[发明专利]一种异常媒体行为的识别方法、装置、设备及存储介质

权利要求书

1.一种异常媒体行为的识别方法，其特征在于，包括：

获取待识别媒体数据，以及获取所述待识别媒体数据对应的历史媒体数据；

将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型，得到相应的特征向量距离；

将所述特征向量距离输入预设的传统机器学习模型，得到相应的识别结果，所述识别结果用于表征所述待识别媒体数据对应的行为是否为异常媒体行为；

其中，所述将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型，得到相应的特征向量距离，具体包括：

将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型，得到所述待识别媒体数据对应的第一特征向量和所述历史媒体数据对应的第二特征向量，以及得到相应的特征向量距离；

所述将所述特征向量距离输入预设的传统机器学习模型，得到相应的识别结果，具体包括：

将所述第一特征向量和第二特征向量，以及所述特征向量距离输入预设的传统机器学习模型，得到相应的评估值集和参考结果，并基于所述评估值集和参考结果，得到相应的识别结果；

其中，所述基于所述评估值集和所述参考结果，得到相应的识别结果，具体包括：

基于所述评估值集中包含的第一评估值和第二评估值，确定所述第一评估值和所述第二评估值之间的差值，其中，所述第一评估值、第二评估值分别用于表征所述待识别媒体数据和所述历史媒体数据的操作水平；

若基于所述参考结果，确定所述待识别媒体数据和所述历史媒体数据属于同一用户产生的操作序列，且所述差值满足预设的差值范围，则确定所述待识别媒体数据对应的行为不是异常媒体行为，否则，确定所述待识别媒体数据对应的行为是异常媒体行为。

2.如权利要求1所述的方法，其特征在于，获取待识别媒体数据，以及获取所述待识别媒体数据对应的历史媒体数据，具体包括：

基于预设的检测周期，定期采集当前运行的操作序列，作为相应的待识别媒体数据，并从预设的数据存储位置，获取所述待识别媒体数据对应的历史媒体数据。

3.如权利要求1所述的方法，其特征在于，将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型，得到所述待识别媒体数据对应的第一特征向量和所述历史媒体数据对应的第二特征向量，以及得到相应的特征向量距离，具体包括：

将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型，通过所述神经网络模型中的第一神经网络，对所述待识别媒体数据和所述历史媒体数据进行特征提取，得到所述待识别媒体数据对应的第一特征向量和所述历史媒体数据对应的第二特征向量，其中，所述第一特征向量和所述第二特征向量分别用于表征所述第一神经网络提取出的所述待识别媒体数据和所述历史媒体数据的操作行为特征；

将所述第一特征向量和所述第二特征向量输入所述神经网络模型中的全连接层，得到预设的固定向量长度的第一特征向量和第二特征向量，分别作为第三特征向量和第四特征向量；

采用预设的向量距离算法，得到所述第三特征向量和所述第四特征向量之间的特征向量距离。

4.如权利要求1-3中任一项所述的方法，其特征在于，将所述待识别媒体数据和所述历史媒体数据输入预设的神经网络模型之后，得到所述待识别媒体数据对应的第一特征向量和所述历史媒体数据对应的第二特征向量之前，进一步包括：

将所述待识别媒体数据和所述历史媒体数据输入所述神经网络模型中的第二神经网络，得到符合预设的频率范围的待识别媒体数据和历史媒体数据；

将符合预设的频率范围的待识别媒体数据和历史媒体数据输入所述神经网络模型中的嵌入层，得到相应的第一向量和第二向量，其中，所述第一向量和第二向量分别为所述待识别媒体数据和所述历史媒体数据的向量化表示。

5.如权利要求1-3中任一项所述的方法，其特征在于，获取待识别媒体数据之前，进一步包括：

获取进行模型训练的各个样本数据，并将所述各个样本数据进行分组，得到各组样本数据，其中，一组样本数据中包含两个样本数据；

对各组样本数据进行标注，得到由标注后的各组样本数据组成的训练样本集；

将所述训练样本集输入所述神经网络模型和所述传统机器学习模型，以训练所述神经网络模型和所述传统机器学习模型。