◎張婧旭

（中國電信股份有限公司福建分公司 福建 福州 350000）

隨著電信行業(yè)和計算機(jī)科技的迅速發(fā)展，出現(xiàn)一些團(tuán)體為了經(jīng)濟(jì)利益等，通過騷擾電話、垃圾短信等方式對目標(biāo)人群進(jìn)行騷擾；通過利用電腦設(shè)備和專用軟件，可以自動變換呼叫頻率，按照特定規(guī)則生成呼叫號碼并且實(shí)現(xiàn)高頻率呼叫。由于當(dāng)前辦理移動電話號碼的成本很低，騷擾電話發(fā)起者會經(jīng)常變換用于騷擾的電話號碼，增加對電話號碼捕捉的難度。因此，本文從實(shí)戰(zhàn)角度，介紹了一種適用于運(yùn)營商的基于用戶行為特征的騷擾欺詐電話識別技術(shù)，對提高治理騷擾、欺詐電話的準(zhǔn)確度提供借鑒。

一、電話騷擾行為的特征

騷擾電話有三種行為，分別是直接撥打、誘導(dǎo)回?fù)芎瓦B續(xù)呼叫。直接撥打，就是騷擾人直接撥打被騷擾人電話傳播事先錄制好的語音；誘導(dǎo)回?fù)?，就是撥打電話響鈴后自動掛斷，?dāng)被騷擾人回?fù)芎髸牭津}擾語音；連續(xù)呼叫，就是通過計算機(jī)對被騷擾人連續(xù)呼叫，影響被騷擾人正常通話。三種騷擾行為共同點(diǎn)是：呼叫頻率高；單位時間內(nèi)被叫數(shù)量大；呼叫時間比較集中；響鈴時間短；騷擾號碼被呼叫時的通話時間短；被叫號碼集中度高；被叫號碼為空號的比例大。

二、基于用戶行為特征的騷擾欺詐電話識別

（一）數(shù)據(jù)準(zhǔn)備

用戶在辦理業(yè)務(wù)時留下了檔案信息，包括戶名、證件號、性別、產(chǎn)品（套餐）等信息，在用戶通信過程中生成了通話詳單、上網(wǎng)詳單。對這些信息可以進(jìn)行初步的整合加工，得到我們進(jìn)行深度學(xué)習(xí)的基礎(chǔ)數(shù)據(jù)。如客戶入網(wǎng)時間、在網(wǎng)產(chǎn)品個數(shù)、套餐類別、開通時間、月通話次數(shù)、主叫通話次數(shù)、被叫號碼數(shù)、漫游地、上網(wǎng)流量等。同時為進(jìn)行深度學(xué)習(xí)，還需通過人工方式獲取一定量的騷擾、欺詐、快遞、外賣、客服等真實(shí)的號碼。

（二）數(shù)據(jù)處理

1.標(biāo)簽字段

將人工標(biāo)記的結(jié)果數(shù)據(jù)轉(zhuǎn)換為數(shù)值型的編碼，用于后續(xù)的算法使用。

2.日期型字段

用戶數(shù)據(jù)中有大量的日期型的數(shù)據(jù)，如客戶入網(wǎng)時間、套餐開通時間等，該類數(shù)據(jù)真正關(guān)心的不是具體的日期，而是該日期過去了多久，距今多少天或多少月等，用戶是老用戶還是新用戶等，因此需要對日期型數(shù)據(jù)進(jìn)行處理轉(zhuǎn)換，可以在python中處理，但更建議在數(shù)據(jù)庫中處理，因?yàn)閿?shù)據(jù)庫中處理相對簡單。部分?jǐn)?shù)據(jù)因?yàn)闅v史原因存在異常，需先對異常值進(jìn)行處理，如入網(wǎng)時間的最小最大值分別為11111111、99991231。

3.類別型字段

用戶數(shù)據(jù)中有大量的類別型的數(shù)據(jù)，如用戶星級、用戶終端廠商、用戶主套餐等，該類數(shù)據(jù)相對于數(shù)值型的數(shù)據(jù)，一方面是不同取值之間不存在大小的判斷，另一方面取值存在字符數(shù)據(jù)包括中文數(shù)據(jù)，因此需對這類數(shù)據(jù)進(jìn)行預(yù)處理，同時部分類別型字段的取值范圍太多（如終端型號、套餐類別等）需進(jìn)行歸類。

4.連續(xù)型字段

連續(xù)型字段指通話分鐘數(shù)、上網(wǎng)流量、客戶積分等數(shù)據(jù)，該類數(shù)據(jù)為實(shí)數(shù)型或整數(shù)型字段，可以根據(jù)業(yè)務(wù)理解基于已有數(shù)據(jù)加工大量新的字段供機(jī)器學(xué)習(xí)算法進(jìn)行數(shù)據(jù)挖掘。

5.綜合數(shù)據(jù)處理

將日期型字段、類別型字段、連續(xù)型字段結(jié)合起來做一些綜合性處理，例如將以上特征（字段）選取部分做聚類，再構(gòu)造統(tǒng)計特征。

6.內(nèi)存優(yōu)化

內(nèi)存優(yōu)化的思路是將數(shù)值型數(shù)據(jù)的數(shù)據(jù)類型轉(zhuǎn)為最合適的，如將數(shù)據(jù)類型由'intt64'轉(zhuǎn)為'int8'類型等。由此降低數(shù)據(jù)對內(nèi)存的占用，騰出內(nèi)存供機(jī)器學(xué)習(xí)算法使用，提高模型訓(xùn)練速度。

（三）算法實(shí)現(xiàn)

為保障機(jī)器學(xué)習(xí)訓(xùn)練出來的模型能用來預(yù)測，前面的數(shù)據(jù)處理是將訓(xùn)練數(shù)據(jù)和需要預(yù)測的數(shù)據(jù)（應(yīng)用數(shù)據(jù)）合并在一起處理的，以保證處理方式一致。因此，需將訓(xùn)練數(shù)據(jù)和應(yīng)用數(shù)據(jù)拆分出來，并需明確因變量和自變量，同時為測試模型的優(yōu)劣，需將訓(xùn)練數(shù)據(jù)中留出一定比例的數(shù)據(jù)作為測試集。

1.算法選擇

要預(yù)測的label字段取值有5個，因此該識別問題是個多分類問題，python中能做多分類的算法有隨機(jī) 森 林（Random Forest Classifier）、 多 分 類（One Vs Rest Classifier）、 邏 輯 回 歸（Logistic Regression），xgboost、LightGBM等，前三個Python的Scikit-learn中自帶，后兩個需下載安裝包在Python中安裝。經(jīng)過比較，xgboost、LightGBM的效果較好，LightGBM效率比xgboost高非常多，因此最終選擇了LightGBM算法。

2.算法實(shí)現(xiàn)

因樣本數(shù)量嚴(yán)重不均衡，需對此進(jìn)行處理，處理方式有過采樣、欠采樣、smote算法等，本次通過對訓(xùn)練模型設(shè)置權(quán)重來實(shí)現(xiàn)。

訓(xùn)練開始：2020.02.23 10:58:26

訓(xùn)練結(jié)束：2020.02.23 12:31:23

訓(xùn)練耗時：1小時32分鐘57.36秒

3.參數(shù)調(diào)優(yōu)

可以用GridSearchCV進(jìn)行參數(shù)調(diào)優(yōu)。

該調(diào)優(yōu)方法是對parameters中的所有參數(shù)進(jìn)行組合后逐個運(yùn)行，花費(fèi)時間較長，例如以上例子中若對max_depth，n_estimators兩個參數(shù)同時調(diào)優(yōu)，需花費(fèi)的時間約為7×5*1.5小時，約兩天。因此該調(diào)優(yōu)方法只適用于小數(shù)據(jù)量情況下，對于電信的大數(shù)據(jù)量同時調(diào)優(yōu)多個參數(shù)耗時都以天為單位，盡量只對每個參數(shù)進(jìn)行逐個調(diào)優(yōu)。

4.應(yīng)用測試集測試模型效果

查看AUC值

5.輸出結(jié)果

（一）模型訓(xùn)練結(jié)束，即可用模型對數(shù)據(jù)進(jìn)行預(yù)測。

三、結(jié)語

騷擾欺詐電話嚴(yán)重擾亂正常的生產(chǎn)生活秩序。對于普通用戶來說，這種行為不僅擾亂了正常工作生活，還造成精神上和經(jīng)濟(jì)上的損失；對于電信運(yùn)營商來說，這種行為影響了通信網(wǎng)絡(luò)資源的正常使用，影響了企業(yè)品牌形象。本文從實(shí)戰(zhàn)角度出發(fā)介紹了騷擾欺詐電話識別的一般過程，向運(yùn)營商提供一種可以基于用戶大數(shù)據(jù)利用人工智能技術(shù)進(jìn)行騷擾、欺詐電話的預(yù)測識別辦法，有利于提高治理騷擾、欺詐電話的準(zhǔn)確度和覆蓋率。