[发明专利]基于朴素贝叶斯优化下的卷积神经网络诈骗短信分类方法和系统

权利要求书

1.一种基于朴素贝叶斯优化下的卷积神经网络诈骗短信分类方法，其特征在于包括：

构建模板库，将待判别短信与模板库中的短信模板进行匹配分类，模板匹配成功的判定为诈骗短信；

模板匹配失败的短信通过textCNN模型进行二次判别，经textCNN模型判别成功的判定为诈骗短信；

textCNN模型判别失败的短信通过计算贝叶斯概率进行再次分类，贝叶斯概率分类成功的短信确定为诈骗短信并完成分类，贝叶斯概率分类失败的短信，则确定为非诈骗短信。

2.根据权利要求1所述的基于朴素贝叶斯优化下的卷积神经网络诈骗短信分类方法，其特征在于：经textCNN模型判别成功的短信形成新的短信模板，并形成扩增模板加入至模板库中。

3.根据权利要求1所述的基于朴素贝叶斯优化下的卷积神经网络诈骗短信分类方法，其特征在于模板库的构建包括：将来自于人工研判的所有诈骗短信聚类后，每类找出代表短信样本形成短信模板，构建成模板库。

4.根据权利要求1所述的基于朴素贝叶斯优化下的卷积神经网络诈骗短信分类方法，其特征在于待判别短信与模板库中的短信模板进行匹配分类的具体过程为：将待判别短信与模板库中的短信模板计算其余弦相似度，当相似度大于设定阈值时，判定为诈骗短信，模板匹配成功。

5.根据权利要求1所述的基于朴素贝叶斯优化下的卷积神经网络诈骗短信分类方法，其特征在于textCNN模型二次判别的具体过程为：将短信中的文字进行特征矩阵处理；卷积核从上到下进行一维卷积，卷积核的尺寸可以看作是n-gram的表现形式，然后执行最大合并，记录来自每个特征地图的最大数量；从所有图中生成单变量特征向量，并且特征被连接以形成倒数第二层的特征向量；最后的softmax层接收该特征向量作为输入并使用它来对短信进行分类。

6.根据权利要求1所述的基于朴素贝叶斯优化下的卷积神经网络诈骗短信分类方法，其特征在于通过计算贝叶斯概率进行再次分类的具体过程为：将基于人工研判的所有诈骗短信，统计其中各关键词在各场景中出现的个数，作为各关键词的先验概率，textCNN模型判别失败的短信基于朴素贝叶斯理论，按照其命中的关键词的先验概率，计算其属于各场景的后验概率，当该概率大于设定的阈值时，即判为诈骗短信。

7.一种基于朴素贝叶斯优化下的卷积神经网络诈骗短信分类系统，其特征在于该分类系统包括：

构建模块，用于构建模板库，将来自于人工研判的所有诈骗短信聚类后，每类找出代表短信样本形成短信模板，构建成模板库；

模板匹配模块，将待判别短信与模板库中的短信模板进行匹配分类，模板匹配成功的判定为诈骗短信，并将模板匹配失败的短信发送至textCNN模型判别模块进行二次判别；

textCNN模型判别模块，对模板匹配失败的短信进行二次判别，判别成功的短信判定为诈骗短信，并将判别失败的短信发至贝叶斯概率分类模块进行再次分类；其中，将textCNN模型判别成功的短信形成新的短信模板，并形成扩增模板加入至模板库中；

贝叶斯概率分类模块，对textCNN模型判别失败的短信通过计算贝叶斯概率再次分类，贝叶斯概率分类成功的短信确定为诈骗短信并完成分类，贝叶斯概率未成功分类的短信，则确定为非诈骗短信。

8.根据权利要求7所述的基于朴素贝叶斯优化下的卷积神经网络诈骗短信分类系统，其特征在于待判别短信与模板库中的短信模板进行匹配分类过程包括：将待判别短信与模板库中的短信模板计算其余弦相似度，当相似度大于设定阈值时，判定为诈骗短信，模板匹配成功。