本發(fā)明屬于計(jì)算機(jī)互聯(lián)網(wǎng)，涉及一種基于深度學(xué)習(xí)的廣告聯(lián)盟作弊行為智能識別系統(tǒng)。

背景技術(shù)：

1、廣告聯(lián)盟是一種通過集中廣告主和發(fā)布者資源，優(yōu)化廣告投放和管理的在線廣告模式。在這種模式下，廣告主支付廣告費(fèi)用，而發(fā)布者通過展示或點(diǎn)擊廣告獲取收益。然而，隨著在線廣告市場的快速增長，廣告作弊行為也日益猖獗。常見的廣告作弊行為包括點(diǎn)擊作弊、展示作弊和安裝作弊等，這些行為不僅浪費(fèi)了廣告主的資金，還損害了整個(gè)廣告生態(tài)系統(tǒng)的健康發(fā)展。

2、傳統(tǒng)的廣告作弊檢測方法通常依賴于規(guī)則引擎和統(tǒng)計(jì)分析。這些方法雖然在一定程度上能夠識別常見的欺詐行為，但面對不斷變化的欺詐手段和大量的數(shù)據(jù)時(shí)，往往顯得力不從心。規(guī)則引擎需要人工不斷更新和維護(hù)，而統(tǒng)計(jì)分析則可能難以捕捉到復(fù)雜的欺詐模式。深度學(xué)習(xí)作為人工智能的一個(gè)重要分支，具有強(qiáng)大的數(shù)據(jù)處理和模式識別能力。通過訓(xùn)練深度學(xué)習(xí)模型，可以從大量復(fù)雜的數(shù)據(jù)中自動提取特征，并識別出潛在的廣告作弊行為。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種基于深度學(xué)習(xí)的廣告聯(lián)盟作弊行為智能識別系統(tǒng)，旨在利用收集歷史時(shí)期豐富的用戶信息(行為信息、設(shè)備信息和地理信息)，及其對應(yīng)的作弊行為數(shù)據(jù)，通過深度學(xué)習(xí)用戶信息與其作弊行為之間的復(fù)雜關(guān)系實(shí)現(xiàn)智能識別廣告作弊行為，解決現(xiàn)有技術(shù)準(zhǔn)確性和效率低下的問題。

2、本發(fā)明的目的可以通過以下技術(shù)方案實(shí)現(xiàn)：

3、本申請?zhí)峁┝艘环N基于深度學(xué)習(xí)的廣告聯(lián)盟作弊行為智能識別系統(tǒng)，包括數(shù)據(jù)監(jiān)測模塊、作弊分析模塊和統(tǒng)計(jì)應(yīng)用模塊，所述數(shù)據(jù)監(jiān)測模塊、作弊分析模塊和統(tǒng)計(jì)應(yīng)用模塊通信連接，其中：

4、所述數(shù)據(jù)監(jiān)測模塊，用于實(shí)時(shí)監(jiān)測進(jìn)入廣告的用戶信息，所述用戶信息，包括行為信息、設(shè)備信息和地理信息；

5、所述作弊分析模塊，用于將實(shí)時(shí)監(jiān)測的用戶信息輸入預(yù)設(shè)的作弊分析單元中，輸出預(yù)測的作弊行為；所述作弊行為包括點(diǎn)擊作弊、展示作弊、安裝作弊和無作弊行為；所述作弊分析單元，包括以下構(gòu)建步驟：

6、s1、收集歷史時(shí)期監(jiān)測的用戶信息及其對應(yīng)的作弊行為；

7、s2、利用冗余分析模型識別用戶信息與作弊行為之間的相關(guān)性；

8、s3、構(gòu)建具有相關(guān)性的用戶信息與作弊行為之間的隨機(jī)森林模型；

9、所述統(tǒng)計(jì)應(yīng)用模塊，用于統(tǒng)計(jì)作弊行為不是無作弊行為的作弊用戶數(shù)量，并計(jì)算作弊用戶數(shù)量的占比。

10、進(jìn)一步地，數(shù)據(jù)監(jiān)測模塊中，所述行為信息，包括點(diǎn)擊模式、瀏覽行為和交互行為，所述點(diǎn)擊模式為用戶點(diǎn)擊廣告的頻率、時(shí)間和來源；所述設(shè)備信息，包括設(shè)備操作系統(tǒng)類型及其版本、設(shè)備型號和設(shè)備網(wǎng)絡(luò)消息，所述設(shè)備網(wǎng)絡(luò)信息包括ip地址和網(wǎng)絡(luò)類型；所述地理信息包括ip地理位置，以及用戶登錄或操作時(shí)的地理區(qū)域。

11、進(jìn)一步地，所述冗余分析模型，包括以下構(gòu)建步驟：

12、s21、以用戶信息作為解釋變量，作弊行為作為響應(yīng)變量，構(gòu)建冗余分析模型；

13、s22、利用蒙特卡羅置換檢驗(yàn)，檢查全模型和模型第一軸的顯著性，當(dāng)全模型和模型第一軸存在顯著性，模型通過檢驗(yàn)；

14、s23、根據(jù)各變量在排序軸中的得分繪制排序圖，并確定排序圖中用戶信息和作弊行為箭頭之間的夾角大小；

15、s24、當(dāng)用戶信息和作弊行為變量箭頭之間的夾角小于設(shè)定的夾角閾值時(shí)，確定二者之間存在相關(guān)性。

16、進(jìn)一步地，步驟s23中，還通過用戶信息和作弊行為在排序軸中得分的皮爾遜相關(guān)系數(shù)來輔助分析用戶信息與作弊行為變量之間的相關(guān)性，當(dāng)所述皮爾遜相關(guān)系數(shù)大于0.7時(shí)，確定二者之間存在相關(guān)性。

17、進(jìn)一步地，所述皮爾遜相關(guān)系數(shù)，計(jì)算公式為：

18、

19、式中：rij表示用戶信息變量xi與作弊行為變量xj之間的皮爾遜相關(guān)系數(shù)；xki表示xi的第k個(gè)樣本，xkj表示xj的第k個(gè)樣本，k＝1，2，…，n，其中n為樣本數(shù)。

20、進(jìn)一步地，所述隨機(jī)森林模型，包括以下構(gòu)建步驟：

21、s31、數(shù)據(jù)準(zhǔn)備：準(zhǔn)備包含解釋變量和響應(yīng)變量的數(shù)據(jù)集，所述解釋變量為用戶信息，所述響應(yīng)變量為作弊行為；

22、s32、數(shù)據(jù)集劃分：將收集的數(shù)據(jù)劃分為訓(xùn)練集和測試集，其中采用數(shù)據(jù)集中70％的數(shù)據(jù)樣本作為訓(xùn)練集，30％的數(shù)據(jù)樣本作為測試集；

23、s33、隨機(jī)抽樣：從訓(xùn)練集中隨機(jī)抽取一定數(shù)量的解釋變量和數(shù)據(jù)樣本，并有放回地構(gòu)建多個(gè)不同的訓(xùn)練集；

24、s34、構(gòu)建決策樹：對于每個(gè)隨機(jī)抽樣的訓(xùn)練集，構(gòu)建決策樹模型；

25、s35、集成決策樹：將構(gòu)建好的多個(gè)決策樹模型整合成隨機(jī)森林模型，利用投票機(jī)制做出最終的預(yù)測；

26、s36、模型評估：采用評估指標(biāo)評估隨機(jī)森林模型對測試集的預(yù)測性能，確定具有良好預(yù)測性能的最終模型。

27、進(jìn)一步地，步驟s34中，所述決策樹模型，配置為cart模型。

28、進(jìn)一步地，步驟s36中，所述評估指標(biāo)采用準(zhǔn)確率、精確率、召回率和f1值。

29、進(jìn)一步地，所述計(jì)算作弊用戶數(shù)量的占比，計(jì)算公式如下：

30、

31、式中，zr表示作弊用戶數(shù)量的占比；za表示作弊用戶數(shù)量；zsum表示監(jiān)測進(jìn)入廣告的總用戶數(shù)量。

32、進(jìn)一步地，當(dāng)所述作弊用戶數(shù)量的占比超過設(shè)定的占比閾值時(shí)，確定廣告存在作弊，并取消投放。

33、本發(fā)明的有益效果：

34、通過收集歷史時(shí)期監(jiān)測的用戶信息及其對應(yīng)的作弊行為；利用冗余分析模型識別用戶信息與作弊行為之間的相關(guān)性；構(gòu)建具有相關(guān)性的用戶信息與作弊行為之間的隨機(jī)森林模型。實(shí)時(shí)監(jiān)測進(jìn)入廣告的用戶信息，并輸入隨機(jī)森林模型中，輸出預(yù)測的作弊行為；當(dāng)作弊用戶數(shù)量的占比超過設(shè)定的占比閾值時(shí)，確定廣告存在作弊。本發(fā)明通過深度學(xué)習(xí)用戶信息與其作弊行為之間的復(fù)雜關(guān)系實(shí)現(xiàn)智能識別廣告作弊行為，解決現(xiàn)有技術(shù)準(zhǔn)確性和效率低下的問題。

技術(shù)特征：

1.一種基于深度學(xué)習(xí)的廣告聯(lián)盟作弊行為智能識別系統(tǒng)，其特征在于：包括數(shù)據(jù)監(jiān)測模塊、作弊分析模塊和統(tǒng)計(jì)應(yīng)用模塊，所述數(shù)據(jù)監(jiān)測模塊、作弊分析模塊和統(tǒng)計(jì)應(yīng)用模塊通信連接，其中：

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的廣告聯(lián)盟作弊行為智能識別系統(tǒng)，其特征在于：所述行為信息，包括點(diǎn)擊模式、瀏覽行為和交互行為，所述點(diǎn)擊模式為用戶點(diǎn)擊廣告的頻率、時(shí)間和來源；所述設(shè)備信息，包括設(shè)備操作系統(tǒng)類型及其版本、設(shè)備型號和設(shè)備網(wǎng)絡(luò)消息，所述設(shè)備網(wǎng)絡(luò)信息包括ip地址和網(wǎng)絡(luò)類型；所述地理信息包括ip地理位置，以及用戶登錄或操作時(shí)的地理區(qū)域。

3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的廣告聯(lián)盟作弊行為智能識別系統(tǒng)，其特征在于：所述冗余分析模型，包括：

4.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)的廣告聯(lián)盟作弊行為智能識別系統(tǒng)，其特征在于：所述冗余分析模型，還通過用戶信息和作弊行為在排序軸中得分的皮爾遜相關(guān)系數(shù)來輔助分析用戶信息與作弊行為變量之間的相關(guān)性，具體為當(dāng)所述皮爾遜相關(guān)系數(shù)大于0.7時(shí)，確定二者之間存在相關(guān)性。

5.根據(jù)權(quán)利要求4所述的一種基于深度學(xué)習(xí)的廣告聯(lián)盟作弊行為智能識別系統(tǒng)，其特征在于：所述皮爾遜相關(guān)系數(shù)，計(jì)算公式為：

6.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的廣告聯(lián)盟作弊行為智能識別系統(tǒng)，其特征在于：所述隨機(jī)森林模型，包括：

7.根據(jù)權(quán)利要求6所述的一種基于深度學(xué)習(xí)的廣告聯(lián)盟作弊行為智能識別系統(tǒng)，其特征在于：所述決策樹模型，配置為cart模型。

8.根據(jù)權(quán)利要求6所述的一種基于深度學(xué)習(xí)的廣告聯(lián)盟作弊行為智能識別系統(tǒng)，其特征在于：所述評估指標(biāo)采用準(zhǔn)確率、精確率、召回率和f1值。

9.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的廣告聯(lián)盟作弊行為智能識別系統(tǒng)，其特征在于：所述計(jì)算作弊用戶數(shù)量的占比，計(jì)算公式如下：

10.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的廣告聯(lián)盟作弊行為智能識別系統(tǒng)，其特征在于：當(dāng)所述作弊用戶數(shù)量的占比超過設(shè)定的占比閾值時(shí)，確定廣告存在作弊，并取消投放。

技術(shù)總結(jié)
本發(fā)明涉及一種基于深度學(xué)習(xí)的廣告聯(lián)盟作弊行為智能識別系統(tǒng)，通過收集歷史時(shí)期監(jiān)測的用戶信息及其對應(yīng)的作弊行為；利用冗余分析模型識別用戶信息與作弊行為之間的相關(guān)性；構(gòu)建具有相關(guān)性的用戶信息與作弊行為之間的隨機(jī)森林模型。實(shí)時(shí)監(jiān)測進(jìn)入廣告的用戶信息，并輸入隨機(jī)森林模型中，輸出預(yù)測的作弊行為；當(dāng)作弊用戶數(shù)量的占比超過設(shè)定的占比閾值時(shí)，確定廣告存在作弊。本發(fā)明通過深度學(xué)習(xí)用戶信息與其作弊行為之間的復(fù)雜關(guān)系實(shí)現(xiàn)智能識別廣告作弊行為，解決現(xiàn)有技術(shù)準(zhǔn)確性和效率低下的問題。

技術(shù)研發(fā)人員：宋艷鑫,呂思捷,羅玲,周宇
受保護(hù)的技術(shù)使用者：廣州揚(yáng)悅博眾信息科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/11/14