[发明专利]互联网广告异常点击检测方法、装置、设备及可读存储介质

权利要求书

1.一种互联网广告异常点击检测方法，其特征在于，包括：

从多条日志数据中分别筛选出广告点击量大于一预设的第一阈值的多个样本数据，所述样本数据为基于不同维度聚合后的点击量数据；

根据所述多个样本数据，基于配置化文件，分别确定相应维度的各统计特征的特征值；

建立所述各统计特征的特征值的第一高斯分布，并获得各第一高斯分布的第一均值和第一标准差；

根据所述各统计特征的特征值的第一高斯分布的第一均值和第一标准差，分别判断所述多个样本数据是否异常；

根据各样本数据相应维度的各统计特征的特征值及各统计特征的特征值的第二高斯分布，分别对各条日志数据进行离线标注，获得各条日志数据的标注结果，以确定各条日志中的离线点击是否异常；

对各条日志数据中的所述离线点击的基础特征与所述标注结果之间的关系进行学习，获得训练生成模型；以及

根据所述训练生成模型，对实时点击是否为异常点击进行实时判断；

其中，所述配置化文件包括用于确定所述各统计特征的特征值的计算算子。

2.根据权利要求1所述的方法，其特征在于，根据所述各统计特征的特征值的第一高斯分布的第一均值和第一标准差，分别判断所述多个样本数据是否异常包括：

针对各统计特征i，去除所述多个样本数据中其统计特征i的特征值小于u(i)-2*σ(i)或者大于u(i)+2*σ(i)的样本数据，其中u(i)为统计特征i的特征值的第一高斯分布的第一均值，σ(i)为统计特征i的特征值的第一高斯分布的第一标准差；

根据剩余的所述样本数据，分别重新建立相应维度的各统计特征i的特征值的第二高斯分布，并重新获得各第二高斯分布的第二均值u2(i)和第二标准差σ2(i)；

确定各统计特征i的特征值的第二高斯分布中的第一分位点概率密度Cp(i)、第二分位点概率密度Bp(i)及第三分位点概率密度Ap(i)；

分别确定所有统计特征的所述第一分位点概率密度的乘积Cp、所述第二分位点概率密度的乘积Bp及所述第三分位点概率密度的乘积Ap；

分别计算各样本数据的所有统计特征的特征值的乘积Y；以及

根据Cp、Bp、Ap及各样本数据的Y，分别判断各样本数据是否异常；

其中，所述第一分位点概率密度Cp(i)小于所述第二分位点概率密度Bp(i)，且所述第二分位点概率密度Bp(i)小于第三分位点概率密度Ap(i)。

3.根据权利要求2所述的方法，其特征在于，根据Cp、Bp、Ap及Y，分别判断各样本数据是否异常包括：

当所述样本数据的Y小于Cp时，确定该样本数据为极端异常；

当所述样本数据的Y小于Bp时，确定该样本数据为严重异常；

当所述样本数据的Y小于Ap时，确定该样本数据为一般异常。

4.根据权利要求1所述的方法，其特征在于，根据各样本数据相应维度的各统计特征的特征值及各统计特征的特征值的第二高斯分布，分别对各条日志数据进行离线标注，获得各条日志数据的标注结果，以确定各条日志中的离线点击是否异常包括：

分别对各条日志数据执行如下操作：

确定各统计特征的特征值；

根据各统计特征的特征值及其第二高斯分布的第二均值u2(i)及第二标准差σ2(i)，确定各统计特征的异常度分数为：

确定该条日志数据的总异常度为各统计特征的异常度分数的加和；以及

当所述总异常度大于一预设的第二阈值时，判断所述离线点击为异常点击；当所述总异常度小于所述第二阈值时，判断所述离线点击为正常点击；

其中，score(i)为统计特征i的所述异常度分数，fVal(i)为统计特征i的所述特征值。

5.根据权利要求4所述的方法，其特征在于，根据所述训练生成模型，对实时点击是否为异常点击进行实时判断包括：

解析所述实时点击的基础特征；

根据所述实时点击的基础特征与所述训练生成模型，确定一预估值，所述预估值的区间为[0,1]；以及

当所述预估值大于一预设的第三阈值时，判断所述实时点击为异常点击；当所述预估值小于或等于所述第三阈值时，判断所述实时点击为正常点击。