基于半监督学习的网络诈骗案例的实体识别与实体关系抽取研究

发布时间：2021-12-28 17:24

　　目前网络诈骗不仅种类繁多、诈骗手段更新迭代升级速度快,而且诈骗范围遍及全国各地,造成了巨大的财产损失。为了快速破案,保护人民财产,需从数量庞大的诈骗案例中分析诈骗方式,找出其特点并加以防范。面对数量庞大的数据,仅仅依赖人力手动分析是不够的,需要借助现有的科技与方法来实现。本文使用半监督学习与神经网络相结合的方法,抽取网络诈骗案例中的实体与实体关系并分析。本文从以下几个方面入手:第一,因为目前网络上没有标准的、有权威性的、覆盖范围广的网络诈骗语料库可供使用。本项目分别从猎聘网与各大新闻报道网站爬取数据,构建data1与data2两个数据集,采用BIO标注的方式手工标注部分案例,构建本文的语料库。第二,基于Bi-LSTM+CRF实体识别的模型基础之上,为了克服语料库小的问题,引入半监督学习的思想构建半监督识别模型（Semi-supervised Recognition Model,SRM）。第三,采用联合标注策略,对半监督识别模型（Semi-supervised Recognition Model,SRM）进行改造。通过将softmax层替代原先的CRF层和添加位置标签构建新的关系抽取模型... 

【文章来源】：南昌大学江西省 211工程院校

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

014-2018猎聘网诈骗数量举报图

014-2018年网络诈骗人均损失在对猎聘网收到的诈骗举报案例分析发现：仅2018年一年，其收到的有效

018年网络诈骗主要类型以及损失

【参考文献】：
期刊论文
[1]移动互联网时代下网络诈骗犯罪态势、特征与防控——基于对866份刑事裁判文书的实证研究[J]. 汪嘉佩.  犯罪研究. 2017(06)
[2]网络信息安全防范和Web数据挖掘技术的有效整合[J]. 吴雷.  网络空间安全. 2016(06)
[3]开放式地理实体关系抽取的Bootstrapping方法[J]. 余丽,陆锋,刘希亮.  测绘学报. 2016(05)
[4]大数据分析的无限深度神经网络方法[J]. 张蕾,章毅.  计算机研究与发展. 2016(01)
[5]基于多核融合的中文领域实体关系抽取[J]. 郭剑毅,陈鹏,余正涛,线岩团,毛存礼,赵君.  中文信息学报. 2016(01)
[6]无指导的中文开放式实体关系抽取[J]. 秦兵,刘安安,刘挺.  计算机研究与发展. 2015(05)
[7]网络诈骗案件的特点及侦查路径[J]. 李尧.  江西警察学院学报. 2015(02)
[8]融合领域知识短语树核函数的中文领域实体关系抽取[J]. 陈鹏,郭剑毅,余正涛,严馨,张志坤,高盛祥.  南京大学学报(自然科学). 2015(01)
[9]基于句法语义特征的中文实体关系抽取[J]. 郭喜跃,何婷婷,胡小华,陈前军.  中文信息学报. 2014(06)
[10]网络诈骗犯罪浅析[J]. 吕岩.  中共乐山市委党校学报. 2013(01)

博士论文
[1]面向开放领域文本的实体关系抽取[D]. 郭喜跃.华中师范大学 2016

硕士论文
[1]无监督中文实体关系抽取研究[D]. 施琦.中国地质大学(北京) 2015
[2]基于多核融合的中文领域实体关系抽取研究[D]. 陈鹏.昆明理工大学 2014
[3]基于多代理策略的中文实体关系抽取[D]. 王敏.大连理工大学 2011
[4]Web环境下基于语义模式匹配的实体关系提取方法的研究[D]. 周诗咏.东北大学 2009
[5]基于图的半监督学习模型研究与分类器设计[D]. 郝建柏.中国科学技术大学 2009



本文编号：3554440