CN119497087A 欺诈用户识别方法、装置、电子设备、介质及程序产品 （中国移动通信集团云南有限公司）

本申请公开了一种欺诈用户识别方法、装多维度特征信息以及目标用户和对应的主叫用间的耦合函数，确定全局图网络的动态加载信加载信息输入预设的欺诈用户识别网络模型中前的反欺诈方法不能识别出使用虚拟拨号设备2根据目标用户的多维度特征信息以及所述目标用户和对应的主叫用户和被叫用户之根据所述目标用户的通话频率和时间变化信息、设备切换共基于所述全局图网络中各维度特征之间的耦合函数，确定所述将所述全局图网络、所述超维特征载荷矩阵以及所述动态加载信息输入预所述根据目标用户的多维度特征信息以及所述目标用户和对应的主叫用户和被叫用根据目标用户与对应的主叫用户和被叫用户之间的通话信息根据所述目标用户的多维特征向量，所述目标用户对应的主叫用确定所述全局图网络中各维度特征随时间的加载系数以及各维度特征之间的耦合函对所述加载系数与所述耦合函数的积进行时间积分，获得所述全所述将所述全局图网络、所述超维特征载荷矩阵以及所述动态加载信3在将所述全局图网络、所述超维特征载荷矩阵以及所述动态加载信通过所述颈部网络进行对所述多尺度融合特征进行采样以及特征融合通过所述头部网络对所述颈部网络输出的输出结果进所述通过所述骨干网络提取所述全局图网络、所述超维特征载荷矩阵通过所述骨干网络中的Stem模块对所述全局图网络、所述超维特通过所述骨干网络中预设的激活函数对所述输出结果进行处通过所述骨干网络的下一MB模块从所述通话事件图神经网络的嵌入表示的强度与噪将所述关键信息输入至下一CBS模块，通过下一CBS模块进行卷积操作和批归一化处通过所述SPPF模块获取所述通话事件图神经网络的嵌入表示的多尺7.如权利要求1至6任一项所述的欺诈用户识通过随机模型参数对初始网络模型进行初始化，其中，所述模型参对所述初始网络模型对应的模型参数集合进行超基因编码，得到各基于预设的超基因交互算子对所述第一参数向量进行更新，得到对应的第二参数向将预设的多组训练用户数据输入所述第三参数向量对应的初始网4基于所述预测识别结果和所述历史用户的真实识别结果，评估所基于所述初始网络模型对应的适应度，对所述初始网络模型的模型参数进行迭代优根据所述预测识别结果和所述历史用户的真实识别结果，计算所矩阵构建模块，用于根据所述目标用户的通话频率和时间关系捕捉模块，用于基于所述全局图网络中各维度特征之间的耦结果预测模块，用于将所述全局图网络、所述超维5[0003]上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技[0006]根据目标用户的多维度特征信息以及所述目标用户和对应的主叫用户和被叫用[0011]所述根据目标用户的多维度特征信息以及所述目标用户和对应的主叫用户和被6[0019]确定所述全局图网络中各维度特征随时间的加载系数以及各维度特征之间的耦7[0029]通过所述骨干网络中的下一CBS模块对所述第一增强采样、所述第一特征提取结[0031]通过所述骨干网络的下一MB模块从所述通话事件图神经网络的嵌入表示的强度8络模型中，通过所述欺诈用户识别网络模型预测得到所述目标用户对应的欺诈识别结果。本申请的技术方案中通过对用户的多维度特征信息进行深度融合，得到对应的全局图网9[0062]图7为本申请实施例中欺诈用户识别方法涉及的硬件运行环境的设备结构示意[0067]目前针对欺诈用户的识别方案中，考虑到目前诈骗电话[0069]步骤S10，根据目标用户的多维度特征信息以及目标用户和对应的主叫用户和被[0071]其中，目标用户是指特定的运营业务中想要识别的是否[0076]本申请实施例中还根据全局图网络中各维度特征之间的耦合函数来捕捉全局图的来电或短信，保护与该目标用户建立或将要建[0084]如图2所示，所述根据目标用户的多维度特征信息以及目标用户和对应的主叫用[0088]步骤S12，根据目标用户与对应的主叫用户和被叫用户之间的通话信息、设备信ij为0。如果目标用户i和其主叫用户j或被叫用户j的地理位置重叠或其距离在某一阈ij为0。通话频率信息Fij就是目标用户i和其主叫用户j或被叫用户j的在一段时间t内的通话次数。时区差异维度信息Zij是指目标用户i和其主叫用户j或被叫维特征向量Fj和全局图网络的边的多维属性信息Eij分别构建通话频率图层H'、设备共享图层H"、地理位置重叠图层时区差异图层Hf。[0095]包括通话频率图层H'、设备共享图层H"、地理位置重叠图层H'、时区差异图层Hf;包括通话频率信息Fij的权重设备共享信息Mij的权重m"、地理位置[0097]最后，根据通话频率图层n'、设备共享图层H"、地理位置重叠图层以及时区[0102]示例性地，对上述各种信息进行交叉耦合操作得到超维特征载荷矩阵的表达式[0103]在一种可行的实施例中，所述基于所述全局图网络中各维度特征之间的耦合函[0104]步骤S31，确定全局图网络中各维度特征随时间的加载系数以及各维度特征之间络则用于根据颈部网络输出的输出结果生成欺诈叫用户和被叫用户之间关系的强度信息的第三增强采样和第三特征提[0120]步骤S416，通过SPPF模块获取通话事件图神经网络的嵌入表示的多尺度融合特[0122]进一步地，StemBlock模块的网络结构如图4所示，其中，CBS(Conv2d(卷积)+BatchNom2d(批归一化)+SILU(激活函数)的组合)模块是指卷积、批归一化处理以及载荷矩阵以及动态加载信息sigmoid形成的与目标用户的通话事件相关的神经网络，样和第一特征提取结果、目标用户对应的被叫用户的第二增强采样和第二特征提取结果、以及主叫用户和所述被叫用户之间关系的强度信息的第三增强采样和第三特征提取结果。[0123]进一步地将前述各增强采样和特征提取结果输入到骨干网络的下一个CBS模块图神经网络的嵌入表示的强度与噪声的检查结果后，再将其发送到下一MB(MobileNetV2)等，下一CBS模块的下方是下一个MB模块，以此类推直至将输出结果输送至SPPF(SpatialPyramidPoolingFas中的第一CBS模块(即图3中颈部网络中从下往上第一个CBS模块)进行处理，得到处理结果第一BiFPNconvert模块(即图3中颈部网络中从下往上[0128]其中，基于第一BiFPNconvert模块得到的双向跨尺度连接与快速归一化融合结示例性地，颈部网络中还包括Upsample模块(用于将输入数据的尺寸放大的模块)，[0130]头部网络中具备输出层，能基于颈部网络的输出结果生标用户属于欺诈用户还是属于非欺诈用户。[0134]其次，在颈部网络中，其中的BiFPNconvert模块采用迭代性更强的双向融合策[0141]对应的，颈部网络中自上而下路径的第i处的中间特征的输出特征可以描述为如数进行超基因编码，使每组参数表示为向量形式的第一参数向量Θ,该参数向量中户识别网络中网络层i的学习率，用于动态调整模[0161]在得到第二参数向量后，可以基于预设的参数变化算子对第二参数向量进行微[0165]需要说明的是，虽然超基因交互算子和参数变化算子都来输入到模型参数优化后的模型中，预测得[0192]确定所述全局图网络中各维度特征随时间的加载系数以及各维度特征之间的耦[0202]通过所述骨干网络中的下一CBS模块对所述第一增强采样、所述第一特征提取结[0204]通过所述骨干网络的下一MB模块从所述通话事件图神经网络的嵌入表示的强度PDA(PersonalDigitalAssistant：个人数字助理)、PAD(PortableApplication其可以根据存储在只读存储器(ROM：ReadOnlyMemory)1002中的程序或者从存储装置1003加载到随机访问存储器(RAM：RandomAccessMemory)1004中的程序而执行各种适当的动作和处理。在RAM1004中，还存储有电子设备操作所需的各种程序和数据。处理装置反欺诈方法不能识别出使用虚拟拨号设备进行欺诈的用户的技术问题。与现有技术相比，本申请提供的电子设备的有益效果与上述实施例提供的欺诈用户识别方法的有益效果相[0226]本申请提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令识别网络模型预测得到所述目标用户对应的欺诈识[0230]可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算部分在用户计算机上部分在远