[发明专利]网络诈骗影响因素分析方法、设备和存储介质

权利要求书

1.一种网络诈骗影响因素分析方法，其特征在于，包括：

获取网络诈骗的多个影响因素；

基于所述多个影响因素的统计数据和网络诈骗案件量的统计数据，采用逐步回归方法从所述多个影响因素中选取满足赤池信息准则的最优自变量组合，所述最优自变量组合包括至少一个影响因素；

基于所述至少一个影响因素的统计数据以及所述网络诈骗案件量的统计数据，构建以所述至少一个影响因素为自变量、以网络诈骗案件量为因变量的广义加性模型；

其中，所述广义加性模型用于分析各影响因素对网络诈骗的影响。

2.根据权利要求1所述的方法，其特征在于，所述构建以所述至少一个影响因素为自变量、以网络诈骗案件量为因变量的广义加性模型，包括：

构建以所述至少一个影响因素中各影响因素为独立自变量、以网络诈骗案件量为因变量的广义加性模型；

或者

如果所述至少一个影响因素中存在具有关联性的影响因素，构建以所述具有关联性的影响因素为联合自变量、其它各影响因素为独立自变量、以网络诈骗案件量为因变量的广义加性模型。

3.根据权利要求1所述的方法，其特征在于，在所述构建以所述至少一个影响因素为自变量、以网络诈骗案件量为因变量的广义加性模型之后，还包括：

计算所述广义加性模型的方差解释率；

如果所述方差解释率低于设定方差阈值，从所述最优自变量组合中剔除显著性最低的自变量，得到新的最优自变量组合；

以所述新的最优自变量组合包括的影响因素为自变量、网络诈骗案件量为因变量，重新构建所述广义加性模型；

计算重新构建的所述广义加性模型的方差解释率，如果所述方差解释率低于设定方差阈值，返回从所述最优自变量组合中剔除显著性最低的自变量的步骤，直到所述方差解释率大于或等于所述设定方差阈值。

4.根据权利要求1所述的方法，其特征在于，在所述获取网络诈骗的多个影响因素之前，还包括：

采用自然语言处理技术，从调研文献中提取用于评价网络诈骗的社会类因素、经济类因素、文化类因素和技术类因素，其中，每类因素包括至少一个评价因素；

根据各评价因素的统计数据，计算每两个评价因素之间的斯皮尔曼相关系数；

如果两个评价因素的斯皮尔曼相关系数的绝对值大于设定相关性阈值，保留所述两个评价因素中与网络诈骗相关性高的评价因素；

根据各保留的评价因素的统计数据，计算每个保留的评价因素对应的方差膨胀系数VIF；

筛选出方差膨胀系数小于设定VIF阈值的多个保留的评价因素，作为所述多个影响因素。

5.根据权利要求4所述的方法，其特征在于，在所述根据各评价因素的统计数据，计算每两个评价因素之间的斯皮尔曼相关系数之前，还包括：

从城市统计年鉴中筛选各评价因素的原始数据；

剔除所述原始数据中的异常数据，同时填补所述原始数据中的空缺值，得到各评价因素的统计数据。

6.根据权利要求1所述的方法，其特征在于，在所述基于所述多个影响因素的统计数据和网络诈骗案件量的统计数据，采用逐步回归方法从所述多个影响因素中选取满足赤池信息准则的最优自变量组合之前，还包括：

根据网络诈骗案件裁判文书的数量，得到网络诈骗案件量的原始数据；

采用自然语言处理技术，提取所述裁判文书中的时间信息和空间信息；

根据所述时间信息和空间信息，通过地理编码技术将所述网络诈骗案件量的原始数据按照年份分布至各城市，得到所述网络诈骗案件量的统计数据。

7.根据权利要求1所述的方法，其特征在于，在所述构建以所述至少一个影响因素为自变量、以网络诈骗案件量为因变量的广义加性模型之后，还包括：

基于所述广义加性模型，计算各自变量对所述广义加性模型的相对贡献率；

根据所述相对贡献率，从各自变量中筛选网络诈骗的主要影响因素。