CN109982272A - 一种诈骗短信识别方法及装置 - Google Patents
一种诈骗短信识别方法及装置 Download PDFInfo
- Publication number
- CN109982272A CN109982272A CN201910112661.6A CN201910112661A CN109982272A CN 109982272 A CN109982272 A CN 109982272A CN 201910112661 A CN201910112661 A CN 201910112661A CN 109982272 A CN109982272 A CN 109982272A
- Authority
- CN
- China
- Prior art keywords
- short message
- feature field
- message identification
- neural network
- multiple feature
- 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
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/12—Detection or prevention of fraud
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请公开了一种诈骗短信识别方法及装置,包括:数据获取阶段,获取短信样本对应的多个特征字段,确定所述多个特征字段分别对应的类型;基于所述多个特征字段分别对应的类型,将所述多个特征字段输入到短信识别神经网络的不同分支中;模型训练阶段,基于短信识别标签信息,使用梯度下降算法,对所述短信识别神经网络进行训练;模型预测阶段,利用所述短信识别神经网络的不同分支对不同类型的特征字段进行处理,基于神经网络的正向传播,结果得到短信识别预测结果。
Description
技术领域
本申请涉及短信识别技术,尤其涉及一种诈骗短信识别方法及装置。
背景技术
伴随着信息技术的蓬勃发展,互联网终端的布设与使用正在大范围的普及使用,大量不同领域、不同地域、不同时域的信息在产生后便立即经由互联网广泛传播。与此同时,移动互联网与电信网络的深层次发展以及移动手持通讯设备的大量普及更是令这种现象愈申请显。但需要注意到,网络上的信息产生并不经任何审核,因此信息的真实性并无法保证,大量包含夸张、不实甚至捏造的信息与真实的信息混杂在一起,往往使得人们难以分辨。更为严重的是,当今社会一部分犯罪分子利用网络技术手段实施此类犯罪行为,给人们的财产造成巨大损失。
当前的诈骗信息检测无论在算法亦或是系统中都存在大量问题,主要问题表现在:
首先,电信网络发展过于迅速,网络中每时每刻都在大量产生信息数据,其数量级过于巨大,传统复杂算法与系统难以适应;
其次,不法分子的手段在不断更新换代,诸多规避传统检测方法的手段不断涌现,文本去敏、更换号码,变换地址等方法使得原本明显的特征变得模糊。申请内容
为解决上述技术问题,本申请实施例提供了一种诈骗短信识别方法及装置。
本申请实施例提供的诈骗短信识别方法,包括:
获取短信样本对应的多个特征字段,确定所述多个特征字段分别对应的类型;
基于所述多个特征字段分别对应的类型,将所述多个特征字段输入到短信识别神经网络的不同分支中;
基于短信识别标签信息,使用梯度下降算法,对所述短信识别神经网络进行训练;
利用所述短信识别神经网络的不同分支对不同类型的特征字段进行处理,基于神经网络的正向传播,结果得到短信识别预测结果。
本申请实施例提供的诈骗短信识别装置,包括:
获取模块,用于获取短信样本对应的多个特征字段,确定所述多个特征字段分别对应的类型;基于所述多个特征字段分别对应的类型,将所述多个特征字段输入到短信识别神经网络的不同分支中;
处理模块,用于基于短信识别标签信息,使用梯度下降算法,对所述短信识别神经网络进行训练;利用所述短信识别神经网络的不同分支对不同类型的特征字段进行处理,基于神经网络的正向传播,结果得到短信识别预测结果。
采用本申请实施例的上述技术方案,短信识别神经网络具有不同的分支,对短信的特征字段进行归类,对于不同类型的特征字段采用短信识别神经网络的不同分支进行处理,最后融合多元异构的处理结果,准确得到短信的识别结果,这种短信识别方式可以处理海量的短信数据,且处理精度非常高,有效避免了短信诈骗等不良行为。
附图说明
图1为本申请实施例提供的诈骗短信识别方法的流程示意图;
图2为本申请实施例提供的短信识别神经网络的架构图;
图3为本申请实施例提供的诈骗短信识别装置的结构组成示意图。
具体实施方式
现在将参照附图来详细描述本申请的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本申请及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本申请实施例可以应用于计算机系统/服务器等电子设备,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与计算机系统/服务器等电子设备一起使用的众所周知的计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
计算机系统/服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
无论是电信网络还是移动通讯设备的普及范围与数量都处在一个相当庞大的数量级。不法分子使用短信息诈骗规模庞大,为了准确有效地识别诈骗短信息,保障电信用户财产安全,需要一种高精度地识别方法。
相关技术方案主要分为两种,1)一种方案是利用专家经验建立检测策略,例如:针对短信文本内容构建敏感词词库,如“兑奖”,“提升额度”等等。又例如:针对诈骗源建立黑名单库,如“诈骗源号码”,“诈骗留下的url解析ip黑名单”等等。2)另一种方案是使用模式识别的监督学习方法,针对短信文本内容提取特征,如文本的tf-idf表示等,然后利用支持向量机,k近邻等分类器等进行诈骗信息的识别。
基于专家经验的策略方法有如下问题:短信文本内容具有伪装性,比如文本取敏,针对文本的敏感关键词进行变换,如中奖兑换,中奖对换等。黑名单库也有针对已经暴露的号码进行变换,比如更换发送源号码等等。对ip地址变换等方法使得原本明显的特征变得模糊。
基于模式识别的监督学习方法会因为文本的特征单一并且会变换词汇表达方式,导致模型要频繁更新训练,并且仅仅使用文本特征的错误率较高,没有考虑其他的时序,基站,传播网络等特征。导致准确率不高。为此,本申请实施例提供了一种诈骗短信识别方法,
图1为本申请实施例提供的诈骗短信识别方法的流程示意图,如图1所示,所述诈骗短信识别方法包括以下步骤:
步骤101:获取短信样本对应的多个特征字段,确定所述多个特征字段分别对应的类型。
本申请实施例中,短信也可以称为短消息或者短信息。一个短信对应多个特征字段,包括以下至少之一:
文本信息、发送侧号码、接收侧号码、发送侧号段、接收侧号段、发送时间、发送侧地址、接收侧地址、发送侧基站、发送频率、群发数量。
本申请实施例中,短信样本是指作为样本用来训练短信识别神经网络的短信。可见,所述短信样本对应的多个特征字段,也包括上述多个特征字段。所述短信样本对应的多个特征字段可以参照如下表1。
表1
其中,1)属于类别类型的特征字段包括:发送侧号码、接收侧号码、发送侧号段、接收侧号段、发送侧地址、接收侧地址、发送侧基站;2)属于连续值类型的特征字段包括:发送频率、群发数量、发送时间;3)属于原始文本类型的特征字段包括:文本信息。
步骤102:基于所述多个特征字段分别对应的类型,将所述多个特征字段输入到短信识别神经网络的不同分支中。
本申请实施例中,短信识别神经网络包括三个分支,分别对应三种类型的特征字段进行处理。
步骤103:基于短信识别标签信息,使用梯度下降算法,对所述短信识别神经网络进行训练。
具体地,基于短信识别预测结果和所述短信识别标签信息,计算交叉熵函数值;识别所述交叉熵函数值是否满足预设条件,如果所述交叉熵函数值不满足的预设条件,则基于所述交叉熵函数值对所述短信识别神经网络的参数值进行调整,然后迭代执行获得所述短信识别预测结果的操作,直至所述交叉熵函数值满足预设条件。
执行完步骤103后,所述短信识别神经网络被训练完(即所述短信识别神经网络中的各参数已经被优化),而后,可以利用该训练完的短信识别神经网络来识别短息。
步骤104:利用所述短信识别神经网络的不同分支对不同类型的特征字段进行处理,基于神经网络的正向传播,结果得到短信识别预测结果。
具体地,获取待识别短信的多个特征字段,确定所述多个特征字段分别对应的类型;基于所述多个特征字段分别对应的类型,将所述多个特征字段输入到训练完的短信识别神经网络的不同分支中;利用所述训练完的短信识别神经网络的不同分支对不同类型的特征字段进行处理,基于处理结果得到短信识别结果。
以下对这三个分支如何对相应的特征字段进行处理进行描述。
1)对于属于所述类别类型的特征字段:
对所述特征字段进行ID序列编码;
将所述ID序列输入到相应的嵌入层,经所述嵌入层对所述ID序列处理后得到稠密表示;
将所述稠密表示并联到全连接层。
2)对于属于所述连续值类型的特征字段:
将所述特征字段并联到全连接层。
3)对于属于所述原始文本类型的特征字段:
利用词向量(如word2vec)模型对所述特征字段进行处理,得到词向量;
对所述词向量进行LSTM编码,得到文本表示;
将所述文本表示并联到全连接层。
本申请实施例的技术方案提出一种多元异构的短信识别神经网络,结合了短信的结构化特征,非结构化特征,时序行为特征,使用深度学习方法对短信进行识别。
以下结合图2所示的短信识别神经网络的架构图,对本申请实施例的技术方案做进一步描述。
1)从数据库中获取短信样本,将该短信样本的不同类型的特征字段输入到短信识别神经网络(以下简称神经网络)的不同分支。
具体地,参照图2,针对三种不同类型的特征字段有如下处理方式:
1-1)类别类型:对每个特征字段进行ID序列编码,建立相应的嵌入层,ID序列经嵌入层处理得到稠密表示,将该稠密表示并联到全连接层(也即Dense层)。
1-2)连数值类型:连续值类型的特征字段直接并联到全连接层(也即Dense层)。
1-3)原始文本类型:将原始文本类型的文本信息使用预训练的word2vec词向量,然后经过LSTM编码,得到文本表示,将该文本表示并联到全连接层(也即Dense层)。
需要说明的是,为提高神经网络泛化能力避免参数过拟合,在神经网络的倒数第二层(即两层Dense层中靠近交叉熵函数的Dense层),使用dropout策略,即通过随机丢弃的方式来限制权重向量的L2范数大小,以防止模型隐藏层单元共适应的问题,减轻过拟合风险。
具体实现时,全连接层(隐藏层)的表达方式为:
xl=ReLU(Wlxl-1+bl)
其中,ReLU是激活函数,Wl是权重矩阵,bl是偏置项。
2)两层Dense层和交叉熵函数中还设置有softmax函数(图2中未示出),其中,两层Dense层的输出作为softmax函数的输入,softmax函数的输出作为交叉熵函数的输入。最后,softmax函数转换输出结果得到预测值
其中,h表示隐藏层数,xh是输出最后一个隐藏层,Wout和bout分别代表输出层的权重和偏置。
3)损失函数采用交叉熵函数,利用交叉熵函数来计算预测结果和标签值y之间的差异,具体地:
4)使用随机梯度下降方法训练神经网络,最小化损失函数。
5)将待识别的短信输入到训练完的神经网络中,进行一次神经网络的正向传播,得到识别结果。
需要说明的是,表示识别结果的向量的维数,等于输出层中神经元的数目。
上述方案中,原始文本类型的预训练的词向量可以替换为fasttext,Glove等词向量。
图3为本申请实施例提供的诈骗短信识别装置的结构组成示意图,如图3所示,所述装置包括:
获取模块301,用于获取短信样本对应的多个特征字段,确定所述多个特征字段分别对应的类型;基于所述多个特征字段分别对应的类型,将所述多个特征字段输入到短信识别神经网络的不同分支中;
处理模块302,用于基于短信识别标签信息,使用梯度下降算法,对所述短信识别神经网络进行训练;利用所述短信识别神经网络的不同分支对不同类型的特征字段进行处理,基于神经网络的正向传播,结果得到短信识别预测结果。
在一个示例中,所述短信样本对应的多个特征字段,包括以下至少之一:
文本信息、发送侧号码、接收侧号码、发送侧号段、接收侧号段、发送时间、发送侧地址、接收侧地址、发送侧基站、发送频率、群发数量。
在一个示例中,属于类别类型的特征字段包括:发送侧号码、接收侧号码、发送侧号段、接收侧号段、发送侧地址、接收侧地址、发送侧基站;
属于连续值类型的特征字段包括:发送频率、群发数量、发送时间;
属于原始文本类型的特征字段包括:文本信息。
在一个示例中,所述处理模块302包括:第一处理子模块3021;对于属于所述类别类型的特征字段,所述第一处理子模块3021,用于:
对所述特征字段进行ID序列编码;
将所述ID序列输入到相应的嵌入层,经所述嵌入层对所述ID序列处理后得到稠密表示;
将所述稠密表示并联到全连接层。
在一个示例中,所述处理模块302包括:第二处理子模块3022;对于属于所述连续值类型的特征字段,所述第二处理子模块3022,用于将所述特征字段并联到全连接层。
在一个示例中,所述处理模块302包括:第三处理子模块3023;对于属于所述原始文本类型的特征字段,所述第三处理子模块3023,用于:
利用词向量模型对所述特征字段进行处理,得到词向量;
对所述词向量进行LSTM编码,得到文本表示;
将所述文本表示并联到全连接层。
在一个示例中,所述处理模块302,具体用于:
基于所述短信识别预测结果和所述短信识别标签信息,计算交叉熵函数值;
识别所述交叉熵函数值是否满足预设条件,如果所述交叉熵函数值不满足的预设条件,则基于所述交叉熵函数值对所述短信识别神经网络的参数值进行调整,然后迭代执行获得所述短信识别预测结果的操作,直至所述交叉熵函数值满足预设条件。
在一个示例中,所述获取模块301,还用于获取待识别短信的多个特征字段,确定所述多个特征字段分别对应的类型;基于所述多个特征字段分别对应的类型,将所述多个特征字段输入到训练完的短信识别神经网络的不同分支中;
所述处理模块302,还用于利用所述训练完的短信识别神经网络的不同分支对不同类型的特征字段进行处理,基于处理结果得到短信识别结果。
本领域技术人员应当理解,图3所示的诈骗短信识别装置中的各模块的实现功能可参照前述诈骗短信识别方法的相关描述而理解。图3所示的诈骗短信识别装置中的各模块的功能可通过运行于处理器上的程序而实现,也可通过具体的逻辑电路而实现。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (16)
1.一种诈骗短信识别方法,其特征在于,所述方法包括:
获取短信样本对应的多个特征字段,确定所述多个特征字段分别对应的类型;
基于所述多个特征字段分别对应的类型,将所述多个特征字段输入到短信识别神经网络的不同分支中;
基于短信识别标签信息,使用梯度下降算法,对所述短信识别神经网络进行训练;
利用所述短信识别神经网络的不同分支对不同类型的特征字段进行处理,基于神经网络的正向传播,结果得到短信识别预测结果。
2.根据权利要求1所述的方法,其特征在于,所述短信样本对应的多个特征字段,包括以下至少之一:
文本信息、发送侧号码、接收侧号码、发送侧号段、接收侧号段、发送时间、发送侧地址、接收侧地址、发送侧基站、发送频率、群发数量。
3.根据权利要求2所述的方法,其特征在于,
属于类别类型的特征字段包括:发送侧号码、接收侧号码、发送侧号段、接收侧号段、发送侧地址、接收侧地址、发送侧基站;
属于连续值类型的特征字段包括:发送频率、群发数量、发送时间;
属于原始文本类型的特征字段包括:文本信息。
4.根据权利要求3所述的方法,其特征在于,对于属于所述类别类型的特征字段:
对所述特征字段进行ID序列编码;
将所述ID序列输入到相应的嵌入层,经所述嵌入层对所述ID序列处理后得到稠密表示;
将所述稠密表示并联到全连接层。
5.根据权利要求3所述的方法,其特征在于,对于属于所述连续值类型的特征字段:
将所述特征字段并联到全连接层。
6.根据权利要求3所述的方法,其特征在于,对于属于所述原始文本类型的特征字段:
利用词向量模型对所述特征字段进行处理,得到词向量;
对所述词向量进行LSTM编码,得到文本表示;
将所述文本表示并联到全连接层。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述基于短信识别标签信息,使用梯度下降算法,对所述短信识别神经网络进行训练,包括:
基于所述短信识别预测结果和所述短信识别标签信息,计算交叉熵函数值;
识别所述交叉熵函数值是否满足预设条件,如果所述交叉熵函数值不满足的预设条件,则基于所述交叉熵函数值对所述短信识别神经网络的参数值进行调整,然后迭代执行获得所述短信识别预测结果的操作,直至所述交叉熵函数值满足预设条件。
8.根据权利要求1至6任一项所述的方法,其特征在于,所述方法还包括:
获取待识别短信的多个特征字段,确定所述多个特征字段分别对应的类型;
基于所述多个特征字段分别对应的类型,将所述多个特征字段输入到训练完的短信识别神经网络的不同分支中;
利用所述训练完的短信识别神经网络的不同分支对不同类型的特征字段进行处理,基于处理结果得到短信识别结果。
9.一种诈骗短信识别装置,其特征在于,所述装置包括:
获取模块,用于获取短信样本对应的多个特征字段,确定所述多个特征字段分别对应的类型;基于所述多个特征字段分别对应的类型,将所述多个特征字段输入到短信识别神经网络的不同分支中;
处理模块,用于基于短信识别标签信息,使用梯度下降算法,对所述短信识别神经网络进行训练;利用所述短信识别神经网络的不同分支对不同类型的特征字段进行处理,基于神经网络的正向传播,结果得到短信识别预测结果。
10.根据权利要求9所述的装置,其特征在于,所述短信样本对应的多个特征字段,包括以下至少之一:
文本信息、发送侧号码、接收侧号码、发送侧号段、接收侧号段、发送时间、发送侧地址、接收侧地址、发送侧基站、发送频率、群发数量。
11.根据权利要求10所述的装置,其特征在于,
属于类别类型的特征字段包括:发送侧号码、接收侧号码、发送侧号段、接收侧号段、发送侧地址、接收侧地址、发送侧基站;
属于连续值类型的特征字段包括:发送频率、群发数量、发送时间;
属于原始文本类型的特征字段包括:文本信息。
12.根据权利要求11所述的装置,其特征在于,所述处理模块包括:第一处理子模块;对于属于所述类别类型的特征字段,所述第一处理子模块,用于:
对所述特征字段进行ID序列编码;
将所述ID序列输入到相应的嵌入层,经所述嵌入层对所述ID序列处理后得到稠密表示;
将所述稠密表示并联到全连接层。
13.根据权利要求11所述的装置,其特征在于,所述处理模块包括:第二处理子模块;对于属于所述连续值类型的特征字段,所述第二处理子模块,用于将所述特征字段并联到全连接层。
14.根据权利要求11所述的装置,其特征在于,所述处理模块包括:第三处理子模块;对于属于所述原始文本类型的特征字段,所述第三处理子模块,用于:
利用词向量模型对所述特征字段进行处理,得到词向量;
对所述词向量进行LSTM编码,得到文本表示;
将所述文本表示并联到全连接层。
15.根据权利要求9至14任一项所述的装置,其特征在于,所述处理模块,具体用于:
基于所述短信识别预测结果和所述短信识别标签信息,计算交叉熵函数值;
识别所述交叉熵函数值是否满足预设条件,如果所述交叉熵函数值不满足的预设条件,则基于所述交叉熵函数值对所述短信识别神经网络的参数值进行调整,然后迭代执行获得所述短信识别预测结果的操作,直至所述交叉熵函数值满足预设条件。
16.根据权利要求9至14任一项所述的装置,其特征在于,
所述获取模块,还用于获取待识别短信的多个特征字段,确定所述多个特征字段分别对应的类型;基于所述多个特征字段分别对应的类型,将所述多个特征字段输入到训练完的短信识别神经网络的不同分支中;
所述处理模块,还用于利用所述训练完的短信识别神经网络的不同分支对不同类型的特征字段进行处理,基于处理结果得到短信识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910112661.6A CN109982272B (zh) | 2019-02-13 | 2019-02-13 | 一种诈骗短信识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910112661.6A CN109982272B (zh) | 2019-02-13 | 2019-02-13 | 一种诈骗短信识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109982272A true CN109982272A (zh) | 2019-07-05 |
CN109982272B CN109982272B (zh) | 2020-08-28 |
Family
ID=67076915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910112661.6A Active CN109982272B (zh) | 2019-02-13 | 2019-02-13 | 一种诈骗短信识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109982272B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111083705A (zh) * | 2019-12-10 | 2020-04-28 | 平安国际智慧城市科技股份有限公司 | 群发诈骗短信检测方法、装置、服务器及存储介质 |
CN112492606A (zh) * | 2020-11-10 | 2021-03-12 | 恒安嘉新(北京)科技股份公司 | 垃圾短信的分类识别方法、装置、计算机设备及存储介质 |
CN116456347A (zh) * | 2023-06-16 | 2023-07-18 | 安徽创瑞信息技术有限公司 | 一种终端信息处理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8131655B1 (en) * | 2008-05-30 | 2012-03-06 | Bitdefender IPR Management Ltd. | Spam filtering using feature relevance assignment in neural networks |
CN107193900A (zh) * | 2017-05-10 | 2017-09-22 | 上海交通大学 | 一种可疑手机短信的识别系统及其使用方法 |
CN107239504A (zh) * | 2017-05-10 | 2017-10-10 | 上海交通大学 | 一种用于识别诈骗短信的深度学习算法 |
CN107872772A (zh) * | 2017-12-19 | 2018-04-03 | 北京奇虎科技有限公司 | 诈骗短信的检测方法及装置 |
CN108566627A (zh) * | 2017-11-27 | 2018-09-21 | 浙江鹏信信息科技股份有限公司 | 一种利用深度学习识别诈骗短信的方法及系统 |
-
2019
- 2019-02-13 CN CN201910112661.6A patent/CN109982272B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8131655B1 (en) * | 2008-05-30 | 2012-03-06 | Bitdefender IPR Management Ltd. | Spam filtering using feature relevance assignment in neural networks |
CN107193900A (zh) * | 2017-05-10 | 2017-09-22 | 上海交通大学 | 一种可疑手机短信的识别系统及其使用方法 |
CN107239504A (zh) * | 2017-05-10 | 2017-10-10 | 上海交通大学 | 一种用于识别诈骗短信的深度学习算法 |
CN108566627A (zh) * | 2017-11-27 | 2018-09-21 | 浙江鹏信信息科技股份有限公司 | 一种利用深度学习识别诈骗短信的方法及系统 |
CN107872772A (zh) * | 2017-12-19 | 2018-04-03 | 北京奇虎科技有限公司 | 诈骗短信的检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
RAHIM TAHERI等: "Spam filtering in SMS using recurrent neural networks", 《2017 ARTIFICIAL INTELLIGENCE AND SIGNAL PROCESSING CONFERENCE (AISP)》 * |
赖文辉 等: "基于词向量和卷积神经网络的垃圾短信识别方法", 《计算机应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111083705A (zh) * | 2019-12-10 | 2020-04-28 | 平安国际智慧城市科技股份有限公司 | 群发诈骗短信检测方法、装置、服务器及存储介质 |
CN112492606A (zh) * | 2020-11-10 | 2021-03-12 | 恒安嘉新(北京)科技股份公司 | 垃圾短信的分类识别方法、装置、计算机设备及存储介质 |
CN112492606B (zh) * | 2020-11-10 | 2024-05-17 | 恒安嘉新(北京)科技股份公司 | 垃圾短信的分类识别方法、装置、计算机设备及存储介质 |
CN116456347A (zh) * | 2023-06-16 | 2023-07-18 | 安徽创瑞信息技术有限公司 | 一种终端信息处理方法 |
CN116456347B (zh) * | 2023-06-16 | 2023-09-08 | 安徽创瑞信息技术有限公司 | 一种终端信息处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109982272B (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yao et al. | Capsule network assisted IoT traffic classification mechanism for smart cities | |
Sun et al. | Near real-time twitter spam detection with machine learning techniques | |
CN104598611B (zh) | 对搜索条目进行排序的方法及系统 | |
Choi et al. | Dynamic graph convolutional networks with attention mechanism for rumor detection on social media | |
CN105912524B (zh) | 基于低秩矩阵分解的文章话题关键词提取方法和装置 | |
CN109871485A (zh) | 一种个性化推荐方法及装置 | |
Dash et al. | Are ChatGPT and deepfake algorithms endangering the cybersecurity industry? A review | |
Shabat et al. | Angled local directional pattern for texture analysis with an application to facial expression recognition | |
CN109982272A (zh) | 一种诈骗短信识别方法及装置 | |
CN110472045A (zh) | 一种基于文档嵌入的短文本虚假问题分类预测方法及装置 | |
CN110598070A (zh) | 应用类型识别方法及装置、服务器及存储介质 | |
Jothi et al. | An efficient SQL injection detection system using deep learning | |
CN113128196A (zh) | 文本信息处理方法及其装置、存储介质 | |
Xiao et al. | A multitarget backdooring attack on deep neural networks with random location trigger | |
Chand et al. | Cooperative coevolution of feed forward neural networks for financial time series problem | |
Tsinganos et al. | Utilizing convolutional neural networks and word embeddings for early-stage recognition of persuasion in chat-based social engineering attacks | |
Igbekele et al. | Research trends on CAPTCHA: A systematic literature | |
Bobadilla et al. | Creating synthetic datasets for collaborative filtering recommender systems using generative adversarial networks | |
Linh et al. | Real-time phishing detection using deep learning methods by extensions | |
Sun et al. | A comparison study of VAE and GAN for software fault prediction | |
Kesharwani et al. | Detecting Fake Social Media Account Using Deep Neural Networking | |
Jesmithaa et al. | Detecting phishing attacks using Convolutional Neural Network and LSTM | |
Shah et al. | Optimal approach for image recognition using deep convolutional architecture | |
CN113726730A (zh) | 基于深度学习算法的dga域名检测方法及系统 | |
CN112950222A (zh) | 资源处理异常检测方法、装置、电子设备及存储介质 |
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 |