CN111539617B - 数据处理方法和装置、电子设备、交互系统和存储介质 - Google Patents

Abstract

本公开实施例提供一种数据处理方法和装置、电子设备、交互系统、终端设备和存储介质，包括：采集针对目标事件的多个用户的目标行为信息，目标行为信息包括目标行为事件和目标行为数据，根据目标行为信息、预设的生存模型和预设的多个用户的画像，确定目标事件的风险等级，生成并显示与风险等级对应的提示信息，通过采集目标行为信息和画像，并将采集到的信息(即目标行为信息和画像)与生存模型相结合确定风险等级，由于增加了确定风险等级的维度，因此，可以提高风险等级的可靠性，从而实现提高用户的信息的安全性。

Description

数据处理方法和装置、电子设备、交互系统和存储介质

技术领域

本公开实施例涉及通信技术，尤其涉及一种数据处理方法和装置、电子设备、交互系统、终端设备和存储介质。

背景技术

随着互联网技术的发展，网络信息涉及的领域越来越多，且网络信息的增长速度也越来越快，而怎样对网络信息进行区分，以便提醒用户成了亟待解决的问题。

在现有技术中，对网络信息进行区分的方法主要包括关键词法和用户法，其中，关键词法是对包括某些词的网络信息进行区分；用户法是对用户进行分类，并根据用户的类型对网络信息进行区分。

然而，发明人在实现本公开的过程中，发现至少存在以下问题：通过关键词法或者用户法对网络信息进行区分，用以区分的维度较少，导致无法对网络信息进行区分的准确性偏低。

发明内容

一方面，本发明提供一种数据处理方法，包括：采集针对目标事件的多个用户的目标行为信息，所述目标行为信息包括目标行为事件和目标行为数据；

根据所述目标行为信息、预设的生存模型和预设的所述多个用户的画像，确定所述目标事件的风险等级；

生成并显示与所述风险等级对应的提示信息。

在一些实施例中，所述根据所述目标行为信息、预设的生存模型和预设的所述多个用户的画像，确定所述目标事件的风险等级包括：

根据所述生存模型和所述画像，计算所述目标行为事件对应的风险信息；

根据所述风险信息和所述目标行为数据确定所述风险等级。

在一些实施例中，所述根据所述生存模型和所述画像，计算所述目标行为事件对应的风险信息包括：

根据所述生存模型确定所述目标行为事件的第一风险系数；

根据所述画像确定所述目标行为事件的第二风险系数；

采用所述第二风险系数对所述第一风险系数进行修正，得到所述风险信息。

在一些实施例中，在所述所述根据所述目标行为信息、预设的生存模型和预设的所述多个用户的画像，确定所述目标事件的风险等级之前，所述方法还包括：

采集所述多个用户针对任意事件的历史行为信息；

根据所述历史行为信息和预设神经网络模型训练生成所述生存模型。

在一些实施例中，在所述所述根据所述目标行为信息、预设的生存模型和预设的所述多个用户的画像，确定所述目标事件的风险等级之前，所述方法还包括：

采集与所述多个用户对应的属性信息，所述属性信息包括类型信息、关注相关信息、认证信息和信用信息；

根据所述属性信息确定所述画像。

在一些实施例中，所述目标行为事件包括点击事件和转发事件，所述目标行为数据包括点击事件数据和转发事件数据，所述点击事件数据包括评论次数、点赞次数、点击间隔时长，所述转发事件数据包括转发次数、转发用户数。

另一方面，本发明提供一种数据处理装置，包括：

第一采集模块，用于采集针对目标事件的多个用户的目标行为信息，所述目标行为信息包括目标行为事件和目标行为数据；

第一确定模块，用于根据所述目标行为信息、预设的生存模型和预设的所述多个用户的画像，确定所述目标事件的风险等级；

生成模块，用于生成与所述风险等级对应的提示信息；

显示模块，用于显示与所述风险等级对应的提示信息。

在一些实施例中，所述第一确定模块具体用于，根据所述生存模型和所述画像，计算所述目标行为事件对应的风险信息，根据所述风险信息和所述目标行为数据确定所述风险等级。

在一些实施例中，所述确定模块具体用于，根据所述生存模型确定所述目标行为事件的第一风险系数，根据所述画像确定所述目标行为事件的第二风险系数，采用所述第二风险系数对所述第一风险系数进行修正，得到所述风险信息。

在一些实施例中，所述装置还包括：

第二采集模块，用于采集所述多个用户针对任意事件的历史行为信息；

训练模块，用于根据所述历史行为信息和预设神经网络模型训练生成所述生存模型。

在一些实施例中，所述装置还包括：

第三采集模块，用于采集与所述多个用户对应的属性信息，所述属性信息包括类型信息、关注相关信息、认证信息和信用信息；

第二确定模块，用于根据所述属性信息确定所述画像。

在一些实施例中，所述目标行为事件包括点击事件和转发事件，所述目标行为数据包括点击事件数据和转发事件数据，所述点击事件数据包括评论次数、点赞次数、点击间隔时长，所述转发事件数据包括转发次数、转发用户数。

另一方面，本公开实施例还提供了一种电子设备，包括：存储器，处理器；

存储器；用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行如上任一实施例所述的方法。

另一方面，本公开实施例还提供了一种终端设备，所述终端设备包括如上任一实施例所述的数据处理装置；或者，如上实施例所述的电子设备。

另一方面，本公开实施例还提供了一种交互系统，所述交互系统包括服务器和终端设备，其中，

所述服务器用于，对终端设备进行监测，响应于终端设备接收到目标事件，采集针对目标事件的多个用户的目标行为信息，所述目标行为信息包括目标行为事件和目标行为数据，根据所述目标行为信息、预设的生存模型和预设的所述多个用户的画像，确定所述目标事件的风险等级，生成与所述风险等级对应的提示信息，并将所述提示信息发送至所述终端设备；

所述终端设备用于，对所述提示信息进行显示。

另一方面，本公开实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上任一实施例所述的方法。

本公开实施例提供的数据处理方法和装置、电子设备、交互系统、终端设备和存储介质，包括：采集针对目标事件的多个用户的目标行为信息，目标行为信息包括目标行为事件和目标行为数据，根据目标行为信息、预设的生存模型和预设的多个用户的画像，确定目标事件的风险等级，生成并显示与风险等级对应的提示信息，通过采集目标行为信息和画像，并将采集到的信息(即目标行为信息和画像)与生存模型相结合确定风险等级，由于增加了确定风险等级的维度，因此，可以提高风险等级的可靠性，从而实现提高用户的信息的安全性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1为本公开实施例的数据处理方法的应用场景示意图；

图2为本公开实施例的数据处理方法的流程示意图；

图3为本公开另一实施例的数据处理方法的流程示意图；

图4为本公开另一实施例的数据处理方法的流程示意图；

图5为本公开另一实施例的数据处理方法的流程示意图；

图6为本公开实施例的数据处理装置的示意图；

图7为本公开另一实施例的数据处理装置的示意图；

图8为本公开实施例的终端设备的框图。

通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

请参阅图1，图1为本公开实施例的数据处理方法的应用场景示意图。

在如图1所示的应用场景中，用户100可与终端设备进行交互，且终端设备可以为如图1中所示的计算机200、笔记本300和手机400，当然终端设备还可以包括iPad和智能手环，等等。

在如图1所示的应用场景中，本公开实施例的数据处理方法的执行主体可以为如图1中所示计算机200、笔记本300和智能手机400。

值得说明地是，上述应用场景只是用于示范性地说明本公开实施例的数据处理方法的应用场景，而不能理解为对本公开实施例的数据处理方法的应用范围的限定。

随着网络信息的增加，为了避免用户对携带病毒等的网络信息进行访问，需要对网络信息进行区分，在相关技术中，主要通过关键词法对网络信息进行区分；或者，通过用户的类型对网络信息进行区分。若对网络信息区分不准确，很可能导致用户访问携带病毒等的网络信息，造成用户的信息被盗等。

下面以具体地实施例对本公开的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本公开的实施例进行描述。

根据本公开实施例的一个方面，本公开实施例提供了一种数据处理方法。

请参阅图2，图2为本公开实施例的数据处理方法的流程示意图。

如图2所示，该方法包括：

S101：采集针对目标事件的多个用户的目标行为信息，目标行为信息包括目标行为事件和目标行为数据。

其中，本公开实施例的数据处理方法的执行主体可以数据处理装置，且数据处理装置具体可以为终端设备，如，当本公开实施例的数据处理方法应用于如图1所示的应用场景中，本公开实施例的数据处理方法的执行主体可以为如图1中所示的计算机、笔记本和手机；数据处理装置还可以为服务器，包括云端服务器和本地服务器。

值得说明地是，执行主体只是用于示范性地说明，而不能理解为对本公开实施例的数据处理方法的执行主体的限定。

其中，网络信息用于表征针对某事件，经由网络途径滋生的信息，如购物应用推送的购物相关信息，又如资讯应用推送的资讯相关信息，等等。在本公开实施例中，以目标事件为例，对目标事件的风险进行确定，并提醒用户进行详细阐述。

其中，目标行为信息用于表征针对目标事件的行为信息，且目标行为信息可以从两个方面进行描述，一个方面为目标行为事件，另一个方面为目标行为数据。

在一些实施例中，目标行为事件包括点击事件和转发事件，目标行为数据包括点击事件数据和转发事件数据，点击事件数据包括评论次数、点赞次数和点击间隔时长，转发事件数据包括转发次数和转发用户数。

结合图1所示应用场景中的用户与手机交互，对该步骤进行阐述如下：

用户通过手机玩游戏时，手机接收到游戏后台应用中心向手机发送的一条推送信息，推送信息的内容为“XX推出了一款新游戏，点击进入了解详情”。

手机采集其他用户针对该推送消息而发的生点击事件和转发事件，并采集评论次数、点赞次数、点击间隔时长、转发次数和转发用户数。当然，手机还可以采集或确定其他相关信息，如手机还可以基于采集到的数据确定转发中位数和转发次数偏度，等等。

S102：根据目标行为信息、预设的生存模型和预设的多个用户的画像，确定目标事件的风险等级。

其中，生存模型可以为COX回归模型，可以基于事件的历史行为信息进行训练生成。

其中，画像用于表征用户的特征相关信息，不同的用户的画像不同。

在本公开实施例中，充分考虑目标行为信息和画像，并与生存模型相结合，对目标事件的风险等级进行确定，一方面，由于风险等级确定过程中，考虑的维度相对较多，因此，可以提高风险等级的准确性；另一方面，再此基础上还结合生存模型，以便由生存模型进行适应性地归一化处理，从而进一步提高确定出的风险等级的准确性，进而实现较为精确地向用户发出提示信息，确保用户的相关信息的安全。

S103：生成并显示与风险等级对应的提示信息。

该步骤可以具体包括：生成与风险等级对应的提示信息，对提示信息进行显示。

基于上述示例，手机在对接收到的推送信息进行显示的同时，显示与该推送信息对应的提示信息。

在一些实施例中，该步骤可以具体包括：判断风险等级与预设的等级阈值的大小，若风险等级大于或等于等级阈值，则生成并显示提示信息。

其中，等级阈值可以基于需求、经验或者试验进行确定。

其中，在对提示信息进行显示的同时，还可以对提示信息进行语音播报，以便更进一步地提醒用户。

基于上述分析可知，本公开实施例提供了一种数据处理方法，该方法包括：采集针对目标事件的多个用户的目标行为信息，目标行为信息包括目标行为事件和目标行为数据，根据目标行为信息、预设的生存模型和预设的多个用户的画像，确定目标事件的风险等级，生成并显示与风险等级对应的提示信息，通过采集目标行为信息和画像，并将采集到的信息(即目标行为信息和画像)与生存模型相结合确定风险等级，由于增加了确定风险等级的维度，因此，可以提高风险等级的可靠性，从而实现提高用户的信息的安全性。

请参阅图3，图3为本公开另一实施例的数据处理方法的流程示意图。

如图3所示，该方法包括：

S201：采集针对目标事件的多个用户的目标行为信息，目标行为信息包括目标行为事件和目标行为数据。

其中，关于S201的描述可参见S101，此处不再赘述。

S202：根据生存模型和画像，计算目标行为事件对应的风险信息。

在一些实施例中，该步骤可以具体包括：

S2021：根据生存模型确定目标行为事件的第一风险系数。

在该步骤中，可以将目标行为事件对应的数据(如目标行为数据)输入至生存模型，输出得到第一风险系数。

S2022：根据画像确定目标行为事件的第二风险系数。

基于上述示例可知，画像用户表征用户的特征。因此，在该步骤中，相当于可以根据用户的特征确定点击事件和/或转发事件可能存在的风险，从而确定第二风险系数。

S2023：采用第二风险系数对第一风险系数进行修正，得到风险信息。

在一些实施例中，可以通过加权求平均的方式实现修正，当然，可以通过其他方式进行修正。

S203：根据风险信息和目标行为数据确定风险等级。

基于上述示例，若评论次数、点赞次数、点击间隔时长、转发次数和转发用户数，则该步骤可以具体包括：(评论次数+点赞次数+点击间隔时长)*第一风险系数+(转发次数+转发用户数)*第二风险系数＝风险信息。

当然，也可以为点击事件和转发事件设置权重系数，结合权重系数进行上述计算。

当然，在一些实施例中，各目标行为事件可以进行细分，如点击事件可以分为评论事件、点赞事件和点击间隔事件，而转发事件可以分为转发数量事件和转发用户事件。

则在本公开实施例中，还可以基于上述方法计算细分后的各目标行为事件的风险系数，并基于各风险系数和各目标行为事件的数据进行计算，得到风险信息，例如：

评论次数*评论对应的风险系数+点赞次数*点赞对应的风险系数+点击间隔时长*点击间隔对应的风险系数+转发次数*转发对应的风险系数+转发用户数*转发用户对应的风险系数＝风险信息。

在一些实施例中，可以预先设置风险信息与风险等级的映射表，以便通过映射表确定风险信息对应的风险等级。

S204：生成并显示与风险等级对应的提示信息。

其中，关于S204的描述可参见S104，此处不再赘述。

请参阅图4，图4为本公开另一实施例的数据处理方法的流程示意图。

如图4所示，该方法包括：

S301：采集多个用户针对任意事件的历史行为信息。

其中，任一事件包括目标事件。

其中，历史行为信息包括历史行为事件和历史行为数据，具体关于历史行为事件和历史行为数据的描述，可参见上述示例中关于目标行为事件和目标行为数据的描述，此处不再赘述。

S302：根据历史行为信息和预设神经网络模型训练生成生存模型。

其中，神经网络模型可以采用现有技术中的模型，如多层感知器网络模型、自组织神经网络模型和动态递归网络模型，等等。

S303：采集针对目标事件的多个用户的目标行为信息，目标行为信息包括目标行为事件和目标行为数据。

其中，关于S303的描述可参见S101，此处不再赘述。

值得说明地是，S301至S302，与S303之间并没有顺序上的限制，本实施例只是用于示范性地说明。

也就是说，可以如本公开实施例中，优先执行S301至S302，再执行S303；也可以优先执行S303，再执行S301至S302；还可以在执行S301至S302的时，执行S303。

S304：根据目标行为信息、预设的生存模型和预设的多个用户的画像，确定目标事件的风险等级。

其中，关于S304的描述可参见S102，此处不再赘述。

S305：生成并显示与风险等级对应的提示信息。

其中，关于S305的描述可参见S103，此处不再赘述。

请参阅图5，图5为本公开另一实施例的数据处理方法的流程示意图。

如图5所示，该方法包括：

S401：采集与多个用户对应的属性信息，属性信息包括类型信息、关注相关信息、认证信息和信用信息。

其中，类型信息用于表征用户的所属类型，可以包括个人用户和集体用户。

关注相关信息可以从用户关注的信息进行理解；还可以从关注用户的信息进行理解，如用户的粉丝等。

认证信息用于表征用户注册时用于证明其真实身份的相关信息，如手机号码和身份证号码等。

信用信息用于表征用户是否有存在违约等行为的信息。

S402：根据属性信息确定画像。

S403：采集针对目标事件的多个用户的目标行为信息，目标行为信息包括目标行为事件和目标行为数据。

其中，关于S403的描述可参见S101，此处不再赘述。

值得说明地是，S401至S402，与S403之间并没有顺序上的限制，本实施例只是用于示范性地说明。

也就是说，可以如本公开实施例中，优先执行S401至S402，再执行S403；也可以优先执行S403，再执行S401至S402；还可以在执行S401至S402的时，执行S403。

S404：根据目标行为信息、预设的生存模型和预设的多个用户的画像，确定目标事件的风险等级。

其中，关于S404的描述可参见S102，此处不再赘述。

S405：生成并显示与风险等级对应的提示信息。

其中，关于S405的描述可参见S103，此处不再赘述。

根据本公开实施例的另一个方面，本公开实施例还提供了一种数据处理装置。

请参阅图6，图6为本公开实施例的数据处理装置的示意图。

如图6所示，该装置包括：

第一采集模块11，用于采集针对目标事件的多个用户的目标行为信息，所述目标行为信息包括目标行为事件和目标行为数据；

第一确定模块12，用于根据所述目标行为信息、预设的生存模型和预设的所述多个用户的画像，确定所述目标事件的风险等级；

生成模块13，用于生成与所述风险等级对应的提示信息；

显示模块14，用于显示与所述风险等级对应的提示信息。

在一些实施例中，所述第一确定模块12具体用于，根据所述生存模型和所述画像，计算所述目标行为事件对应的风险信息，根据所述风险信息和所述目标行为数据确定所述风险等级。

在一些实施例中，所述确定模块12具体用于，根据所述生存模型确定所述目标行为事件的第一风险系数，根据所述画像确定所述目标行为事件的第二风险系数，采用所述第二风险系数对所述第一风险系数进行修正，得到所述风险信息。

结合图7可知，在一些实施例中，所述装置还包括：

第二采集模块15，用于采集所述多个用户针对任意事件的历史行为信息；

训练模块16，用于根据所述历史行为信息和预设神经网络模型训练生成所述生存模型。

结合图7可知，在一些实施例中，所述装置还包括：

第三采集模块17，用于采集与所述多个用户对应的属性信息，所述属性信息包括类型信息、关注相关信息、认证信息和信用信息；

第二确定模块18，用于根据所述属性信息确定所述画像。

在一些实施例中，所述目标行为事件包括点击事件和转发事件，所述目标行为数据包括点击事件数据和转发事件数据，所述点击事件数据包括评论次数、点赞次数、点击间隔时长，所述转发事件数据包括转发次数、转发用户数。

根据本公开实施例的另一方面，本公开实施例还提供了一种电子设备，包括：存储器，处理器；

存储器；用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行如上任一实施例所述的方法。

根据本公开实施例的另一方面，本公开实施例还提供了一种终端设备，所述终端设备包括如上任一实施例所述的数据处理装置；或者，如上实施例所述的电子设备。

请参阅图8，图8为本公开实施例的终端设备的框图。

其中，该终端设备可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

终端设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)接口812，传感器组件814，以及通信组件816。

处理组件802通常控制终端设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在终端设备800的操作。这些数据的示例包括用于在终端设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为终端设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为终端设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在终端设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当终端设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当终端设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为终端设备800提供各个方面的状态评估。例如，传感器组件814可以检测到终端设备800的打开/关闭状态，组件的相对定位，例如所述组件为终端设备800的显示器和小键盘，传感器组件814还可以检测终端设备800或终端设备800一个组件的位置改变，用户与终端设备800接触的存在或不存在，终端设备800方位或加速/减速和终端设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于终端设备800和其他设备之间有线或无线方式的通信。终端设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，终端设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由终端设备800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当该存储介质中的指令由终端设备的处理器执行时，使得终端设备能够执行上述终端设备的分屏处理方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。

Claims (12)

1.一种数据处理方法，其特征在于，所述方法包括：

采集针对目标事件的多个用户的目标行为信息，所述目标行为信息包括目标行为事件和目标行为数据；

根据所述目标行为信息、预设的生存模型和预设的所述多个用户的画像，确定所述目标事件的风险等级；

生成并显示与所述风险等级对应的提示信息；

所述根据所述目标行为信息、预设的生存模型和预设的所述多个用户的画像，确定所述目标事件的风险等级包括：

根据所述生存模型和所述画像，计算所述目标行为事件对应的风险信息；

根据所述风险信息和所述目标行为数据确定所述风险等级；

所述根据所述生存模型和所述画像，计算所述目标行为事件对应的风险信息包括：

根据所述生存模型确定所述目标行为事件的第一风险系数；

根据所述画像确定所述目标行为事件的第二风险系数；

采用所述第二风险系数对所述第一风险系数通过加权求平均的方式进行修正，得到所述风险信息。

2.根据权利要求1所述的方法，其特征在于，在所述根据所述目标行为信息、预设的生存模型和预设的所述多个用户的画像，确定所述目标事件的风险等级之前，所述方法还包括：

采集所述多个用户针对任意事件的历史行为信息；

根据所述历史行为信息和预设神经网络模型训练生成所述生存模型。

3.根据权利要求1所述的方法，其特征在于，在所述根据所述目标行为信息、预设的生存模型和预设的所述多个用户的画像，确定所述目标事件的风险等级之前，所述方法还包括：

采集与所述多个用户对应的属性信息，所述属性信息包括类型信息、关注相关信息、认证信息和信用信息；

根据所述属性信息确定所述画像。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述目标行为事件包括点击事件和转发事件，所述目标行为数据包括点击事件数据和转发事件数据，所述点击事件数据包括评论次数、点赞次数、点击间隔时长，所述转发事件数据包括转发次数、转发用户数。

5.一种数据处理装置，其特征在于，所述装置包括：

第一采集模块，用于采集针对目标事件的多个用户的目标行为信息，所述目标行为信息包括目标行为事件和目标行为数据；

第一确定模块，用于根据所述目标行为信息、预设的生存模型和预设的所述多个用户的画像，确定所述目标事件的风险等级；

生成模块，用于生成与所述风险等级对应的提示信息；

显示模块，用于显示与所述风险等级对应的提示信息；

所述第一确定模块具体用于，根据所述生存模型和所述画像，计算所述目标行为事件对应的风险信息，根据所述风险信息和所述目标行为数据确定所述风险等级；

所述确定模块具体用于，根据所述生存模型确定所述目标行为事件的第一风险系数，根据所述画像确定所述目标行为事件的第二风险系数，采用所述第二风险系数对所述第一风险系数通过加权求平均的方式进行修正，得到所述风险信息。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

第二采集模块，用于采集所述多个用户针对任意事件的历史行为信息；

训练模块，用于根据所述历史行为信息和预设神经网络模型训练生成所述生存模型。

7.根据权利要求5所述的装置，其特征在于，所述装置还包括：

第三采集模块，用于采集与所述多个用户对应的属性信息，所述属性信息包括类型信息、关注相关信息、认证信息和信用信息；

第二确定模块，用于根据所述属性信息确定所述画像。

8.根据权利要求6至7中任一项所述的装置，其特征在于，所述目标行为事件包括点击事件和转发事件，所述目标行为数据包括点击事件数据和转发事件数据，所述点击事件数据包括评论次数、点赞次数、点击间隔时长，所述转发事件数据包括转发次数、转发用户数。

9.一种电子设备，其特征在于，包括：存储器，处理器；

存储器；用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行如权利要求1至4中任一项所述的方法。

10.一种终端设备，其特征在于，所述终端设备包括如权利要求5至8中任一项所述的数据处理装置；或者，如权利要求9所述的电子设备。

11.一种交互系统，其特征在于，所述交互系统包括服务器和终端设备，其中，

所述服务器用于，对终端设备进行监测，响应于终端设备接收到目标事件，采集针对目标事件的多个用户的目标行为信息，所述目标行为信息包括目标行为事件和目标行为数据，根据所述目标行为信息、预设的生存模型和预设的所述多个用户的画像，确定所述目标事件的风险等级，生成与所述风险等级对应的提示信息，并将所述提示信息发送至所述终端设备；

所述终端设备用于，对所述提示信息进行显示。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至4任一项所述的方法。

Images