[发明专利]识别特征库获取方法、装置及短消息识别方法、装置

说明书

技术领域

本发明涉及通信网络的短消息识别技术，特别是一种识别特征库获取方法、装置及短消息识别方法、装置。

背景技术

国家工信部一直对垃圾短信治理高度关注，要求各运营商在全国范围内有针对性地开展自查自纠，切实规范经营行为，坚决制止各类违法违规和侵害用户权益的行为。对运营商及管理部门来说治理垃圾短信除严格管理外，技术手段也是必须的。

对于垃圾短信的定义，仁者见仁，智者见智，除了反党反国家，影响国家、人民安定团结，情色有伤社会风化的短信内容一定是垃圾短信外，相同内容的短信，在不同人的眼里对其内容判定是否为垃圾短信是不定的，特别是用于商业促销的广告短信。

现有技术中，在运营商侧进行的垃圾短信拦截，只能对内容上反党反国家，影响国家、人民安定团结，情色有伤社会风化的短信，以及主送号码流量上超过门限的垃圾短信进行拦截。无法从手机个人用户的角度去进行，有特色的，个性化的垃圾短信拦截，而如果使用统一的标准来处理，对某些用户而言，或者会产生误删除，或者会产生没有删除的效果，导致处理效率低下，举例说明如下。

假定对于用户A而言，其极端不喜欢某个艺人X，而对于用户B而言，其极端喜欢X，如果此时有一条关于X的新闻需要以短消息方式推送到用户，在这种情况下，如果设置统一的判别标准，或者该新闻被判别为垃圾短消息不会发送，这样会误删除B想要的消息，或者该新闻被发送到A和B，但在A看来这就是垃圾短消息，两种方式都存在效率低下的缺点。

发明内容

本发明的目的是提供一种识别特征库获取方法、装置及短消息识别方法、装置，提高短消息识别的效率。

为了实现上述目的，本发明实施例提供了一种识别特征库获取方法，包括：

利用多个来自用户且消息类型预先确定的短消息形成样本集合；

对样本集合中的每个短消息进行字符串抽取，得到第一字符串集合；所述第一字符串集合中的每个字符串均不同；

针对所述第一字符串集合中的每一个字符串，统计所述样本集合的短消息中包括该字符串的短消息数量；

根据统计结果计算字符串对应于短消息类别的互信息；

按照互信息从大到小的顺序，从所述第一字符串集合中选择部分或全部字符串形成识别特征库。

为了实现上述目的，本发明实施例提供了一种识别特征库获取装置，包括：

样本集合生成模块，用于利用多个来自用户且消息类型预先确定的短消息形成样本集合；

第一字符串抽取模块，用于对样本集合中的每个短消息进行字符串抽取，得到第一字符串集合；所述第一字符串集合中的每个字符串均不同；

统计模块，用于针对所述第一字符串集合中的每一个字符串，统计所述样本集合的短消息中包括该字符串的短消息数量；

互信息计算模块，用于根据统计结果计算字符串对应于短消息类别的互信息；

字符串选择模块，用于按照互信息从大到小的顺序，从所述第一字符串集合中选择部分或全部字符串形成识别特征库。

上述的所述字符串对应于短消息类别的互信息MI如下：