CN110177179B - 一种基于图嵌入的诈骗号码识别方法 - Google Patents
一种基于图嵌入的诈骗号码识别方法 Download PDFInfo
- Publication number
- CN110177179B CN110177179B CN201910410802.2A CN201910410802A CN110177179B CN 110177179 B CN110177179 B CN 110177179B CN 201910410802 A CN201910410802 A CN 201910410802A CN 110177179 B CN110177179 B CN 110177179B
- Authority
- CN
- China
- Prior art keywords
- user
- neighbor
- target user
- target
- neural network
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/22—Arrangements for supervision, monitoring or testing
- H04M3/2281—Call monitoring, e.g. for law enforcement purposes; Call tracing; Detection or prevention of malicious calls
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2203/00—Aspects of automatic or semi-automatic exchanges
- H04M2203/60—Aspects of automatic or semi-automatic exchanges related to security aspects in telephonic communication systems
- H04M2203/6027—Fraud preventions
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Signal Processing (AREA)
- Technology Law (AREA)
- Computer Networks & Wireless Communication (AREA)
- Telephonic Communication Services (AREA)
Abstract
一种基于图嵌入的诈骗号码识别方法,包括:基于用户在一段时间内的通话信令,计算用户的通话特征指标,并构成每个用户的通话特征指标向量,同时,提取和用户在一段时间内存在通话关系的联系人作为用户的直接邻居,构成每个用户的直接邻居组;构建、并训练识别诈骗号码的图嵌入神经网络,其输入是目标用户和多个关联用户的通话特征指标向量,输出是标识目标用户号码是否是疑似诈骗号码的标签信息;将待识别的目标用户和多个关联用户的通话特征指标向量输入训练后的图嵌入神经网络,然后根据输出判断待识别的目标用户号码是否是疑似诈骗号码。本发明属于信息技术领域,能基于诈骗电话“多点—点”的通联关系结构模式来实现诈骗号码的精准识别。
Description
技术领域
本发明涉及一种基于图嵌入的诈骗号码识别方法,属于信息技术领域。
背景技术
随着国家对通信信息诈骗技术防范工作不断深入,传统的电话诈骗得到了一定程度的遏制,但是犯罪团伙正在用复杂多变的手法开展新型诈骗。新型诈骗一般以团伙作案为基础,通常利用号码篡改,伪装等方式,针对特定个体展开有套路、有剧本的精准诈骗活动。在此过程中,典型的诈骗电话“点—多点”通联图转变为“多点—点”的通联关系,多点通联诈骗甚至跨境实施,单一国际关口的监测都无法还原欺诈模式的变化,这类欺诈活动通常会造成重大损失,具有极高的社会危害性。
面对这种稀疏、跨境融合的电话通联关系,传统的模板匹配、信令统计分析和单纯国际关口监测等针对单点欺诈呼叫行为检测的技术手段效果甚微,因此,如何基于诈骗电话“多点—点”的通联关系结构模式来实现对诈骗号码的精准识别,已成为技术人员急需解决的技术问题。
发明内容
有鉴于此,本发明的目的是提供一种基于图嵌入的诈骗号码识别方法,能基于诈骗电话“多点—点”的通联关系结构模式来实现对诈骗号码的精准识别。
为了达到上述目的,本发明提供了一种基于图嵌入的诈骗号码识别方法,包括有:
步骤一、基于用户在一段时间内的通话信令,计算每个用户的多个通话特征指标,并由每个用户的所有通话特征指标构成每个用户的通话特征指标向量,同时,提取和用户在一段时间内存在通话关系的联系人作为用户的直接邻居,由每个用户的所有直接邻居构成每个用户的直接邻居组;
步骤二、构建、并训练识别诈骗号码的图嵌入神经网络,所述图嵌入神经网络的输入是目标用户和多个关联用户的通话特征指标向量,输出是标识目标用户号码是否是疑似诈骗号码的标签信息,所述关联用户是目标用户的直接邻居,或不是目标用户的直接邻居;
步骤三、将待识别的目标用户和多个关联用户的通话特征指标向量输入训练后的图嵌入神经网络,然后根据图嵌入神经网络的输出判断待识别的目标用户号码是否是疑似诈骗号码,
步骤二所构建的图嵌入神经网络包含有嵌入层、K个隐藏层和输出层,当输入目标用户和多个关联用户的通话特征指标向量时,其计算过程如下:
步骤1、将输入的所有关联用户构成一个关联用户组,并为输入的目标用户构建K个邻居用户组:Z1、Z2、…、ZK,其中,Z1、Z2、…或ZK分别是目标用户的第1、2、…或K阶邻居用户组;
步骤2、将k设置为1,根据目标用户的直接邻居组,从关联用户组中挑选出目标用户的所有直接邻居作为目标用户的第1阶邻居用户,并将所有第1阶邻居用户添加到目标用户的第1阶邻居用户组中;
步骤3、将所有用户的通话特征指标向量经过图嵌入神经网络的嵌入层来获得各自初始的嵌入向量;
步骤4、根据目标用户在第1阶邻居用户组中的所有直接邻居的嵌入向量,更新目标用户的嵌入向量,然后将更新后的目标用户的嵌入向量输入至图嵌入神经网络的最后一个隐藏层中,最后将目标用户的嵌入向量更新为最后一个隐藏层的输出向量;
步骤5、将更新后的目标用户的嵌入向量输入至图嵌入神经网络的输出层,从而获得图嵌入神经网络的输出值,所述输出值即是目标号码是否是疑似诈骗号码的标签信息。
与现有技术相比,本发明的有益效果是:本方法基于现有的人工神经网络,使用目标用户自身的特征信息和网络中与其发生通话关系的用户(即直接邻居)的特征信息,训练一种实时的识别诈骗号码的图嵌入神经网络,从而达到对诈骗号码的精准识别;本发明进一步利用注意力机制,通过计算邻居和目标用户之间的相关度来获取不同直接邻居对目标用户的特征更新的贡献值,从而能根据各个直接邻居的贡献值来调整目标用户的嵌入向量;针对跨境实施的诈骗电话,由于可获得的目标用户特征信息较少,本发明为目标用户构建K个多阶邻居用户组,并通过各阶邻居用户的特征来计算获得目标用户的特征信息,从而能充分利用诈骗电话这种“多点—点”的通联关系结构模式,为识别诈骗号码提供有效数据依据。
附图说明
图1是本发明一种基于图嵌入的诈骗号码识别方法的流程图。
图2是当输入目标用户和多个关联用户的通话特征指标向量时,本发明所构建的图嵌入神经网络的计算过程流程图。
图3是图2步骤6或7中,根据每个第k阶邻居用户(或目标用户)在第k+1阶邻居用户组(或在第1阶邻居用户组)的所有直接邻居的嵌入向量,更新每个第k阶邻居用户(或目标用户)的嵌入向量的具体操作流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步的详细描述。
如图1所示,本发明一种基于图嵌入的诈骗号码识别方法,包括有:
步骤一、基于用户在一段时间内的通话信令,计算每个用户的多个通话特征指标,并由每个用户的所有通话特征指标构成每个用户的通话特征指标向量,同时,提取和用户在一段时间内存在通话关系的联系人作为用户的直接邻居,由每个用户的所有直接邻居构成每个用户的直接邻居组;
步骤一中的通话特征指标可以包括但不限于:呼叫频次、被叫号码数、离散度、忙时率、通话间隔平均值、呼叫间隔平均值、通话时长平均值、振铃时长平均值、未接通振铃时长平均值、接通率、被叫释放率、主叫类型、被叫类型、主叫地区、被叫地区;
步骤二、构建、并训练识别诈骗号码的图嵌入神经网络,所述图嵌入神经网络的输入是目标用户和多个关联用户的通话特征指标向量,输出是标识目标用户号码是否是疑似诈骗号码的标签信息;所述关联用户可以是目标用户的直接邻居,也可以不是目标用户的直接邻居;
步骤二中,可以从黑白名单中选取多个已确认的诈骗号码和非诈骗号码作为图嵌入神经网络的训练样本,在训练过程中,图嵌入神经网络可以利用随机梯度下降最小化,对网络中的各项参数进行训练更新,训练后的图嵌入神经网络将以同样的方式来预测未被标记的目标用户(即待识别的目标用户),输出待识别的目标用户是否是诈骗号码的标签信息;
步骤三、将待识别的目标用户和多个关联用户的通话特征指标向量输入训练后的图嵌入神经网络,然后根据图嵌入神经网络的输出判断待识别的目标用户号码是否是疑似诈骗号码。
如图2所示,本发明所构建的图嵌入神经网络包含有嵌入层(即单层前馈全连接层)、K个隐藏层和输出层,K的值可以根据实际业务需要而设置,当输入目标用户和多个关联用户的通话特征指标向量时,其计算过程可以如下:
步骤1、将输入的所有关联用户构成一个关联用户组,并为输入的目标用户构建K个邻居用户组:Z1、Z2、…、ZK,其中,Z1、Z2、…或ZK分别是目标用户的第1、2、…或K阶邻居用户组;
步骤2、将k设置为1,根据目标用户的直接邻居组,从关联用户组中挑选出目标用户的所有直接邻居作为目标用户的第1阶邻居用户,并将所有第1阶邻居用户添加到目标用户的第1阶邻居用户组中;
步骤3、将k加1,然后判断k是否小于或等于K?如果是,则从目标用户的第k-1阶邻居用户组中逐一提取每个第k-1阶邻居用户,并将每个第k-1阶邻居用户在关联用户组中的所有直接邻居添加到目标用户的第k阶邻居用户组中,当提取完所有第k-1阶邻居用户后,转向步骤3;如果否,则继续下一步;
步骤4、将所有用户的通话特征指标向量经过图嵌入神经网络的嵌入层来获得各自初始的嵌入向量;
步骤5、将k减1,然后判断k是否大于1?如果是,则继续步骤6;如果否,则转向步骤7;
步骤6、从目标用户的第k阶邻居用户组中逐一提取每个第k阶邻居用户,并根据每个第k阶邻居用户在第k+1阶邻居用户组的所有直接邻居的嵌入向量,更新每个第k阶邻居用户的嵌入向量,然后将更新后的每个第k阶邻居用户的嵌入向量输入至图嵌入神经网络的第K-k个隐藏层中,最后将每个第k阶邻居用户的嵌入向量更新为第K-k个隐藏层的输出向量,当提取完所有第k阶邻居用户后,转向步骤5;
步骤7、根据目标用户在第1阶邻居用户组中的所有直接邻居的嵌入向量,更新目标用户的嵌入向量,然后将更新后的目标用户的嵌入向量输入至图嵌入神经网络的最后一个隐藏层中,最后将目标用户的嵌入向量更新为最后一个隐藏层的输出向量;
当目标用户可获取到的特征信息较少时,可以通过第K、K-1、…、2、1阶邻居用户的特征来计算获得目标用户的特征信息;
步骤8、将更新后的目标用户的嵌入向量输入至图嵌入神经网络的输出层,从而获得图嵌入神经网络的输出值,所述输出值即是目标号码是否是疑似诈骗号码的标签信息。
将嵌入向量通过图嵌入神经网络的隐藏层,可以将原有的通话特征投射到更紧致的隐空间。
如图3所示,步骤6或7中,根据每个第k阶邻居用户(或目标用户)在第k+1阶邻居用户组(或在第1阶邻居用户组)的所有直接邻居的嵌入向量,更新每个第k阶邻居用户(或目标用户)的嵌入向量,还可以进一步包括有:
步骤A1、将每个第k阶邻居用户(或目标用户)和其在第k+1阶邻居用户组(或第1阶邻居用户组)的每个直接邻居的嵌入向量拼接成一个用户-邻居特征指标向量,然后计算每个第k阶邻居用户(或目标用户)和其每个直接邻居之间的相关度:f(di,dj)=σf(Wf[di:dj]+bf),其中,f(di,dj)是用户i和其第j个直接邻居之间的相关度,di、dj分别是用户i、用户i的第j个直接邻居的嵌入向量,[di:dj]是di和dj拼接后的用户-邻居特征指标向量,σf是非线性激活函数,Wf是线性转换矩阵,bf是偏置向量,σf可以根据实际业务需要而设置,Wf和bf可通过步骤二对图嵌入神经网络进行训练而获得;
步骤A2、计算每个第k阶邻居用户(或目标用户)的每个直接邻居对其特征更新的贡献值:其中,aij是用户i的第j个直接邻居对用户i特征更新的贡献值,N是用户i的直接邻居数,dt是用户i的第t个直接邻居,当t=0时,dt是用户i的嵌入向量;
由于一个人拨打的对象不同,因此不能简单的将每个直接邻居都视为同等重要,本发明基于每个邻居和目标用户之间的相关度来计算不同直接邻居对目标用户的特征更新的贡献值,从而能根据各个直接邻居的贡献值来调整目标用户的嵌入向量;
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (4)
1.一种基于图嵌入的诈骗号码识别方法,其特征在于,包括有:
步骤一、基于用户在一段时间内的通话信令,计算每个用户的多个通话特征指标,并由每个用户的所有通话特征指标构成每个用户的通话特征指标向量,同时,提取和用户在一段时间内存在通话关系的联系人作为用户的直接邻居,由每个用户的所有直接邻居构成每个用户的直接邻居组;
步骤二、构建、并训练识别诈骗号码的图嵌入神经网络,所述图嵌入神经网络的输入是目标用户和多个关联用户的通话特征指标向量,输出是标识目标用户号码是否是疑似诈骗号码的标签信息,所述关联用户是目标用户的直接邻居,或不是目标用户的直接邻居;
步骤三、将待识别的目标用户和多个关联用户的通话特征指标向量输入训练后的图嵌入神经网络,然后根据图嵌入神经网络的输出判断待识别的目标用户号码是否是疑似诈骗号码,
步骤二所构建的图嵌入神经网络包含有嵌入层、K个隐藏层和输出层,当输入目标用户和多个关联用户的通话特征指标向量时,其计算过程如下:
步骤1、将输入的所有关联用户构成一个关联用户组,并为输入的目标用户构建K个邻居用户组:Z1、Z2、…、ZK,其中,Z1、Z2、…或ZK分别是目标用户的第1、2、…或K阶邻居用户组;
步骤2、将k设置为1,根据目标用户的直接邻居组,从关联用户组中挑选出目标用户的所有直接邻居作为目标用户的第1阶邻居用户,并将所有第1阶邻居用户添加到目标用户的第1阶邻居用户组中;
步骤3、将所有用户的通话特征指标向量经过图嵌入神经网络的嵌入层来获得各自初始的嵌入向量;
步骤4、根据目标用户在第1阶邻居用户组中的所有直接邻居的嵌入向量,更新目标用户的嵌入向量,然后将更新后的目标用户的嵌入向量输入至图嵌入神经网络的最后一个隐藏层中,最后将目标用户的嵌入向量更新为最后一个隐藏层的输出向量;
步骤5、将更新后的目标用户的嵌入向量输入至图嵌入神经网络的输出层,从而获得图嵌入神经网络的输出值,所述输出值即是目标号码是否是疑似诈骗号码的标签信息。
2.根据权利要求1所述的方法,其特征在于,步骤一中的通话特征指标包括:呼叫频次、被叫号码数、离散度、忙时率、通话间隔平均值、呼叫间隔平均值、通话时长平均值、振铃时长平均值、未接通振铃时长平均值、接通率、被叫释放率、主叫类型、被叫类型、主叫地区、被叫地区。
3.根据权利要求1所述的方法,其特征在于,步骤2和3之间还包括有:
步骤A、将k加1,然后判断k是否小于或等于K,如果是,则从目标用户的第k-1阶邻居用户组中逐一提取每个第k-1阶邻居用户,并将每个第k-1阶邻居用户在关联用户组中的所有直接邻居添加到目标用户的第k阶邻居用户组中,当提取完所有第k-1阶邻居用户后,转向步骤A;如果否,则转向步骤3,
步骤3和4之间还包括有:
步骤B1、将k减1,然后判断k是否大于1,如果是,则继续步骤B2;如果否,则转向步骤4;
步骤B2、从目标用户的第k阶邻居用户组中逐一提取每个第k阶邻居用户,并根据每个第k阶邻居用户在第k+1阶邻居用户组的所有直接邻居的嵌入向量,更新每个第k阶邻居用户的嵌入向量,然后将更新后的每个第k阶邻居用户的嵌入向量输入至图嵌入神经网络的第K-k个隐藏层中,最后将每个第k阶邻居用户的嵌入向量更新为第K-k个隐藏层的输出向量,当提取完所有第k阶邻居用户后,转向步骤B1。
4.根据权利要求1或3所述的方法,其特征在于,步骤4或B2中,根据目标用户或每个第k阶邻居用户在第1阶邻居用户组或第k+1阶邻居用户组的所有直接邻居的嵌入向量,更新目标用户或每个第k阶邻居用户的嵌入向量,进一步包括有:
步骤C1、将目标用户或每个第k阶邻居用户和其在第1阶邻居用户组或第k+1阶邻居用户组的每个直接邻居的嵌入向量拼接成一个用户-邻居特征指标向量,然后计算目标用户或每个第k阶邻居用户和其每个直接邻居之间的相关度:f(di,dj)=σf(Wf[di:dj]+bf),其中,f(di,dj)是用户i和其第j个直接邻居之间的相关度,di、dj分别是用户i、用户i的第j个直接邻居的嵌入向量,[di:dj]是di和dj拼接后的用户-邻居特征指标向量,σf是非线性激活函数,Wf是线性转换矩阵,bf是偏置向量,σf根据实际业务需要而设置,Wf和bf通过步骤二对图嵌入神经网络进行训练而获得;
步骤C2、计算每个第k阶邻居用户或目标用户的每个直接邻居对其特征更新的贡献值:其中,aij是用户i的第j个直接邻居对用户i特征更新的贡献值,N是用户i的直接邻居数,dt是用户i的第t个直接邻居,当t=0时,dt是用户i的嵌入向量;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910410802.2A CN110177179B (zh) | 2019-05-16 | 2019-05-16 | 一种基于图嵌入的诈骗号码识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910410802.2A CN110177179B (zh) | 2019-05-16 | 2019-05-16 | 一种基于图嵌入的诈骗号码识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110177179A CN110177179A (zh) | 2019-08-27 |
CN110177179B true CN110177179B (zh) | 2020-12-29 |
Family
ID=67691442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910410802.2A Active CN110177179B (zh) | 2019-05-16 | 2019-05-16 | 一种基于图嵌入的诈骗号码识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110177179B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110995810B (zh) * | 2019-11-25 | 2021-08-06 | 腾讯科技(深圳)有限公司 | 一种基于人工智能的对象识别方法和相关装置 |
CN111786937B (zh) * | 2020-01-16 | 2022-09-06 | 北京沃东天骏信息技术有限公司 | 用于识别恶意请求的方法、装置,电子设备和可读介质 |
CN111641756B (zh) * | 2020-05-13 | 2021-11-16 | 广州国音智能科技有限公司 | 诈骗识别方法、装置及计算机可读存储介质 |
CN111726460B (zh) * | 2020-06-15 | 2021-04-20 | 国家计算机网络与信息安全管理中心 | 一种基于时空图的诈骗号码识别方法 |
CN112153221B (zh) * | 2020-09-16 | 2021-06-29 | 北京邮电大学 | 一种基于社交网络图计算的通信行为识别方法 |
CN112600810B (zh) * | 2020-12-07 | 2021-10-08 | 中山大学 | 一种基于图分类的以太坊网络钓鱼诈骗检测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104936182A (zh) * | 2015-04-21 | 2015-09-23 | 中国移动通信集团浙江有限公司 | 一种智能管控诈骗电话的方法和系统 |
CN106255116A (zh) * | 2016-08-24 | 2016-12-21 | 王瀚辰 | 一种骚扰号码的识别方法 |
CN107636647A (zh) * | 2015-05-15 | 2018-01-26 | 微软技术许可有限责任公司 | 自动提取通信和内容中的承诺和请求 |
WO2018027138A1 (en) * | 2016-08-04 | 2018-02-08 | Pindrop Security, Inc. | Fraud detection in interactive voice response systems |
CN107835496A (zh) * | 2017-11-24 | 2018-03-23 | 北京奇虎科技有限公司 | 一种垃圾短信的识别方法、装置和服务器 |
CN107889111A (zh) * | 2016-09-30 | 2018-04-06 | 北京金山安全软件有限公司 | 基于深层类神经网络的骚扰电话识别方法和装置 |
CN109474756A (zh) * | 2018-11-16 | 2019-03-15 | 国家计算机网络与信息安全管理中心 | 一种基于协同网络表示学习的电信异常检测方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9930186B2 (en) * | 2015-10-14 | 2018-03-27 | Pindrop Security, Inc. | Call detail record analysis to identify fraudulent activity |
CN107343077B (zh) * | 2016-04-28 | 2019-12-13 | 腾讯科技(深圳)有限公司 | 识别恶意电话及建立识别模型的方法、装置、设备 |
CN106327221A (zh) * | 2016-09-30 | 2017-01-11 | 北京中科寒武纪科技有限公司 | 用于预防电信诈骗的装置和方法 |
US20180336437A1 (en) * | 2017-05-19 | 2018-11-22 | Nec Laboratories America, Inc. | Streaming graph display system with anomaly detection |
US10846587B2 (en) * | 2017-07-31 | 2020-11-24 | Microsoft Technology Licensing, Llc | Deep neural networks for targeted content distribution |
CN109547393B (zh) * | 2017-09-21 | 2021-04-06 | 腾讯科技(深圳)有限公司 | 恶意号码识别方法、装置、设备和存储介质 |
WO2019092041A1 (en) * | 2017-11-08 | 2019-05-16 | AVAST Software s.r.o. | Malware classification of executable files by convolutional networks |
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 |
CN108833720B (zh) * | 2018-05-04 | 2021-11-30 | 北京邮电大学 | 诈骗电话号码识别方法与系统 |
CN109194707B (zh) * | 2018-07-24 | 2020-11-20 | 创新先进技术有限公司 | 分布式图嵌入的方法及装置 |
CN109615116B (zh) * | 2018-11-20 | 2020-12-29 | 中国科学院计算技术研究所 | 一种电信诈骗事件检测方法和检测系统 |
CN109600752B (zh) * | 2018-11-28 | 2022-01-14 | 国家计算机网络与信息安全管理中心 | 一种深度聚类诈骗检测的方法和装置 |
CN109756632B (zh) * | 2018-12-19 | 2021-08-17 | 国家计算机网络与信息安全管理中心 | 一种基于多维时间序列的诈骗电话分析方法 |
-
2019
- 2019-05-16 CN CN201910410802.2A patent/CN110177179B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104936182A (zh) * | 2015-04-21 | 2015-09-23 | 中国移动通信集团浙江有限公司 | 一种智能管控诈骗电话的方法和系统 |
CN107636647A (zh) * | 2015-05-15 | 2018-01-26 | 微软技术许可有限责任公司 | 自动提取通信和内容中的承诺和请求 |
WO2018027138A1 (en) * | 2016-08-04 | 2018-02-08 | Pindrop Security, Inc. | Fraud detection in interactive voice response systems |
CN106255116A (zh) * | 2016-08-24 | 2016-12-21 | 王瀚辰 | 一种骚扰号码的识别方法 |
CN107889111A (zh) * | 2016-09-30 | 2018-04-06 | 北京金山安全软件有限公司 | 基于深层类神经网络的骚扰电话识别方法和装置 |
CN107835496A (zh) * | 2017-11-24 | 2018-03-23 | 北京奇虎科技有限公司 | 一种垃圾短信的识别方法、装置和服务器 |
CN109474756A (zh) * | 2018-11-16 | 2019-03-15 | 国家计算机网络与信息安全管理中心 | 一种基于协同网络表示学习的电信异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110177179A (zh) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110177179B (zh) | 一种基于图嵌入的诈骗号码识别方法 | |
CN111726460B (zh) | 一种基于时空图的诈骗号码识别方法 | |
CN109615116B (zh) | 一种电信诈骗事件检测方法和检测系统 | |
CN106550155B (zh) | 对可疑号码进行诈骗样本甄别归类及拦截的方法及系统 | |
CN109600752B (zh) | 一种深度聚类诈骗检测的方法和装置 | |
CN107222865B (zh) | 基于可疑行为识别的通讯诈骗实时检测方法和系统 | |
CN108924333B (zh) | 诈骗电话识别方法、装置和系统 | |
CN109451182B (zh) | 一种诈骗电话的检测方法和装置 | |
Moreau et al. | Detection of mobile phone fraud using supervised neural networks: A first prototype | |
CN106161209B (zh) | 一种基于深度自学习的垃圾短信过滤方法及系统 | |
CN111950937A (zh) | 一种基于融合时空轨迹的重点人员风险评估方法 | |
CN111222025A (zh) | 一种基于卷积神经网络的诈骗号码识别方法及系统 | |
CN102083010B (zh) | 一种用户信息筛选方法和设备 | |
CN109756632B (zh) | 一种基于多维时间序列的诈骗电话分析方法 | |
CN111917574B (zh) | 社交网络拓扑模型及构建方法、用户置信度和亲密度计算方法及电信诈骗智能拦截系统 | |
CN106385693A (zh) | 针对虚拟号段的电信诈骗判断方法 | |
CN107491729B (zh) | 基于余弦相似度激活的卷积神经网络的手写数字识别方法 | |
CN112818316B (zh) | 基于声纹的身份识别及应用方法、装置与设备 | |
CN111159387A (zh) | 基于多维度报警信息文本相似度分析的推荐方法 | |
Liu et al. | AGRM: attention-based graph representation model for telecom fraud detection | |
CN111062422B (zh) | 一种套路贷体系化识别方法及装置 | |
CN110213449B (zh) | 一种漫游诈骗号码的识别方法 | |
CN111709472B (zh) | 一种动态融合规则到诈骗行为识别模型的方法 | |
CN112801305B (zh) | 应对策略预测处理方法、装置、计算机设备和存储介质 | |
CN112153220A (zh) | 一种基于社交评价动态更新的通信行为识别方法 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 100029 Beijing city Chaoyang District Yumin Road No. 3 Patentee after: NATIONAL COMPUTER NETWORK AND INFORMATION SECURITY MANAGEMENT CENTER Patentee after: Xinxun Digital Technology (Hangzhou) Co.,Ltd. Address before: 100029 Beijing city Chaoyang District Yumin Road No. 3 Patentee before: NATIONAL COMPUTER NETWORK AND INFORMATION SECURITY MANAGEMENT CENTER Patentee before: EB Information Technology Ltd. |