CN116542259B - 在线服务对话大数据的欺诈分析方法、服务器及介质 - Google Patents
在线服务对话大数据的欺诈分析方法、服务器及介质 Download PDFInfo
- Publication number
- CN116542259B CN116542259B CN202310825506.5A CN202310825506A CN116542259B CN 116542259 B CN116542259 B CN 116542259B CN 202310825506 A CN202310825506 A CN 202310825506A CN 116542259 B CN116542259 B CN 116542259B
- Authority
- CN
- China
- Prior art keywords
- text
- dialogue
- fraud
- texts
- service
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 202
- 238000005065 mining Methods 0.000 claims description 110
- 238000012795 verification Methods 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 33
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006698 induction Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/226—Validation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Machine Translation (AREA)
Abstract
本发明实施例涉及大数据技术领域,提供一种在线服务对话大数据的欺诈分析方法、服务器及介质,通过不同欺诈意向判别组件对异类服务对话文本进行欺诈意向判别,并且对异类服务对话文本使用欺诈意向判别组件进行对话文本核对,以确保异类服务对话文本的内容匹配性和判别一致性,这样在进行欺诈意向判别时能够提升针对不同类的服务对话文本的抗干扰效果,进而提升欺诈风险决策观点的精度和可信度。综上,本发明实施例所提供的技术方案能够改善传统技术难以准确可靠对服务对话文本进行欺诈风险决策分析的技术问题。
Description
技术领域
本发明涉及大数据技术领域,具体而言,涉及在线服务对话大数据的欺诈分析方法、服务器及介质。
背景技术
在线服务(Online service)是指利用互联网技术,向用户提供线上服务的方式。以应用程序在线服务为例,应用程序在线服务构成了互联网应用的基础,它包括常见的web浏览、电子邮件、论坛、即时通信、游戏、金融、办公、专用信息服务以及在线视频等。在大数据时代下,在线服务的规模不断扩大,由此带来的互联网欺诈问题不容忽视。
发明内容
本发明至少提供在线服务对话大数据的欺诈分析方法、服务器及介质。
本发明提供了一种在线服务对话大数据的欺诈分析方法,应用于AI欺诈分析服务器,所述方法包括:
获得待进行欺诈分析的目标服务对话文本,所述目标服务对话文本包括最少两种异类服务对话文本;
将所述目标服务对话文本加载至对话大数据欺诈分析网络中,所述对话大数据欺诈分析网络通过文本语义挖掘组件挖掘所述最少两种异类服务对话文本各自对应的文本语义意向字段,将所述最少两种异类服务对话文本各自对应的文本语义意向字段加载到对应的欺诈意向判别组件进行欺诈意向判别,得到所述最少两种异类服务对话文本对应的欺诈意向判别报告,并依据所述最少两种异类服务对话文本各自对应的文本语义意向字段利用对应的欺诈意向判别组件进行对话文本核对,得到所述最少两种异类服务对话文本对应的对话文本核对报告;
依据所述欺诈意向判别报告和所述对话文本核对报告确定所述目标服务对话文本对应的欺诈风险决策观点。
优选的示例下,将所述最少两种异类服务对话文本各自对应的文本语义意向字段加载到对应的欺诈意向判别组件进行欺诈意向判别,得到所述最少两种异类服务对话文本对应的欺诈意向判别报告,并依据所述最少两种异类服务对话文本各自对应的文本语义意向字段利用对应的欺诈意向判别组件进行对话文本核对,得到所述最少两种异类服务对话文本对应的对话文本核对报告,包括:
将所述最少两种异类服务对话文本中第一类服务对话文本对应的文本语义意向字段加载到对应的第一欺诈意向判别组件中进行欺诈意向判别,得到所述第一类服务对话文本对应的第一欺诈意向判别报告;
将所述最少两种异类服务对话文本中第二类服务对话文本对应的文本语义意向字段加载到对应的第二欺诈意向判别组件中进行欺诈意向判别,得到所述第二类服务对话文本对应的第二欺诈意向判别报告;
将所述第一类服务对话文本对应的文本语义意向字段和所述第二类服务对话文本对应的文本语义意向字段输入第一对话文本核对组件中进行对话文本核对,得到所述第一类服务对话文本和第二类服务对话文本对应的第一对话文本核对报告;
所述依据所述欺诈意向判别报告和所述对话文本核对报告确定所述目标服务对话文本对应的欺诈风险决策观点,包括:
依据所述第一欺诈意向判别报告、第二欺诈意向判别报告和第一对话文本核对报告确定所述目标服务对话文本对应的欺诈风险决策观点。
优选的示例下,在所述将所述最少两种异类服务对话文本中第二类服务对话文本对应的文本语义意向字段加载到对应的第二欺诈意向判别组件中进行欺诈意向判别,得到所述第二类服务对话文本对应的第二欺诈意向判别报告之后,还包括:
将所述最少两种异类服务对话文本中第三类服务对话文本对应的文本语义意向字段加载到对应的第三欺诈意向判别组件中进行欺诈意向判别,得到所述第三类服务对话文本对应的第三欺诈意向判别报告;
所述方法还包括:
将所述第一类服务对话文本对应的文本语义意向字段和所述第三类服务对话文本对应的文本语义意向字段输入第二对话文本核对组件中进行对话文本核对,得到所述第一类服务对话文本和第三类服务对话文本对应的第二对话文本核对报告;
依据所述第一欺诈意向判别报告、第二欺诈意向判别报告、第三欺诈意向判别报告、第一对话文本核对报告和所述第二对话文本核对报告确定所述目标服务对话文本对应的欺诈风险决策观点。
优选的示例下,所述获得待进行欺诈分析的目标服务对话文本,包括:
获得原始服务对话文本流,对所述原始服务对话文本流中各个原始服务对话文本进行文本细粒度分析,得到所述各个原始服务对话的文本细粒度评分;
依据所述各个原始服务对话的文本细粒度评分从所述各个原始服务对话文本中进行服务对话文本挑选,得到待进行欺诈分析的目标服务对话文本。
优选的示例下,所述对话大数据欺诈分析网络包括最少两种文本语义挖掘组件;
所述通过文本语义挖掘组件挖掘所述最少两种异类服务对话文本各自对应的文本语义意向字段,包括:
将所述最少两种异类服务对话文本分别加载到对应的文本语义挖掘组件中进行文本语义挖掘,得到所述最少两种异类服务对话文本各自对应的目标文本语义意向字段;其中,所述最少两种文本语义挖掘组件中模型配置变量之间的代价值小于设定限值;
所述将所述最少两种异类服务对话文本各自对应的文本语义意向字段加载到对应的欺诈意向判别组件进行欺诈意向判别,得到所述最少两种异类服务对话文本对应的欺诈意向判别报告,并依据所述最少两种异类服务对话文本各自对应的文本语义意向字段利用对应的欺诈意向判别组件进行对话文本核对,得到所述最少两种异类服务对话文本对应的对话文本核对报告,包括:
将所述最少两种异类服务对话文本各自对应的目标文本语义意向字段加载到对应的欺诈意向判别组件进行欺诈意向判别,得到所述最少两种异类服务对话文本对应的目标欺诈意向判别报告;
将所述最少两种异类服务对话文本各自对应的目标文本语义意向字段利用对应的欺诈意向判别组件进行对话文本核对,得到所述最少两种异类服务对话文本对应的目标对话文本核对报告。
优选的示例下,所述依据所述最少两种异类服务对话文本各自对应的文本语义意向字段利用对应的欺诈意向判别组件进行对话文本核对,得到所述最少两种异类服务对话文本对应的对话文本核对报告,包括:
通过第一欺诈意向判别组件确定所述最少两种异类服务对话文本中第一类服务对话文本对应的文本语义意向字段与所述最少两种异类服务对话文本中第二类服务对话文本对应的文本语义意向字段之间的语义意向共性度量值;
当所述语义意向共性度量值超过设定文本核对评价限值时,得到所述第一类服务对话文本与所述第二类服务对话文本对应的对话文本核对报告为对话文本核对成功,所述对话文本核对成功用于表征异类服务对话文本是基于相同在线服务客户端在相同时间获取到的服务对话文本。
优选的示例下,所述对话大数据欺诈分析网络包括对话文本调整组件;
在所述通过文本语义挖掘组件挖掘所述最少两种异类服务对话文本各自对应的文本语义意向字段,将所述最少两种异类服务对话文本各自对应的文本语义意向字段加载到对应的欺诈意向判别组件进行欺诈意向判别,得到所述最少两种异类服务对话文本对应的欺诈意向判别报告,并依据所述最少两种异类服务对话文本各自对应的文本语义意向字段利用对应的欺诈意向判别组件进行对话文本核对,得到所述最少两种异类服务对话文本对应的对话文本核对报告之前,还包括:
所述对话大数据欺诈分析网络将所述最少两种异类服务对话文本中第二类服务对话文本加载至所述对话文本调整组件中进行对话文本调整,得到与所述最少两种异类服务对话文本中第一类服务对话文本的类别相同的调整文本,将所述调整文本作为所述第二类服务对话文本。
优选的示例下,所述依据所述欺诈意向判别报告和所述对话文本核对报告确定所述目标服务对话文本对应的欺诈风险决策观点,包括:
当所述最少两种异类服务对话文本为具有欺诈风险的对话文本,所述对话文本核对报告为对话文本核对成功时,得到所述欺诈风险决策观点为存在欺诈风险。
优选的示例下,所述对话大数据欺诈分析网络的调试包括以下步骤:
获得调试样例集,所述调试样例集包括最少两种异类服务对话学习文本和对应的调试学习注释;
将所述最少两种异类服务对话学习文本加载到待调试对话大数据欺诈分析网络中,所述待调试对话大数据欺诈分析网络通过待调试文本语义挖掘组件最少两种异类服务对话学习文本各自对应的文本语义意向字段样例,将所述最少两种异类服务对话学习文本各自对应的文本语义意向字段样例加载到对应的待调试欺诈意向判别组件进行欺诈意向判别,得到所述最少两种异类服务对话学习文本对应的原始欺诈意向判别报告,并依据所述最少两种异类服务对话学习文本各自对应的文本语义意向字段样例利用对应的待调试欺诈意向判别组件进行对话文本核对,得到所述最少两种异类服务对话学习文本对应的原始对话文本核对报告;
依据所述原始欺诈意向判别报告和所述调试学习注释中对应的欺诈意向判别的调试学习注释进行调试代价确定,得到所述最少两种异类服务对话学习文本对应的欺诈意向判别代价数据,并依据所述原始对话文本核对报告和所述调试学习注释中对应的参考文本核对注释进行调试代价确定,得到所述最少两种异类服务对话学习文本对应的对话文本核对代价数据;
依据所述最少两种异类服务对话学习文本对应的欺诈意向判别代价数据反馈调试对应的待调试欺诈意向判别组件和所述待调试文本语义挖掘组件,并根据所述对话文本核对代价数据反馈调试对应的待调试欺诈意向判别组件和所述待调试文本语义挖掘组件,得到对话大数据欺诈分析调试网络;
将所述对话大数据欺诈分析调试网络作为原始对话大数据欺诈分析网络,并跳转至将所述最少两种异类服务对话学习文本加载到待调试对话大数据欺诈分析网络中的步骤,直至调试完成,得到所述对话大数据欺诈分析网络。
优选的示例下,所述待调试对话大数据欺诈分析网络包括最少两种待调试文本语义挖掘组件;
所述依据所述最少两种异类服务对话学习文本对应的欺诈意向判别代价数据反馈调试对应的待调试欺诈意向判别组件和所述待调试文本语义挖掘组件,并根据所述对话文本核对代价数据反馈调试对应的待调试欺诈意向判别组件和所述待调试文本语义挖掘组件,得到对话大数据欺诈分析调试网络,包括:
依据所述最少两种异类服务对话学习文本对应的欺诈意向判别代价数据优化对应的待调试文本语义挖掘组件和对应的待调试欺诈意向判别组件,并根据所述最少两种异类服务对话学习文本对应的对话文本核对代价数据反馈调试对应的待调试欺诈意向判别组件和对应的待调试文本语义挖掘组件,得到最少两种候选文本语义挖掘组件;
确定所述最少两种候选文本语义挖掘组件中模型配置变量之间的模型配置代价值;
当所述模型配置代价值小于设定模型配置代价阈值时,得到最少两种优化文本语义挖掘组件,依据所述最少两种优化文本语义挖掘组件得到所述对话大数据欺诈分析调试网络。
本发明还提供了一种AI欺诈分析服务器,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述方法。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在运行时实现上述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果:通过获得待进行欺诈分析的目标服务对话文本,待进行欺诈分析的目标服务对话文本包括最少两种异类服务对话文本;将待进行欺诈分析的目标服务对话文本加载至对话大数据欺诈分析网络中,对话大数据欺诈分析网络通过文本语义挖掘组件提取最少两种异类服务对话文本各自对应的文本语义意向字段,将最少两种异类服务对话文本各自对应的文本语义意向字段加载到对应的欺诈意向判别组件进行欺诈意向判别,得到最少两种异类服务对话文本对应的欺诈意向判别报告,并依据最少两种异类服务对话文本各自对应的文本语义意向字段利用对应的欺诈意向判别组件进行对话文本核对,得到最少两种异类服务对话文本对应的对话文本核对报告;依据欺诈意向判别报告和对话文本核对报告确定待进行欺诈分析的目标服务对话文本对应的欺诈风险决策观点。可见,通过不同欺诈意向判别组件对异类服务对话文本进行欺诈意向判别,并且对异类服务对话文本使用欺诈意向判别组件进行对话文本核对,以确保异类服务对话文本的内容匹配性和判别一致性,这样在进行欺诈意向判别时能够提升针对不同类的服务对话文本的抗干扰效果,进而提升欺诈风险决策观点的精度和可信度。综上,本发明实施例所提供的技术方案能够改善传统技术难以准确可靠对服务对话文本进行欺诈风险决策分析的技术问题。
关于上述AI欺诈分析服务器、计算机可读存储介质的效果描述参见上述方法的说明。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,此处的附图被并入说明书中并构成本说明书中的一部分,这些附图示出了符合本发明的实施例,并与说明书一起用于说明本发明的技术方案。应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明实施例示出的一种AI欺诈分析服务器的方框图。
图2是本发明实施例示出的一种在线服务对话大数据的欺诈分析方法的流程示意图。
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发明相一致的所有实施方式。相反,它们仅是本发明的一些方面相一致的装置和方法的例子。
图1为本发明实施例提供的AI欺诈分析服务器10的结构示意图,包括处理器102、存储器104、和总线106。其中,存储器104用于存储执行指令,包括内存和外部存储器,内存也可以理解为内存储器,用于暂时存放处理器102中的运算数据,以及与硬盘等外部存储器交换的数据,处理器102通过内存与外部存储器进行数据交换,当AI欺诈分析服务器10运行时,处理器102与存储器104之间通过总线106通信,使得处理器102执行本发明实施例的在线服务对话大数据的欺诈分析方法。
请结合图2,图2是本发明实施例所提供的一种在线服务对话大数据的欺诈分析方法的流程示意图,应用于AI欺诈分析服务器,该方法示例性可以包括S104-S108。
S104,获得待进行欺诈分析的目标服务对话文本,待进行欺诈分析的目标服务对话文本包括最少两种异类服务对话文本。
其中,待进行欺诈分析的目标服务对话文本可以理解为需实现欺诈意向判别的服务对话文本,服务对话文本可以通过不同种类文本爬虫获取到的服务对话文本。
进一步地,异类服务对话文本可以理解为不同类型的服务对话文本。举例而言,最少两种异类服务对话文本可以包括中文对话文本、英文对话文本,还可以包括页面对话文本、图形化操作交互对话文本等。
示例性的,AI欺诈分析服务器可以获得到通过业务服务系统(比如电子商务业务、智慧政企业务、数字办公业务等)在相同时间上传的待进行欺诈分析的目标服务对话文本,该待进行欺诈分析的目标服务对话文本包括最少两种异类服务对话文本。比如,业务服务系统通过不同种类的文本爬虫在相同时间采集到异类服务对话文本时,将获取到的异类服务对话文本上传至AI欺诈分析服务器中,AI欺诈分析服务器获得到业务服务系统上传的待进行欺诈分析的目标服务对话文本,该待进行欺诈分析的目标服务对话文本中可以包括不同类型的服务对话文本。
在一些示例下,AI欺诈分析服务器也可以获得到在云共享空间中存储的在相同时间点获取到的待进行欺诈分析的目标服务对话文本,该待进行欺诈分析的目标服务对话文本包括最少两种不同语义关注角度的服务对话文本,即AI欺诈分析服务器可以获得到多种语义关注角度的服务对话文本作为待进行欺诈分析的目标服务对话文本。
S106,将待进行欺诈分析的目标服务对话文本加载至对话大数据欺诈分析网络中,对话大数据欺诈分析网络通过文本语义挖掘组件提取最少两种异类服务对话文本各自对应的文本语义意向字段,将最少两种异类服务对话文本各自对应的文本语义意向字段加载到对应的欺诈意向判别组件进行欺诈意向判别,得到最少两种异类服务对话文本对应的欺诈意向判别报告,并依据最少两种异类服务对话文本各自对应的文本语义意向字段利用对应的欺诈意向判别组件进行对话文本核对,得到最少两种异类服务对话文本对应的对话文本核对报告。
其中,对话大数据欺诈分析网络是指能够实现多个分支的对话欺诈分析的神经网络,用于对待进行欺诈分析的目标服务对话文本进行欺诈意向判别(欺诈意向挖掘)和对话文本核对(对话内容一致性分析)。该对话大数据欺诈分析网络可以是基于调试学习样例(包括正样本和负样本)依据AI算法进行多分支调试得到的。示例性的,对话大数据欺诈分析网络可以是深度残差模型。本发明实施例对深度残差模型的结构不做限制,可以根据实际情况进行灵活调整。
文本语义挖掘组件是指对话大数据欺诈分析网络中用于挖掘文本语义意向字段的子模型,该文本语义挖掘组件可以提取异类服务对话文本的文本语义意向字段(可以理解为对话文本特征),即该文本语义挖掘组件中的模型配置变量(模型参数)是共用的。不同的处理事项(网络任务)使用不同的欺诈意向判别组件进行处理。该欺诈意向判别组件包括用于欺诈意向判别的最少两个欺诈意向判别组件和用于对话文本核对的最少一个欺诈意向判别组件。异类服务对话文本对应有不同的用于欺诈意向判别的欺诈意向判别组件。
示例性的,AI欺诈分析服务器将待进行欺诈分析的目标服务对话文本加载至对话大数据欺诈分析网络中进行多分支处理,该对话大数据欺诈分析网络将最少两种异类服务对话文本同时加载至文本语义挖掘组件进行文本语义挖掘,得到最少两种异类服务对话文本各自对应的文本语义意向字段,每类服务对话文本都有对应的文本语义意向字段。然后将最少两种异类服务对话文本各自对应的文本语义意向字段分别加载至对应的欺诈意向判别欺诈意向判别组件中进行欺诈意向判别,得到最少两种异类服务对话文本对应的欺诈意向判别报告,每类服务对话文本都有对应的欺诈意向判别报告。然后同时将最少两种异类服务对话文本各自对应的文本语义意向字段加载至对应的对话文本核对欺诈意向判别组件进行对话文本核对,得到最少两种异类服务对话文本对应的对话文本核对报告,每两类服务对话文本都有对应的对话文本核对报告。欺诈意向判别报告用于表征待进行欺诈分析的目标服务对话文本是否为具有欺诈风险的对话文本。对话文本核对报告用于表征异类服务对话文本的一致性。该欺诈意向判别报告包括待进行欺诈分析的目标服务对话文本为具有欺诈风险的对话文本和不具有欺诈风险的对话文本,该对话文本核对报告包括对话文本核对成功和对话文本核对失败。
S108,依据欺诈意向判别报告和对话文本核对报告确定待进行欺诈分析的目标服务对话文本对应的欺诈风险决策观点。
示例性的,当所有异类服务对话文本对应的欺诈意向判别报告都为具有欺诈风险的对话文本以及所有异类服务对话文本对应的对话文本核对报告都为对话文本核对成功时,得到待进行欺诈分析的目标服务对话文本对应的欺诈风险决策观点为具有欺诈风险的对话文本。当存在欺诈意向判别报告为不具有欺诈风险的对话文本或者对话文本核对报告为对话文本核对失败时,得到待进行欺诈分析的目标服务对话文本对应的欺诈风险决策观点为不具有欺诈风险的对话文本。
可以理解,在上述在线服务对话大数据的欺诈分析方法中,通过获得待进行欺诈分析的目标服务对话文本,待进行欺诈分析的目标服务对话文本包括最少两种异类服务对话文本;将待进行欺诈分析的目标服务对话文本加载至对话大数据欺诈分析网络中,对话大数据欺诈分析网络通过文本语义挖掘组件提取最少两种异类服务对话文本各自对应的文本语义意向字段,将最少两种异类服务对话文本各自对应的文本语义意向字段加载到对应的欺诈意向判别组件进行欺诈意向判别,得到最少两种异类服务对话文本对应的欺诈意向判别报告,并依据最少两种异类服务对话文本各自对应的文本语义意向字段利用对应的欺诈意向判别组件进行对话文本核对,得到最少两种异类服务对话文本对应的对话文本核对报告;依据欺诈意向判别报告和对话文本核对报告确定待进行欺诈分析的目标服务对话文本对应的欺诈风险决策观点。通过不同欺诈意向判别组件对异类服务对话文本进行欺诈意向判别,并且对异类服务对话文本使用欺诈意向判别组件进行对话文本核对,以确保异类服务对话文本的内容匹配性和判别一致性,这样在进行欺诈意向判别时能够提升针对不同类的服务对话文本的抗干扰效果,进而提升欺诈风险决策观点的精度和可信度。
在一些示例下,S104,将最少两种异类服务对话文本各自对应的文本语义意向字段加载到对应的欺诈意向判别组件进行欺诈意向判别,得到最少两种异类服务对话文本对应的欺诈意向判别报告,并依据最少两种异类服务对话文本各自对应的文本语义意向字段利用对应的欺诈意向判别组件进行对话文本核对,得到最少两种异类服务对话文本对应的对话文本核对报告,包括S202-S206。
S202,将最少两种异类服务对话文本中第一类服务对话文本对应的文本语义意向字段加载到对应的第一欺诈意向判别组件中进行欺诈意向判别,得到第一类服务对话文本对应的第一欺诈意向判别报告。
其中,第一类服务对话文本是指中文类服务对话文本。第一欺诈意向判别组件用于对中文类服务对话文本进行欺诈意向判别。第一欺诈意向判别报告包括中文类服务对话文本为具有欺诈风险的对话文本和不具有欺诈风险的对话文本。
示例性的,AI欺诈分析服务器将第一类服务对话文本对应的文本语义意向字段加载至第一欺诈意向判别组件中进行欺诈意向判别,得到输出的第一欺诈意向判别报告。
S204,将最少两种异类服务对话文本中第二类服务对话文本对应的文本语义意向字段加载到对应的第二欺诈意向判别组件中进行欺诈意向判别,得到第二类服务对话文本对应的第二欺诈意向判别报告。
其中,第二类服务对话文本是指英文类服务对话文本。第二欺诈意向判别组件用于对英文类服务对话文本进行欺诈意向判别。第二欺诈意向判别报告包括英文类服务对话文本为具有欺诈风险的对话文本和不具有欺诈风险的对话文本。
示例性的,AI欺诈分析服务器将第二类服务对话文本对应的文本语义意向字段加载至第二欺诈意向判别组件中进行欺诈意向判别,得到输出的第二欺诈意向判别报告。
S206,将第一类服务对话文本对应的文本语义意向字段和第二类服务对话文本对应的文本语义意向字段输入第一对话文本核对组件中进行对话文本核对,得到第一类服务对话文本和第二类服务对话文本对应的第一对话文本核对报告。
其中,第一对话文本核对组件用于对第一类服务对话文本和第二类服务对话文本的内容匹配性和一致性进行核对。第一对话文本核对报告用于表征第一类服务对话文本和第二类服务对话文本的核对是否成功,可以包括第一类服务对话文本和第二类服务对话文本的核对成功以及第一类服务对话文本和第二类服务对话文本的核对失败。
示例性的,AI欺诈分析服务器将第一类服务对话文本对应的文本语义意向字段和第二类服务对话文本对应的文本语义意向字段进行组合,得到组合后的文本语义意向字段,将组合后的文本语义意向字段加载至第一对话文本核对组件中进行对话文本核对,得到第一对话文本核对报告。
S106,依据欺诈意向判别报告和对话文本核对报告确定待进行欺诈分析的目标服务对话文本对应的欺诈风险决策观点,包括步骤:依据第一欺诈意向判别报告、第二欺诈意向判别报告和第一对话文本核对报告确定待进行欺诈分析的目标服务对话文本对应的欺诈风险决策观点。
示例性的,AI欺诈分析服务器当第一欺诈意向判别报告为具有欺诈风险的对话文本,第二欺诈意向判别报告为具有欺诈风险并且第一对话文本核对报告为对话文本核对成功时,得到待进行欺诈分析的目标服务对话文本对应的欺诈风险决策观点为具有欺诈风险的对话文本。
可见,通过多分支网络即对话大数据欺诈分析网络将异类服务对话文本使用不同欺诈意向判别组件进行欺诈意向判别,并通过第一对话文本核对组件进行对话文本核对,然后根据欺诈意向判别报告和对话文本核对报告确定待进行欺诈分析的目标服务对话文本对应的欺诈风险决策观点,提高了得到欺诈风险决策观点的精度和可信度。
在一些示例下,S204,即在将最少两种异类服务对话文本中第二类服务对话文本对应的文本语义意向字段加载到对应的第二欺诈意向判别组件中进行欺诈意向判别,得到第二类服务对话文本对应的第二欺诈意向判别报告之后,还包括S302-S306。
S302,将最少两种异类服务对话文本中第三类服务对话文本对应的文本语义意向字段加载到对应的第三欺诈意向判别组件中进行欺诈意向判别,得到第三类服务对话文本对应的第三欺诈意向判别报告。
其中,第三类服务对话文本是指图形化操作交互对话文本。第三欺诈意向判别组件用于对图形化操作交互对话文本进行欺诈意向判别。第三欺诈意向判别报告包括图形化操作交互对话文本为具有欺诈风险的对话文本和不具有欺诈风险的对话文本。
示例性的,AI欺诈分析服务器对话大数据欺诈分析网络中还包括第三欺诈意向判别组件,在使用文本语义挖掘组件进行文本语义挖掘时,并行挖掘第三类服务对话文本对应的文本语义意向字段,然后同时将第三类服务对话文本对应的文本语义意向字段加载至对应的第三欺诈意向判别组件中进行欺诈意向判别,得到第三欺诈意向判别组件输出的第三欺诈意向判别报告。
S304,将第一类服务对话文本对应的文本语义意向字段和第三类服务对话文本对应的文本语义意向字段输入第二对话文本核对组件中进行对话文本核对,得到第一类服务对话文本和第三类服务对话文本对应的第二对话文本核对报告。
其中,第二对话文本核对组件用于对第一类服务对话文本和第三类服务对话文本的内容匹配性和一致性进行核对。第二对话文本核对报告用于表征第一类服务对话文本和第三类服务对话文本的核对是否成功,可以包括第一类服务对话文本和第三类服务对话文本的核对成功以及第一类服务对话文本和第三类服务对话文本的核对失败。
示例性的,当第三类服务对话文本为选定类别的服务对话文本,该选定类别的服务对话文本是在得到待进行欺诈分析的目标服务对话文本对应的欺诈风险决策观点后用于进行文本分析的服务对话文本时,AI欺诈分析服务器将第一类服务对话文本对应的文本语义意向字段和第三类服务对话文本对应的文本语义意向字段进行组合,得到组合后的文本特征,将组合后的文本特征输入第二对话文本核对组件中进行对话文本核对,得到第一类服务对话文本和第三类服务对话文本对应的第二对话文本核对报告。
S306,依据第一欺诈意向判别报告、第二欺诈意向判别报告、第三欺诈意向判别报告、第一对话文本核对报告和第二对话文本核对报告确定待进行欺诈分析的目标服务对话文本对应的欺诈风险决策观点。
其中,第一欺诈意向判别报告是指第一类服务对话文本是否为具有欺诈风险的对话文本的判别信息。第二欺诈意向判别报告是指第二类服务对话文本是否为具有欺诈风险的对话文本的判别信息,第三欺诈意向判别报告是指第三类服务对话文本是否为具有欺诈风险的对话文本的判别信息。
示例性的,当第一类服务对话文本为具有欺诈风险的对话文本、第二类服务对话文本为具有欺诈风险的对话文本、第三类服务对话文本为具有欺诈风险的对话文本、第一对话文本核对报告为核对成功和第二对话文本核对报告为核对成功时,得到待进行欺诈分析的目标服务对话文本对应的欺诈风险决策观点为具有欺诈风险的对话文本。当其中任意类服务对话文本为不具有欺诈风险的对话文本或者核对报告为核对失败时,得到待进行欺诈分析的目标服务对话文本对应的欺诈风险决策观点为不具有欺诈风险的对话文本。
在一些示例下,AI欺诈分析服务器将第二类服务对话文本对应的文本语义意向字段和第三类服务对话文本对应的文本语义意向字段输入第三对话文本核对组件中进行对话文本核对,得到第二类服务对话文本和第三类服务对话文本对应的第三对话文本核对报告。然后依据第一欺诈意向判别报告、第二欺诈意向判别报告、第三欺诈意向判别报告、第一对话文本核对报告、第二对话文本核对报告和第三对话文本核对报告确定待进行欺诈分析的目标服务对话文本对应的欺诈风险决策观点。
可见,当待进行欺诈分析的目标服务对话文本中包括第三类服务对话文本时,使用第三类服务对话文本进行欺诈意向判别和对话文本核对,当所有欺诈意向判别组件欺诈意向判别和对话文本核对成功时,得到待进行欺诈分析的目标服务对话文本为具有欺诈风险的对话文本的判别信息,使得到的欺诈风险决策观点尽可能精准。
在一些示例下,S102,即获得待进行欺诈分析的目标服务对话文本,包括步骤:获得原始服务对话文本流,对原始服务对话文本流中各个原始服务对话文本进行文本细粒度分析,得到各个原始服务对话的文本细粒度评分;依据各个原始服务对话的文本细粒度评分从各个原始服务对话文本中进行服务对话文本挑选,得到待进行欺诈分析的目标服务对话文本。
本发明实施例中,文本细粒度评分用于表征原始服务对话文本(初始服务对话文本)的文本质量。
示例性的,AI欺诈分析服务器获得到原始服务对话文本流,可以是业务服务系统通过文本爬虫实时爬取服务对话文本流,并上传AI欺诈分析服务器的。也可以是AI欺诈分析服务器获得到事先存储在云共享空间中的服务对话文本流。还可以是AI欺诈分析服务器从互联网中获得到原始服务对话文本流。然后AI欺诈分析服务器可以对原始服务对话文本流中各个原始服务对话文本进行文本细粒度分析,得到各个原始服务对话的文本细粒度评分。进一步地,AI欺诈分析服务器从各个原始服务对话文本中信息挑选最优文本细粒度评分,将最优文本细粒度评分对应的原始服务对话文本作为待进行欺诈分析的目标服务对话文本。
可见,通过对原始服务对话文本的文本细粒度进行分析,然后对原始服务对话文本进行筛选,从而得到待进行欺诈分析的目标服务对话文本,使得后续对服务对话文本进行分析时,能够得到尽可能精准可信的判别信息。
在一些示例下,对话大数据欺诈分析网络包括最少两种文本语义挖掘组件;S104,即通过文本语义挖掘组件提取最少两种异类服务对话文本各自对应的文本语义意向字段,包括:S402,将最少两种异类服务对话文本分别加载到对应的文本语义挖掘组件中进行文本语义挖掘,得到最少两种异类服务对话文本对应的目标文本语义意向字段;其中,最少两种文本语义挖掘组件中模型配置变量之间的代价值小于设定限值。
其中,最少两种文本语义挖掘组件是指每种异类服务对话文本都对应有文本语义挖掘组件,即每类服务对话文本对应一种文本语义挖掘组件。目标文本语义意向字段是指异类服务对话文本加载至对应的文本语义挖掘组件后输出的文本语义意向字段。设定限值是事先完成配置的损失限值。
示例性的,AI欺诈分析服务器将最少两种异类服务对话文本分别加载到对应的文本语义挖掘组件中进行文本语义挖掘,得到最少两种异类服务对话文本对应的目标文本语义意向字段,该最少两种文本语义挖掘组件中模型配置变量之间的代价值小于设定限值。即在调试时,当文本语义挖掘组件中模型配置变量之间的代价值小于设定限值时才能得到调试完成的文本语义挖掘组件。
S104,即将最少两种异类服务对话文本各自对应的文本语义意向字段加载到对应的欺诈意向判别组件进行欺诈意向判别,得到最少两种异类服务对话文本对应的欺诈意向判别报告,并依据最少两种异类服务对话文本各自对应的文本语义意向字段利用对应的欺诈意向判别组件进行对话文本核对,得到最少两种异类服务对话文本对应的对话文本核对报告,包括S404和S406。
S404,将最少两种异类服务对话文本对应的目标文本语义意向字段加载到对应的欺诈意向判别组件进行欺诈意向判别,得到最少两种异类服务对话文本对应的目标欺诈意向判别报告。
其中,目标欺诈意向判别报告是指根据目标文本语义意向字段得到的欺诈意向判别报告,目标欺诈意向判别报告包括不具有欺诈风险的对话文本和具有欺诈风险的对话文本。
示例性的,AI欺诈分析服务器同时将最少两种异类服务对话文本对应的目标文本语义意向字段分别加载到对应的欺诈意向判别组件进行欺诈意向判别,得到欺诈意向判别组件的输出,即最少两种异类服务对话文本对应的目标欺诈意向判别报告。
S406,将最少两种异类服务对话文本对应的目标文本语义意向字段利用对应的欺诈意向判别组件进行对话文本核对,得到最少两种异类服务对话文本对应的目标对话文本核对报告。
示例性的,AI欺诈分析服务器将最少两种异类服务对话文本对应的目标文本语义意向字段进行每两组的组合,即AI欺诈分析服务器将任两类服务对话文本对应的目标文本语义意向字段进行组合,然后将组合后的文本语义意向字段加载至对应的欺诈意向判别组件中进行对话文本核对,得到每个欺诈意向判别组件输出的目标对话文本核对报告。该目标对话文本核对报告用于表征两种异类服务对话文本的内容匹配性和判别一致性。
可见,当对话大数据欺诈分析网络包括最少两种文本语义挖掘组件,通过不同的文本语义挖掘组件提取异类服务对话文本的文本语义意向字段,使得提取到的文本语义意向字段尽可能精准可靠,进而使后续的欺诈意向判别报告的对话文本核对报告尽可能精准可靠。
在一些示例下,S104,依据最少两种异类服务对话文本各自对应的文本语义意向字段利用对应的欺诈意向判别组件进行对话文本核对,得到最少两种异类服务对话文本对应的对话文本核对报告,包括S502和S504。
S502,通过第一欺诈意向判别组件确定最少两种异类服务对话文本中第一类服务对话文本对应的文本语义意向字段与最少两种异类服务对话文本中第二类服务对话文本对应的文本语义意向字段之间的语义意向共性度量值。
其中,语义意向共性度量值用于表征异类服务对话文本之间的文本语义特征相似性,语义意向共性度量值越大表明异类服务对话文本越类似。
示例性的,AI欺诈分析服务器通过第一欺诈意向判别组件确定最少两种异类服务对话文本中第一类服务对话文本对应的文本语义意向字段与最少两种异类服务对话文本中第二类服务对话文本对应的文本语义意向字段之间的语义意向共性度量值。在一些示例下,AI欺诈分析服务器也可以直接使用特征相似性分析策略计算第一类服务对话文本对应的文本语义意向字段与第二类服务对话文本对应的文本语义意向字段之间的语义意向共性度量值,特征相似性分析策略可以包括余弦相似度运算规则等。
S504,当语义意向共性度量值超过设定文本核对评价限值时,得到第一类服务对话文本与第二类服务对话文本对应的对话文本核对报告为对话文本核对成功,对话文本核对成功用于表征异类服务对话文本是基于相同在线服务客户端在相同时间获取到的服务对话文本。
示例性的,AI欺诈分析服务器比较语义意向共性度量值与设定文本核对评价限值,当语义意向共性度量值超过设定文本核对评价限值时,说明该第一类服务对话文本和第二类服务对话文本时使用相同在线服务客户端在相同时间采集到同一在线服务客户端的服务对话文本,因此,得到第一类服务对话文本与第二类服务对话文本对应的对话文本核对报告为对话文本核对成功。当语义意向共性度量值未超过设定文本核对评价限值时,说明该第一类服务对话文本和第二类服务对话文本时并不是基于相同在线服务客户端在相同时间采集到同一在线服务客户端的服务对话文本,得到第一类服务对话文本与第二类服务对话文本对应的对话文本核对报告为对话文本核对失败。
可见,通过欺诈意向判别组件确定第一类服务对话文本的文本语义意向字段与第二类服务对话文本的文本语义意向字段之间的语义意向共性度量值,进而根据语义意向共性度量值确定第一类服务对话文本和第二类服务对话文本对应的对话文本核对报告,提高了对话文本核对报告的准确性,能够保障异类服务对话文本的内容匹配性和判别一致性,这样在进行欺诈意向判别时能够提升针对不同类的服务对话文本的抗干扰效果,进而提升欺诈风险决策观点的精度和可信度。
在一些示例下,对话大数据欺诈分析网络包括对话文本调整组件;在S104之前,即在通过文本语义挖掘组件提取最少两种异类服务对话文本各自对应的文本语义意向字段,将最少两种异类服务对话文本各自对应的文本语义意向字段加载到对应的欺诈意向判别组件进行欺诈意向判别,得到最少两种异类服务对话文本对应的欺诈意向判别报告,并依据最少两种异类服务对话文本各自对应的文本语义意向字段利用对应的欺诈意向判别组件进行对话文本核对,得到最少两种异类服务对话文本对应的对话文本核对报告之前,还包括步骤:对话大数据欺诈分析网络将最少两种异类服务对话文本中第二类服务对话文本加载至对话文本调整组件中进行对话文本调整,得到与最少两种异类服务对话文本中第一类服务对话文本的类别相同的调整文本,将调整文本作为第二类服务对话文本。
其中,对话文本调整组件用于将异类服务对话文本调整为相同类别的服务对话文本,比如中英文服务对话文本之间的调整。
示例性的,AI欺诈分析服务器中的对话大数据欺诈分析网络中还可以包括有对话文本调整组件,然后将需要进行调整的第二类服务对话文本加载至对话文本调整组件中进行对话文本调整,得到输出的与第一类服务对话文本的类别相同的调整文本,将该调整文本作为第二类服务对话文本,然后使用第一类服务对话文本和第二类服务对话文本通过对话大数据欺诈分析网络进行欺诈意向判别。
在一些示例下,也可以在获得待进行欺诈分析的目标服务对话文本之后,直接将需要进行调整的服务对话文本进行调整,然后将调整后的服务对话文本加载至对话大数据欺诈分析网络中进行欺诈意向判别。
可见,通过将异类服务对话文本调整成相同类别的服务对话文本,然后使用相同类别的服务对话文本进行欺诈意向判别,提高了欺诈意向判别的效率,可以更方便对服务对话文本进行欺诈意向判别。
在一些示例下,S106,即依据欺诈意向判别报告和对话文本核对报告确定待进行欺诈分析的目标服务对话文本对应的欺诈风险决策观点,包括步骤:当最少两种异类服务对话文本为具有欺诈风险的对话文本,对话文本核对报告为对话文本核对成功时,得到欺诈风险决策观点为存在欺诈风险。
示例性的,AI欺诈分析服务器判断当异类服务对话文本的欺诈意向判别报告全为具有欺诈风险的对话文本,并且所有的对话文本核对报告为对话文本核对成功时,得到欺诈风险决策观点为存在欺诈风险,即该待进行欺诈分析的目标服务对话文本为具有欺诈风险的对话文本。AI欺诈分析服务器判断当异类服务对话文本对应的欺诈意向判别报告中存在不具有欺诈风险的对话文本或者对话文本核对报告中存在对话文本核对失败时,得到欺诈风险决策观点为不具有欺诈风险。
可见,AI欺诈分析服务器当最少两种异类服务对话文本为具有欺诈风险的对话文本,对话文本核对报告为对话文本核对成功时,得到欺诈风险决策观点为存在欺诈风险,仅全部欺诈意向判别组件的欺诈意向判别报告都为具有欺诈风险的对话文本且对话文本核对成功时,才能得到欺诈意向判别同的判别信息,从而使得到的欺诈意向判别报告优化准确。
在一些示例下,对话大数据欺诈分析网络的调试包括以下S602-S610。
S602,获得调试样例集,调试样例集包括最少两种异类服务对话学习文本和对应的调试学习注释。
其中,调试样例集是指用于调试对话大数据欺诈分析网络的训练样本。调试学习注释包括欺诈意向判别的调试学习注释和文本核对的调试学习注释,欺诈意向判别的调试学习注释用于表征服务对话文本对应的欺诈意向判别观点,包括具有欺诈风险的观点结果和不具有欺诈风险的观点结果。文本核对的调试学习注释用于表征对话文本核对所对应的结果,包括对话文本核对成功注释和对话文本核对失败注释。
示例性的,AI欺诈分析服务器可以从云共享空间中获得到调试样例集,该调试样例集中包括最少两种异类服务对话学习文本和对应的调试学习注释。比如,调试样例集中包括两种异类服务对话学习文本和对应的调试学习注释,得到的一组服务对话学习文本可以是以(第一类服务对话文本,第一类服务对话文本的欺诈意向判别标签,第二类服务对话文本,第二类服务对话文本的欺诈意向判别标签,第一类服务对话文本和第二类服务对话文本对应的文本核对的调试学习注释)的存储模式上传至云共享空间中的,AI欺诈分析服务器从云共享空间中获取服务对话学习文本。
S604,将最少两种异类服务对话学习文本加载到待调试对话大数据欺诈分析网络中,待调试对话大数据欺诈分析网络通过待调试文本语义挖掘组件最少两种异类服务对话学习文本各自对应的文本语义意向字段样例,将最少两种异类服务对话学习文本各自对应的文本语义意向字段样例加载到对应的待调试欺诈意向判别组件进行欺诈意向判别,得到最少两种异类服务对话学习文本对应的原始欺诈意向判别报告,并依据最少两种异类服务对话学习文本各自对应的文本语义意向字段样例利用对应的待调试欺诈意向判别组件进行对话文本核对,得到最少两种异类服务对话学习文本对应的原始对话文本核对报告。
其中,待调试对话大数据欺诈分析网络是指所有模型配置变量初始化的对话大数据欺诈分析网络。待调试文本语义挖掘组件是指文本语义挖掘组件中模型配置变量待调试。待调试欺诈意向判别组件是指欺诈意向判别组件中的模型配置变量待调试。原始欺诈意向判别报告是指依据初始化变量得到的欺诈意向判别报告。原始对话文本核对报告是指依据初始化变量得到的对话文本核对报告。
示例性的,AI欺诈分析服务器在调试对话大数据欺诈分析网络时进行前馈处理,即将最少两种异类服务对话学习文本加载到待调试对话大数据欺诈分析网络中,待调试对话大数据欺诈分析网络通过待调试文本语义挖掘组件最少两种异类服务对话学习文本各自对应的文本语义意向字段样例,异类服务对话学习文本有不同的文本语义意向字段样例,将最少两种异类服务对话学习文本各自对应的文本语义意向字段样例加载到对应的待调试欺诈意向判别组件进行欺诈意向判别,得到最少两种异类服务对话学习文本对应的原始欺诈意向判别报告,异类服务对话学习文本有不同的原始欺诈意向判别报告。并依据最少两种异类服务对话学习文本各自对应的文本语义意向字段样例利用对应的待调试欺诈意向判别组件进行对话文本核对,得到最少两种异类服务对话学习文本对应的原始对话文本核对报告,即AI欺诈分析服务器在进行多分支网络调试时,在神经网络中同时进行多个分支的前馈处理(前向传播)。
S606,依据原始欺诈意向判别报告和调试学习注释中对应的欺诈意向判别的调试学习注释进行调试代价确定,得到最少两种异类服务对话学习文本对应的欺诈意向判别代价数据,并依据原始对话文本核对报告和调试学习注释中对应的参考文本核对注释进行调试代价确定,得到最少两种异类服务对话学习文本对应的对话文本核对代价数据。
其中,欺诈意向判别代价数据用于表征原始欺诈意向判别报告和对应的欺诈意向判别的调试学习注释之间的区别。对话文本核对代价数据用于表征原始对话文本核对报告与对应的参考文本核对注释之间的区别。
示例性的,AI欺诈分析服务器使用事先完成配置的判别代价指标计算原始欺诈意向判别报告和调试学习注释中对应的欺诈意向判别的调试学习注释的误差,得到最少两种异类服务对话学习文本对应的欺诈意向判别代价数据,同时使用事先完成配置的判别代价指标计算原始对话文本核对报告和对应的参考文本核对注释之间的区别信息,得到对话文本核对代价数据。其中,判别代价指标可以是三元组损失。
S608,依据最少两种异类服务对话学习文本对应的欺诈意向判别代价数据反馈调试对应的待调试欺诈意向判别组件和待调试文本语义挖掘组件,并根据对话文本核对代价数据反馈调试对应的待调试欺诈意向判别组件和待调试文本语义挖掘组件,得到对话大数据欺诈分析调试网络。
其中,对话大数据欺诈分析调试网络是指网络中模型配置变量优化后的对话大数据欺诈分析网络。
示例性的,AI欺诈分析服务器依据反馈算法使用欺诈意向判别代价数据反馈调试对应的待调试欺诈意向判别组件和待调试文本语义挖掘组件,即优化每个对欺诈意向判别报告存在贡献的模型配置变量。并通过依据反馈算法使用对话文本核对代价数据反馈调试对应的待调试欺诈意向判别组件和待调试文本语义挖掘组件,即优化每个对对话文本核对报告存在贡献的模型配置变量,得到对话大数据欺诈分析调试网络。其中,反馈算法可以是Adam算法等。
S610,将对话大数据欺诈分析调试网络作为原始对话大数据欺诈分析网络,并跳转至将最少两种异类服务对话学习文本加载到待调试对话大数据欺诈分析网络中的步骤,直至调试完成,得到对话大数据欺诈分析网络。
示例性的,AI欺诈分析服务器将对话大数据欺诈分析调试网络作为原始对话大数据欺诈分析网络,并跳转至将最少两种异类服务对话学习文本加载到待调试对话大数据欺诈分析网络中的步骤进行执行,直至达到调试终止要求时,将最后一次调试得到的对话大数据欺诈分析调试网络作为调试完成的对话大数据欺诈分析网络。其中,调试终止要求可以是调试达到最大循环轮次、模型配置变量收敛或者代价数据达到事先完成配置的阈值。然后AI欺诈分析服务器可以将调试得到的对话大数据欺诈分析网络投入使用。
可见,通过预先使用调试样例集调试得到的对话大数据欺诈分析网络,然后投入使用,能够提升对话欺诈分析的精度和可靠性。
在一些示例下,待调试对话大数据欺诈分析网络包括最少两种待调试文本语义挖掘组件;S608,即依据最少两种异类服务对话学习文本对应的欺诈意向判别代价数据反馈调试对应的待调试欺诈意向判别组件和待调试文本语义挖掘组件,并根据对话文本核对代价数据反馈调试对应的待调试欺诈意向判别组件和待调试文本语义挖掘组件,得到对话大数据欺诈分析调试网络,包括S702-S706。
S702,依据最少两种异类服务对话学习文本对应的欺诈意向判别代价数据优化对应的待调试文本语义挖掘组件和对应的待调试欺诈意向判别组件,并根据最少两种异类服务对话学习文本对应的对话文本核对代价数据反馈调试对应的待调试欺诈意向判别组件和对应的待调试文本语义挖掘组件,得到最少两种候选文本语义挖掘组件。
其中,候选文本语义挖掘组件是指需要判断模型配置变量优化是否达标的文本语义挖掘组件。
示例性的,AI欺诈分析服务器使用欺诈意向判别代价数据优化对应的待调试文本语义挖掘组件和对应的待调试欺诈意向判别组件,比如,欺诈意向判别代价数据为中文类服务对话文本对应的欺诈意向判别代价数据,则使用该欺诈意向判别代价数据优化提取该中文类服务对话文本的待调试文本语义挖掘组件和进行中文类服务对话文本欺诈意向判别的待调试欺诈意向判别组件。同时使用对话文本核对代价数据反馈调试对应的待调试欺诈意向判别组件和对应的待调试文本语义挖掘组件。比如,对话文本核对代价数据为中文类服务对话文本和英文类服务对话文本对应的对话文本核对代价数据,在此情况下使用该对话文本核对代价数据优化验证中文类服务对话文本和英文类服务对话文本一致性的待调试欺诈意向判别组件、提取中文类服务对话文本的待调试文本语义挖掘组件和提取英文类服务对话文本的待调试文本语义挖掘组件。在完成优化后,得到最少两种候选文本语义挖掘组件。
S704,确定最少两种候选文本语义挖掘组件中模型配置变量之间的模型配置代价值。
示例性的,AI欺诈分析服务器计算最少两种候选文本语义挖掘组件中模型配置变量之间的模型配置代价值,即将候选文本语义挖掘组件中模型配置变量加载至事先完成配置的损失函数中计算模型配置变量之间的差异值。
S706,当模型配置代价值小于设定模型配置代价阈值时,得到最少两种优化文本语义挖掘组件,依据最少两种优化文本语义挖掘组件得到对话大数据欺诈分析调试网络。
示例性的,设定模型配置代价阈值是指事先完成配置的模型配置变量之间的区别阈值。AI欺诈分析服务器比较模型配置代价值和设定模型配置代价阈值,当模型配置代价值小于设定模型配置代价阈值时,得到最少两种优化文本语义挖掘组件,依据最少两种优化文本语义挖掘组件得到对话大数据欺诈分析调试网络。当模型配置代价值未小于设定模型配置代价阈值时,再次进行模型配置变量的优化或者对模型配置变量进行调整,直至模型配置代价值小于设定模型配置代价阈值。
可见,通过计算最少两种候选文本语义挖掘组件中模型配置变量之间的模型配置代价值,进而得到最少两种优化文本语义挖掘组件,然后依据最少两种优化文本语义挖掘组件得到对话大数据欺诈分析网络,从而使调试得到的对话大数据欺诈分析网络的性能得到保障。
在一些可能的设计思路下,提供一种在线服务对话大数据的欺诈分析方法,示例性包括S802-S816。
S802,获得原始服务对话文本流,对原始服务对话文本流中各个原始服务对话文本进行文本细粒度分析,得到各个原始服务对话的文本细粒度评分,依据各个原始服务对话的文本细粒度评分从各个原始服务对话文本中进行服务对话文本挑选,得到待进行欺诈分析的目标服务对话文本,待进行欺诈分析的目标服务对话文本包括最少两种异类服务对话文本。
S804,将待进行欺诈分析的目标服务对话文本加载至对话大数据欺诈分析网络中,对话大数据欺诈分析网络将最少两种异类服务对话文本中第二类服务对话文本加载至对话文本调整组件中进行对话文本调整,得到与最少两种异类服务对话文本中第一类服务对话文本的类别相同的调整文本,将调整文本作为第二类服务对话文本。
S806,对话大数据欺诈分析网络通过文本语义挖掘组件提取最少两种异类服务对话文本各自对应的文本语义意向字段,将最少两种异类服务对话文本中第一类服务对话文本对应的文本语义意向字段加载到对应的第一欺诈意向判别组件中进行欺诈意向判别,得到第一类服务对话文本对应的第一欺诈意向判别报告。
S808,对话大数据欺诈分析网络将最少两种异类服务对话文本中第二类服务对话文本对应的文本语义意向字段加载到对应的第二欺诈意向判别组件中进行欺诈意向判别,得到第二类服务对话文本对应的第二欺诈意向判别报告。
S810,对话大数据欺诈分析网络将最少两种异类服务对话文本中第三类服务对话文本对应的文本语义意向字段加载到对应的第三欺诈意向判别组件中进行欺诈意向判别,得到第三类服务对话文本对应的第三欺诈意向判别报告。
S812,对话大数据欺诈分析网络将第一类服务对话文本对应的文本语义意向字段和第二类服务对话文本对应的文本语义意向字段输入第一对话文本核对组件中进行对话文本核对,得到第一类服务对话文本和第二类服务对话文本对应的第一对话文本核对报告。
S814,对话大数据欺诈分析网络将第一类服务对话文本对应的文本语义意向字段和第三类服务对话文本对应的文本语义意向字段输入第二对话文本核对组件中进行对话文本核对,得到第一类服务对话文本和第三类服务对话文本对应的第二对话文本核对报告。
S816,依据第一欺诈意向判别报告、第二欺诈意向判别报告、第三欺诈意向判别报告、第一对话文本核对报告和第二对话文本核对报告确定待进行欺诈分析的目标服务对话文本对应的欺诈风险决策观点。
可以理解,本发明实施例在确定待进行欺诈分析的目标服务对话文本对应的欺诈风险决策观点时,能够基于不同类型的服务对话文本实现,且不同类型的服务对话文本指向相同在线服务客户端,因而可以提高欺诈风险决策观点确定的精度和抗干扰性。
在一些可独立的实施例中,在所述依据所述欺诈意向判别报告和所述对话文本核对报告确定所述目标服务对话文本对应的欺诈风险决策观点之后,所述方法还包括:基于所述欺诈风险决策观点,生成针对所述目标服务对话文本的反欺诈提示信息。
在一些可独立的实施例中,所述基于所述欺诈风险决策观点,生成针对所述目标服务对话文本的反欺诈提示信息,包括:基于所述欺诈风险决策观点获取所述目标服务对话文本中的欺诈诱导词语序列和欺诈诱导段落序列;基于所述目标服务对话文本中的欺诈诱导词语序列和欺诈诱导段落序列之间的上下游特征,对所述目标服务对话文本中的欺诈诱导词语序列和欺诈诱导段落序列进行关联,得到序列关联结果;将未完成关联的欺诈诱导段落序列确定为待处理欺诈诱导段落序列,根据所述序列关联结果中的欺诈诱导段落序列与所述待处理欺诈诱导段落序列之间的共性度量值,确定与所述待处理欺诈诱导段落序列相匹配的欺诈方式预测结果;对与所述待处理欺诈诱导段落序列相匹配的欺诈方式预测结果和所述待处理欺诈诱导段落序列进行关联,得到欺诈预测关联结果;根据所述欺诈预测关联结果和所述序列关联结果,确定所述目标服务对话文本对应的反欺诈提示消息队列。如此一来,能够基于欺诈风险决策观点对目标服务对话文本进行拆分以得到欺诈诱导词语序列和欺诈诱导段落序列,从而基于词语层面和段落层面准确完整地生成目标服务对话文本对应的反欺诈提示消息队列。
进一步地,还提供了一种可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述示例性描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
Claims (9)
1.一种在线服务对话大数据的欺诈分析方法,其特征在于,应用于AI欺诈分析服务器,所述方法包括:
获得待进行欺诈分析的目标服务对话文本,所述目标服务对话文本包括最少两种异类服务对话文本;
将所述目标服务对话文本加载至对话大数据欺诈分析网络中,所述对话大数据欺诈分析网络通过文本语义挖掘组件挖掘所述最少两种异类服务对话文本各自对应的文本语义意向字段,将所述最少两种异类服务对话文本各自对应的文本语义意向字段加载到对应的欺诈意向判别组件进行欺诈意向判别,得到所述最少两种异类服务对话文本对应的欺诈意向判别报告,并依据所述最少两种异类服务对话文本各自对应的文本语义意向字段利用对应的欺诈意向判别组件进行对话文本核对,得到所述最少两种异类服务对话文本对应的对话文本核对报告;
依据所述欺诈意向判别报告和所述对话文本核对报告确定所述目标服务对话文本对应的欺诈风险决策观点;
所述对话大数据欺诈分析网络的调试包括以下步骤:
获得调试样例集,所述调试样例集包括最少两种异类服务对话学习文本和对应的调试学习注释;
将所述最少两种异类服务对话学习文本加载到待调试对话大数据欺诈分析网络中,所述待调试对话大数据欺诈分析网络通过待调试文本语义挖掘组件最少两种异类服务对话学习文本各自对应的文本语义意向字段样例,将所述最少两种异类服务对话学习文本各自对应的文本语义意向字段样例加载到对应的待调试欺诈意向判别组件进行欺诈意向判别,得到所述最少两种异类服务对话学习文本对应的原始欺诈意向判别报告,并依据所述最少两种异类服务对话学习文本各自对应的文本语义意向字段样例利用对应的待调试欺诈意向判别组件进行对话文本核对,得到所述最少两种异类服务对话学习文本对应的原始对话文本核对报告;
依据所述原始欺诈意向判别报告和所述调试学习注释中对应的欺诈意向判别的调试学习注释进行调试代价确定,得到所述最少两种异类服务对话学习文本对应的欺诈意向判别代价数据,并依据所述原始对话文本核对报告和所述调试学习注释中对应的参考文本核对注释进行调试代价确定,得到所述最少两种异类服务对话学习文本对应的对话文本核对代价数据;
依据所述最少两种异类服务对话学习文本对应的欺诈意向判别代价数据反馈调试对应的待调试欺诈意向判别组件和所述待调试文本语义挖掘组件,并根据所述对话文本核对代价数据反馈调试对应的待调试欺诈意向判别组件和所述待调试文本语义挖掘组件,得到对话大数据欺诈分析调试网络;
将所述对话大数据欺诈分析调试网络作为原始对话大数据欺诈分析网络,并跳转至将所述最少两种异类服务对话学习文本加载到待调试对话大数据欺诈分析网络中的步骤,直至调试完成,得到所述对话大数据欺诈分析网络;
其中,所述待调试对话大数据欺诈分析网络包括最少两种待调试文本语义挖掘组件;所述依据所述最少两种异类服务对话学习文本对应的欺诈意向判别代价数据反馈调试对应的待调试欺诈意向判别组件和所述待调试文本语义挖掘组件,并根据所述对话文本核对代价数据反馈调试对应的待调试欺诈意向判别组件和所述待调试文本语义挖掘组件,得到对话大数据欺诈分析调试网络,包括:依据所述最少两种异类服务对话学习文本对应的欺诈意向判别代价数据优化对应的待调试文本语义挖掘组件和对应的待调试欺诈意向判别组件,并根据所述最少两种异类服务对话学习文本对应的对话文本核对代价数据反馈调试对应的待调试欺诈意向判别组件和对应的待调试文本语义挖掘组件,得到最少两种候选文本语义挖掘组件;确定所述最少两种候选文本语义挖掘组件中模型配置变量之间的模型配置代价值;当所述模型配置代价值小于设定模型配置代价阈值时,得到最少两种优化文本语义挖掘组件,依据所述最少两种优化文本语义挖掘组件得到所述对话大数据欺诈分析调试网络。
2.根据权利要求1所述的方法,其特征在于,将所述最少两种异类服务对话文本各自对应的文本语义意向字段加载到对应的欺诈意向判别组件进行欺诈意向判别,得到所述最少两种异类服务对话文本对应的欺诈意向判别报告,并依据所述最少两种异类服务对话文本各自对应的文本语义意向字段利用对应的欺诈意向判别组件进行对话文本核对,得到所述最少两种异类服务对话文本对应的对话文本核对报告,包括:
将所述最少两种异类服务对话文本中第一类服务对话文本对应的文本语义意向字段加载到对应的第一欺诈意向判别组件中进行欺诈意向判别,得到所述第一类服务对话文本对应的第一欺诈意向判别报告;
将所述最少两种异类服务对话文本中第二类服务对话文本对应的文本语义意向字段加载到对应的第二欺诈意向判别组件中进行欺诈意向判别,得到所述第二类服务对话文本对应的第二欺诈意向判别报告;
将所述第一类服务对话文本对应的文本语义意向字段和所述第二类服务对话文本对应的文本语义意向字段输入第一对话文本核对组件中进行对话文本核对,得到所述第一类服务对话文本和第二类服务对话文本对应的第一对话文本核对报告;
所述依据所述欺诈意向判别报告和所述对话文本核对报告确定所述目标服务对话文本对应的欺诈风险决策观点,包括:
依据所述第一欺诈意向判别报告、第二欺诈意向判别报告和第一对话文本核对报告确定所述目标服务对话文本对应的欺诈风险决策观点;
其中,在所述将所述最少两种异类服务对话文本中第二类服务对话文本对应的文本语义意向字段加载到对应的第二欺诈意向判别组件中进行欺诈意向判别,得到所述第二类服务对话文本对应的第二欺诈意向判别报告之后,还包括:将所述最少两种异类服务对话文本中第三类服务对话文本对应的文本语义意向字段加载到对应的第三欺诈意向判别组件中进行欺诈意向判别,得到所述第三类服务对话文本对应的第三欺诈意向判别报告;所述方法还包括:将所述第一类服务对话文本对应的文本语义意向字段和所述第三类服务对话文本对应的文本语义意向字段输入第二对话文本核对组件中进行对话文本核对,得到所述第一类服务对话文本和第三类服务对话文本对应的第二对话文本核对报告;依据所述第一欺诈意向判别报告、第二欺诈意向判别报告、第三欺诈意向判别报告、第一对话文本核对报告和所述第二对话文本核对报告确定所述目标服务对话文本对应的欺诈风险决策观点。
3.根据权利要求1所述的方法,其特征在于,所述获得待进行欺诈分析的目标服务对话文本,包括:
获得原始服务对话文本流,对所述原始服务对话文本流中各个原始服务对话文本进行文本细粒度分析,得到所述各个原始服务对话的文本细粒度评分;
依据所述各个原始服务对话的文本细粒度评分从所述各个原始服务对话文本中进行服务对话文本挑选,得到待进行欺诈分析的目标服务对话文本。
4.根据权利要求1所述的方法,其特征在于,所述对话大数据欺诈分析网络包括最少两种文本语义挖掘组件;
所述通过文本语义挖掘组件挖掘所述最少两种异类服务对话文本各自对应的文本语义意向字段,包括:
将所述最少两种异类服务对话文本分别加载到对应的文本语义挖掘组件中进行文本语义挖掘,得到所述最少两种异类服务对话文本各自对应的目标文本语义意向字段;其中,所述最少两种文本语义挖掘组件中模型配置变量之间的代价值小于设定限值;
所述将所述最少两种异类服务对话文本各自对应的文本语义意向字段加载到对应的欺诈意向判别组件进行欺诈意向判别,得到所述最少两种异类服务对话文本对应的欺诈意向判别报告,并依据所述最少两种异类服务对话文本各自对应的文本语义意向字段利用对应的欺诈意向判别组件进行对话文本核对,得到所述最少两种异类服务对话文本对应的对话文本核对报告,包括:
将所述最少两种异类服务对话文本各自对应的目标文本语义意向字段加载到对应的欺诈意向判别组件进行欺诈意向判别,得到所述最少两种异类服务对话文本对应的目标欺诈意向判别报告;
将所述最少两种异类服务对话文本各自对应的目标文本语义意向字段利用对应的欺诈意向判别组件进行对话文本核对,得到所述最少两种异类服务对话文本对应的目标对话文本核对报告。
5.根据权利要求1所述的方法,其特征在于,所述依据所述最少两种异类服务对话文本各自对应的文本语义意向字段利用对应的欺诈意向判别组件进行对话文本核对,得到所述最少两种异类服务对话文本对应的对话文本核对报告,包括:
通过第一欺诈意向判别组件确定所述最少两种异类服务对话文本中第一类服务对话文本对应的文本语义意向字段与所述最少两种异类服务对话文本中第二类服务对话文本对应的文本语义意向字段之间的语义意向共性度量值;
当所述语义意向共性度量值超过设定文本核对评价限值时,得到所述第一类服务对话文本与所述第二类服务对话文本对应的对话文本核对报告为对话文本核对成功,所述对话文本核对成功用于表征异类服务对话文本是基于相同在线服务客户端在相同时间获取到的服务对话文本。
6.根据权利要求1所述的方法,其特征在于,所述对话大数据欺诈分析网络包括对话文本调整组件;
在所述通过文本语义挖掘组件挖掘所述最少两种异类服务对话文本各自对应的文本语义意向字段,将所述最少两种异类服务对话文本各自对应的文本语义意向字段加载到对应的欺诈意向判别组件进行欺诈意向判别,得到所述最少两种异类服务对话文本对应的欺诈意向判别报告,并依据所述最少两种异类服务对话文本各自对应的文本语义意向字段利用对应的欺诈意向判别组件进行对话文本核对,得到所述最少两种异类服务对话文本对应的对话文本核对报告之前,还包括:
所述对话大数据欺诈分析网络将所述最少两种异类服务对话文本中第二类服务对话文本加载至所述对话文本调整组件中进行对话文本调整,得到与所述最少两种异类服务对话文本中第一类服务对话文本的类别相同的调整文本,将所述调整文本作为所述第二类服务对话文本。
7.根据权利要求1所述的方法,其特征在于,所述依据所述欺诈意向判别报告和所述对话文本核对报告确定所述目标服务对话文本对应的欺诈风险决策观点,包括:
当所述最少两种异类服务对话文本为具有欺诈风险的对话文本,所述对话文本核对报告为对话文本核对成功时,得到所述欺诈风险决策观点为存在欺诈风险。
8.一种AI欺诈分析服务器,其特征在于,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述权利要求1-7任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序在运行时实现上述权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310825506.5A CN116542259B (zh) | 2023-07-06 | 2023-07-06 | 在线服务对话大数据的欺诈分析方法、服务器及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310825506.5A CN116542259B (zh) | 2023-07-06 | 2023-07-06 | 在线服务对话大数据的欺诈分析方法、服务器及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116542259A CN116542259A (zh) | 2023-08-04 |
CN116542259B true CN116542259B (zh) | 2023-09-05 |
Family
ID=87456418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310825506.5A Active CN116542259B (zh) | 2023-07-06 | 2023-07-06 | 在线服务对话大数据的欺诈分析方法、服务器及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542259B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399925A (zh) * | 2019-07-26 | 2019-11-01 | 腾讯科技(武汉)有限公司 | 账号的风险识别方法、装置及存储介质 |
CN110781916A (zh) * | 2019-09-18 | 2020-02-11 | 平安科技(深圳)有限公司 | 视频数据的欺诈检测方法、装置、计算机设备和存储介质 |
CN112468433A (zh) * | 2019-09-06 | 2021-03-09 | 詹春婷 | 一种诈骗监控程序 |
CN115221864A (zh) * | 2022-07-28 | 2022-10-21 | 南京航空航天大学 | 一种多模态假新闻检测方法及系统 |
-
2023
- 2023-07-06 CN CN202310825506.5A patent/CN116542259B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399925A (zh) * | 2019-07-26 | 2019-11-01 | 腾讯科技(武汉)有限公司 | 账号的风险识别方法、装置及存储介质 |
CN112468433A (zh) * | 2019-09-06 | 2021-03-09 | 詹春婷 | 一种诈骗监控程序 |
CN110781916A (zh) * | 2019-09-18 | 2020-02-11 | 平安科技(深圳)有限公司 | 视频数据的欺诈检测方法、装置、计算机设备和存储介质 |
CN115221864A (zh) * | 2022-07-28 | 2022-10-21 | 南京航空航天大学 | 一种多模态假新闻检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116542259A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110096570B (zh) | 一种应用于智能客服机器人的意图识别方法及装置 | |
CN109960725B (zh) | 基于情感的文本分类处理方法、装置和计算机设备 | |
US10243982B2 (en) | Log analyzing device, attack detecting device, attack detection method, and program | |
CN108256591B (zh) | 用于输出信息的方法和装置 | |
US20190311114A1 (en) | Man-machine identification method and device for captcha | |
CN108491406B (zh) | 信息分类方法、装置、计算机设备和存储介质 | |
Zamora-Reina et al. | LSCDiscovery: A shared task on semantic change discovery and detection in Spanish | |
CN115328756A (zh) | 一种测试用例生成方法、装置及设备 | |
CN111090735B (zh) | 一种基于知识图谱的智能问答方法的性能评价方法 | |
CN110858176B (zh) | 代码质量评估方法、装置、系统及存储介质 | |
CN112036323B (zh) | 签名笔迹鉴别方法、客户端及服务器 | |
CN114818643B (zh) | 一种保留特定业务信息的日志模板提取方法及装置 | |
Abuhamad et al. | Multi-χ: Identifying multiple authors from source code files | |
Abdallah et al. | Age and gender prediction in open domain text | |
CN113312258B (zh) | 一种接口测试方法、装置、设备及存储介质 | |
CN116542259B (zh) | 在线服务对话大数据的欺诈分析方法、服务器及介质 | |
CN112579781B (zh) | 文本归类方法、装置、电子设备及介质 | |
KR20220060843A (ko) | 머신러닝과 시그니처 매칭을 결합한 문서형 악성코드 탐지 장치 및 방법 | |
CN111552785A (zh) | 人机交互系统数据库更新方法、装置、计算机设备和介质 | |
CN114444514B (zh) | 语义匹配模型训练、语义匹配方法及相关装置 | |
CN116226915A (zh) | 大数据匿名迁移处理方法及匿名迁移处理服务器 | |
KR102243258B1 (ko) | 텍스트 및 키워드 마이닝을 통한 디버깅을 수행하는 장치 및 그 방법 | |
CN114610576A (zh) | 一种日志生成监控方法和装置 | |
CN114417883A (zh) | 一种数据处理方法、装置及设备 | |
CN114444332B (zh) | 一种风洞试验颤振稳定性参数预测方法及装置 |
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 |