[发明专利]一种支持用户私有IP发现的跨屏追踪方法

权利要求书

1.一种支持用户私有IP发现的跨屏追踪方法，其特征在于：包括以下步骤：

步骤1、构建训练数据集和测试数据集；选取服务器日志中己知用户的记录集合作为训练数据集，其余记录集合作为测试数据集；

步骤2、采用半监督学习的方式，计算训练数据集和测试数据集中所有IP为用户私有IP的概率；

步骤3、生成候选集，提高跨屏追踪的处理效率；

步骤3.1、信息聚合；将训练数据集中的用户信息以及测试数据集中设备信息和Cookie信息进行聚合，记作其中id_i表示用户、设备或者Cookie，表示id_j使用了次IP_i；

步骤3.2、生成可用IP集合IP_usable对于每一个IP_i，如果IP_i的用户私有IP概率pro(IP_i)大于阈值δ，则IP_i可用于候选集生成，将其加入到可用IP集合IP_usable

步骤3.3、生成候选集can；对于测试数据集中的每一个Cookie_i，训练数据集中的用户u_j与Cookie_i的共同IP集合，记作若非空且与IP_usable的交集非空，则将(Cookie_i，u_j)作为候选对加入到候选集can，否则不加入到候选集；测试数据集中的设备dev_j与Cookie_i的共同IP集合，记作若非空且与IP_usable的交集非空，则将(Cookie_i，dev_j)作为候选对加入到候选集can，否则不加入到候选集；对于测试数据集中每一个dev_i，训练数据集的用户u_j与dev_i的共同IP集合，记作若非空且与IP_usable的交集非空，则将候选对(dev_i，u_j)加入到候选集can，否则不加入到候选集；

步骤4、计算候选集的属性相似度；针对每个候选对的属性，计算属性相似度，得到候选对的属性相似度向量；对于候选对，分别对日志中的各个属性计算词频-逆文本词频(termfrequency-inverse document frequency，即TF-IDF)的相似度以及关联度相似度，同时计算IP属性的PIPSim相似度，构成多维的相似度向量；

步骤4.1、计算候选集中候选对的IP属性的PIPSim(Similarity based on User’sPrivate IP)相似度；

对用户、设备和Cookie信息进行聚合，得到将按如下所示公式进行归一化处理：

则聚合信息进一步表示为那么id_i和id_j的PIPSim相似度即为向量的余弦相似度；

步骤4.2、计算候选集中候选对的TF-IDF相似度；

将设备或者Cookie转换为TF-IDF向量表示，对于候选对的TF-IDF相似度使用向量的余弦相似度表示；所述词频和逆文本词频的计算公式分别如公式3和公式4所示：

其中，d表示同一设备或Cookie的日志记录集合，f_t，d表示关键词t在d的所有记录中出现的频率，max{f_t′，d，t′∈d}表示词频中的最大数；N表示设备和Cookie的总数，|{d∈D：t∈d}|表示设备和Cookie的记录中出现关键词t的设备和Cookie的总数；

步骤4.3、计算候选集中候选对的关联相似度；对于候选对(id_i，id_j)的关联相似度用公式5进行计算：

其中，cooccur(id_i，id_j)为id_i和id_j所有日志记录中有相同属性值的日志数；total(id_i)为id_i的日志数；total(D)为候选集中总的日志数；

步骤5、对步骤4得到的属性相似度向量进行聚合，得到候选对的相似度；

步骤6、使用图聚类算法对设备和Cookie进行聚类，每一个类簇中的设备和Cookie属于同一用户。