[发明专利]深度神经网络模型的训练方法、人机交互识别方法、装置、电子设备及存储介质

说明书

本发明实施例提供了一种深度神经网络模型的训练方法、人机交互识别方法、装置、电子设备及存储介质，其中，该识别方法包括：基于所获取的待识别用户进行验证码操作的原始轨迹数据，生成待识别用户的频域特征数据；基于该频域特征数据，生成待识别用户的特征向量；将该特征向量，输入深度神经网络模型，得到表示待识别用户的属性的识别结果。采用本申请实施例的技术方案，可以将基于待识别用户的频域特征数据生成的特征向量输入深度神经网络模型，得到表示待识别用户的属性的识别结果，采用本发明实施例的技术方案，提高了人机交互识别结果的准确性，并且无需用户进行更复杂的操作，有利于提升用户体验。

技术领域

本发明涉及计算机技术领域，特别是涉及一种深度神经网络模型的训练方法、人机交互识别方法、装置、电子设备及存储介质。

背景技术

目前，在实际应用中经常需要防止他人使用机刷方法来执行预设操作，例如：在投票、拉新促活激励、内容上传等场景中，通过使用滑动或选字等验证码，来识别进行验证码操作的用户是否为正常用户，以便减少刷票、薅羊毛、批量上传低质内容等恶意行为。

随着OCR(光学字符识别，Optical Character Recognition)、爬虫、深度学习等技术的发展，利用这些技术几乎可以攻破验证码技术；目前，主要是通过设置复杂的验证码来提高识别的准确性。

但是，由于设置了复杂的验证码，需要用户进行更复杂的操作，降低了识别效率。

发明内容

本发明实施例的目的在于提供一种深度神经网络模型的训练方法、人机交互识别方法、装置、电子设备及存储介质，以在不需要用户进行更复杂的操作的前提下，提高人机交互识别结果的准确性，以及提高识别效率。具体技术方案如下：

在本发明实施的第一方面，首先提供了一种深度神经网络模型的训练方法，包括：

获取多个样本用户进行验证码操作的原始轨迹数据，所述多个样本用户包括正常用户；

基于每个样本用户的所述原始轨迹数据，生成每个所述样本用户的频域特征数据；

基于每个所述样本用户的频域特征数据，生成每个所述样本用户的特征向量，作为每个所述样本用户对应的训练样本；

基于每个样本用户对应的训练样本对初始深度神经网络模型进行训练，得到所述深度神经网络模型，所述深度神经网络模型用于识别待识别用户是否为正常用户。

进一步的，所述多个样本用户还包括非正常用户。

在本发明实施的第二方面，还提供了一种人机交互识别方法，包括：

基于所获取的待识别用户进行验证码操作的原始轨迹数据，生成所述待识别用户的频域特征数据；

基于所述频域特征数据，生成所述待识别用户的特征向量；

将所述特征向量，输入深度神经网络模型，得到表示所述待识别用户的属性的识别结果，所述待识别用户的属性表示所述待识别用户是否为正常用户；其中，所述深度神经网络模型为利用上述任一所述的深度神经网络模型的训练方法生成的。

进一步的，所述基于所获取的待识别用户进行验证码操作的原始轨迹数据，生成所述待识别用户在的频域特征数据，包括：

基于所获取的待识别用户进行验证码操作的原始轨迹数据，构建所述待识别用户的X坐标序列和Y坐标序列，所述X坐标序列包括所述原始轨迹数据中在各预设时刻处的X坐标值，所述Y坐标序列包括所述原始轨迹数据中在各所述预设时刻处的Y坐标值，其中，相邻的预设时刻之间的时间间隔相等；

分别对所述X坐标序列和所述Y坐标序列进行离散傅立叶变换，得到所述待识别用户的X坐标频域序列和Y坐标频域序列，作为所述待识别用户的频域特征数据。