用户分类方法、用户风险行为识别方法、装置及计算机设备与流程

1.本发明实施例涉及互联网技术领域，具体涉及一种用户分类方法、用户风险行为识别方法、用户分类装置、用户风险行为识别装置、计算机设备及计算机可读存储介质。


背景技术：

2.现有技术中，一般对用户进行分类，进而根据用户的相似度进行后续的推荐或其他场景应用，然而发明人在实施本发明实施例的过程中发现，现有技术中对用户进行分类时，其分类的准确度较低。


技术实现要素：

3.鉴于上述问题，本发明实施例提供了一种用户分类方法、用户风险行为识别方法、用户分类装置、用户风险行为识别装置、计算机设备及计算机可读存储介质，用于解决现有技术中存在的用户的分类准确度较低的技术问题。
4.根据本发明实施例的一个方面，提供了一种用户分类方法，所述方法包括：
5.基于用户所观看的内容，生成用户与用户之间的用户关系图；所述用户关系图以所述用户为节点，用户节点与用户节点之间以观看的共同内容为连接边；
6.根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点；所述中心度表征每个用户节点对其它用户节点的聚合力；
7.基于所述起始节点将所述用户关系图中的所述其它用户节点中符合预设条件的节点加入至所述目标分类。
8.在一种可选的方式中，所述基于所述起始节点将所述用户关系图中的其余节点中符合预设条件的节点加入至所述目标分类，包括：确定第一用户节点加入所述目标分类前后，所述目标分类的合适度；所述第一用户节点为与目标分类中的用户节点相连且尚未加入所述目标分类的用户节点；所述合适度根据目标分类中所有用户节点之间的连接边的权重以及目标分类中所有用户节点与非目标分类中用户节点的连接边的权重确定；根据所述合适度确定所述目标分类中的所有用户节点，以得到所述目标分类。
9.在一种可选的方式中，所述基于用户所观看的内容，生成用户与用户之间的用户关系图，包括：根据用户与用户所观看的内容，建立用户-内容关系图；根据所述用户-内容关系图，建立以用户为节点，以共同观看的内容为连接边的用户关系图；根据用户-内容关系图中用户与内容之间连接边的权重，确定用户关系图中用户节点之间的连接边的权重。
10.在一种可选的方式中，所述根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点，包括：根据用户节点与相邻节点之间连接边的权重，以及用户节点在所述用户关系图中对其他用户节点的影响力，计算得到所述用户节点与其他用户节点之间的兴趣相似度；根据第一最大相似度及第二最大相似度，确定各个所述用户节点的中心度；所述第一最大相似度为所述用户节点相邻的相邻用户节点与所述用户节点最大兴趣相似度；所述第二最大相似度为所述用户节点与所有用户节点的相似度最大值；选择中
心度最大的用户节点作为一个目标分类的起始节点。
11.在一种可选的方式中，所述确定第一用户节点加入所述目标分类前后，所述目标分类的合适度，包括：确定所述目标分类中所有用户节点之间的连接边的第一权重；确定目标分类中所有用户节点与非目标分类的所有用户节点之间的连接边的第二权重；根据所述第一权重及所述第二权重，确定所述目标分类的合适度。
12.在一种可选的方式中，所述基于所述起始节点将所述用户关系图中的其余节点中符合预设条件的节点加入至所述目标分类之后，所述方法还包括针对除加入所述目标分类外的其余节点再次执行所述根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类，将所述中心度最高的用户节点作为所述目标分类的起始节点，并基于所述起始节点将所述用户关系图中的其余节点中符合预设条件的节点加入至所述目标分类的步骤，以得到另一个目标分类，直至所有的用户节点均加入对应的目标类别，完成对所有用户节点的分类。
13.根据本发明实施例的另一方面，提供了一种用户风险行为识别方法，包括：
14.根据第一风险识别模型识别用户行为是否存在异常；
15.当所述用户行为异常时，统计行为异常的用户所属目标类别；所述目标类别为根据所述的用户分类方法得到；
16.当所属目标类别对应的行为异常的用户数量超过第一预设阈值时，采用第二风险识别模型识别用户行为。
17.在一种可选的方式中，所述根据第一风险识别模型识别用户行为是否存在异常之前，所述方法还包括：获取多个数据类别的训练数据；将各个数据类别的训练数据均按照不同风险等级划分，得到各个数据类别不同风险等级的多个训练数据集，各个所述训练数据集包括对应的用户行为样本及行为类别标签；所述行为类别标签标注所述用户行为样本是否为异常；分别根据所述训练数据集对预设的神经网络模型进行训练，得到多个风险识别模型，每个所述风控识别模型对应一个数据类别及风险等级；所述多个风险识别模型包括所述第一风险识别模型及所述第二风险识别模型。
18.根据本发明实施例的另一方面，提供了一种用户分类装置，包括：
19.关系图生成模块，用于基于用户所观看的内容，生成用户与用户之间的用户关系图；所述用户关系图以所述用户为节点，用户节点与用户节点之间以观看的共同内容为连接边；
20.起始节点确定模块，用于根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点；所述中心度表征每个用户节点对其它用户节点的聚合力；
21.加入模块，用于基于所述起始节点将所述用户关系图中的所述其它用户节点中符合预设条件的节点加入至所述目标分类。
22.在一种可选的方式中，所述装置还包括：迭代模块，用于当根据所述合适度确定所述目标分类中的所有用户节点后，继续执行所述根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点，确定第一用户节点加入所述目标分类前后，所述目标分类的合适度，以及根据所述合适度确定是否将所述第一用户节点加入所述目标分类的步骤，直至所有用户节点均加入对应的目标类别，得到多个目标类别。
23.根据本发明实施例的另一方面，提供了一种用户风险行为识别装置，所述装置包
括：
24.第一识别模块，用于根据第一风险识别模型识别用户行为是否存在异常；
25.统计模块，用于当所述用户行为异常时，统计行为异常的用户所属目标类别；所述目标类别为根据所述的用户分类方法或所述的用户分类装置得到；
26.第二识别模块，用于当所属目标类别对应的行为异常的用户数量超过第一预设阈值时，采用第二风险识别模型识别用户行为。
27.根据本发明实施例的另一方面，提供了一种计算机设备，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；
28.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所述的用户分类方法或所述的用户风险行为识别方法的操作。
29.根据本发明实施例的又一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令在计算机设备上运行时，使得计算机设备执行所述的用户分类方法或所述的用户风险行为识别方法的操作。
30.本发明实施例通过基于用户所观看的内容，生成用户与用户之间的用户关系图；所述用户关系图以所述用户为节点，用户节点与用户节点之间以观看的共同内容为连接边；根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点；所述中心度表征每个用户节点对其它用户节点的聚合力；基于所述起始节点将所述用户关系图中的所述其它用户节点中符合预设条件的节点加入至所述目标分类，能够有效提高用户分类的准确度。
31.更加地，本发明实施例通过根据第一风险识别模型识别用户行为是否存在异常；当所述用户行为异常时，统计行为异常的用户所属目标类别，其中，所述的目标类别是根据上述的用户分类方法得到的。当所属目标类别对应的行为异常的用户数量超过第一预设阈值时，采用第二风险识别模型识别用户行为，通过这样的设置，可以通过用户的类别集合以及异常识别模型动态感知风险行为，感知可能会规模出现的风险行为，并根据风险行为以及风险等级选取对应的风控策略，有效的拦截异常行为，并减少正常用户误拦截。
32.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，以下特举本发明的具体实施方式。
附图说明
33.附图仅用于示出实施方式，而并不认为是对本发明的限制。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：
34.图1示出了本发明实施例提供的用户分类方法的流程示意图；
35.图2示出了本发明另一实施例提供的用户风险行为识别方法的流程示意图；
36.图3示出了本发明实施例提供的用户分类装置的结构示意图；
37.图4示出了本发明实施例提供的用户风险行为识别装置的结构示意图；
38.图5示出了本发明实施例提供的计算机设备的结构示意图。
具体实施方式
39.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。
40.目前，风险识别中，一般根据用户登录行为发现异常用户，只要根据用户登录是否集中使用ip、集中使用设备以及登录次数等登录行为去发现异常登录用户。然而，根据用户的登录次数、ip和设备去发现异常用户只能在异常操作行为发生后才能去发现异常用户，当攻击者使用分散的ip以及模拟设备时很难发现异常用户，只能识别已经出现风险用户，只能等用户下次攻击时进行拦截，且识别风险的阈值比较固定，无法做到灵活配置和提前感知，系统时延高、系统吞吐量低。然而发明人发现，对于这些异常用户之间，其往往有着相同或相似的操作行为或兴趣爱好。因此，本技术发明人对用户分类，将用户分类应用在风险识别中，根据用户集合的分组，进行风险感知，以提高风险识别的准确度及灵活性，从而预测发生的批量攻击行为的可能性。
41.现有技术中，一般对用户进行分类，进而根据用户的相似度进行后续的推荐或其他场景应用，本技术的发明人发现，现有的分类算法中对用户进行分类时，其分类的准确度较低。基于此，本发明提供一种用户分类方法、用户风险行为识别方法、用户分类装置、用户风险行为识别装置、计算机设备及计算机可读存储介质。
42.图1示出了本发明实施例提供的用户分类方法的流程图，该方法可由计算机设备执行。该计算机设备可以是笔记本电脑、平板电脑、智能终端或云平台等。如图1所示，该方法包括以下步骤：
43.步骤110：基于用户所观看的内容，生成用户与用户之间的用户关系图。
44.其中，所述用户关系图以所述用户为节点，用户节点与用户节点之间以观看的共同内容为连接边。
45.本发明实施例预先获取用户信息，该用户信息中包括用户观看的内容。具体地，可通过sparksql从数据库中获取消息日志以及flink实时获取kafka中的实时消息，对用户产生的行为日志进行分析，得到需要的用户信息以及用户特征数据。
46.本发明一个实施例中，建立用户关系图的过程包括：
47.步骤101：根据用户与用户所观看的内容，建立用户-内容关系图。具体地，已知一个用户集合和一个用户观看作品集合，这些用户和作品间的观看关系可生成一个用户-内容关系图，用户-内容关系图中的用户节点只与其观看的各个内容相连。该内容可以是视频或文本、音频等多媒体作品。
48.步骤102：根据所述用户-内容关系图，建立以用户为节点，以共同观看的内容为连接边的用户关系图。具体地，用户关系图中每个用户为节点，两个用户节点间相连表示这两个用户有观看的共同作品，为用户关系图中用户节点与用户节点之间的连接边。
49.步骤103：根据用户-内容关系图中用户与内容之间连接边的权重，确定用户关系图中用户节点之间的连接边的权重。
50.其中，根据所述共同观看的内容的数量及观看时间，确定用户-内容关系图的连接边的权重，再根据用户-内容关系图中用户与内容之间连接边的权重，确定用户关系图中用户节点之间的连接边的权重。
51.本发明实施例中，由于用户观看作品的类别会随着时间的变化两个用户观看相同作品的时间越近，则用户之间具有相似兴趣的概率越大，在用户关系图中的连接边的权重越大。其中，用户关系图连接边的权重的具体确定方式为：将用户的观看数据根据观看时间的不同分成不同时间段的数据子集。假设用户i在t个段时间内观看了作品x，其中i∈{1，
···
，n}，x∈{1，
···
，m}，t∈{0，1,
···
,t}，其中，用户集合的数量为n，作品集合的数量为m，用户数据的时间段个数为t。如果用户对作品没有观看行为，则将t设置为0。随着时间的变化，用户对作品感兴趣的程度也会变化，本发明实施例中使用类似于遗忘曲线的函数，根据用户的观看时间来表示为用户-内容的关系矩阵，计算用户-内容图中的边权重。具体地，以g
ix
表示用户i对内容x的感兴趣程度，也即用户-内容图中连接边的权重。当t＝0时，g
ix
＝0，即用户和内容之间没有相连的边，当t》0时，用户-内容图中连接边的权重为g
ix
＝exp(-(t-t))。因此，对于观看相同内容的用户之间生成用户关系图时，用户节点与用户节点的连接边的权重为：u
ij
＝∑g
ix
*g
jx
；其中，u
ij
表示用户关系图中用户i和用户j之间的连接边的权重，也即用户i与用户j观看的所有相同作品的感兴趣程度的乘积之和，个数为相同内容的数量，g
ix
为用户i对内容x的感兴趣度，也即用户-内容图中用户i与内容x的连接边的权重，g
jx
为用户j对内容x的感兴趣度，也即用户-内容图中用户j与内容x的连接边的权重。
52.步骤120：根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点。
53.本发明实施例中，中心度表征用户节点对所有的其它用户节点的聚合力，中心度越大，则用户与周围的用户节点形成一个特定分类的可能性越大。
54.其中，本发明实施例根据用户节点与相邻节点之间的相似度及用户节点与所有其它用户节点之间的相似度，得到每个用户节点的中心度，选择中心度最高的目标用户节点作为起始节点，将只包括所述目标用户节点的类别作为目标分类。具体包括：
55.步骤201：根据用户节点与相邻节点之间连接边的权重，以及用户节点在所述用户关系图中对其他用户节点的影响力，计算得到所述用户节点与其他用户节点之间的兴趣相似度。
56.其中，如果仅通过用户观看的相同内容来计算用户之间的相似度，则只考虑了用户关系图中的局部信息，通过观看内容得到的相似度只能反映节点的局部相似性。因此，本技术除了通过用户对内容的兴趣程度(也即用户-内容关系图中的连接边的权重)计算用户的相似度之外，还根据用户关系图从用户间的相邻用户节点的角度来计算用户间相似度。
57.其中，计算用户关系图中用户i的影响力的方法为：
[0058][0059]
其中，inf(i)表示用户节点i的影响力；n(i)表示用户节点i的相邻用户集合。d表示用户节点i的度数，也即用户节点i的所有相邻用户节点的个数；d(u)表示用户u的度数；α为用户节点i的影响力大小inf(i)中用户节点i的度数d与用户节点i相邻节点影响力inf(u)之间的权重因子。
[0060]
在得到用户节点的影响力之后，根据用户节点的影响力计算用户节点i在用户关系图中对其它用户节点j的影响力：
[0061][0062]
其中，n(i)和n(j)分别表示用户节点i及用户节点j的相邻用户节点集合；
[0063]
在考虑用户关系图中全局用户影响力后，可以通过以下公式计算用户之间具有相似兴趣的可能性，也即相似度：
[0064]
s(i，j)＝β*u
ij
(1-β)*inf(i，j)；
[0065]
其中，β为用户节点的连接边的权重与用户及节点的影响力之间的权重因子，该权重因子可依据具体场景进行相应设置。由于u
ij
中考虑了用户观看的相同内容的兴趣度，也即通过用户观看的相同内容来计算用户之间的相似度，inf(i，j)考虑了根据用户关系图从用户间的相邻用户节点的角度确定用户节点的相似度，因此，通过这种方式可以更加准确的表征用户节点与用户节点之间的相似度。
[0066]
步骤202：根据第一最大相似度及第二最大相似度，确定各个所述用户节点的中心度。
[0067]
其中，第一最大相似度为所述用户节点相邻的相邻用户节点与所述用户节点最大兴趣相似度，第二最大相似度为所述用户节点与所有用户节点的相似度最大值。用户节点的中心度表征每个用户节点的聚合力，中心度越大，则用户节点周围的其他用户与该用户节点形成一个特定分类的可能性越大。
[0068]
其中，根据第一最大相似度及第二最大相似度，确定各个所述用户节点的中心度，中心度的计算公式如下：
[0069][0070]
其中，maxsn(i)表示第一最大相似度，为用户节点i的邻居节点中与用户节点i的相似度最大值；maxs(i)表示第二最大相似度，为用户节点i与所有用户节点的相似度中最大值；ui表示用户节点i与其他所有用户节点之间的相似度向量，也即：其中，m为其他所有用户节点的个数，j为第j个用户节点。
[0071]
通过上述计算公式可以得到各个用户节点的中心度。
[0072]
步骤203：选择中心度最大的用户节点作为一个目标分类的起始节点。
[0073]
其中，在得到各个节点的中心度后，选择所有用户节点集合中中心度最高的用户节点(如用户节点a)作为起始节点。在选取初始节点之后，利用被选节点进行初始化的目标分类，即目标分类k中只包含用户节点a。
[0074]
步骤130：基于所述起始节点将所述用户关系图中的所述其它用户节点中符合预设条件的节点加入至所述目标分类。
[0075]
本发明实施例中，预设条件为：第一用户节点加入所述目标分类后的合适度与第一用户节点加入所述目标分类前的合适度之差是否为正。其中，当第一用户节点加入所述目标分类后的合适度与第一用户节点加入所述目标分类前的合适度之差为正时，将该其它用户节点加入目标分类。当第一用户节点加入所述目标分类后的合适度与第一用户节点加入所述目标分类前的合适度之差为负时，不将该其它用户节点加入该目标分类。
[0076]
其中，所述第一用户节点为与目标分类中的用户节点相连且尚未加入所述目标分
类的用户节点；所述合适度根据目标分类中所有用户节点之间的连接边的权重以及目标分类中所有用户节点与非目标分类中用户节点的连接边的权重确定；根据所述合适度确定是否将所述第一用户节点加入所述目标分类。
[0077]
本发明实施例中，基于所述起始节点将所述用户关系图中的所述其它用户节点中符合预设条件的节点加入至所述目标分类具体包括以下步骤：
[0078]
步骤1301：确定第一用户节点加入所述目标分类前后所述目标分类的合适度。
[0079]
其中，所述第一用户节点为与目标分类中的用户节点相连且尚未加入所述目标分类的用户节点。本发明实施例中，该目标分类的合适度表征同一分类中的所有用户节点适合作为同一分类的准确程度。该合适度根据目标分类中所有用户节点之间的连接边的权重以及目标分类中所有用户节点与非目标分类中用户节点的连接边的权重确定。
[0080]
其中，确定第一用户节点加入所述目标分类前后，所述目标分类的合适度之前，该方法还包括：根据所述用户关系图，确定与目标分类中用户节点相连第一用户节点。具体地，在用户节点集合中，查找与分类k相连，但未加入k类的用户节点。
[0081]
本发明实施例中，根据目标分类中所有用户节点之间的连接边的权重以及目标分类中所有用户节点与非目标分类中用户节点的连接边的权重，计算所述第一用户节点在加入所述目标分类前后的合适度。具体，首先确定所述目标分类中所有用户节点之间的连接边的第一权重，确定目标分类中所有用户节点与非目标分类的所有用户节点之间的连接边的第二权重；然后，根据所述第一权重及所述第二权重，确定所述目标分类的合适度，计算公式为：其中，di表示目标分类k中所有用户节点之间连接边的第一权重之和，do为目标分类k中所有用户节点与非目标分类k的用户节点的连接边的第二权重之和。
[0082]
步骤:1302：根据所述合适度确定是否将所述第一用户节点加入所述目标分类。
[0083]
其中，根据所述合适度确定是否将所述第一用户节点加入所述目标节点，具体包括：计算第一用户节点加入所述目标分类前后，所述目标分类的合适度的差值δd＝d1-d2，其中d1为第一用户节点加入所述目标分类后的合适度，d2为第一用户节点加入所述目标分类之前的合适度。当差值为正时，则表示第一用户节点属于目标类别k，将第一用户节点加入所述目标类别；若差值为正，则表示第一用户节点不属于目标类别k，则不将第一用户节点加入目标类别k。
[0084]
步骤1303：根据所述合适度确定所述目标分类中的所有用户节点，以得到所述目标分类。
[0085]
本发明实施例中，所述方法还包括以下步骤：当根据所述合适度确定所述目标分类中的所有用户节点后，继续执行所述根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点，确定第一用户节点加入所述目标分类前后所述目标分类的合适度，以及根据所述合适度确定是否将所述第一用户节点加入所述目标分类的步骤，直至所有用户节点均加入对应的目标类别，得到该目标类别。
[0086]
其中，本发明实施例中，在基于所述起始节点将所述用户关系图中的其余节点中符合预设条件的节点加入至所述目标分类之后，所述方法还包括：针对除加入所述目标分类外的其余节点再次执行所述根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类，将所述中心度最高的用户节点作为所述目标分类的起始节点，并基于所述起始
节点将所述用户关系图中的其余节点中符合预设条件的节点加入至所述目标分类的步骤，以得到另一个目标分类，直至所有的用户节点均加入对应的目标类别，完成对所有用户节点的分类。具体地，根据所述用户关系图，确定与目标分类中用户节点相连第一用户节点，确定第一用户节点加入所述目标分类前后所述目标分类的合适度，根据所述合适度确定是否将所述第一用户节点加入所述目标节点的步骤，直至将所有计算值为正的相连的用户节点都加入目标分类k，由于目标分类k中不断新增用户节点，则先加入目标分类k的用户节点的合适度则发生了变化，需要重新计算目标分类k的合适度，删除合适度差为负的用户节点，然后再次计算分组的合适度。重复执行重新计算目标分类k的合适度，删除合适度差为负的用户节点，然后再次计算分组的合适度的步骤，直到类别k中没有用户节点的合适度差为负，得到所有用户节点对应的分类。
[0087]
本发明实施例中，在每得到一个目标分类后，如果存在用户节点不属于任何当前的目标分类，则需要从这些用户节点中再选择节点中心度最高的节点作为初始节点，再次执行步骤130，直到没有单独的用户节点不属于任何目标分类，从而得到各个用户节点的分类。
[0088]
其中，在得到多个目标分类后，该方法还包括：计算多个目标分类的相互重合度。具体地，可以使用交并比的方式进行计算，计算公式为：
[0089][0090]
其中，r即集合m与集合n的交集与并集的比值，km为第m个目标类别，ln为第n个目标类别；当比值大于阈值φ时，则认为子集m与子集n为同一个集合，进行合并，得到最终的h个用户集合。
[0091]
本发明实施例中，得到最终的h个用户集合后，可以将用户集合中的所有用户按各自属于的用户集合在数据库中使用标签标识，该标签标识表征用户的目标分类，同一个用户集合的用户的标签相同，以供后续进行信息推荐或风险识别使用。
[0092]
本发明实施例通过基于用户所观看的内容，生成用户与用户之间的用户关系图；所述用户关系图以所述用户为节点，用户节点与用户节点之间以观看的共同内容为连接边；根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点；所述中心度表征每个用户节点对其它用户节点的聚合力；基于所述起始节点将所述用户关系图中的所述其它用户节点中符合预设条件的节点加入至所述目标分类，能够有效提高用户分类的准确度。
[0093]
图2示出了本发明另一实施例提供的用户风险行为识别方法的流程图，该方法由计算机设备执行。该计算机设备可以是笔记本电脑、平板电脑、智能终端或云平台等。如图2所示，该方法包括以下步骤：
[0094]
步骤210：根据第一风险识别模型识别用户行为是否存在异常。
[0095]
其中，本发明实施例在根据第一风险识别模型识别用户行为是否存在异常之前，还获取多个数据类别的训练数据；将各个数据类别的训练数据均按照不同风险等级划分，得到各个数据类别不同风险等级的多个训练数据集，各个所述训练数据集包括对应的用户行为样本及行为类别标签；所述行为类别标签标注所述用户行为样本是否为异常；分别根据所述训练数据集对预设的神经网络模型进行训练，得到多个风险识别模型，每个所述风
控识别模型对应一个数据类别及风险等级；所述多个风险识别模型包括所述第一风险识别模型及所述第二风险识别模型。
[0096]
其中，在获取多个数据类别的训练数据时，可结合上述用户分类的实施例，本发明实施例在预先获取用户信息时，还获取用户登录时的异常用户特征数据，如包括性别、注册日期、使用设备数、登录数、登录ip数、登录地点数及使用异常数等。具体地，可通过sparksql从数据库中获取消息日志以及flink实时获取kafka中的实时消息，对用户产生的行为日志进行分析，得到需要的用户信息以及用户特征数据，使用用户特征数据生成训练数据集。具体地，生成方式如下：
[0097]
1、将所有数据按照用户的操作类型的不同将数据分为不同的数据类别：账密登录、短信下发、一键登录等。
[0098]
2、各个数据类别(具有相同的操作类型的用户特征数据)分别按照不同的风险等级划分不同的训练数据集。
[0099]
其中，同一操作类型和相同风险等级的数据集合再按照时间划分为24个时间段，构建特征矩阵，形成训练数据集。例如24小时的7个变量组成24*7的矩阵。
[0100]
在得到各个数据类别对应的不同风险等级的训练数据集后，分别将训练数据集带入lstm模型，使用lstm模型进行训练，得到不同操作的风控预测模型。其中，lstm模型可以包括一个输入层，三个隐含层以及一个输出层；输出类别为0和1。0表示无风险，1表示有风险。通过训练从而得到对应不同数据类别以及不同风险等级的多个预测模型。
[0101]
该多个预测模型可以包括宽松的风险识别模型、普通的风险识别模型及严格的风险识别模型。其中，第一风险识别模型可以为普通的风险识别模型。也即，在一般情况下，通过普通的风险识别模型对用户行为进行风险识别。
[0102]
步骤220：当所述用户行为异常时，统计行为异常的用户所属目标类别；所述目标类别为根据所述用户分类方法得到。
[0103]
本发明实施例的目标类别为根据上述实施例的用户分类方法得到，具体实现方式与上述方法步骤相同，此处不再赘述。其中，在上述方法实施例中，得到最终的h个用户集合后，可以将用户集合中的所有用户按各自属于的用户集合在数据库中使用标签标识，该标签标识表征用户的目标分类，同一个用户集合的用户的标签相同，以供后续进行信息推荐或风险识别使用。其中，本发明实施例在根据普通的风险识别模型对用户行为进行风险识别后，若用户行为异常，则根据预先存储在数据库中的用户集合，确定该行为异常的用户对应的目标分类，存储该用户的操作类型(也即数据类别)及该用户对应的目标分类(也即类别标签)。
[0104]
步骤230：当所属目标类别对应的行为异常的用户数量超过预设阈值时，采用第二风险识别模型识别用户行为。
[0105]
其中，当某一个行为(某个数据类别)的目标分类的异常用户数达到一定数量时，则认为这一行为存在大批量攻击的可能，则对该行为(数据类别)进行动态管控，对于该行为使用更为严格的风控识别模型(第二风险识别模型)，降低识别阈值，根据用户类别标签进行模型动态切换。
[0106]
本发明实施例中，还包括：当所属目标类别对应的行为异常的用户数量低于第二预设阈值时，采用第三风险识别模型识别用户行为。第三风险识别模型可以为更为宽松的
风险识别模型。具体地，当同一标签的用户少于阈值时，表示大批量攻击的可能性降低，则切换风控识别模型，使用较为宽松的风控模型，这样使用不同等级的风控模型能减少误拦以及提高识别率。
[0107]
本发明实施例，在平时未检测到大批量异常行为是使用通用风控模型进行识别，当动态感知某异常行为则增加该行为的风险模型的识别，能快速的识别风险用户，如果所有的行为都采用严格的风险识别模型进行识别，则会增加识别的时延，增加系统返回时长。本发明实施例通过对识别为风险的用户进行对应规则的管控，针对不通风险行为的用户进行不同的行为管控，减少对正常用户的误拦截。
[0108]
本发明实施例通过基于用户所观看的内容，生成用户与用户之间的用户关系图；所述用户关系图以所述用户为节点，用户节点与用户节点之间以观看的共同内容为连接边；根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点；所述中心度表征每个用户节点对其它用户节点的聚合力；基于所述起始节点将所述用户关系图中的所述其它用户节点中符合预设条件的节点加入至所述目标分类，能够有效提高用户分类的准确度。
[0109]
更加地，本发明实施例通过根据第一风险识别模型识别用户行为是否存在异常；当所述用户行为异常时，统计行为异常的用户所属目标类别，其中，所述的目标类别是根据上述的用户分类方法得到的。当所属目标类别对应的行为异常的用户数量超过第一预设阈值时，采用第二风险识别模型识别用户行为，通过这样的设置，可以通过用户的类别集合以及异常识别模型动态感知风险行为，感知可能会规模出现的风险行为，并根据风险行为以及风险等级选取对应的风控策略，有效的拦截异常行为，并减少正常用户误拦截。
[0110]
图3示出了本发明实施例提供的用户分类装置的结构示意图。如图3所示，该装置300包括：
[0111]
关系图生成模块310，用于基于用户所观看的内容，生成用户与用户之间的用户关系图；所述用户关系图以所述用户为节点，用户节点与用户节点之间以观看的共同内容为连接边；
[0112]
起始节点确定模块320，用于根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点；
[0113]
加入模块330，用于基于所述起始节点将所述用户关系图中的所述其它用户节点中符合预设条件的节点加入至所述目标分类。
[0114]
本发明实施例中，所述加入模块330还包括：
[0115]
第一确定模块，用于确定第一用户节点加入所述目标分类前后，所述目标分类的合适度；所述第一用户节点为与目标分类中的用户节点相连且尚未加入所述目标分类的用户节点；所述合适度根据目标分类中所有用户节点之间的连接边的权重以及目标分类中所有用户节点与非目标分类中用户节点的连接边的权重确定；
[0116]
第二确定模块，用于根据所述合适度确定是否将所述第一用户节点加入所述目标分类；
[0117]
分类模块，用于根据所述合适度确定所述目标分类中的所有用户节点，以得到所述目标分类。
[0118]
本发明实施例中，该装置还包括迭代模块，用于当根据所述合适度确定所述目标
分类中的所有用户节点后，针对除加入所述目标分类外的其余节点再次执行所述根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类，将所述中心度最高的用户节点作为所述目标分类的起始节点，并基于所述起始节点将所述用户关系图中的其余节点中符合预设条件的节点加入至所述目标分类的步骤，以得到另一个目标分类，直至所有的用户节点均加入对应的目标类别，完成对所有用户节点的分类。
[0119]
在一种可选的方式中，所述基于用户所观看的内容，生成用户与用户之间的用户关系图，包括：根据用户与用户所观看的内容，建立用户-内容关系图；根据所述用户-内容关系图，建立以用户为节点，以共同观看的内容为连接边的用户关系图；根据用户-内容关系图中用户与内容之间连接边的权重，确定用户关系图中用户节点之间的连接边的权重。
[0120]
在一种可选的方式中，所述根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点，包括：根据用户节点与相邻节点之间连接边的权重，以及用户节点在所述用户关系图中对其他用户节点的影响力，计算得到所述用户节点与其他用户节点之间的兴趣相似度；根据第一最大相似度及第二最大相似度，确定各个所述用户节点的中心度；所述第一最大相似度为所述用户节点相邻的相邻用户节点与所述用户节点最大兴趣相似度；所述第二最大相似度为所述用户节点与所有用户节点的相似度最大值；选择中心度最大的用户节点作为一个目标分类的起始节点。
[0121]
在一种可选的方式中，所述确定第一用户节点加入所述目标分类前后，所述目标分类的合适度，包括：确定所述目标分类中所有用户节点之间的连接边的第一权重；确定目标分类中所有用户节点与非目标分类的所有用户节点之间的连接边的第二权重；根据所述第一权重及所述第二权重，确定所述目标分类的合适度。
[0122]
本发明实施例的用户分类装置300的具体工作步骤与上述用户分类方法的实施例中具体工作步骤大体一致，此处不再赘述。
[0123]
本发明实施例通过基于用户所观看的内容，生成用户与用户之间的用户关系图；所述用户关系图以所述用户为节点，用户节点与用户节点之间以观看的共同内容为连接边；根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点；所述中心度表征每个用户节点对其它用户节点的聚合力；基于所述起始节点将所述用户关系图中的所述其它用户节点中符合预设条件的节点加入至所述目标分类，能够有效提高用户分类的准确度。
[0124]
图4示出了本发明实施例提供的用户风险行为识别装置的结构示意图。
[0125]
如图4所示，该装置400包括：
[0126]
第一识别模块410，用于根据第一风险识别模型识别用户行为是否存在异常；
[0127]
统计模块420，用于当所述用户行为异常时，统计行为异常的用户所属目标类别。其中，所述目标类别为根据上述的用户分类方法或上述的用户分类装置得到，具体实现方式与上述方法或装置实施例的具体方法步骤大体一致，此处不再赘述。
[0128]
第二识别模块430，用于当所属目标类别对应的行为异常的用户数量超过第一预设阈值时，采用第二风险识别模型识别用户行为。
[0129]
在一种可选的方式中，所述基于用户所观看的内容，生成用户与用户之间的用户关系图，包括：根据用户与用户所观看的内容，建立用户-内容关系图；根据所述用户-内容关系图，建立以用户为节点，以共同观看的内容为连接边的用户关系图；根据用户-内容关
系图中用户与内容之间连接边的权重，确定用户关系图中用户节点之间的连接边的权重。
[0130]
在一种可选的方式中，所述根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点，包括：根据用户节点与相邻节点之间连接边的权重，以及用户节点在所述用户关系图中对其他用户节点的影响力，计算得到所述用户节点与其他用户节点之间的兴趣相似度；根据第一最大相似度及第二最大相似度，确定各个所述用户节点的中心度；所述第一最大相似度为所述用户节点相邻的相邻用户节点与所述用户节点最大兴趣相似度；所述第二最大相似度为所述用户节点与所有用户节点的相似度最大值；选择中心度最大的用户节点作为一个目标分类的起始节点。
[0131]
在一种可选的方式中，所述确定第一用户节点加入所述目标分类前后，所述目标分类的合适度，包括：确定所述目标分类中所有用户节点之间的连接边的第一权重；确定目标分类中所有用户节点与非目标分类的所有用户节点之间的连接边的第二权重；根据所述第一权重及所述第二权重，确定所述目标分类的合适度。
[0132]
在一种可选的方式中，所述根据第一风险识别模型识别用户行为是否存在异常之前，所述方法还包括：获取多个数据类别的训练数据；将各个数据类别的训练数据均按照不同风险等级划分，得到各个数据类别不同风险等级的多个训练数据集，各个所述训练数据集包括对应的用户行为样本及行为类别标签；所述行为类别标签标注所述用户行为样本是否为异常；分别根据所述训练数据集对预设的神经网络模型进行训练，得到多个风险识别模型，每个所述风控识别模型对应一个数据类别及风险等级；所述多个风险识别模型包括所述第一风险识别模型及所述第二风险识别模型。
[0133]
本发明实施例的用户风险行为识别装置400的具体工作步骤与上述用户用户风险行为识别方法的实施例中具体工作步骤大体一致，此处不再赘述。
[0134]
本发明实施例通过基于用户所观看的内容，生成用户与用户之间的用户关系图；所述用户关系图以所述用户为节点，用户节点与用户节点之间以观看的共同内容为连接边；根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点；确定第一用户节点加入所述目标分类前后，所述目标分类的合适度；所述第一用户节点为与目标分类中的用户节点相连且尚未加入所述目标分类的用户节点；所述合适度根据目标分类中所有用户节点之间的连接边的权重以及目标分类中所有用户节点与非目标分类中用户节点的连接边的权重确定；根据所述合适度确定是否将所述第一用户节点加入所述目标分类；当根据所述合适度确定所述目标分类中的所有用户节点后，继续执行所述根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点，确定第一用户节点加入所述目标分类前后，所述目标分类的合适度，以及根据所述合适度确定是否将所述第一用户节点加入所述目标分类的步骤，直至所有用户节点均加入对应的目标类别，得到多个目标类别，能够有效提高用户分类的准确度。
[0135]
更加地，本发明实施例通过根据第一风险识别模型识别用户行为是否存在异常；当所述用户行为异常时，统计行为异常的用户所属目标类别，其中，所述的目标类别是根据上述的用户分类方法得到的。当所属目标类别对应的行为异常的用户数量超过第一预设阈值时，采用第二风险识别模型识别用户行为，通过这样的设置，可以通过用户的类别集合以及异常识别模型动态感知风险行为，感知可能会规模出现的风险行为，并根据风险行为以及风险等级选取对应的风控策略，有效的拦截异常行为，并减少正常用户误拦截。
[0136]
图5示出了本发明实施例提供的计算机设备的结构示意图，本发明具体实施例并不对计算机设备的具体实现做限定。
[0137]
如图5所示，该计算机设备可以包括：处理器(processor)502、通信接口(communications interface)504、存储器(memory)506、以及通信总线508。
[0138]
其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。通信接口504，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502，用于执行程序510，具体可以执行上述用于用户分类方法或所述的用户风险行为识别方法实施例中的相关步骤。
[0139]
具体地，程序510可以包括程序代码，该程序代码包括计算机可执行指令。
[0140]
处理器502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。计算机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。
[0141]
存储器506，用于存放程序510。存储器506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。
[0142]
程序510具体可以被处理器502调用使计算机设备执行以下操作：
[0143]
基于用户所观看的内容，生成用户与用户之间的用户关系图；所述用户关系图以所述用户为节点，用户节点与用户节点之间以观看的共同内容为连接边；
[0144]
根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点；所述中心度表征每个用户节点对其它用户节点的聚合力；
[0145]
基于所述起始节点将所述用户关系图中的所述其它用户节点中符合预设条件的节点加入至所述目标分类；
[0146]
或者，
[0147]
根据第一风险识别模型识别用户行为是否存在异常；
[0148]
当所述用户行为异常时，统计行为异常的用户所属目标类别；所述目标类别为根据所述的用户分类方法得到；
[0149]
当所属目标类别对应的行为异常的用户数量超过第一预设阈值时，采用第二风险识别模型识别用户行为。
[0150]
在一种可选的方式中，所述基于所述起始节点将所述用户关系图中的其余节点中符合预设条件的节点加入至所述目标分类，包括：确定第一用户节点加入所述目标分类前后，所述目标分类的合适度；所述第一用户节点为与目标分类中的用户节点相连且尚未加入所述目标分类的用户节点；所述合适度根据目标分类中所有用户节点之间的连接边的权重以及目标分类中所有用户节点与非目标分类中用户节点的连接边的权重确定；根据所述合适度确定所述目标分类中的所有用户节点，以得到所述目标分类。
[0151]
在一种可选的方式中，所述基于用户所观看的内容，生成用户与用户之间的用户关系图，包括：根据用户与用户所观看的内容，建立用户-内容关系图；根据所述用户-内容关系图，建立以用户为节点，以共同观看的内容为连接边的用户关系图；根据用户-内容关系图中用户与内容之间连接边的权重，确定用户关系图中用户节点之间的连接边的权重。
[0152]
在一种可选的方式中，所述根据所述用户关系图，选择中心度最高的用户节点作
为一个目标分类的起始节点，包括：根据用户节点与相邻节点之间连接边的权重，以及用户节点在所述用户关系图中对其他用户节点的影响力，计算得到所述用户节点与其他用户节点之间的兴趣相似度；根据第一最大相似度及第二最大相似度，确定各个所述用户节点的中心度；所述第一最大相似度为所述用户节点相邻的相邻用户节点与所述用户节点最大兴趣相似度；所述第二最大相似度为所述用户节点与所有用户节点的相似度最大值；选择中心度最大的用户节点作为一个目标分类的起始节点。
[0153]
在一种可选的方式中，所述确定第一用户节点加入所述目标分类前后，所述目标分类的合适度，包括：确定所述目标分类中所有用户节点之间的连接边的第一权重；确定目标分类中所有用户节点与非目标分类的所有用户节点之间的连接边的第二权重；根据所述第一权重及所述第二权重，确定所述目标分类的合适度。
[0154]
在一种可选的方式中，所述基于所述起始节点将所述用户关系图中的其余节点中符合预设条件的节点加入至所述目标分类之后，所述方法还包括针对除加入所述目标分类外的其余节点再次执行所述根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类，将所述中心度最高的用户节点作为所述目标分类的起始节点，并基于所述起始节点将所述用户关系图中的其余节点中符合预设条件的节点加入至所述目标分类的步骤，以得到另一个目标分类，直至所有的用户节点均加入对应的目标类别，完成对所有用户节点的分类。
[0155]
本发明实施例通过基于用户所观看的内容，生成用户与用户之间的用户关系图；所述用户关系图以所述用户为节点，用户节点与用户节点之间以观看的共同内容为连接边；根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点；确定第一用户节点加入所述目标分类前后，所述目标分类的合适度；所述第一用户节点为与目标分类中的用户节点相连且尚未加入所述目标分类的用户节点；所述合适度根据目标分类中所有用户节点之间的连接边的权重以及目标分类中所有用户节点与非目标分类中用户节点的连接边的权重确定；根据所述合适度确定是否将所述第一用户节点加入所述目标分类；当根据所述合适度确定所述目标分类中的所有用户节点后，继续执行所述根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点，确定第一用户节点加入所述目标分类前后，所述目标分类的合适度，以及根据所述合适度确定是否将所述第一用户节点加入所述目标分类的步骤，直至所有用户节点均加入对应的目标类别，得到多个目标类别，能够有效提高用户分类的准确度。
[0156]
更加地，本发明实施例通过根据第一风险识别模型识别用户行为是否存在异常；当所述用户行为异常时，统计行为异常的用户所属目标类别，其中，所述的目标类别是根据上述的用户分类方法得到的。当所属目标类别对应的行为异常的用户数量超过第一预设阈值时，采用第二风险识别模型识别用户行为，通过这样的设置，可以通过用户的类别集合以及异常识别模型动态感知风险行为，感知可能会规模出现的风险行为，并根据风险行为以及风险等级选取对应的风控策略，有效的拦截异常行为，并减少正常用户误拦截。
[0157]
本发明实施例提供了一种计算机可读存储介质，所述存储介质存储有至少一可执行指令，该可执行指令在计算机设备上运行时，使得所述计算机设备执行上述任意方法实施例中的用户分类方法或所述的用户风险行为识别方法。
[0158]
可执行指令具体可以用于使得计算机设备执行以下操作：
[0159]
基于用户所观看的内容，生成用户与用户之间的用户关系图；所述用户关系图以所述用户为节点，用户节点与用户节点之间以观看的共同内容为连接边；
[0160]
根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点；所述中心度表征每个用户节点对其它用户节点的聚合力；
[0161]
基于所述起始节点将所述用户关系图中的所述其它用户节点中符合预设条件的节点加入至所述目标分类；
[0162]
或者，
[0163]
根据第一风险识别模型识别用户行为是否存在异常；
[0164]
当所述用户行为异常时，统计行为异常的用户所属目标类别；所述目标类别为根据所述的用户分类方法得到；
[0165]
当所属目标类别对应的行为异常的用户数量超过第一预设阈值时，采用第二风险识别模型识别用户行为。
[0166]
在一种可选的方式中，所述基于所述起始节点将所述用户关系图中的其余节点中符合预设条件的节点加入至所述目标分类，包括：确定第一用户节点加入所述目标分类前后，所述目标分类的合适度；所述第一用户节点为与目标分类中的用户节点相连且尚未加入所述目标分类的用户节点；所述合适度根据目标分类中所有用户节点之间的连接边的权重以及目标分类中所有用户节点与非目标分类中用户节点的连接边的权重确定；根据所述合适度确定所述目标分类中的所有用户节点，以得到所述目标分类。
[0167]
在一种可选的方式中，所述基于用户所观看的内容，生成用户与用户之间的用户关系图，包括：根据用户与用户所观看的内容，建立用户-内容关系图；根据所述用户-内容关系图，建立以用户为节点，以共同观看的内容为连接边的用户关系图；根据用户-内容关系图中用户与内容之间连接边的权重，确定用户关系图中用户节点之间的连接边的权重。
[0168]
在一种可选的方式中，所述根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点，包括：根据用户节点与相邻节点之间连接边的权重，以及用户节点在所述用户关系图中对其他用户节点的影响力，计算得到所述用户节点与其他用户节点之间的兴趣相似度；根据第一最大相似度及第二最大相似度，确定各个所述用户节点的中心度；所述第一最大相似度为所述用户节点相邻的相邻用户节点与所述用户节点最大兴趣相似度；所述第二最大相似度为所述用户节点与所有用户节点的相似度最大值；选择中心度最大的用户节点作为一个目标分类的起始节点。
[0169]
在一种可选的方式中，所述确定第一用户节点加入所述目标分类前后，所述目标分类的合适度，包括：确定所述目标分类中所有用户节点之间的连接边的第一权重；确定目标分类中所有用户节点与非目标分类的所有用户节点之间的连接边的第二权重；根据所述第一权重及所述第二权重，确定所述目标分类的合适度。
[0170]
在一种可选的方式中，所述基于所述起始节点将所述用户关系图中的其余节点中符合预设条件的节点加入至所述目标分类之后，所述方法还包括针对除加入所述目标分类外的其余节点再次执行所述根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类，将所述中心度最高的用户节点作为所述目标分类的起始节点，并基于所述起始节点将所述用户关系图中的其余节点中符合预设条件的节点加入至所述目标分类的步骤，以得到另一个目标分类，直至所有的用户节点均加入对应的目标类别，完成对所有用户节点
的分类。
[0171]
本发明实施例通过基于用户所观看的内容，生成用户与用户之间的用户关系图；所述用户关系图以所述用户为节点，用户节点与用户节点之间以观看的共同内容为连接边；根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点；确定第一用户节点加入所述目标分类前后，所述目标分类的合适度；所述第一用户节点为与目标分类中的用户节点相连且尚未加入所述目标分类的用户节点；所述合适度根据目标分类中所有用户节点之间的连接边的权重以及目标分类中所有用户节点与非目标分类中用户节点的连接边的权重确定；根据所述合适度确定是否将所述第一用户节点加入所述目标分类；当根据所述合适度确定所述目标分类中的所有用户节点后，继续执行所述根据所述用户关系图，选择中心度最高的用户节点作为一个目标分类的起始节点，确定第一用户节点加入所述目标分类前后，所述目标分类的合适度，以及根据所述合适度确定是否将所述第一用户节点加入所述目标分类的步骤，直至所有用户节点均加入对应的目标类别，得到多个目标类别，能够有效提高用户分类的准确度。
[0172]
更加地，本发明实施例通过根据第一风险识别模型识别用户行为是否存在异常；当所述用户行为异常时，统计行为异常的用户所属目标类别，其中，所述的目标类别是根据上述的用户分类方法得到的。当所属目标类别对应的行为异常的用户数量超过第一预设阈值时，采用第二风险识别模型识别用户行为，通过这样的设置，可以通过用户的类别集合以及异常识别模型动态感知风险行为，感知可能会规模出现的风险行为，并根据风险行为以及风险等级选取对应的风控策略，有效的拦截异常行为，并减少正常用户误拦截。
[0173]
本发明实施例提供一种用户分类装置，用于执行上述用户分类方法。
[0174]
本发明实施例提供一种用户风险行为识别装置，用于执行上述用户风险行为识别。
[0175]
本发明实施例提供了一种计算机程序，所述计算机程序可被处理器调用使计算机设备执行上述任意方法实施例中的用户分类方法或所述的用户风险行为识别方法。
[0176]
本发明实施例提供了一种计算机程序产品，计算机程序产品包括存储在计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令在计算机上运行时，使得所述计算机执行上述任意方法实施例中的用户分类方法或所述的用户风险行为识别方法。
[0177]
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的最佳实施方式。
[0178]
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。
[0179]
类似地，应当理解，为了精简本发明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
求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
[0180]
本领域技术人员可以理解，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。
[0181]
应该注意的是上述实施例对本发明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。