[發(fā)明專利]垃圾消息攔截方法和裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201710276058.2
• 申請(qǐng)日: 2017-04-25
• 公開(kāi)（公告）號(hào): CN108733730A
• 公開(kāi)（公告）日: 2018-11-02
• 發(fā)明（設(shè)計(jì)）人: 王衛(wèi)姣
• 申請(qǐng)（專利權(quán)）人: 北京京東尚科信息技術(shù)有限公司;北京京東世紀(jì)貿(mào)易有限公司
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30;H04L12/58
• 代理公司: 中原信達(dá)知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11219
• 代理人: 張一軍;姜?jiǎng)?/td>

1.一種垃圾消息攔截方法，其特征在于，包括如下依次執(zhí)行的步驟：

a)從歷史聊天記錄中抽取出滿足長(zhǎng)度條件的消息；

b)對(duì)抽取出的消息進(jìn)行去重復(fù)；

c)對(duì)去重復(fù)的消息進(jìn)行分詞并去除停用詞，所述停用詞是指沒(méi)有具體意義的詞語(yǔ)；

d)計(jì)算依次執(zhí)行步驟a)至c)后得到的每條消息的每個(gè)詞語(yǔ)的權(quán)重；

e)借助余弦公式計(jì)算經(jīng)處理的用戶消息與依次執(zhí)行步驟a)至d)后形成的垃圾消息語(yǔ)料庫(kù)中每條語(yǔ)料之間的最大相似度，其中，所述經(jīng)處理的用戶消息是經(jīng)分詞后又去除停用詞并最后計(jì)算出每個(gè)詞語(yǔ)的權(quán)重的用戶消息；

f)根據(jù)所述最大相似度確定和調(diào)整相似度閾值，并借助所述相似度閾值攔截垃圾消息。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，抽取出的消息的長(zhǎng)度大于50個(gè)字符。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述用戶消息是用戶離線消息或用戶在線消息。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，在對(duì)所述抽取出的消息進(jìn)行去重復(fù)之后且在進(jìn)一步進(jìn)行分詞之前通過(guò)人工的方式去除非垃圾消息。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，如下地確定和調(diào)整用于攔截垃圾消息的相似度閾值：

設(shè)置相似度閾值的初始值，當(dāng)所述最大相似度大于或等于所述相似度閾值的初始值時(shí)，要求用戶輸入驗(yàn)證碼，如果一部分非垃圾消息在發(fā)送的情況下需要用戶輸入驗(yàn)證碼，則將相似度閾值增大，而如果一部分垃圾消息未被攔截到，則將所述一部分垃圾消息擴(kuò)充到所述垃圾消息語(yǔ)料庫(kù)中并將相似度閾值減小，直至實(shí)現(xiàn)攔截最大量的垃圾消息且誤攔截最少的非垃圾消息。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述余弦公式為

其中，M為所述垃圾消息語(yǔ)料庫(kù)中的任意一條語(yǔ)料；U為經(jīng)分詞后又去除停用詞并最后計(jì)算出每個(gè)詞語(yǔ)的權(quán)重的用戶消息，并且其中，s₁，s₂，...，s_i是在M和U中同時(shí)出現(xiàn)的詞語(yǔ)；t₁，t₂，...，t_j是在M中出現(xiàn)的所有詞語(yǔ)；r₁，r₂，...，r_k是在U中出現(xiàn)的所有詞語(yǔ)；i≤min(j，k)。

7.一種垃圾消息攔截裝置，其特征在于，所述垃圾消息攔截裝置包括垃圾消息語(yǔ)料準(zhǔn)備模塊以及消息處理及垃圾消息攔截模塊，其中，

所述垃圾消息語(yǔ)料準(zhǔn)備模塊用于從歷史聊天記錄中抽取出滿足長(zhǎng)度條件的消息、對(duì)抽取出的消息進(jìn)行去重復(fù)、分詞、去除停用詞以及計(jì)算出依次經(jīng)過(guò)上述處理的每條消息的每個(gè)詞語(yǔ)的權(quán)重，從而形成垃圾消息語(yǔ)料庫(kù)，其中，所述停用詞是指沒(méi)有具體意義的詞語(yǔ)；

所述消息處理及垃圾消息攔截模塊用于借助余弦公式計(jì)算經(jīng)處理的用戶消息與所述垃圾消息語(yǔ)料庫(kù)中每條語(yǔ)料之間的最大相似度并根據(jù)所述最大相似度確定和調(diào)整相似度閾值以便借助所述相似度閾值攔截垃圾消息，其中，所述經(jīng)處理的用戶消息是經(jīng)分詞后又去除停用詞并最后計(jì)算出每個(gè)詞語(yǔ)的權(quán)重的用戶消息。

8.根據(jù)權(quán)利要求7所述的裝置，其特征在于，抽取出的消息的長(zhǎng)度大于50個(gè)字符。

9.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述用戶消息是用戶離線消息或用戶在線消息。

10.根據(jù)權(quán)利要求7所述的方法，其特征在于，在對(duì)所述抽取出的消息進(jìn)行去重復(fù)之后且在進(jìn)一步進(jìn)行分詞之前通過(guò)人工的方式去除非垃圾消息。