诈骗事件识别方法、装置、电子设备及可读存储介质与流程

本发明属于通信，特别是涉及一种诈骗事件识别方法、装置、电子设备及可读存储介质。

背景技术：

1、目前通讯信息诈骗案例集中呈现出了一些新的特征：例如诈骗模式事件链化。诈骗往往不是孤立的事件，而是一个复杂的过程，一个诈骗事件其中的诈骗过程可能涉及多个步骤和多个参与者。例如，一个诈骗活动可能从电话联系开始，然后通过短信和网页引导受害者，最终导致资金损失。

2、相关技术中，传统的诈骗事件识别往往是针对某个事件的一种数据进行判断，但忽视了事件演变过程中之间的关联性。例如，仅仅根据电话记录或短信内容进行诈骗判断，无法全面了解诈骗活动的多样性和演变，这样的诈骗事件识别方法的全面性以及准确性较低。

技术实现思路

1、本发明提供一种诈骗事件识别方法、装置、电子设备及可读存储介质，以便解决诈骗事件识别方法的全面性以及准确性较低的问题。

2、为了解决上述技术问题，本发明是这样实现的：

3、第一方面，本发明提供一种诈骗事件识别方法，所述方法包括：

4、针对任一目标事件，对所述目标事件对应的目标数据集合进行特征提取，得到目标特征向量集合；所述目标数据集合包含从不同数据源获取的与所述目标事件相关的至少两个目标数据；

5、将时间序列集合对应的多个时间向量分别与所述目标特征向量集合中的多个目标特征向量进行拼接，得到各所述目标数据对应的强时间数据特征；所述时间序列集合包含用于表征所述至少两个目标数据的发生时间顺序的目标序列值；

6、基于所述强时间数据特征，获取各所述目标数据对应的目标隐层特征，得到目标隐层特征集合；

7、基于所述目标隐层特征集合，获取预测概率；所述预测概率用于表征所述目标事件属于诈骗事件的概率。

8、可选地，所述基于所述强时间数据特征，获取各所述目标数据对应的目标隐层特征，得到目标隐层特征集合，包括：

9、针对所述多个强时间数据特征中的任一目标强时间数据特征，基于所述目标强时间数据特征，获取所述目标强时间数据特征对应的第一隐层特征；所述第一隐层特征与所述目标强时间数据特征对应的目标序列值相对应；

10、在确定各所述目标强时间数据特征对应的第一隐层特征后，针对任一目标序列值，将所述目标序列值的前一序列值对应的第一隐层特征与所述目标序列值对应的第一隐层特征进行融合，得到所述目标序列值对应的目标隐层特征。

11、可选地，所述至少两个目标数据包括：电话数据、短信数据以及网络数据；所述方法还包括：

12、从不同数据源获取与所述目标事件相关的电话数据、短信数据以及网络数据；

13、按照所述电话数据的第一发生时间、所述短信数据的第二发生时间以及所述网络数据的第三发生时间，对所述电话数据、所述短信数据以及所述网络数据进行排序，得到目标数据集合；

14、将所述第一发生时间、所述第二发生时间以及所述第三发生时间按照时间先后顺序进行排列，得到所述时间序列集合。

15、可选地，所述对所述目标事件对应的目标数据集合进行特征提取，得到目标特征向量集合，包括：

16、针对所述目标数据集合中的任一目标数据，利用特征提取模型中的卷积层对所述目标数据进行卷积处理，得到所述目标数据对应的目标特征；

17、通过所述特征提取模型中的池化层以及全连接层分别对所述目标数据集合中的各所述目标数据对应的目标特征进行池化处理以及全连接处理，得到所述目标特征向量集合。

18、可选地，所述时间序列集合中包括多个目标序列值；所述方法还包括：

19、针对所述时间序列集合中的任一目标序列值，按照第一公式对所述目标序列值进行编码，得到所述目标序列值对应的时间向量；

20、所述第一公式包括：

21、

22、其中，所述表示所述时间向量，所述t表示所述目标序列值，所述constant表示数量常量，所述dφ(x)表示所述目标数据集合中目标数据的个数，所述dt表示所述目标数据集合的维度。

23、可选地，所述基于所述目标隐层特征集合，获取预测概率，包括：

24、对所述目标隐层特征集合中的多个目标隐层特征进行拼接，得到拼接特征；

25、将所述拼接特征输入预测模型，并基于所述拼接特征以及第二公式，获取所述预测模型输出的预测概率；

26、所述第二公式包括：

27、

28、其中，σ为激活函数，wn表示权重，h′表示所述拼接特征，bn表示偏置值，y表示所述预测概率。

29、可选地，所述将所述目标序列值的前一序列值对应的第一隐层特征与所述目标序列值对应的第一隐层特征进行融合，得到所述目标序列值对应的目标隐层特征，包括：

30、基于所述目标序列值对应的第一隐层特征、所述目标序列值的前一序列值对应的第一隐层特征以及第三公式，确定所述目标序列值对应的目标隐层特征；

31、所述第三公式包括：

32、

33、其中，所述ht表示所述目标序列值对应的第一隐层特征，所述ht-1表示所述目标序列值的前一序列值对应的第一隐层特征，所述ξ表示固定取值的选择因子。

34、第二方面，本发明提供一种诈骗事件识别装置，所述装置包括：

35、第一提取模块，用于针对任一目标事件，对所述目标事件对应的目标数据集合进行特征提取，得到目标特征向量集合；所述目标数据集合包含从不同数据源获取的与所述目标事件相关的至少两个目标数据；；

36、第一拼接模块，用于将时间序列集合对应的多个时间向量分别与所述目标特征向量集合中的多个目标特征向量进行拼接，得到各所述目标数据对应的强时间数据特征；所述时间序列集合包含用于表征所述至少两个目标数据的发生时间顺序的目标序列值；

37、第一获取模块，用于基于所述强时间数据特征，获取各所述目标数据对应的目标隐层特征，得到目标隐层特征集合；

38、第二获取模块，用于基于所述目标隐层特征集合，获取预测概率；所述预测概率用于表征所述目标事件属于诈骗事件的概率。

39、第三方面，本发明提供一种电子设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述诈骗事件识别方法。

40、第四方面，本发明提供一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述诈骗事件识别方法

41、在本发明实施例中，通过从不同数据源获取与目标时间相关的至少两个目标数据，并进行特征提取，可以收集到有关同一目标事件的不同阶段不同数据源的相关数据，进而对目标数据进行特征提取，从而获取不同维度、不同阶段的目标数据对应的特征向量，得到目标特征向量集合。进一步地，通过将时间序列集合对应的多个时间向量分别与所述目标特征向量集合中的目标特征向量进行拼接，得到强时间数据特征。这样，由于强时间数据特征是基于时间序列集合与目标特征向量拼接得到的，则相当于强时间数据特征包含了至少两个目标数据的发生时间顺序与至少两个目标数据对应的目标特征向量的信息，使得强时间数据特征可以一定程度上基于时间序列集合与目标特征向量揭示目标事件的事件演变过程，使得后续基于强时间数据特征获取目标隐层特征，进而获取预测概率的过程中，更全面的展现出目标事件的“发展轨迹”，更精准地捕捉目标事件的本质，得到的关于目标事件是否为诈骗事件的预测概率更加可靠，一定程度上提高了诈骗事件识别方法的全面性以及准确性。