[發明專利]一種字符串分類方法、系統及一種字符串分類設備

有效

• 申請號: 201711046466.5
• 申請日: 2017-10-31
• 公開（公告）號: CN107807987B
• 公開（公告）日: 2021-07-02
• 發明（設計）人: 劉文印;楊振國;袁華平;陳旭;黎宇坤
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F16/955;G06F17/18;G06N20/00
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 羅滿

本發明公開了一種字符串分類方法包括：獲取待分類字符串；將所述待分類字符串輸入特征提取器中，得到所述待分類字符串對應的特征向量；將所述特征向量輸入分類器中，得到所述待分類字符串的分類結果。由此可見，本發明公開的字符串分類方法，在字符串分類的過程中，僅僅使用字符串本身的特征，即直接將待分類字符串輸入特征提取器中得到特征向量，分類器根據特征向量對待分類字符串進行分類，避免使用與待分類字符串相關聯的其他信息。本發明還公開了一種字符串分類系統及一種字符串分類設備和計算機可讀存儲介質，同樣能實現上述技術效果。

技術領域

本發明涉及文本處理技術領域，更具體地說，涉及一種字符串分類方法、系統一種字符串分類設備和計算機可讀存儲介質。

背景技術

文本處理技術有很多應用，可以應用于網絡釣魚檢測技術領域、惡意網絡請求檢測技術領域、及文檔分類領域。隨著互聯網應用在我國的飛速發展，網絡安全受到極大威脅，各種惡意網絡請求越來越多，網絡釣魚的對象也主要分布在金融網站和電子商務網站方面。由于其釣魚手段的層出不窮，蔓延速度快，造成損失巨大，已使其成為最嚴重的詐騙問題之一，也嚴重阻礙了在線金融、電子商務的健康發展。目前網絡釣魚已經成為互聯網歷史上傳播速度最快、最為普及的網絡詐騙方式。

現有技術大部分的字符串分類方法中，通常是要利用與字符串相關聯的其他信息，例如釣魚網站檢測中除了需要URL網址字符串，還需要其網頁的信息，來提取特征，有的方法甚至需要利用多層頁面的信息，這就導致在實際使用中需要訪問網頁來獲得頁面信息，遇到網絡狀態不好時系統就無法做到實時檢測。同時，現有的利用機器學習方法來實現字符串分類的方法中，通常需要結合人工經驗來設計特征提取的方法，這需要領域專家知識，而且針對不同的問題，其特征設計的方法也不同，所以這是非常繁瑣的步驟，另外，人工設計的特征往往依賴于特定的數據集，會帶有主觀因素，限制了模型的表現能力。

因此，如何在字符串分類的過程中設計自動提取特征的方法以及僅僅使用字符串本身的特征，避免使用與其相關聯的其他信息是本領域技術人員需要解決的問題。

發明內容

本發明的目的在于提供一種字符串分類方法、系統及一種字符串分類設備和計算機可讀存儲介質，在字符串分類的過程中僅僅使用字符串本身的特征，避免使用與其相關聯的其他信息。

為實現上述目的，本發明實施例提供了一種字符串分類方法，包括：

獲取待分類字符串；

將所述待分類字符串輸入特征提取器中，得到所述待分類字符串對應的特征向量；

將所述特征向量輸入分類器中，得到所述待分類字符串的分類結果。

其中，將所述待分類字符串輸入特征提取器中，得到所述待分類字符串對應的特征向量，包括：

將所述待分類字符串輸入所述特征提取器中；

所述特征提取器將所述待分類字符串按照預先設定的劃分方式劃分為N個字符串子段，并從所述N個字符串子段中選擇M個字符串子段；其中，N為正整數，M為不大于N的正整數；

所述特征提取器將所述M個字符串子段輸入訓練完成的C2V模型中，生成所述M個字符串子段中每一個字符串子段對應的特征矩陣，所述特征矩陣的每一行對應所述每一個字符串子段中的一個字符的n維特征向量，每一列對應所述n維特征向量的每一個維度，其中，n為正整數；

所述特征提取器利用統計學方法計算所述特征矩陣每一列的統計特征值，得到所述每一個字符串子段對應的統計特征向量，并根據所有的所述統計特征向量生成所述待分類字符串對應的特征向量。

其中，所述統計學方法至少包括取平均值、取標準差、取中位數中的任一項。

其中，所述根據所有的所述統計特征向量生成所述待分類字符串對應的特征向量，包括：