【技术实现步骤摘要】
本专利技术属于深度学习领域中的小样本学习方向，涉及一种利用小样本学习的深度神经网络模型应对快速变异的电信反欺诈方法及装置。
技术介绍
1、
2、在过去的十年中，深度学习在各类任务中取得了显著的成绩，这也依赖于海量标注样本的建设与发展。但是收集大量样本对于受害者群体，就意味着大量风险泄露，是应当尽量避免的。所以，如何利用尽量少的样本，覆盖变化后的新型欺诈问题，是欺诈风险识别的一大难点。在保证抽取的深层语义逻辑特征有效性的情况下，降低传统机器学习对大量样本的需求是本专利希望解决的。
技术实现思路
1、为解决上述问题，本专利技术提供一种针对快速变异信息的电信反欺诈方法及装置。传统机器学习需要大量样本。但是收集大量样本对于受害者群体，就意味着大量风险外溢，所以，在新型风险出现初期，利用尽量少的样本，在保证抽取的深层语义逻辑特征有效性的情况下，覆盖变化后的新型欺诈问题，有效应对不断出现的新型欺诈风险，本专利技术提出了一种利用小样本学习的深度神经网络模型应对快速变异的电信反欺诈方法及系统。
2、本本文档来自技高网...
【技术保护点】
1.一种针对快速变异信息的小样本电信反欺诈方法，包含如下步骤：
2.如权利要求1所述的一种针对快速变异信息的小样本电信反欺诈方法，其特征在于，步骤1具体包括：
3.如权利要求1所述的一种针对快速变异信息的小样本电信反欺诈方法，其特征在于，步骤2具体包括：
4.如权利要求1所述的一种针对快速变异信息的小样本电信反欺诈方法，其特征在于，步骤3具体包括：
5.如权利要求1所述的一种针对快速变异信息的小样本电信反欺诈方法，其特征在于，步骤4具体包括：
6.如权利要求1所述的一种针对快速变异信息的小样本电信反欺诈方法，...
【技术特征摘要】
1.一种针对快速变异信息的小样本电信反欺诈方法，包含如下步骤：
2.如权利要求1所述的一种针对快速变异信息的小样本电信反欺诈方法，其特征在于，步骤1具体包括：
3.如权利要求1所述的一种针对快速变异信息的小样本电信反欺诈方法，其特征在于，步骤2具体包括：
4.如权利要求1所述的一种针对快速变异信息的小样本电信反欺诈方法，其特征在于，步骤3具体包括：
5.如权利要求1所述的一种针对快速变异信息的小样本电信反欺诈方法，其特征在于，步骤4具体包括：
6.如权利要求1所述的一种针对快速变异信息的小样本电信反欺诈方法，其特征在于，步骤5具体包括：
7.如权利要求1所述的一种针对快速变异信息的小样本电信反欺诈方法，其特征在于，...
【专利技术属性】
技术研发人员：王慧琼，孙立，宋明黎，宋杰，冯尊磊，
申请(专利权)人：浙江大学宁波五位一体校区教育发展中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。