[0034] 以下，术语“第一”、“第二”和“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”或“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。
[0035] 图1示出了本发明实施例提供的一种针对智慧云服务的用户信息保护方法的流程示意图，一种针对智慧云服务的用户信息保护方法可以通过智慧云服务器实现，智慧云服务器可以包括存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；其中，当所述处理器执行所述计算机指令时，使得所述智慧云服务器执行如下步骤所描述的技术方案。
[0036] 本发明实施例的针对智慧云服务的用户信息保护方法的设计思路如下：根据云服务用户活动日志，确定待进行用户信息保护的云服务用户交互记录的服务会话行为事件的隐私描述挖掘结果；基于注意力指标对所述隐私描述挖掘结果进行更新，并利用完成描述尺寸更新的所述隐私描述挖掘结果对所述云服务用户交互记录进行个性化隐私描述挖掘和信息匿名操作。应用于本发明实施例，由于信息匿名操作是针对个体隐私进行的，且进行隐私匿名处理的过程中能够考虑连续的云服务用户交互记录的隐私描述挖掘结果的注意力指标（比如特征维度），因而能够尽可能精准地实现相对重要的用户信息的匿名处理，无需对大量的用户信息进行匿名处理，从而减少系统资源的开销，提高用户信息保护的效率。
[0037] 可以理解的是，上述整体设计思路的进一步实施方式可以通过以下内容实现。
[0038] 步骤301、确定多组存在时序先后联系的云服务用户活动日志。
[0039] 在本发明实施例中，所述多组存在时序先后联系的云服务用户活动日志包括第X组云服务用户交互记录、第Y组云服务用户交互记录以及第Y组完成个体隐私匿名化处理的云服务用户交互记录，所述X和所述Y为正整数，且Y=X‑1。
[0040] 在本发明实施例中，可以利用日志检测线程确定多组存在时序先后联系的云服务用户活动日志。第X组云服务用户交互记录、第Y组云服务用户交互记录为云服务用户活动日志中邻近的两组云服务用户交互记录，进一步的，第X组云服务用户交互记录可以理解为第Y组云服务用户交互记录的上一组云服务用户交互记录，第X组云服务用户交互记录可以理解为目前待进行信息匿名操作的一组云服务用户交互记录。第Y组完成个体隐私匿名化处理的云服务用户交互记录可以理解为对第Y组云服务用户交互记录进行信息匿名操作后获得的云服务用户交互记录。
[0041] 举例而言，多组存在时序先后联系的云服务用户活动日志可以理解为多组连续的云服务用户活动日志。进一步地，云服务用户活动日志可以涉及电子商务、在线办公、智慧城市、数字医疗、云游戏等领域，当以上述领域为例实施本发明实施例时，所属领域技术人员可以对云服务用户活动日志的实际内容进行适应性调整，本发明实施例不作限制。
[0042] 可以理解的是，本发明实施例对云服务用户活动日志进行匿名化处理可以是一个循环的过程，简单的理解，第X组完成个体隐私匿名化处理的云服务用户交互记录将作为第V组云服务用户交互记录信息匿名操作过程的原料信息（可以理解为输入信息），其中，所述V为正整数，且V=X+1。
[0043] 举例而言，如果X为1，目前匿名化处理的交互日志为云服务用户活动日志中的第一组。这时，第Y组云服务用户交互记录以及第Y组完成个体隐私匿名化处理的云服务用户交互记录皆为第X组，确定3组第一组云服务用户交互记录。
[0044] 在本发明实施例中，将云服务用户活动日志中的每一组云服务用户交互记录根据采集的时间顺序整理获得的集合称为云服务用户活动日志集合。将信息匿名操作后获得的云服务用户交互记录称为完成个体隐私匿名化处理的云服务用户交互记录。
[0045] 本发明实施例根据云服务用户活动日志中集合对云服务用户活动日志进行信息匿名操作，每一轮仅对一组云服务用户交互记录进行信息匿名操作。
[0046] 可以理解，云服务用户活动日志以及完成个体隐私匿名化处理的云服务用户交互记录可以记录在云空间中，其中，云服务用户活动日志指动态化和流式的用户活动日志，即按云服务用户活动日志集合的规则将云服务用户活动日志记录在云空间中。由此，智慧云服务器能够直接从云空间中确定第X组云服务用户交互记录、第Y组云服务用户交互记录以及第Y组完成个体隐私匿名化处理的云服务用户交互记录。
[0047] 可以理解的是，在本发明实施例中云服务用户活动日志可以是通过智慧云服务器的日志检测线程所获得的云服务用户活动日志，也可以是记录在云空间中的云服务用户活动日志，但不限于此。
[0048] 步骤302、基于所述第X组云服务用户交互记录、所述第Y组云服务用户交互记录以及所述第Y组完成个体隐私匿名化处理的云服务用户交互记录，获得所述第X组云服务用户交互记录的隐私描述挖掘结果。
[0049] 在本发明实施例中，将第X组云服务用户交互记录、第Y组云服务用户交互记录以及第Y组完成个体隐私匿名化处理的云服务用户交互记录在注意力层面下（不同注意力指标对应不同的关注维度）进行组合（比如：叠加），获得待进行用户信息保护的云服务用户交互记录。举例而言，如果 第X组云服务用户交互记录、第Y组云服务用户交互记录以及第Y组完成个体隐私匿名化处理的云服务用户交互记录的规模皆为a*a*b，组合后获得的待进行用户信息保护的云服务用户交互记录的规模为a*a*3b，换言之，将3组云服务用户交互记录（第X组云服务用户交互记录、第Y组云服务用户交互记录以及第Y组完成个体隐私匿名化处理的云服务用户交互记录）组合后获得的待进行用户信息保护的云服务用户交互记录中的服务会话行为事件的数目相对于3组云服务用户交互记录中的其中一组云服务用户交互记录中服务会话行为事件数目保持不变，但每个服务会话行为事件的注意力指标数量将调整成3组云服务用户交互记录中的其中一组云服务用户交互记录的三倍。
[0050] 在本发明实施例中，对待进行用户信息保护的云服务用户交互记录的服务会话行为事件所进行的个性化隐私描述挖掘可以通过若干个组合的隐私描述挖掘子模型（卷积层）的实现，本发明实施例对隐私描述挖掘子模型的数目以及隐私描述挖掘子模型中隐私描述挖掘单元（比如卷积核）的维度不作进一步的限制。
[0051] 利用对待进行用户信息保护的云服务用户交互记录的服务会话行为事件进行个性化隐私描述挖掘，可以确定出待进行用户信息保护的云服务用户交互记录中的服务会话行为事件的关键事件内容（例如：特征信息），获得隐私描述挖掘结果。其中，关键事件内容包括第Y组云服务用户交互记录的服务会话行为事件相较于所述第X组云服务用户交互记录的服务会话行为事件的敏感事件内容变化数据（比如与隐私信息关联较强的事件内容的前后差异情况），以及第Y组云服务用户交互记录的服务会话行为事件相较于所述第Y组完成个体隐私匿名化处理的云服务用户交互记录的服务会话行为事件的个体隐私数据。上述敏感事件内容变化数据包括第Y组云服务用户交互记录中的服务会话行为事件相对第X组云服务用户交互记录中对应的服务会话行为事件的敏感事件热力值（比如事件的关注度或者活跃度）和敏感事件互动状态（比如事件处于交互过程、暂停过程还是终止）。
[0052] 可以理解的是，在本发明实施例中的隐私描述挖掘结果可以理解为对待进行用户信息保护的云服务用户交互记录进行个性化隐私描述挖掘获得的结果，在本发明的后期挖掘中将其作为个性化隐私描述挖掘的隐私描述挖掘单元。
[0053] 可以理解，对待进行用户信息保护的云服务用户交互记录的服务会话行为事件进行个性化隐私描述挖掘可以理解为对待进行用户信息保护的云服务用户交互记录的每个服务会话行为事件进行个性化隐私描述挖掘，分别获得每个服务会话行为事件的隐私描述挖掘结果。结合其他示例来看，待进行用户信息保护的云服务用户交互记录的规模为a*a*3b，换言之，待进行用户信息保护的云服务用户交互记录中包含a*a个服务会话行为事件，则在对待进行用户信息保护的云服务用户交互记录的服务会话行为事件进行个性化隐私描述挖掘后，可获得一组a*a的关键服务项目隐私分布，其中，上述a*a的关键服务项目隐私分布中的每个服务会话行为事件皆可以作为后期对第X组云服务用户交互记录中的服务会话行为事件进行信息匿名操作的隐私描述挖掘结果。
[0054] 步骤303、利用所述隐私描述挖掘结果对所述第X组云服务用户交互记录进行信息匿名操作，获得第X组完成个体隐私匿名化处理的云服务用户交互记录。
[0055] 步骤3031，利用所述隐私描述挖掘结果对所述第X组云服务用户交互记录的关键服务项目隐私分布的服务会话行为事件进行个性化隐私描述挖掘，获得第一关键服务项目隐私分布。
[0056] 在本发明实施例中，第X组云服务用户交互记录的关键服务项目隐私分布可利用对第X组云服务用户交互记录进行关键内容识别操作获得，其中，关键内容识别操作可以是个性化隐私描述挖掘，也可以是下采样操作，本发明实施例对此不作过多限制。进一步地，关键服务项目隐私分布可以理解为关键服务项目的相关用户信息隐私的特征分布或者特征图，关键服务项目隐私分布能够尽可能完整全面地记录关键服务项目的相关用户信息隐私，从而为后续的隐私匿名提供可靠的分析依据。
[0057] 利用步骤302的处理获得待进行用户信息保护的云服务用户交互记录中每个服务会话行为事件的隐私描述挖掘结果，其中，待进行用户信息保护的云服务用户交互记录的服务会话行为事件的数目与第X组云服务用户交互记录的服务会话行为事件的数目一致，且在待进行用户信息保护的云服务用户交互记录中的服务会话行为事件与第X组云服务用户交互记录中的服务会话行为事件逐一对应。在本发明实施例中，逐一对应的进一步解释可以参考以下实施例：待进行用户信息保护的云服务用户交互记录中服务会话行为事件event_A与第X组云服务用户交互记录中的服务会话行为事件event_B逐一对应，换言之，服务会话行为事件event_A在待进行用户信息保护的云服务用户交互记录中的定位解析数据与服务会话行为事件event_B在第X组云服务用户交互记录中的定位解析数据一致。举例而言，定位解析数据可以理解为事件在记录中的相对位置或者分布情况。
[0058] 步骤3032，对所述第一关键服务项目隐私分布进行信息匿名操作，获得所述第X组完成个体隐私匿名化处理的云服务用户交互记录。
[0059] 在本发明实施例中，信息匿名操作可以利用k‑anonymity匿名隐私分析实现，也可以利用k‑anonymity匿名隐私分析与个性化隐私描述挖掘融合获得，本发明实施例对此不作过多限制。
[0060] 可以理解的是，为了能够显著保障对第X组云服务用户交互记录进行匿名化处理的质量，将对第一关键服务项目隐私分布进行信息匿名操作获得的云服务用户交互记录中的服务会话行为事件的事件主题标签与第X组云服务用户交互记录的服务会话行为事件的事件主题标签加权，并将“加权”后获得的云服务用户交互记录作为第X组完成个体隐私匿名化处理的云服务用户交互记录。利用上述“加权”可利用第X组云服务用户交互记录的信息获得第X组完成个体隐私匿名化处理的云服务用户交互记录。
[0061] 举例而言，如果信息匿名操作后获得的云服务用户交互记录中的服务会话行为事件event_C的事件主题标签为100，第X组云服务用户交互记录中的服务会话行为事件event_D的事件主题标签为75，则“加权”后获得的第X组完成个体隐私匿名化处理的云服务用户交互记录中的服务会话行为事件event_E的事件主题标签为175。其中，服务会话行为事件event_C在待进行用户信息保护的云服务用户交互记录中的定位解析数据、服务会话行为事件event_D在第X组云服务用户交互记录中的定位解析数据以及服务会话行为事件event_E在第X组完成个体隐私匿名化处理的云服务用户交互记录中的定位解析数据一致。
[0062] 基于上述内容，存在差异的云服务用户交互记录中不同的服务会话行为事件的敏感事件内容变化集存在差异，且服务会话行为事件的敏感事件内容变化集越繁琐，敏感事件内容变化集的隐私保护重要性越大，本发明实施例利用为待进行用户信息保护的云服务用户交互记录中的每个服务会话行为事件分别估计一个隐私描述挖掘结果，并利用估计获得的隐私描述挖掘结果对第X组关键服务项目隐私分布中的隐私描述向量进行个性化隐私描述挖掘，以实现第X组关键服务项目隐私分布对应的服务会话行为事件的信息匿名处理。由于，存在差异的云服务用户交互记录中不同的服务会话行为事件的隐私保护迫切度不同，因此，为不同的服务会话行为事件匹配对应的隐私描述挖掘结果，可更好的实现每个服务会话行为事件的信息匿名保护，进而实现对存在差异的云服务用户交互记录的个性化匿名保护处理，避免服务交互过程中用户隐私信息的泄露。
[0063] 本发明实施例基于第Y组云服务用户交互记录的服务会话行为事件以及第Y组完成个体隐私匿名化处理的云服务用户交互记录的服务会话行为事件之间的个体隐私数据，获得服务会话行为事件的隐私描述挖掘结果，并用该隐私描述挖掘结果对第X组云服务用户交互记录中对应的服务会话行为事件进行个性化隐私描述挖掘，以准确可靠地对第X组云服务用户交互记录中的服务会话行为事件进行匿名化处理；利用为第X组云服务用户交互记录中的每个服务会话行为事件分别确定一个隐私描述挖掘结果，能够准确可靠地对第X组云服务用户交互记录进行匿名化处理，完成个体隐私匿名化处理的云服务用户交互记录能够更加准确可靠，同时能够提高所有信息匿名操作过程中的效率。
[0064] 对于另一些可独立实施的设计思路而言，以上步骤3031所记录的内容可以通过以下方式实现。
[0065] 步骤401、对待进行用户信息保护的云服务用户交互记录进行个性化隐私描述挖掘，以确定第Y组云服务用户交互记录的服务会话行为事件相较于第X组云服务用户交互记录的服务会话行为事件的敏感事件内容变化数据，获得关联行为事件内容，其中，所述敏感事件内容变化数据包括事件热力值和事件互动状态。
[0066] 在本发明实施例中，敏感事件内容变化数据包括事件热力值和事件互动状态，可以理解为服务会话行为事件的敏感事件内容变化数据指该服务会话行为事件从第Y组顺序节点（获取第Y组云服务用户交互记录的时间信息）至第X组的时间信息（获取第X组云服务用户交互记录的时间信息）内的敏感事件内容变化集。
[0067] 如此设计，第Y组云服务用户交互记录的服务会话行为事件相较于第X组云服务用户交互记录的服务会话行为事件的敏感事件内容变化数据能够有利于提高对第X组云服务用户交互记录进行匿名化处理的效率。
[0068] 在本发明实施例中，对待进行用户信息保护的云服务用户交互记录的服务会话行为事件所进行的个性化隐私描述挖掘可以通过若干个组合隐私描述挖掘子模型的实现，本发明对隐私描述挖掘子模型的数目以及隐私描述挖掘子模型中隐私描述挖掘单元的维度不作过多限定。
[0069] 利用对待进行用户信息保护的云服务用户交互记录的服务会话行为事件进行个性化隐私描述挖掘，可以确定出待进行用户信息保护的云服务用户交互记录中的服务会话行为事件的关键事件内容，获得关联行为事件内容。其中，关键事件内容包括第Y组云服务用户交互记录的服务会话行为事件相较于所述第X组云服务用户交互记录的服务会话行为事件的敏感事件内容变化数据。
[0070] 可以理解的是，在本发明实施例中的关联行为事件内容可以理解为对待进行用户信息保护的云服务用户交互记录进行个性化隐私描述挖掘获得的结果，在本发明实施例的后期操作中将其作为个性化隐私描述挖掘的隐私描述挖掘单元。在实际实施时，鉴于关联行为事件内容利用对待进行用户信息保护的云服务用户交互记录进行个性化隐私描述挖掘确定出第Y组云服务用户交互记录的服务会话行为事件相较于第X组云服务用户交互记录的服务会话行为事件的敏感事件内容变化数据获得，因此，后续可利用关联行为事件内容对第X组云服务用户交互记录的服务会话行为事件进行配对操作。举例而言，待进行用户信息保护的云服务用户交互记录可以理解为当前需要进行处理的云服务用户交互记录。
[0071] 可以理解的是，本发明实施例中获得的关联行为事件内容也是实时获得的，利用以上操作思路，获得第X组云服务用户交互记录中的各个服务会话行为事件的关联行为事件内容。
[0072] 步骤402、对所述关联行为事件内容进行个体画像识别操作，获得所述隐私描述挖掘结果。
[0073] 在本发明实施例中，个体画像识别操作可以是个性化隐私描述挖掘，也可以是下采样操作。
[0074] 个体画像识别操作可以理解为个性化隐私描述挖掘，个性化隐私描述挖掘可以通过若干个组合的隐私描述挖掘子模型的实现，本发明实施例对隐私描述挖掘子模型的数目以及隐私描述挖掘子模型中隐私描述挖掘单元的维度不做限定。
[0075] 可以理解的是，步骤402中的个性化隐私描述挖掘与步骤401中的个性化隐私描述挖掘不同。举例而言，如果步骤401中的个性化隐私描述挖掘通过三个注意力指标数量是“8”的隐私描述挖掘子模型（隐私描述挖掘单元的尺寸维度为3c*3c）实现，步骤402中的个性化隐私描述挖掘通过五个注意力指标数量是“16”的隐私描述挖掘子模型（隐私描述挖掘单元的尺寸维度为3c*3c）实现，两者（三个隐私描述挖掘子模型和五个隐私描述挖掘子模型）其实都是个性化隐私描述挖掘，但两者的实际实施流程不同。
[0076] 鉴于待进行用户信息保护的云服务用户交互记录可以是由第X组云服务用户交互记录、第Y组云服务用户交互记录以及第Y组完成个体隐私匿名化处理的云服务用户交互记录在注意力层面下进行组合获得，因此，待进行用户信息保护的云服务用户交互记录中包含了第X组云服务用户交互记录、第Y组云服务用户交互记录以及第Y组完成个体隐私匿名化处理的云服务用户交互记录的信息。而步骤401中的个性化隐私描述挖掘更趋向于确定第Y组云服务用户交互记录的服务会话行为事件相较于所述第X组云服务用户交互记录的服务会话行为事件的敏感事件内容变化数据，换言之，通过步骤401的处理，待进行用户信息保护的云服务用户交互记录中第Y组云服务用户交互记录与第Y组完成个体隐私匿名化处理的云服务用户交互记录之间的个体隐私数据并没有被确定出来。
[0077] 可以理解，在对关联行为事件内容进行个体画像识别操作之前，可对待进行用户信息保护的云服务用户交互记录与关联行为事件内容进行拼接操作，使拼接后获得的关联行为事件内容包含第Y组云服务用户交互记录与第Y组完成个体隐私匿名化处理的云服务用户交互记录之间的个体隐私数据。
[0078] 利用对关联行为事件内容进行个性化隐私描述挖掘，确定出第Y组完成个体隐私匿名化处理的云服务用户交互记录相较于所述第Y组云服务用户交互记录的服务会话行为事件的个体隐私数据，获得隐私描述挖掘结果。其中，个体隐私数据可以理解为第Y组云服务用户交互记录的服务会话行为事件与第Y组完成个体隐私匿名化处理的云服务用户交互记录服务会话行为事件之间的对应列表（比如可以理解为映射关系），换言之，信息匿名操作之前的服务会话行为事件与完成个体隐私匿名化处理的服务会话行为事件之间的对应列表。
[0079] 如此，利用对关联行为事件内容进行个性化隐私描述挖掘获得的隐私描述挖掘结果不仅涵盖第Y组云服务用户交互记录的服务会话行为事件与第Y组完成个体隐私匿名化处理的云服务用户交互记录的服务会话行为事件之间的个体隐私数据，也涵盖了第Y组云服务用户交互记录的服务会话行为事件与第X组云服务用户交互记录的服务会话行为事件之间的敏感事件内容变化数据。后续利用隐私描述挖掘结果对第X组云服务用户交互记录的服务会话行为事件进行个性化隐私描述挖掘，这样能够提高匿名化处理的效率。
[0080] 本发明实施例基于第Y组云服务用户交互记录的服务会话行为事件以及第X组云服务用户交互记录的服务会话行为事件之间的敏感事件内容变化数据，获得服务会话行为事件的关联行为事件内容，后续可利用该关联行为事件内容进行配对操作。再利用对关联行为事件内容进行个性化隐私描述挖掘，确定出第Y组云服务用户交互记录的服务会话行为事件与第Y组完成个体隐私匿名化处理的云服务用户交互记录的服务会话行为事件之间的个体隐私数据，获得隐私描述挖掘结果，可使隐私描述挖掘结果不仅包含第Y组云服务用户交互记录的服务会话行为事件与第Y组完成个体隐私匿名化处理的云服务用户交互记录的服务会话行为事件之间的个体隐私数据，而且包含了第Y组云服务用户交互记录的服务会话行为事件与第X组云服务用户交互记录的服务会话行为事件之间的敏感事件内容变化数据，有助于提高对第X组云服务用户交互记录进行匿名化处理的可信度。
[0081] 以上相关技术方案皆利用对云服务用户交互记录进行个性化隐私描述挖掘获得隐私描述挖掘结果以及关联行为事件内容。由于云服务用户交互记录中所包含的服务会话行为事件的数目大，如果直接对云服务用户交互记录进行处理，则会浪费大量的资源，同时会降低匿名化处理的效率，鉴于此，以下示出一种根据关键服务项目隐私分布获得隐私描述挖掘结果以及关联行为事件内容的设计思路。
[0082] 对于另一些可独立实施的设计思路而言，获得隐私描述挖掘结果以及关联行为事件内容的可以通过以下方式实现。
[0083] 步骤501、对第X组云服务用户交互记录、第Y组云服务用户交互记录以及第Y组完成个体隐私匿名化处理的云服务用户交互记录在注意力层面下进行组合处理，获得待进行用户信息保护的云服务用户交互记录。
[0084] 相关示例性设计思路请参阅步骤302获得待进行用户信息保护的云服务用户交互记录的实施，在此不作过多描述。
[0085] 步骤502、对所述待进行用户信息保护的云服务用户交互记录进行个体画像识别操作，获得第四关键服务项目隐私分布。
[0086] 个体画像识别操作可以利用若干种思路实现，例如：滑动平均操作、下采样操作等，本发明实施例对此不做具体限定。
[0087] 在一些可能的实现方式中，相关示例性的神经网络模型可用于对待进行用户信息保护的云服务用户交互记录进行个体画像识别操作，该神经网络模型依次由一个注意力指标数量为“8”的隐私描述挖掘子模型（隐私描述挖掘单元尺寸维度为3c*3c）、两个注意力指标数量为“8”的ResNet单元（每个ResNet单元包含两个隐私描述挖掘子模型，隐私描述挖掘子模型的隐私描述挖掘单元的尺寸维度为3c*3c）、一个注意力指标数量为“16”的隐私描述挖掘子模型（隐私描述挖掘单元尺寸维度为3c*3c）、两个注意力指标数量为“16”的ResNet单元（每个ResNet单元包含两个隐私描述挖掘子模型，隐私描述挖掘子模型的隐私描述挖掘单元的尺寸维度为3c*3c）、一个注意力指标数量为“32”的隐私描述挖掘子模型（隐私描述挖掘单元尺寸维度为3c*3c）、两个注意力指标数量为“32”的ResNet单元（每个ResNet单元包含两个隐私描述挖掘子模型，隐私描述挖掘子模型的隐私描述挖掘单元的尺寸维度为3c*3c）组成。
[0088] 利用该神经网络模型对待进行用户信息保护的云服务用户交互记录依次进行个性化隐私描述挖掘完成对待进行用户信息保护的云服务用户交互记录的挖掘处理，获得第四关键服务项目隐私分布。利用多层隐私描述挖掘子模型依次对待进行用户信息保护的云服务用户交互记录进行个性化隐私描述挖掘，并确定相应的映射描述，最终获得满足一定规模的第四关键服务项目隐私分布，这样能够在获得待进行用户信息保护的云服务用户交互记录的第四关键服务项目隐私分布的前提下实现云服务用户交互记录的精简处理，提高资源利用率。举例而言，假设待进行用户信息保护的云服务用户交互记录的规模为a*a*b，则上述神经网络模型进行个体画像识别操作获得的第四关键服务项目隐私分布的规模为d*d*32，其中，a=4d。
[0089] 对于一些可独立实施的设计思路而言，上述个性化隐私描述挖掘的实现过程如下：隐私描述挖掘子模型对待进行用户信息保护的云服务用户交互记录做个性化隐私描述挖掘，通过隐私描述挖掘单元在待进行用户信息保护的云服务用户交互记录中进行遍历，并将待进行用户信息保护的云服务用户交互记录上的服务会话行为事件与对应的隐私描述挖掘单元上的描述值作乘，然后将所有完成作乘的结果加权以作为隐私描述挖掘单元的核心服务会话行为事件对应的云服务用户交互记录上事件主题标签，最终遍历完待进行用户信息保护的云服务用户交互记录中所有的服务会话行为事件，并获得第四关键服务项目隐私分布。可以理解，隐私描述挖掘子模型的遍历间隔可以根据实际情况进行调整。
[0090] 步骤503、对所述第四关键服务项目隐私分布进行个性化隐私描述挖掘，获得第五关键服务项目隐私分布。
[0091] 在本发明实施例中，将第四关键服务项目隐私分布输入至其他示例性的神经网络模型，第四关键服务项目隐私分布逐一通过1个注意力指标数量为“32”的隐私描述挖掘子模型（隐私描述挖掘单元尺寸维度为3c*3c）、两个注意力指标数量为“16”的ResNet单元（每个ResNet单元包含两个隐私描述挖掘子模型，隐私描述挖掘子模型的隐私描述挖掘单元的尺寸维度为3c*3c）的处理，实现对第四关键服务项目隐私分布的个性化隐私描述挖掘，确定第四关键服务项目隐私分布中的第Y组云服务用户交互记录的服务会话行为事件与第X组云服务用户交互记录的服务会话行为事件之间的敏感事件内容变化数据，获得第五关键服务项目隐私分布。
[0092] 可以理解的是，利用对第四关键服务项目隐私分布进行处理，云服务用户交互记录的规模并没有改变，获得的第五关键服务项目隐私分布的规模与第四关键服务项目隐私分布的规模一致。
[0093] 举例而言，第四关键服务项目隐私分布的规模为d*d*32，通过步骤303的处理获得的第五关键服务项目隐私分布的规模也为d*d*32。
[0094] 步骤504、利用个性化隐私描述挖掘将所述第五关键服务项目隐私分布的注意力指标数量更新为第一指定数值，获得所述关联行为事件内容。
[0095] 在本发明实施例中，为了能够进一步确定第五关键服务项目隐私分布中第Y组云服务用户交互记录的服务会话行为事件与第X组云服务用户交互记录的服务会话行为事件之间的敏感事件内容变化数据，相关示例中的网络层S对第五关键服务项目隐私分布进行个性化隐私描述挖掘，获得的关联行为事件内容的规模为d*d*t*e*e（可以理解的是，利用网络层S的个性化隐私描述挖掘更新第五关键服务项目隐私分布的注意力指标数量），其中，t为第五关键服务项目隐私分布的注意力指标数量，e为正整数，示例性地，e的取值可以为5。
[0096] 举例而言，第五关键服务项目隐私分布的规模为d*d*32，利用上述步骤的处理获得的关联行为事件内容的规模为d*d*32*e*e，即d*d*32e2。关联行为事件内容包含d*2五个成员，每个成员包含32个服务会话行为事件，且不同的成员在第关联行为事件内容中的定位解析数据不同。每个成员的规模为c*c*32*e2。
[0097] 鉴于网络层S为隐私描述挖掘子模型，而隐私描述挖掘子模型的隐私描述挖掘单元越大，处理压力越大。上述的网络层S（隐私描述挖掘单元）是一个注意力指标数量为“32”、隐私描述挖掘单元尺寸维度为c*c的隐私描述挖掘子模型。利用隐私描述挖掘单元尺寸维度为c*c的隐私描述挖掘子模型更新第五关键服务项目隐私分布的注意力指标数量，能尽量减少数据处理压力。
[0098] 步骤505、利用个性化隐私描述挖掘将所述关联行为事件内容的注意力指标数量更新为第二指定数值，获得第六关键服务项目隐私分布。
[0099] 鉴于步骤504中利用个性化隐私描述挖掘更新了第五关键服务项目隐私分布的注意力指标数量，因此在对关联行为事件内容进行个性化隐私描述挖掘获得隐私描述挖掘结果之前，需要将关联行为事件内容的注意力指标数量更新为第二指定数值（可以理解为第五关键服务项目隐私分布的注意力指标数量）。
[0100] 可以理解的是，利用个性化隐私描述挖掘将关联行为事件内容的注意力指标数量更新为第二指定数值，获得第六关键服务项目隐私分布。示例性地，该个性化隐私描述挖掘可利用一个注意力指标数量为“32”、隐私描述挖掘单元尺寸维度为c*c的隐私描述挖掘子模型实现。
[0101] 步骤506、对所述第四关键服务项目隐私分布和所述第六关键服务项目隐私分布在注意力层面下进行组合处理，获得第七关键服务项目隐私分布。
[0102] 步骤502‑步骤504更趋向于确定待进行用户信息保护的云服务用户交互记录中第Y组云服务用户交互记录的服务会话行为事件与第X组云服务用户交互记录的服务会话行为事件之间的敏感事件内容变化数据。鉴于后期处理需要确定出待进行用户信息保护的云服务用户交互记录中第Y组云服务用户交互记录的服务会话行为事件与第Y组完成个体隐私匿名化处理的云服务用户交互记录的服务会话行为事件之间的个体隐私数据，由此在进行后期操作前，利用将第四关键服务项目隐私分布与第六关键服务项目隐私分布进行拼接，以在关键服务项目隐私分布中添加第Y组云服务用户交互记录的服务会话行为事件与第Y组完成个体隐私匿名化处理的云服务用户交互记录的服务会话行为事件之间的个体隐私数据。
[0103] 在一些示例中，对第四关键服务项目隐私分布和第六关键服务项目隐私分布进行拼接操作（SPLICE，融合处理），换言之，将第四关键服务项目隐私分布和第六关键服务项目隐私分布在注意力层面下进行组合处理，获得第七关键服务项目隐私分布。
[0104] 步骤507、对所述第七关键服务项目隐私分布进行个性化隐私描述挖掘，以确定所述第Y组完成个体隐私匿名化处理的云服务用户交互记录的服务会话行为事件相较于所述第Y组云服务用户交互记录的服务会话行为事件的个体隐私数据，获得所述隐私描述挖掘结果。
[0105] 可以理解，第七关键服务项目隐私分布中包含已确定出的第Y组云服务用户交互记录的服务会话行为事件与第Y组完成个体隐私匿名化处理的云服务用户交互记录的服务会话行为事件之间的个体隐私数据，而利用对七关键服务项目隐私分布进行个性化隐私描述挖掘，可以进一步确定出第Y组云服务用户交互记录的服务会话行为事件与第Y组完成个体隐私匿名化处理的云服务用户交互记录的服务会话行为事件之间的个体隐私数据，获得隐私描述挖掘结果。
[0106] 对于一种可能的实施例而言，对于以上获得所述隐私描述挖掘结果，示例性的可以包括以下内容：对第七关键服务项目隐私分布进行个性化隐私描述挖掘，获得第八关键服务项目隐私分布；利用个性化隐私描述挖掘将第八关键服务项目隐私分布的注意力指标数量更新为第一指定数值，获得隐私描述挖掘结果。
[0107] 在一些示例中，将第七关键服务项目隐私分布输入至对应的神经网络模型，第七关键服务项目隐私分布逐一通过1个注意力指标数量为“32”的隐私描述挖掘子模型（隐私描述挖掘单元尺寸维度为3c*3c）、两个注意力指标数量为“16”的ResNet单元（每个ResNet单元包含两个隐私描述挖掘子模型，隐私描述挖掘子模型的隐私描述挖掘单元的尺寸维度为3c*3c）的处理，实现对第七关键服务项目隐私分布的个性化隐私描述挖掘，确定第七关键服务项目隐私分布中的第Y组云服务用户交互记录的服务会话行为事件与第Y组完成个体隐私匿名化处理的云服务用户交互记录的服务会话行为事件之间的个体隐私数据，获得第八关键服务项目隐私分布。
[0108] 可以理解的是，上述相关的神经网络模型的架构可以类似，但所属领域技术人员可以根据实际需求进行模型参数的灵活调整。
[0109] 可以理解的是，步骤507获得的隐私描述挖掘结果为包含第七关键服务项目隐私分布中每个服务会话行为事件的隐私描述挖掘结果，且每个服务会话行为事件的隐私描述挖掘单元的规模为c*c*te2。
[0110] 举例而言，第七关键服务项目隐私分布的规模为d*d*32*e*e，换言之，第七关键服务项目隐私分布中包含d*2五个服务会话行为事件，相应地，获得的隐私描述挖掘结果（尺寸为d*d*32e2）中包含d*2五个隐私描述挖掘结果（即每个服务会话行为事件对应一个隐私描述挖掘结果，且每个服务会话行为事件的隐私描述挖掘结果的规模为c*c*32e2）。
[0111] 利用将第七关键服务项目隐私分布中每个服务会话行为事件的三个描述尺寸的信息组合成一个描述尺寸的信息，将第七关键服务项目隐私分布中的每个服务会话行为事件的信息信息组合成一个隐私描述挖掘单元，即每个服务会话行为事件的隐私描述挖掘结果。
[0112] 本发明实施例利用对待进行用户信息保护的云服务用户交互记录的关键服务项目隐私分布进行个性化隐私描述挖掘，确定出第Y组云服务用户交互记录的服务会话行为事件与第X组云服务用户交互记录的服务会话行为事件之间的敏感事件内容变化数据，获得每个服务会话行为事件的关联行为事件内容。再利用对第七关键服务项目隐私分布进行个性化隐私描述挖掘，确定出第Y组云服务用户交互记录的服务会话行为事件与第Y组完成个体隐私匿名化处理的云服务用户交互记录的服务会话行为事件之间的个体隐私数据，获得每个服务会话行为事件的隐私描述挖掘结果。以便于后续利用关联行为事件内容以及隐私描述挖掘结果对第X组云服务用户交互记录进行信息匿名操作。
[0113] 可以理解的是，上述设计方案分别说明了如何获得隐私描述挖掘结果以及关联行为事件内容以及如何利用隐私描述挖掘结果以及通过关联行为事件内容对第X组云服务用户交互记录进行匿名化处理，并获得第X组完成个体隐私匿名化处理的云服务用户交互记录。
[0114] 对于一种可独立实施的设计思路而言，针对智慧云服务的用户信息保护方法的还可以通过以下步骤实现。
[0115] 步骤901、利用隐私描述挖掘结果对第X组云服务用户交互记录的关键服务项目隐私分布的服务会话行为事件进行个性化隐私描述挖掘，获得第一关键服务项目隐私分布。
[0116] 在本发明实施例中，第X组云服务用户交互记录的关键服务项目隐私分布可以利用对第X组云服务用户交互记录进行关键内容识别操作获得，其中，关键内容识别操作可以是个性化隐私描述挖掘，也可以是下采样操作，本发明实施例对此不作过多限制。
[0117] 对于一些可独立实施的设计思路而言，可利用上述的神经网络模型对第X组云服务用户交互记录进行关键内容识别操作，获得第X组云服务用户交互记录的关键服务项目隐私分布。相关设计思路可以结合步骤502，在此不作过多描述。
[0118] 利用上述的神经网络模型对第X组云服务用户交互记录进行关键内容识别操作，获得的第X组云服务用户交互记录的关键服务项目隐私分布的规模比第X组云服务用户交互记录的规模小，且第X组云服务用户交互记录的关键服务项目隐私分布包含第X组云服务用户交互记录的信息，因此后续对第X组云服务用户交互记录的关键服务项目隐私分布进行处理可提高处理时效性。
[0119] 基于以上描述内容，对待进行用户信息保护的云服务用户交互记录中的每个服务会话行为事件进行个性化隐私描述挖掘，分别获得每个服务会话行为事件的隐私描述挖掘结果，利用隐私描述挖掘结果对第X组云服务用户交互记录的关键服务项目隐私分布的服务会话行为事件进行个性化隐私描述挖掘可以理解为将上述获得的隐私描述挖掘结果中每个服务会话行为事件的隐私描述挖掘结果分别作为第X组云服务用户交互记录的关键服务项目隐私分布中对应的服务会话行为事件的隐私描述挖掘单元，对第X组云服务用户交互记录的关键服务项目隐私分布的每个服务会话行为事件进行个性化隐私描述挖掘。
[0120] 参阅以上步骤507所描述的内容，隐私描述挖掘结果中的每个服务会话行为事件的隐私描述挖掘结果包含了第七关键服务项目隐私分布中每个服务会话行为事件的信息，且该信息在隐私描述挖掘结果中是单注意力指标信息。而第X组云服务用户交互记录的关键服务项目隐私分布的服务会话行为事件是三注意力指标信息，由此，为将第七关键服务项目隐私分布中每个服务会话行为事件的信息分别作为第X组云服务用户交互记录的关键服务项目隐私分布中每个服务会话行为事件的隐私描述挖掘单元进行个性化隐私描述挖掘，需要更新隐私描述挖掘结果的描述尺寸。
[0121] 将以上内容考虑在内，步骤901所记录的内容可以通过以下步骤实现：更新隐私描述挖掘结果的描述尺寸，使隐私描述挖掘结果的注意力指标数量与第X组云服务用户交互记录的关键服务项目隐私分布的注意力指标数量一致；利用完成描述尺寸更新的隐私描述挖掘结果对第X组云服务用户交互记录的关键服务项目隐私分布的服务会话行为事件进行个性化隐私描述挖掘，获得第一关键服务项目隐私分布。
[0122] 示例性地，可以将获得的隐私描述挖掘结果中每个服务会话行为事件的隐私描述挖掘结果作为第X组云服务用户交互记录的关键服务项目隐私分布中对应的服务会话行为事件的隐私描述挖掘单元，并对该服务会话行为事件进行个性化隐私描述挖掘。
[0123] 进一步地，更新描述尺寸可以理解为对隐私描述挖掘结果中每个服务会话行为事件的隐私描述挖掘结果的描述尺寸，将每个服务会话行为事件的隐私描述挖掘结果的描述尺寸由c*c*te2更新为t*e*e。
[0124] 举例而言，每个服务会话行为事件的隐私描述挖掘结果的规模为c*c*32e2，对每个服务会话行为事件的隐私描述挖掘结果进行描述尺寸更新后，获得的隐私描述挖掘单元的规模为32*e*e。
[0125] 利用描述尺寸更新获得第X组云服务用户交互记录的关键服务项目隐私分布的每个服务会话行为事件的隐私描述挖掘结果，并利用每个服务会话行为事件的隐私描述挖掘结果分别对每个服务会话行为事件进行个性化隐私描述挖掘，能够实现对第X组云服务用户交互记录的关键服务项目隐私分布的每个服务会话行为事件进行匿名化处理，最后获得第一关键服务项目隐私分布。
[0126] 步骤902、利用所述关联行为事件内容对所述第Y组完成个体隐私匿名化处理的云服务用户交互记录的关键服务项目隐私分布的服务会话行为事件进行个性化隐私描述挖掘，获得第二关键服务项目隐私分布。
[0127] 与步骤901实现上述获得的隐私描述挖掘结果作为第X组云服务用户交互记录的关键服务项目隐私分布每个服务会话行为事件的隐私描述挖掘结果，对第X组云服务用户交互记录的关键服务项目隐私分布进行信息匿名操作相同，利用相关神经网络模型中的描述尺寸更新将上述获得的关联行为事件内容中每个服务会话行为事件的关联行为事件内容的描述尺寸更新为32*e*e，并利用完成描述尺寸更新的关联行为事件内容对第Y组完成个体隐私匿名化处理的云服务用户交互记录的关键服务项目隐私分布中对应的服务会话行为事件进行个性化隐私描述挖掘。实现以当前组为参考，对第Y组完成个体隐私匿名化处理的云服务用户交互记录的关键服务项目隐私分布进行配对操作，即根据每个服务会话行为事件的关联行为事件内容中包含的敏感事件内容变化数据，分别更新第Y组完成个体隐私匿名化处理的云服务用户交互记录的关键服务项目隐私分布中每个服务会话行为事件的定位解析数据，获得第二关键服务项目隐私分布。
[0128] 第Y组完成个体隐私匿名化处理的云服务用户交互记录的关键服务项目隐私分布中包含具有一定隐私保护需求的服务会话行为事件，但第Y组完成个体隐私匿名化处理的云服务用户交互记录的关键服务项目隐私分布中的服务会话行为事件与当前组的服务会话行为事件之间存在差异。鉴于此，利用步骤902的操作过程更新第Y组完成个体隐私匿名化处理的云服务用户交互记录的关键服务项目隐私分布的服务会话行为事件的定位解析数据，使得更新定位解析数据后的服务会话行为事件更加趋向于第X组顺序节点的定位解析数据。这样，后期的操作能够根据第二关键服务项目隐私分布的信息对第X组云服务用户交互记录中的信息进行匿名化处理。
[0129] 步骤903、对所述第一关键服务项目隐私分布和所述第二关键服务项目隐私分布进行拼接操作，获得第三关键服务项目隐私分布。
[0130] 在本发明实施例中，利用将第一关键服务项目隐私分布与第二关键服务项目隐私分布进行拼接操作，可在基于第Y组云服务用户交互记录的服务会话行为事件与第X组云服务用户交互记录的服务会话行为事件之间的敏感事件内容变化数据以及第Y组云服务用户交互记录的服务会话行为事件与第Y组完成个体隐私匿名化处理的云服务用户交互记录的服务会话行为事件之间的个体隐私数据信息匿名操作的前提下，通过（完成配对后）第Y组云服务用户交互记录的关键服务项目隐私分布的信息提高匿名化处理的质量。
[0131] 在一些示例中，对第一关键服务项目隐私分布和第二关键服务项目隐私分布在注意力层面下进行组合处理（SPLICE），获得第三关键服务项目隐私分布。
[0132] 步骤904、对所述第三关键服务项目隐私分布进行信息匿名操作，获得所述第X组完成个体隐私匿名化处理的云服务用户交互记录。
[0133] 在本发明实施例中，信息匿名操作可以是k‑anonymity匿名隐私分析、逆向个性化隐私描述挖掘、上采样扩展等中的其中一项，也可以上述算法的组合，本发明实施例对此不作限制。
[0134] 对于一些可独立实施的设计思路而言，以下为隐私匿名子模型，依次涵盖一个注意力指标数量为“16”的隐私描述替换子模型（隐私描述挖掘单元的尺寸维度为3c*3c）、两个注意力指标数量为“16”的ResNet单元（每个ResNet单元包含两个隐私描述挖掘子模型，隐私描述挖掘子模型的隐私描述挖掘单元的尺寸维度为3c*3c），一个注意力指标数量为“8”的隐私描述替换子模型（隐私描述挖掘单元的尺寸维度为3c*3c）、两个注意力指标数量为“8”的ResNet单元（每个ResNet单元包含两个隐私描述挖掘子模型，隐私描述挖掘子模型的隐私描述挖掘单元的尺寸维度为3c*3c）。利用上述的隐私匿名子模型对第三关键服务项目隐私分布进行信息匿名操作，获得第X组完成个体隐私匿名化处理的云服务用户交互记录示例性的可以包括以下步骤：对第三关键服务项目隐私分布进行k‑anonymity匿名隐私分析，获得第九关键服务项目隐私分布；对第九关键服务项目隐私分布进行个性化隐私描述挖掘，获得第X组信息匿名操作后的云服务用户交互记录。
[0135] 可以理解，在获得第X组信息匿名操作后的云服务用户交互记录后，还可以将第X组云服务用户交互记录的第一服务会话行为事件的事件主题标签与第X组信息匿名操作后的云服务用户交互记录的第二服务会话行为事件的事件主题标签加权，获得第X组完成个体隐私匿名化处理的云服务用户交互记录，其中，第一服务会话行为事件在第X组云服务用户交互记录中的定位解析数据与第二服务会话行为事件在第X组信息匿名操作后的云服务用户交互记录中的定位解析数据一致。能够保障第X组完成个体隐私匿名化处理的云服务用户交互记录更全面。
[0136] 利用本发明实施例可利用上述获得的隐私描述挖掘结果对第X组云服务用户交互记录的关键服务项目隐私分布进行信息匿名操作，以及利用上述获得的关联行为事件内容对第Y组云服务用户交互记录的关键服务项目隐私分布进行配对操作。利用对信息匿名操作获得的第一关键服务项目隐私分布和配对操作获得的第二关键服务项目隐私分布拼接后获得的第三关键服务项目隐私分布进行信息匿名操作，能够提高对第X组云服务用户交互记录进行匿名化处理的质量，使第X组完成个体隐私匿名化处理的云服务用户交互记录更加全面。且本发明实施例的信息匿名操作和配对操作的处理目标都是关键服务项目隐私分布，由此能够避免资源浪费，同时能够保障对云服务用户活动日志进行匿名化处理的质量。
[0137] 本发明还提供了一种云服务用户活动日志的匿名化处理模型，用于实现上述的方法。示例性的，云服务用户活动日志的匿名化处理模型包括：信息特征识别单元、隐私描述挖掘单元以及关联行为事件内容确定单元、隐私匿名子模型。
[0138] 可以理解的是，上述相关模型网络可以进行适应性调整和更新，相关的模型单元可以利用隐私描述动态挖掘模型分别对第Y组云服务用户交互记录的关键服务项目隐私分布的服务会话行为事件以及第X组云服务用户交互记录的关键服务项目隐私分布的服务会话行为事件进行个性化隐私描述挖掘（即配对操作和信息匿名操作），获得第Y组云服务用户交互记录的关键服务项目隐私分布匹配后的关键服务项目隐私分布以及第X组云服务用户交互记录的关键服务项目隐私分布完成个体隐私匿名化处理的关键服务项目隐私分布。
[0139] 利用SPLICE将上述完成配对后的的关键服务项目隐私分布和完成个体隐私匿名化处理的关键服务项目隐私分布在注意力层面下进行统计，获得第X组完成拼接后的关键服务项目隐私分布，并将第X组完成拼接后的关键服务项目隐私分布加载至隐私匿名子模型，以及作为云服务用户活动日志的匿名化处理模型对第V组云服务用户交互记录进行处理的原料。
[0140] 利用隐私匿名子模型对第X组完成拼接后的关键服务项目隐私分布的信息匿名操作，获得第X组信息匿名操作后的云服务用户交互记录，并将第X组云服务用户交互记录的第一服务会话行为事件的事件主题标签与第X组信息匿名操作后的云服务用户交互记录的第二服务会话行为事件的事件主题标签加权，获得第X组完成个体隐私匿名化处理的云服务用户交互记录，其中，第一服务会话行为事件在第X组云服务用户交互记录中的定位解析数据与第二服务会话行为事件在第X组信息匿名操作后的云服务用户交互记录中的定位解析数据一致。并将第X组云服务用户交互记录以及第X组完成个体隐私匿名化处理的云服务用户交互记录作为云服务用户活动日志的匿名化处理模型对第V组云服务用户交互记录进行处理的原料。
[0141] 基于以上内容可知，云服务用户活动日志的匿名化处理模型对云服务用户活动日志中的每一组云服务用户交互记录进行信息匿名操作需要多类原料，以第X组云服务用户交互记录为例，这多类原料分别为：第Y组云服务用户交互记录、第Y组完成个体隐私匿名化处理的云服务用户交互记录、第X组云服务用户交互记录以及第Y组完成个体隐私匿名化处理的云服务用户交互记录的关键服务项目隐私分布（即上述第X组完成拼接后的关键服务项目隐私分布）。
[0142] 利用本发明实施例提供的云服务用户活动日志的匿名化处理模型可对云服务用户活动日志进行信息匿名操作，且整个处理过程仅需多类原料，便可获得完成个体隐私匿名化处理的云服务用户交互记录，能够有效提高信息匿名效率。利用隐私描述挖掘结果确定单元和关联行为事件内容确定单元为云服务用户交互记录中的每个服务会话行为事件生成一个隐私描述挖掘结果以及关联行为事件内容，可提高云服务用户活动日志的匿名化处理模型对云服务用户活动日志中存在差异的云服务用户交互记录的信息匿名质量。
[0143] 进一步地，关于上述相关神经网络模型的训练方法可以根据设定代价（比如均方误差损失函数）实现，比如，确定云服务用户活动日志的匿名化处理模型输出的第X组完成个体隐私匿名化处理的云服务用户交互记录与第X组云服务用户交互记录的实际云服务用户交互记录（即第X组云服务用户交互记录的认证示例之间的差异，从而构建代价算法，然后基于代价算法进行反向调节以实现神经网络模型的训练。
[0144] 在一些可独立实施的设计思路下，在获得所述第X组完成个体隐私匿名化处理的云服务用户交互记录之后，该方法还可以包括以下内容：收集针对所述第X组完成个体隐私匿名化处理的云服务用户交互记录的会话访问日志，识别所述会话访问日志得到风险行为特征；基于所述风险行为特征生成交互警示信息并进行下发。
[0145] 举例而言，可以通过采集的会话访问日志进行异常意图倾向（比如非法的隐私访问行为特征）识别，以得到风险行为特征，这样可以结合风险行为特征生成交互警示信息并下发给用户端，以提示用户端在交互过程中主动保护个体隐私信息，避免用户端在交互过程中被诱导性地公开出相关的个体隐私信息。
[0146] 在一些可独立实施的设计思路下，识别所述会话访问日志得到风险行为特征，可以通过以下技术方案实现：经由已采集的各个具有指示功能的关键行为节点属性，确定与所述会话访问日志的行为事件表达之间的量化适配指标达到第一目标量化适配指标约束的第一具有指示功能的关键行为节点属性分布，以及，与关联会话访问日志的行为事件表达之间的量化适配指标达到所述第一目标量化适配指标约束的第二具有指示功能的关键行为节点属性分布；其中，所述第一具有指示功能的关键行为节点属性分布为基于各个具有指示功能的关键行为节点属性中的至少一个第一具有指示功能的关键行为节点属性所得；所述关联会话访问日志的行为事件表达是已采集的各个关联会话访问日志的行为事件表达中的关联会话访问日志的行为事件表达，所述第二具有指示功能的关键行为节点属性分布为基于各个具有指示功能的关键行为节点属性中的至少一个第二具有指示功能的关键行为节点属性所得；分别确定所述第一具有指示功能的关键行为节点属性分布与每个所述第二具有指示功能的关键行为节点属性分布之间的分布量化适配指标，获得所述会话访问日志的行为事件表达与所述每个关联会话访问日志的行为事件表达之间的事件表达量化适配指标；根据所述事件表达量化适配指标确定所述会话访问日志的风险行为特征。
[0147] 举例而言，量化适配指标可以理解为相似度，具有指示功能的关键行为节点属性为基础型局部行为特征，行为事件表达为全局行为特征，如此设计，能够在相同变量条件下确定事件表达量化适配指标，从而经由事件表达量化适配指标准确可靠地确定会话访问日志的风险行为特征，尽可能避免会话访问日志的风险行为特征出现偏差。
[0148] 在一些可独立实施的设计思路下，在经由已采集的各个具有指示功能的关键行为节点属性，确定与会话访问日志的行为事件表达之间的量化适配指标达到第一目标量化适配指标约束的第一具有指示功能的关键行为节点属性分布之前，还包括：将每个所述关联会话访问日志的行为事件表达分别变换为具有同一统计结果的多个关联关键行为节点属性，获得每个所述关联会话访问日志的行为事件表达分别对应的关联关键行为节点属性分布；其中，所述关联关键行为节点属性分布中的各个关联关键行为节点属性依据各个关联关键行为节点属性在对应的关联会话访问日志的行为事件表达中的检测标签调整；基于每个所述关联关键行为节点属性分布中，相同检测标签上的关联关键行为节点属性，确定对应的至少一个具有指示功能的关键行为节点属性，获得已采集的各个具有指示功能的关键行为节点属性。如此设计，可以保障已采集的各个具有指示功能的关键行为节点属性的完整性和可信度。
[0149] 基于同样的发明构思，图2示出了本发明实施例提供的针对智慧云服务的用户信息保护装置的模块框图，针对智慧云服务的用户信息保护装置可以包括实施图1所示的相关方法步骤的如下模块。
[0150] 日志确定模块21，用于确定多组存在时序先后联系的云服务用户活动日志。
[0151] 隐私挖掘模块22，用于基于所述第X组云服务用户交互记录、所述第Y组云服务用户交互记录以及所述第Y组完成个体隐私匿名化处理的云服务用户交互记录，获得所述第X组云服务用户交互记录的隐私描述挖掘结果。
[0152] 信息处理模块23，用于利用所述隐私描述挖掘结果对所述第X组云服务用户交互记录进行信息匿名操作，获得第X组完成个体隐私匿名化处理的云服务用户交互记录。
[0153] 应用于本发明的相关实施例可以达到如下技术效果：可获得云服务用户活动日志中第X组云服务用户交互记录的隐私描述挖掘结果，再利用第X组云服务用户交互记录的隐私描述挖掘结果对第X组云服务用户交互记录进行个性化隐私描述挖掘，可以准确可靠地对第X组云服务用户交互记录中的用户隐私信息进行匿名化处理，获得第X组完成个体隐私匿名化处理的云服务用户交互记录。这样一来，由于信息匿名操作是针对个体隐私进行的，且进行隐私匿名处理的过程中能够考虑连续的云服务用户交互记录的隐私描述挖掘结果的注意力指标（比如特征维度），因而能够尽可能精准地实现相对重要的用户信息的匿名处理，无需对大量的用户信息进行匿名处理，从而减少系统资源的开销，提高用户信息保护的效率。
[0154] 以上所述，仅为本发明的具体实施方式。熟悉本技术领域的技术人员根据本发明提供的具体实施方式，可想到变化或替换，都应涵盖在本发明的保护范围之内，相关的参数的取值可以根据实际情况调整。
