張青

【摘? 要】為了自動(dòng)識(shí)別各類(lèi)詐騙電話，有效提升用戶通話體驗(yàn)，減少用戶經(jīng)濟(jì)損失，采用挖掘分析中的統(tǒng)計(jì)和數(shù)據(jù)建模方法，通過(guò)分析用戶通話信令，研究通話業(yè)務(wù)模式，構(gòu)建異常通話自動(dòng)識(shí)別的聚類(lèi)算法。經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證了該聚類(lèi)算法在假冒領(lǐng)導(dǎo)詐騙電話自動(dòng)識(shí)別的有效性，可有針對(duì)性地指導(dǎo)接下來(lái)的詐騙電話細(xì)分。

【關(guān)鍵詞】聚類(lèi)算法;詐騙電話;自動(dòng)識(shí)別

1? ?引言

截止2018年第二季度末，我國(guó)手機(jī)用戶已超過(guò)15億，固定電話用戶約為2億，中國(guó)已成為全球電話用戶最多的通信大國(guó)。但是，在電信產(chǎn)業(yè)快速發(fā)展的同時(shí)，利用高科技通訊技術(shù)和金融轉(zhuǎn)賬方式的便利進(jìn)行的各種違法犯罪活動(dòng)也日益猖獗起來(lái)[1-3]。

通信信息詐騙是犯罪分子以非法占有為目的，利用網(wǎng)絡(luò)、手機(jī)、固定電話、短信等通信工具，采取遠(yuǎn)程、非接觸的方式，通過(guò)虛構(gòu)事實(shí)誘使受害人往指定的賬號(hào)打款或轉(zhuǎn)賬，騙取他人財(cái)物的一種犯罪行為。假冒領(lǐng)導(dǎo)詐騙場(chǎng)景中，騙子通過(guò)電話冒充領(lǐng)導(dǎo)或熟人進(jìn)行騙錢(qián)，從“猜猜我是誰(shuí)”，到“我是你領(lǐng)導(dǎo)”，使不少電信用戶上當(dāng)受騙，蒙受巨額經(jīng)濟(jì)損失。

常見(jiàn)的通信信息防詐騙技術(shù)方法是通過(guò)在網(wǎng)絡(luò)側(cè)對(duì)短時(shí)高頻發(fā)話行為進(jìn)行識(shí)別和攔截來(lái)實(shí)現(xiàn)的。而目前大部分詐騙場(chǎng)景，例如假冒領(lǐng)導(dǎo)、網(wǎng)購(gòu)詐騙等，其人工發(fā)話行為已經(jīng)和正常的通話非常類(lèi)似。如果僅僅通過(guò)發(fā)話頻次特征來(lái)識(shí)別，其準(zhǔn)確率和覆蓋率達(dá)不到預(yù)定的目標(biāo)，需要運(yùn)用大數(shù)據(jù)挖掘算法來(lái)尋找更能有效區(qū)分詐騙通話行為的特征。

對(duì)詐騙行為的識(shí)別是一個(gè)典型的二分類(lèi)問(wèn)題，用于分類(lèi)的算法大致分為有監(jiān)督學(xué)習(xí)（決策樹(shù)、樸素貝葉斯、SVM等）和無(wú)監(jiān)督學(xué)習(xí)（聚類(lèi)等）兩類(lèi)。在詐騙識(shí)別的初始階段，樣本一般來(lái)源于有經(jīng)濟(jì)損失的詐騙受害者到公安的報(bào)案以及來(lái)自于工信部12321網(wǎng)站上的舉報(bào)信息，這個(gè)樣本量占詐騙總量的極小一部分，對(duì)模型樣本的訓(xùn)練不具備有監(jiān)督學(xué)習(xí)的條件。

本文在深入分析通話信令的業(yè)務(wù)模型的前提下，在異常通話模式中，采用挖掘建模中的聚類(lèi)算法，有效提取假冒領(lǐng)導(dǎo)詐騙電話的通話特征，從而為自動(dòng)識(shí)別假冒領(lǐng)導(dǎo)詐騙電話提供有效的手段[4]。

2? ?聚類(lèi)算法概述

聚類(lèi)算法起源于分類(lèi)學(xué)，在古老的分類(lèi)學(xué)中，人們主要依靠經(jīng)驗(yàn)和專業(yè)知識(shí)來(lái)實(shí)現(xiàn)分類(lèi)，很少利用數(shù)學(xué)工具進(jìn)行定量的分類(lèi)。隨著人類(lèi)科學(xué)技術(shù)的快速發(fā)展，對(duì)分類(lèi)的要求越來(lái)越高，以致有時(shí)僅憑經(jīng)驗(yàn)和專業(yè)知識(shí)難以確切地進(jìn)行分類(lèi)，于是人們逐漸把數(shù)學(xué)工具引用到了分類(lèi)學(xué)中，形成了數(shù)值分類(lèi)學(xué)，之后又將多元分析的技術(shù)引入到數(shù)值分類(lèi)學(xué)形成了聚類(lèi)算法[5]。聚類(lèi)算法研究?jī)?nèi)容非常豐富，具體包括系統(tǒng)聚類(lèi)法、動(dòng)態(tài)聚類(lèi)法、模糊聚類(lèi)法、圖論聚類(lèi)法、有序樣品聚類(lèi)法、聚類(lèi)預(yù)報(bào)法等。

在機(jī)器學(xué)習(xí)中，聚類(lèi)是一種無(wú)監(jiān)督學(xué)習(xí)，是在預(yù)先不知道欲劃分類(lèi)的情況下，根據(jù)信息相似度原則進(jìn)行信息聚類(lèi)的一種方法。聚類(lèi)的目的是使得屬于同類(lèi)別的對(duì)象之間的差別盡可能的小，而不同類(lèi)別上的對(duì)象之間的差別盡可能的大。因此，聚類(lèi)的意義就在于將觀察到的內(nèi)容組織成類(lèi)分層結(jié)構(gòu)，把類(lèi)似的事物組織在一起。

3? ?聚類(lèi)算法的數(shù)據(jù)挖掘

下面采用跨行業(yè)數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程CRISP-DM（Cross-Industry Standard Process for Data Mining）來(lái)闡述如何使用聚類(lèi)算法對(duì)假冒領(lǐng)導(dǎo)詐騙電話進(jìn)行自動(dòng)識(shí)別的全過(guò)程。

3.1? 業(yè)務(wù)理解

在大量手機(jī)和固話的通話信令中，詐騙電話的通話行為往往都隱藏在異常通話行為中。何謂異常通話行為，具體包括利用特殊設(shè)備，對(duì)批量號(hào)碼進(jìn)行外呼等。包括不等待被叫用戶接通即掛斷的“響一聲”，誘騙用戶回?fù)芎筮M(jìn)行廣告或詐騙行為;自動(dòng)語(yǔ)音外呼，又稱“惡意呼叫”，是一種機(jī)器行為，通過(guò)播放虛假信息，例如停機(jī)、欠費(fèi)等進(jìn)行詐騙;精準(zhǔn)人工詐騙，在獲取被叫用戶姓名等信息的情況下，采取人工批量外呼，實(shí)施詐騙行為。下面對(duì)某運(yùn)營(yíng)商在廣東某地的通話信令進(jìn)行分析，進(jìn)而對(duì)其中涉及上述三類(lèi)異常通話行為來(lái)構(gòu)建業(yè)務(wù)模型。

（1）“響一聲”

1）通話場(chǎng)景

目前的“響一聲”主叫號(hào)碼可以分為兩類(lèi)，一類(lèi)是普通手機(jī)號(hào)碼，另一類(lèi)是聲訊臺(tái)號(hào)碼。

“響一聲”大部分是普通手機(jī)號(hào)碼發(fā)呼，例如130-139，150-159等手機(jī)號(hào)段，這類(lèi)響一聲電話主要目的有三種：

◆部分企業(yè)誘導(dǎo)用戶回?fù)茈娫掃M(jìn)行廣告宣傳;

◆部分不法分子誘導(dǎo)用戶回?fù)茈娫掃M(jìn)行六合彩、賣(mài)淫等信息宣傳;

◆部分不法分子誘導(dǎo)用戶回?fù)茈娫掃M(jìn)行通信詐騙活動(dòng)。

此外，還有一類(lèi)顯示的是非普通號(hào)碼，例如96，168等開(kāi)頭的聲訊臺(tái)號(hào)碼，這些號(hào)碼主要被取得正規(guī)運(yùn)營(yíng)資質(zhì)的聲訊臺(tái)或者信息服務(wù)公司擁有，回?fù)苓@類(lèi)號(hào)碼可能會(huì)產(chǎn)生信息服務(wù)費(fèi)。

主要關(guān)注利用“響一聲”進(jìn)行詐騙的行為，所以會(huì)關(guān)注普通手機(jī)號(hào)碼的外呼行為。

2）通話信令特征

◆高頻（日通話次數(shù)為500次以上，在三類(lèi)異常通話行為中發(fā)呼頻次為最高）;

◆通話時(shí)長(zhǎng)callduration=0（主叫側(cè)掛機(jī)）;

◆6 s<呼叫時(shí)長(zhǎng)occupancyduration <10 s;

◆特征：看通話時(shí)長(zhǎng)為0的次數(shù)同時(shí)結(jié)合呼叫平均時(shí)長(zhǎng)小于7 s，判斷為機(jī)器行為。

（2）自動(dòng)語(yǔ)音外呼

1）通話場(chǎng)景

自動(dòng)語(yǔ)音外呼是通過(guò)電腦自動(dòng)往外撥打用戶電話，將錄制好的語(yǔ)音通過(guò)電腦播放給用戶，將電腦電話集成一體，這是現(xiàn)代客戶服務(wù)中心系統(tǒng)必不可少的一個(gè)組成部分。通過(guò)錄制語(yǔ)速適中清晰的語(yǔ)音，批量外呼后實(shí)現(xiàn)自動(dòng)播放通知、廣告等。客戶有興趣的話，可以通過(guò)按鍵進(jìn)行咨詢，這時(shí)候便轉(zhuǎn)接到人工話務(wù)員。而通過(guò)播放虛假信息，例如停機(jī)、欠費(fèi)等進(jìn)行詐騙也就隱匿在其中。

2）通話信令特征

◆高頻，但日通話次數(shù)較“響一聲”發(fā)呼頻次少;

◆語(yǔ)音外呼;

◆3 s<通話時(shí)長(zhǎng)callduration<10 s（被叫未上當(dāng)），被叫側(cè)掛斷，詐騙上當(dāng)者平均通話時(shí)長(zhǎng)callduration大于120 s;

◆呼叫時(shí)長(zhǎng)occupancyduration遠(yuǎn)大于6 s;

◆每天平均通話時(shí)長(zhǎng)小于10 s（大部分電話打不通或由于被叫用戶警惕性高，接通后很快掛機(jī)，拉低通話均值，根據(jù)統(tǒng)計(jì)信息：一般正常通話時(shí)長(zhǎng)平均為40 s

～60 s）。

（3）人工高頻外呼

1）通話場(chǎng)景

人工在短時(shí)間內(nèi)多次撥打用戶電話，假冒領(lǐng)導(dǎo)就是其中典型的詐騙場(chǎng)景之一。騙子通過(guò)電話冒充領(lǐng)導(dǎo)或熟人進(jìn)行騙錢(qián)。從“猜猜我是誰(shuí)”，到“我是你領(lǐng)導(dǎo)”，一旦被叫用戶上當(dāng)，落入騙子的圈套進(jìn)行轉(zhuǎn)賬操作，用戶將會(huì)蒙受巨大的經(jīng)濟(jì)損失。

2）通話信令特征

◆高頻：每天通話次數(shù)在100次左右;

◆人工外呼（類(lèi)似熟人，有被叫人準(zhǔn)確信息，例如姓名等）;

◆通話時(shí)長(zhǎng)callduration類(lèi)似正常通話;

◆每天平均通話長(zhǎng)小于10 s（大部分打不通或被叫用戶警惕性高，接通后很快掛機(jī)，拉低通話時(shí)間長(zhǎng)的均值）;

◆按日通話開(kāi)始時(shí)間點(diǎn)分布：考慮到人工性和詐騙場(chǎng)景的特殊性（第二天上午去找領(lǐng)導(dǎo)回訪），通話時(shí)間點(diǎn)集中在下午到晚上。

3.2? 數(shù)據(jù)準(zhǔn)備

通過(guò)對(duì)三種異常通話業(yè)務(wù)場(chǎng)景的分析，可以初步推測(cè)，理論上某些通話特征是可以將三種異常通話行為區(qū)隔開(kāi)來(lái)，例如平均通話時(shí)長(zhǎng)、通話時(shí)長(zhǎng)分段占比、呼叫時(shí)長(zhǎng)等。作為建模的基礎(chǔ)，構(gòu)建一張挖掘用寬表，該表按天按主叫號(hào)碼匯總。原始的通話信令中包含主叫號(hào)碼、被叫號(hào)碼、通話時(shí)長(zhǎng)、呼叫時(shí)長(zhǎng)等信息，為構(gòu)建更多的特征，采用特征工程獲取衍生變量構(gòu)成挖掘?qū)挶?，其中用到歸一化、均值化等特征處理方法。挖掘?qū)挶碜侄伟ㄖ鹘刑?hào)碼、總通話次數(shù)、總通話時(shí)長(zhǎng)（callduration）、平均通話時(shí)長(zhǎng)（ave_callduration）、總非零通話時(shí)長(zhǎng)（no_zero_callduration）、平均非零通話時(shí)長(zhǎng)（ave_calldur_no_zero）、零通話時(shí)長(zhǎng)占比（zero_callduration_rate）、零通話次數(shù)、被叫號(hào)碼個(gè)數(shù)、總呼叫時(shí)長(zhǎng)（occupancyduration）、平均呼叫時(shí)長(zhǎng)（ave_occpduration）、按日最早發(fā)話時(shí)間點(diǎn)、按日最晚發(fā)話時(shí)間點(diǎn)等特征。

根據(jù)上面分析的三類(lèi)異常通話場(chǎng)景，篩選按天按主叫號(hào)碼統(tǒng)計(jì)的通話次數(shù)大于等于100的寬表記錄，用聚類(lèi)算法來(lái)區(qū)分三類(lèi)異常通話行為的特征。

3.3? 數(shù)據(jù)建模

對(duì)多種聚類(lèi)算法模型（Kmeans、DBscan、兩步聚類(lèi)等）的訓(xùn)練結(jié)果進(jìn)行比較后，最終采用兩步聚類(lèi)分析方法[6-8]，聚類(lèi)結(jié)果如圖1所示。其中，Cluster Quality = 0.7，聚類(lèi)效果比較好。

對(duì)特征零通話時(shí)長(zhǎng)占比（zero_callduration_rate）及平均非零通話時(shí)長(zhǎng)（ave_calldur_no_zero）采用直方圖可以進(jìn)行輔助分析，零通話時(shí)長(zhǎng)占比高是因?yàn)楫惓Ｍㄔ捴斜唤械木栊愿?，未接通的比例相?duì)正常通話要高;而平均非零通話時(shí)長(zhǎng)的直方圖中，一類(lèi)幾乎全部集中在0 s～5 s內(nèi)，這是類(lèi)似“響一聲”的通話行為，還有一類(lèi)是有部分在0 s～5 s內(nèi)（警惕性高接聽(tīng)后未上當(dāng)主動(dòng)掛斷），同時(shí)也有類(lèi)似正常的通話行為。示例如圖2所示。

從業(yè)務(wù)模型的關(guān)鍵參數(shù)——平均呼叫時(shí)長(zhǎng)（ave_occpduration）和平均非零通話時(shí)長(zhǎng)（ave_calldur_no_zero），并結(jié)合上文3.1章節(jié)中三類(lèi)異常通話業(yè)務(wù)模型的通話信令特征，可以初步分析出：類(lèi)別3為響一聲（其平均非零呼叫時(shí)長(zhǎng)ave_occpduration約為6.44 s，平均通話時(shí)長(zhǎng)ave_callduration為0.09 s，幾乎為0）;類(lèi)別2包含假冒領(lǐng)導(dǎo)詐騙號(hào)碼（平均通話時(shí)長(zhǎng)為16 s，遠(yuǎn)小于正常通話時(shí)長(zhǎng)40 s～60 s的范圍），具體如圖3所示。

3.4? 模型優(yōu)化

將類(lèi)別2號(hào)碼的通話信令清單導(dǎo)出，進(jìn)一步嘗試增加新的特征，包括通話移固比例、接通后分段通話時(shí)長(zhǎng)占比、主叫歸屬地與被叫歸屬地相同的占比等，從而對(duì)假冒領(lǐng)導(dǎo)的典型模型做進(jìn)一步優(yōu)化。

（1）步驟1，篩選出類(lèi)別2的清單。

代碼示例如下：

select t1.ano，t1.bno，t1.starttime，t1.callduration，t1.opcname，t1.acity，t1.bcity，t1.Protocol，t1.occupancyduration

from

（select ano，bno，starttime，callduration，opcname，acity，bcity，Protocol，occupancyduration from（通話清單表）where p_day='2016-06-12'and SignalFrom='（詐騙發(fā)話地）'and Protocol in （'1'，'2'））t1 join select ano from （類(lèi)型2的號(hào)碼表） where…

（2）步驟2，新增特征：被叫號(hào)碼中移動(dòng)和固定電話號(hào)碼的占比等。

代碼示例如下：

select t1.ano，t1.call_sum，

（case when t2.mb_num is null then 0 else t2.mb_num end） mb_num，t1.zero_callduration，（t1.call_sum- t1.zero_callduration）no_zero_calldur，t1.zero_callduration_rate， t1.bno_num， t1.callduration_sum，…

（3）步驟3，新增一卡雙號(hào)和撥打特殊號(hào)碼的特征。

◆增加廣東全省一卡雙號(hào)的主副號(hào)對(duì)應(yīng)關(guān)系表。

◆繼而觀察當(dāng)天詐騙發(fā)話的主號(hào)打往銀行、充值平臺(tái)、10000/10001號(hào)客服的情況，代碼示例如下：

select t01.ahome，t01.ano，count（*）yh_call_sum，count（distinct t01.bno）yh_call_cont from

select ahome，ano，bno from （通話清單表） where p_day ='2016-06-28' and acl='3'…

◆綜合主副號(hào)特征、副號(hào)的發(fā)話時(shí)段、呼叫頻次、被叫離散度、主被叫歸屬地、被叫移固占比等特征、終端價(jià)格分檔、黑基站、黑銀行賬號(hào)短信以及包括相關(guān)主號(hào)呼叫特服號(hào)碼，包括銀行、充值平臺(tái)、電信客服號(hào)碼，主副號(hào)發(fā)話行為具有時(shí)間上的接續(xù)性等特征。

3.5? 模型驗(yàn)證

通過(guò)對(duì)聚類(lèi)模型的特征及算法的多次優(yōu)化，接下來(lái)用通話信令數(shù)據(jù)聚類(lèi)后的結(jié)果進(jìn)行業(yè)務(wù)效果驗(yàn)證。

（1）驗(yàn)證樣本選取

根據(jù)某通信運(yùn)營(yíng)商某日通話信令清單，在模型預(yù)測(cè)的正樣本中，篩取一定量樣本，按最大化覆蓋正樣本的原則，獲取通話時(shí)長(zhǎng)不低于5 s的記錄，以便有效回訪被叫。

（2）驗(yàn)證方法

為確定是否發(fā)生詐騙案，本方法以多種信息相互印證，包括客觀詐騙事實(shí)、被叫用戶證詞以及互聯(lián)網(wǎng)舉報(bào)信息。

具體如下：

1）樣本通話后存在被叫發(fā)出過(guò)110電話

2）被叫證詞：對(duì)樣本抽取的被叫回訪了解

◆其所接電話是否涉嫌假冒身份詐騙;

◆存在被叫向陌生人轉(zhuǎn)賬匯款事實(shí);

◆是否報(bào)警處理。

3）互聯(lián)網(wǎng)舉報(bào)信息：通過(guò)百度、360搜索引擎檢索

◆該號(hào)碼樣本是否被公眾標(biāo)記為詐騙電話;

◆樣本是否與公開(kāi)號(hào)碼相似度較高。

（3）樣本核定標(biāo)準(zhǔn)

對(duì)于因用戶原因拒絕回訪是否詐騙的樣本不予計(jì)算，以上三種驗(yàn)證方法只要符合其一，則認(rèn)為該樣本為真正的正樣本。

（4）驗(yàn)證步驟

◆后臺(tái)數(shù)據(jù)庫(kù)查詢相關(guān)主被叫通話信令記錄;

◆對(duì)正樣本通話時(shí)間長(zhǎng)的被叫優(yōu)先進(jìn)行回訪;

◆檢查話單，該被叫是否事后打過(guò)110;

◆互聯(lián)網(wǎng)檢索。

（5）驗(yàn)證情況匯總

從2016年9月1日的通話信令中共提取15個(gè)正樣本，通話共701次，涉及614個(gè)被叫。選擇通話大于等于5 s的被叫用戶進(jìn)行回訪，愿意受訪的有15人，涉及14個(gè)正樣本。

◆13人已意識(shí)到樣本屬假冒領(lǐng)導(dǎo)或熟人詐騙，涉及13個(gè)正樣本，按交流情況分析有13個(gè)正樣本為真正的正樣本，1個(gè)正樣本無(wú)法確定;

◆1人已報(bào)警處理，涉及正樣本1個(gè);

◆存在3個(gè)被叫向陌生人轉(zhuǎn)賬匯款，涉及正樣本3個(gè);

◆互聯(lián)網(wǎng)舉報(bào)信息：通過(guò)百度、360搜索引擎檢索情況無(wú)結(jié)果。

（6）驗(yàn)證結(jié)論

按被叫證詞、報(bào)警、轉(zhuǎn)賬等情況分析，14個(gè)正樣本中13個(gè)為真正的正樣本（有一個(gè)未能確認(rèn)），假冒領(lǐng)導(dǎo)模型分析精確率為：13/14=92.85%。

3.6? 模型部署

將模型固化到生產(chǎn)系統(tǒng)中，持續(xù)篩選假冒領(lǐng)導(dǎo)的詐騙號(hào)碼并對(duì)其主叫號(hào)碼進(jìn)行實(shí)時(shí)攔截。經(jīng)過(guò)一段時(shí)間的模型篩選和持續(xù)攔截，在集團(tuán)發(fā)布的12321用戶投訴記錄中，假冒領(lǐng)導(dǎo)詐騙類(lèi)型的投訴率大大降低。

4? ?結(jié)束語(yǔ)

隨著大數(shù)據(jù)分析挖掘技術(shù)的不斷發(fā)展，傳統(tǒng)詐騙電話的識(shí)別方法將出現(xiàn)大的變化。本文基于某省電信運(yùn)營(yíng)商通話信令數(shù)據(jù)，通過(guò)構(gòu)建異常通話業(yè)務(wù)模型，采用挖掘分析中的統(tǒng)計(jì)和聚類(lèi)建模方法，有效進(jìn)行假冒領(lǐng)導(dǎo)詐騙電話的自動(dòng)識(shí)別，可有針對(duì)性地指導(dǎo)接下來(lái)的詐騙電話細(xì)分。隨著詐騙場(chǎng)景的變化，可進(jìn)一步將聚類(lèi)算法拓展運(yùn)用到例如網(wǎng)購(gòu)詐騙、中獎(jiǎng)詐騙等詐騙場(chǎng)景中[9-10]。

參考文獻(xiàn)：

[1] 馬在鑫. 電信詐騙犯罪的形勢(shì)與對(duì)策[J]. 法制與社會(huì)， 2016（34）： 58-59.

[2] 吳勇. 通信網(wǎng)絡(luò)詐騙犯罪現(xiàn)狀及情境預(yù)防探析[J]. 法制與社會(huì)， 2016（32）： 268-269.

[3] 包瑯允，陽(yáng)平，徐愛(ài)華. 通信信息詐騙防范解決方案探討[J]. 電信技術(shù)， 2017（7）： 59-63.

[4] 羅漢斌，薛崢. 基于大數(shù)據(jù)的通信信息詐騙治理模式研究[J]. 電信工程技術(shù)與標(biāo)準(zhǔn)化， 2017（3）： 71-76.

[5] 胡宗海，曹立勇，姚程寬. 數(shù)據(jù)挖掘聚類(lèi)分析方法研究[J]. 科技廣場(chǎng)， 2017（3）： 6-9.

[6] 施卓敏，孫健英，何曉濤. 基于兩步聚類(lèi)分析方法的ARP系統(tǒng)用戶分析[J]. 計(jì)算機(jī)與現(xiàn)代化， 2014（3）： 73-76.

[7] 李莉，梁帝炎，王進(jìn)，等. 基于兩步聚類(lèi)算法的社區(qū)蔬菜直銷(xiāo)點(diǎn)顧客滿意度分析[J]. 農(nóng)村經(jīng)濟(jì)與科技， 2013（9）： 32-33.

[8] 楊美潔. 基于兩步聚類(lèi)算法的高血壓電子病歷數(shù)據(jù)挖掘研究[J]. 醫(yī)學(xué)信息學(xué)雜志， 2016，37（12）： 14-17.

[9] 吳珂，劉雅文. 如何識(shí)別電話詐騙[J]. 百姓生活， 2018（2）： 43.

[10] 李銘. 電信防詐騙電話系統(tǒng)的運(yùn)用探討[J]. 信息通信， 2017（1）： 245-246.