CN111222025B - 一种基于卷积神经网络的诈骗号码识别方法及系统 - Google Patents

一种基于卷积神经网络的诈骗号码识别方法及系统 Download PDF

Info

Publication number
CN111222025B
CN111222025B CN201911375190.4A CN201911375190A CN111222025B CN 111222025 B CN111222025 B CN 111222025B CN 201911375190 A CN201911375190 A CN 201911375190A CN 111222025 B CN111222025 B CN 111222025B
Authority
CN
China
Prior art keywords
feature
numbers
fraud
dimension
calls
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
Application number
CN201911375190.4A
Other languages
English (en)
Other versions
CN111222025A (zh
Inventor
王子斌
鹿林
卓可秋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Sinosecco Technology Co.,Ltd.
Original Assignee
NANJING SINOVATIO TECHNOLOGY CO LTD
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NANJING SINOVATIO TECHNOLOGY CO LTD filed Critical NANJING SINOVATIO TECHNOLOGY CO LTD
Priority to CN201911375190.4A priority Critical patent/CN111222025B/zh
Publication of CN111222025A publication Critical patent/CN111222025A/zh
Application granted granted Critical
Publication of CN111222025B publication Critical patent/CN111222025B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • 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
    • G06Q50/40—
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/66—Substation equipment, e.g. for use by subscribers with means for preventing unauthorised or fraudulent calling
    • H04M1/663—Preventing unauthorised calls to a telephone set
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M3/00—Automatic or semi-automatic exchanges
    • H04M3/22—Arrangements for supervision, monitoring or testing

Abstract

本发明公开了一种基于卷积神经网络的诈骗号码识别方法以及识别系统，其中识别方法包括：1、建立训练样本集：获取已知为客服号码、私人号码与诈骗号码三种类别的多个号码，获取每个号码连续N天的通话数据和M个通话特征，构建N*M的特征矩阵并转换为特征图，特征图以及号码类别构成一个训练样本；2、建立诈骗号码识别模型，采用训练样本集对诈骗号码识别模型进行训练；3、获取待识别电话号码连续N天的通话数据和M个通话特征，构建N*M的特征矩阵，并转换为特征图；4、采用训练好的模型对待识别号码的特征图进行分类识别，得到类别标签。该方法通过深度学习提取出诈骗号码与客服号码和普通私人号码的区别特征以及区别特征的组合，能够准确识别出诈骗号码。

Description

一种基于卷积神经网络的诈骗号码识别方法及系统
技术领域
本发明属于通信中主叫号码安全识别技术领域，具体涉及一种诈骗号码的识别方法及系统。
背景技术
随着移动电话的普及，电话诈骗层出不穷。尽管政府有关部门已经向社会发出提醒，各类新闻媒体也频频报道，然而，每天仍有大量用户上当受骗，且经济损失呈逐年上升趋势。
现有技术中，对诈骗号码的识别和触发流程通常如下：先将全网所有呼叫统一触发至SCP，再由SCP对大量呼叫逐一识别，将其中的少数疑似诈骗电话转至防诈骗平台，最后由防诈骗平台对疑似诈骗电话进行录音取证，如果是正常号码，则对主、被叫进行正常接通；如果确认是诈骗电话，则直接中断呼叫。由于现有技术采用的是全量触发方式，即将全网呼叫都统一触发至SCP进行处理，这样，往往为了拦截少量几个诈骗号码，却导致了SCP和关口局等核心网元的触发资源被大量消耗。
对于海量通话数据的诈骗号码识别，主要有以下几个难点：
1、通话数据量大，计算所需要的时间成本高；
2、诈骗号码的识别难度大：由于犯罪手段日益“高明”，甚至出现“岗前培训”和“在职教育”等现象，诈骗号码的特征复杂，单纯的统计分析方案难以得到其深度特征；
因此，在减少系统触发资源的大量消耗的前提下，如何提取号码的深度特征，从而实现诈骗号码的精准识别和触发，是一个值得深入研究的技术问题。
发明内容
发明目的：本发明旨在提供一种诈骗号码识别方法，该方法通过深度学习提取出诈骗号码与客服号码和普通私人号码的区别特征以及区别特征的组合，能够准确识别出诈骗号码。
技术方案：本发明一方面公开了一种基于卷积神经网络的诈骗号码识别方法，包括：
(1)建立训练样本集和验证样本集：获取已知为客服号码、私人号码与诈骗号码三种类别的多个号码，获取每个号码连续N天的通话数据，其中一天的通话数据包括M个通话特征，对每个号码构建N*M的特征矩阵；将每个号码的特征矩阵转换为特征图，所述特征图以及相应号码的类别标签构成一个样本；将所获取的样本分为训练样本集和验证样本集；
(2)建立诈骗号码识别模型，
采用训练样本集对诈骗号码识别模型进行训练；
(3)获取待识别电话号码连续N天的通话数据，根据每天通话数据的M个通话特征，构建N*M的特征矩阵，并转换为待识别电话号码的特征图；
(4)采用训练好的模型对待识别号码的特征图进行分类识别，得到类别标签。
具体地，所述通话数据包括19个通话特征，具体为：
通话次数，被挂断次数，不同被叫个数，不同被叫地区个数，未接通次数，通话30s以下次数，30s～10分钟以内次数，通话10分钟以上次数，通话时间在0～8点次数，时间在8～18点次数，时间在18～24点次数，通话时长平均数，通话时长标准差，主叫被叫比例，主交通话未接通比例，呼叫通话被挂断比例，本号码被呼叫次数，本号码不同主叫个数，本号码不同主叫地区个数。
优选地，在对号码构建N*M的特征矩阵后，还包括对构建的特征矩阵进行标准化，具体步骤为：
设标准化前的特征矩阵为Φ＝(φ1,…,φM)，φi为Φ的第i列向量，i＝1,2,…,M，则标准化后的特征矩阵为
Figure BDA0002340759570000021
为/>
Figure BDA0002340759570000022
的第i列向量：
Figure BDA0002340759570000023
其中ui为N*1的列向量，其每个元素均为φi中元素的均值；σi为φi中元素的方差。
另一方面，本发明还公开了实现上述诈骗号码识别方法的识别系统，包括：训练样本集构建模块，用于获取已知为客服号码、私人号码与诈骗号码三种类别的多个号码，获取每个号码连续N天的通话数据，其中一天的通话数据包括M个通话特征，对每个号码构建N*M的特征矩阵；将每个号码的特征矩阵转换为特征图，所述特征图以及相应号码的类别标签构成一个训练样本；
诈骗号码识别模型建立与训练模块，用于建立诈骗号码识别模型，
采用训练样本集对诈骗号码识别模型进行训练；
待识别电话号码特征图生成模块，用于获取待识别电话号码连续N天的通话数据，根据每天通话数据的M个通话特征，构建N*M的特征矩阵，并转换为待识别电话号码的特征图；
分类识别模块，用于采用训练好的模型对待识别号码的特征图进行分类识别，得到类别标签。
有益效果：本发明公开的基于卷积神经网络的诈骗号码识别方法和识别系统通过深度学习提取出诈骗号码与客服号码和普通私人号码的区别特征以及区别特征的组合，基于提取的区别特征以及区别特征的组合来做分类识别，能够得到准确的识别结果。
附图说明
图1为本发明公开的诈骗号码识别方法的流程图；
图2为本发明建立的诈骗号码识别模型的结构图示意图；
图3为本发明公开的诈骗号码识别系统的组成图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。
如图1所示，本发明公开了一种基于卷积神经网络的诈骗号码识别方法，包括：
步骤1、建立训练样本集和验证样本集：获取已知为客服号码、私人号码与诈骗号码三种类别的多个号码，获取每个号码连续N天的通话数据，其中一天的通话数据包括M个通话特征，对每个号码构建N*M的特征矩阵；将每个号码的特征矩阵转换为特征图，所述特征图以及相应号码的类别标签构成一个样本；将所获取的样本分为训练样本集和验证样本集；
本实施例中，获取每个号码连续15天的通话数据，对获取的通话数据进行清洗，删除其中损坏的数据，包括关键字段为空、字段格式错误、不符合业务场景逻辑等类型的数据。对清洗后的通话数据提取通话特征，一天的通话数据采集19个通话特征，具体如表1：
表1
特征名称 计算方式
通话次数 计算每日该号码的主叫播出次数
被挂断次数 计算每日该号码的被挂断次数
不同被叫个数 统计每日该号码有多少个不同的被叫
不同被叫地区个数 统计每日该号码拨给多少个不同地区
未接通次数 计算每日该号码的未接通次数
通话30s以下次数 计算每日该号码的主叫通话时长在30s以下的次数
30s～10分钟以内次数 计算每日该号码的主叫通话时长在30s～10分钟以内的次数
通话10分钟以上次数 计算每日该号码的主叫通话时长在10分钟以上的次数
通话时间在0～8点次数 计算每日该号码的主叫通话时间在0～8点之间的次数
时间在8～18点次数 计算每日该号码的主叫通话时间在8～18点之间的次数
时间在18～24点次数 计算每日该号码的主叫通话时间在18～24点之间的次数
通话时长平均数 计算每日该号所有主叫通话的平均通话时长
通话时长标准差 计算每日该号所有主叫通话的通话时长标准差
主叫被叫比例 统计每日该号码的主叫通话、被叫通话的比例
主交通话未接通比例 统计每日该号码的主叫通话中，未接通通话的比例
呼叫通话被挂断比例 统计每日该号码的主叫通话中，通话被被叫挂断的比例
本号码被呼叫次数 统计每日该号码被叫的次数
本号码不同主叫个数 统计每日该号码的所有被叫通话中，有多少个不同的主叫
本号码不同主叫地区个数 统计每日该号码的所有被叫通话中，主叫来自多少个不同地区
由此，每个号码建立的特征矩阵维数为15*19。
在深度学习算法中，目标函数的基础都是假设所有的特征都是零均值并且具有同一阶数上的方差，因此如果某个特征的方差比其他特征大几个数量级，那么它就会在学习算法中占据主导位置，而其他特征的作用会被其掩盖，因此需要做数据的标准化，即对建立的特征矩阵进行标准化，具体步骤为：
设标准化前的特征矩阵为Φ＝(φ1,…,φM)，φi为Φ的第i列向量，i＝1,2,…,M，则标准化后的特征矩阵为
Figure BDA0002340759570000041
为/>
Figure BDA0002340759570000042
的第i列向量：
Figure BDA0002340759570000043
其中ui为N*1的列向量，其每个元素均为φi中元素的均值；σi为φi中元素的方差。
根据标准化后的特征矩阵，生成15*19的特征图，特征图中的像素值即为特征矩阵相应位置的元素值。特征图以及相应号码的类别标签构成一个样本。
本实施例中共获取32万样本，其中24万正常的私人号码，3万为客服号码，5万为诈骗号码，训练集与验证集按照8:2切分。
步骤2、建立诈骗号码识别模型，
采用训练样本集对诈骗号码识别模型进行训练；
本发明建立的诈骗号码识别模型如图所示，包括：
时间维度特征提取支路，包括时间维度卷积层Conv1、时间维度池化层Pool1；所述时间维度卷积层的卷积核为N*3，共1024个；所述时间维度卷积层对输入的特征图在横向做一维卷积；所述时间维度池化层对时间维度卷积层的输出进行全局最大池化；得到时间维度的特征1024个数字；
通话特征维度特征提取支路，包括通话特征维度卷积层Conv2、通话特征维度池化层Pool2；所述通话特征维度卷积层的卷积核为M*3，共1024个；所述通话特征维度卷积层首先对输入的特征图进行转置，然后在横向做一维卷积；所述通话特征维度池化层对通话特征维度卷积层的输出进行全局最大池化；得到的通话特征维度的特征1024个数字；
全连接层F，将时间维度特征提取支路的输出与通话特征维度特征提取支路的输出进行reshape，得到两个1*1024维向量，将其连接在一起，即为输入特征图的特征向量，为1*2048维向量；
Softmax与分类层：将输入特征图的1*2048维特征向量输入1*512的隐藏层，输出层为1*3，经过softmax后得到分类结果。
本实施例中，设置训练的参数如下：
一次训练的样本数batch_size为128；最大迭代次数为10；学习率为0.001。
样本经过乱序后对模型进行训练，每2000个batch为一个epoch，当一个epoch结束，在验证集上进行验证；经过试验，7个epoch后loss几乎不再下降，此处设置了早停策略，当loss连续50个batch下降不到1％时停止训练；最终得到训练好的诈骗号码识别模型。
步骤3、获取待识别电话号码连续N天的通话数据，根据每天通话数据的M个通话特征，构建N*M的特征矩阵，并转换为待识别电话号码的特征图；
本实施例同样获取待识别电话号码连续15天的通话数据，提取如表1所示的19个通话特征，构建15*19的特征矩阵，并对其进行标准化，然后生成15*19的特征图。
步骤4、采用训练好的模型对待识别号码的特征图进行分类识别，得到类别标签，即待识别手机号码为客服号码、私人号码与诈骗号码中的哪个类别。
如图3所示，为本发明公开的实现上述诈骗号码识别方法的系统，包括：
训练样本集构建模块，用于根据步骤1建立训练样本集；
诈骗号码识别模型建立与训练模块，用于根据步骤2建立诈骗号码识别模块并进行训练；
待识别电话号码特征图生成模块，用于根据步骤3获取待识别号码的特征图；
分类识别模块，用于根据步骤4对待识别号码进行分类识别，得到所属类别；
特征矩阵标准化模块，用于对训练样本集构建模块和待识别电话号码特征图生成模块中构建的N*M的特征矩阵进行标准化。

Claims (6)

1.一种基于卷积神经网络的诈骗号码识别方法，其特征在于，包括：
(1)建立训练样本集和验证样本集：获取已知为客服号码、私人号码与诈骗号码三种类别的多个号码，获取每个号码连续N天的通话数据，其中一天的通话数据包括M个通话特征，对每个号码构建N*M的特征矩阵；将每个号码的特征矩阵转换为特征图，所述特征图以及相应号码的类别标签构成一个样本；将所获取的样本分为训练样本集和验证样本集；
(2)建立诈骗号码识别模型，采用训练样本集对诈骗号码识别模型进行训练；所述诈骗号码识别模型包括：
时间维度特征提取支路，包括时间维度卷积层、时间维度池化层；所述时间维度卷积层的卷积核为N*3，共1024个；所述时间维度卷积层对输入的特征图在横向做一维卷积；所述时间维度池化层对时间维度卷积层的输出进行全局最大池化；
通话特征维度特征提取支路，包括通话特征维度卷积层、通话特征维度池化层；所述通话特征维度卷积层的卷积核为M*3，共1024个；所述通话特征维度卷积层首先对输入的特征图进行转置，然后在横向做一维卷积；所述通话特征维度池化层对通话特征维度卷积层的输出进行全局最大池化；
全连接层，将时间维度特征提取支路的输出与通话特征维度特征提取支路的输出进行reshape，并连接在一起，即为输入特征图的特征向量；
Softmax与分类层：对输入特征图的特征向量进行类别判断，得到分类结果；
(3)获取待识别电话号码连续N天的通话数据，根据每天通话数据的M个通话特征，构建N*M的特征矩阵，并转换为待识别电话号码的特征图；
(4)采用训练好的模型对待识别号码的特征图进行分类识别，得到类别标签。
2.根据权利要求1所述的诈骗号码识别方法，其特征在于，所述通话数据包括19个通话特征，具体为：
通话次数，被挂断次数，不同被叫个数，不同被叫地区个数，未接通次数，通话30s以下次数，30s～10分钟以内次数，通话10分钟以上次数，通话时间在0～8点次数，时间在8～18点次数，时间在18～24点次数，通话时长平均数，通话时长标准差，主叫被叫比例，主交通话未接通比例，呼叫通话被挂断比例，本号码被呼叫次数，本号码不同主叫个数，本号码不同主叫地区个数。
3.根据权利要求1所述的诈骗号码识别方法，其特征在于，在对号码构建N*M的特征矩阵后，还包括对构建的特征矩阵进行标准化，具体步骤为：
设标准化前的特征矩阵为Φ＝(φ1,…,φM)，φi为Φ的第i列向量，i＝1,2,…,M，则标准化后的特征矩阵为
Figure FDA0004195581180000021
为/>
Figure FDA0004195581180000022
的第i列向量：
Figure FDA0004195581180000023
其中ui为N*1的列向量，其每个元素均为φi中元素的均值；σi为φi中元素的方差。
4.一种基于卷积神经网络的诈骗号码识别系统，其特征在于，包括：
训练样本集构建模块，用于获取已知为客服号码、私人号码与诈骗号码三种类别的多个号码，获取每个号码连续N天的通话数据，其中一天的通话数据包括M个通话特征，对每个号码构建N*M的特征矩阵；将每个号码的特征矩阵转换为特征图，所述特征图以及相应号码的类别标签构成一个训练样本；
诈骗号码识别模型建立与训练模块，用于建立诈骗号码识别模型，采用训练样本集对诈骗号码识别模型进行训练；
待识别电话号码特征图生成模块，用于获取待识别电话号码连续N天的通话数据，根据每天通话数据的M个通话特征，构建N*M的特征矩阵，并转换为待识别电话号码的特征图；
分类识别模块，用于采用训练好的模型对待识别号码的特征图进行分类识别，得到类别标签；
所述诈骗号码识别模型包括：
时间维度特征提取支路，包括时间维度卷积层、时间维度池化层；所述时间维度卷积层的卷积核为N*3，共1024个；所述时间维度卷积层对输入的特征图在横向做一维卷积；所述时间维度池化层对时间维度卷积层的输出进行全局最大池化；
通话特征维度特征提取支路，包括通话特征维度卷积层、通话特征维度池化层；所述通话特征维度卷积层的卷积核为M*3，共1024个；所述通话特征维度卷积层首先对输入的特征图进行转置，然后在横向做一维卷积；所述通话特征维度池化层对通话特征维度卷积层的输出进行全局最大池化；
全连接层，将时间维度特征提取支路的输出与通话特征维度特征提取支路的输出进行reshape，并连接在一起，即为输入特征图的特征向量；
Softmax与分类层：对输入特征图的特征向量进行类别判断，得到分类结果。
5.根据权利要求4所述的诈骗号码识别系统，其特征在于，所述通话数据包括19个通话特征，具体为：
通话次数，被挂断次数，不同被叫个数，不同被叫地区个数，未接通次数，通话30s以下次数，30s～10分钟以内次数，通话10分钟以上次数，通话时间在0～8点次数，时间在8～18点次数，时间在18～24点次数，通话时长平均数，通话时长标准差，主叫被叫比例，主交通话未接通比例，呼叫通话被挂断比例，本号码被呼叫次数，本号码不同主叫个数，本号码不同主叫地区个数。
6.根据权利要求4所述的诈骗号码识别系统，其特征在于，还包括特征矩阵标准化模块，用于对训练样本集构建模块和待识别电话号码特征图生成模块中构建的N*M的特征矩阵进行标准化，所述标准化的具体步骤为：
设标准化前的特征矩阵为Φ＝(φ1,…,φM)，φi为Φ的第i列向量，i＝1,2,…,M，则标准化后的特征矩阵为
Figure FDA0004195581180000031
为/>
Figure FDA0004195581180000032
的第i列向量：
Figure FDA0004195581180000033
其中ui为N*1的列向量，其每个元素均为φi中元素的均值；σi为φi中元素的方差。
CN201911375190.4A 2019-12-27 2019-12-27 一种基于卷积神经网络的诈骗号码识别方法及系统 Active CN111222025B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911375190.4A CN111222025B (zh) 2019-12-27 2019-12-27 一种基于卷积神经网络的诈骗号码识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911375190.4A CN111222025B (zh) 2019-12-27 2019-12-27 一种基于卷积神经网络的诈骗号码识别方法及系统

Publications (2)

Publication Number Publication Date
CN111222025A CN111222025A (zh) 2020-06-02
CN111222025B true CN111222025B (zh) 2023-06-27

Family

ID=70829154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911375190.4A Active CN111222025B (zh) 2019-12-27 2019-12-27 一种基于卷积神经网络的诈骗号码识别方法及系统

Country Status (1)

Country Link
CN (1) CN111222025B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111800546B (zh) * 2020-07-07 2021-12-17 中国工商银行股份有限公司 构建识别模型以及识别的方法、装置、系统和电子设备
CN112738338B (zh) * 2020-12-25 2022-10-14 平安科技（深圳）有限公司 基于深度学习的电话识别方法、装置、设备及介质
CN112866486B (zh) * 2021-02-01 2022-06-07 西安交通大学 一种基于多源特征的诈骗电话识别方法、系统及设备
CN112512052A (zh) * 2021-02-05 2021-03-16 浙江鹏信信息科技股份有限公司 基于时间分段特征统计的数据安全异常检测方法及系统
CN113194458B (zh) * 2021-04-08 2022-05-13 南京中新赛克科技有限责任公司 多卡宝号码识别方法、装置
CN113141613B (zh) * 2021-04-27 2023-09-26 上海淇玥信息技术有限公司 一种通信渠道检测方法、装置和电子设备
CN113660369B (zh) * 2021-09-22 2023-09-12 展讯通信(天津)有限公司 来电处理及模型训练方法、装置、终端设备和存储介质
CN114449106B (zh) * 2022-02-10 2024-04-30 恒安嘉新（北京）科技股份公司 一种异常电话号码的识别方法、装置、设备和存储介质
CN114567697A (zh) * 2022-03-01 2022-05-31 恒安嘉新（北京）科技股份公司 一种异常电话的识别方法、装置、设备及存储介质
CN114745471B (zh) * 2022-03-17 2023-05-23 西安交通大学 一种基于自编码器的诈骗电话识别方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506776A (zh) * 2017-01-16 2017-12-22 恒安嘉新（北京）科技股份公司 一种诈骗电话号码的分析方法
CN110072016A (zh) * 2019-01-29 2019-07-30 浙江鹏信信息科技股份有限公司 一种利用通话行为时域滤波实现不良语音分类的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506776A (zh) * 2017-01-16 2017-12-22 恒安嘉新（北京）科技股份公司 一种诈骗电话号码的分析方法
CN110072016A (zh) * 2019-01-29 2019-07-30 浙江鹏信信息科技股份有限公司 一种利用通话行为时域滤波实现不良语音分类的方法

Also Published As

Publication number Publication date
CN111222025A (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
CN111222025B (zh) 一种基于卷积神经网络的诈骗号码识别方法及系统
CN111726460B (zh) 一种基于时空图的诈骗号码识别方法
CN110990545A (zh) 一种人工智能电话拓客营销管理系统、方法
CN108924333A (zh) 诈骗电话识别方法、装置和系统
CN110248322B (zh) 一种基于诈骗短信的诈骗团伙识别系统及识别方法
WO2004109657B1 (en) Speaker recognition in a multi-speaker environment and comparison of several voice prints to many
CN104936182A (zh) 一种智能管控诈骗电话的方法和系统
CN108924371B (zh) 电力客服过程中通过来电号码识别户号的方法
CN110493476B (zh) 一种检测方法、装置、服务器及存储介质
CN108810290B (zh) 一种诈骗电话的识别的方法及系统
CN114398512A (zh) 一种基于大数据的通信运营商行业客户语音画像分析方法
CN106936997A (zh) 一种基于社交关系图谱的垃圾语音识别方法和系统
CN110995937B (zh) 一种被骚扰用户的识别方法及装置
CN110188805B (zh) 一种诈骗群体的识别方法
CN109474755B (zh) 基于排序学习和集成学习的异常电话主动预测方法、系统及计算机可读存储介质
CN108989587A (zh) Ivr语音在银行贷后管理工作中的应用方法
CN116320139A (zh) 分析通话的风控管理的方法、装置、电子设备及存储介质
CN109274836B (zh) 一种大规模数据流中电信欺诈风险识别方法
CN114169438A (zh) 一种电信网络诈骗识别方法、装置、设备及存储介质
CN111131627B (zh) 基于流数据图谱的个人有害呼叫检测方法、装置及可读介质
CN102256255A (zh) 一种基于时间和地理位置冲突的反并卡侦测方法
CN111918226A (zh) 基于实时信令的国际高结算盗打行为的分析方法及装置
CN112541351A (zh) 一种住建领域政务热线工单派发方法及系统
CN112351429A (zh) 基于深度学习的有害信息检测方法及系统
CN114449106B (zh) 一种异常电话号码的识别方法、装置、设备和存储介质

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
TR01 Transfer of patent right

Effective date of registration: 20231023

Address after: A1403, Shenzhen National Engineering Laboratory Building, No. 20 Gaoxin South 7th Road, Gaoxin Community, Yuehai Street, Nanshan District, Shenzhen City, Guangdong Province, 518000

Patentee after: Shenzhen Sinosecco Technology Co.,Ltd.

Address before: Room 1501, building 2, No.19, ningshuang Road, Yuhuatai District, Nanjing City, Jiangsu Province, 210000

Patentee before: NANJING SINOVATIO TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right