[发明专利]利用人在回路图神经网络在通话网络中识别诈骗用户的方法、系统和存储介质

说明书

本发明公开了一种利用人在回路图神经网络在通话网络中识别诈骗用户的方法、系统和存储介质，属于通讯信息安全技术领域。获取用户信息以及用户之间的通话关系，将每一个用户作为通话网络中的一个节点，若两个用户之间存在通话关系，则在两个用户的节点之间建边。利用融合节点特征和边特征的图神经网络模型对通话网络进行建模，在建模过程中通过人在回路方法引导模型训练过程，结合通话网络中已知的节点类型完成训练，利用训练后的图神经网络模型得到通话网络中未知的节点类型；所述的节点类型包括正常用户和诈骗用户。本发明基于通话网络中诈骗分子的分布和特征特点，结合图神经网络技术和人在回路学习技术，实现精准预测通话网络中的诈骗分子。

技术领域

本发明涉及通讯信息安全技术领域，尤其涉及一种利用人在回路图神经网络在通话网络中识别诈骗用户的方法、系统和存储介质。

背景技术

随着电信业的发展和电信设备的普及，电信诈骗用户检测任务成为大量学者和相关领域工作人员研究的热点。Tseng[Tseng 2015]通过构建带权边的网络来表示用户间的通话时长和通话频率并在该网络上执行加权HITS算法[Kleinberg 1999]以学习电话号码的信任值且根据信任值检测欺诈电话。Yang[Yang 2019]利用因子图构建通话网络之间的因子关系并且用该因子图去识别通话网络中的诈骗用户。

通话网络中的图结构被广泛的应用来帮助识别诈骗用户。近年来深度学习在图上取得了极为迅速的应用，图神经网络(GNN)在节点分类和链接预测等任务上都取得了极佳的成绩。通过将用户作为通话网络上的节点我们能将电信诈骗用户检测任务看作是通话网络上的节点分类问题。GNN的一般范式是节点特征变换和相邻节点特征的聚合交替进行。Kipf[Kipf 2017] 和Li[Li 2016]提出一种平均聚合周围邻居节点特征的方法平滑相邻节点嵌入向量从而使得相邻节点更相似。[2018]、Thekumparampil[Thekumparampil 2018]、 Brody[Brody 2021]和Kim[Kim 2020]在聚合邻居节点特征时引入注意力机制从而有选择地聚合有效信息。这些方法都只是在聚合节点特征并不能有效地处理边特征。Gong[Gong 2019]和 Jiang[Jiang 2019]分别提出了在聚合节点特征的同时融合了边特征。但在通话网络这样的大规模图上，这两种融合节点特征和边特征的方法复杂度会非常高导致效率低下。同时在包含诈骗用户的通话网络场景下，由于诈骗用户分散地隐藏在普通用户之中，传统的GNN在聚合特征时非常容易将正常用户和异常用户之间的特征平滑。所以，使用传统的GNN很难在该场景下取得很好的性能。

电信欺诈检测需要可解释性作为定罪的必要证据。然而，GNN的传统学习过程纯粹是估计实现最佳性能的模型参数，而忽略了可解释的目标。人在回路方法[Li 2017,Zhang2018]通过人类参与深度学习模型的学习过程从而在特定任务中满足人类的期望，使得该模型在具有出色的性能的同时满足了推理过程的可解释性。之前存在一些工作在推荐、图像和医学等领域中研究了人在回路方法，缺少在电信欺诈检测中的应用，本发明旨在结合人在回路和GNN，使预测过程具有可解释性。

发明内容

为了解决现有技术的电信诈骗检测方法的模型可解释性差、检测精度较低的问题，本发明提出了一种利用人在回路图神经网络在通话网络中识别诈骗用户的方法、系统和存储介质，基于通话网络中诈骗分子的分布和特征特点，结合图神经网络技术和人在回路学习技术，实现精准预测通话网络中的诈骗分子。

本发明采用如下技术方案：

第一个方面，本发明提供了一种利用人在回路图神经网络在通话网络中识别诈骗用户的方法，包括：

获取用户信息以及用户之间的通话关系，将每一个用户作为通话网络中的一个节点，若两个用户之间存在通话关系，则在两个用户对应的节点之间建边；获取各个节点和边的初始特征，构建通话网络G＝(V,E,X,S)，其中V表示节点集合，E表示边集合，X表示节点初始特征集合， S表示边初始特征集合；