[发明专利]一种基于多源特征的诈骗电话识别方法、系统及设备

权利要求书

1.一种基于多源特征的诈骗电话识别方法，其特征在于，包括以下步骤：

构建包括正常号码、推销号码和诈骗号码三种类别用户的二度通话数据、位置数据和上网数据，并基于所述二度通话数据、位置数据和上网数据提取所述用户的基础特征；

基于用户的二度通话数据，构建基于图结构相似的Struct2Vec图网络模型，提取用户二度网络的结构特征，识别出多点一线的诈骗模式结构；

将用户的一度通话数据转换为所述用户通话时序数据，根据所述通话时序数据构建基于时序的通话时序特征组合；

将所述用户的基础特征、用户二度网络的结构特征以及通话时序特征组合进行融合，采用特征过滤和降维的方式构建出特征样本数据集；

用过采样方法Borderline-SMOTE平衡所述特征样本数据集；

构建黑白名单机制，并基于平衡后的特征样本数据集，构建包括boosting和bagging的多种不同集成学习组合，基于所述集成学习组合，采用分配权值的方式，构建正常、诈骗以及推销识别的融合分类模型，识别诈骗电话；基于图结构相似的Struct2Vec图网络模型，提取用户二度网络的结构特征，识别多点一线诈骗模式结构具体如下：

利用二度通话网络构建图，基于网络的每个顶点，获取每一层网络的顶点对距离，其中，层为以顶点为原点，一度网络为第一层，二度网络为第二层，以此类推；

顶点对距离f_k(u，v)为：

f_k(u，v)＝f_k-1(u，v)+g(s(R_k(u))，s(R_k(v)))，k≥0and|R_k(u)|，|R_k(v)|＞0

其中，R_k(u)表示到顶点u距离为k的顶点集合，R_k(v)表示到顶点v距离为k的顶点集合，S(R_k(u))表示顶点集合R_k(u)的有序度序列，即该集合顶点均为到顶点u距离为k的顶点，按照顶点的度数按顺序排列；

g(D1，D2)≥0是衡量有序度序列D1和D2距离的函数，即两个有序度序列的距离，基于Dynamic Timc Warping，定义元素之间的距离函数为：

f_k(u，v)表示顶点u和v之间距离为k的环路上的结构距离，距离k实际上是指距离小于等于k的节点集合，每次会加上f_k-1(u，v)，迭代相加，这就是顶点对距离的函数；f_k(u，v)＝f_k-1(u，v)+g(s(R_k(u))，s(R_k(v)))，k≥0 and|R_k(u)|，|R_k(v)|＞0g(D1，D2)≥0f_k(u，v)；

对于每一个k计算出两个顶点之间的一个距离，通过所述顶点之间的有序度序列距离来构建一个带权层次图，用于后续的随机游走；

定义在某一层k中两个顶点的边权为所述边权都小于1，当且仅当距离为0的是时候，边权为1；

通过有向边将属于不同层次的同一顶点连接起来，即对每个顶点，都会与其对应的相同的上层顶点以及下层顶点相连，得到带权层次图；

基于随机游走的方式在所述带权层次图中进行采样顶点序列，选择每一个顶点为起始点，做随机游走得到点的序列，然后将所述序列视为句子，用word2vec学习，得到所述每一个顶点的表示嵌入特征向量，挖掘出每个顶点在其二度网络中的结构，并生成所述嵌入特征向量，即得到识别多点一线诈骗模式结构；利用改进的smote过采样方法Borderline-SMOTE平衡所述特征样本数据集具体如下：

将特征样本数据集按照预设比例划分为训练集和测试集，测试集不变；

基于Borderline-SMOTE过采样技术，操作训练集，将训练集中少数的诈骗样本类分为3类，分别为Safe、Danger和Noise，其中，Safe类为样本周围一半以上均为少数类样本，Danger类为样本周围一半以上均为多数类样本，视为在边界上的样本，Noise类为样本周围均为多数类样本，视为噪音；

对Danger类的少数类进行过采样，采用K近邻方法随机选择少数类样本，进行少数样本的过采样；基于多源特征数据，构建包括boosting和bagging的多种不同集成学习组合，并采用分配权值的方式，构建正常、诈骗、推销识别的分类模型，结合黑白名单机制，识别诈骗号码具体如下：

分别构建正常和诈骗，正常和推销，推销和诈骗的二分类模型，其中的单个二分类模型分别使用基于boosting和bagging的集成学习算法进行组合学习，最终组合学习结果以概率输出；综合boosting和bagging集成学习算法中的优势，选取不同模型进行集成；

将所述概率进行组合，网格搜索法进行权值匹配，构建三分类模型；

在黑白名单中进行白名单过滤和黑名单匹配，将剩余不可识别号码，采用三分类识别模型识别。