CN111310167B - 一种密码提醒方法、装置以及设备 - Google Patents
一种密码提醒方法、装置以及设备 Download PDFInfo
- Publication number
- CN111310167B CN111310167B CN202010084891.9A CN202010084891A CN111310167B CN 111310167 B CN111310167 B CN 111310167B CN 202010084891 A CN202010084891 A CN 202010084891A CN 111310167 B CN111310167 B CN 111310167B
- Authority
- CN
- China
- Prior art keywords
- password
- user
- data
- information
- verification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 110
- 238000012795 verification Methods 0.000 claims abstract description 145
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012986 modification Methods 0.000 claims abstract description 28
- 230000004048 modification Effects 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 67
- 230000008569 process Effects 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 16
- 230000003068 static effect Effects 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 7
- 230000002829 reductive effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 17
- 238000003860 storage Methods 0.000 description 12
- 230000006872 improvement Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/088—Usage controlling of secret information, e.g. techniques for restricting cryptographic keys to pre-authorized uses, different access levels, validity of crypto-period, different key- or password length, or different strong and weak cryptographic algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/45—Structures or tools for the administration of authentication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0891—Revocation or update of secret information, e.g. encryption key update or rekeying
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Storage Device Security (AREA)
Abstract
本说明书实施例公开了一种密码提醒方法、装置以及设备。所述方法包括:获取待处理的数据,其中,所述待处理的数据包括密码的使用信息、和/或用户的账户价值、和/或用户使用密码的偏好信息、和/或基于密码的时间信息;将所述待处理的数据输入密码提醒模型,获得所述待处理的数据对应的密码遗忘概率,其中,所述密码提醒模型是基于有监督学习方法预先训练获得的对密码遗忘概率评分的模型;若所述密码遗忘概率大于等于预设遗忘概率值,则向用户推送密码修改提醒。采用本说明书实施例提供的密码提醒方法,通过主动提醒,加强用户对密码的记忆,降低密码遗忘概率,从而提高用户使用密码校验的用户体验。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种密码提醒方法、装置以及设备。
背景技术
随着信息和互联网的发展,电子商务的应用越来越广泛。在电子商务中,密码校验是校验与核身的重要方式之一。尽管基于指纹、人脸识别、语音等方式的生物核身技术发展迅速,采用密码校验的校验方式依然广泛应用,主要原因在于:使用习惯、使用场景、设备等因素,例如,PC端难以采集指纹、嘈杂或者人群密集环境不便于使用人脸或语音进行校验与核身。
现在的这种密码校验方式,存在遗忘密码的情形。数据显示,在电子商务中,每天由于遗忘密码导致业务失败的用户的数量有数十至百万之众。这种遗忘密码导致业务失败的情形,一方面会给用户带来不良体验,另一方面,可能会导致用户不再使用该业务。
基于此,为了减少现有密码校验中遗忘密码的情形,需要一种新的方法,以减少或降低密码遗忘。
发明内容
本说明书实施例提供一种密码提醒方法、装置以及设备,用于解决以下技术问题:在使用密码校验过程中,存在遗忘密码的情形,进而导致业务失败,给用户带来不良体验,甚至导致用户不再使用该用户。
为解决上述技术问题,本说明书实施例是这样实现的:
本说明书实施例提供的一种密码提醒方法,包括:
获取待处理的数据,其中,所述待处理的数据包括密码的使用信息、和/或用户的账户价值、和/或用户使用密码的偏好信息、和/或基于密码的时间信息;
将所述待处理的数据输入密码提醒模型,获得所述待处理的数据对应的密码遗忘概率,其中,所述密码提醒模型是基于有监督学习方法预先训练获得的对密码遗忘概率评分的模型;
若所述密码遗忘概率大于等于预设遗忘概率值,则向用户推送密码修改提醒。
本说明书实施例提供的一种密码提醒方法,包括:
获取待处理的数据,其中,所述待处理的数据包括当前观测值及用户的历史信息;
将所述待处理的数据输入密码校验模型,获得收益值,其中,所述密码校验提醒模型是基于增强学习方法预先训练获得的模型,所述本次观测值包括密码遗忘概率、和/或所述用户使用密码的偏好信息;
基于所述收益值,确定是否需要对所述用户进行密码校验提醒;
若需要向用户进行密码校验提醒,则向所述用户推送密码校验提醒。
本说明书实施例提供的一种密码提醒装置,包括:
获取模块,获取待处理的数据,其中,所述待处理的数据包括密码的使用信息、和/或用户的账户价值、和/或用户使用密码的偏好信息、和/或基于密码的时间信息;
评分模块,将所述待处理的数据输入密码提醒模型,获得所述待处理的数据对应的密码遗忘概率,其中,所述密码提醒模型是基于有监督学习方法预先训练获得的对密码遗忘概率评分的模型;
密码修改提醒模块,若所述密码遗忘概率大于等于预设遗忘概率值,则向用户推送密码修改提醒。
本说明书实施例提供的一种密码提醒装置,包括:
获取模块,获取待处理的数据,其中,所述待处理的数据包括当前观测值及用户的历史信息;
收益模块,将所述待处理的数据输入密码校验模型,获得收益值,其中,所述密码校验提醒模型是基于增强学习方法预先训练获得的模型,所述本次观测值包括密码遗忘概率、和/或所述用户使用密码的偏好信息;
决策模块,基于所述收益值,确定是否需要对所述用户进行密码校验提醒;
密码校验模块,若需要向用户进行密码校验提醒,则向所述用户推送密码校验提醒。
本说明书实施例提供的一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的数据,其中,所述待处理的数据包括密码的使用信息、和/或用户的账户价值、和/或用户使用密码的偏好信息、和/或基于密码的时间信息;
将所述待处理的数据输入密码提醒模型,获得所述待处理的数据对应的密码遗忘概率,其中,所述密码提醒模型是基于有监督学习方法预先训练获得的对密码遗忘概率评分的模型;
若所述密码遗忘概率大于等于预设遗忘概率值,则向用户推送密码修改提醒。
本说明书实施例提供的一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的数据,其中,所述待处理的数据包括当前观测值及用户的历史信息;
将所述待处理的数据输入密码校验模型,获得收益值,其中,所述密码校验提醒模型是基于增强学习方法预先训练获得的模型,所述本次观测值包括密码遗忘概率、和/或所述用户使用密码的偏好信息;
基于所述收益值,确定是否需要对所述用户进行密码校验提醒;
若需要向用户进行密码校验提醒,则向所述用户推送密码校验提醒。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:本说明书实施例采用密码提醒模型,获得待处理的数据对应的密码遗忘概率,若所述密码遗忘概率大于等于预设遗忘概率值,则向用户推送密码修改提醒,以进行修改密码提醒,通过主动提醒,加强用户对密码的记忆,降低密码遗忘概率,提高用户使用密码校验的用户体验。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种密码提醒方法的框架图;
图2为本说明书实施例提供的又一种数据提醒方法的示意图;
图3为本说明书实施例提供的一种密码提醒方法的框架图;
图4为本说明书实施例提供的一种数据提醒装置的示意图;
图5为本说明书实施例提供的又一种数据提醒装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
现有技术中,使用密码校验的平台或者网站,一般会设置有“找回密码”或者“修改密码”或者“重置密码”的设计,以便在用户忘记密码时,重新获得新的密码。但是这种设计属于用户发起的、被动获得新密码的行为。由于大部分用户不会意识到忘记了密码,只有在进行密码校验时才发现忘记了密码,因此,不能满足具有快捷需求场景或者即时需求场景的密码校验需求,诸如排队买电影票时发现忘记了密码,需要进行密码校验的情形。
在本说明书实施例中,密码是指包括数字字符和/或字母字符和/或特殊字符等一种或多种字符组成的密码。密码的组合和/或密码的位数并不构成对本申请的限定。
基于此,需要一种新的方法,能够在用户忘记密码前,进行密码提醒,以满足快捷需求场景或者即时需求场景的密码校验的需求。
图1为本说明书实施例提供的一种密码提醒方法的框架图,具体包括:
步骤S101:获取待处理的数据,其中,所述待处理的数据包括密码的使用信息、和/或用户的账户价值、和/或用户使用密码的偏好信息、和/或基于密码的时间信息。
在本说明书实施例中,待处理的数据为需要进行密码校验的用户的数据,用以反映用户进行密码校验的历史信息。待处理的数据是与密码校验相关的数据。在具体实施过程中,待处理的数据为密码的使用信息、和/或用户的账户价值、和/或用户使用密码的偏好信息、和/或基于密码的时间信息,还包括用户的静态信息。
在本说明书实施例中,待处理数据中,密码的使用信息基于用户在密码校验过程中,基于密码使用行为形成的指标。在具体实施过程中,用户的密码使用行为包括:使用支付密码的频度、和/或最近一次使用密码的时间、和/或最近一次遗忘密码的时间、和/或最近一次使用密码是否遗忘密码。
在本说明书实施例中,用户的账户价值包括账户绑定的卡的数量、和/或账户的交易额、和/或账户的好友数、和/或账户的使用频率。
在本说明书实施例中,待处理数据中,用户使用密码的偏好信息是指用户使用密码的个人偏好,具体可以包括用户使用密码的业务场景、和/或用户的安全感偏好、和/或用户使用密码的交易风险水平、和/或密码校验所用的设备情况。
在本说明书实施例中,用户使用密码的业务场景是指用户进行密码校验的业务场景。在具体实施过程中,用户使用密码的业务环境包括:非即时性场景或即时性场景,非即时性场景,例如:预缴水电费;即时性场景,例如:排队购买电影票。
在本说明书实施例中,用户的安全感偏好是对用户自身的刻画,比如有些人比较谨慎,习惯性的使用密码并更换,有些人比较随意,密码可能非常简单,这些信息可以通过用户历史的操作行为进行刻画。
在本说明书实施例中,用户使用密码的交易风险水平是指交易的风险水平,该风险水平一般是由相应的模型或策略来决定的,如交易地与用户常用地不一致、交易设备与用户常用设备不符、异常的高频操作等均属于高风险交易。
在本说明书实施例中,密码校验所用的设备情况是指进行密码校验时,使用的是移动端还是客户端。
在本说明书实施例中,基于密码的时间信息是指基于用户使用密码的历史操作、和/或支付活跃度、和/或支付模式。在具体实施过程中,基于密码的时间信息包括:交易的天数、和/或登录或改密或换绑的天数、和/或支付核身手段、和/或大额交易的天数。
在本说明书实施例中,待处理数据中,用户的静态信息为用户的账户基本属性,用于反映用户或者账户的基本特质,包括用户的年龄、和/或账户的开通时间、和/或账户的认证时间、和/或账户的类型。账户的类型具体包括账户是企业账户还是个人账户、和/或账户为单人使用还是多人使用。
步骤S103:将所述待处理的数据输入密码提醒模型,获得所述待处理的数据对应的密码遗忘概率,其中,所述密码提醒模型是基于有监督学习方法预先训练获得的对密码遗忘概率评分的模型。
在本说明书实施例中,密码提醒模型是对密码遗忘概率评分的模型。密码提醒模型是基于历史数据,基于有监督学习方法预先训练获得的模型。
有监督学习方法是从标签化训练数据集中推断出函数的机器学习任务。
在本说明书实施例中,在进行密码提醒模型训练时,密码提醒模型的样本标签数据包括黑样本标签数据和白样本标签数据,其中,
黑样本标签数据为历史数据中使用密码过程中,进行密码重置或密码找寻或流失的用户的数据;
白样本标签数据为历史数据中使用密码且输入密码无误的用户的数据。
在本说明书的一个实施例中,黑样本标签数据为历史数据中通过端口找寻密码,通过重置密码,进行业务处理的用户的数据,
或
历史数据中,在找寻密码过程中流失的用户的数据,
或
历史数据中,在使用密码过程中流失的用户的数据。
在具体实施过程中,历史数据中通过端口找寻密码,该端口可以为支付端口,也可以为设置端口;
黑标签数据标记为1,白标签数据标记为0。
在本说明书实施例中,历史数据的统计周期可以选择为3个月至6个月,历史数据的统计周期并不构成对本申请的具体限定。
在本说明书实施例中,密码提醒模型是基于遗忘函数和用户相关信息获得的模型,其中,遗忘函数是基于时间的函数,用户相关信息包括用户的静态信息、和/或密码的使用信息、和/或用户的账户信息、和/或用户使用密码的偏好信息和/或基于密码的时间信息。
在本说明书实施例中,遗忘函数与用户相关信息分别作为模型的输入,进行密码提醒模型的训练。其中,遗忘函数用于对时间相关数据进行再处理及加强,用于判断在特定时间长度内时间相关数据的衰退或减弱程度。
在本说明书实施例中,遗忘函数x1=f(t),其中t为时间;
x2为用户相关信息,则密码遗忘概率y=f(x1,x2),亦即密码遗忘概率是基于遗忘函数与用户相关信息获得的概率。
步骤S105:若所述密码遗忘概率大于等于预设遗忘概率值,则向用户推送密码修改提醒。
采用前述步骤提供的方法,能够获得待处理的数据对应的密码遗忘概率,进一步需要根据预设遗忘概率值,判断是否需要向用户推送密码修改提醒。
若所述密码遗忘概率低于预设遗忘概率值,则不必向用户推送密码修改提醒;若所述密码遗忘概率大于等于预设遗忘概率值,则向用户推送密码修改提醒,以提醒用户进行修改密码提醒。
在本说明书实施例中,预设遗忘概率值的选择是基于:保证用户具有良好的体验、和/或资金情况。
在本说明书的一个实施例中,预设遗忘概率值为0.8。
用户接收到推送的密码修改提醒后,可以自主决定是否需要进行密码修改,也可以为***设置为必须进行密码修改。
采用本说明书实施例提供的数据提醒方法,能够在用户登录期间,主动推送密码修改提醒,对用户进行修改密码提醒,增强用户进行密码校验的体验。
图2为本说明书实施例提供的又一种数据提醒方法的示意图,具体包括:
步骤S201:获取待处理的数据,其中,所述待处理的数据包括密码的使用信息、和/或用户的账户价值、和/或用户使用密码的偏好信息、和/或基于密码的时间信息。
步骤S203:将所述待处理的数据输入密码提醒模型,获得所述待处理的数据对应的密码遗忘概率,其中,所述密码提醒模型是基于有监督学习方法预先训练获得的对密码遗忘概率评分的模型。
步骤S205:若所述密码遗忘概率大于等于预设遗忘概率值,则向用户推送密码修改提醒。
在本说明书实施例中,推送密码修改提醒的用户属于容易遗忘密码的用户,为了加强用户对密码的记忆,从而避免遗忘密码的情形,在向用户推送密码修改提醒后,进一步需要向用户推送密码校验提醒。
步骤S207:基于当前观测值及用户的历史信息,利用密码校验模型,获得收益值,其中,所述密码校验模型是基于增强学习方法预先训练获得的模型,所述当前观测值包括所述密码遗忘概率、和/或所述用户使用密码的偏好信息。
在本说明书实施例中,当前观测值为用户在本次交易或当前交易的密码遗忘概率、和/或用户使用密码的偏好信息。
增强学习是一种机器学习方法,它使Agent能够在交互式环境中通过试验并根据自己的行动和经验反馈的错误来进行学习。
增强学习的基本思想是:以(状态,行为,奖励,下一个状态)构成的元组(st,at,rt +1,st+1)为样本进行训练,其中st为当前状态,at为当前状态下执行的action,rt+1为执行action后的奖励,st+1为下一个状态。
在本说明书实施例中,密码校验模型的获得包括:
将历史信息及所述待处理的数据及所述密码遗忘概率作为状态数据;
将是否使用密码校验作为决策变量;
计算所述状态数据及所述决策变量形成的状态转移函数对应的收益函数,当所述收益函数满足预设条件时,向所述用户推送密码校验提醒。
在本说明书的一个实施例中,状态数据具体包括:
预设历史时期内的历史信息及当前观测值,其中,
所述预设历史时期内的历史信息包括密码校验及结果序列,
所述观测值包括当前交易密码遗忘概率、和/或用户使用密码的偏好信息。
需要特别说明的是,预设历史时期可以为某一个预设的时间段,也可以为平均的密码使用的时间周期。在具体实施过程中,预设历史时期,可以以周或天为单位进行设置。预设历史时期可以为1周,或者30天,或者90天,或者180天。预设历史时期的具体时间长短并不构成对本申请的限定。
在本说明书实施例中,历史信息中的密码校验是指在每个t时刻定是否要求用户输入密码进行校验的决策,是业务端推送给用户的;而历史信息中的结果序列是用户进行密码校验的结果,即反馈的信息。密码校验及结果序列在整个时间区间上呈序列状。
在本说明书的一个实施例中,状态转移函数为密码校验结果的估计值,
St+1=pt=P(at|St,Ot)
其中,at表示是否使用密码,Ot为当前观测值,St为历史信息,pt为密码遗忘概率。
在本说明书实施例中,at属于时间相关序列,可以以天或者小时为单位,具体根据业务场景而定。
状态转移函数是当前状态下关于行动的概率函数,同时是对密码校验结果的一个估计值,概率值1代表密码校验成功,概率值0代表密码校验失败。
在本说明书的一个实施例中,收益函数为当前业务场景下,密码校验成功或失败对应的收益或损失,
rt=kt*pt
其中,rt为收益函数,kt为风险水平,pt为密码遗忘概率。
需要特别说明的是,收益函数考虑了当前风险水平、和/或用户安全感偏好、和/或交易场景,最终获得的密码校验成功或失败对应的收益或损失。
基于本说明书实施例提供的方法,根据收益函数获得的对应的数值为收益值,可以确定进行密码校验提醒或者不进行密码校验提醒的收益,从而确定是否需要向用户推送密码校验提醒。
步骤S209:基于所述收益值,确定是否需要对所述用户进行密码校验提醒。
前述步骤获得的收益值用于反映进行密码校验提醒或者不进行密码校验提醒的收益,根据该收益值,可以确定是否需要对用户进行校验提醒。
步骤S211:若需要向用户进行密码校验提醒,则向所述用户推送密码校验提醒。
本说明书实施例提供的密码校验提醒的方法,在实际应用中,需要综合权衡时间及业务场景,在具体实施过程中,可以应用于非即时性的、小额支付的场景,例如预缴水电费。采用密码校验提醒,能够强化用户对密码的记忆力,从而避免或者减弱用户在未来对密码的遗忘程度。
采用本说明书实施例提供的方法,能够主动向用户推送密码修改提醒,加强用户对密码的记忆,降低密码遗忘概率,提高用户使用密码校验的用户体验;采用密码校验提醒,能够强化用户对密码的记忆力,从而避免或者减弱用户在未来对密码的遗忘程度。
本说明书实施例还提供一种密码提醒方法,如图3所示。图3为本说明书实施例提供的一种密码提醒方法的框架图,该密码提醒方法包括:
步骤S301:获取待处理的数据,其中,所述待处理的数据包括当前观测值及用户的历史信息。
在本说明书实施例中,当前观测值为用户在本次交易或当前交易的密码遗忘概率、和/或用户使用密码的偏好信息。
步骤S303:将所述待处理的数据输入密码校验模型,获得收益值,其中,所述密码校验提醒模型是基于增强学习方法预先训练获得的模型,所述本次观测值包括密码遗忘概率、和/或所述用户使用密码的偏好信息;
步骤S305:基于所述收益值,确定是否需要对所述用户进行密码校验提醒;
步骤S307:若需要向用户进行密码校验提醒,则向所述用户推送密码校验提醒。
上述内容详细说明了一种数据提醒方法,与之相应的,本说明书实施例还提供了一种数据提醒装置,如图4所示。图4为本说明书实施例提供的一种数据提醒装置的示意图,该提醒装置包括:
获取模块401,获取待处理的数据,其中,所述待处理的数据包括密码的使用信息、和/或用户的账户价值、和/或用户使用密码的偏好信息、和/或基于密码的时间信息;
评分模块403,将所述待处理的数据输入密码提醒模型,获得所述待处理的数据对应的密码遗忘概率,其中,所述密码提醒模型是基于有监督学习方法预先训练获得的对密码遗忘概率评分的模型;
密码修改提醒模块405,若所述密码遗忘概率大于等于预设遗忘概率值,则向用户推送密码修改提醒。
该提醒装置包括:
收益模块407,基于当前观测值及用户的历史信息,利用密码校验模型,获得收益值,其中,所述密码校验模型是基于增强学习方法预先训练获得的模型,所述当前观测值包括所述密码遗忘概率、和/或所述用户使用密码的偏好信息
决策模块409,基于所述收益值,确定是否需要对所述用户进行密码校验提醒;
密码校验模块411,若需要向用户进行密码校验提醒,则向所述用户推送密码校验提醒。
进一步地,获取模块401还包括:
待处理数据还包括用户的静态信息,其中,所述静态信息包括用户的年龄、和/或职业、和/或账户类型、和/或认证时长、和/或开通时间。
进一步地,评分模块403,具体包括:
所述密码提醒模型是基于遗忘函数和用户相关信息获得的模型,其中,所述遗忘函数是基于时间的函数,所述用户相关信息包括用户的静态信息、和/或密码的使用信息、和/或用户的账户价值、和/或用户使用密码的偏好信息、和/或基于密码的时间信息。
所述密码提醒模型的样本数据包括黑样本标签数据和白样本标签数据,其中,
所述黑样本标签数据为历史数据中使用密码过程中,进行密码重置或密码找寻或流失的用户的数据;
所述白样本标签数据为历史数据中使用密码且输入密码无误的用户的数据。
所述黑样本标签数据为历史数据中通过端口找寻密码,通过重置密码,进行业务处理的用户的数据,
或
历史数据中,在找寻密码过程中流失的用户的数据,
或
历史数据中,在使用密码过程中流失的用户的数据。
进一步地,决策模块407具体包括:
所述密码校验模型的训练包括:
将用户的历史信息及当前观测值作为状态数据,其中,所用户的历史信息是在预设历史时期内的历史信息;
将是否使用密码校验作为决策变量;
计算所述状态数据及所述决策变量形成的状态转移函数对应的收益函数。
所述状态转移函数为密码校验结果的估计值,
St+1=pt=P(at|St,Ot)
其中,at表示是否使用密码,Ot为当前观测值,St为历史信息,pt为密码遗忘概率。
所述收益函数为当前业务场景下,密码校验成功或失败对应的收益值,所述收益值为收益或损失,
rt=kt*pt
其中,rt为收益函数,kt为风险水平,pt为密码遗忘概率。
本说明书实施例还提供了另一种数据提醒方法,与之相应的,本说明书实施例还提供了另一种数据提醒装置,如图5所示。图5为本说明书实施例提供的又一种数据提醒装置的示意图,该提醒装置包括:
获取模块501,获取待处理的数据,其中,所述待处理的数据包括当前观测值及用户的历史信息;
收益模块503,将所述待处理的数据输入密码校验模型,获得收益值,其中,所述密码校验提醒模型是基于增强学习方法预先训练获得的模型,所述本次观测值包括密码遗忘概率、和/或所述用户使用密码的偏好信息;
决策模块505,基于所述收益值,确定是否需要对所述用户进行密码校验提醒;
密码校验模块507,若需要向用户进行密码校验提醒,则向所述用户推送密码校验提醒。
收益模块503进一步包括:
所述密码校验模型的训练包括:
将用户的历史信息及当前观测值作为状态数据,其中,所用户的历史信息是在预设历史时期内的历史信息;
将是否使用密码校验作为决策变量;
计算所述状态数据及所述决策变量形成的状态转移函数对应的收益函数。
所述状态转移函数为密码校验结果的估计值,
St+1=pt=P(at|St,Ot)
其中,at表示是否使用密码,Ot为当前观测值,St为历史信息,pt为密码遗忘概率。
所述收益函数为当前业务场景下,密码校验成功或失败对应的收益值,所述收益值为收益或损失,
rt=kt*pt
其中,rt为收益函数,kt为风险水平,pt为密码遗忘概率。
本说明书实施例提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的数据,其中,所述待处理的数据包括密码的使用信息、和/或用户的账户价值、和/或用户使用密码的偏好信息、和/或基于密码的时间信息;
将所述待处理的数据输入密码提醒模型,获得所述待处理的数据对应的密码遗忘概率,其中,所述密码提醒模型是基于有监督学习方法预先训练获得的对密码遗忘概率评分的模型;
若所述密码遗忘概率大于等于预设遗忘概率值,则向用户推送密码修改提醒。
本说明书实施例提供还一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的数据,其中,所述待处理的数据包括当前观测值及用户的历史信息;
将所述待处理的数据输入密码校验模型,获得收益值,其中,所述密码校验提醒模型是基于增强学习方法预先训练获得的模型,所述本次观测值包括密码遗忘概率、和/或所述用户使用密码的偏好信息;
基于所述收益值,确定是否需要对所述用户进行密码校验提醒;
若需要向用户进行密码校验提醒,则向所述用户推送密码校验提醒。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、***、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (26)
1.一种密码提醒方法,包括:
获取待处理的数据,其中,所述待处理的数据包括密码的使用信息、用户的账户价值、用户使用密码的偏好信息和基于密码的时间信息;所述用户使用密码的偏好信息包括用户使用密码的业务场景,还包括用户的安全感偏好、用户使用密码的交易风险水平和密码校验所用的设备情况中的一者或多者;
将所述待处理的数据输入密码提醒模型,获得所述待处理的数据对应的密码遗忘概率,其中,所述密码提醒模型是基于有监督学习方法预先训练获得的对密码遗忘概率评分的模型,所述密码提醒模型是基于遗忘函数和用户相关信息获得的模型;
若所述密码遗忘概率大于等于预设遗忘概率值,则向用户推送密码修改提醒;
基于当前观测值及用户的历史信息,利用密码校验模型,获得收益值,其中,所述密码校验模型是基于增强学习方法预先训练获得的模型,所述当前观测值包括所述密码遗忘概率、和/或所述用户使用密码的偏好信息;
基于所述收益值,确定是否需要对所述用户进行密码校验提醒;
若需要向用户进行密码校验提醒,则向所述用户推送密码校验提醒。
2.如权利要求1所述的方法,所述待处理数据还包括用户的静态信息,其中,所述静态信息包括用户的年龄、和/或职业、和/或账户类型、和/或认证时长、和/或开通时间。
3.如权利要求1所述的方法,所述遗忘函数是基于时间的函数,所述用户相关信息包括用户的静态信息、和/或密码的使用信息、和/或用户的账户价值、和/或用户使用密码的偏好信息、和/或基于密码的时间信息。
4.如权利要求1所述的方法,所述密码提醒模型的样本数据包括黑样本标签数据和白样本标签数据,其中,
所述黑样本标签数据为历史数据中使用密码过程中,进行密码重置或密码找寻或流失的用户的数据;
所述白样本标签数据为历史数据中使用密码且输入密码无误的用户的数据。
5.如权利要求4所述的方法,所述黑样本标签数据为历史数据中通过端口找寻密码,通过重置密码,进行业务处理的用户的数据,
或
历史数据中,在找寻密码过程中流失的用户的数据,
或
历史数据中,在使用密码过程中流失的用户的数据。
6.如权利要求1所述的方法,所述密码校验模型的训练包括:
将用户的历史信息及当前观测值作为状态数据,其中,所述 用户的历史信息是在预设历史时期内的历史信息;
将是否使用密码校验作为决策变量;
计算所述状态数据及所述决策变量形成的状态转移函数对应的收益函数。
7.如权利要求6所述的方法,所述状态转移函数为密码校验结果的估计值,
St+1=pt=P(at|St,Ot)
其中,at表示是否使用密码,Ot为当前观测值,St为历史信息,pt为密码遗忘概率。
8.如权利要求6所述的方法,所述收益函数为当前业务场景下,密码校验成功或失败对应的收益值,所述收益值为收益或损失,
rt=kt*pt
其中,rt为收益函数,kt为风险水平,pt为密码遗忘概率。
9.一种密码提醒方法,包括:
获取待处理的数据,其中,所述待处理的数据包括当前观测值及用户的历史信息,所述当前观测值为用户在本次交易或当前交易的密码遗忘概率和用户使用密码的偏好信息,所述用户的历史信息包括密码校验及结果序列,所述用户使用密码的偏好信息包括用户使用密码的业务场景,所述用户使用密码的业务场景包括非即时性场景和即时性场景;
将所述待处理的数据输入密码校验模型,获得收益值,其中,所述密码校验模型是基于增强学习方法预先训练获得的模型,所述收益值用于反映进行密码校验提醒或者不进行密码校验提醒的收益;
基于所述收益值,确定是否需要对所述用户进行密码校验提醒;
若需要向用户进行密码校验提醒,则向所述用户推送密码校验提醒。
10.如权利要求9所述的方法,所述密码校验模型的训练包括:
将用户的历史信息及当前观测值作为状态数据,其中,所用户的历史信息是在预设历史时期内的历史信息;
将是否使用密码校验作为决策变量;
计算所述状态数据及所述决策变量形成的状态转移函数对应的收益函数。
11.如权利要求10所述的方法,所述状态转移函数为密码校验结果的估计值,
St+1=pt=P(at|St,Ot)
其中,at表示是否使用密码,Ot为当前观测值,St为历史信息,pt为密码遗忘概率。
12.如权利要求10所述的方法,所述收益函数为当前业务场景下,密码校验成功或失败对应的收益值,所述收益值为收益或损失,
rt=kt*pt
其中,rt为收益函数,kt为风险水平,pt为密码遗忘概率。
13.一种密码提醒装置,包括:
获取模块,获取待处理的数据,其中,所述待处理的数据包括密码的使用信息、用户的账户价值、用户使用密码的偏好信息和基于密码的时间信息;所述用户使用密码的偏好信息包括用户使用密码的业务场景,还包括用户的安全感偏好、用户使用密码的交易风险水平和密码校验所用的设备情况中的一者或多者;
评分模块,将所述待处理的数据输入密码提醒模型,获得所述待处理的数据对应的密码遗忘概率,其中,所述密码提醒模型是基于有监督学习方法预先训练获得的对密码遗忘概率评分的模型,所述密码提醒模型是基于遗忘函数和用户相关信息获得的模型;
密码修改提醒模块,若所述密码遗忘概率大于等于预设遗忘概率值,则向用户推送密码修改提醒;
收益模块,基于当前观测值及用户的历史信息,利用密码校验模型,获得收益值,其中,所述密码校验模型是基于增强学习方法预先训练获得的模型,所述当前观测值包括所述密码遗忘概率、和/或所述用户使用密码的偏好信息;
决策模块,基于所述收益值,确定是否需要对所述用户进行密码校验提醒;
密码校验模块,若需要向用户进行密码校验提醒,则向所述用户推送密码校验提醒,以便所述用户进行密码校验。
14.如权利要求13所述的装置,所述待处理数据还包括用户的静态信息,其中,所述静态信息包括用户的年龄、和/或职业、和/或账户类型、和/或认证时长、和/或开通时间。
15.如权利要求13所述的装置,所述遗忘函数是基于时间的函数,所述用户相关信息包括用户的静态信息、和/或密码的使用信息、和/或用户的账户价值、和/或用户使用密码的偏好信息、和/或基于密码的时间信息。
16.如权利要求13所述的装置,所述密码提醒模型的样本数据包括黑样本标签数据和白样本标签数据,其中,
所述黑样本标签数据为历史数据中使用密码过程中,进行密码重置或密码找寻或流失的用户的数据;
所述白样本标签数据为历史数据中使用密码且输入密码无误的用户的数据。
17.如权利要求16所述的装置,所述黑样本标签数据为历史数据中通过端口找寻密码,通过重置密码,进行业务处理的用户的数据,
或
历史数据中,在找寻密码过程中流失的用户的数据,
或
历史数据中,在使用密码过程中流失的用户的数据。
18.如权利要求13所述的装置,所述密码校验模型的训练包括:
将用户的历史信息及当前观测值作为状态数据,其中,所述 用户的历史信息是在预设历史时期内的历史信息;
将是否使用密码校验作为决策变量;
计算所述状态数据及所述决策变量形成的状态转移函数对应的收益函数。
19.如权利要求18所述的装置,所述状态转移函数为密码校验结果的估计值,
St+1=pt=P(at|St,Ot)
其中,at表示是否使用密码,Ot为当前观测值,St为历史信息,pt为密码遗忘概率。
20.如权利要求18所述的装置,所述收益函数为当前业务场景下,密码校验成功或失败对应的收益值,所述收益值为收益或损失,
rt=kt*pt
其中,rt为收益函数,kt为风险水平,pt为密码遗忘概率。
21.一种密码提醒装置,包括:
获取模块,获取待处理的数据,其中,所述待处理的数据包括当前观测值及用户的历史信息,所述当前观测值为用户在本次交易或当前交易的密码遗忘概率和用户使用密码的偏好信息,所述用户的历史信息包括密码校验及结果序列,所述用户使用密码的偏好信息包括用户使用密码的业务场景,所述用户使用密码的业务场景包括非即时性场景和即时性场景;
收益模块,将所述待处理的数据输入密码校验模型,获得收益值,其中,所述密码校验模型是基于增强学习方法预先训练获得的模型,所述收益值用于反映进行密码校验提醒或者不进行密码校验提醒的收益;
决策模块,基于所述收益值,确定是否需要对所述用户进行密码校验提醒;
密码校验模块,若需要向用户进行密码校验提醒,则向所述用户推送密码校验提醒。
22.如权利要求21所述的装置,所述密码校验模型的训练包括:
将用户的历史信息及当前观测值作为状态数据,其中,所用户的历史信息是在预设历史时期内的历史信息;
将是否使用密码校验作为决策变量;
计算所述状态数据及所述决策变量形成的状态转移函数对应的收益函数。
23.如权利要求22所述的装置,所述状态转移函数为密码校验结果的估计值,
St+1=pt=P(at|St,Ot)
其中,at表示是否使用密码,Ot为当前观测值,St为历史信息,pt为密码遗忘概率。
24.如权利要求22所述的装置,所述收益函数为当前业务场景下,密码校验成功或失败对应的收益值,所述收益值为收益或损失,
rt=kt*pt
其中,rt为收益函数,kt为风险水平,pt为密码遗忘概率。
25.一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的数据,其中,所述待处理的数据包括密码的使用信息、用户的账户价值、用户使用密码的偏好信息和基于密码的时间信息;所述用户使用密码的偏好信息包括用户使用密码的业务场景,还包括用户的安全感偏好、用户使用密码的交易风险水平和密码校验所用的设备情况中的一者或多者;
将所述待处理的数据输入密码提醒模型,获得所述待处理的数据对应的密码遗忘概率,其中,所述密码提醒模型是基于有监督学习方法预先训练获得的对密码遗忘概率评分的模型,所述密码提醒模型是基于遗忘函数和用户相关信息获得的模型;
若所述密码遗忘概率大于等于预设遗忘概率值,则向用户推送密码修改提醒;
基于当前观测值及用户的历史信息,利用密码校验模型,获得收益值,其中,所述密码校验模型是基于增强学习方法预先训练获得的模型,所述当前观测值包括所述密码遗忘概率、和/或所述用户使用密码的偏好信息;
基于所述收益值,确定是否需要对所述用户进行密码校验提醒;
若需要向用户进行密码校验提醒,则向所述用户推送密码校验提醒。
26.一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取待处理的数据,其中,所述待处理的数据包括当前观测值及用户的历史信息,所述当前观测值为用户在本次交易或当前交易的密码遗忘概率和用户使用密码的偏好信息,所述用户的历史信息包括密码校验及结果序列,所述用户使用密码的偏好信息包括用户使用密码的业务场景,所述用户使用密码的业务场景包括非即时性场景和即时性场景;
将所述待处理的数据输入密码校验模型,获得收益值,其中,所述密码校验模型是基于增强学习方法预先训练获得的模型,所述收益值用于反映进行密码校验提醒或者不进行密码校验提醒的收益;
基于所述收益值,确定是否需要对所述用户进行密码校验提醒;
若需要向用户进行密码校验提醒,则向所述用户推送密码校验提醒。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010084891.9A CN111310167B (zh) | 2020-02-10 | 2020-02-10 | 一种密码提醒方法、装置以及设备 |
CN202310204764.1A CN116208331A (zh) | 2020-02-10 | 2020-02-10 | 一种密码提醒方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010084891.9A CN111310167B (zh) | 2020-02-10 | 2020-02-10 | 一种密码提醒方法、装置以及设备 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310204764.1A Division CN116208331A (zh) | 2020-02-10 | 2020-02-10 | 一种密码提醒方法、装置以及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310167A CN111310167A (zh) | 2020-06-19 |
CN111310167B true CN111310167B (zh) | 2023-04-07 |
Family
ID=71154472
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010084891.9A Active CN111310167B (zh) | 2020-02-10 | 2020-02-10 | 一种密码提醒方法、装置以及设备 |
CN202310204764.1A Pending CN116208331A (zh) | 2020-02-10 | 2020-02-10 | 一种密码提醒方法、装置以及设备 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310204764.1A Pending CN116208331A (zh) | 2020-02-10 | 2020-02-10 | 一种密码提醒方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN111310167B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372470B (zh) * | 2016-08-30 | 2019-04-12 | 维沃移动通信有限公司 | 一种提醒输入密码的方法及移动终端 |
WO2019061471A1 (zh) * | 2017-09-30 | 2019-04-04 | 华为技术有限公司 | 一种密码校验方法、密码设置方法及移动终端 |
CN108564366A (zh) * | 2018-03-15 | 2018-09-21 | 阿里巴巴集团控股有限公司 | 支付密码重置方法、装置及电子设备 |
CN110263530B (zh) * | 2019-05-30 | 2023-12-08 | 创新先进技术有限公司 | 密码重置请求的鉴别方法与装置 |
-
2020
- 2020-02-10 CN CN202010084891.9A patent/CN111310167B/zh active Active
- 2020-02-10 CN CN202310204764.1A patent/CN116208331A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN111310167A (zh) | 2020-06-19 |
CN116208331A (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784345B (zh) | 支付处理方法、装置、设备及*** | |
CN110674188A (zh) | 一种特征提取方法、装置及设备 | |
TWI717673B (zh) | 支付密碼重置方法、裝置及電子設備 | |
CN112215613B (zh) | 一种密码验证方法、装置、设备及介质 | |
CN110032857A (zh) | 账户的注册、可信设备的识别方法及装置 | |
CN107070871B (zh) | 一种身份验证的方法及装置 | |
CN113837638A (zh) | 话术确定方法、装置及设备 | |
CN110738562B (zh) | 一种风险提醒信息的生成方法、装置及设备 | |
CN110532755B (zh) | 一种计算机实现的风险识别的方法及装置 | |
CN107918863A (zh) | 基于金融产品的前置处理及配置方法、装置及设备 | |
CN113344695B (zh) | 一种弹性风控方法、装置、设备和可读介质 | |
CN108959865A (zh) | 一种验证方法及装置 | |
CN113010562B (zh) | 一种信息推荐的方法以及装置 | |
CN113221717A (zh) | 一种基于隐私保护的模型构建方法、装置及设备 | |
CN115545720B (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN111310167B (zh) | 一种密码提醒方法、装置以及设备 | |
CN111242105A (zh) | 一种用户识别方法、装置及设备 | |
CN111241395A (zh) | 认证服务的推荐方法及装置 | |
CN112784233B (zh) | 一种身份验证方法及装置 | |
CN109242478B (zh) | 一种口令红包创建方法及装置 | |
CN113239851B (zh) | 一种基于隐私保护的隐私图像处理方法、装置及设备 | |
CN115688130B (zh) | 数据处理方法、装置及设备 | |
Alruban | Prediction of Application Usage on Smartphones via Deep Learning | |
CN117493997A (zh) | 数据处理方法、装置及设备 | |
CN115730233A (zh) | 一种数据处理方法、装置、可读存储介质以及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40031262 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |