[发明专利]话单诈骗模型识别方法和系统

说明书

本发明公开了一种话单诈骗模型识别方法和系统，包括以下步骤：S1将训练数据进行特征工程处理；S2将所述特征工程处理后的训练数据输入多个神经网络算法，并计算每个神经网络算法分类的概率值；S3将多个概率值整合成新数据集，将所述新数据集输入逻辑回归算法进行分类，根据分类后的数据构建诈骗预测模型，将所述诈骗预测模型进行存储；S4将测试数据导入所述诈骗预测模型输出分类结果，根据所述分类结果进行展示。本发明有益效果：1、对话单欺诈进行分类检测；2、不仅能够提高破案准确率及降低破案成本，而且避免办案人员错判及漏判行为。

技术领域

本发明涉及移动通信技术领域，具体来说，涉及一种话单诈骗模型识别方法和系统。

背景技术

随着信息通信诈骗案件高频爆发，多部委开始联合行动开展治理工作，不法分子多使用电话行骗，运营商如何识别、筛选、拦截、提醒和报警诈骗电话等显得尤为关键。

目前各种不明电话困扰着人们，如何清晰甄别，有效防止信息泄露，维护信息不被窃取至关重要。

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，本发明提出一种话单诈骗模型识别方法，不仅能够对话单欺诈进行分类检测，而且提高破案准确率及降低破案成本，同时避免办案人员错判及漏判行为。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种话单诈骗模型识别方法，包括以下步骤：

S1将训练数据进行特征工程处理；

S2将所述特征工程处理后的训练数据输入多个神经网络算法，并计算每个神经网络算法分类的概率值；

S3将多个概率值整合成新数据集，将所述新数据集输入逻辑回归算法进行分类，根据分类后的数据构建诈骗预测模型，将所述诈骗预测模型进行存储；

S4将测试数据导入所述诈骗预测模型输出分类结果，根据所述分类结果进行展示。

进一步地，所述步骤S4将测试数据导入所述诈骗预测模型输出分类结果，根据所述分类结果进行展示包括：

S41将所述诈骗预测模型得出的预测结果与实际结果进行比对；

S42采用精准率、召回率和F1-score指标评估诈骗预测模型。

进一步地，在所述步骤S1之前将所述训练数据存储于大数据服务器集群。

进一步地，所述训练数据的主要字段包括但不限于主叫号码、被叫号码、振铃时长、通话时长、主叫放弃次数、主叫拨打话单数、主叫本地拨打次数、主叫外地拨打次数、电话接通率和拨打区域离散度。

进一步地，所述步骤S1中所述特征工程包括填补缺失值、数据归一化、数据标准化和数据衍生变量。

本发明的另一方面，提供一种话单诈骗模型识别系统，包括：

特征工程模块，用于将训练数据进行特征工程处理；

概率值计算模块，用于将所述特征工程处理后的训练数据输入多个神经网络算法，并计算每个神经网络算法分类的概率值；

模型构建模块，用于将多个概率值整合成新数据集，将所述新数据集输入逻辑回归算法进行分类，根据分类后的数据构建诈骗预测模型，将所述诈骗预测模型进行存储；

导入模型模块，用于将测试数据导入所述诈骗预测模型输出分类结果，根据所述分类结果进行展示。

进一步地，所述导入模型模块包括：

比对模块，用于将所述诈骗预测模型得出的预测结果与实际结果进行比对；