CN111970400A - 骚扰电话识别方法及装置 - Google Patents

Abstract

本发明公开了一种骚扰电话识别方法及装置。其方法包括：从预设数据库中获取用户话单数据；基于用户话单数据，提取多类数据特征；多类数据特征包括常驻位置特征、通话时序特征、类别属性特征、以及交互关系特征；利用多类数据特征，训练构建的骚扰电话识别模型；通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别。本方案中利用用户话单数据来生成可自动识别骚扰电话的骚扰电话识别模型，从而大幅提高骚扰电话的识别效率及识别精度，降低骚扰电话识别成本；并且通过利用异构的多类数据特征来获得骚扰电话识别模型，进一步地提升了骚扰电话的识别精度，并提高骚扰电话识别模型的稳定性及抗干扰能力，适于大规模应用及实施。

Description

骚扰电话识别方法及装置

技术领域

本发明涉及信息技术领域，具体涉及一种骚扰电话识别方法及装置。

背景技术

随着科技及社会的不断发展，移动通信服务已成为人们工作生活中不可或缺的一部分。然而，随着移动通信服务的不断普及，利用移动通信服务进行电话骚扰的现象也日益增多。

目前，通常采用的是预先进行骚扰电话识别的方式，来降低电话骚扰对人们工作生活的不利影响。现有的骚扰电话识别方式通常包含两类：其一为人工识别的方式，即通过识别者的人工经验来对骚扰电话进行识别；其二为通话内容识别方式，即利用通话内容与预设语音模板的匹配度，来进行骚扰电话的识别。

然而，发明人在实施过程中，发现现有技术中存在如下缺陷：针对于人工经验识别的方式，其识别结果与识别者的经验值关联度较高，从而易造成识别结果稳定性差，且识别效率低下的问题；而针对于通话内容识别方式，其识别精度差，识别效率低下，并且还会造成大量的资源开销及浪费，不利于大规模应用与实施。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的骚扰电话识别方法及装置。

根据本发明的一个方面，提供了一种骚扰电话识别方法，包括：

从预设数据库中获取用户话单数据；

基于所述用户话单数据，提取多类数据特征；其中，所述多类数据特征包括常驻位置特征、通话时序特征、类别属性特征、以及交互关系特征；

利用所述多类数据特征，训练构建的骚扰电话识别模型；

通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别。

可选的，所述基于所述用户话单数据，提取多类数据特征进一步包括：

从所述用户话单数据中提取出特征相关数据；

对提取出的特征相关数据进行预处理，以获得所述多类数据特征；

其中，所述特征相关数据包括：主叫号码、被叫号码、位置信息、通话时间信息、通话时长信息、以及通话频次信息。

可选的，所述对提取出的特征相关数据进行预处理，以获得所述多类数据特征进一步包括：

根据所述位置信息，以及与该位置信息对应的通话频次，生成常驻位置特征；

根据所述通话时间信息，生成通话时序特征；

获取与所述主叫号码对应的分类标识信息，根据所述分类标识信息生成类别属性特征；

针对每对主被叫号码，根据该主被叫号码的主被叫类别、通话时长、及通话频次，生成交互关系特征。

可选的，所述骚扰电话识别模型包括：输入层、融合层、全连接层及输出层；其中，所述融合层为稀疏连接。

可选的，在所述通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别之后，所述方法还包括：将识别为骚扰电话的骚扰电话信息记录于预设骚扰电话名单中；

采用预设骚扰电话管理策略，对所述预设骚扰电话名单中的骚扰电话信息对应的骚扰电话进行管控。

可选的，所述方法还包括：依据所述预设骚扰电话名单中的增量数据和/或获取的用户话单增量数据，对所述训练后的骚扰电话识别模型进行再次训练，以优化所述骚扰电话识别模型。

可选的，所述利用所述多类数据特征，训练构建的骚扰电话识别模型进一步包括：通过离线计算的方式，利用所述多类数据特征，训练构建的骚扰电话识别模型；

所述通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别进一步包括：利用在线计算的方式，通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别。

根据本发明的另一方面，提供了一种骚扰电话识别装置，包括：

数据获取模块，适于从预设数据库中获取用户话单数据；

特征提取模块，适于基于所述用户话单数据，提取多类数据特征；其中，所述多类数据特征包括常驻位置特征、通话时序特征、类别属性特征、以及交互关系特征；

模型训练模块，适于利用所述多类数据特征，训练构建的骚扰电话识别模型；

识别模块，适于通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别。

可选的，特征提取模块进一步适于：从所述用户话单数据中提取出特征相关数据；

对提取出的特征相关数据进行预处理，以获得所述多类数据特征；

其中，所述特征相关数据包括：主叫号码、被叫号码、位置信息、通话时间信息、通话时长信息、以及通话频次信息。

可选的，特征提取模块进一步适于：根据所述位置信息，以及与该位置信息对应的通话频次，生成常驻位置特征；

根据所述通话时间信息，生成通话时序特征；

获取与所述主叫号码对应的分类标识信息，根据所述分类标识信息生成类别属性特征；

针对每对主被叫号码，根据该主被叫号码的主被叫类别、通话时长、及通话频次，生成交互关系特征。

可选的，所述骚扰电话识别模型包括：输入层、融合层、全连接层及输出层；其中，所述融合层为稀疏连接。

可选的，名单管理模块，适于在所述通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别之后，将识别为骚扰电话的骚扰电话信息记录于预设骚扰电话名单中；

骚扰电话管理模块，适于采用预设骚扰电话管理策略，对所述预设骚扰电话名单中的骚扰电话信息对应的骚扰电话进行管控。

可选的，模型训练模块进一步适于：依据所述预设骚扰电话名单中的增量数据和/或获取的用户话单增量数据，对所述训练后的骚扰电话识别模型进行再次训练，以优化所述骚扰电话识别模型。

可选的，所述模型训练模块由预设离线计算单元执行；所述识别模块由预设在线计算单元执行。

根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述骚扰电话识别方法对应的操作。

根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述骚扰电话识别方法对应的操作。

根据本发明提供的骚扰电话识别方法及装置，首先从预设数据库中获取用户话单数据；并基于用户话单数据，提取多类数据特征；多类数据特征包括常驻位置特征、通话时序特征、类别属性特征、以及交互关系特征；进一步利用多类数据特征，训练构建的骚扰电话识别模型；最终通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别。本方案中利用用户话单数据来生成可自动识别骚扰电话的骚扰电话识别模型，从而大幅提高骚扰电话的识别效率及识别精度，降低骚扰电话识别成本；并且通过利用异构的多类数据特征来获得骚扰电话识别模型，进一步地提升了骚扰电话的识别精度，并提高骚扰电话识别模型的稳定性及抗干扰能力，适于大规模应用及实施。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例提供的一种骚扰电话识别方法的流程示意图；

图2示出了根据本发明另一个实施例提供的一种骚扰电话识别方法的流程示意图；

图3示出了根据本发明另一个实施例提供的一种骚扰电话识别模型的结构示意图；

图4示出了根据本发明一个实施例提供的一种骚扰电话识别装置的功能结构示意图；

图5示出了根据本发明一个实施例提供的一种计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示出了根据本发明一个实施例提供的一种骚扰电话识别方法的流程示意图。其中，本发明提供的骚扰电话识别方法可以由相应的计算设备来执行，本实施例对计算设备的具体类型等不做限定。本实施例提供的骚扰电话识别方法可应用于任何需对电话号码进行骚扰电话识别的技术场景中。

如图1所示，该方法包括：

步骤S110，从预设数据库中获取用户话单数据。

本申请通过对大量数据仔细研究后，发现用户话单数据中同时包含有与骚扰电话特性相关的数据信息，如主被叫号码信息、通话时长信息等等。因此，本申请不同于现有技术中从多处存储空间多次获取用户相关数据，或者获取用户的通话语音数据，本申请具体是利用用户话单数据作为后续的骚扰电话识别的源数据。

其中，用户话单数据具体是指移动通信服务提供端为实现对用户的通话计费而记录的相关数据，该用户话单数据中通常包含有与该用户对应的用户身份标识(其中，该用户身份标识可以包括用户对应的电话号码等)，每次通话记录的主叫号码、被叫号码、通话时间、通话时长、通话频次及位置信息等等。

在具体的实施过程中，用户话单数据通常存储于预设数据库中。例如，用户话单数据通常存储于移动通信服务提供端中的计费数据库中。则本步骤可通过该预设数据库，直接获取骚扰电话识别所需的源数据(即用户话单数据)，从而避免了现有技术中需从多处存储空间获取骚扰电话识别所需的源数据而带来的操作繁琐，效率低下及浪费系统资源的弊端。

步骤S120，基于用户话单数据，提取多类数据特征。

本实施例具体是基于用户话单数据这一源数据，从中提取出异构的多类数据特征。其中，该多类数据特征是通过对大量数据分析之后，确定出的与电话骚扰特性相关的数据特征。通过该异构的多类数据特征的提取，在提升后续训练出的骚扰电话识别模型的识别精度之外，还能够提升骚扰电话识别模型的抗干扰能力及稳定性。

其中，该多类数据特征包括：常驻位置特征、通话时序特征、类别属性特征、以及交互关系特征。该常驻位置特征可表征用户的常驻地理位置信息；通话时序特征可表征用户在拨打和/或接听电话的时序维度上的特性；而类别属性特性可表征用户所隶属的行业等分类特性(如银行服务类别、快递服务类别等等)；交互关系特征可表征通话网络中用户之间的社交关系网络特性，如可表征用户的密切联系对象等等。

步骤S130，利用多类数据特征，训练构建的骚扰电话识别模型。

本实施例预先构建有初始的骚扰电话识别模型，该初始的骚扰电话识别模型可以基于神经网络进行构建。本实施例对初始的骚扰电话识别模型的构建方式不做限定。

本步骤利用步骤S120中提取出的多类数据特征对初始的骚扰电话识别模型进行训练，本实施例对具体的训练方法等也不做限定。例如，可采用有监督学习的训练方式，进行骚扰电话识别模型的训练。

步骤S140，通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别。

待骚扰电话识别模型训练完成之后，可利用该训练后的骚扰电话识别模型进行骚扰电话的自动识别。在具体的实施过程中，待骚扰电话识别模型训练完成之后，可实时对接收到的电话号码进行骚扰电话识别，从而大幅提升骚扰电话识别效率。

可选的，本实施所提供的骚扰电话识别方法可以在计费系统侧执行，从而可充分利用该系统的计算资源，减少额外的通信资源开销。

由此可见，本实施例中利用用户话单数据来生成可自动识别骚扰电话的骚扰电话识别模型，从而大幅提高骚扰电话的识别效率及识别精度，降低骚扰电话识别成本；并且通过利用异构的多类数据特征来获得骚扰电话识别模型，进一步地提升了骚扰电话的识别精度，并提高骚扰电话识别模型的稳定性及抗干扰能力，适于大规模应用及实施。

图2示出了根据本发明另一个实施例提供的一种骚扰电话识别方法的流程示意图。本实施例所提供的骚扰电话识别方法是对图1所示实施例中骚扰电话识别方法的进一步优化。

如图2所示，该方法包括：

步骤S210，从预设数据库中获取用户话单数据。

其中，用户话单数据具体是指移动通信服务提供端为实现对用户的通话计费而产生的相关数据，该预设数据库可以为移动通信服务提供端中的计费数据库。

步骤S220，从用户话单数据中提取出特征相关数据。

在具体的实施过程中，可通过相应的数据解析等操作，从用户话单数据中提取出特征相关数据，该特征相关数据可以包括：主叫号码、被叫号码、位置信息、通话时间信息(包括通话起始时间和/或终止时间)、通话时长信息、以及通话频次信息等等。在实际的实施过程中，预设数据库中的用户话单数据多以结构化方式进行存储，从而本步骤可通过相应的结构化查询语句，快速准确地从用户话单数据中提取出相应的特征相关数据。

在一种可选的实施方式中，可按照预设的提取周期，从用户话单数据中提取出特征相关数据，从而便于本实施例所提供的骚扰电话识别方法的大规模实施与应用。

步骤S230，对提取出的特征相关数据进行预处理，以获得多类数据特征。

本步骤具体是根据步骤S220中提取出的特征相关数据，生成多类数据特征。其中，该多类数据特征包括常驻位置特征、通话时序特征、类别属性特征、以及交互关系特征。在具体的实施过程中，为获得每类数据特征，可采用与该类数据特征对应的预处理方式，对特征相关数据进行处理，从而提高获得的数据特征的准确度，便于提升后续的骚扰电话识别模型的识别精度。其中，具体的预处理过程如下所示：

针对于常驻位置特征，根据特征相关数据中的位置信息，以及与该位置信息对应的通话频次，生成常驻位置特征。在具体的实施过程中，针对于每个用户话单(其中，每个用户话单通常对应于一个用户标识)，确定与该用户话单对应的多个通话位置，并针对于该用户话单对应的每个通话位置的出现频次，确定该用户话单对应的常驻位置，进而生成常驻位置特征。

在实际的实施过程中，特征相关数据中的位置信息通常为LAC(location areacode，位置区码)及CELL标识(小区识别码)，一组LAC及CELL标识可以唯一确定一个GPS位置信息，从而可通过LAC-CELL标识与GPS位置的参数表，确定与该用户话单所对应的至少一个GPS位置信息。可选的，由于在一般情况下确定出的GPS位置信息通常为三维球形坐标，为了便于后续对数据的快速处理，提升最终的骚扰电话识别精度，可采用墨卡托平面投影算法，将该GPS的三维球面坐标转换为平面坐标。并且，记录每个GPS位置信息所对应的出现频次，进而针对于每个用户话单，统计其对应的GPS位置信息的频数分布及每个GPS信息对应的频率，并可按频率高低进行排序。进一步可选的，为提升后续数据处理的精确度，可对每个GPS信息对应的频率进行归一化处理，从而获得每个GPS位置信息的位置权重，最终通过加权求和的方式，确定出与该用户话单所对应的常驻位置特征。

针对于通话时序特征，可根据特征相关数据中的通话时间信息，生成通话时序特征。其中，该通话时间信息具体包括通话日期及通话时刻，通过通话日期及通话时刻的连接，形成通话时间点信息。并进一步根据时间点的先后顺序，构建通话时间点信息-通话时长信息的通话时间序列。在一种可选的实施方式中，为便于准确表征用户话单所体现的时序特征，以及提高后续的数据处理效率，提高骚扰电话识别精度，本步骤中采用等间隔离散方法，对通话时间序列进行等距分割，并通过归一化处理后，利用离散傅里叶变换获取频谱特征数据，并将主频的频谱特征作为通话时序特征。

针对于类别属性特征，可获取与主叫号码对应的分类标识信息，根据分类标识信息生成类别属性特征。其中，用户话单数据中的主叫号码通常为该用户话单数据对应的用户的电话号码。在获取与主叫号码对应的分类标识信息过程中，可根据号码长度、常用号码标记等方式确定其分类标识(如通常号码长度为5位的电话号码隶属于银行等行业类别号码)；也可采用机器学习的方法，确定主叫号码对应的分类标识信息。例如，可构建类别训练样本，其中，该类别训练样本中可以包含多个类别的电话号码，该多个类别的电话号码可以包括特殊号码(如银行服务类号码)、专用号码(如各紧急电话号码)等等。并将该多个类别的电话号码转换为对应的独热向量，输入至预先构建的神经网络中(该神经网络可以为全连的三层神经网络)进行模型训练，从而可利用训练后的神经网络进行用户话单数据中电话号码的分类。从而，可将用户话单数据中的主叫号码输入至该神经网络，获得号码嵌入向量，并根据该号码嵌入向量生成类别属性特征。

针对于交互关系特征，可以针对每对主被叫号码，根据该主被叫号码的主被叫类别、通话时长、及通话频次，生成交互关系特征。在具体的实施过程中，可根据该主被叫号码的主被叫类别、通话时长、及通话频次构建各个电话号码的邻接矩阵。该邻接矩阵能够表征各个电话号码之间的社交关系特征。可选的，为便于后续对数据的快速处理，提升骚扰电话的识别效率，本步骤可将该稀疏的邻接矩阵转化为稠密的低维度向量。其中，本实施例对具体的转化方式不做限定，例如可通过LINE算法，将该邻接矩阵进行嵌入计算，从而生成低维度向量，并将该低维度向量作为交互关系特征。

步骤S240，利用多类数据特征，训练构建的骚扰电话识别模型。

在具体的实施过程中，本实施例中构建的骚扰电话识别模型包括：输入层、融合层、全连接层及输出层(如图3所示)。其中，输入层用于输入步骤S230获得的多类数据特征；融合层用于对输入层中输入的特征进行融合，其中，本实施例中的融合层为稀疏连接，即采用局部分组连接的方式，从而可以准确地确定各个数据特征对骚扰识别结果的影响权重，并且，该稀疏连接中同类数据特征中的不同位对应于同一权重系数；本模型中包含两层全连接层，并采用神经网络连接方式；输出层一般采用softmax判别函数输出相应的识别结果；并且在此过程中，本模型采用的损失函数为交叉熵。

在实际的实施过程中，可通过设置相应的训练集及测试集进行训练；具体是将训练集输入模型，采用反向传播算法进行训练，并利用测试集对模型训练后的参数进行调优处理，从而获得训练后的骚扰电话识别模型。具体地，是将训练集通过输入层、融合层、全连接层及输出层，并计算其损失函数结果，判断当前损失函数结果是否满足停机要求；若否，则通过误差反向传播，进行参数更新后，进行下一次训练，直至满足停机要求后，结束训练。

步骤S250，通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别。

待骚扰电话识别模型训练完成之后，可直接利用该训练后的骚扰电话识别模型进行骚扰电话识别，从而大幅提升骚扰电话识别效率。其中，本步骤对接收到的电话号码进行骚扰电话识别为正向推理过程，推理效率高，有利于骚扰电话识别效率的整体提升。

步骤S260，将识别为骚扰电话的骚扰电话信息记录于预设骚扰电话名单中。

本实施例中构建有预设骚扰电话名单，该预设骚扰电话名单中存储有相应的骚扰电话信息。从而可将骚扰电话识别模型识别为骚扰电话的骚扰电话信息记录于该预设骚扰电话名单中。并根据骚扰电话识别模型实时的识别结果，更新预设骚扰电话名单数据(例如增加新的骚扰电话，或剔除误判为骚扰电话的电话号码信息等等)。可选的，可根据相应的反馈信息，更新预设骚扰电话名单，其中，该反馈信息可以为用户或客服反馈的信息。

在一种可选的实施方式中，可通过离线计算的方式，利用多类数据特征，训练构建的骚扰电话识别模型，即步骤S240可由预设离线计算单元执行；并利用在线计算的方式，通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别，即步骤S250可由预设在线计算单元执行。在具体的实施过程中，离线计算单元可将骚扰电话识别模型中的相关参数信息传递至在线计算单元，从而仅由在线计算单元完成对骚扰电话的推理过程，实现对骚扰电话的识别，即在线计算单元仅包含骚扰电话识别模型中的预测网络。采用该种方式，可在很大程度上降低通信网络的计算资源开销，提升识别效率。

进一步可选的，可依据预设骚扰电话名单中的增量数据和/或获取的用户话单增量数据，对训练后的骚扰电话识别模型进行再次训练，以优化骚扰电话识别模型，并利用优化后的骚扰电话识别模型继续对接收到的电话号码进行骚扰电话识别。在具体的实施过程中，可根据在线计算单元的识别结果，更新预设骚扰电话名单；并进一步根据预设骚扰电话名单中的增量数据来对训练后的骚扰电话识别模型进行再次训练，以优化骚扰电话识别模型。也可以根据获取的用户话单增量数据，对训练后的骚扰电话识别模型进行再次训练。其中，在对骚扰电话识别模型进行再次训练过程中，并未对模型参数进行初始化，而是以初次训练后的骚扰电话识别模型确定的参数为初始条件，进一步在初次训练后的骚扰电话识别模型的基础上进行进一步的优化，从而在提升骚扰电话模型识别精度的基础上，能够降低训练时间，提升优化效率。并且，再根据离线计算单元对骚扰电话识别模型的再次训练结果，更新在线计算单元中的骚扰电话识别模型中的预测网络，从而利用再次训练后的骚扰电话识别模型对接收到的电话号码进行骚扰电话识别，并根据识别结果更新骚扰电话名单。以此循环，不断完善骚扰电话识别模型，提升该模型的识别精度。

更进一步可选的，可根据预设的触发时机，依据预设骚扰电话名单中的增量数据和/或获取的用户话单增量数据，对训练后的骚扰电话识别模型进行再次训练。例如，可在监测到骚扰电话名单中的增量数据大于第一预设阈值，和/或获取的用户话单增量数据大于第二预设阈值时，对训练后的骚扰电话识别模型进行再次训练。

步骤S270，采用预设骚扰电话管理策略，对预设骚扰电话名单中的骚扰电话信息对应的骚扰电话进行管控。

通过步骤S210-步骤S260的实施，可快速准确地确定出骚扰电话信息，从而本步骤可根据预设骚扰电话管理策略，对预设骚扰电话名单中的骚扰电话信息对应的骚扰电话进行管控，实现对用户的全方位防骚扰保护，提升用户体验。其中，本实施例对具体的预设骚扰电话管理策略不做限定，例如，可根据骚扰电话的等级，制定相应的管控措施等等。

由此可见，本实施例中利用用户话单数据来生成可自动识别骚扰电话的骚扰电话识别模型，从而大幅提高骚扰电话的识别效率及识别精度，降低骚扰电话识别成本；并且通过利用异构的多类数据特征来获得骚扰电话识别模型，进一步地提升了骚扰电话的识别精度，并提高骚扰电话识别模型的稳定性及抗干扰能力，适于大规模应用及实施；并且，通过对特征相关数据的预处理过程，可准确方便地确定出多类数据特征；进一步地通过融合层的稀疏连接方式(而非生成多维向量)，可以准确地确定各个数据特征对骚扰识别结果的影响权重，并能够根据训练过程的进行自动调整各数据特征的权重，有利于骚扰电话识别精度的提升；本实施例通过离线处理的方式进行骚扰电话识别模型的训练，且通过在线处理的方式利用骚扰电话识别模型进行骚扰电话的识别，可以降低通信网络的计算资源开销，提升识别效率；另外，本实施例进一步地依据预设骚扰电话名单中的增量数据和/或获取的用户话单增量数据，对训练后的骚扰电话识别模型进行再次训练，并利用优化后的骚扰电话识别模型继续对接收到的电话号码进行骚扰电话识别，从而进一步地提升骚扰电话识别模型的识别精度；此外，通过预设骚扰电话名单及预设骚扰电话管理策略的设置，可便捷地且全方位地实现对用户的防电话骚扰保护，大幅提升用户体验。

图4示出了根据本发明一个实施例提供的一种骚扰电话识别装置的功能结构示意图。如图4所示，该装置包括：数据获取模块41、特征提取模块42、模型训练模块43、及识别模块44

数据获取模块41，适于从预设数据库中获取用户话单数据；

特征提取模块42，适于基于所述用户话单数据，提取多类数据特征；其中，所述多类数据特征包括常驻位置特征、通话时序特征、类别属性特征、以及交互关系特征；

模型训练模块43，适于利用所述多类数据特征，训练构建的骚扰电话识别模型；

识别模块44，适于通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别。

可选的，特征提取模块42进一步适于：从所述用户话单数据中提取出特征相关数据；

对提取出的特征相关数据进行预处理，以获得所述多类数据特征；

其中，所述特征相关数据包括：主叫号码、被叫号码、位置信息、通话时间信息、通话时长信息、以及通话频次信息。

可选的，特征提取模块42进一步适于：根据所述位置信息，以及与该位置信息对应的通话频次，生成常驻位置特征；

根据所述通话时间信息，生成通话时序特征；

获取与所述主叫号码对应的分类标识信息，根据所述分类标识信息生成类别属性特征；

针对每对主被叫号码，根据该主被叫号码的主被叫类别、通话时长、及通话频次，生成交互关系特征。

可选的，所述骚扰电话识别模型包括：输入层、融合层、全连接层及输出层；其中，所述融合层为稀疏连接。

可选的，名单管理模块，适于在所述通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别之后，将识别为骚扰电话的骚扰电话信息记录于预设骚扰电话名单中；

骚扰电话管理模块，适于采用预设骚扰电话管理策略，对所述预设骚扰电话名单中的骚扰电话信息对应的骚扰电话进行管控。

可选的，模型训练模块43进一步适于：依据所述预设骚扰电话名单中的增量数据和/或获取的用户话单增量数据，对所述训练后的骚扰电话识别模型进行再次训练，以优化所述骚扰电话识别模型。

可选的，所述模型训练模块由预设离线计算单元执行；所述识别模块由预设在线计算单元执行。

其中，本实施例装置中各模块的具体实施过程可参照图1和/或图2方法实施例中相应部分的描述，本实施例在此不做赘述。

由此可见，本实施例中利用用户话单数据来生成可自动识别骚扰电话的骚扰电话识别模型，从而大幅提高骚扰电话的识别效率及识别精度，降低骚扰电话识别成本；并且通过利用异构的多类数据特征来获得骚扰电话识别模型，进一步地提升了骚扰电话的识别精度，并提高骚扰电话识别模型的稳定性及抗干扰能力，适于大规模应用及实施。

根据本发明一个实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的骚扰电话识别方法。

图5示出了根据本发明一个实施例提供的一种计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

如图5所示，该计算设备可以包括：处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。

其中：

处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。

通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器502，用于执行程序510，具体可以执行上述骚扰电话识别方法实施例中的相关步骤。

具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。

处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序510具体可以用于使得处理器502执行以下操作：

从预设数据库中获取用户话单数据；

基于所述用户话单数据，提取多类数据特征；其中，所述多类数据特征包括常驻位置特征、通话时序特征、类别属性特征、以及交互关系特征；

利用所述多类数据特征，训练构建的骚扰电话识别模型；

通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别。

在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：

从所述用户话单数据中提取出特征相关数据；

对提取出的特征相关数据进行预处理，以获得所述多类数据特征；

其中，所述特征相关数据包括：主叫号码、被叫号码、位置信息、通话时间信息、通话时长信息、以及通话频次信息。

在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：

根据所述位置信息，以及与该位置信息对应的通话频次，生成常驻位置特征；

根据所述通话时间信息，生成通话时序特征；

获取与所述主叫号码对应的分类标识信息，根据所述分类标识信息生成类别属性特征；

针对每对主被叫号码，根据该主被叫号码的主被叫类别、通话时长、及通话频次，生成交互关系特征。

在一种可选的实施方式中，所述骚扰电话识别模型包括：输入层、融合层、全连接层及输出层；其中，所述融合层为稀疏连接。

在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：

在所述通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别之后，将识别为骚扰电话的骚扰电话信息记录于预设骚扰电话名单中；

采用预设骚扰电话管理策略，对所述预设骚扰电话名单中的骚扰电话信息对应的骚扰电话进行管控。

在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：

依据所述预设骚扰电话名单中的增量数据和/或获取的用户话单增量数据，对所述训练后的骚扰电话识别模型进行再次训练，以优化所述骚扰电话识别模型。

在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：

通过离线计算的方式，利用所述多类数据特征，训练构建的骚扰电话识别模型；

利用在线计算的方式，通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例中骚扰电话识别装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种骚扰电话识别方法，其特征在于，包括：

从预设数据库中获取用户话单数据；

基于所述用户话单数据，提取多类数据特征；其中，所述多类数据特征包括常驻位置特征、通话时序特征、类别属性特征、以及交互关系特征；

利用所述多类数据特征，训练构建的骚扰电话识别模型；

通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别。

2.根据权利要求1所述的方法，其特征在于，所述基于所述用户话单数据，提取多类数据特征进一步包括：

从所述用户话单数据中提取出特征相关数据；

对提取出的特征相关数据进行预处理，以获得所述多类数据特征；

其中，所述特征相关数据包括：主叫号码、被叫号码、位置信息、通话时间信息、通话时长信息、以及通话频次信息。

3.根据权利要求2所述的方法，其特征在于，所述对提取出的特征相关数据进行预处理，以获得所述多类数据特征进一步包括：

根据所述位置信息，以及与该位置信息对应的通话频次，生成常驻位置特征；

根据所述通话时间信息，生成通话时序特征；

获取与所述主叫号码对应的分类标识信息，根据所述分类标识信息生成类别属性特征；

针对每对主被叫号码，根据该主被叫号码的主被叫类别、通话时长、及通话频次，生成交互关系特征。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述骚扰电话识别模型包括：输入层、融合层、全连接层及输出层；其中，所述融合层为稀疏连接。

5.根据权利要求4所述的方法，其特征在于，在所述通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别之后，所述方法还包括：将识别为骚扰电话的骚扰电话信息记录于预设骚扰电话名单中；

采用预设骚扰电话管理策略，对所述预设骚扰电话名单中的骚扰电话信息对应的骚扰电话进行管控。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

依据所述预设骚扰电话名单中的增量数据和/或获取的用户话单增量数据，对所述训练后的骚扰电话识别模型进行再次训练，以优化所述骚扰电话识别模型。

7.根据权利要求1-3中任一项所述的方法，其特征在于，所述利用所述多类数据特征，训练构建的骚扰电话识别模型进一步包括：通过离线计算的方式，利用所述多类数据特征，训练构建的骚扰电话识别模型；

所述通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别进一步包括：利用在线计算的方式，通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别。

8.一种骚扰电话识别装置，其特征在于，包括：

数据获取模块，适于从预设数据库中获取用户话单数据；

特征提取模块，适于基于所述用户话单数据，提取多类数据特征；其中，所述多类数据特征包括常驻位置特征、通话时序特征、类别属性特征、以及交互关系特征；

模型训练模块，适于利用所述多类数据特征，训练构建的骚扰电话识别模型；

识别模块，适于通过训练后的骚扰电话识别模型，对接收到的电话号码进行骚扰电话识别。

9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的骚扰电话识别方法对应的操作。

10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的骚扰电话识别方法对应的操作。

Images