[发明专利]基于随机森林算法的骚扰电话识别方法及系统

说明书

本发明公开了基于随机森林算法的骚扰电话识别方法和系统，利用SMOTE算法对所述原始数据集进行过采样后生成新样本集；根据所述新样本集构建骚扰电话识别模型，并初始化所述骚扰电话识别模型中随机森林参数；利用十折交叉验证训练骚扰电话识别模型后进行验证，并计算其识别效果评估值；获取最优骚扰电话识别模型，利用pickle依次将最优骚扰电话识别模型序列化和反序列化后构建API，将最优骚扰电话识别模型以接口方式部署上线；待测通话记录到达时，调用API接口，将数据输入到最优骚扰电话识别模型进行预测。本发明有益效果：不仅有效避免人工误判和漏判行为，而且降低模型的误差，同时，提高模型的可用性和实用性。

技术领域

本发明涉及自然语言处理领域，具体来说，涉及一种基于随机森林算法的骚扰电话识别方法及系统。

背景技术

骚扰电话推销产品或者是一些冒充警方、银行工作人员故意进行电话骚扰的行为，骚扰电话具有很强的干扰性、诱惑力与欺骗性，而且容易伪装，拨打次数频繁和不易破案，严重危害了人民的正常生活和个人隐私。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的上述技术问题，本发明提出一种基于随机森林算法的骚扰电话识别方法和系统，能够有效快速识别骚扰电话，有效解决人为误判和漏判骚扰电话问题。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种基于随机森林算法的骚扰电话识别方法，包括以下步骤：

处理原始数据集，确定正负骚扰电话样本的分布比例；

针对不平衡的骚扰电话样本，采用SMOTE算法对所述原始数据集进行过采样后生成新样本集，平衡数据分布；

根据所述新样本集构建骚扰电话识别模型，并初始化所述骚扰电话识别模型中随机森林参数，设置随机森林参数输入、输出变量；

利用十折交叉验证训练骚扰电话识别模型后进行验证，并计算其识别效果评估值；

采用网络搜索获取最优骚扰电话识别模型，提高随机森林的精准度，提高训练效率，利用pickle依次将最优骚扰电话识别模型序列化和反序列化后构建API，将最优骚扰电话识别模型以接口方式部署上线；

待测通话记录到达时，调用API接口，将数据输入到最优骚扰电话识别模型进行预测。

进一步地，利用SMOTE算法对所述原始数据集进行过采样后生成新样本集包括：

对少数类的骚扰电话样本进行分析，并根据所述骚扰电话样本人工合成新样本添加到原始数据集中；

每个少数类的骚扰电话样本，从其最近邻中随机选取若干第一样本；

在骚扰电话样本和第一样本的连线上随机选取第二样本。

进一步地，针对所述新样本集构建骚扰电话识别模型，并初始化所述骚扰电话识别模型中随机森林参数包括：

设置随机森林参数，其中，所述随机森林参数包括决策树的个数、有放回的采样、信息增益、最适属性时划分的特征和树的最大深度；

计算属性的信息增益，选取最合适的节点，子节点重复计算信息增益，并选取信息增益最大节点，依次论推，生成多棵树，所述信息增益的计算公式如下：

g(D，A)＝H(D)-H(D|A)

其中，H(D)为经验熵，H(D|A)为选定特征A的经验条件熵；

根据随机森林参数和信息增益值构建随机森林，利用随机森林算法训练多颗决策树生成骚扰电话识别模型。