CN117455498A - 一种反电信网络诈骗智能劝阻系统及方法 - Google Patents
一种反电信网络诈骗智能劝阻系统及方法 Download PDFInfo
- Publication number
- CN117455498A CN117455498A CN202311733164.0A CN202311733164A CN117455498A CN 117455498 A CN117455498 A CN 117455498A CN 202311733164 A CN202311733164 A CN 202311733164A CN 117455498 A CN117455498 A CN 117455498A
- Authority
- CN
- China
- Prior art keywords
- fraud
- early warning
- warning data
- module
- risk
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000011282 treatment Methods 0.000 claims abstract description 46
- 238000012502 risk assessment Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000011269 treatment regimen Methods 0.000 claims abstract description 15
- 238000007405 data analysis Methods 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims description 48
- 230000008451 emotion Effects 0.000 claims description 40
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000003058 natural language processing Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000005065 mining Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000003786 synthesis reaction Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 241001622623 Coeliadinae Species 0.000 claims description 6
- 230000000977 initiatory effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 8
- 230000002265 prevention Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 6
- 238000012546 transfer Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Abstract
本发明公开了一种反电信网络诈骗智能劝阻系统及方法，涉及电信网络安全领域。该系统包括：预警数据接收模块，用于接收多个数据源的预警数据；预警数据处理模块，用于对预警数据进行处理；预警数据分析模块，用于根据预设的风险评估模型对处理后的预警数据进行风险评估，得出风险等级；智能反诈机器人模块，用于根据风险等级对预警数据采取不同的处置策略；预警数据反馈模块，用于将预警数据处置的结果通过数据安全接入边界反馈给国家反诈中心。本发明的有益效果是：能够有效地识别和防范各种类型和场景下的电信网络诈骗，提高潜在受害用户的安全意识和防范能力，减少电信网络诈骗的发生和损失，提升公安机关的反诈工作效率和水平。
Description
技术领域
本发明涉及电信网络安全领域，具体涉及一种反电信网络诈骗智能劝阻系统及方法。
背景技术
电信网络诈骗是指利用电话、网络等通信工具，通过虚构事实或者隐瞒真相的方式，诱骗他人财物的违法犯罪行为。为了有效防范和应对电信网络诈骗，需要建立一套完善的反电信网络诈骗系统，实现对潜在受害用户的实时预警、智能劝阻和快速处置。
目前，我国已经建立了一定规模的反电信网络诈骗中心，负责收集、分析、研判涉及电信网络诈骗的信息，及时向有关部门和单位发送预警信息，指导有关部门和单位开展预防和处置工作。但是这些系统存在一些问题和不足，主要表现在以下几个方面：
（1）预警数据处理的智能化水平不高，无法实现对潜在受害用户的精准分析。目前，大部分预警数据还依赖于人工审核和筛选，效率低下、准确率低下、及时性差；由于预警数据量大、来源多、类型复杂，人工审核费时费事、容易出错、难以覆盖所有场景；而且人工筛选存在主观判断和操作误差，可能导致漏报或者误报；另外，由于缺乏智能分析技术的支持，目前的预警数据处理难以实现对潜在受害用户的风险评估、问题识别、分类定位和预警提醒。
（2）智能劝阻的联动能力不强，无法实现对潜在受害用户的快速处置。目前，智能劝阻系统与其他相关部门和系统之间的信息共享和协同作用还不够充分，导致问题发现后不能及时通知和反馈给相关责任人员和部门，无法实现信息闭环。而且由于缺乏有效的指挥调度机制和手段，问题处置过程中可能出现责任不明确、协调不畅、效率不高等问题。
综上所述，目前我国反电信网络诈骗系统还存在很多问题和不足，亟需进行改进和创新。
发明内容
针对以上问题，本发明提供一种反电信网络诈骗智能劝阻系统，该系统旨在解决目前电信网络诈骗案件高发、受害群体广泛、防范效果不佳的技术问题，该系统包括：
预警数据接收模块，用于接收多个数据源的预警数据；
预警数据处理模块，用于对预警数据进行清洗、去重、格式转换处理，将处理后的预警数据存储在国家反诈中心数据库中，并将处理后的预警数据传输给预警数据分析模块；
预警数据分析模块，用于根据预设的风险评估模型对预警数据进行风险评估，得出风险等级，将其存储在国家反诈中心数据库中，并将风险等级和预警数据通过数据安全接入边界传输给智能反诈机器人模块；
智能反诈机器人模块，用于根据风险等级对预警数据采取不同的处置策略，并将处置结果传输给预警数据反馈模块；
预警数据反馈模块，用于将预警数据处置的结果通过数据安全接入边界反馈给国家反诈中心，以便进行统计分析和监督管理。
该系统具有以下有益效果：能够及时、准确、有效地识别出潜在的电信网络诈骗案件和受害用户，采取相应的劝阻和教育措施，提高公众的防范意识和能力，降低电信网络诈骗的发生率和损失率，维护社会秩序和公共安全。
该系统的工作原理是：通过多个数据源收集涉及电信网络诈骗的各类信息，对这些信息进行处理和分析，提取出相关的特征属性，并根据已知的诈骗样本和案例进行机器学习训练，生成涉诈资源模板库，然后根据涉诈资源模板库中的特征属性与从预警数据中提取出的特征属性进行相似度比对，计算出预警数据的风险评分，并根据预设的风险阈值划分出风险等级，再根据风险等级对预警数据采取不同的处置策略，并将处置结果反馈给国家反诈中心，以便进行统计分析和监督管理。
在较佳实施情况下，预警数据分析模块具体包括：
特征提取子模块，用于对预警数据进行特征提取，所述特征包括涉及潜在受害用户、诈骗分子、诈骗方式方面的特征属性；
模板构建子模块，用于根据已知的诈骗样本和案例数据进行机器学习训练，生成涉诈资源模板库，并根据新的预警数据不断更新和优化涉诈资源模板库；所述涉诈资源模板库中存储了各种类型和场景下的诈骗案例及其对应的特征属性；
风险评估子模块，用于根据涉诈资源模板库中的特征属性与从预警数据中提取出的特征属性进行相似度比对，计算预警数据的风险评分，并根据预设的风险阈值划分风险等级，将风险等级存储在国家反诈中心数据库中。
在较佳实施情况下，该模块旨在解决如何快速、准确、有效地对预警数据进行风险评估的技术问题，该模块采用了基于机器学习的风险评估模型，能够自动地从已知的诈骗样本和案例数据中学习出涉诈资源模板库，并根据新的预警数据不断更新和优化涉诈资源模板库，从而提高风险评估的准确性和实时性。
在较佳实施情况下，该模块具有以下有益效果：能够根据从预警数据中提取出的特征属性与涉诈资源模板库中的特征属性进行相似度比对，计算出预警数据的风险评分，并根据预设的风险阈值划分出风险等级，从而为后续的处置策略提供依据和指导。
该模块的工作原理是：通过对预警数据进行特征提取，得到相关的特征属性，并将这些特征表示为特征向量序列，然后将这些特征向量序列输入到模板生成模型中，得出特征向量序列对应的模板序列，并将这些模板序列存储在涉诈资源模板库中，并根据新的预警数据不断更新和优化涉诈资源模板库，然后根据涉诈资源模板库中的特征属性与从预警数据中提取出的特征属性进行相似度比对，计算出预警数据的风险评分，并根据预设的风险阈值划分出风险等级。
在较佳实施情况下，智能反诈机器人模块具体包括：
信息获取子模块，用于对预警数据进行分析和挖掘，提取出潜在受害用户的电话号码；
短信提醒子模块，用于向低风险等级的潜在受害用户发送预警短信，提示用户可能面临的诈骗类型和防范措施；
智能外呼子模块，用于向中风险等级的潜在受害用户发起智能语音电话，通过自然语言处理和语音识别技术与用户进行交互式对话，确认用户是否已经受骗或有受骗倾向，并给予相应的劝阻和指导；
人工外呼子模块，用于向高风险等级的潜在受害用户转接人工服务电话，由专业的反诈中心民警或工作人员与用户进行沟通和教育，阻止用户继续受骗或减少损失。
在较佳实施情况下，该模块旨在解决如何针对不同风险等级的潜在受害用户提供更加人性化和专业化的劝阻和教育服务的技术问题，该模块能够根据潜在受害用户的具体情况和需求，进行更加灵活和有效的对话和指导。
在较佳实施情况下，该模块具有以下有益效果：能够提高潜在受害用户的信任感和合作意愿，增强他们的自我保护意识和能力，避免他们陷入更深的危险和困境，或者帮助他们及时报警和取证，尽量减少损失。
该模块的工作原理是：通过对预警数据进行分析和挖掘，提取出低/中/高风险等级的潜在受害用户的电话号码，并对该潜在受害用户进行相应的劝阻措施，根据劝阻过程和结果生成处置结果，并将其反馈给预警数据反馈模块。
在较佳实施情况下，模板构建子模块具体包括：
数据预处理单元，用于对已知的诈骗样本和案例数据进行预处理，包括去噪、去重以及格式转换；
特征提取单元，用于对预处理后的诈骗样本和案例数据进行特征提取，包括涉及潜在受害用户、诈骗分子、诈骗方式方面的特征属性，并将提取出的特征表示为特征向量序列；
模板生成单元，用于将特征向量序列输入到模板生成模型中，得出特征向量序列对应的模板序列；
模板存储单元，用于将生成的模板序列存储在涉诈资源模板库中，并根据新的预警数据不断更新和优化涉诈资源模板库。
在较佳实施情况下，该子模块旨在解决如何从大量的诈骗样本和案例数据中自动地学习出涉诈资源模板库的技术问题，该子模块采用了基于机器学习的模板生成模型，能够根据不同类型和场景下的诈骗案例及其对应的特征属性，生成相应的模板序列，并将其存储在涉诈资源模板库中。
在较佳实施情况下，该子模块具有以下有益效果：能够提高涉诈资源模板库的覆盖率和准确率，使其能够适应各种类型和场景下的电信网络诈骗案件。
该子模块的工作原理是：通过对已知的诈骗样本和案例数据进行预处理，去除其中的噪声、重复以及不一致等问题，并将其转换为统一的格式；然后对预处理后的诈骗样本和案例数据进行特征提取，得到相关的特征属性，并将这些特征表示为特征向量序列；然后将这些特征向量序列输入到模板生成模型中，得出特征向量序列对应的模板序列，并将这些模板序列存储在涉诈资源模板库中，并根据新的预警数据不断更新和优化涉诈资源模板库。
在较佳实施情况下，风险评估子模块具体采用以下公式计算预警数据的风险评分：
其中，为风险评分数，/>为特征属性的个数，/>为第/>个特征属性的权重系数，/>为第/>个特征属性的相似度值，相似度值的计算公式为：
其中，为第/>个特征属性的维度，/>的取值范围为[1，n]，所述维度是指用来衡量特征属性的不同方面或者角度的数值，/>为涉诈资源模板库中第/>个特征属性的第/>个维度值，为特征提取子模块中的第/>个特征属性的第/>个维度值，所述维度值是指特征属性在某个维度上的具体数值。
在较佳实施情况下，该子模块旨在解决如何根据从预警数据中提取出的特征属性与涉诈资源模板库中的特征属性进行相似度比对，计算出预警数据的风险评分和风险等级的技术问题，该子模块采用了基于相似度比对和风险阈值划分的风险评估方法，能够根据不同类型和场景下的诈骗案例及其对应的特征属性，计算出预警数据与之之间的相似度，并根据预设的风险阈值划分出风险等级。
在较佳实施情况下，该子模块具有以下有益效果：能够提高风险评估的灵敏度和精确度，使其能够更好地区分出不同风险等级的潜在受害用户，并将这些特征表示为特征向量序列；然后根据涉诈资源模板库中存储了各种类型和场景下的诈骗案例及其对应的特征属性，与预警数据中的特征向量序列进行相似度比对，计算出每个特征属性的相似度值，并根据每个特征属性的权重系数，计算出预警数据的风险评分数；然后根据预设的风险阈值划分出风险等级。
在较佳实施情况下，智能外呼子模块具体包括：
呼叫控制子模块，用于根据潜在受害用户的电话号码进行呼叫控制，并记录呼叫结果；
对话生成子模块，用于根据呼叫结果和预设的对话模板生成相应的对话内容，并通过语音合成技术将其转换为语音信号；所述对话模板包括不同类型和场景下的电信网络诈骗劝阻对话内容及其对应的逻辑流程；
对话输出子模块，用于将语音信号输出给潜在受害用户，并通过语音识别技术将其回复转换为文本信号；
对话理解子模块，用于对文本信号进行自然语言处理和情感分析，判断潜在受害用户的意图和情绪，并根据其反馈调整对话内容和方式；
处置结果子模块，用于根据对话过程和结果生成处置结果，并将其反馈给预警数据反馈模块。
在较佳实施情况下，该子模块旨在解决如何针对中风险等级的潜在受害用户提供更加智能和友好的劝阻和教育服务的技术问题，该子模块采用了基于自然语言处理和语音识别技术的智能语音电话的方式，能够根据潜在受害用户的具体情况和需求，进行交互式的对话和指导。
在较佳实施情况下，该子模块具有以下有益效果：能够提高潜在受害用户的注意力和参与度，增强他们的防范意识和能力，避免他们轻信诈骗分子的谎言和诱惑，或者帮助他们及时察觉异常和求助。
该子模块的工作原理是：通过对预警数据进行分析和挖掘，提取出中风险等级的潜在受害用户的电话号码，并根据风险等级进行呼叫控制，并记录呼叫结果；然后根据呼叫结果和预设的对话模板生成相应的对话内容，并通过语音合成技术将其转换为语音信号；然后将语音信号输出给潜在受害用户，并通过语音识别技术将其回复转换为文本信号；然后对文本信号进行自然语言处理和情感分析，判断潜在受害用户的意图和情绪，并根据其反馈调整对话内容和方式；然后根据对话过程和结果生成处置结果，并将其反馈给预警数据反馈模块。
在较佳实施情况下，对话理解子模块具体包括：
自然语言处理子模块，用于将文本信号进行分词、词性标注、命名实体识别以及语法分析，并将处理结果表示为语义角色标注序列；
意图识别子模块，用于基于语义角色标注序列进行意图识别，得到潜在受害用户的意图类型和参数；
情感分析子模块，用于基于语义角色标注序列进行情感分析，得到潜在受害用户的情感极性和强度；
对话调整子模块，根据潜在受害用户的意图类型和参数、情感极性和强度，以及预设的对话规则和策略，调整对话内容和方式。
在较佳实施情况下，该方法旨在解决如何根据潜在受害用户的回复理解其意图和情绪，并根据其反馈调整对话内容和方式的技术问题，该方法采用了基于自然语言处理和情感分析的对话理解方法，能够对潜在受害用户的回复进行分词、词性标注、命名实体识别、语法分析等操作，并根据预设的对话规则和策略，调整对话内容和方式。
在较佳实施情况下，该方法具有以下有益效果：能够提高对话的自然性和友好性，使其能够更好地适应潜在受害用户的不同意图和情绪，增强他们的信任感和合作意愿。
该方法的工作原理是：通过对文本信号进行自然语言处理，将其进行分词、词性标注、命名实体识别、语法分析等操作，并将处理结果表示为语义角色标注序列；然后基于语义角色标注序列进行意图识别，得到潜在受害用户的意图类型和参数；然后基于语义角色标注序列进行情感分析，得到潜在受害用户的情感极性和强度；然后根据潜在受害用户的意图类型和参数、情感极性和强度，以及预设的对话规则和策略，调整对话内容和方式。
一种反电信网络诈骗智能劝阻方法，该方法旨在解决目前电信网络诈骗案件高发、受害群体广泛、防范效果不佳的技术问题，该方法包括以下步骤：
S1：接收多个数据源的预警数据；
S2：对预警数据进行清洗、去重、格式转换处理，将处理后的预警数据存储在国家反诈中心数据库中；
S3：根据预设的风险评估模型对预警数据进行风险评估，得出风险等级，并将其存储在国家反诈中心数据库中；
S4：根据风险等级对预警数据采取不同的处置策略；
S5：将预警数据处置的结果通过数据安全接入边界反馈给国家反诈中心。
该方法具有以下有益效果：能够及时、准确、有效地识别出潜在的电信网络诈骗案件和受害用户，采取相应的劝阻和教育措施，提高公众的防范意识和能力，降低电信网络诈骗的发生率和损失率，维护社会秩序和公共安全。
在较佳实施情况下，该方法中所述S3具体包括：
S31：对预警数据进行特征提取，所述特征包括涉及潜在受害用户、诈骗分子、诈骗方式方面的特征属性；
S32：根据已知的诈骗样本和案例数据进行机器学习训练，生成涉诈资源模板库，并根据新的预警数据不断更新和优化涉诈资源模板库；所述涉诈资源模板库中存储了各种类型和场景下的诈骗案例及其对应的特征属性；
S33：根据涉诈资源模板库中的特征属性与从预警数据中提取出的特征属性进行相似度比对，计算预警数据的风险评分，并根据预设的风险阈值划分风险等级，将风险等级存储在国家反诈中心数据库中。
在较佳实施情况下，该步骤旨在解决如何根据从预警数据中提取出的特征属性与涉诈资源模板库中的特征属性进行相似度比对，计算出预警数据的风险评分和风险等级的技术问题，该步骤采用了基于相似度比对和风险阈值划分的风险评估方法，能够根据不同类型和场景下的诈骗案例及其对应的特征属性，计算出预警数据与之之间的相似度，并根据预设的风险阈值划分出风险等级。
在较佳实施情况下，该步骤具有以下有益效果：能够提高风险评估的灵敏度和精确度，使其能够更好地区分出不同风险等级的潜在受害用户。
在较佳实施情况下，该方法中所述S4具体包括：
S41：对预警数据进行分析和挖掘，提取出潜在受害用户的电话号码；
S42：向低风险等级的潜在受害用户发送预警短信，提示用户可能面临的诈骗类型和防范措施；
S43：向中风险等级的潜在受害用户发起智能语音电话，通过自然语言处理和语音识别技术与用户进行交互式对话，确认用户是否已经受骗或有受骗倾向，并给予相应的劝阻和指导；
S44：向高风险等级的潜在受害用户转接人工服务电话，由专业的反诈中心民警或工作人员与用户进行沟通和教育，阻止用户继续受骗或减少损失。
在较佳实施情况下，该步骤旨在解决如何根据不同风险等级对预警数据采取不同的处置策略的技术问题，该步骤采用了基于短信、智能语音电话和人工服务电话三种方式进行劝阻和教育服务的方法，能够根据潜在受害用户的具体情况和需求，进行更加合适和有效的处置。
在较佳实施情况下，该步骤具有以下有益效果：能够提高潜在受害用户的满意度和信任度，增强他们的自我保护意识和能力，避免他们进一步受骗或减少损失。
该步骤的工作原理是：通过对预警数据进行分析和挖掘，得到潜在受害用户的电话号码，并根据风险等级进行呼叫控制；然后根据不同风险等级采取不同的处置策略，如向低风险等级的潜在受害用户发送预警短信，通过简单明了的文字提示用户可能面临的诈骗类型和防范措施；如向中风险等级的潜在受害用户发起智能语音电话，通过自然语言处理和语音识别技术与用户进行交互式对话，根据预设的对话模板生成相应的对话内容，并通过语音合成技术将其转换为语音信号输出给用户，并通过语音识别技术将其回复转换为文本信号输入到系统中，并对文本信号进行自然语言处理和情感分析，判断用户是否已经受骗或有受骗倾向，并给予相应的劝阻和指导；如向高风险等级的潜在受害用户转接人工服务电话，由专业的反诈中心民警或工作人员与用户进行沟通和教育，根据用户的实际情况和需求，进行更加灵活和有效的对话和指导；然后根据不同处置策略生成处置结果，并将其反馈给国家反诈中心。
附图说明
图1为本发明的系统结构示意图；
图2为本发明的智能反诈机器人模块的结构示意图；
图3为本发明的模板构建子模块的结构示意图；
图4为本发明的方法流程图。
具体实施方式
为了使本领域技术人员更好地理解技术方案，下面结合实施例对技术方案进行详细描述，本部分的描述仅是示范性和解释性，不应对本发明的保护范围有任何的限制作用。
实施例1：
本发明提供了一种反电信网络诈骗智能劝阻系统，其结构示意图如图1所示。该系统包括以下模块：
预警数据接收模块，用于接收多个数据源的预警数据，如国家反诈中心、银行、电信运营商等提供的涉诈信息，包括潜在受害用户的姓名、身份证号、电话号码、住址等，以及诈骗分子的电话号码、诈骗方式、诈骗金额等。
预警数据处理模块，用于对预警数据进行清洗、去重、格式转换处理，将处理后的预警数据存储在国家反诈中心数据库中，并将处理后的预警数据传输给预警数据分析模块。该模块可以采用常用的数据处理技术，如数据清洗技术可以使用正则表达式、数据校验规则等方法，去除无效、错误或者重复的数据；数据格式转换技术可以使用XML、JSON等通用格式，将不同来源或者不同类型的数据转换为统一的格式，便于后续的分析和处理。
预警数据分析模块，用于根据预设的风险评估模型对预警数据进行风险评估，得出风险等级，将其存储在国家反诈中心数据库，并将风险等级和预警数据通过数据安全接入边界传输给智能反诈机器人模块。该模块具体包括以下子模块：
特征提取子模块，用于对预警数据进行特征提取，所述特征包括涉及潜在受害用户、诈骗分子、诈骗方式方面的特征属性。例如，潜在受害用户方面的特征属性可以包括年龄、性别、教育程度、收入水平、居住地区等；诈骗分子方面的特征属性可以包括电话号码归属地、通话时长、通话频率等；诈骗方式方面的特征属性可以包括诈骗类型（如冒充公检法机关、冒充亲友或者恋人等）、诈骗话术（如威胁、恐吓、哀求等）、诈骗目标（如银行卡信息、验证码信息等）等。
该子模块可以采用常用的特征提取技术，如文本挖掘技术、语义分析技术等方法，从预警数据中提取出有助于判断风险程度的特征属性，并将提取出的特征表示为特征向量序列。
模板构建子模块，用于根据已知的诈骗样本和案例数据进行机器学习训练，生成涉诈资源模板库，并根据新的预警数据不断更新和优化涉诈资源模板库。所述涉诈资源模板库中存储了各种类型和场景下的诈骗案例及其对应的特征属性。如图3所示，该子模块具体包括以下单元：
数据预处理单元，用于对已知的诈骗样本和案例数据进行预处理，包括去噪、去重以及格式转换。
特征提取单元，用于对预处理后的诈骗样本和案例数据进行特征提取，包括涉及潜在受害用户、诈骗分子、诈骗方式方面的特征属性，并将提取出的特征表示为特征向量序列。
模板生成单元，用于将特征向量序列输入到模板生成模型中，得出特征向量序列对应的模板序列。该单元可以采用常用的机器学习技术，如分类技术、聚类技术、关联规则挖掘技术等方法，根据不同的诈骗类型和场景，将具有相似或者相关特征属性的诈骗案例归为一类，并生成相应的模板。所述模板可以包括诈骗案例的基本信息、诈骗案例的特征属性以及诈骗案例的风险评分。
模板存储单元，用于将生成的模板序列存储在涉诈资源模板库中，并根据新的预警数据不断更新和优化涉诈资源模板库。该单元可以采用常用的数据库技术，如关系型数据库、非关系型数据库等方法，对涉诈资源模板库进行存储和管理。该单元还可以根据新的预警数据，对涉诈资源模板库进行增删改查操作，以保持其与最新的诈骗情况相一致。
风险评估子模块，用于根据涉诈资源模板库中的特征属性与从预警数据中提取出的特征属性进行相似度比对，计算预警数据的风险评分，并根据预设的风险阈值划分风险等级，将风险等级存储在国家反诈中心数据库中。该子模块具体采用以下公式计算预警数据的风险评分：
其中，为风险评分数，/>为特征属性的个数，/>为第/>个特征属性的权重系数，/>为第/>个特征属性的相似度值，相似度值的计算公式为：
其中，为第/>个特征属性的维度，/>的取值范围为[1，n]，所述维度是指用来衡量特征属性的不同方面或者角度的数值，/>为涉诈资源模板库中第/>个特征属性的第/>个维度值，为特征提取子模块中的第/>个特征属性的第/>个维度值，所述维度值是指特征属性在某个维度上的具体数值。
例如，预警数据中有一个潜在受害用户A，其年龄为60岁、性别为男、教育程度为初中、收入水平为低、居住地区为农村；涉诈资源模板库中有一个与A匹配的诈骗案例B，其年龄为65岁、性别为男、教育程度为小学、收入水平为低、居住地区为农村。则对于潜在受害用户方面的特征属性，可以将其表示为以下两个维度的特征向量序列：
A的特征向量序列：[60, 1, 2, 1, 1]；
B的特征向量序列：[65, 1, 1, 1, 1]；
其中，第一个维度表示年龄，第二个维度表示性别（1为男，0为女），第三个维度表示教育程度（1为小学，2为初中，3为高中，4为大学），第四个维度表示收入水平（1为低，2为中，3为高），第五个维度表示居住地区（1为农村，2为城市）。
则对于潜在受害用户方面的特征属性，其相似度值为：
假设潜在受害用户方面的特征属性的权重系数为0.3，则其对风险评分数的贡献为：
类似地，可以计算出其他方面的特征属性的相似度值和风险评分数的贡献，并将它们相加得到总的风险评分数。根据预设的风险阈值，可以将风险评分数划分为不同的风险等级，如低、中、高等。例如将风险阈值具体设置为：
低风险等级：风险评分小于等于0.3；
中风险等级：风险评分大于0.3且小于等于0.6；
高风险等级：风险评分大于0.6；
若上述潜在受害用户A最终计算出的总得风险评分数为0.56，那么他的风险等级为中，表示他有一定的可能性成为诈骗案例B的受害者。
智能反诈机器人模块，用于根据风险等级对预警数据采取不同的处置策略，并将处置结果传输给预警数据反馈模块。如图2所示，该模块具体包括以下子模块：
信息获取子模块，用于对预警数据进行分析和挖掘，提取出潜在受害用户的电话号码。该子模块可以采用常用的信息提取技术，如正则表达式、关键词匹配等方法，从预警数据中提取出符合电话号码格式的字符串。
短信提醒子模块，用于向低风险等级的潜在受害用户发送预警短信，提示用户可能面临的诈骗类型和防范措施。该子模块可以采用常用的短信发送技术，如短信网关、短信平台等方法，通过潜在受害用户的电话号码发送预警短信。
智能外呼子模块，用于向中风险等级的潜在受害用户发起智能语音电话，通过自然语言处理和语音识别技术与用户进行交互式对话，确认用户是否已经受骗或有受骗倾向，并给予相应的劝阻和指导。该子模块具体包括以下子模块：
呼叫控制子模块，用于根据潜在受害用户的电话号码进行呼叫控制，并记录呼叫结果。该子模块可以采用常用的呼叫控制技术，如自动语音应答、呼叫转移、呼叫排队等方法，为潜在受害用户安排合适的呼叫时间和次数，并记录呼叫是否成功、用户是否接听、通话时长等信息。
对话生成子模块，用于根据呼叫结果和预设的对话模板生成相应的对话内容，并通过语音合成技术将其转换为语音信号。所述对话模板包括不同类型和场景下的电信网络诈骗劝阻对话内容及其对应的逻辑流程。该子模块可以采用常用的对话生成技术，如基于规则的方法、基于统计的方法、基于神经网络的方法等，根据不同的诈骗类型和场景，生成符合语言规范和逻辑顺序的对话内容，并通过语音合成技术，如语音编码器、语音解码器等方法，将文本信号转换为语音信号。
对话输出子模块，用于将语音信号输出给潜在受害用户，并通过语音识别技术将其回复转换为文本信号。该子模块可以采用常用的语音输出技术，如扬声器、耳机等方法，将语音信号播放给潜在受害用户，并通过语音识别技术，如声学模型、语言模型等方法，将用户的语音回复转换为文本信号。
对话理解子模块，用于对文本信号进行自然语言处理和情感分析，判断潜在受害用户的意图和情绪，并根据其反馈调整对话内容和方式。该子模块具体包括：
自然语言处理子模块，用于将文本信号进行分词、词性标注、命名实体识别以及语法分析，并将处理结果表示为语义角色标注序列。该子模块可以采用常用的自然语言处理技术，如分词技术、词性标注技术、命名实体识别技术、依存句法分析技术等方法，从文本信号中提取出有助于理解用户的意图和情绪，并根据其反馈调整对话内容和方式。例如：
文本信号：我没有收到任何短信，你们是谁；
进行相应的处理后得到：
语义角色标注序列：我（主语）没有（否定）收到（谓语）任何（限定）短信（宾语），你们（主语）是（谓语）谁（宾语）；
意图识别子模块，用于基于语义角色标注序列进行意图识别，得到潜在受害用户的意图类型和参数。该子模块可以采用常用的意图识别技术，如基于规则的方法、基于统计的方法、基于神经网络的方法等，根据不同的对话模板，识别出用户的意图类型（如询问、确认、拒绝、同意等）和参数（如涉及的实体、属性、值等）。针对上述语义角色标注序列进行意图识别得到：
意图类型和参数：询问（你们是谁）、否认（我没有收到任何短信）。
情感分析子模块，用于基于语义角色标注序列进行情感分析，得到潜在受害用户的情感极性和强度。该子模块可以采用常用的情感分析技术，如基于词典的方法、基于机器学习的方法、基于深度学习的方法等，根据不同的情感词典或者情感模型，判断用户的情感极性（如正面、负面、中性等）和强度（如强烈、中等、弱等）。针对上述语义角色标注序列进行情感分析得到：
情感极性和强度：负面（否定词“没有”、“任何”）、中等（疑问词“是谁”）。
对话调整子模块，根据潜在受害用户的意图类型和参数、情感极性和强度，以及预设的对话规则和策略，调整对话内容和方式。该子模块可以采用常用的对话管理技术，如基于状态机的方法、基于信息状态的方法、基于强化学习的方法等，根据不同的对话目标和场景，生成合适的对话回应，并通过对话生成子模块将其转换为语音信号。
处置结果子模块，用于根据对话过程和结果生成处置结果，并将其反馈给预警数据反馈模块。该子模块可以采用常用的文本生成技术，如基于模板的方法、基于统计的方法、基于神经网络的方法等，根据不同的对话结果，生成简要的处置结果报告，并将其传输给预警数据反馈模块。所述处置结果报告可以包括以下内容：
风险等级：中；
处置策略：智能外呼；
呼叫结果：成功；
通话时长：5分钟；
对话结果：用户已经意识到诈骗，没有转账或者汇款，已经报警并联系银行；
处置效果：良好。
人工外呼子模块，用于向高风险等级的潜在受害用户转接人工服务电话，由专业的反诈中心民警或工作人员与用户进行沟通和教育，阻止用户继续受骗或减少损失。该子模块可以采用常用的呼叫中心技术，如呼叫路由、呼叫分配、呼叫记录等方法，根据不同的风险等级和电话号码，将用户转接给合适的人工服务人员，并记录通话过程和结果。所述人工服务人员可以采用专业的沟通技巧和教育方法，如倾听、引导、劝导、教育等，与用户进行有效的对话，帮助用户认清诈骗本质，阻止用户继续受骗或减少损失。
预警数据反馈模块，用于将预警数据处置的结果通过数据安全接入边界反馈给国家反诈中心，以便进行统计分析和监督管理。该模块可以采用常用的数据传输技术，如网络协议、数据格式等方法，将处置结果报告以及相关的预警数据发送给国家反诈中心，并接收其返回的反馈信息。所述反馈信息可以包括以下内容：
处置结果报告是否收到；
处置结果报告是否合格；
处置结果报告是否有改进意见或者建议；
预警数据是否有更新或者补充；
预警数据是否有错误或者遗漏。
实施例2：
本实施例提供了一种反电信网络诈骗智能劝阻方法，该方法可以有效地识别和阻止电信网络诈骗，保护潜在受害用户的合法权益。如图4所示，该方法具体包括以下步骤：
S1：接收多个数据源的预警数据；
预警数据是指从不同渠道或平台获取的可能涉及电信网络诈骗的数据，例如来自国家反诈中心、银行网、社交网、电商网等的数据。预警数据可以包括潜在受害用户的基本信息、交易信息、通话信息、社交信息等。该系统可以通过网络接口或者数据采集器等方式接收多个数据源的预警数据，并将其存储在缓存区中。
S2：对预警数据进行清洗、去重、格式转换处理，将处理后的预警数据存储在国家反诈中心数据库中；
由于预警数据来自不同的数据源，可能存在一些噪声、冗余或者不一致的问题，因此需要对预警数据进行清洗、去重、格式转换等处理，以提高数据质量和可用性。清洗是指删除或者修正一些无效或者错误的数据，例如空值、异常值、错误值等；去重是指删除或者合并一些重复或者相似的数据，例如同一个用户在不同平台上注册的多个账号、同一个诈骗分子使用的多个手机号码等；格式转换是指将不同格式或者编码的数据统一为标准化或者规范化的格式或者编码，例如将文本文件转换为XML文件、将GBK编码转换为UTF-8编码等。该系统可以通过预处理模块对缓存区中的预警数据进行清洗、去重、格式转换等处理，并将处理后的预警数据存储在国家反诈中心数据库中。
S3：根据预设的风险评估模型对预警数据进行风险评估，得出风险等级，并将其存储在国家反诈中心数据库中；
该步骤的目的是通过风险评估模型对预警数据进行量化和分类，以便根据不同的风险等级采取不同的处置策略。该系统具体包括以下子步骤：
S31：对预警数据进行特征提取，所述特征包括涉及潜在受害用户、诈骗分子、诈骗方式方面的特征属性。例如，如果预警数据包含了潜在受害用户的姓名、年龄、性别、住址、电话号码等信息，那么该系统可以提取出这些信息作为用户特征；如果预警数据包含了诈骗分子的手机号码、IP地址、银行账户等信息，那么该系统可以提取出这些信息作为诈骗分子特征；如果预警数据包含了诈骗方式的类型、场景、手法等信息，那么该系统可以提取出这些信息作为诈骗方式特征。
S32：根据已知的诈骗样本和案例数据进行机器学习训练，生成涉诈资源模板库，并根据新的预警数据不断更新和优化涉诈资源模板库；所述涉诈资源模板库中存储了各种类型和场景下的诈骗案例及其对应的特征属性。
S33：根据涉诈资源模板库中的特征属性与从预警数据中提取出的特征属性进行相似度比对，计算预警数据的风险评分，并根据预设的风险阈值划分风险等级，将风险等级存储在国家反诈中心数据库中。例如，如果预警数据与涉诈资源模板库中某个类型或者场景下的电信网络诈骗案例在多个特征属性上都有较高的相似度，那么该预警数据的风险评分就会较高，从而被划分为高风险等级。
S4：根据风险等级对预警数据采取不同的处置策略；
处置策略是指根据风险等级对预警数据采取的不同的反诈措施，目的是阻止或者减少电信网络诈骗的发生和损失。处置策略可以包括短信提醒、智能外呼、人工外呼等方式，具体如下：
S41：对预警数据进行分析和挖掘，提取出潜在受害用户的电话号码；
该步骤是为了获取潜在受害用户的联系方式，以便进行后续的反诈通知和劝阻。该系统可以通过信息获取模块对预警数据进行分析和挖掘，提取出潜在受害用户的电话号码，并将其存储在电话号码库中。
S42：向低风险等级的潜在受害用户发送预警短信，提示用户可能面临的诈骗类型和防范措施；
该步骤是为了向低风险等级的潜在受害用户发送预警短信，提高用户的警惕性和防范意识。该系统可以通过短信提醒模块向电话号码库中的低风险等级的潜在受害用户发送预警短信，提示用户可能面临的诈骗类型和防范措施。例如，如果预警数据显示用户可能遭遇的是冒充公检法机关或者银行工作人员的诈骗，那么预警短信可以提示用户不要轻信陌生来电或者短信，不要泄露个人信息或者验证码，不要随意转账或者汇款等。
S43：向中风险等级的潜在受害用户发起智能语音电话，通过自然语言处理和语音识别技术与用户进行交互式对话，确认用户是否已经受骗或有受骗倾向，并给予相应的劝阻和和指导。该步骤的目的是通过智能语音电话与用户建立信任和沟通，了解用户的实际情况和心理状态，并根据不同的诈骗类型和场景提供合适的反诈建议和帮助。该系统可以利用自然语言处理和语音识别技术实现与用户的自然对话，包括问答、确认、提醒、引导等功能，并根据用户的回答和反馈动态调整对话内容和方式，以达到最佳的劝阻效果。该系统还可以根据用户的情况决定是否需要转接人工服务电话，以便进一步进行沟通和教育。该系统具体包括以下子步骤：
S431：呼叫控制。该子步骤是为了根据风险等级和潜在受害用户的电话号码进行呼叫控制，并记录呼叫结果。该系统可以通过呼叫控制子模块进行呼叫控制，包括设置呼叫时间、频率、时长等参数，以及选择合适的呼叫号码、呼叫方式等选项。该系统还可以根据呼叫结果进行记录和分析，例如记录呼叫是否成功、用户是否接听、用户是否挂断等信息，并根据这些信息进行后续的处理。
S432：对话生成。该子步骤是为了根据呼叫结果和预设的对话模板生成相应的对话内容，并通过语音合成技术将其转换为语音信号。该系统可以通过对话生成子模块根据呼叫结果和预设的对话模板生成相应的对话内容，例如根据用户可能遭遇的诈骗类型和场景选择合适的开场白、问题、回答、建议等内容，并根据用户的个人信息进行个性化定制。该系统还可以通过语音合成技术将生成的对话内容转换为语音信号，例如选择合适的语音类型、语速、语调等参数，以及添加一些背景音效或者情感表达等元素。
S433：对话输出。该子步骤是为了将语音信号输出给潜在受害用户，并通过语音识别技术将其回复转换为文本信号。该系统可以通过对话输出子模块将语音信号输出给潜在受害用户，例如通过电话线路或者网络通道将语音信号发送到用户的手机或者其他设备上，并播放给用户听。该系统还可以通过语音识别技术将用户的回复转换为文本信号，例如通过电话线路或者网络通道接收用户的语音信号，并通过声学模型和语言模型将其转换为文本信号。
S434：对话理解。该子步骤是为了对文本信号进行自然语言处理和情感分析，判断潜在受害用户的意图和情绪，并根据其反馈调整对话内容和方式。该系统可以通过对话理解子模块对文本信号进行自然语言处理和情感分析，例如通过分词、词性标注、命名实体识别、语法分析等技术进行语义角色标注，通过意图识别、情感分析等技术进行意图和情绪判断，以及通过对话状态跟踪、对话策略选择等技术进行对话内容和方式的调整。该系统还可以根据用户的意图和情绪决定是否需要转接人工服务电话，例如如果用户表示已经受骗或者有受骗倾向，或者如果用户表现出强烈的负面情绪，那么该系统可以将用户转接到人工服务电话，以便进一步进行沟通和教育。
S435：处置结果。该子步骤是为了根据对话过程和结果生成处置结果，并将其反馈给预警数据反馈模块。该系统可以通过处置结果子模块根据对话过程和结果生成处置结果，例如记录用户是否已经受骗或有受骗倾向，用户是否接受了反诈建议和帮助，用户是否转接了人工服务电话等信息，并根据这些信息进行评估和总结。该系统还可以将处置结果反馈给预警数据反馈模块，以便进行统计分析和监督管理。
S5：将预警数据处置的结果通过数据安全接入边界反馈给国家反诈中心。
该步骤是为了将预警数据处置的结果通过数据安全接入边界反馈给国家反诈中心，以便进行统计分析和监督管理。数据安全接入边界是指一种保障数据安全传输和存储的技术手段，可以对数据进行加密、压缩、分割等处理，防止数据在传输过程中被窃取或篡改。该方法可以通过预警数据反馈模块将预警数据处置的结果通过数据安全接入边界反馈给国家反诈中心，并将其存储在国家反诈中心数据库中。国家反诈中心可以根据反馈的结果进行统计分析和监督管理，评估该系统的效果和效率，并根据实际情况进行调整和优化。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。本文中应用了具体个例对本发明技术方案的原理及实施方式进行了阐述，以上实例的说明只是用于帮助理解本发明的方法及其核心思想。以上所述仅是本发明的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将发明的构思和技术方案直接应用于其它场合的，均应视为本发明的保护范围。
Claims (10)
1.一种反电信网络诈骗智能劝阻系统，其特征在于，包括：
预警数据接收模块，用于接收多个数据源的预警数据；
预警数据处理模块，用于对预警数据进行清洗、去重、格式转换处理，将处理后的预警数据存储在国家反诈中心数据库中，并将处理后的预警数据传输给预警数据分析模块；
预警数据分析模块，用于根据预设的风险评估模型对预警数据进行风险评估，得出风险等级，将其存储在国家反诈中心数据库中，并将风险等级和预警数据通过数据安全接入边界传输给智能反诈机器人模块；
智能反诈机器人模块，用于根据风险等级对预警数据采取不同的处置策略，并将处置结果传输给预警数据反馈模块；
预警数据反馈模块，用于将预警数据处置的结果通过数据安全接入边界反馈给国家反诈中心，以便进行统计分析和监督管理。
2.根据权利要求1所述的反电信网络诈骗智能劝阻系统，其特征在于，所述的预警数据分析模块具体包括：
特征提取子模块，用于对预警数据进行特征提取，所述特征包括涉及潜在受害用户、诈骗分子、诈骗方式方面的特征属性；
模板构建子模块，用于根据已知的诈骗样本和案例数据进行机器学习训练，生成涉诈资源模板库，并根据新的预警数据不断更新和优化涉诈资源模板库；所述涉诈资源模板库中存储了各种类型和场景下的诈骗案例及其对应的特征属性；
风险评估子模块，用于根据涉诈资源模板库中的特征属性与从预警数据中提取出的特征属性进行相似度比对，计算预警数据的风险评分，并根据预设的风险阈值划分风险等级，将风险等级存储在国家反诈中心数据库中。
3.根据权利要求1所述的反电信网络诈骗智能劝阻系统，其特征在于，所述智能反诈机器人模块具体包括：
信息获取子模块，用于对预警数据进行分析和挖掘，提取出潜在受害用户的电话号码；
短信提醒子模块，用于向低风险等级的潜在受害用户发送预警短信，提示用户可能面临的诈骗类型和防范措施；
智能外呼子模块，用于向中风险等级的潜在受害用户发起智能语音电话，通过自然语言处理和语音识别技术与用户进行交互式对话，确认用户是否已经受骗或有受骗倾向，并给予相应的劝阻和指导；
人工外呼子模块，用于向高风险等级的潜在受害用户转接人工服务电话，由专业的反诈中心民警或工作人员与用户进行沟通和教育，阻止用户继续受骗或减少损失。
4.根据权利要求2所述的反电信网络诈骗智能劝阻系统，其特征在于，所述的模板构建子模块具体包括：
数据预处理单元，用于对已知的诈骗样本和案例数据进行预处理，包括去噪、去重以及格式转换；
特征提取单元，用于对预处理后的诈骗样本和案例数据进行特征提取，包括涉及潜在受害用户、诈骗分子、诈骗方式方面的特征属性，并将提取出的特征表示为特征向量序列；
模板生成单元，用于将特征向量序列输入到模板生成模型中，得出特征向量序列对应的模板序列；
模板存储单元，用于将生成的模板序列存储在涉诈资源模板库中，并根据新的预警数据不断更新和优化涉诈资源模板库。
5.根据权利要求2所述的反电信网络诈骗智能劝阻系统，其特征在于，所述的风险评估子模块具体采用以下公式计算预警数据的风险评分：
其中，为风险评分数，/>为特征属性的个数，/>为第/>个特征属性的权重系数，/>为第/>个特征属性的相似度值，相似度值的计算公式为：
其中，为第/>个特征属性的维度，/>的取值范围为[1，n]，所述维度是指用来衡量特征属性的不同方面或者角度的数值，/>为涉诈资源模板库中第/>个特征属性的第/>个维度值，/>为特征提取子模块中的第/>个特征属性的第/>个维度值，所述维度值是指特征属性在某个维度上的具体数值。
6.根据权利要求3所述的系统，其特征在于，所述智能外呼子模块具体包括：
呼叫控制子模块，用于根据潜在受害用户的电话号码进行呼叫控制，并记录呼叫结果；
对话生成子模块，用于根据呼叫结果和预设的对话模板生成相应的对话内容，并通过语音合成技术将其转换为语音信号；所述对话模板包括不同类型和场景下的电信网络诈骗劝阻对话内容及其对应的逻辑流程；
对话输出子模块，用于将语音信号输出给潜在受害用户，并通过语音识别技术将其回复转换为文本信号；
对话理解子模块，用于对文本信号进行自然语言处理和情感分析，判断潜在受害用户的意图和情绪，并根据其反馈调整对话内容和方式；
处置结果子模块，用于根据对话过程和结果生成处置结果，并将其反馈给预警数据反馈模块。
7.根据权利要求6所述的反电信网络诈骗智能劝阻系统，其特征在于，所述对话理解子模块具体包括：
自然语言处理子模块，用于将文本信号进行分词、词性标注、命名实体识别以及语法分析，并将处理结果表示为语义角色标注序列；
意图识别子模块，用于基于语义角色标注序列进行意图识别，得到潜在受害用户的意图类型和参数；
情感分析子模块，用于基于语义角色标注序列进行情感分析，得到潜在受害用户的情感极性和强度；
对话调整子模块，根据潜在受害用户的意图类型和参数、情感极性和强度，以及预设的对话规则和策略，调整对话内容和方式。
8.一种反电信网络诈骗智能劝阻方法，其特征在于，包括以下步骤：
S1：接收多个数据源的预警数据；
S2：对预警数据进行清洗、去重、格式转换处理，将处理后的预警数据存储在国家反诈中心数据库中；
S3：根据预设的风险评估模型对预警数据进行风险评估，得出风险等级，并将其存储在国家反诈中心数据库中；
S4：根据风险等级对预警数据采取不同的处置策略；
S5：将预警数据处置的结果通过数据安全接入边界反馈给国家反诈中心。
9.根据权利要求8所述的反电信网络诈骗智能劝阻方法，其特征在于，所述S3具体包括：
S31：对预警数据进行特征提取，所述特征包括涉及潜在受害用户、诈骗分子、诈骗方式方面的特征属性；
S32：根据已知的诈骗样本和案例数据进行机器学习训练，生成涉诈资源模板库，并根据新的预警数据不断更新和优化涉诈资源模板库；所述涉诈资源模板库中存储了各种类型和场景下的诈骗案例及其对应的特征属性；
S33：根据涉诈资源模板库中的特征属性与从预警数据中提取出的特征属性进行相似度比对，计算预警数据的风险评分，并根据预设的风险阈值划分风险等级，将风险等级存储在国家反诈中心数据库中。
10.根据权利要求8所述的反电信网络诈骗智能劝阻方法，其特征在于，所述S4具体包括：
S41：对预警数据进行分析和挖掘，提取出潜在受害用户的电话号码；
S42：向低风险等级的潜在受害用户发送预警短信，提示用户可能面临的诈骗类型和防范措施；
S43：向中风险等级的潜在受害用户发起智能语音电话，通过自然语言处理和语音识别技术与用户进行交互式对话，确认用户是否已经受骗或有受骗倾向，并给予相应的劝阻和指导；
S44：向高风险等级的潜在受害用户转接人工服务电话，由专业的反诈中心民警或工作人员与用户进行沟通和教育，阻止用户继续受骗或减少损失。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311733164.0A CN117455498A (zh) | 2023-12-18 | 2023-12-18 | 一种反电信网络诈骗智能劝阻系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311733164.0A CN117455498A (zh) | 2023-12-18 | 2023-12-18 | 一种反电信网络诈骗智能劝阻系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117455498A true CN117455498A (zh) | 2024-01-26 |
Family
ID=89585753
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311733164.0A Pending CN117455498A (zh) | 2023-12-18 | 2023-12-18 | 一种反电信网络诈骗智能劝阻系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117455498A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110209841A (zh) * | 2019-06-17 | 2019-09-06 | 深圳市安络科技有限公司 | 一种基于诈骗案件案情的诈骗分析方法及装置 |
| CN113067947A (zh) * | 2021-03-16 | 2021-07-02 | 浙江百应科技有限公司 | 一种基于智能外呼的反诈骗解决方法及系统 |
| CN113191787A (zh) * | 2021-05-10 | 2021-07-30 | 中国工商银行股份有限公司 | 电信数据的处理方法、装置电子设备及存储介质 |
| CN113688221A (zh) * | 2021-09-08 | 2021-11-23 | 中国平安人寿保险股份有限公司 | 基于模型的话术推荐方法、装置、计算机设备和存储介质 |
| CN114461842A (zh) * | 2021-12-23 | 2022-05-10 | 北京声智科技有限公司 | 生成劝阻话术的方法、装置、设备及存储介质 |
| CN116320160A (zh) * | 2022-12-22 | 2023-06-23 | 号百信息服务有限公司 | 多渠道综合反诈干预的方法、装置、电子设备及存储介质 |
| CN116580692A (zh) * | 2023-07-11 | 2023-08-11 | 深圳市安络科技有限公司 | 基于语音机器人的反诈劝阻方法、系统、设备及存储介质 |
| CN116800891A (zh) * | 2023-07-27 | 2023-09-22 | 深圳市安络科技有限公司 | 一种基于智能机器人的反诈对话实现方法、装置及设备 |
-
2023
- 2023-12-18 CN CN202311733164.0A patent/CN117455498A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110209841A (zh) * | 2019-06-17 | 2019-09-06 | 深圳市安络科技有限公司 | 一种基于诈骗案件案情的诈骗分析方法及装置 |
| CN113067947A (zh) * | 2021-03-16 | 2021-07-02 | 浙江百应科技有限公司 | 一种基于智能外呼的反诈骗解决方法及系统 |
| CN113191787A (zh) * | 2021-05-10 | 2021-07-30 | 中国工商银行股份有限公司 | 电信数据的处理方法、装置电子设备及存储介质 |
| CN113688221A (zh) * | 2021-09-08 | 2021-11-23 | 中国平安人寿保险股份有限公司 | 基于模型的话术推荐方法、装置、计算机设备和存储介质 |
| CN114461842A (zh) * | 2021-12-23 | 2022-05-10 | 北京声智科技有限公司 | 生成劝阻话术的方法、装置、设备及存储介质 |
| CN116320160A (zh) * | 2022-12-22 | 2023-06-23 | 号百信息服务有限公司 | 多渠道综合反诈干预的方法、装置、电子设备及存储介质 |
| CN116580692A (zh) * | 2023-07-11 | 2023-08-11 | 深圳市安络科技有限公司 | 基于语音机器人的反诈劝阻方法、系统、设备及存储介质 |
| CN116800891A (zh) * | 2023-07-27 | 2023-09-22 | 深圳市安络科技有限公司 | 一种基于智能机器人的反诈对话实现方法、装置及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 陆莎: "《人工智能时代旅游发展研究》", 30 April 2022, 吉林大学出版社, pages: 85 - 86 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107222865B (zh) | 基于可疑行为识别的通讯诈骗实时检测方法和系统 | |
| CN112804400B (zh) | 客服呼叫语音质检方法、装置、电子设备及存储介质 | |
| US8145562B2 (en) | Apparatus and method for fraud prevention | |
| US20180240028A1 (en) | Conversation and context aware fraud and abuse prevention agent | |
| US20240127798A1 (en) | Training speech recognition systems using word sequences | |
| CN110309299B (zh) | 通信防诈骗方法、装置、计算机可读介质及电子设备 | |
| US11562731B2 (en) | Word replacement in transcriptions | |
| CN112988991A (zh) | 一种通过人机对话进行反欺诈干预的方法和系统 | |
| CN110704618B (zh) | 确定对话数据对应的标准问题的方法及装置 | |
| EP4016355B1 (en) | Anonymized sensitive data analysis | |
| US11488604B2 (en) | Transcription of audio | |
| CN111062422B (zh) | 一种套路贷体系化识别方法及装置 | |
| CN112016850A (zh) | 业务评估方法以及装置 | |
| CN116863938A (zh) | 一种基于语音的异常检测方法、装置、设备及存储介质 | |
| CN117455498A (zh) | 一种反电信网络诈骗智能劝阻系统及方法 | |
| CN109684470A (zh) | 法律信息推荐方法及装置、存储介质及电子设备 | |
| KR102332997B1 (ko) | 금융사기 위험도 판단 서버, 방법 및 프로그램 | |
| CN115829592A (zh) | 一种反诈宣传方法及其系统 | |
| CN112053052A (zh) | 客服业务风险识别方法、装置、设备及存储介质 | |
| Prasad et al. | Diving into Robocall Content with {SnorCall} | |
| CN110163630A (zh) | 产品监管方法、装置、计算机设备及存储介质 | |
| Huang et al. | How to say? Voice analytics of debt collection strategies | |
| US11947872B1 (en) | Natural language processing platform for automated event analysis, translation, and transcription verification | |
| Shelupanova et al. | Identification of Suspicious Patterns and Prevention of Telephone Fraud Incidents Using a Neural Network | |
| CN116913280A (zh) | 一种基于语音识别构建智能催收方法及装置 |
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 |