[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

本發明公開了基于隨機森林算法的騷擾電話識別方法和系統，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。本發明有益效果：不僅有效避免人工誤判和漏判行為，而且降低模型的誤差，同時，提高模型的可用性和實用性。

技術領域

本發明涉及自然語言處理領域，具體來說，涉及一種基于隨機森林算法的騷擾電話識別方法及系統。

背景技術

騷擾電話推銷產品或者是一些冒充警方、銀行工作人員故意進行電話騷擾的行為，騷擾電話具有很強的干擾性、誘惑力與欺騙性，而且容易偽裝，撥打次數頻繁和不易破案，嚴重危害了人民的正常生活和個人隱私。

針對相關技術中的問題，目前尚未提出有效的解決方案。

發明內容

針對相關技術中的上述技術問題，本發明提出一種基于隨機森林算法的騷擾電話識別方法和系統，能夠有效快速識別騷擾電話，有效解決人為誤判和漏判騷擾電話問題。

為實現上述技術目的，本發明的技術方案是這樣實現的：

一種基于隨機森林算法的騷擾電話識別方法，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；

針對不平衡的騷擾電話樣本，采用SMOTE算法對所述原始數據集進行過采樣后生成新樣本集，平衡數據分布；

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，設置隨機森林參數輸入、輸出變量；

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；

采用網絡搜索獲取最優騷擾電話識別模型，提高隨機森林的精準度，提高訓練效率，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。

進一步地，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。

進一步地，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。