.具体地，所述用户特征数据包括用户账号、手机号、用户设备id、用户基本信息等。其中，所述用户基本信息包括用户性别、年龄、收入、城市等信息数据。
81.在另一实施方式中，使用非法环境特征及其位置信息作为图像标签(即第二图像标签，并且标签值为一个0～1之间的数值或一个特定维度的向量，并设定预定标签阈值或各维度对应的设定阈值)，定义好、坏样本，以建立训练数据集，该训练数据集包括标注有非法环境特征及其数量的用户特征数据。由此，通过使用有无非法环境特征及其位置信息所得到第二图像标签，建立与第二视觉识别模型相对应的训练数据集。
82.因此，通过使用一个或多个非法视觉特征所表征的图像标签建立与互联网服务类型相对应的训练数据集，以用于各视觉模型的模型训练。
83.需要说明的是，对于所述图像标签，上述仅作为示例进行说明，不能理解成对本发明的限制。在其他实施方式中，还可以使用非法视觉特征得到的图像标签值与互联网服务表现数据得到的标签进行进一步计算(例如，加权求和后求平均，求方差等)以得到新图像标签(即与第一图像标签和第二图像标签不同的第三图像标签)，并使用该新图像标签(即第三图像标签)建立训练数据集，所述训练数据集包括注有第三图像标签的用户特征数据，以及互联网服务表现数据，其中，所述互联网服务表现数据包括用户所选的互联网资源服务类型、与各互联网资源服务类型相对应的资源配额、资源可使用时间、资源配额使用次数、资源配额调整次数、特享资源凭证相关数据(例如是否具有特享资源凭证、特享资源凭
证的领取次数或者特定时间内特享资源凭证的领取次数、特定时间内从未持有特享资源凭证到持有特享资源凭证的变化特征)以及资源归还是否逾期或违约，等等。此外，对于构建模型的数量没有特别限制，还可以是四个或更多个。
84.需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。
85.接下来，在步骤s103中，获取所述互联网服务平台的在线用户的视觉数据，使用训练好的所述视觉识别模型识别该在线用户的非法视觉特征。
86.具体地，获取所述互联网服务平台的在线用户的视觉数据，使用步骤s102训练好的所述视觉识别模型识别该在线用户的非法视觉特征。
87.在一实施方式中，例如获取互联网服务平台的资源分配场景下在线用户的如人脸注册时的图片或图像等的待识别图像，将该在线用户的待识别图像，输入训练好的所述视觉识别模型，以输出识别结果。
88.例如，输出所识别出的纹身类非法视觉特征和疤痕类非法视觉特征的输出结果，即识别出非法身体特征。
89.例如，输出所识别出的纹身类非法视觉特征、疤痕类非法视觉特征和环境类非法视觉特征的输出结果，即识别出非法身体特征和非法环境特征。
90.再例如，输出包含1个纹身类非法视觉特征，3个环境类非法视觉特征的输出结果，即识别出1个非法身体特征和3个非法环境特征。
91.在另一实施方式中，例如获取互联网服务平台的资源申请场景下在线用户的如人脸注册时的全景图片(或图像)的待识别图像，在对该待识别图像进行识别时，先识别非法身体特征，再识别非法环境特征。
92.具体地，先使用第一视觉识别模型对所述待识别图像进行识别，以输出非法身体特征，接着，使用第二视觉识别模型对所述待识别图像进行识别，以输出非法环境特征，再将上述两个输出结合进行拼合输出。
93.进一步地，在使用第一视觉识别模型对所述待识别图像进行识别，对待识别图像中包含非法身体特征的区域进行定位并截取特定尺寸的图片以进行识别。
94.在又一实施方式中，例如获取互联网服务平台的资源申请场景下在线用户的如人脸注册时的图片(或图像)等的待识别图像，将该在线用户的待识别图像，输入训练好的所述视觉识别模型，计算视觉评估值以输出识别结果。
95.具体地，该视觉评估值与预定标签阈值进行比较，以确定所述当前用户是否包含非法视觉特征以及所包含的非法视觉特征。
96.例如，在所输出的视觉评估值为0～1的数值，且大于预定标签阈值时，确定待识别图像对应的当前用户包含非法视觉特征，包含1个个非法身体特征和1个非法环境特征。
97.而在所输出的视觉评估值为0～1的数值，且小于等于预定标签阈值时，确定待识别图像对应的当前用户不包含非法视觉特征。
98.例如，在所输出的视觉评估值为向量时，分别比较所输出的视觉评估值的各维度对应的数值大于相应预定阈值时，以确定所述当前用户包含非法视觉特征，所包含非法视觉特征的数量等。
99.而在所输出的视觉评估值为向量时，分别比较所输出的视觉评估值的各维度对应的数值大于预定阈值时，以确定所述当前用户不包含非法视觉特征，所包含非法视觉特征
的数量等识别结果。
100.因此，通过使用训练好的所述视觉识别模型，能够精确识别在线用户的待识别图像中是否包含非法视觉特征，并能够提高所述视觉识别模型的计算精度。
101.在另一示例中，如图2所示，所述构建视觉识别模型还包括建立测试数据集的步骤s201，即在图1所示的示例的模型构建过程中增加一个步骤s201，以用于进行网络优化。
102.在步骤s201中，建立与各视觉识别模型相对应的测试数据集，所述测试数据集包括实时获取在线用户的用户特征数据，并计算视觉评估值以识别该在线用户的非法视觉特征。
103.具体地，通过视觉数据标注平台对所述在线用户的视觉评估值及非法视觉特征进行结果判断，将识别结果准确的在线用户及其视觉评估值作为测试数据，以增加到测试数据集，以用于优化所述视觉识别模型。
104.可选地，使用优化组件将所计算的视觉评估值与实际的视觉评估值进行比较，以用于测试损失值调整。
105.在一实施方式中，使用优化组件监督模型训练，并使用优化组件调整测试损失值以进行视觉识别模型的网络结构的网络优化。
106.由此，通过增设与各视觉识别模型相适应的优化组件和数据增强组件，使用数据增强组件有效增加模型训练数据样本，使用该优化组件监督模型训练，并调整测试损失值以进行网络优化，能够优化视觉识别模型的网络结构，并能够提高模型精度。
107.需要说明的是，上述仅作为示例，进行说明，不能理解成对本发明的限制。
108.接下来，在步骤s104中，根据所述在线用户的非法视觉特征进行实时确定该在线用户的非法视觉评估值。
109.具体地，例如使用逻辑回归模型、xgboost模型和/或深度神经网络，建立基于机器学习的损害预测模型，所述损害预测模型计算该在线用户的非法视觉评估值作为损害度评估值，该损害度评估值为0～1之间的数值。
110.更具体地，所述非法视觉评估值用于评估用户在享受所述互联网服务的特定期间内可能对互联网服务平台造成的损害度。
111.具体地，使用历史用户的非法视觉特征与损害行为特征建立训练数据集，以用于训练所述损害预测模型。
112.需要说明的是，步骤s104中的非法视觉特征与步骤s102中的非法视觉特征所表达的物理意义和所包括的数据相同，因此，省略了对其的说明。
113.具体地，所述损害行为特征包括对于所述互联网服务产品的如下行为表现数据的任一种：违约数据、多头数据、资源归还逾期数据、欺诈数据。
114.例如，所述训练数据集包括有无纹身类非法视觉特征，有无疤痕类非法视觉特征(即有无非法身体特征)，资源归还逾期数据以及欺诈数据。
115.例如，所述训练数据集包括有无纹身类非法视觉特征及数量，有无疤痕类非法视觉特征(即有无非法身体特征)及数量，有无非法环境特征及数量，违约数据和欺诈数据。
116.在建立训练数据集之后，从各互联网服务平台上获取已知有损害行为特征(或者已知损害情况，例如特定时间段内未归还资源量，特定时间段内资源逾期率)的在线用户的非法视觉特征，通过将所述在线用户的非法视觉特征输入损害预测模型，以实时计算该在
线用户的损害度评估值。
117.在一实施方式中，通过将所述在线用户的非法身体特征和非法环境特征输入所述损害预测模型，分别计算与非法身体特征和非法环境特征相对应的第一损害度评估值和第二损害度评估值，并将所述第一损害度评估值和第二损害度评估值进行加权求和得到所述在线用户的损害度评估值，具体如下式。
118.y＝y1·
a y2·b119.其中，y是指所述在线用户的损害度评估值；y1是指与非法身体特征相对应的第一损害度评估值；a是指第一损害度评估值的加权系数；y2是指第二损害度评估值；b是指第二损害度评估值的加权系数，并且a》b。
120.需要说明的是，在本发明中，a和b是根据特定时间段内历史用户的第一损害度评估值和第二损害度评估值进行曲线拟合来得到的。
121.在一实施方式中，例如，获取特定时间段内的历史用户的视觉数据和实际损害值，并根据不同的损害情况进行排序，按照排序对各个损害情况依照损害程度以递增(或递减)的数值进行对应，数值越高对应的损害度越高(或，数据越高对应的损害度越低)，以确定与与第一损害度评估值和第二损害度评估值相对应的加权系数a和b。进一步地，根据所确定的a和b计算所述第一损害度评估值和第二损害度评估值进行加权求和得到所述在线用户的损害度评估值。因此，能够得到在线用户的更精确的损害度评估值。
122.在一可选实施方式中，将所有在线用户、其损害度评估值以及与该损害度评估值相对应的互联网服务相关的数据，预存储到离线视觉数据的数据库(保存历史用户的离线视觉数据的数据库)。具体地，对各在线用户的损害度评估值以及与该损害度评估值相对应的互联网服务相关的数据进行结果验证，在通过结果验证(即计算的损害度评估值与实际的损害度评估值之间的误差在指定范围内)的情况下，将通过结果验证的在线用户作为验证样本或新增样本，使用优化组件将该在线用户的样本用于损害预测模型的模型迭代，以优化所述损害预测模型。
123.进一步地，使用优化组件将该在线用户的所计算的损害度评估值与实际的损害度评估值进行比较，以用于调整损失值，由此调整相应模型参数，所述模型参数包括深度神经网络的各层之间的权重参数和偏置参数。
124.需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。在其他示例中，模型参数还包括深度神经网络的层数、迭代次数和学习率。
125.具体地，例如设定模型参数的先验概率服从标准正态分布，使用mcmc方法对所述权重参数和偏置参数的分布进行多次采样，得到参数组合集，更具体地，在使用所述参数组合集进行测试时，对所输入的同一用户特征数据进行多次前向传播，计算各模型参数的平均数和统计方差值，以优化各模型参数，最后输出参数优化后的神经网络。由此，能够优化所述损害预测模型的模型参数，能够提高模型精确度。
126.因此，通过历史用户的非法视觉特征与损害行为特征建立训练数据集，并用于训练损害预测模型，再使用所述损害预测模型计算在线用户的非法视觉评估值，能够精确地评估用户在享受所述互联网服务的特定期间内可能对互联网服务平台造成的损害度。进一步地，通过优化模型参数，能够提高模型精确度。
127.需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。
128.接下来，在步骤s105中，根据所计算的非法视觉评估值和预设策略，决定是否向所述在线用户提供互联网服务，或确定提供互联网服务的方式。具体地，通过使用所述视觉识别模型识别该在线用户的非法视觉特征。将获取的在线用户的非法视觉特征或者所识别的在线用户的非法视觉特征，输入所述损害预测模型，计算所述待预测用户的损害度评估值。
129.在一实施方式中，根据所计算的损害度评估值，确定预设策略中可提供的互联网服务类型及数量，并决定是否向所述在线用户提供一种或多种互联网服务，或者不提供互联网服务。
130.例如，通过设定损害度表单，根据历史数据和业务人员经验，对各种损害度评估值对应的情况配置相应评分，以生成损害度评分表，该损害度评分表包括与第一损害度评估值和第二损害度评估值的对比阈值(包括分别与第一损害度评估值和第二损害度评估值相对应的最大阈值和最小阈值)，并用于评估各在线用户在提供互联网服务后给互联网服务平台带来的损害度，以确定是否向该在线用户提供互联网服务。
131.例如，在所计算的第一损害度评估值大于相应最大阈值时，根据预设策略，确定该预设策略中没有可提供的互联网服务，并决定不向所述待预测用户提供互联网服务。
132.例如，在所计算的第一损害度评估值大于相应最小阈值且小于等于相应最大阈值时，根据预设策略，确定该预设策略中可提供的互联网服务类型及数量，并决定向所述待预测用户提供一种或两种互联网服务。
133.再例如，在所计算的第一损害度评估值小于相应最小阈值时，根据预设策略，确定该预设策略中可提供的互联网服务类型及数量，并决定向所述待预测用户提供多种互联网服务。
134.在另一实施方式中，根据所计算的损害度评估值，确定预设策略中可提供的互联网服务类型及数量，并决定是否向所述在线用户提供一种或多种互联网服务，并确定提供互联网服务的方式。
135.例如，在所计算的第一损害度评估值大于相应最小阈值且小于等于相应最大阈值，且第二损害度评估值小于相应最大阈值时，根据预设策略，确定该预设策略中可提供的互联网服务类型及数量，并决定向所述待预测用户提供两种互联网服务，其中，一种互联网服务的提供方式为直接提供，另一种互联网服务的提供方式为间隔性推送等。
136.例如，在所计算的第一损害度评估值小于相应最小阈值且第二损害度评估值小于相应最小阈值时，根据预设策略，确定该预设策略中可提供的互联网服务类型及数量，并决定向所述待预测用户提供多种互联网服务，根据所述多种互联网服务的业务特征，使用不同推送方式进行提供，所述推送方式例如电话方式、邮箱方式，社交工具等。
137.因此，根据待预测用户的损害度评估值和预设策略，能够精确决定是否向所述在线用户提供互联网服务，并能够更精确确定提供互联网服务的方式。
138.需要说明的是，上述仅作为示例，进行说明，不能理解成对本发明的限制。
139.上述方法的过程仅用于对本发明的说明，其中，步骤的顺序和数量没有特别的限制。此外，上述方法中的步骤还可以拆分成两个(如将图1种的步骤s104拆分成步骤s301和步骤s104，参见图3)、三个，或者有些步骤也可以合并成一个步骤，根据实际示例进行调整。
140.与现有技术相比，本发明通过获取历史用户的离线视觉数据，对该离线视觉数据标注非法视觉特征建立训练数据集以构建视觉识别模型，通过使用训练好的视觉识别模
型，能够精确识别在线用户的待识别图像中是否包含非法视觉特征，并能够提高所述视觉识别模型的计算精度；通过将所述在线用户的损害行为特征输入损害预测模型，以实时计算该在线用户的损害度评估值，根据所计算的非法视觉评估值和预设策略，能够准确决定是否向所述在线用户提供互联网服务，并能够精确确定提供互联网服务的方式。
141.进一步地，通过历史用户的非法视觉特征与损害行为特征建立训练数据集，并用于训练损害预测模型，再使用训练好的损害预测模型计算在线用户的非法视觉评估值，能够精确地评估用户在享受所述互联网服务的特定期间内可能对互联网服务平台造成的损害度；通过使用优化组件将验证后的在线用户的计算的损害度评估值与实际的损害度评估值进行比较，以用于测试损失值调整，并调整相应模型参数，以优化模型参数，能够提高模型精确度。
142.进一步地，通过增设cnn网络结构，用于构建识别图像类特征的视觉识别模型，能够有效识别多类图像特征，如纹身类图像特征，刀疤类用户外形图像特征，环境类图像特征等，并能够构建更精确的视觉识别模型；通过增设与各视觉识别模型相适应的优化组件和数据增强组件，使用数据增强组件有效增加模型训练数据样本，使用该优化组件监督模型训练，并调整测试损失值以进行网络优化，能够优化视觉识别模型的网络结构，并能够提高模型精度。
143.本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机程序产品中。
144.下面描述本发明的装置的实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。
145.实施例2
146.参照图4、图5和图6，本发明还提供了一种基于视觉识别的互联网服务确定装置400，该互联网服务确定装置400包括：数据获取模块401，用于获取历史用户的离线视觉数据，对该离线视觉数据标注非法视觉特征，建立训练数据集；模型构建模块402，用于构建视觉识别模型，使用所述训练数据集对所述视觉识别模型进行训练；识别模块403，用于获取所述互联网服务平台的在线用户的视觉数据，使用训练好的所述视觉识别模型识别该在线用户的非法视觉特征；计算模块404，根据所述在线用户的非法视觉特征进行实时确定该在线用户的非法视觉评估值；确定模块405，根据所计算的非法视觉评估值和预设策略，决定是否向所述在线用户提供互联网服务，或确定提供互联网服务的方式。
147.如图5所示，所述互联网服务确定装置400还包括平台构建模块501，即将图1中的数据获取模块401拆分成数据获取模型401和平台构建模块501。
148.具体地，所述平台构建模块501用于构建视觉数据标注平台，所述平台包括视觉数据服务器和标注客户端，其中，所述视觉数据服务器对提供给标注客户端的视觉数据进行脱敏处理；所述标注客户端通过所述视觉数据标注平台从所述视觉数据服务器获取脱敏后的视频数据，以在线方式标注所述非法视觉特征。
149.具体地，获取历史用户申请互联网服务时或者注册互联网服务产品时拍摄的图像，并在该图像中分别标注出非法身体特征和/或非法环境特征，以建立训练数据集。
150.进一步地，所述模型构建模块402构建至少两个视觉识别模型，使用所述相应训练数据集训练对应的视觉识别模型，以用于识别用户的非法视觉特征，其中，各视觉识别模型用于识别不同类型的非法视觉特征；所述非法视觉特征包括非法身体特征和非法环境特征。
151.需要说明的是，在本发明中，所述离线视觉数据是指用户在申请互联网服务时或者注册互联网服务相关产品时所拍摄的图像、视频等数据。例如，在不同互联网服务申请、资源归还、资源使用等的应用场景下用户所拍摄的图片(具体包括用户脸部的图片、包括环境背景的全景图片)、视频等。
152.具体地，所述人工标注包括对所述离线视觉数据标注非法视觉特征，所述非法视觉特征包括以下的至少一种：类型、数量、大小、占比、位置。
153.作为一具体实施方式，所述非法视觉特征包括非法身体特征和/或非法环境特征。但是不限于此，在其他实施方式中，所述非法视觉特征还包括具有非法倾向的其他非法视觉特征，例如有暴力、色情、诈骗等非法行为的倾向的非法视觉特征等。
154.例如，所述非法身体特征包括纹身类、刀疤类等身体特征，所述非法环境特征包括包括歌舞厅、卡拉ok场所等各类歌舞娱乐场所等的环境特征。
155.需要说明的是，上述仅作为可选示例进行说明，不能理解成对本发明的限制。在其他实施方式中，该非法视觉特征包括位置特征，例如纹身类或刀疤类图形在图像中的位置，在人体的部位等的位置信息。
156.在又一实施方式中，在进行人工标注之前确定图像标注策略，例如，使用用户申请互联网服务时的全景图片并从中截取出包括身体的局部图片，先识别非法身体特征(例如，纹身特征、刀疤特征等)，进行非法身体特征标注，以得到用于表征非法身体特征的第一图像标签。接着对该全景图片中的背景环境进行识别，并进行非法环境特征标注，以得到用于表征非法环境特征的第二图像标签。
157.可选地，所述图像标注策略包括对用户信息进行脱敏处理，即在进行人工标注之前对用户信息进行脱敏处理。例如在视觉数据标注平台对全景图片中的人脸关键特征(例如眼睛、嘴)进行识别，并进行遮掩处理或者模糊处理。
158.需要说明的是，在本发明中，所述脱敏处理是指对用户信息数据或其他涉及隐私安全的相关信息数据进行遮掩处理或变形处理，其目的是保护隐私数据等信息的安全，所述敏感数据例如包括视觉数据标注平台和互联网服务平台等各平台所获取的用户的个人身份信息、手机号码、银行卡信息等敏感数据。
159.在该实施方式中，在进行脱敏处理之后，通过页面呈现用户视觉图片或图像，标注人员例如通过下拉框选取图像，或通过鼠标标注目标所在图像中位置，以得到第一图像标签和/或第二图像标签。
160.接着，建立基于机器学习的损害预测模型，以用于计算在线用户的损害度评估值。
161.具体地，使用历史用户的非法视觉特征与损害行为特征训练所述损害预测模型。使用所述损害预测模型，并基于所述视觉识别模型识别的该在线用户的非法视觉特征来计算所述在线用户的所述非法视觉评估值，以作为测试数据。
162.需要说明的是，所述非法视觉评估值(即损害度评估值)用于评估用户在享受所述互联网服务的特定期间内可能对互联网服务平台造成的损害度。
163.具体地，例如使用逻辑回归模型、xgboost模型和/或深度神经网络，建立基于机器学习的损害预测模型，所述损害预测模型计算该在线用户的损害度评估值(即非法视觉评估值)，该损害度评估值为0～1之间的数值。
164.具体地，使用历史用户的非法视觉特征与损害行为特征建立训练数据集，以用于训练所述损害预测模型。
165.更具体地，所述损害行为特征包括对于所述互联网服务产品的如下行为表现数据的任一种：违约数据、多头数据、资源归还逾期数据、欺诈数据。
166.可选地，所述损害行为特征包括对于所述互联网服务产品的如下行为表现数据的任一种：违约数据、多头数据、资源归还逾期数据、欺诈数据。
167.例如，所述训练数据集包括有无纹身类非法视觉特征，有无疤痕类非法视觉特征(即有无非法身体特征)，资源归还逾期数据以及欺诈数据。
168.例如，所述训练数据集包括有无纹身类非法视觉特征及数量，有无疤痕类非法视觉特征(即有无非法身体特征)及数量，有无非法环境特征及数量，违约数据和欺诈数据。
169.在建立训练数据集之后，从各互联网服务平台上获取已知有损害行为特征(或者已知损害情况，例如特定时间段内未归还资源量，特定时间段内资源逾期率)的在线用户的非法视觉特征，通过将所述在线用户的非法视觉特征输入损害预测模型，以实时计算该在线用户的损害度评估值。
170.在一实施方式中，通过将所述在线用户的非法身体特征和非法环境特征输入所述损害预测模型，分别计算与非法身体特征和非法环境特征相对应的第一损害度评估值和第二损害度评估值，并将所述第一损害度评估值和第二损害度评估值进行加权求和得到所述在线用户的损害度评估值，具体如下式。
171.y＝y1·
a y2·b172.其中，y是指所述在线用户的损害度评估值；y1是指与非法身体特征相对应的第一损害度评估值；a是指第一损害度评估值的加权系数；y2是指第二损害度评估值；b是指第二损害度评估值的加权系数，并且a》b。
173.需要说明的是，在本发明中，a和b是根据特定时间段内历史用户的第一损害度评估值和第二损害度评估值进行曲线拟合来得到的。
174.在一实施方式中，例如，获取特定时间段内的历史用户的视觉数据和实际损害值，并根据不同的损害情况进行排序，按照排序对各个损害情况依照损害程度以递增(或递减)的数值进行对应，数值越高对应的损害度越高(或，数据越高对应的损害度越低)，以确定与与第一损害度评估值和第二损害度评估值相对应的加权系数a和b。进一步地，根据所确定的a和b计算所述第一损害度评估值和第二损害度评估值进行加权求和得到所述在线用户的损害度评估值。因此，能够得到在线用户的更精确的损害度评估值。
175.如图6所示，所述互联网服务确定装置400还包括模型优化模块601，即将图1中的计算模块404拆分成模型优化模块601和计算模块404。
176.在一可选实施方式中，将所有在线用户、其损害度评估值以及与该损害度评估值相对应的互联网服务相关的数据，预存储到离线视觉数据的数据库(保存历史用户的离线视觉数据的数据库)。具体地，对各在线用户的损害度评估值以及与该损害度评估值相对应的互联网服务相关的数据进行结果验证，在通过结果验证(即计算的损害度评估值与实际
的损害度评估值之间的误差在指定范围内)的情况下，将通过结果验证的在线用户作为验证样本或新增样本，使用优化组件将该在线用户的样本用于损害预测模型的模型迭代，以优化所述损害预测模型。
177.进一步地，所述模型优化模块601用于使用优化组件将该在线用户的所计算的损害度评估值与实际的损害度评估值进行比较，以用于调整损失值，由此调整相应模型参数，所述模型参数包括深度神经网络的各层之间的权重参数和偏置参数。
178.需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。在其他示例中，模型参数还包括深度神经网络的层数、迭代次数和学习率。
179.具体地，例如设定模型参数的先验概率服从标准正态分布，使用mcmc方法对所述权重参数和偏置参数的分布进行多次采样，得到参数组合集，更具体地，在使用所述参数组合集进行测试时，对所输入的同一用户特征数据进行多次前向传播，计算各模型参数的平均数和统计方差值，以优化各模型参数，最后输出参数优化后的神经网络。由此，能够优化所述损害预测模型的模型参数，能够提高模型精确度。
180.因此，通过历史用户的非法视觉特征与损害行为特征建立训练数据集，并用于训练损害预测模型，再使用所述损害预测模型计算在线用户的损害度评估值，能够精确地评估用户在享受所述互联网服务的特定期间内可能对互联网服务平台造成的损害度。进一步地，通过优化模型参数，能够提高模型精确度。
181.需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。
182.具体地，获取在线用户在互联网服务的非法视觉特征，在未获取到非法视觉特征时，通过使用所述视觉识别模型识别该在线用户的非法视觉特征。
183.进一步地，将获取的在线用户的非法视觉特征或者所识别的在线用户的非法视觉特征，输入所述损害预测模型，计算所述在线用户的非法视觉评估值。
184.在一实施方式中，根据所计算的损害度评估值，确定预设策略中可提供的互联网服务类型及数量，并决定是否向所述在线用户提供一种或多种互联网服务，或者不提供互联网服务。
185.例如，通过设定损害度表单，根据历史数据和业务人员经验，对各种损害度评估值对应的情况配置相应评分，以生成损害度评分表，该损害度评分表包括与第一损害度评估值和第二损害度评估值的对比阈值(包括分别与第一损害度评估值和第二损害度评估值相对应的最大阈值和最小阈值)，并用于评估各在线用户在提供互联网服务后给互联网服务平台带来的损害度，以确定是否向该在线用户提供互联网服务。
186.例如，在所计算的第一损害度评估值大于相应最大阈值时，根据预设策略，确定该预设策略中没有可提供的互联网服务，并决定不向所述待预测用户提供互联网服务。
187.例如，在所计算的第一损害度评估值大于相应最小阈值且小于等于相应最大阈值时，根据预设策略，确定该预设策略中可提供的互联网服务类型及数量，并决定向所述待预测用户提供一种或两种互联网服务。
188.再例如，在所计算的第一损害度评估值小于相应最小阈值时，根据预设策略，确定该预设策略中可提供的互联网服务类型及数量，并决定向所述待预测用户提供多种互联网服务。
189.在另一实施方式中，根据所计算的损害度评估值，确定预设策略中可提供的互联
网服务类型及数量，并决定是否向所述在线用户提供一种或多种互联网服务，并确定提供互联网服务的方式。
190.例如，在所计算的第一损害度评估值大于相应最小阈值且小于等于相应最大阈值，且第二损害度评估值小于相应最大阈值时，根据预设策略，确定该预设策略中可提供的互联网服务类型及数量，并决定向所述待预测用户提供两种互联网服务，其中，一种互联网服务的提供方式为直接提供，另一种互联网服务的提供方式为间隔性推送等。
191.例如，在所计算的第一损害度评估值小于相应最小阈值且第二损害度评估值小于相应最小阈值时，根据预设策略，确定该预设策略中可提供的互联网服务类型及数量，并决定向所述待预测用户提供多种互联网服务，根据所述多种互联网服务的业务特征，使用不同推送方式进行提供，所述推送方式例如电话方式、邮箱方式，社交工具等。
192.因此，根据待预测用户的损害度评估值和预设策略，能够精确决定是否向所述在线用户提供互联网服务，并能够更精确确定提供互联网服务的方式。
193.需要说明的是，在实施例2中，省略了与实施例1相同的部分的说明。
194.本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
195.与现有技术相比，本发明通过获取历史用户的离线视觉数据，对该离线视觉数据标注非法视觉特征建立训练数据集以构建视觉识别模型，通过使用训练好的视觉识别模型，能够精确识别在线用户的待识别图像中是否包含非法视觉特征，并能够提高所述视觉识别模型的计算精度；通过将所述在线用户的损害行为特征输入损害预测模型，以实时计算该在线用户的损害度评估值，根据所计算的非法视觉评估值和预设策略，能够准确决定是否向所述在线用户提供互联网服务，并能够精确确定提供互联网服务的方式。
196.进一步地，通过历史用户的非法视觉特征与损害行为特征建立训练数据集，并用于训练损害预测模型，再使用训练好的损害预测模型计算在线用户的非法视觉评估值，能够精确地评估用户在享受所述互联网服务的特定期间内可能对互联网服务平台造成的损害度；通过使用优化组件将验证后的在线用户的计算的损害度评估值与实际的损害度评估值进行比较，以用于测试损失值调整，并调整相应模型参数，以优化模型参数，能够提高模型精确度。
197.进一步地，通过增设cnn网络结构，用于构建识别图像类特征的视觉识别模型，能够有效识别多类图像特征，如纹身类图像特征，刀疤类用户外形图像特征，环境类图像特征等，并能够构建更精确的视觉识别模型；通过增设与各视觉识别模型相适应的优化组件和数据增强组件，使用数据增强组件有效增加模型训练数据样本，使用该优化组件监督模型训练，并调整测试损失值以进行网络优化，能够优化视觉识别模型的网络结构，并能够提高模型精度。
198.实施例3
199.下面描述本发明的计算机设备实施例，该计算机设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明计算机设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明计算机设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
200.图7是根据本发明的计算机设备的示例性实施例的结构框图。下面参照图7来描述根据本发明该实施例的计算机设备200。图7显示的计算机设备200仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
201.如图7所示，计算机设备200以通用计算设备的形式表现。计算机设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同装置组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
202.其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元210执行，使得所述处理单元210执行本说明书上述计算机设备的处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图1所示的步骤。
203.所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(rom)2203。
204.所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
205.总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
206.计算机设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该计算机设备200交互的设备通信，和/或与使得该计算机设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口250进行。并且，计算机设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与计算机设备200的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
207.通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机程序产品能够实现本发明的上述方法。
208.图8是根据本发明的计算机程序产品的示例性实施例的结构框图。
209.如图8所示，所述计算机程序可以存储于一个或多个计算机程序产品上。计算机程序产品例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机程序产品的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器
件、或者上述的任意合适的组合。
210.所述计算机程序产品可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机程序产品可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。所述计算机程序产品上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
211.可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
212.综上所述，本发明可以以硬件实现，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)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明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)。这样的实现本发明的程序可以存储在计算机程序产品上，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。
213.以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。