[發明專利]基于隨機森林算法的騷擾電話識別方法及系統

在審

• 申請號: 201910339683.6
• 申請日: 2019-04-25
• 公開（公告）號: CN110147430A
• 公開（公告）日: 2019-08-20
• 發明（設計）人: 周紅敏;祝敬安;王紅熳;韋紅;丁正;顧曉東;張飛;賈巖峰;劉艷
• 申請（專利權）人: 上海欣方智能系統有限公司;上海欣方軟件有限公司
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/35
• 代理公司: 北京紐樂康知識產權代理事務所(普通合伙) 11210
• 代理人: 白明珠

1.一種基于隨機森林算法的騷擾電話識別方法，其特征在于，包括以下步驟：

處理原始數據集，確定正負騷擾電話樣本的分布比例；

利用SMOTE算法對所述原始數據集進行過采樣后生成新樣本集；

根據所述新樣本集構建騷擾電話識別模型，并初始化所述騷擾電話識別模型中隨機森林參數；

利用十折交叉驗證訓練騷擾電話識別模型后進行驗證，并計算其識別效果評估值；

獲取最優騷擾電話識別模型，利用pickle依次將最優騷擾電話識別模型序列化和反序列化后構建API，將最優騷擾電話識別模型以接口方式部署上線；

待測通話記錄到達時，調用API接口，將數據輸入到最優騷擾電話識別模型進行預測。

2.根據權利要求1所述的基于隨機森林算法的騷擾電話識別方法，其特征在于，利用SMOTE算法對所述原始數據集進行過采樣后生成新樣本集包括：

對少數類的騷擾電話樣本進行分析，并根據所述騷擾電話樣本人工合成新樣本添加到原始數據集中；

每個少數類的騷擾電話樣本，從其最近鄰中隨機選取若干第一樣本；

在騷擾電話樣本和第一樣本的連線上隨機選取第二樣本。

3.根據權利要求1所述的基于隨機森林算法的騷擾電話識別方法，其特征在于，針對所述新樣本集構建騷擾電話識別模型，并初始化所述騷擾電話識別模型中隨機森林參數包括：

設置隨機森林參數，其中，所述隨機森林參數包括決策樹的個數、有放回的采樣、信息增益、最適屬性時劃分的特征和樹的最大深度；

計算屬性的信息增益，選取最合適的節點，子節點重復計算信息增益，并選取信息增益最大節點，依次論推，生成多棵樹，所述信息增益的計算公式如下：

g(D,A)＝H(D)-H(D|A)

其中，H(D)為經驗熵，H(D|A)為選定特征A的經驗條件熵；

根據隨機森林參數和信息增益值構建隨機森林，利用隨機森林算法訓練多顆決策樹生成騷擾電話識別模型。

4.根據權利要求1-3任一項所述的基于隨機森林算法的騷擾電話識別方法，其特征在于，該方法還包括，所述識別效果評估值對所述騷擾電話識別模型進行評估，其中，所述識別效果評估值包括精準率、召回率和F1-score，其計算公式分別如下：

Precision(精準率)＝TP/(TP+FP)

Recall(召回率)＝TP/(TP+FN)

F1-score＝2*Precision*Recall/(Precision+Recall)

其中，TP代表樣本為正，預測結果為正的個數，FP代表樣本為負，預測結果為正的個數，FN代表樣本為正，預測結果為負的個數。

5.一種基于隨機森林算法的騷擾電話識別系統，其特征在于，包括：

確定模塊，用于處理原始數據集，確定正負騷擾電話樣本的分布比例；

生成模塊，用于利用SMOTE算法對所述原始數據集進行過采樣后生成新樣本集；

第一構建模塊，用于根據所述新樣本集構建騷擾電話識別模型，并初始化所述騷擾電話識別模型中隨機森林參數；

驗證模塊，用于利用十折交叉驗證訓練騷擾電話識別模型后進行驗證，并計算其識別效果評估值；

獲取模塊，用于獲取最優騷擾電話識別模型，利用pickle依次將最優騷擾電話識別模型序列化和反序列化后構建API，將最優騷擾電話識別模型以接口方式部署上線；

識別模塊，用于待測通話記錄到達時，調用API接口，將數據輸入到最優騷擾電話識別模型進行預測。

6.根據權利要求5所述的基于隨機森林算法的騷擾電話識別系統，其特征在于，所述生成模塊包括：

分析模塊，用于對少數類的騷擾電話樣本進行分析，并根據所述騷擾電話樣本人工合成新樣本添加到原始數據集中；

第一選取模塊，用于每個少數類的騷擾電話樣本，從其最近鄰中隨機選取若干第一樣本；

第二選取模塊，用于在騷擾電話樣本和第一樣本的連線上隨機選取第二樣本。