一种基于多智能体的涉诈短信识别模型优化方法及系统与流程

本发明涉及通信网络安全与人工智能，尤其涉及一种基于多智能体的涉诈短信识别模型优化方法及系统。

背景技术：

1、随着移动通信业务的发展，短信仍然是诈骗分子实施诈骗的重要渠道之一。诈骗短信通常通过伪装银行、招聘平台、物流公司、政府机构等角色，诱导用户点击链接、提供个人信息或添加联系方式。近年来诈骗短信呈现出明显的自动化、变体化和快速演化特征，例如通过插入符号、同音替换、语义改写等方式规避检测模型，使传统短信识别系统面临较大挑战。

2、目前主流的涉诈短信识别技术主要采用机器学习或深度学习模型进行文本分类，例如使用textcnn、bert等模型对短信内容进行风险识别。典型流程通常包括：人工收集整理历史诈骗短信数据、对短信数据进行人工清洗与标注、构建训练数据集和预测集、训练文本分类模型、模型部署应用。这种方式在早期诈骗识别中取得了一定效果，但随着诈骗策略不断变化，现有系统逐渐暴露出明显不足，比如无法主动持续的优化模型，对新型诈骗的识别能力不足且无法快速迭代、人工成本高等问题。

技术实现思路

1、本发明的主要目的在于提供一种基于多智能体的涉诈短信识别模型优化方法。

2、本发明的另一个目的在于提出基于多智能体的涉诈短信识别模型优化装置。

3、本发明的第三个目的在于提出一种电子设备。

4、本发明的第四个目的在于提出一种非临时性计算机可读存储介质。

5、为达上述目的，本发明第一方面实施例提出了基于多智能体的涉诈短信识别模型优化方法，包括：

6、s1，采集多源短信数据，利用诈骗策略分析智能体对多源短信数据进行语义解析，提取结构化诈骗策略要素，更新诈骗策略知识库，将更新后的诈骗策略知识库通过多智能体统一调度机制输入至样本生成智能体；

7、s2，根据更新后的诈骗策略知识库中的结构化诈骗策略要素，自动生成诈骗短信样本，同时收集困难样本，将所有样本通过统一调度机制传递至数据处理智能体，并对生成的诈骗短信样本进行清洗处理及多标签标注，构建标准化训练数据集；

8、s3，模型训练智能体基于标准化训练数据集执行实验训练，通过模型评估智能体对训练过程中的模型进行性能评估，模型训练智能体利用预设评分函数对实验训练结果进行综合评估确定最优模型配置，在完整训练数据上训练生成生产模型；

9、s4，将生产模型部署至短信识别系统并收集线上反馈数据，当线上反馈数据满足预设触发条件时，自动启动新一轮的结构化诈骗策略要素提取流程，迭代更新所述生产模型。

10、可选的，采集多源短信数据，利用诈骗策略分析智能体对多源短信数据进行语义解析，提取结构化诈骗策略要素，更新诈骗策略知识库，将更新后的诈骗策略知识库通过多智能体统一调度机制输入至样本生成智能体，包括：

11、采集现网真实的风险短信数据、用户举报短信、模型低置信度短信、多模型识别结果不一致的短信以及网络爬虫获取的诈骗案例数据作为多源短信数据；

12、对所述多源短信数据执行语义分析操作，提取诈骗类型、角色伪装、风险触发事件、行为诱导方式及诈骗目标行为作为结构化诈骗策略要素；

13、将提取的所述结构化诈骗策略要素构建为诈骗策略模板并存储至诈骗策略知识库，形成可复用的诈骗策略结构模型，完成所述诈骗策略知识库的更新；

14、通过多智能体协同调度模块提供的统一调度机制，将更新后的诈骗策略知识库输入至样本生成智能体。

15、可选的，根据更新后的诈骗策略知识库中的结构化诈骗策略要素，自动生成诈骗短信样本，同时收集困难样本，将所有样本通过统一调度机制传递至数据处理智能体，并对生成的诈骗短信样本进行清洗处理及多标签标注，构建标准化训练数据集，包括：

16、读取所述更新后的诈骗策略知识库中的诈骗策略模板，结合预置关键词库生成基础诈骗短信文本；

17、对所述基础诈骗短信文本执行字符拆分、同义词替换及符号插入操作以生成多种语义变体样本；

18、基于对抗生成策略对所述语义变体样本进行扰动处理，生成对抗变体样本；

19、自动收集线上识别过程中产生的低置信度短信和多模型预测冲突的困难样本，将所述基础诈骗短信文本、语义变体样本、对抗变体样本及困难样本合并形成多样化的诈骗短信样本库；

20、将所述诈骗短信样本库传递至数据处理智能体，对样本进行清洗处理及多标签标注，构建标准化训练数据集。

21、可选的，模型训练智能体基于标准化训练数据集执行实验训练，通过模型评估智能体对训练过程中的模型进行性能评估，模型训练智能体利用预设评分函数对实验训练结果进行综合评估确定最优模型配置，在完整训练数据上训练生成生产模型，包括：

22、利用数据处理智能体对生成的诈骗短信样本执行数据去重、语义错误检测及异常文本过滤操作以完成清洗处理；

23、对清洗后的诈骗短信样本自动标注诈骗类型标签、诈骗策略标签及风险等级标签，其中每条短信样本被标注至少一个上述标签；

24、将标注完成后的诈骗短信样本划分为训练集、验证集和测试集，形成包含标准化数据分布的标准化训练数据集；

25、基于标准化训练数据集，利用模型训练智能体执行多组不同模型结构与训练参数组合的实验训练，其中所述不同模型结构包括bert、roberta、modernbert、textcnn或transformer模型；

26、利用所述验证集对每组实验参数组合对应的模型进行固定时长的快速训练，计算各实验训练结果的准确率、召回率及f1值作为性能指标；

27、利用预设评分函数对实验训练结果进行综合评估确定最优模型配置，利用所述最优模型配置在完整训练数据上训练生成生产模型。

28、可选的，当线上反馈数据满足预设触发条件时，自动启动新一轮的结构化诈骗策略要素提取流程，迭代更新所述生产模型，包括：

29、当线上反馈数据满足预设触发条件时，自动启动新一轮流程，在生产模式下调用确定的最优模型配置，使用所述的完整训练数据集对选定模型结构的模型进行正式全量训练；

30、在正式全量训练过程中采用多模型融合策略，将多个独立训练完成的模型的预测结果进行加权融合，生成具有更高识别性能和鲁棒性的新生产模型。

31、为达上述目的，本发明第二方面实施例提出了一种基于多智能体的涉诈短信识别模型优化装置，包括：

32、提取模块，用于采集多源短信数据，利用诈骗策略分析智能体对多源短信数据进行语义解析，提取结构化诈骗策略要素，更新诈骗策略知识库，将更新后的诈骗策略知识库通过多智能体统一调度机制输入至样本生成智能体；

33、生成模块，用于根据更新后的诈骗策略知识库中的结构化诈骗策略要素，自动生成诈骗短信样本，同时收集困难样本，将所有样本通过统一调度机制传递至数据处理智能体，并对生成的诈骗短信样本进行清洗处理及多标签标注，构建标准化训练数据集；

34、训练模块，用于模型训练智能体基于标准化训练数据集执行实验训练，通过模型评估智能体对训练过程中的模型进行性能评估，模型训练智能体利用预设评分函数对实验训练结果进行综合评估确定最优模型配置，在完整训练数据上训练生成生产模型；

35、更新模块，用于将生产模型部署至短信识别系统并收集线上反馈数据，当线上反馈数据满足预设触发条件时，自动启动新一轮的结构化诈骗策略要素提取流程，迭代更新所述生产模型。

36、关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

37、为达上述目的，本技术第三方面实施例提出了一种电子设备，包括：处理器和存储器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如第一方面实施例所述的基于多智能体的涉诈短信识别模型优化方法。

38、为达上述目的，本技术第四方面实施例提出了一种非临时性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如第一方面实施例所述的基于多智能体的涉诈短信识别模型优化方法。

39、本发明实施例的具有以下有益效果：

40、本发明能够实现涉诈短信识别模型从策略发现、数据生成到训练优化的全流程自动化，显著降低人工成本并缩短模型迭代周期；同时通过在线反馈机制持续适应新型诈骗策略，有效提升了模型的泛化能力、鲁棒性及识别准确率。