CN107135494A - 垃圾短信识别方法及装置 - Google Patents
垃圾短信识别方法及装置 Download PDFInfo
- Publication number
- CN107135494A CN107135494A CN201710272159.2A CN201710272159A CN107135494A CN 107135494 A CN107135494 A CN 107135494A CN 201710272159 A CN201710272159 A CN 201710272159A CN 107135494 A CN107135494 A CN 107135494A
- Authority
- CN
- China
- Prior art keywords
- short message
- rubbish
- identified
- normal
- threshold value
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/12—Messaging; Mailboxes; Announcements
- H04W4/14—Short messaging services, e.g. short message services [SMS] or unstructured supplementary service data [USSD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/12—Detection or prevention of fraud
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开是关于一种垃圾短信识别方法及装置,该方法包括:接收待识别短信并对待识别短信进行特征提取,得到所述待识别短信的第一特征向量,使用预设的贝叶斯识别器,根据第一特征向量确定待识别短信的第一垃圾正常比;在第一垃圾正常比小于等于第一阈值大于等于第二阈值时,将第一特征向量中的第一单词替换为与第一单词的相似度超过预设阈值的第二单词,生成待识别短信的第二特征向量;使用所述贝叶斯识别器,根据待识别短信的第二特征向量确定待识别短信的第二垃圾正常比;根据第二垃圾正常比和第一垃圾正常比确定待识别短信是否为垃圾短信。该技术方案可以提升对垃圾短信的识别精度。
Description
技术领域
本公开涉及终端技术领域,尤其涉及垃圾短信识别方法及装置。
背景技术
随着移动通信技术的发展,手机普及率的提高,手机短信由于方便、快捷等优点成为人们沟通交流的新方式。然而在短信业务快速发展的同时,也存在着一些安全隐患。例如,很多不法分子利用短信发送大量广告、虚假信息等,这些广告、虚假信息即为垃圾短信。由于垃圾短信给用户的生活带来了极大的困扰,因此,为了提供一个健康良好的通信环境,各种拦截垃圾短信的应用被开发出来。
发明内容
本公开实施例提供一种垃圾短信识别方法及装置。所述技术方案如下:
根据本公开实施例的第一方面,提供一种垃圾短信识别方法,包括:
接收待识别短信;
对所述待识别短信进行特征提取,得到所述待识别短信的第一特征向量,所述第一特征向量中包括所述待识别短信的第一单词;
使用预设的贝叶斯识别器,根据所述待识别短信的第一特征向量确定所述待识别短信的第一垃圾正常比;
在所述第一垃圾正常比小于等于预设的第一阈值大于等于预设的第二阈值时,将所述第一特征向量中的所述第一单词替换为与所述第一单词的相似度超过预设阈值的第二单词,生成所述待识别短信的第二特征向量;
使用所述贝叶斯识别器,根据所述待识别短信的第二特征向量确定所述待识别短信的第二垃圾正常比;
根据所述第二垃圾正常比和所述第一垃圾正常比确定所述待识别短信是否为垃圾短信。
本公开的实施例提供的技术方案可以包括以下有益效果:本实施例可以在出现第一垃圾正常比不大不小不易被识别的待识别短信时,考虑到语言的多样性,将该待识别短信中作为特征的第一单词替换为相似度相近第二单词,生成该待识别短信的第二特征向量,进一步使用所述贝叶斯识别器,根据该第二特征向量计算待识别短信的第二垃圾正常比,并根据第二垃圾正常比和第一垃圾正常比来综合确定待识别短信是否为垃圾短信,提升对垃圾短信的识别精度。
在一个实施例中,所述方法还包括:
在所述第一垃圾正常比大于预设的第一阈值时,确定所述待识别短信为垃圾短信;
在所述第一垃圾正常比小于预设的第二阈值时,确定所述待识别短信为正常短信。
本公开的实施例提供的技术方案可以包括以下有益效果:本实施例可以在第一垃圾正常比大于第一阈值时,确定待识别短信为垃圾短信,在第一垃圾正常比小于预设的第二阈值时,确定待识别短信为正常短信,给出了量化的判断标准,可以准确识别出垃圾短信或正常短信。
在一个实施例中,所述方法还包括:
将样本短信中第一垃圾正常比最大的NSC条短信中最小的第一垃圾正常比设置为第一阈值,将样本短信中第一垃圾正常比最小的NNC条短信中最大的第一垃圾正常比设置为第二阈值,其中,所述NNC条短信中正常短信的比率的阈值大于阈值RN,所述NSC条短信中垃圾短信的比率的阈值大于阈值RS,所述NSC和所述NNC均为正整数。
本公开的实施例提供的技术方案可以包括以下有益效果:本实施例可以根据样本短信的第一垃圾正比的值来设置第一阈值和第二阈值,可以更加准确地设置第一阈值和第二阈值,有利于后续准确地识别该待识别短信是正常短信或垃圾短信。
在一个实施例中,所述第二单词包括训练所述贝叶斯识别器时训练样本中的单词。
本公开的实施例提供的技术方案可以包括以下有益效果:本实施例可以将带是被短信中的第一分词替换为训练所述贝叶斯识别器时训练样本中的、与第一单词之间的相似度超过预设阈值的第二单词,使贝叶斯识别器能够更加准确地计算出待识别短信的垃圾正常比,进而更加准确地确定该待识别短信是否为垃圾短信。
在一个实施例中,所述根据所述第二垃圾正常比和所述第一垃圾正常比确定所述待识别短信是否为垃圾短信,包括:
在所述第二垃圾正常比大于预设的第一阈值时,确定所述待识别短信为垃圾短信;
在所述第二垃圾正常比小于预设的第二阈值时,确定所述待识别短信为正常短信;
在所述第一垃圾正常比和所述第二垃圾正常比均大于预设的第三阈值,确定所述待识别短信为垃圾短信;
在所述第一垃圾正常比和所述第二垃圾正常比均小于预设的第三阈值,确定所述待识别短信为正常短信;
在所述预设的第三阈值在所述第一垃圾正常比和所述第二垃圾正常比之间时,确定所述待识别短信为正常短信;
其中,所述第三阈值小于所述第一阈值大于所述第二阈值。
本公开的实施例提供的技术方案可以包括以下有益效果:本实施例可以根据第二垃圾正常比和第二垃圾正常比来综合判定待识别短信是否为垃圾短信,量化了判定标准,确定方法准确。
在一个实施例中,所述方法还包括:
分别将样本短信中一条样本短信的第一垃圾正常比作为初始第三阈值,按照所述第一垃圾正常比小于初始第三阈值的短信识别为正常短信,所述第一垃圾正常比大于初始第三阈值的短信识别为垃圾短信的识别规则,对其他样本短信进行识别;
将识别正确的样本短信数量最多的初始第三阈值设置为第三阈值。
本公开的实施例提供的技术方案可以包括以下有益效果:本实施例可以按照训练贝叶斯识别器的训练样本的中的垃圾短信和正常短信的第一垃圾正常比来设置,将识别正确的样本短信数量最多的初始第三阈值设置为第三阈值,可以更加准确地设置第三阈值,有利于后续准确地识别该待识别短信是正常短信或垃圾短信。
根据本公开实施例的第二方面,提供一种垃圾短信识别装置,包括:
接收模块,用于接收待识别短信;
提取模块,用于对所述待识别短信进行特征提取,得到所述待识别短信的第一特征向量,所述第一特征向量中包括所述待识别短信的第一单词;
第一确定模块,用于使用预设的贝叶斯识别器,根据所述待识别短信的第一特征向量确定所述待识别短信的第一垃圾正常比;
替换模块,用于在所述第一垃圾正常比小于等于预设的第一阈值大于等于预设的第二阈值时,将所述第一特征向量中的所述第一单词替换为与所述第一单词的相似度超过预设阈值的第二单词,生成所述待识别短信的第二特征向量;
第二确定模块,用于使用所述贝叶斯识别器,根据所述待识别短信的第二特征向量确定所述待识别短信的第二垃圾正常比;
第三确定模块,用于根据所述第二垃圾正常比和所述第一垃圾正常比确定所述待识别短信是否为垃圾短信。
在一个实施例中,所述装置还包括:
第四确定模块,用于在所述第一垃圾正常比大于预设的第一阈值时,确定所述待识别短信为垃圾短信;在所述第一垃圾正常比小于预设的第二阈值时,确定所述待识别短信为正常短信。
在一个实施例中,所述装置还包括:
第一设置模块,用于将样本短信中第一垃圾正常比最大的NSC条短信中最小的第一垃圾正常比设置为第一阈值,将样本短信中第一垃圾正常比最小的NNC条短信中最大的第一垃圾正常比设置为第二阈值,其中,所述NNC条短信中正常短信的比率的阈值大于阈值RN,所述NSC条短信中垃圾短信的比率的阈值大于阈值RS,所述NSC和所述NNC均为正整数。
在一个实施例中,所述第二单词包括训练所述贝叶斯识别器时训练样本中的单词。
在一个实施例中,所述第三确定模块包括:
确定子模块,用于在所述第二垃圾正常比大于预设的第一阈值时,确定所述待识别短信为垃圾短信;在所述第二垃圾正常比小于预设的第二阈值时,确定所述待识别短信为正常短信;在所述第一垃圾正常比和所述第二垃圾正常比均大于预设的第三阈值,确定所述待识别短信为垃圾短信;在所述第一垃圾正常比和所述第二垃圾正常比均小于预设的第三阈值,确定所述待识别短信为正常短信;在所述预设的第三阈值在所述第一垃圾正常比和所述第二垃圾正常比之间时,确定所述待识别短信为正常短信;其中,所述第三阈值小于所述第一阈值大于所述第二阈值。
在一个实施例中,所述装置还包括:
识别模块,用于分别将样本短信中一条样本短信的第一垃圾正常比作为初始第三阈值,按照所述第一垃圾正常比小于初始第三阈值的短信识别为正常短信,所述第一垃圾正常比大于初始第三阈值的短信识别为垃圾短信的识别规则,对其他样本短信进行识别;
第二设置模块,用于将识别正确的样本短信数量最多的初始第三阈值设置为第三阈值。
根据本公开实施例的第三方面,提供一种垃圾短信识别装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
接收待识别短信;
对所述待识别短信进行特征提取,得到所述待识别短信的第一特征向量,所述第一特征向量中包括所述待识别短信的第一单词;
使用预设的贝叶斯识别器,根据所述待识别短信的第一特征向量确定所述待识别短信的第一垃圾正常比;
在所述第一垃圾正常比小于等于预设的第一阈值大于等于预设的第二阈值时,将所述第一特征向量中的所述第一单词替换为与所述第一单词的相似度超过预设阈值的第二单词,生成所述待识别短信的第二特征向量;
使用所述贝叶斯识别器,根据所述待识别短信的第二特征向量确定所述待识别短信的第二垃圾正常比;
根据所述第二垃圾正常比和所述第一垃圾正常比确定所述待识别短信是否为垃圾短信。
根据本公开实施例的第四方面提供一种计算机可读存储介质,存储有计算机指令,所述指令被处理器执行时实现以下步骤:
接收待识别短信;
对所述待识别短信进行特征提取,得到所述待识别短信的第一特征向量,所述第一特征向量中包括所述待识别短信的第一单词;
使用预设的贝叶斯识别器,根据所述待识别短信的第一特征向量确定所述待识别短信的第一垃圾正常比;
在所述第一垃圾正常比小于等于预设的第一阈值大于等于预设的第二阈值时,将所述第一特征向量中的所述第一单词替换为与所述第一单词的相似度超过预设阈值的第二单词,生成所述待识别短信的第二特征向量;
使用所述贝叶斯识别器,根据所述待识别短信的第二特征向量确定所述待识别短信的第二垃圾正常比;
根据所述第二垃圾正常比和所述第一垃圾正常比确定所述待识别短信是否为垃圾短信。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种垃圾短信识别方法的流程图。
图2是根据一示例性实施例示出的一种按照PSN值升序进行短信排序的示意图。
图3是根据一示例性实施例示出的一种垃圾短信识别方法的流程图。
图4是根据一示例性实施例示出的一种垃圾短信识别方法的流程图。
图5是根据一示例性实施例示出的一种垃圾短信识别装置的框图。
图6是根据一示例性实施例示出的一种垃圾短信识别装置的框图。
图7是根据一示例性实施例示出的一种垃圾短信识别装置的框图。
图8是根据一示例性实施例示出的一种垃圾短信识别装置的框图。
图9是根据一示例性实施例示出的一种垃圾短信识别装置的框图。
图10是根据一示例性实施例示出的一种垃圾短信识别装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
目前对垃圾短信的识别大都基于统计的分类方法(如朴素贝叶斯方法,SVM(support vector machine,支持向量机))来实现的,没有考虑到语言的多样性,所以分类精度不够高。
为解决上述问题,本实施例可以在使用贝叶斯识别器计算该待识别短信的第一垃圾正常比,对待识别短信进行垃圾短信识别时,对于第一垃圾正常比小于等于预设的第一阈值大于等于预设的第二阈值的待识别短信即第一垃圾正常比不大不小不易被识别的待识别短信,考虑到语言的多样性,将该待识别短信中作为特征的第一单词替换为相似度超过预设阈值的第二单词,生成该待识别短信的第二特征向量,使用所述贝叶斯识别器,根据该第二特征向量计算待识别短信的第二垃圾正常比,进一步根据第二垃圾正常比和第一垃圾正常比来综合确定待识别短信是否为垃圾短信,提升对垃圾短信的识别精度。
图1是根据一示例性实施例示出的一种垃圾短信识别方法的流程图,如图1所示,该垃圾短信识别方法用于终端等设备中,包括以下步骤101-104:
在步骤101中,接收待识别短信。
在步骤102中,对所述待识别短信进行特征提取,得到所述待识别短信的第一特征向量,所述第一特征向量中包括所述待识别短信的第一单词。
在步骤103中,使用预设的贝叶斯识别器,根据所述待识别短信的第一特征向量确定所述待识别短信的第一垃圾正常比。
在步骤104中,在所述第一垃圾正常比小于等于预设的第一阈值大于等于预设的第二阈值时,将所述第一特征向量中待识别短信中的第一单词替换为相似度超过预设阈值的第二单词,生成所述待识别短信的第二特征向量。
在步骤105中,使用所述贝叶斯识别器,根据所述待识别短信的第二特征向量确定所述待识别短信的第二垃圾正常比。
在步骤106中,根据所述第二垃圾正常比和所述第一垃圾正常比确定所述待识别短信是否为垃圾短信。
在一实施例中,终端接收到一新的短信时,可以将该新的短信作为待识别短信进行垃圾短信识别,终端在对待识别短信进行识别之前,先对该待识别短信进行特征提取,短信的特征可以包括下面几方面:
1、短信内容包含特殊符号,如URL(Uniform Resource Locator,统一资源定位符),Email(电子邮箱)或电话号码等;
2、短信的发送方号码类型:个人号码,如13912345678;短号码,如10086;长号码106525589662222;特殊种类,如飞信号码;
3、短信文本长度;
4、文本结构,如:短信有分段、短信有并列句;
5、对短信文字部分进行分词,每个分词都作为备选的特征。所有的分词都作为特征会导致待识别短信的特征向量过大,故需要对每二个分词进行筛选。筛选的方法有很多种,本实施例可以使用信息增益选取一定数量的分词作为特征加入特征向量;通过信息增益阈值可以将一些使用频率低的分词以及训练样本中出现比较少的分词都去掉,这样做可以避免因为数量少带来的偶然性,导致最终统计结果的误差。
在一实施例中,终端可以参考上述5个方面来进行短信的特征提取,这里需要说明的是,提取的特征中至少要包括该待识别短信文字部分的分词,该待识别短信的第一特征向量包含的特征中要有待识别短信的第一单词。
在一实施例中,本实施例中所述的垃圾正常比为短信为垃圾短信的概率与短信为正常短信的概率之间的比值。终端内可以预先训练完成贝叶斯识别器,然后根据待识别短信的第一特征向量确定该待识别短信的第一垃圾正常比,其过程主要包括如下步骤:
步骤S1,收集大量的垃圾短信和正常短信作为训练样本,建立垃圾短信集和正常短信集作为两个训练集。
步骤S2,按照上述中的5个方面来分别提取垃圾短信集和正常短信集中每条短信的特征,生成每条短信对应的特征向量x,所有训练样本的特征向量为X。
步骤S3,每一个短信集对应一个哈希表,哈希表1对应垃圾短信集而哈希表2对应正常短信集。表中存储每条短信与特征向量x的映射关系。
步骤S4,计算每个哈希表中特征xj出现的概率P=(xj的个数)/(对应哈希表的长度)。
步骤S5,综合考虑哈希表1和哈希表2,推断出当新来的短信中出现xj时,该新短信为垃圾短信的概率。
这里,数学表达式为:c1事件----短信为垃圾短信,c2事件----短信为正常短信;x1……xj……xn代表特征向量x中的特征,则在短信为垃圾短信时,短信中出现的xj的概率P(Xj=xj|Y=c1)=(xj在哈希表1中出现的概率),在短信为正常短信时,短信中出现的xj的概率P(Xj=xj|Y=c2)=(xj在哈希表2中出现的概率)。
步骤S6,建立新的哈希表3存储该短信为垃圾短信时短信中出现特征xj的概率P(Xj=xj|Y=c1)的映射,以及该短信为正常短信时短信中出现特征xj的概率P(Xj=xj|Y=c1)的映射。至此垃圾短信集和正常短信集的学习过程结束,建立贝叶斯识别器的哈希表3后,就可以估计一条新到的短信为垃圾短信的可能性。
步骤S7,当终端新收到一条待识别短信时,可以对该待识别短信进行特征提取,得到该待识别短信的第一特征向量x0,该第一特征向量x0中包含该待识别短信的n个特征,是个n维向量。终端就可以将n维第一特征向量x0输入到贝叶斯识别器中。
这里,贝叶斯识别器根据待识别短信的n维第一特征向量x0,计算待识别短信为垃圾短信的概率的原理可以如下所述:
本实施例中短信的分类集合Y={c1,c2}={垃圾短信,正常短信},可以根据哈希表3中记录的概率映射,按照以下公式1计算垃圾短信分类的后验概率为:
这里,P(Y=c1)为垃圾短信的先验概率,与待识别短信没有关系,在上述特定的训练集下是一个恒定的值。
同时,根据哈希表3中记录的概率映射,按照以下公式2计算正常短信分类的后验概率为:
这里,P(Y=c2)为正常短信的先验概率,与待识别短信没有关系,在上述特定的训练集下是一个恒定的值。
本实施例可以按照公式3将垃圾短信的后验概率除以正常短信的后验概率的结果作为待识别短信的垃圾正常比:
由于先验概率P(Y=ck)与具体短信没有关系,先验概率之间的比值在特定的训练集下是一个恒定的值,故本实施例中的贝叶斯识别器定义公式4为第一特征向量为x0的待识别短信的第一垃圾正常比为:
以下可以将待识别短信的第一垃圾正常比PSN(X=x0)记为PSN0。
在一实施例中,预设的第一阈值和第二阈值可以是用户根据经验预设的,由于短信的垃圾正常比PSN越大该短信是垃圾短信的可能性越高,故可以将第一阈值设的足够高,保证第一垃圾正常比大于预设的第一阈值的待识别短信有最大可能为垃圾短信,将第二阈值设的足够低,保证第一垃圾正常比小于第二阈值的待识别短信有最大可能为正常短信。而对于第一垃圾正常比小于等于预设的第一阈值大于等于预设的第二阈值的待识别短信,由于贝叶斯识别器的分类结果准确率不是很高,并不能确定这一类的待识别短信是垃圾短信还是正常短信,故需要对该待识别短信进行进一步分类,本实施例可以考虑语言的多样性,将第一特征向量中待识别短信中的第一单词替换为相似度超过预设阈值的第二单词即将第一单词替换为与其非常相近的第二单词,将第二单词作为待识别短信的特征,生成待识别短信的第二特征向量,进一步根据第二特征向量来确定待识别短信的第二垃圾正常比,然后综合第一垃圾正常比和第二垃圾正常比来确定待识别短信是否为垃圾短信。
在一实施例中,可以将自然语言交给机器学习中的算法来处理,通常需要首先将语言数学化,词向量就是用来将语言中的词进行数学化的一种方式。其基本思想是通过训练将每个词映射成K维实数向量(K一般为模型中的超参数),通过词之间的距离(比如cosine相似度、欧氏距离等)来判断它们之间的语义相似度。为了达到短信识别最好的效果,我们可以用真实的短信来训练词向量模型。因为训练词向量不需要对短信类型做标注,所以可以在云端用大量垃圾短信和正常短信作为训练样本。设定词向量维度为200,对海量如一千万条短信分词后,训练出词向量模型。以下可以对训练完成的词向量模型测试,可以查找“手机”一词最相似的词结果如下表1所示:
表1
如此,终端可以将第一特征向量中待识别短信中的第一单词输入至上述由短信分词训练的词向量模型,该词向量模型就可以输出与该第一单词的相似度超过预设阈值的第二单词,这里需要说明的,与该第一单词的相似度超过预设阈值的单词可能有多个,此时可以选择相似度最高作为第二单词;与该第一单词的相似度超过预设阈值的单词可能一个都没有,此时就不替换该第一单词。
在一实施例中,终端将第一单词替换为第二单词后,就生成该待识别短信的第二特征向量,终端将该第二特征向量输入贝叶斯识别器,贝叶斯识别器根据哈希表3和公式4计算该第二特征向量对应的第二垃圾正常比。终端在获取第二垃圾正常比后,可以综合考虑第一垃圾征程比和第二垃圾正常比,在第一垃圾正常比和第二垃圾正常比都比较高时,表明该待识别短信有很大的可能是垃圾短信,此时就可以确定该待识别短信为垃圾短信,在第一垃圾正常比和第二垃圾正常比都比较低时,表明该待识别短信有很大的可能是正常短信,此时就可以确定该待识别短信为正常短信。
本实施例可以在出现第一垃圾正常比不大不小不易被识别的待识别短信时,考虑到语言的多样性,将该待识别短信中作为特征的第一单词替换为相似度相近第二单词,生成该待识别短信的第二特征向量,进一步使用所述贝叶斯识别器,根据该第二特征向量计算待识别短信的第二垃圾正常比,并根据第二垃圾正常比和第一垃圾正常比来综合确定待识别短信是否为垃圾短信,提升对垃圾短信的识别精度。
在一种可能的实施方式中,上述的垃圾短信识别方法还可以实现为以下步骤A1和A2。
在步骤A1中,在所述第一垃圾正常比大于预设的第一阈值时,确定所述待识别短信为垃圾短信。
在步骤A2中,在所述第一垃圾正常比小于预设的第二阈值时,确定所述待识别短信为正常短信。
在一实施例中,终端确定待识别短信的第一垃圾正常比大于预设的第一阈值时,表明该待识别短信是垃圾短信的可能比较大,此时就确定该待识别短信为垃圾短信,在确定第一垃圾正常比小于预设的第二阈值时,表明该待识别短信是正常短信的可能比较大,确定所述待识别短信为正常短信。
本实施例可以在第一垃圾正常比大于第一阈值时,确定待识别短信为垃圾短信,在第一垃圾正常比小于预设的第二阈值时,确定待识别短信为正常短信,给出了量化的判断标准,可以准确识别出垃圾短信或正常短信。
在一种可能的实施方式中,上述的垃圾短信识别方法还可以实现为以下步骤A3。
在步骤A3中,将样本短信中第一垃圾正常比最大的NSC条短信中最小第一垃圾正常比值设置为第一阈值,将样本短信中第一垃圾正常比最小的NNC条短信中最高第一垃圾正常比设置为第二阈值,其中,NNC条短信中正常短信的比率的阈值大于阈值RN,所述NSC条短信中垃圾短信的比率的阈值大于阈值RS,所述NSC和所述NNC均为正整数。
在一实施例中,终端可以按照以下方法预先设置的,这里可以假设两个训练集中的所有短信数量为N,其中垃圾短信集中的垃圾短信数量为NS,正常短信集中的正常短信数量为NN,N=NS+NN,可以按照公式4计算两个训练集中的所有短信的PSN值。图2是根据一示例性实施例示出的一种按照PSN值升序进行短信排序的示意图,如图2所示按照PSN值升序对所有短信进行排序,如此,图2中靠左边的短信都是PSN小的短信,靠右边的短信都是PSN大的短信,由于短信的垃圾正常比PSN越大该短信是垃圾短信的可能性越高,故可以将样本中PSN最大的NSC条短信中最小PSN值即PSNL预设为第一阈值,将样本中PSN最小的NNC条短信中最高PSN即PSNS作为第二阈值。
其中,两个训练集中PSN最小的NNC条短信中正常短信的比率的阈值,必须大于阈值RN;样本中PSN最大的NSC条短信中垃圾短信的比率的阈值,必须大于阈值RS;这里,RN和RS通常都是预先设定的值,通过调整这两个值,可以调整NSC和NNC的大小,从而调整第一阈值和第二阈值。RN和RS的取值范围一般为[0.97,0.99],RN的大小与NNC的大小成反比,RS的大小和NSC的大小成反比。
本实施例可以根据样本短信的第一垃圾正比的值来设置第一阈值和第二阈值,可以更加准确地设置第一阈值和第二阈值,有利于后续准确地识别该待识别短信是正常短信或垃圾短信。
在一种可能的实施方式中,上述的垃圾短信识别方法中,所述第二单词包括训练所述贝叶斯识别器时训练样本中的单词。
在一实施例中,上述使用大量的垃圾短信和正常短信来训练贝叶斯识别器,在训练过程中需要对这些短信进行分词,并将得到某些单词来作为这些短信的特征。本实施例可以将待识别短信中的第一单词替换为与其相近的、训练所述贝叶斯识别器时训练样本中的单词,如此,使用训练样本中的相近单词替换第一单词后,贝叶斯识别器就可以更加准确地识别出待识别短信是否为垃圾短信。
在一实施例中,可以将所有纳入贝叶斯识别器统计为特征的单词集合记为Wb,对待识别短信进行分词得到第一单词的列表记为Ws,在Ws中且不在Wb中的单词记为Wn。将Wn中的所有词依次与Wb中所有词做词向量计算相似度,相似度大于预设阈值可认为两词可以替换,将Wn中的单词替换为Wb中满足相似条件的单词,得到该待识别短信中更新的单词特征Ws。经过上面的替换后,待识别短信对应的第一特征向量中的部分单词特征将会产生变化,更新为新的特征向量即第二特征向量;然后,终端就可以进一步根据第二特征向量来确定待识别短信的第二垃圾正常比,并综合第一垃圾正常比和第二垃圾正常比来确定待识别短信是否为垃圾短信。
本实施例可以将带是被短信中的第一分词替换为训练所述贝叶斯识别器时训练样本中的、与第一单词之间的相似度超过预设阈值的第二单词,使贝叶斯识别器能够更加准确地计算出待识别短信的垃圾正常比,进而更加准确地确定该待识别短信是否为垃圾短信。
在一种可能的实施方式中,上述的垃圾短信识别方法中的步骤106可以实现为步骤B1至B5。
在步骤B1中,在所述第二垃圾正常比大于预设的第一阈值时,确定所述待识别短信为垃圾短信。
在步骤B2中,在所述第二垃圾正常比小于预设的第二阈值时,确定所述待识别短信为正常短信。
在步骤B3中,在所述第一垃圾正常比和所述第二垃圾正常比均大于预设的第三阈值,确定所述待识别短信为垃圾短信。
在步骤B4中,在所述第一垃圾正常比和所述第二垃圾正常比均小于预设的第三阈值,确定所述待识别短信为正常短信。
在步骤B5中,在所述预设的第三阈值在所述第一垃圾正常比和所述第二垃圾正常比之间时,确定所述待识别短信为正常短信,其中,所述第三阈值小于所述第一阈值大于所述第二阈值。
在一实施例中,将根据第二特征向量确定的第二垃圾正常比记为PSN1,在PSN1>第一阈值时,表明在相似语义的单词作为待识别短信的特征的条件下,该待识别短信有很大的可能是垃圾短信,此时就确定该待识别短信为垃圾短信,在PSN1<第二阈值时,表明在相似语义的单词作为待识别短信的特征的条件下,该待识别短信有很大的可能是正常短信,此时就确定该待识别短信为正常短信。
在一实施例中,在PSN1也小于等于第一阈值大于等于第二阈值时,可以考虑根据第一特征向量确定的第一垃圾正常比记为PSN0;选定一中间阈值即第三阈值,参考图2,该第三阈值小于等于第一阈值大于等于第二阈值,若PSN0和PSN1均大于第三阈值,表明待识别短信是垃圾短信的可能性更大,此时就确定该待识别短信为垃圾短信,若PSN0和PSN1均小于第三阈值,表明待识别短信是正常短信的可能性更大,此时就确定该待识别短信为正常短信,若第三阈值在所述第一垃圾正常比和所述第二垃圾正常比之间时即PSN1,PSN0与第三阈值的大小关系不一致如PSN1>第三阈值而PSN0<第三阈值,或者,PSN1<第三阈值而PSN0>第三阈值;这说明两次的分类结果有奇异,即待识别短信是垃圾短信还是正常短信的判断有点模糊,这种情况统一确认该待识别短信为正常短信。
本实施例可以根据第二垃圾正常比和第二垃圾正常比来综合判定待识别短信是否为垃圾短信,量化了判定标准,确定方法准确。
在一实施例中,上述的垃圾短信识别方法还可以实现为步骤C1和C2。
在步骤C1中,分别将样本短信中一条样本短信的第一垃圾正常比作为初始第三阈值,按照所述第一垃圾正常比小于初始第三阈值的短信识别为正常短信,所述第一垃圾正常比大于初始第三阈值的短信识别为垃圾短信的识别规则,对其他样本短信进行识别。
在步骤C2中,将识别正确的样本短信数量最多的初始第三阈值设置为第三阈值。
在一实施例中,第三阈值的设置可以是按照训练贝叶斯识别器的训练样本的中的垃圾短信和正常短信的第一垃圾正常比来设置,可以先选定一个训练样本的第一垃圾正常比为初始第三阈值,对于其他N-1个训练样本,将第一垃圾正常比大于初始第三阈值的训练样本分类为正常短信,将第一垃圾正常比小于初始第三阈值的训练样本分类为垃圾短信,然后确定分类正确的短信数量,如此遍历N个训练样本的第一垃圾正常比为初始第三阈值,选择分类正确的短信数量最多的初始第三阈值为第三阈值。
本实施例可以按照训练贝叶斯识别器的训练样本的中的垃圾短信和正常短信的第一垃圾正常比来设置,将识别正确的样本短信数量最多的初始第三阈值设置为第三阈值,可以更加准确地设置第三阈值,有利于后续准确地识别该待识别短信是正常短信或垃圾短信。
下面通过几个实施例详细介绍实现过程。
图3是根据一示例性实施例示出的一种垃圾短信识别方法的流程图,如图3所示,该方法可以由终端等设备实现,包括步骤301至307。
在步骤301中,接收待识别短信。
在步骤302中,对所述待识别短信进行特征提取,得到所述待识别短信的第一特征向量,所述第一特征向量中包括所述待识别短信的第一单词。
在步骤303中,使用预设的贝叶斯识别器,根据所述待识别短信的第一特征向量确定所述待识别短信的第一垃圾正常比。
在步骤304中,在所述第一垃圾正常比大于预设的第一阈值时,确定所述待识别短信为垃圾短信;在所述第一垃圾正常比小于预设的第二阈值时,确定所述待识别短信为正常短信。
在步骤305中,在所述第一垃圾正常比小于等于预设的第一阈值大于等于预设的第二阈值时,将所述第一特征向量中的所述第一单词替换为与所述第一单词的相似度超过预设阈值的第二单词,生成所述待识别短信的第二特征向量,所述第二单词包括训练所述贝叶斯识别器时训练样本中的单词。
在步骤306中,使用所述贝叶斯识别器,根据所述待识别短信的第二特征向量确定所述待识别短信的第二垃圾正常比。
在步骤307中,在所述第二垃圾正常比大于预设的第一阈值时,确定所述待识别短信为垃圾短信;在所述第二垃圾正常比小于预设的第二阈值时,确定所述待识别短信为正常短信;在所述第一垃圾正常比和所述第二垃圾正常比均大于预设的第三阈值,确定所述待识别短信为垃圾短信;在所述第一垃圾正常比和所述第二垃圾正常比均小于预设的第三阈值,确定所述待识别短信为正常短信;在所述预设的第三阈值在所述第一垃圾正常比和所述第二垃圾正常比之间时,确定所述待识别短信为正常短信;其中,所述第三阈值小于所述第一阈值大于所述第二阈值。
图4是根据一示例性实施例示出的一种垃圾短信识别方法的流程图,如图4所示,该方法可以由终端等设备实现,包括步骤401至409。
在步骤401中,将样本短信中第一垃圾正常比最大的NSC条短信中最小的第一垃圾正常比设置为第一阈值,将样本短信中第一垃圾正常比最小的NNC条短信中最大的第一垃圾正常比设置为第二阈值,其中,所述NNC条短信中正常短信的比率的阈值大于阈值RN,所述NSC条短信中垃圾短信的比率的阈值大于阈值RS,所述NSC和所述NNC均为正整数。
在步骤402中,分别将样本短信中一条样本短信的第一垃圾正常比作为初始第三阈值,按照所述第一垃圾正常比小于初始第三阈值的短信识别为正常短信,所述第一垃圾正常比大于初始第三阈值的短信识别为垃圾短信的识别规则,对其他样本短信进行识别;将识别正确的样本短信数量最多的初始第三阈值设置为第三阈值。
在步骤403中,接收待识别短信。
在步骤404中,对所述待识别短信进行特征提取,得到所述待识别短信的第一特征向量,所述第一特征向量中包括所述待识别短信的第一单词。
在步骤405中,使用预设的贝叶斯识别器,根据所述待识别短信的第一特征向量确定所述待识别短信的第一垃圾正常比。
在步骤406中,在所述第一垃圾正常比大于预设的第一阈值时,确定所述待识别短信为垃圾短信;在所述第一垃圾正常比小于预设的第二阈值时,确定所述待识别短信为正常短信。
在步骤407中,在所述第一垃圾正常比小于等于预设的第一阈值大于等于预设的第二阈值时,将所述第一特征向量中的所述第一单词替换为与所述第一单词的相似度超过预设阈值的第二单词,生成所述待识别短信的第二特征向量,所述第二单词包括训练所述贝叶斯识别器时训练样本中的单词。
在步骤408中,使用所述贝叶斯识别器,根据所述待识别短信的第二特征向量确定所述待识别短信的第二垃圾正常比。
在步骤409中,在所述第二垃圾正常比大于预设的第一阈值时,确定所述待识别短信为垃圾短信;在所述第二垃圾正常比小于预设的第二阈值时,确定所述待识别短信为正常短信;在所述第一垃圾正常比和所述第二垃圾正常比均大于预设的第三阈值,确定所述待识别短信为垃圾短信;在所述第一垃圾正常比和所述第二垃圾正常比均小于预设的第三阈值,确定所述待识别短信为正常短信;在所述预设的第三阈值在所述第一垃圾正常比和所述第二垃圾正常比之间时,确定所述待识别短信为正常短信;其中,所述第三阈值小于所述第一阈值大于所述第二阈值。
下述为本公开装置实施例,可以用于执行本公开方法实施例。
图5是根据一示例性实施例示出的一种垃圾短信识别方法及装置的框图,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图5所示,该垃圾短信识别装置包括:接收模块501、提取模块502、第一确定模块503、替换模块504、第二确定模块505和第三确定模块506;其中:
接收模块501,用于接收待识别短信;
提取模块502,用于对所述待识别短信进行特征提取,得到所述待识别短信的第一特征向量,所述第一特征向量中包括所述待识别短信的第一单词;
第一确定模块503,用于使用预设的贝叶斯识别器,根据所述待识别短信的第一特征向量确定所述待识别短信的第一垃圾正常比;
替换模块504,用于在所述第一垃圾正常比小于等于预设的第一阈值大于等于预设的第二阈值时,将所述第一特征向量中的所述第一单词替换为与所述第一单词的相似度超过预设阈值的第二单词,生成所述待识别短信的第二特征向量;
第二确定模块505,用于使用所述贝叶斯识别器,根据所述待识别短信的第二特征向量确定所述待识别短信的第二垃圾正常比;
第三确定模块506,用于根据所述第二垃圾正常比和所述第一垃圾正常比确定所述待识别短信是否为垃圾短信。
作为一种可能的实施例,上述公开的垃圾短信识别装置还可以被配置成包括第四确定模块507,图6是涉及上述垃圾短信识别装置的框图,其中:
第四确定模块507,用于在所述第一垃圾正常比大于预设的第一阈值时,确定所述待识别短信为垃圾短信;在所述第一垃圾正常比小于预设的第二阈值时,确定所述待识别短信为正常短信。
作为一种可能的实施例,上述公开的垃圾短信识别装置还可以被配置成包括第一设置模块508,图7是涉及上述垃圾短信识别装置的框图,其中:
第一设置模块508,用于将样本短信中第一垃圾正常比最大的NSC条短信中最小的第一垃圾正常比设置为第一阈值,将样本短信中第一垃圾正常比最小的NNC条短信中最大的第一垃圾正常比设置为第二阈值,其中,所述NNC条短信中正常短信的比率的阈值大于阈值RN,所述NSC条短信中垃圾短信的比率的阈值大于阈值RS,所述NSC和所述NNC均为正整数。
作为一种可能的实施例,上述公开的垃圾短信识别装置中所述第二单词包括训练所述贝叶斯识别器时训练样本中的单词。
作为一种可能的实施例,上述公开的垃圾短信识别装置还可以把第三确定模块506配置成包括确定子模块5061,图8是涉及上述垃圾短信识别装置的框图,其中:
确定子模块5061,用于在所述第二垃圾正常比大于预设的第一阈值时,确定所述待识别短信为垃圾短信;在所述第二垃圾正常比小于预设的第二阈值时,确定所述待识别短信为正常短信;在所述第一垃圾正常比和所述第二垃圾正常比均大于预设的第三阈值,确定所述待识别短信为垃圾短信;在所述第一垃圾正常比和所述第二垃圾正常比均小于预设的第三阈值,确定所述待识别短信为正常短信;在所述预设的第三阈值在所述第一垃圾正常比和所述第二垃圾正常比之间时,确定所述待识别短信为正常短信;其中,所述第三阈值小于所述第一阈值大于所述第二阈值。
作为一种可能的实施例,上述公开的垃圾短信识别装置还可以倍配置成包括识别模块509和第二设置模块510,图9是涉及上述垃圾短信识别装置的框图,其中:
识别模块509,用于分别将样本短信中一条样本短信的第一垃圾正常比作为初始第三阈值,按照所述第一垃圾正常比小于初始第三阈值的短信识别为正常短信,所述第一垃圾正常比大于初始第三阈值的短信识别为垃圾短信的识别规则,对其他样本短信进行识别;
第二设置模块510,用于将识别正确的样本短信数量最多的初始第三阈值设置为第三阈值。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图10是根据一示例性实施例示出的一种垃圾短信识别装置的框图,该装置适用于终端设备。例如,装置1000可以是移动电话,游戏控制台,电脑、平板设备,个人数字助理等。
装置1000可以包括以下一个或多个组件:处理组件1001,存储器1002,电源组件1003,多媒体组件1004,音频组件1005,输入/输出(I/O)接口1006,传感器组件1007,以及通信组件1008。
处理组件1001通常控制装置1000的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件1001可以包括一个或多个处理器1020来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件1001可以包括一个或多个模块,便于处理组件1001和其他组件之间的交互。例如,处理组件1001可以包括多媒体模块,以方便多媒体组件1004和处理组件1001之间的交互。
存储器1002被配置为存储各种类型的数据以支持在装置1000的操作。这些数据的示例包括用于在装置1000上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器1002可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件1003为装置1000的各种组件提供电力。电源组件1003可以包括电源管理系统,一个或多个电源,及其他与为装置1000生成、管理和分配电力相关联的组件。
多媒体组件1004包括在所述装置1000和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件1004包括一个前置摄像头和/或后置摄像头。当装置1000处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件1005被配置为输出和/或输入音频信号。例如,音频组件1005包括一个麦克风(MIC),当装置1000处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1002或经由通信组件1008发送。在一些实施例中,音频组件1005还包括一个扬声器,用于输出音频信号。
I/O的接口1006为处理组件1001和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1007包括一个或多个传感器,用于为装置1000提供各个方面的状态评估。例如,传感器组件1007可以检测到装置1000的打开/关闭状态,组件的相对定位,例如所述组件为装置1000的显示器和小键盘,传感器组件1007还可以检测装置1000或装置1000一个组件的位置改变,用户与装置1000接触的存在或不存在,装置1000方位或加速/减速和装置1000的温度变化。传感器组件1007可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1007还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件1007还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件1008被配置为便于装置1000和其他设备之间有线或无线方式的通信。装置1000可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件1008经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件1008还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置1000可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器1002,上述指令可由装置1000的处理器1020执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本实施例提供上述的计算机可读存储介质,其上存储有计算机指令,当所述存储介质中的指令由装置1400的处理器执行时实现以下步骤:
接收待识别短信;
对所述待识别短信进行特征提取,得到所述待识别短信的第一特征向量,所述第一特征向量中包括所述待识别短信的第一单词;
使用预设的贝叶斯识别器,根据所述待识别短信的第一特征向量确定所述待识别短信的第一垃圾正常比;
在所述第一垃圾正常比小于等于预设的第一阈值大于等于预设的第二阈值时,将所述第一特征向量中的所述第一单词替换为与所述第一单词的相似度超过预设阈值的第二单词,生成所述待识别短信的第二特征向量;
使用所述贝叶斯识别器,根据所述待识别短信的第二特征向量确定所述待识别短信的第二垃圾正常比;
根据所述第二垃圾正常比和所述第一垃圾正常比确定所述待识别短信是否为垃圾短信。
所述存储介质中的指令还可以包括:
所述方法还包括:
在所述第一垃圾正常比大于预设的第一阈值时,确定所述待识别短信为垃圾短信;
在所述第一垃圾正常比小于预设的第二阈值时,确定所述待识别短信为正常短信。
所述存储介质中的指令还可以包括:
所述方法还包括:
将样本短信中第一垃圾正常比最大的NSC条短信中最小的第一垃圾正常比设置为第一阈值,将样本短信中第一垃圾正常比最小的NNC条短信中最大的第一垃圾正常比设置为第二阈值,其中,所述NNC条短信中正常短信的比率的阈值大于阈值RN,所述NSC条短信中垃圾短信的比率的阈值大于阈值RS,所述NSC和所述NNC均为正整数。
所述存储介质中的指令还可以包括:
所述第二单词包括训练所述贝叶斯识别器时训练样本中的单词。
所述存储介质中的指令还可以包括:
所述根据所述第二垃圾正常比和所述第一垃圾正常比确定所述待识别短信是否为垃圾短信,包括:
在所述第二垃圾正常比大于预设的第一阈值时,确定所述待识别短信为垃圾短信;
在所述第二垃圾正常比小于预设的第二阈值时,确定所述待识别短信为正常短信;
在所述第一垃圾正常比和所述第二垃圾正常比均大于预设的第三阈值,确定所述待识别短信为垃圾短信;
在所述第一垃圾正常比和所述第二垃圾正常比均小于预设的第三阈值,确定所述待识别短信为正常短信;
在所述预设的第三阈值在所述第一垃圾正常比和所述第二垃圾正常比之间时,确定所述待识别短信为正常短信;
其中,所述第三阈值小于所述第一阈值大于所述第二阈值。
所述存储介质中的指令还可以包括:
所述方法还包括:
分别将样本短信中一条样本短信的第一垃圾正常比作为初始第三阈值,按照所述第一垃圾正常比小于初始第三阈值的短信识别为正常短信,所述第一垃圾正常比大于初始第三阈值的短信识别为垃圾短信的识别规则,对其他样本短信进行识别;
将识别正确的样本短信数量最多的初始第三阈值设置为第三阈值。
本实施例还提供一种垃圾短信识别装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
接收待识别短信;
对所述待识别短信进行特征提取,得到所述待识别短信的第一特征向量,所述第一特征向量中包括所述待识别短信的第一单词;
使用预设的贝叶斯识别器,根据所述待识别短信的第一特征向量确定所述待识别短信的第一垃圾正常比;
在所述第一垃圾正常比小于等于预设的第一阈值大于等于预设的第二阈值时,将所述第一特征向量中的所述第一单词替换为与所述第一单词的相似度超过预设阈值的第二单词,生成所述待识别短信的第二特征向量;
使用所述贝叶斯识别器,根据所述待识别短信的第二特征向量确定所述待识别短信的第二垃圾正常比;
根据所述第二垃圾正常比和所述第一垃圾正常比确定所述待识别短信是否为垃圾短信。
所述处理器被配置为:
在所述第一垃圾正常比大于预设的第一阈值时,确定所述待识别短信为垃圾短信;
在所述第一垃圾正常比小于预设的第二阈值时,确定所述待识别短信为正常短信。
所述处理器被配置为:
将样本短信中第一垃圾正常比最大的NSC条短信中最小的第一垃圾正常比设置为第一阈值,将样本短信中第一垃圾正常比最小的NNC条短信中最大的第一垃圾正常比设置为第二阈值,其中,所述NNC条短信中正常短信的比率的阈值大于阈值RN,所述NSC条短信中垃圾短信的比率的阈值大于阈值RS,所述NSC和所述NNC均为正整数。
所述处理器被配置为:
所述第二单词包括训练所述贝叶斯识别器时训练样本中的单词。
所述处理器被配置为:
所述根据所述第二垃圾正常比和所述第一垃圾正常比确定所述待识别短信是否为垃圾短信,包括:
在所述第二垃圾正常比大于预设的第一阈值时,确定所述待识别短信为垃圾短信;
在所述第二垃圾正常比小于预设的第二阈值时,确定所述待识别短信为正常短信;
在所述第一垃圾正常比和所述第二垃圾正常比均大于预设的第三阈值,确定所述待识别短信为垃圾短信;
在所述第一垃圾正常比和所述第二垃圾正常比均小于预设的第三阈值,确定所述待识别短信为正常短信;
在所述预设的第三阈值在所述第一垃圾正常比和所述第二垃圾正常比之间时,确定所述待识别短信为正常短信;
其中,所述第三阈值小于所述第一阈值大于所述第二阈值。
所述处理器被配置为:
分别将样本短信中一条样本短信的第一垃圾正常比作为初始第三阈值,按照所述第一垃圾正常比小于初始第三阈值的短信识别为正常短信,所述第一垃圾正常比大于初始第三阈值的短信识别为垃圾短信的识别规则,对其他样本短信进行识别;
将识别正确的样本短信数量最多的初始第三阈值设置为第三阈值。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (14)
1.一种垃圾短信识别方法,其特征在于,包括:
接收待识别短信;
对所述待识别短信进行特征提取,得到所述待识别短信的第一特征向量,所述第一特征向量中包括所述待识别短信的第一单词;
使用预设的贝叶斯识别器,根据所述待识别短信的第一特征向量确定所述待识别短信的第一垃圾正常比;
在所述第一垃圾正常比小于等于预设的第一阈值大于等于预设的第二阈值时,将所述第一特征向量中的所述第一单词替换为与所述第一单词的相似度超过预设阈值的第二单词,生成所述待识别短信的第二特征向量;
使用所述贝叶斯识别器,根据所述待识别短信的第二特征向量确定所述待识别短信的第二垃圾正常比;
根据所述第二垃圾正常比和所述第一垃圾正常比确定所述待识别短信是否为垃圾短信。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述第一垃圾正常比大于预设的第一阈值时,确定所述待识别短信为垃圾短信;
在所述第一垃圾正常比小于预设的第二阈值时,确定所述待识别短信为正常短信。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将样本短信中第一垃圾正常比最大的NSC条短信中最小的第一垃圾正常比设置为第一阈值,将样本短信中第一垃圾正常比最小的NNC条短信中最大的第一垃圾正常比设置为第二阈值,其中,所述NNC条短信中正常短信的比率的阈值大于阈值RN,所述NSC条短信中垃圾短信的比率的阈值大于阈值RS,所述NSC和所述NNC均为正整数。
4.根据权利要求1所述的方法,其特征在于,所述第二单词包括训练所述贝叶斯识别器时训练样本中的单词。
5.根据权利要求1所述的方法,其特征在于,所述根据所述第二垃圾正常比和所述第一垃圾正常比确定所述待识别短信是否为垃圾短信,包括:
在所述第二垃圾正常比大于预设的第一阈值时,确定所述待识别短信为垃圾短信;
在所述第二垃圾正常比小于预设的第二阈值时,确定所述待识别短信为正常短信;
在所述第一垃圾正常比和所述第二垃圾正常比均大于预设的第三阈值,确定所述待识别短信为垃圾短信;
在所述第一垃圾正常比和所述第二垃圾正常比均小于预设的第三阈值,确定所述待识别短信为正常短信;
在所述预设的第三阈值在所述第一垃圾正常比和所述第二垃圾正常比之间时,确定所述待识别短信为正常短信;
其中,所述第三阈值小于所述第一阈值大于所述第二阈值。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
分别将样本短信中一条样本短信的第一垃圾正常比作为初始第三阈值,按照所述第一垃圾正常比小于初始第三阈值的短信识别为正常短信,所述第一垃圾正常比大于初始第三阈值的短信识别为垃圾短信的识别规则,对其他样本短信进行识别;
将识别正确的样本短信数量最多的初始第三阈值设置为第三阈值。
7.一种垃圾短信识别装置,其特征在于,包括:
接收模块,用于接收待识别短信;
提取模块,用于对所述待识别短信进行特征提取,得到所述待识别短信的第一特征向量,所述第一特征向量中包括所述待识别短信的第一单词;
第一确定模块,用于使用预设的贝叶斯识别器,根据所述待识别短信的第一特征向量确定所述待识别短信的第一垃圾正常比;
替换模块,用于在所述第一垃圾正常比小于等于预设的第一阈值大于等于预设的第二阈值时,将所述第一特征向量中的所述第一单词替换为与所述第一单词的相似度超过预设阈值的第二单词,生成所述待识别短信的第二特征向量;
第二确定模块,用于使用所述贝叶斯识别器,根据所述待识别短信的第二特征向量确定所述待识别短信的第二垃圾正常比;
第三确定模块,用于根据所述第二垃圾正常比和所述第一垃圾正常比确定所述待识别短信是否为垃圾短信。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第四确定模块,用于在所述第一垃圾正常比大于预设的第一阈值时,确定所述待识别短信为垃圾短信;在所述第一垃圾正常比小于预设的第二阈值时,确定所述待识别短信为正常短信。
9.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第一设置模块,用于将样本短信中第一垃圾正常比最大的NSC条短信中最小的第一垃圾正常比设置为第一阈值,将样本短信中第一垃圾正常比最小的NNC条短信中最大的第一垃圾正常比设置为第二阈值,其中,所述NNC条短信中正常短信的比率的阈值大于阈值RN,所述NSC条短信中垃圾短信的比率的阈值大于阈值RS,所述NSC和所述NNC均为正整数。
10.根据权利要求7所述的装置,其特征在于,所述第二单词包括训练所述贝叶斯识别器时训练样本中的单词。
11.根据权利要求7所述的装置,其特征在于,所述第三确定模块包括:
确定子模块,用于在所述第二垃圾正常比大于预设的第一阈值时,确定所述待识别短信为垃圾短信;在所述第二垃圾正常比小于预设的第二阈值时,确定所述待识别短信为正常短信;在所述第一垃圾正常比和所述第二垃圾正常比均大于预设的第三阈值,确定所述待识别短信为垃圾短信;在所述第一垃圾正常比和所述第二垃圾正常比均小于预设的第三阈值,确定所述待识别短信为正常短信;在所述预设的第三阈值在所述第一垃圾正常比和所述第二垃圾正常比之间时,确定所述待识别短信为正常短信;其中,所述第三阈值小于所述第一阈值大于所述第二阈值。
12.根据权利要求7所述的装置,其特征在于,所述装置还包括:
识别模块,用于分别将样本短信中一条样本短信的第一垃圾正常比作为初始第三阈值,按照所述第一垃圾正常比小于初始第三阈值的短信识别为正常短信,所述第一垃圾正常比大于初始第三阈值的短信识别为垃圾短信的识别规则,对其他样本短信进行识别;
第二设置模块,用于将识别正确的样本短信数量最多的初始第三阈值设置为第三阈值。
13.一种垃圾短信识别装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
接收待识别短信;
对所述待识别短信进行特征提取,得到所述待识别短信的第一特征向量,所述第一特征向量中包括所述待识别短信的第一单词;
使用预设的贝叶斯识别器,根据所述待识别短信的第一特征向量确定所述待识别短信的第一垃圾正常比;
在所述第一垃圾正常比小于等于预设的第一阈值大于等于预设的第二阈值时,将所述第一特征向量中的所述第一单词替换为与所述第一单词的相似度超过预设阈值的第二单词,生成所述待识别短信的第二特征向量;
使用所述贝叶斯识别器,根据所述待识别短信的第二特征向量确定所述待识别短信的第二垃圾正常比;
根据所述第二垃圾正常比和所述第一垃圾正常比确定所述待识别短信是否为垃圾短信。
14.一种计算机可读存储介质,存储有计算机指令,其特征在于,所述指令被处理器执行时实现以下步骤:
接收待识别短信;
对所述待识别短信进行特征提取,得到所述待识别短信的第一特征向量,所述第一特征向量中包括所述待识别短信的第一单词;
使用预设的贝叶斯识别器,根据所述待识别短信的第一特征向量确定所述待识别短信的第一垃圾正常比;
在所述第一垃圾正常比小于等于预设的第一阈值大于等于预设的第二阈值时,将所述第一特征向量中的所述第一单词替换为与所述第一单词的相似度超过预设阈值的第二单词,生成所述待识别短信的第二特征向量;
使用所述贝叶斯识别器,根据所述待识别短信的第二特征向量确定所述待识别短信的第二垃圾正常比;
根据所述第二垃圾正常比和所述第一垃圾正常比确定所述待识别短信是否为垃圾短信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710272159.2A CN107135494B (zh) | 2017-04-24 | 2017-04-24 | 垃圾短信识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710272159.2A CN107135494B (zh) | 2017-04-24 | 2017-04-24 | 垃圾短信识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107135494A true CN107135494A (zh) | 2017-09-05 |
CN107135494B CN107135494B (zh) | 2020-06-19 |
Family
ID=59716042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710272159.2A Active CN107135494B (zh) | 2017-04-24 | 2017-04-24 | 垃圾短信识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107135494B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109922444A (zh) * | 2017-12-13 | 2019-06-21 | 中国移动通信集团公司 | 一种垃圾短信识别方法及装置 |
CN110909526A (zh) * | 2018-09-17 | 2020-03-24 | 阿里巴巴集团控股有限公司 | 垃圾短信规则库构建方法、装置及电子设备 |
CN114928498A (zh) * | 2022-06-15 | 2022-08-19 | 中国联合网络通信集团有限公司 | 一种欺诈信息识别方法、装置及计算机可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050091321A1 (en) * | 2003-10-14 | 2005-04-28 | Daniell W. T. | Identifying undesired email messages having attachments |
CN103313248A (zh) * | 2013-04-28 | 2013-09-18 | 北京小米科技有限责任公司 | 一种识别垃圾信息的方法和装置 |
CN103813279A (zh) * | 2012-11-14 | 2014-05-21 | 中国移动通信集团设计院有限公司 | 一种垃圾短信检测方法及装置 |
CN104462115A (zh) * | 2013-09-17 | 2015-03-25 | 中兴通讯股份有限公司 | 垃圾短信的识别方法及装置 |
CN105117384A (zh) * | 2015-08-19 | 2015-12-02 | 小米科技有限责任公司 | 分类器训练方法、类型识别方法及装置 |
CN105516941A (zh) * | 2014-10-13 | 2016-04-20 | 中兴通讯股份有限公司 | 一种垃圾短信的拦截方法及装置 |
CN105992178A (zh) * | 2015-02-06 | 2016-10-05 | 中国移动通信集团公司 | 一种垃圾短信识别方法及装置 |
CN106202330A (zh) * | 2016-07-01 | 2016-12-07 | 北京小米移动软件有限公司 | 垃圾信息的判断方法及装置 |
-
2017
- 2017-04-24 CN CN201710272159.2A patent/CN107135494B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050091321A1 (en) * | 2003-10-14 | 2005-04-28 | Daniell W. T. | Identifying undesired email messages having attachments |
CN103813279A (zh) * | 2012-11-14 | 2014-05-21 | 中国移动通信集团设计院有限公司 | 一种垃圾短信检测方法及装置 |
CN103313248A (zh) * | 2013-04-28 | 2013-09-18 | 北京小米科技有限责任公司 | 一种识别垃圾信息的方法和装置 |
CN104462115A (zh) * | 2013-09-17 | 2015-03-25 | 中兴通讯股份有限公司 | 垃圾短信的识别方法及装置 |
CN105516941A (zh) * | 2014-10-13 | 2016-04-20 | 中兴通讯股份有限公司 | 一种垃圾短信的拦截方法及装置 |
CN105992178A (zh) * | 2015-02-06 | 2016-10-05 | 中国移动通信集团公司 | 一种垃圾短信识别方法及装置 |
CN105117384A (zh) * | 2015-08-19 | 2015-12-02 | 小米科技有限责任公司 | 分类器训练方法、类型识别方法及装置 |
CN106202330A (zh) * | 2016-07-01 | 2016-12-07 | 北京小米移动软件有限公司 | 垃圾信息的判断方法及装置 |
Non-Patent Citations (1)
Title |
---|
周巧扣等: "一种基于语义的垃圾短信过滤算法", 《实验室研究与探索》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109922444A (zh) * | 2017-12-13 | 2019-06-21 | 中国移动通信集团公司 | 一种垃圾短信识别方法及装置 |
CN109922444B (zh) * | 2017-12-13 | 2020-11-03 | 中国移动通信集团公司 | 一种垃圾短信识别方法及装置 |
CN110909526A (zh) * | 2018-09-17 | 2020-03-24 | 阿里巴巴集团控股有限公司 | 垃圾短信规则库构建方法、装置及电子设备 |
CN114928498A (zh) * | 2022-06-15 | 2022-08-19 | 中国联合网络通信集团有限公司 | 一种欺诈信息识别方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107135494B (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408402B (zh) | 人脸识别方法及装置 | |
CN109800325A (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN105488025A (zh) | 模板构建方法和装置、信息识别方法和装置 | |
CN111539443B (zh) | 一种图像识别模型训练方法及装置、存储介质 | |
EP3852044A1 (en) | Method and device for commenting on multimedia resource | |
CN107454465A (zh) | 视频播放进度展示方法及装置、电子设备 | |
CN107766426A (zh) | 一种文本分类方法、装置及电子设备 | |
CN105117384A (zh) | 分类器训练方法、类型识别方法及装置 | |
CN109446961B (zh) | 姿势检测方法、装置、设备及存储介质 | |
CN106202330A (zh) | 垃圾信息的判断方法及装置 | |
CN106355429A (zh) | 图像素材的推荐方法及装置 | |
CN107832741A (zh) | 人脸特征点定位的方法、装置及计算机可读存储介质 | |
CN110175223A (zh) | 一种实现问题生成的方法及装置 | |
CN108121736A (zh) | 一种主题词确定模型的建立方法、装置及电子设备 | |
CN105447750A (zh) | 信息识别方法、装置、终端及服务器 | |
WO2020211387A1 (zh) | 电子合同显示方法、装置、电子设备及计算机存储介质 | |
CN104077597B (zh) | 图像分类方法及装置 | |
CN110390086A (zh) | 一种生成文本的方法、装置和存储介质 | |
US11475879B2 (en) | Method and device for evaluating quality of content, electronic equipment, and storage medium | |
CN106407204A (zh) | 图书推荐方法及装置 | |
CN109670077A (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN106504050A (zh) | 一种信息比对装置及方法 | |
CN104615663A (zh) | 文件排序方法、装置及终端 | |
CN107220614A (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN107135494A (zh) | 垃圾短信识别方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |