基于人工智能的作弊识别方法、装置、设备及存储介质

技术领域

本申请涉及人工智能技术，尤其涉及一种基于人工智能的作弊识别方法、装置、电子设备及计算机可读存储介质。

背景技术

人工智能(Artificial Intelligence，AI)是计算机科学的一个综合技术，通过研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，例如自然语言处理技术以及机器学习/深度学习等几大方向，随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。

作弊识别是人工智能领域的重要研究方向，作弊识别是指从大量的文章中识别出作弊文章的过程。

但是，相关技术缺乏基于人工智能来对文章进行作弊识别的方案，主要依赖于人为设定的规则进行作弊识别。

发明内容

本申请实施例提供一种图像目标识别方法、装置、电子设备及计算机可读存储介质，实现作弊识别的高效自动化处理。

本申请实施例的技术方案是这样实现的：

本申请实施例提供一种基于人工智能的作弊识别方法，包括：

对待识别文章进行特征提取处理，得到所述待识别文章的文本特征；

基于所述待识别文章的引流关系，确定所述待识别文章的引流节点的节点特征；

基于所述待识别文章以及所述引流节点，构建所述待识别文章的引流关系图；

基于所述待识别文章的引流关系图，更新所述待识别文章的文本特征以及所述引流节点的节点特征；

对更新后的所述待识别文章的文本特征以及更新后的所述引流节点的节点特征进行融合处理，得到融合特征；

基于所述融合特征进行作弊预测处理，得到所述待识别文章属于作弊文章的概率。

上述技术方案中，所述对更新后的所述待识别文章的文本特征以及更新后的所述引流节点的节点特征进行融合处理，得到融合特征，包括：

将更新后的所述待识别文章的文本特征与更新后的所述引流节点的节点特征进行拼接处理，得到所述融合特征；或者，

将更新后的所述待识别文章的文本特征与更新后的所述引流节点的节点特征进行加和处理，得到所述融合特征。

本申请实施例提供一种基于人工智能的作弊识别装置，包括：

特征提取模块，用于对待识别文章进行特征提取处理，得到所述待识别文章的文本特征；

确定模块，用于基于所述待识别文章的引流关系，确定所述待识别文章的引流节点的节点特征；

构建模块，用于基于所述待识别文章以及所述引流节点，构建所述待识别文章的引流关系图；

更新模块，用于基于所述待识别文章的引流关系图，更新所述待识别文章的文本特征以及所述引流节点的节点特征；

融合模块，用于对更新后的所述待识别文章的文本特征以及更新后的所述引流节点的节点特征进行融合处理，得到融合特征；

分类模块，用于基于所述融合特征进行作弊预测处理，得到所述待识别文章属于作弊文章的概率。

上述技术方案中，所述特征提取模块还用于对所述待识别文章的标题进行特征提取处理，得到所述待识别文章的标题特征；

对所述待识别文章的正文进行特征提取处理，得到所述待识别文章的正文特征；

对所述待识别文章的标题特征以及所述待识别文章的正文特征进行融合处理，得到所述待识别文章的文本特征。

上述技术方案中，所述特征提取模块还用于对所述待识别文章的标题进行分词处理，得到所述标题的多个词语；

对所述标题的多个词语进行映射处理，得到所述多个词语分别对应的词向量；

对所述多个词语分别对应的词向量进行拼接处理，得到所述标题的向量矩阵；

基于所述标题的向量矩阵进行关键词提取处理，得到所述待识别文章的标题特征。

上述技术方案中，所述特征提取模块还用于基于所述标题的向量矩阵进行卷积处理，得到所述标题的多个特征图；

对所述标题的多个特征图进行关键词提取处理，得到所述标题的多个关键词特征；

对所述多个关键词特征进行拼接处理，得到所述待识别文章的标题特征。

上述技术方案中，所述待识别文章的引流节点包括起始引流节点以及终止引流节点；所述确定模块还用于基于所述待识别文章的引流关系，确定所述待识别文章的起始引流节点以及终止引流节点；

分别对所述起始引流节点以及所述终止引流节点进行特征提取处理，得到所述起始引流节点的节点特征以及所述终止引流节点的节点特征。

上述技术方案中，所述待识别文章的引流节点包括起始引流节点以及终止引流节点；所述构建模块还用于基于所述待识别文章、所述起始引流节点以及所述终止引流节点，确定所述待识别文章的邻居节点；

将所述待识别文章作为所述起始引流节点与所述终止引流节点之间的边；

基于所述起始引流节点与所述终止引流节点之间的边、所述起始引流节点、所述终止引流节点以及所述待识别文章的邻居节点，构建所述待识别文章的引流关系图。

上述技术方案中，所述待识别文章的引流节点包括起始引流节点以及终止引流节点；所述更新模块还用于基于所述待识别文章的引流关系图，确定所述待识别文章的起始引流节点、所述待识别文章的终止引流节点以及所述待识别文章的邻居节点；

基于所述待识别文章、所述起始引流节点以及所述终止引流节点，更新所述待识别文章的文本特征；

基于所述待识别文章的邻居节点、所述起始引流节点以及所述终止引流节点，更新所述起始引流节点的节点特征以及所述终止引流节点的节点特征。

上述技术方案中，所述更新模块还用于对所述待识别文章的文本特征、所述起始引流节点的节点特征以及所述终止引流节点的节点特征进行拼接处理，得到拼接特征；

基于所述拼接特征进行映射处理，得到映射特征；

基于所述映射特征更新所述待识别文章的文本特征。

上述技术方案中，所述更新模块还用于将所述拼接特征与可学习矩阵进行乘积处理；

将所述乘积处理的结果进行非线性映射处理，得到所述映射特征。

上述技术方案中，所述更新模块还用于基于所述待识别文章的邻居节点，确定所述起始引流节点的邻居相关特征；

对所述起始引流节点的邻居相关特征以及所述起始引流节点的节点特征进行融合处理，得到所述起始引流节点的融合特征；

基于所述起始引流节点的融合特征更新所述起始引流节点的节点特征；

基于所述待识别文章的邻居节点，确定所述终止引流节点的邻居相关特征；

对所述终止引流节点的邻居相关特征以及所述终止引流节点的节点特征进行融合处理，得到所述终止引流节点的融合特征；

基于所述终止引流节点的融合特征更新所述终止引流节点的节点特征。

上述技术方案中，所述更新模块还用于基于所述待识别文章的邻居节点，确定所述终止引流节点的邻居节点；

确定所述终止引流节点的邻居节点与所述终止引流节点之间的边的边特征；

对所述终止引流节点的邻居节点的节点特征与所述边特征进行拼接处理，得到拼接特征；

基于所述拼接特征以及所述终止引流节点的节点特征进行注意力处理，得到所述终止引流节点的邻居相关特征。

上述技术方案中，所述更新模块还用于将所述终止引流节点的节点特征与可学习矩阵进行乘积处理；

将所述乘积处理的结果与所述终止引流节点的邻居相关特征进行拼接处理，得到所述终止引流节点的融合特征。

上述技术方案中，所述融合模块还用于将更新后的所述待识别文章的文本特征与更新后的所述引流节点的节点特征进行拼接处理，得到所述融合特征；或者，

将更新后的所述待识别文章的文本特征与更新后的所述引流节点的节点特征进行加和处理，得到所述融合特征。

本申请实施例提供一种用于作弊识别的电子设备，所述电子设备包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的基于人工智能的作弊识别方法。

本申请实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行时，实现本申请实施例提供的基于人工智能的作弊识别方法。

本申请实施例具有以下有益效果：

通过结合待识别文章的文本特征以及待识别文章的引流关系进行作弊预测，得到待识别文章属于作弊文章的概率，从而实现高效地文章作弊识别过程，并提高作弊文章识别的准确性。

附图说明

图1是本申请实施例提供的作弊识别系统的应用场景示意图；

图2是本申请实施例提供的分布式系统应用于区块链系统的一个可选的结构示意图；

图3是本申请实施例提供的区块结构一个可选的示意图；

图4是本申请实施例提供的用于作弊识别的电子设备的结构示意图；

图5A-图5C是本申请实施例提供的基于人工智能的作弊识别方法的流程示意图；

图6是本申请实施例提供的引流的流程示意图；

图7是本申请实施例提供的邻居节点的示意图；

图8A是本申请实施例提供的搜一搜的入口界面示意图；

图8B是本申请实施例提供的搜一搜的主界面示意图；

图9是本申请实施例提供的基于作弊引流文章的引流示意图；

图10是本申请实施例提供的作弊引流文章检测方法的流程示意图；

图11是本申请实施例提供的作弊引流文章检测方法的架构示意图；

图12是本申请实施例提供的注意力机制的算法示意图；

图13是本申请实施例提供的批子图推理的流程示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在以下的描述中，所涉及的术语“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。

1)卷积神经网络(CNN，Convolutional Neural Networks)：一类包含卷积计算且具有深度结构的前馈神经网络(FNN，Feedforward Neural Networks)，是深度学习(deeplearning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力，能够按其阶层结构对输入图像进行平移不变分类(shift-invariantclassification)。

2)有监督学习：利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程。在监督学习中，每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。有监督学习算法主要有神经网络传播算法、决策树学习算法等。本申请实施例中的有监督学习为根据白样本(非作弊文章样本)和黑样本(作弊文章样本)训练有监督识别模型的过程。

3)引流：通过某种传播载体或借助各种平台使用文字、图片链接、阅读原文、菜单跳转、音频、视频等内容引导用户注意的一种手段。例如用户点击某个公众号A(一种传播载体)后，呈现该公众号的引流文章，该引流文章中包括二维码图片，用户扫描该二维码图片后，将跳转至另一个公众号B，即通过引流文章中的二维码图片将公众号A引流至公众号B。

4)引流关系：与文章存在关联关系的引流节点(各种传播载体，不限定于公众号、外链等)，引流关系包括主动引流关系以及被动引流关系，引流节点包括起始引流节点(用于承载文章的引流节点)以及终止引流节点(基于文章进行引流后所到达的引流节点)。例如用户点击某个公众号A(一种传播载体)后，呈现该公众号的引流文章，该引流文章中包括二维码图片，用户扫描该二维码图片后，将跳转至另一个公众号B，即通过引流文章中的二维码图片将公众号A引流至公众号B，则公众号A与公众号B与引流文章存在引流关系，公众号A为起始引流节点，公众号B为终止引流节点。

5)区块链(Blockchain)：由区块(Block)形成的加密的、链式的交易的存储结构。

6)区块链网络(Blockchain Network)：通过共识的方式将新区块纳入区块链的一系列的节点的集合。

本申请实施例提供了一种人工智能的作弊识别方法、装置、电子设备及计算机可读存储介质，能够实现作弊识别的高效自动化处理。

本申请实施例所提供的基于人工智能的作弊识别方法，可以由终端/服务器独自实现；也可以由终端和服务器协同实现，例如终端独自承担下文所述的基于人工智能的作弊识别方法，或者，终端向服务器发送针对文章的作弊识别请求，服务器根据接收的针对文章的作弊识别请求执行基于人工智能的作弊识别方法，基于待识别文章的文本以及引流关系，对待识别文章进行作弊预测，以实现作弊识别功能，从而识别出作弊文章，并基于作弊文章执行过滤操作，以便后续进行搜索、推荐等操作。

本申请实施例提供的用于作弊识别的电子设备可以是各种类型的终端设备或服务器，其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器；终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。

以服务器为例，例如可以是部署在云端的服务器集群，向用户开放人工智能云服务(AI as a Service，AIaaS)，AIaaS平台会把几类常见的AI服务进行拆分，并在云端提供独立或者打包的服务，这种服务模式类似于一个AI主题商城，所有的用户都可以通过应用程序编程接口的方式来接入使用AIaaS平台提供的一种或者多种人工智能服务。

例如，其中的一种人工智能云服务可以为作弊识别服务，即云端的服务器封装有本申请实施例提供的作弊识别的程序。用户通过终端(运行有客户端，例如搜索客户端、推荐客户端等)调用云服务中的作弊识别服务，以使部署在云端的服务器调用封装的作弊识别的程序，基于待识别文章的文本以及引流关系，对待识别文章进行作弊预测，从而识别出作弊文章，例如，对于推荐应用，在向用户进行文章推荐之前，基于数据库中待推荐文章的文本以及引流关系，对待推荐文章进行作弊预测，从而识别出作弊文章，并从数据库中筛除作弊文章，从而向用户推荐正常文章，提高推荐文章的质量，快速获得用户行为数据，提升后期基于用户行为进行文章推荐的效果。

参见图1，图1是本申请实施例提供的作弊识别系统10的应用场景示意图，终端200通过网络300连接服务器100，网络300可以是广域网或者局域网，又或者是二者的组合。

终端200(运行有客户端，例如搜索客户端、推荐客户端等)可以被用来获取针对文章的作弊识别请求，例如，用户在终端的输入界面输入搜索关键词后，终端自动获取针对文章的作弊识别请求。

在一些实施例中，终端中运行的客户端中可以植入有作弊识别插件，用以在客户端本地实现基于人工智能的作弊识别方法。例如，终端200获取针对文章的作弊识别请求后，调用作弊识别插件以实现基于人工智能的作弊识别方法，基于待识别文章的文本以及引流关系，对待识别文章进行作弊预测，从而识别出作弊文章，例如，对于推荐应用，在向用户进行文章推荐之前，基于数据库中待推荐文章的文本以及引流关系，先对待推荐文章进行作弊预测，从而识别出数据库中的作弊文章，并从数据库中筛除作弊文章，从而基于数据库中的正常文章进行文章推荐，提高推荐文章的质量，快速获得用户行为数据，提升后期基于用户行为进行文章推荐的效果。

在一些实施例中，终端200获取针对文章的作弊识别请求后，调用服务器100的作弊识别接口(可以提供为云服务的形式，即作弊识别服务)，服务器100基于待识别文章的文本以及引流关系，对待识别文章进行作弊预测，从而识别出作弊文章，例如，对于搜索应用，终端200通过用户输入的搜索关键词自动生成针对文章的作弊识别请求(包括搜索关键词)，并将针对文章的作弊识别请求发送至服务器100，服务器100解析针对文章的作弊识别请求，获取搜索关键词，并基于搜索关键词从数据库中召回文章，得到各种召回文章，基于召回文章的文本以及召回文章的引流关系，先对召回文章的进行作弊预测，从而识别出作弊文章，并从召回文章中筛除作弊文章，并将召回文章中的正常文章发送至终端200，终端200向用户呈现正常文章，从而提高搜索文章的质量，快速获得用户行为数据，以充分利用计算资源。

本申请实施例涉及的作弊识别系统可以是由客户端、多个节点(接入网络中的任意形式的计算设备，如服务器、用户终端)通过网络通信的形式连接形成的分布式系统。

以分布式系统为区块链系统为例，参见图2，图2是本申请实施例提供的分布式系统200应用于区块链系统的一个可选的结构示意图，由多个节点201(接入网络中的任意形式的计算设备，如服务器、用户终端)和客户端202形成，节点之间形成组成的点对点(P2P，Peer To Peer)网络，P2P协议是一个运行在传输控制协议(TCP，Transmission ControlProtocol)协议之上的应用层协议。在分布式系统中，任何机器如服务器、终端都可以加入而成为节点，节点包括硬件层、中间层、操作系统层和应用层。

参见图2示出的区块链系统中各节点的功能，涉及的功能包括：

1)路由，节点具有的基本功能，用于支持节点之间的通信。

节点除具有路由功能外，还可以具有以下功能：

2)应用，用于部署在区块链中，根据实际业务需求而实现特定业务，记录实现功能相关的数据形成记录数据，在记录数据中携带数字签名以表示任务数据的来源，将记录数据发送到区块链系统中的其他节点，供其他节点在验证记录数据来源以及完整性成功时，将记录数据添加到临时区块中。

例如，应用实现的业务包括：

2.1)共享账本，用于提供账目数据的存储、查询和修改等操作的功能，将对账目数据的操作的记录数据发送到区块链系统中的其他节点，其他节点验证有效后，作为承认账目数据有效的响应，将记录数据存入临时区块中，还可以向发起操作的节点发送确认。

2.2)智能合约，计算机化的协议，可以执行某个合约的条款，通过部署在共享账本上的用于在满足一定条件时而执行的代码实现，根据实际的业务需求代码用于完成自动化的交易，例如查询作弊文章；当然，智能合约不仅限于执行用于交易的合约，还可以执行对接收的信息进行处理的合约。

3)区块链，包括一系列按照产生的先后时间顺序相互接续的区块(Block)，新区块一旦加入到区块链中就不会再被移除，区块中记录了区块链系统中节点提交的记录数据。

参见图3，图3是本申请实施例提供的区块结构(Block Structure)一个可选的示意图，每个区块中包括本区块存储交易记录的哈希值(本区块的哈希值)、以及前一区块的哈希值，各区块通过哈希值连接形成区块链。另外，区块中还可以包括有区块生成时的时间戳等信息。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了相关的信息，用于验证其信息的有效性(防伪)和生成下一个区块。

下面说明本申请实施例提供的用于作弊识别的电子设备的结构，参见图4，图4是本申请实施例提供的用于作弊识别的电子设备500的结构示意图，以电子设备500是服务器为例说明，图4所示的用于作弊识别的电子设备500包括：至少一个处理器510、存储器550、至少一个网络接口520和用户接口530。电子设备500中的各个组件通过总线系统540耦合在一起。可理解，总线系统540用于实现这些组件之间的连接通信。总线系统540除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图4中将各种总线都标为总线系统540。

处理器510可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。

存储器550包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)，易失性存储器可以是随机存取存储器(RAM，Random Access Memory)。本申请实施例描述的存储器550旨在包括任意适合类型的存储器。存储器550可选地包括在物理位置上远离处理器510的一个或多个存储设备。

在一些实施例中，存储器550能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。

操作系统551，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；

网络通信模块552，用于经由一个或多个(有线或无线)网络接口520到达其他计算设备，示例性的网络接口520包括：蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB，Universal Serial Bus)等；

在一些实施例中，本申请实施例提供的作弊识别装置可以采用软件方式实现，例如，可以是上文的终端中的作弊识别插件，可以是上文的服务器中作弊识别服务。当然，不局限于此，本申请实施例提供的作弊识别装置可以提供为各种软件实施例，包括应用程序、软件、软件模块、脚本或代码在内的各种形式。

图4示出了存储在存储器550中的作弊识别装置555，其可以是程序和插件等形式的软件，例如作弊识别插件，并包括一系列的模块，包括特征提取模块5551、确定模块5552、构建模块5553、更新模块5554、融合模块5555以及分类模块5556；其中，特征提取模块5551、确定模块5552、构建模块5553、更新模块5554、融合模块5555以及分类模块5556用于实现本申请实施例提供的作弊识别功能。

如前所述，本申请实施例提供的基于人工智能的作弊识别方法可以由各种类型的电子设备实施。参见图5A，图5A是本申请实施例提供的基于人工智能的作弊识别方法的流程示意图，结合图5A示出的步骤进行说明。

在下面步骤中，引流节点为各种传播载体，不限定于公众号、外链等。引流节点包括起始引流节点以及终止引流节点，其中，起始引流节点表示用于承载待识别文章的节点，终止引流节点表示基于待识别文章进行引流后所到达的节点。

在步骤101中，对待识别文章进行特征提取处理，得到待识别文章的文本特征。

作为待识别文章的获取示例，用户在终端的输入界面输入的搜索关键词，自动生成针对文章的作弊识别请求(包括搜索关键词)，并将针对文章的作弊识别请求发送至服务器，服务器100解析针对文章的作弊识别请求，获取搜索关键词，并基于搜索关键词从数据库中召回待识别文章，并对待识别文章进行特征提取，得到待识别文章的文本特征，以便后续基于待识别文章的文本特征进行文章作弊识别。

参见图5B，图5B是本申请实施例提供的基于人工智能的作弊识别方法的一个可选的流程示意图，图5B示出图5A中的步骤101可以通过步骤1011-步骤1013实现：在步骤1011中，对待识别文章的标题进行特征提取处理，得到待识别文章的标题特征；在步骤1012中，对待识别文章的正文进行特征提取处理，得到待识别文章的正文特征；在步骤1013中，对待识别文章的标题特征以及待识别文章的正文特征进行融合处理，得到待识别文章的文本特征。

其中，正文包括文章中的文本、图片数量、视频信息等。为了更充分提取待识别文章的文本特征，可以提取待识别文章的标题特征以及文本特征，并对待识别文章的标题特征以及待识别文章的正文特征进行拼接、加和或者平均，以获取精准的待识别文章的文本特征，从而通过多种维度的特征表征待识别文章的文本特征，以便后续基于准确的文本特征进行作弊识别。

在一些实施例中，对待识别文章的标题进行特征提取处理，得到待识别文章的标题特征，包括：对待识别文章的标题进行分词处理，得到标题的多个词语；对标题的多个词语进行映射处理，得到多个词语分别对应的词向量；对多个词语分别对应的词向量进行拼接处理，得到标题的向量矩阵；基于标题的向量矩阵进行关键词提取处理，得到待识别文章的标题特征。

例如，先通过分词器对待识别文章的标题进行分词处理，得到标题的多个词语，例如将标题划分成w1、w2、…、wk，共计k个词语，然后将每个词语都映射为M维向量，并对K个M维向量进行拼接，得到M*K的矩阵，即标题的向量矩阵，最后通过文本识别模型对M*K的矩阵进行关键词提取处理，得到待识别文章的标题特征(即待识别文章的初始化特征)。

在一些实施例中，基于标题的向量矩阵进行关键词提取处理，得到待识别文章的标题特征，包括：基于标题的向量矩阵进行卷积处理，得到标题的多个特征图；对标题的多个特征图进行关键词提取处理，得到标题的多个关键词特征；对多个关键词特征进行拼接处理，得到待识别文章的标题特征。

例如，利用基于卷积神经网络的文本分类模型(TextCNN)强大的局部特征提取能力提取标题中的核心关键特征，即先通过TextCNN中的不同卷积核的卷积层对标题的向量矩阵进行卷积处理，得到标题的多个特征图，通过TextCN N中的池化层对标题的多个特征图进行池化处理，得到标题的多个关键词特征，并对多个关键词特征进行拼接，以得到待识别文章的标题特征，从而实现Text CNN强大的局部特征提取能力，减小标题特征的参数量小，减小计算资源的消耗。

在步骤102中，基于待识别文章的引流关系，确定待识别文章的引流节点的节点特征。

其中，待识别文章的引流节点包括起始引流节点以及终止引流节点，例如，起始引流节点表示发表待识别文章的公众号，终止引流节点表示基于待识别文章的二维码引流后所到达的公众号。

在一些实施例中，基于待识别文章的引流关系，确定待识别文章的引流节点的节点特征，包括：基于待识别文章的引流关系，确定待识别文章的起始引流节点以及终止引流节点；分别对起始引流节点以及终止引流节点进行特征提取处理，得到起始引流节点的节点特征以及终止引流节点的节点特征。

例如，如图6所示，公众号601发表待识别文章602，基于待识别文章602中的二维码进行引流，跳转至公众号603，即基于待识别文章的引流关系，确定待识别文章的起始引流节点为公众号601、终止引流节点为公众号603。确定待识别文章的起始引流节点以及终止引流节点后，分别对起始引流节点以及终止引流节点进行特征提取，得到起始引流节点的节点特征以及终止引流节点的节点特征。

在步骤103中，基于待识别文章以及引流节点，构建待识别文章的引流关系图。

例如，确定了待识别文章的引流节点后，基于待识别文章以及引流节点，构建待识别文章的引流关系图，以便后续基于引流关系图进行作弊识别。

在一些实施例中，待识别文章的引流节点包括起始引流节点以及终止引流节点；基于待识别文章以及引流节点，构建待识别文章的引流关系图，包括：基于待识别文章、起始引流节点以及终止引流节点，确定待识别文章的邻居节点；将待识别文章作为起始引流节点与终止引流节点之间的边；基于起始引流节点与终止引流节点之间的边、起始引流节点、终止引流节点以及待识别文章的邻居节点，构建待识别文章的引流关系图。

例如，如图7所示，基于待识别文章、起始引流节点以及终止引流节点，可以确定待识别文章的多阶邻居节点，例如一阶邻居节点(指向起始引流节点以及终止引流节点的引流节点)、二阶邻居节点(指向一阶引流节点的引流节点)。将待识别文章作为起始引流节点与终止引流节点之间的边，基于起始引流节点与终止引流节点之间的边、起始引流节点、终止引流节点以及待识别文章的邻居节点，构建待识别文章的引流关系图。

在步骤104中，基于待识别文章的引流关系图，更新待识别文章的文本特征以及引流节点的节点特征。

例如，在确定待识别文章的引流关系图后，基于待识别文章的引流关系图，通过图注意力网络模型更新待识别文章的文本特征以及引流节点的节点特征，后续基于更新后的待识别文章的文本特征以及更新后的引流节点的节点特征进行作弊识别。

参见图5C，图5C是本申请实施例提供的基于人工智能的作弊识别方法的一个可选的流程示意图，图5C示出图5A中的步骤104可以通过步骤1041-步骤1043实现：在步骤1041中，基于待识别文章的引流关系图，确定待识别文章的起始引流节点、待识别文章的终止引流节点以及待识别文章的邻居节点；在步骤1042中，基于待识别文章、起始引流节点以及终止引流节点，更新待识别文章的文本特征；在步骤1043中，基于待识别文章的邻居节点、起始引流节点以及终止引流节点，更新起始引流节点的节点特征以及终止引流节点的节点特征。

其中，图注意力网络模型包括多层注意力层，通过多层注意力层级联更新待识别文章的文本特征、更新起始引流节点的节点特征以及更新终止引流节点的节点特征。

在一些实施例中，基于待识别文章、起始引流节点以及终止引流节点，更新待识别文章的文本特征，包括：对待识别文章的文本特征、起始引流节点的节点特征以及终止引流节点的节点特征进行拼接处理，得到拼接特征；基于拼接特征进行映射处理，得到映射特征；基于映射特征更新待识别文章的文本特征。

其中，拼接待识别文章的文本特征、起始引流节点的节点特征以及终止引流节点的节点特征之后，得到拼接特征，并基于拼接特征进行映射，得到映射特征，在此次更新过程中将待识别文章的文本特征更新为该映射特征。

在一些实施例中，基于拼接特征进行映射处理，得到映射特征，包括：将拼接特征与可学习矩阵进行乘积处理；将乘积处理的结果进行非线性映射处理，得到映射特征。

承接上述示例，映射的计算过程为

在一些实施例中，基于待识别文章的邻居节点、起始引流节点以及终止引流节点，更新起始引流节点的节点特征以及终止引流节点的节点特征，包括：基于待识别文章的邻居节点，确定起始引流节点的邻居相关特征；对起始引流节点的邻居相关特征以及起始引流节点的节点特征进行融合处理，得到起始引流节点的融合特征；基于起始引流节点的融合特征更新起始引流节点的节点特征；基于待识别文章的邻居节点，确定终止引流节点的邻居相关特征；对终止引流节点的邻居相关特征以及终止引流节点的节点特征进行融合处理，得到终止引流节点的融合特征；基于终止引流节点的融合特征更新终止引流节点的节点特征。

例如，对于起始引流节点的节点特征的更新，先基于待识别文章的邻居节点，确定起始引流节点的邻居相关特征，然后，拼接起始引流节点的邻居相关特征以及起始引流节点的节点特征，得到起始引流节点的融合特征，将起始引流节点的节点特征更新为起始引流节点的融合特征。

例如，对于终止引流节点的节点特征的更新，先基于待识别文章的邻居节点，确定终止引流节点的邻居相关特征，然后，拼接终止引流节点的邻居相关特征以及终止引流节点的节点特征，得到终止引流节点的融合特征，将终止引流节点的节点特征更新为终止引流节点的融合特征。

在一些实施例中，基于待识别文章的邻居节点，确定终止引流节点的邻居相关特征，包括：基于待识别文章的邻居节点，确定终止引流节点的邻居节点；确定终止引流节点的邻居节点与终止引流节点之间的边的边特征；对终止引流节点的邻居节点的节点特征与边特征进行拼接处理，得到拼接特征；基于拼接特征以及终止引流节点的节点特征进行注意力处理，得到终止引流节点的邻居相关特征。

例如，节点与节点之间的边为文章，其边特征表征文章的文本特征。终止引流节点的邻居相关特征的计算过程如公式(1)-公式(2)所示：

其中，sre′表示终止引流节点的邻居节点，E(dst)表示终止引流节点的所有邻居节点的集合，

在一些实施例中，对终止引流节点的邻居相关特征以及终止引流节点的节点特征进行融合处理，得到终止引流节点的融合特征，包括：将终止引流节点的节点特征与可学习矩阵进行乘积处理；将乘积处理的结果与终止引流节点的邻居相关特征进行拼接处理，得到终止引流节点的融合特征。

例如，融合处理的过程为

在步骤105中，对更新后的待识别文章的文本特征以及更新后的引流节点的节点特征进行融合处理，得到融合特征。

其中，在获得更新后的待识别文章的文本特征以及更新后的引流节点的节点特征之后，融合待识别文章的文本特征以及更新后的引流节点的节点特征，以得到融合特征，以便后续基于融合特征进行作弊识别。

例如，将更新后的待识别文章的文本特征与更新后的引流节点的节点特征进行拼接处理，得到融合特征，以通过简单的拼接操作实现融合处理，节省计算资源。

例如，将更新后的待识别文章的文本特征与更新后的引流节点的节点特征进行加和处理，得到融合特征，以通过简单的加和操作实现融合处理，节省计算资源。

在步骤106中，基于融合特征进行作弊预测处理，得到待识别文章属于作弊文章的概率。

例如，在确定融合特征后，通过分类器对融合特征进行二分类处理，得到待识别文章属于作弊文章的概率，当属于作弊文章的概率大于概率阈值时，确定该待识别文章为作弊文章，以实现准确的作弊识别功能，以便后续基于识别出的作弊文章进行后处理，例如从数据库中滤除作弊文章等。

下面，将说明本申请实施例在一个实际的应用场景中的示例性应用。

本申请实施例的作弊文章识别可应用于各种场景，例如，如图1所示，对于搜索应用，终端通过用户输入的搜索关键词自动生成针对文章的作弊识别请求(包括搜索关键词)，并将针对文章的作弊识别请求发送至服务器，服务器解析针对文章的作弊识别请求，获取搜索关键词，并基于搜索关键词从数据库中召回文章，得到各种召回文章，基于召回文章的文本以及召回文章的引流关系，先对召回文章的进行作弊预测，从而识别出作弊文章，并从召回文章中筛除作弊文章，并将召回文章中的正常文章发送至终端，终端向用户呈现正常文章，从而提高搜索文章的质量，快速获得用户行为数据，以充分利用计算资源。

相关技术中作弊文章识别方案包括以下方法：

方法1、通过人工挖掘一批作弊搜索引擎优化(SEO，Search Engine Optimization)关键词(例如公众号等)，并设置相关的规则进行判别；

方法2、采用文本分类的方法，将提取出来的文本特征输入到机器学习模型中进行判别，以识别出作弊文章。

申请人在实施本申请实施例的过程中发现以下问题：

1)通过人工挖掘作弊SEO关键词，并设置相关规则不仅耗费人力，而且很易遗漏作弊文章，效率很低。另外，由于文章中的作弊内容往往不是由少量几个关键词所决定的，采用关键词来做判断很容易出现大面积的误判，很多正常文章会只因为包含少量的关键词就会被认为是作弊文章；

2)采用机器学习模型的文本分类的方法可以在一定程度上解决上述人工挖掘所产生的问题。但是在公众号发布的文章中，随着黑产团伙的不断对抗，作弊文章很容易被绕过，导致机器学习模型漏召回。

为了解决上述问题，本申请实施例提供一种基于图神经网络的作弊引流文章检测方法，能够识别作弊引流文章(引流过程中的作弊文章)，根据文章之间的引流关系构建账号文章引流关系图(账号与文章之间的引流关系图)，通过基于卷积神经网络的文本分类模型(TextCNN)提取文章的标题或者正文中有效的文本特征，基于图注意力网络(GAT，GraphAttention Network)模型更新引流关系图中节点和边的特征向量，最后将更新后的节点和边的特征向量拼接到一起进行作弊文章的二分类，以识别出作弊文章。通过文章引流关系构建账号引流关系图，能够深入挖掘背后团伙运营关系，提高覆盖率。利用图注意力网络同时对文章文本和引流关系建模，保证精度和召回率。

本申请实施例提供的基于图神经网络的作弊引流文章检测方法可以应用在搜一搜的搜索过程中，识别出作弊文章，从而在搜索结果对这种作弊文章进行过滤。如图8A所示的搜一搜主要入口，点击搜一搜入口801，即可进入如图8B所示的搜索完搜索词(query)之后的主界面802，用户通过点击图8B中的文章来阅读自己感兴趣的文章。

对于搜索类的产品来说，搜索结果的质量很大程度上影响用户体验。搜索结果中的质量好的文章越多，则用户的体验越好。如图9所示，当用户点击某公众号所承载的作弊引流文章(恶意引流的作弊文章)之后进入正文，就会被诱导去扫描二维码跳转到另一个公众号，这个公众号又会继续诱导跳转，经过很多次跳转之后来到终点进行充值，最后通过菜单跳转诱导用户充值。用户在花费了很多时间的情况发现被骗，对用户搜索体验伤害极大。这类作弊引流文章的屏蔽对用户体验的提升是很有必要的。本申请实施例结合文章文本和引流关系，可以对作弊引流文章进行过滤，从而避免这类作弊引流文章出现在搜索结果中，以提高搜索质量。

如图10所示，本申请实施例提供的基于图神经网络的作弊引流文章检测方法主要包括4个部分，即特征提取、构建账号文章引流关系图、图注意力网络模型学习以及作弊引流文章分类。下面具体说明基于图神经网络的作弊引流文章检测方法的算法流程：

1)获取一段时间的所有文章，根据文章中二维码引流(不限于二维码引流，还可以是文章中文字、图片链接、阅读原文、菜单跳转等其他形式)的关系，构建账号文章引流关系图。

如图11所示，图中的圆圈节点表示公众号(不限于公众号，还可以是其他外链)，当这个公众号发表一篇文章并通过二维码引流到另一个公众号时会产生一条有向边。如图11所示，账号文章引流关系图中的边表示文章，实线的边表示作弊引流文章，虚线的边表示正常引流文章。

2)特征向量初始化

对于每篇文章先对标题进行分词，对应划分成w1、w2、…、wk共计k个词。利用用来产生词向量的相关模型(word2vec)将每个词映射为1个300维实向量，即文章标题映射成k*300的矩阵，即文章向量表示，然后将文章向量表示输入到TextCNN模型中进行计算，提取出关键词特征作为边的初始化特征。其中，文章特征的提取不限于标题，还可以是正文相关的特征，例如正文文本、图片数、视频等其他统计特征。对于账号节点的特征向量则进行随机初始化。

3)图注意力网络模型学习

如图11所示，这里通过图注意力网络的方式更新节点和边的向量，其中，结合发文公众号(起始引流节点h

其中，边的更新公式如公式(3)所示：

其中，

其中，节点的更新公式如公式(4)-(6)所示：

其中，

4)作弊引流文章分类

对于每一篇文章，将已经更新好的公众号的节点向量和文章的边向量进行拼接后，输入到由全连接层构成的分类器中进行二分类，输出相应的作弊概率得分。

在应用之前，首先需要对算法流程中的模型进行训练。采用有监督的学习方式，收集大概2万多篇带标签的公众号文章，其中，标签用于表征这篇文章是否是作弊引流文章。另外，还选取一段时间内发表的公众号文章(总计80万)，构建一个包含43万个公众号、49万篇文章的关系图。在训练的过程中，采用随机梯度下降(Adam)优化算法以及二元交叉熵损失(binary cross entropy loss)优化目标在训练集上训练该模型直至收敛。模型在训练过程中会学习到每篇文章是恶意引流文章的概率得分。

模型训练完之后，即可按照上述算法流程作为线上服务来处理公众号文章。首先设置的GAT的层数为2层。在预测的时候模型计算就只考虑2阶邻居，所以在预测之前可以进行剪枝，即对一篇文章的预测不需要把整个引流关系都算一遍，只需要考虑2阶邻居的子图。另外，在预测的时候如果只是一个一个把子图放到图形处理器(GPU，GraphicsProcessing Unit)来运算的话，效率会很低，因此，采用如图13所示的批子图推理(BatchSubgraph Inference)的方法，将多个子图合并成一个内部独立的大图来进行并行计算。

其中，具体的应用过程如下所示：

第1步，输入文章进行特征提取，获取文章标题以及引流关系，并查找二阶邻居获取计算所需要的子图；

第2步，将子图输入到图注意力网络模型中，计算输入文章的作弊概率得分，以确定输入文章是否为作弊引流文章；

第3步，将识别为作弊引流文章从搜索结果中过滤掉。

综上，本申请实施例提供的基于图神经网络的作弊引流文章检测方法，利用TextCNN强大的局部特征提取能力获取标题核心关键词，减小参数量，提高性能，降低计算资源的消耗；利用图注意力网络在更新节点时考虑导流的所有文章，对不同邻居分配不同权重，并且可以直接泛化节点的表示；在最后进行文章分类时，同时考虑文章文本和导流关系使得在效果上相比于只考虑文章文本的方法，提高准确率以及召回率。

至此已经结合本申请实施例提供的作弊识别系统的示例性应用和实施，说明本申请实施例提供的基于人工智能的作弊识别方法。本申请实施例还提供作弊识别装置，实际应用中，作弊识别装置中的各功能模块可以由电子设备(如服务器或服务器集群)的硬件资源，如处理器等计算资源、通信资源(如用于支持实现光缆、蜂窝等各种方式通信)、存储器协同实现。其中，作弊识别装置(图4示出了存储在存储器550中的作弊识别装置555)可以是程序和插件等形式的软件，例如，软件C/C++、Java等编程语言设计的软件模块、C/C++、Java等编程语言设计的应用软件或大型软件系统中的专用软件模块、应用程序接口、插件、云服务等实现方式，下面对不同的实现方式举例说明。

示例一、作弊识别装置是移动端应用程序及模块

本申请实施例中的作弊识别装置可提供为使用软件C/C++、Java等编程语言设计的软件模块，嵌入到基于Android或iOS等系统的各种移动端应用中(以可执行指令存储在移动端的存储介质中，由移动端的处理器执行)，从而直接使用移动端自身的计算资源完成相关的作弊识别任务，并且定期或不定期地通过各种网络通信方式将处理结果传送给远程的服务器，或者在移动端本地保存。

示例二、作弊识别装置是服务器应用程序及平台

本申请实施例中的作弊识别装置可提供为使用C/C++、Java等编程语言设计的应用软件或大型软件系统中的专用软件模块，运行于服务器端(以可执行指令的方式在服务器端的存储介质中存储，并由服务器端的处理器运行)，服务器使用自身的计算资源完成相关的作弊识别任务。

本申请实施例还可以提供为在多台服务器构成的分布式、并行计算平台上，搭载定制的、易于交互的网络(Web)界面或其他各用户界面(UI，User Interface)，形成供个人、群体或单位使用的作弊识别平台等。

示例三、作弊识别装置是服务器端应用程序接口(API，Application ProgramInterface)及插件

本申请实施例中的作弊识别装置可提供为服务器端的API或插件，以供用户调用，以执行本申请实施例的基于人工智能的作弊识别方法，并嵌入到各类应用程序中。

示例四、作弊识别装置是移动设备客户端API及插件

本申请实施例中的作弊识别装置可提供为移动设备端的API或插件，以供用户调用，以执行本申请实施例的基于人工智能的作弊识别方法。

示例五、作弊识别装置是云端开放服务

本申请实施例中的作弊识别装置可提供为向用户开发的作弊识别云服务，供个人、群体或单位使用。

其中，作弊识别装置555包括一系列的模块，包括特征提取模块5551、确定模块5552、构建模块5553、更新模块5554、融合模块5555以及分类模块5556。下面继续说明本申请实施例提供的作弊识别装置555中各个模块配合实现作弊识别方案。

特征提取模块5551，用于对待识别文章进行特征提取处理，得到所述待识别文章的文本特征；确定模块5552，用于基于所述待识别文章的引流关系，确定所述待识别文章的引流节点的节点特征；构建模块5553，用于基于所述待识别文章以及所述引流节点，构建所述待识别文章的引流关系图；更新模块5554，用于基于所述待识别文章的引流关系图，更新所述待识别文章的文本特征以及所述引流节点的节点特征；融合模块5555，用于对更新后的所述待识别文章的文本特征以及更新后的所述引流节点的节点特征进行融合处理，得到融合特征；分类模块5556，用于基于所述融合特征进行作弊预测处理，得到所述待识别文章属于作弊文章的概率。

在一些实施例中，所述特征提取模块5551还用于对所述待识别文章的标题进行特征提取处理，得到所述待识别文章的标题特征；对所述待识别文章的正文进行特征提取处理，得到所述待识别文章的正文特征；对所述待识别文章的标题特征以及所述待识别文章的正文特征进行融合处理，得到所述待识别文章的文本特征。

在一些实施例中，所述特征提取模块5551还用于对所述待识别文章的标题进行分词处理，得到所述标题的多个词语；对所述标题的多个词语进行映射处理，得到所述多个词语分别对应的词向量；对所述多个词语分别对应的词向量进行拼接处理，得到所述标题的向量矩阵；基于所述标题的向量矩阵进行关键词提取处理，得到所述待识别文章的标题特征。

在一些实施例中，所述特征提取模块5551还用于基于所述标题的向量矩阵进行卷积处理，得到所述标题的多个特征图；对所述标题的多个特征图进行关键词提取处理，得到所述标题的多个关键词特征；对所述多个关键词特征进行拼接处理，得到所述待识别文章的标题特征。

在一些实施例中，所述待识别文章的引流节点包括起始引流节点以及终止引流节点；所述确定模块5552还用于基于所述待识别文章的引流关系，确定所述待识别文章的起始引流节点以及终止引流节点；分别对所述起始引流节点以及所述终止引流节点进行特征提取处理，得到所述起始引流节点的节点特征以及所述终止引流节点的节点特征。

在一些实施例中，所述待识别文章的引流节点包括起始引流节点以及终止引流节点；所述构建模块5553还用于基于所述待识别文章、所述起始引流节点以及所述终止引流节点，确定所述待识别文章的邻居节点；将所述待识别文章作为所述起始引流节点与所述终止引流节点之间的边；基于所述起始引流节点与所述终止引流节点之间的边、所述起始引流节点、所述终止引流节点以及所述待识别文章的邻居节点，构建所述待识别文章的引流关系图。

在一些实施例中，所述待识别文章的引流节点包括起始引流节点以及终止引流节点；所述更新模块5554还用于基于所述待识别文章的引流关系图，确定所述待识别文章的起始引流节点、所述待识别文章的终止引流节点以及所述待识别文章的邻居节点；基于所述待识别文章、所述起始引流节点以及所述终止引流节点，更新所述待识别文章的文本特征；基于所述待识别文章的邻居节点、所述起始引流节点以及所述终止引流节点，更新所述起始引流节点的节点特征以及所述终止引流节点的节点特征。

在一些实施例中，所述更新模块5554还用于对所述待识别文章的文本特征、所述起始引流节点的节点特征以及所述终止引流节点的节点特征进行拼接处理，得到拼接特征；基于所述拼接特征进行映射处理，得到映射特征；基于所述映射特征更新所述待识别文章的文本特征。

在一些实施例中，所述更新模块5554还用于将所述拼接特征与可学习矩阵进行乘积处理；将所述乘积处理的结果进行非线性映射处理，得到所述映射特征。

在一些实施例中，所述更新模块5554还用于基于所述待识别文章的邻居节点，确定所述起始引流节点的邻居相关特征；对所述起始引流节点的邻居相关特征以及所述起始引流节点的节点特征进行融合处理，得到所述起始引流节点的融合特征；基于所述起始引流节点的融合特征更新所述起始引流节点的节点特征；基于所述待识别文章的邻居节点，确定所述终止引流节点的邻居相关特征；对所述终止引流节点的邻居相关特征以及所述终止引流节点的节点特征进行融合处理，得到所述终止引流节点的融合特征；基于所述终止引流节点的融合特征更新所述终止引流节点的节点特征。

在一些实施例中，所述更新模块5554还用于基于所述待识别文章的邻居节点，确定所述终止引流节点的邻居节点；确定所述终止引流节点的邻居节点与所述终止引流节点之间的边的边特征；对所述终止引流节点的邻居节点的节点特征与所述边特征进行拼接处理，得到拼接特征；基于所述拼接特征以及所述终止引流节点的节点特征进行注意力处理，得到所述终止引流节点的邻居相关特征。

在一些实施例中，所述更新模块5554还用于将所述终止引流节点的节点特征与可学习矩阵进行乘积处理；将所述乘积处理的结果与所述终止引流节点的邻居相关特征进行拼接处理，得到所述终止引流节点的融合特征。

在一些实施例中，所述融合模块5555还用于将更新后的所述待识别文章的文本特征与更新后的所述引流节点的节点特征进行拼接处理，得到所述融合特征；或者，将更新后的所述待识别文章的文本特征与更新后的所述引流节点的节点特征进行加和处理，得到所述融合特征。

本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行本申请实施例上述的基于人工智能的作弊识别方法。

本申请实施例提供一种存储有可执行指令的计算机可读存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本申请实施例提供的基于人工智能的作弊识别方法，例如，如图5A-图5C示出的基于人工智能的作弊识别方法。

在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。

在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。

作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。

作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。

以上所述，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。