网络安全中人工智能产值将突破千亿美元
|
新华网北京12月16日电 2020年以来，受疫情影响，线下门店交易大幅收缩，以互联网电商平台为主的线上新型消费迅速补位，呈现多个新趋势。日前，天眼查发布2020互联网电商报告显示，从直播带货、网络下单到送货上门、社区团购，成为了消费市场上的一抹亮色，互联网消费，正成为人们日益消费的新方式。 电商企业较多集中在沿海地区 电商的主要特征及优势就在于线上交易、线下配送，因此，从疫情防控物资到日常生活消费品，网购既可以满足居民生活的需要，也能减轻疫情期间人员聚集带来的风险。作为我国居民消费的重要方式之一，电商对于在疫情期间保持经济社会平稳健康发展具有化危为机的重要意义，可以有力促进消费回补和释放新兴消费潜力。 数据显示，目前，我国共有超378万家电商相关企业。 从地域分布来看，广东省的电商相关企业数量最多，约74万家，占全国的19.66%。另外发现，电商相关企业较多集中在沿海地区，如福建、浙江、上海、山东、江苏等。其中，较为知名的城市有浙江义乌、江苏昆山、福建石狮等。 另外，我国电商相关企业呈“倒V式”增长趋势，从2013年起开始迅猛发展，至2015年增速达到高峰，为72.47%，2016年来增速有所放缓，但依旧保持在40%左右。
值得注意的是，数据显示，我国今年前10月已新增超过133万家电商相关企业，同比去年增长79.22%。 4)三者效果对比
识别个人高级作弊(面) 在我们识别上述作弊后，接着作弊者又升级高级的人工作弊，模拟人的点击，尽可能的各种特征上不集中，但是毕竟作弊者要达到收益的话，需要有一定的作弊量，而他们不知道正常点击的真实分布，自然的会在一些维度上出现异常，故我们反作弊算法升级到无监督相对熵模型，再后面有样本了升级到有监督的GBDT和Wide&Deep，均是从多个维度和特征上识别作弊。我们称之为面上反作弊。 1)相对熵
下图是正常点击和疑似作弊点击的访问时长的分布。在我们没有其中的作弊点击标签时，我们使用相对熵识别作弊点击。 BERT[12]网络结构如上图所示，Bert的内部结构是多个transformer 的encoder，从上图可以看出Bert是双向结构的，transformer 的encoder如下图所示。encoder包含一个Multi-Head Attention层和一个前馈神经网络，self-attention能帮助当前节点既关注当前的词又能获取到上下文的语义，Multi-Head Attention扩展了模型集中于不同位置的能力。
我们选择BERT-Base，Uncased模型。在做文本分类项目时，只需要修改run_classifier.py文件的数据预处理类。 2)BiLSTM+Attention
我们也尝试了BiLSTM+Attention[10]，即双向LSTM挖掘行为序列上下文关联信息。LSTM依据之前时刻的时序信息来预测下一时刻的输出，但在有些问题中，当前时刻的输出不仅和之前的状态有关，还可能和未来的状态有关系。Bi-LSTM可以看成是两层神经网络，第一层从左边作为系列的起始输入，在文本处理上可以理解成从句子的开头开始输入，而第二层则是从右边作为系列的起始输入，在文本处理上可以理解成从句子的最后一个词语作为输入，反向做与第一层一样的处理处理。最后对得到的两个结果进行处理。在我们的场景中即理解为正常点击的用户行为序列和作弊点击的用户行为序列从左往右和从右往左都有较大的区分性。LSTM虽然能获取历史信息，但是不能突然重要信息，为了更好的筛选历史信息中的重要信息，增加了Attention。 （编辑：烟台站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
