一种受害人员的预测方法、装置、设备及存储介质

摘要

本发明公开了一种受害人员的预测方法、装置、设备及存储介质，包括：接收多个待筛查人员分别对应的人员信息；根据预先获取的多个诈骗案件的案件信息、各所述诈骗案件对应的受害人信息，以及所述人员信息，在多个待筛查人员中预测受害人员；根据预测结果，在多个待筛查人员中对目标人员进行预警。本发明实施例的技术方案可以提高易受害人员的预测效率，保证易受害人员预测结果的准确。

说明书

技术领域

本发明实施例涉及网络安全技术领域，尤其涉及一种受害人员的预测方法、 装置、设备及存储介质。

背景技术

为了更好地保护公民利益，避免损失，需要针对不同的诈骗场景和类型， 对易受害人员进行精准预测，并根据预测结果采取相应地预警措施。

现有的易受害人员预测方法中，通常是采用人工方式对已有诈骗案件中的 受害人进行分析，得到多个受害人普遍存在的特征，并将该特征与相应的诈骗 案件进行关联，根据关联结果在人群中识别易受害人员。

但是，现有的方法效率较低，得到的受害人特征相对单一，导致易受害人 员识别结果的准确性较低。

发明内容

本发明实施例提供一种受害人员的预测方法、装置、设备及存储介质，可 以提高易受害人员的预测效率，保证易受害人员预测结果的准确性。

第一方面，本发明实施例提供了一种受害人员的预测方法，所述方法包括：

接收多个待筛查人员分别对应的人员信息；

根据预先获取的多个诈骗案件的案件信息、各所述诈骗案件对应的受害人 信息，以及所述人员信息，在多个待筛查人员中预测受害人员；

根据预测结果，在多个待筛查人员中对目标人员进行预警。

可选的，根据预先获取的多个诈骗案件的案件信息、各所述诈骗案件对应 的受害人信息，以及所述人员信息，在多个待筛查人员中预测受害人员，包括：

获取预先训练的人案特征关联模型，所述人案特征关联模型由多个案件信 息以及受害人信息训练得到；

将所述人员信息输入至所述人案特征关联模型，由所述人案特征关联模型 根据所述人员信息，在多个待筛查人员中预测受害人员。

可选的，在获取预先训练的人案特征关联模型之前，还包括：

对所述案件信息中的特征进行提取，得到多个诈骗案件对应的多项案件特 征；

对所述受害人信息中的特征进行提取，得到多项受害人特征；

根据所述多项案件特征，以及多项受害人特征，分别生成案件特征集以及 受害人特征集；

使用所述案件特征集以及受害人特征集，对预设的机器算法模型进行迭代 训练，得到所述人案特征关联模型。

可选的，根据所述多项案件特征，以及多项受害人特征，分别生成案件特 征集以及受害人特征集，包括：

将各所述案件特征以及受害人特征，分别按照对应的涉诈类型进行分类， 得到每种涉诈类型对应的案件特征集以及受害人特征集；

使用所述案件特征集以及受害人特征集，对预设的机器算法模型进行迭代 训练，得到所述人案特征关联模型，包括：

依次使用每种涉诈类型对应的案件特征集以及受害人特征集，对预设的机 器算法模型进行迭代训练，得到所述人案特征关联模型。

可选的，依次使用每种涉诈类型对应的案件特征集以及受害人特征集，对 预设的机器算法模型进行迭代训练，得到所述人案特征关联模型，包括：

将各涉诈类型对应的案件特征集以及受害人特征集，划分为训练数据集和 测试数据集；

依次使用所述训练数据集和测试数据集，对预设的机器算法模型进行迭代 训练，得到所述人案特征关联模型。

可选的，根据预测结果，在多个待筛查人员中对目标人员进行预警，包括：

将所述预测结果中的目标人员信息输出至预警平台，以使预警平台对所述 目标人员进行预警。

第二方面，本发明实施例还提供了一种受害人员的预测装置，该装置包括：

信息接收模块，用于接收多个待筛查人员分别对应的人员信息；

人员预测模块，用于根据预先获取的多个诈骗案件的案件信息、各所述诈 骗案件对应的受害人信息，以及所述人员信息，在多个待筛查人员中预测受害 人员；

预警模块，用于根据预测结果，在多个待筛查人员中对目标人员进行预警。

可选的，所述人员预测模块包括：

模型获取单元，用于获取预先训练的人案特征关联模型，所述人案特征关 联模型由多个案件信息以及受害人信息训练得到；

信息输入单元，用于将所述人员信息输入至所述人案特征关联模型，由所 述人案特征关联模型根据所述人员信息，在多个待筛查人员中预测受害人员。

第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多 个处理器实现本发明任意实施例提供的一种受害人员的预测方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，该存储介质 上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例提供的一 种受害人员的预测方法。

本发明实施例的技术方案通过接收多个待筛查人员分别对应的人员信息， 根据预先获取的多个诈骗案件的案件信息、各所述诈骗案件对应的受害人信息， 以及所述人员信息，在多个待筛查人员中预测受害人员，根据预测结果，在多 个待筛查人员中对目标人员进行预警的技术手段，可以提高易受害人员的预测 效率，保证易受害人员预测结果的准确性。

附图说明

图1是本发明实施例一中的一种受害人员的预测方法的流程图；

图2是本发明实施例二中的一种受害人员的预测方法的流程图；

图3是本发明实施例三中的一种受害人员的预测方法的流程图；

图4是本发明实施例四中的一种受害人员的预测装置的结构图；

图5是本发明实施例五中的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此 处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需 要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结 构。

实施例一

图1为本发明实施例一提供的一种受害人员的预测方法的流程图，本实施 例可适用于在人群中发现易受害人员，并对易受害人员进行预警的情况，该方 法可以由受害人员的预测装置来执行，该装置可以由软件和/或硬件来实现，一 般可以集成在具有数据处理功能的终端或者服务器中，具体包括如下步骤：

步骤110、接收多个待筛查人员分别对应的人员信息。

在本实施例中，所述待筛查人员可以为未发生诈骗案件的人员。具体的， 可以通过预设接口接收多个待筛查人员分别对应的人员信息。其中，所述人员 信息可以包括年龄、身高、体重、职业、婚姻状况、子女情况、文化程度以及 消费水平等。

步骤120、根据预先获取的多个诈骗案件的案件信息、各所述诈骗案件对 应的受害人信息，以及所述人员信息，在多个待筛查人员中预测受害人员。

在本实施例中，在接收多个待筛查人员的人员信息之前，可以预先获取多 个已经发生的诈骗案件的案件信息，所述案件信息可以包括作案时间、作案地 点以及案件类型等。在获取诈骗案件的案件信息的同时，可以获取每个诈骗案 件关联的受害人信息，所述受害人信息中可以包括受害人对应的地点、以及职 业等信息。

在本实施例中，可选的，可以将各诈骗案件对应的受害人信息，与待筛查 人员对应的人员信息进行一一对比，如果受害人信息与人员信息重合度较大， 则可以将该待筛查人员作为易受害人员，然后获取所述受害人信息对应的案件 信息，并将该案件信息对应的案件类型作为易受害人员可能面临的诈骗类型。

在本实施例中，在多个待筛查人员中确定出易受害人员后，可以将该易受 害人员、以及所述易受害人员对应的人员信息作为预测结果。

步骤130、根据预测结果，在多个待筛查人员中对目标人员进行预警。

在本实施例中，确定出关于受害人员的预测结果后，可以将所述预测结果 中的易受害人员作为目标人员，然后对所述目标人员进行预警。

在一个具体的实施例中，可以根据目标人员的人员信息(例如地址、联系 方式等)，采用上门、电话、短信以及邮件等方式，对目标人员进行预警。

在本实施例中，通过预先获取多个诈骗案件的案件信息、各所述诈骗案件 对应的受害人信息，可以自动在多个待筛查人员中预测受害人员，一方面可以 节省易受害人员的预测时间，提高预测效率；另一方面通过获取多个案件的案 件信息以及受害人信息，可以避免受害人特征相对单一，导致易受害人员识别 结果准确性较低的问题。

本发明实施例的技术方案通过接收多个待筛查人员分别对应的人员信息， 根据预先获取的多个诈骗案件的案件信息、各所述诈骗案件对应的受害人信息， 以及所述人员信息，在多个待筛查人员中预测受害人员，根据预测结果，在多 个待筛查人员中对目标人员进行预警的技术手段，可以提高易受害人员的预测 效率，保证易受害人员预测结果的准确性。

实施例二

本实施例是对上述实施例的进一步细化，与上述实施例相同或相应的术语 解释，本实施例不再赘述。图2为本实施例二提供的一种受害人员的预测方法 的流程图，在本实施例中，本实施例的技术方案可以与上述实施例的方案中的 一种或者多种方法进行组合，如图2所示，本实施例提供的方法还可以包括：

步骤210、接收多个待筛查人员分别对应的人员信息。

步骤220、获取预先训练的人案特征关联模型，所述人案特征关联模型由 多个案件信息以及受害人信息训练得到。

在本实施例中，在接收待筛查人员的人员信息之前，可以获取多个已经发 生的诈骗案件的案件信息，以及各诈骗案件对应的受害人信息，并将各案件信 息与对应的受害人信息作为训练样本，然后使用多个训练样本对预设的机器算 法模型进行训练，得到所述人案特征关联模型。其中，所述人案特征关联模型 用于根据各训练样本，建立诈骗案件特征与受害人特征之间的关联规则。

步骤230、将所述人员信息输入至所述人案特征关联模型，由所述人案特 征关联模型根据所述人员信息，在多个待筛查人员中预测受害人员。

在此步骤中，可以将待筛查人员的人员信息输入至人案特征关联模型，所 述人案特征关联模型可以根据预先建立的关联规则，判断是否存在与待筛查人 员的人员信息相匹配的诈骗案件，如果是，则确定该待筛查人员作为易受害人 员；如果否，则确定该待筛查人员不是易受害人员。

在本实施例中，确定出易受害人员后，可以将所述易受害人员的人员信息、 以及匹配的诈骗案件对应的案件类型作为预测结果。

步骤240、根据预测结果，在多个待筛查人员中对目标人员进行预警。

在一个具体的实施例中，可以根据目标人员的人员信息(例如地址、联系 方式等)，采用上门、电话、短信以及邮件等方式，将目标人员匹配的案件类型 发送给目标人员，以实现对目标人员的预警。

在本发明实施例的一个实施方式中，根据预测结果，在多个待筛查人员中 对目标人员进行预警，包括：将所述预测结果中的目标人员信息输出至预警平 台，以使预警平台对所述目标人员进行预警。

在一个具体的实施例中，预警平台可以可以根据目标人员信息，快速有效 地将预测结果发送给目标人员，由此可以避免目标人员被骗，提高互联网访问 过程的安全性。

本发明实施例的技术方案通过接收多个待筛查人员分别对应的人员信息， 获取由多个案件信息以及受害人信息训练得到的人案特征关联模型，将人员信 息输入至人案特征关联模型，由人案特征关联模型根据人员信息，在多个待筛 查人员中预测受害人员，根据预测结果，在多个待筛查人员中对目标人员进行 预警的技术手段，可以提高易受害人员的预测效率，保证易受害人员预测结果 的准确性。

实施例三

本实施例是对上述实施例的进一步细化，与上述实施例相同或相应的术语 解释，本实施例不再赘述。图3为本实施例三提供的一种受害人员的预测方法 的流程图，在本实施例中，本实施例的技术方案可以与上述实施例的方案中的 一种或者多种方法进行组合，如图3所示，本实施例提供的方法还可以包括：

步骤310、获取多个诈骗案件的案件信息，以及各所述诈骗案件对应的受 害人信息。

步骤320、对所述案件信息中的特征进行提取，得到多个诈骗案件对应的 多项案件特征。

在一个具体的实施例中，可以采用预设的多项标识符，从不同维度对案件 信息进行解析，得到多项案件特征。其中，所述案件特征可以包括诈骗案件对 应的涉诈类型、作案工具、作案方法、作案时间、作案地点等，

步骤330、对所述受害人信息中的特征进行提取，得到多项受害人特征。

在一个具体的实施例中，与案件特征项类似，可以采用预设的多项标识符， 从不同维度对受害人信息进行解析，得到多项受害人特征。其中，所述受害人 特征可以包括受害人年龄、身高、体重、职业、婚姻状况、子女情况、文化程 度、消费水平等。

步骤340、根据所述多项案件特征，以及多项受害人特征，分别生成案件 特征集以及受害人特征集。

在此步骤中，可选的，可以将多项案件特征，以及多项受害人特征分别进 行组合，得到案件特征集以及受害人特征集。

在本发明实施例的一个实施方式中，根据所述多项案件特征，以及多项受 害人特征，分别生成案件特征集以及受害人特征集，包括：将各所述案件特征 以及受害人特征，分别按照对应的涉诈类型进行分类，得到每种涉诈类型对应 的案件特征集以及受害人特征集。

在一个具体的实施例中，所述涉诈类型可以包括电信网络诈骗、虚假购物 消费、贷款类诈骗、投资类诈骗以及社交软件诈骗等。假设获取到多种涉诈类 型分别对应的案件特征以及受害人特征，则可以将每种涉诈类型对应的案件特 征以及受害人特征分别进行组合，得到每种涉诈类型对应的案件特征集以及受 害人特征集。于

步骤350、使用所述案件特征集以及受害人特征集，对预设的机器算法模 型进行迭代训练，得到所述人案特征关联模型。

在本发明实施例的一个实施方式中，使用所述案件特征集以及受害人特征 集，对预设的机器算法模型进行迭代训练，得到所述人案特征关联模型，包括： 依次使用每种涉诈类型对应的案件特征集以及受害人特征集，对预设的机器算 法模型进行迭代训练，得到所述人案特征关联模型。其中，所述机器算法模型 可以为FP-growth算法模型。

在本发明实施例的一个实施方式中，依次使用每种涉诈类型对应的案件特 征集以及受害人特征集，对预设的机器算法模型进行迭代训练，得到所述人案 特征关联模型，包括：将各涉诈类型对应的案件特征集以及受害人特征集，划 分为训练数据集和测试数据集；依次使用所述训练数据集和测试数据集，对预 设的机器算法模型进行迭代训练，得到所述人案特征关联模型。

在一个具体的实施例中，所述人案特征关联模型的训练过程可以包括如下 步骤：

步骤351、FP-growth算法模型基于频繁模式树FP-tree的结构，对训练数 据集进行迭代计算，得到训练数据集中的所有频繁项集。所述频繁项集，是指 同时出现的频率达到或者超过置信度的数据项组合(即案件特征与受害人特征 的组合)。

其中，所述置信度可以通过人为方式进行预设，置信度的取值会对最终生 成的频繁项产生直接影响。如果置信度设置过低，将导致偶发特征项组合划入 频繁项范围；反之，如果置信度设置过高，则可能导致某些真实频繁项组合由 于置信度不达标而被滤除。因此，在人案特征关联模型的整个训练过程中，需 要反复调整置信度，以达到比较好的训练效果。

步骤352、FP-growth算法模型根据频繁项组合，生成案件特征与受害人特 征之间的关联规则。具体的，当频繁项组合中的第一目标项出现的时候，如果 存在第二目标项出现的概率(也即置信度)高于预设阈值时，即确定第一目标 项与第二目标项之间具有强关联规则。

步骤353、使用测试数据集对FP-growth算法模型建立的关联规则进行校验， 并根据校验结果对FP-growth算法模型的模型参数进行优化。

这样设置的好处在于，可以保证FP-growth算法模型训练结果的可靠性， 进而可以提高后续易受害人员预测结果的准确性。

步骤354、经过大量的迭代训练，如果FP-growth算法模型的输出结果趋于 稳定，并且置信度达到预设值，则确定FP-growth算法模型具备一定的可用性， 并保存当前设置的相关模型参数，然后将FP-growth算法模型作为人案特征关 联模型

步骤360、接收多个待筛查人员分别对应的人员信息。

步骤370、将所述人员信息输入至所述人案特征关联模型，由所述人案特 征关联模型根据所述人员信息，在多个待筛查人员中预测受害人员。

步骤380、根据预测结果，在多个待筛查人员中对目标人员进行预警。

本发明实施例的技术方案通过获取多个诈骗案件的案件信息，以及各诈骗 案件对应的受害人信息，对案件信息中的特征进行提取，得到多个诈骗案件对 应的多项案件特征，对受害人信息中的特征进行提取，得到多项受害人特征， 根据多项案件特征，以及多项受害人特征，分别生成案件特征集以及受害人特 征集，使用案件特征集以及受害人特征集，对预设的机器算法模型进行迭代训 练，得到人案特征关联模型，接收多个待筛查人员分别对应的人员信息，将人 员信息输入至人案特征关联模型，由人案特征关联模型根据人员信息，在多个 待筛查人员中预测受害人员，根据预测结果在多个待筛查人员中对目标人员进 行预警的技术手段，可以提高易受害人员的预测效率，保证易受害人员预测结 果的准确性。

在上述实施例的基础上，在对目标人员进行预警之后，如果接收到新的诈 骗案件，则可以获取新的诈骗案件对应的案件信息以及受害人信息，并根据所 述案件信息以及受害信息，对训练数据集进行更新，然后使用更新后的训练数 据集对FP-growth算法模型进行训练，得到优化后的人案特征关联模型。

这样设置的好处在于，可以扩充人案特征关联模型的训练样本，提高易受 害人员预测结果的准确性。

实施例四

图4为本发明实施例四提供的一种受害人员的预测装置的结构图，该装置 包括：信息接收模块410、人员预测模块420和预警模块430。

其中，信息接收模块410，用于接收多个待筛查人员分别对应的人员信息；

人员预测模块420，用于根据预先获取的多个诈骗案件的案件信息、各所 述诈骗案件对应的受害人信息，以及所述人员信息，在多个待筛查人员中预测 受害人员；

预警模块430，用于根据预测结果，在多个待筛查人员中对目标人员进行 预警。

本发明实施例的技术方案通过接收多个待筛查人员分别对应的人员信息， 根据预先获取的多个诈骗案件的案件信息、各所述诈骗案件对应的受害人信息， 以及所述人员信息，在多个待筛查人员中预测受害人员，根据预测结果，在多 个待筛查人员中对目标人员进行预警的技术手段，可以提高易受害人员的预测 效率，保证易受害人员预测结果的准确性。

在上述各实施例的基础上，所述人员预测模块420包括：

模型获取单元，用于获取预先训练的人案特征关联模型，所述人案特征关 联模型由多个案件信息以及受害人信息训练得到；

信息输入单元，用于将所述人员信息输入至所述人案特征关联模型，由所 述人案特征关联模型根据所述人员信息，在多个待筛查人员中预测受害人员。

所述预警模块430包括：

人员信息输出单元，用于将所述预测结果中的目标人员信息输出至预警平 台，以使预警平台对所述目标人员进行预警。

所述装置还包括：

案件特征提取模块，用于对所述案件信息中的特征进行提取，得到多个诈 骗案件对应的多项案件特征；

人员特征提取模块，用于对所述受害人信息中的特征进行提取，得到多项 受害人特征；

特征集生成模块，用于根据所述多项案件特征，以及多项受害人特征，分 别生成案件特征集以及受害人特征集；

模型训练模块，用于使用所述案件特征集以及受害人特征集，对预设的机 器算法模型进行迭代训练，得到所述人案特征关联模型。

其中，特征集生成模块包括：

特征分类单元，用于将各所述案件特征以及受害人特征，分别按照对应的 涉诈类型进行分类，得到每种涉诈类型对应的案件特征集以及受害人特征集。

模型训练模块包括：

特征集训练单元，用于依次使用每种涉诈类型对应的案件特征集以及受害 人特征集，对预设的机器算法模型进行迭代训练，得到所述人案特征关联模型；

数据集划分单元，用于将各涉诈类型对应的案件特征集以及受害人特征集， 划分为训练数据集和测试数据集；

数据集训练单元，用于依次使用所述训练数据集和测试数据集，对预设的 机器算法模型进行迭代训练，得到所述人案特征关联模型。

本发明实施例所提供的受害人员的预测装置可执行本发明任意实施例所提 供的受害人员的预测方法，具备执行方法相应的功能模块和有益效果。

实施例五

图5为本发明实施例五提供的一种计算机设备的结构示意图，如图5所示， 该计算机设备包括处理器510、存储器520、输入装置530和输出装置540；计 算机设备中处理器510的数量可以是一个或多个，图5中以一个处理器510为 例；计算机设备中的处理器510、存储器520、输入装置530和输出装置540可 以通过总线或其他方式连接，图5中以通过总线连接为例。

存储器520作为一种计算机可读存储介质，可用于存储软件程序、计算机 可执行程序以及模块，如本发明实施例中的一种受害人员的预测方法对应的程 序指令/模块(例如，一种受害人员的预测装置中的信息接收模块410、人员预 测模块420和预警模块430)。处理器510通过运行存储在存储器520中的软件 程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即 实现上述的一种受害人员的预测方法。也即，该程序被处理器执行时实现：

接收多个待筛查人员分别对应的人员信息；

根据预先获取的多个诈骗案件的案件信息、各所述诈骗案件对应的受害人 信息，以及所述人员信息，在多个待筛查人员中预测受害人员；

根据预测结果，在多个待筛查人员中对目标人员进行预警。

存储器520可主要包括存储程序区和存储数据区，其中，存储程序区可存 储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使 用所创建的数据等。此外，存储器520可以包括高速随机存取存储器，还可以 包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失 性固态存储器件。在一些实例中，存储器520可进一步包括相对于处理器510 远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网 络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置530可用于接收输入的数字或字符信息，以及产生与计算机设备 的用户设置以及功能控制有关的键信号输入，可以包括键盘和鼠标等。输出装 置540可包括显示屏等显示设备。

实施例六

本发明实施例六还提供一种计算机可读存储介质，其上存储有计算机程序， 该程序被处理器执行时实现本发明任意实施例所述方法。当然，本发明实施例 所提供的一种计算机可读存储介质，其可以执行本发明任意实施例提供的一种 受害人员的预测方法中的相关操作。也即，该程序被处理器执行时实现：

接收多个待筛查人员分别对应的人员信息；

根据预先获取的多个诈骗案件的案件信息、各所述诈骗案件对应的受害人 信息，以及所述人员信息，在多个待筛查人员中预测受害人员；

根据预测结果，在多个待筛查人员中对目标人员进行预警。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到， 本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很 多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上 或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机 软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器 (Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、 闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以 是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述一种受害人员的预测装置的实施例中，所包括的各个 单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能 够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区 分，并不用于限制本发明的保护范围。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员 会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进 行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽 然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以 上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例， 而本发明的范围由所附的权利要求范围决定。