КӨПҚАДАМДЫ ДИАЛОГТЫ ТАЛДАУ НЕГІЗІНДЕ ТЕЛЕФОН АРҚЫЛЫ ЖАСАЛАТЫН АЛАЯҚТЫҚ ҚОҢЫРАУЛАРДЫ НАҚТЫ УАҚЫТ РЕЖИМІНДЕ АНЫҚТАУ

Телекоммуникациялық қызметтердің кеңеюі жеке тұлғалар мен ұйымдарға елеулі қауіп төндіретін алаяқтық телефон қоңыраулары санының артуымен қатар жүреді. Анықтаудың дәстүрлі әдістері әдетте толық әңгімелерді офлайн талдауға негізделеді, бұл олардың жедел әрекет ету мүмкіндігін шектейді. Бұл мақалада автор көп айналымды диалогтардың семантикалық мазмұны мен уақыттық динамикасын модельдеу үшін алдын ала үйретілген контекстік ендірмелермен біріктірілген екі бағытты ұзақ қысқа мерзімді жад желісіне (BiLSTM) негізделген нақты уақыттағы, кезең-кезеңімен жүзеге асатын алаяқтықты анықтау жүйесін ұсынады. Алаяқтық қоңырауларды анықтау үшін жүйе әрбір диалог кезеңінен кейін қоңыраудың алаяқтық болу ықтималдығын біртіндеп жаңартып отырады, бұл алаяқтықты ерте анықтауға мүмкіндік береді. Синтетикалық көп айналымды диалогтық деректер жиынтығында жүргізілген сынақ нәтижелері BERT ендірмелерін пайдаланатын ұсынылған BiLSTM моделінің дәлдігі 93,75% және F1 көрсеткіші 93,55% екенін көрсетті, бұл қазіргі машиналық оқыту мен конволюциялық базалық модельдердің нәтижелерінен жоғары. Жүйе алаяқтық қоңыраулардың көпшілігін әңгіменің алғашқы бірнеше кезеңінде анықтай алады, бұл тәуекелді жедел бағалауға мүмкіндік береді. Алынған нәтижелер нақты уақыт режимінде алаяқтықты анықтау үшін контекстке негізделген прогрессивті модельдеудің тиімділігін және оның практикалық тұрғыдан қолдануға жарамдылығын көрсетеді.

1. Sergeevna, P.E., Timurovich, G.S., and Gennadievich, B.P. The factor of complex interaction in responding to telephone fraud. Voprosy Bezopasnosti, 1, 1–9 (2023). https://doi.org/10.25136/2409-7543.2023.1.39274

2. Syafitri, W., Shukur, Z., Mokhtar, U.A., Sulaiman, R., and Ibrahim, M.A. Social engineering attacks prevention: A systematic literature review. IEEE Access, 10, 39325–39343 (2022). https://doi.org/10.1109/ACCESS.2022.3162594

3. Anuar, H.A., et al. Phone scam unveiled: Insights from a systematic literature review. Journal of Financial Crime (2025). https://doi.org/10.1108/JFC-03-2025-0078

4. Soudani, H., et al. A survey on recent advances in conversational data generation. ACM Computing Surveys (2024). https://doi.org/10.1145/3795686

5. Kusal, S., Patil, S., Choudrie, J., Kotecha, K., Mishra, S., and Abraham, A. AI-based conversational agents: A scoping review from technologies to future directions. IEEE Access, 10, 92337–92356 (2022). https://doi.org/10.1109/ACCESS.2022.3201144

6. Singh, S., and Beniwal, H. A survey on near-human conversational agents. Journal of King Saud University – Computer and Information Sciences, 34 (10), 8852–8866 (2022). https://doi.org/10.1016/j.jksuci.2021.10.013

7. Rim, D., et al. To chat or task: A multi-turn dialogue generation framework for task-oriented dialogue systems. In: Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Industry Track), 576–592 (2025). https://doi.org/10.18653/v1/2025.acl-industry.41

8. Pattnayak, P., et al. Hybrid AI for responsive multi-turn online conversations with novel dynamic routing and feedback adaptation. In: Proceedings of the 4th International Workshop on Knowledge-Augmented Methods for Natural Language Processing, 215–229 (2025). https://doi.org/10.18653/v1/2025.knowledgenlp-1.20

9. Li, X., et al. Proactive guidance of multi-turn conversation in industrial search. In: Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Industry Track), 706–717 (2025). https://doi.org/10.18653/v1/2025.acl-industry.50

10. Pandey, A. Retrieval augmented fraud detection. In: Proceedings of the 5th ACM International Conference on AI in Finance, 328–335 (2024). https://doi.org/10.1145/3677052.3698692

11. Perera, L., et al. AE-RAGX: Combining autoencoders with retrieval-augmented generation for explainable anomaly detection using LLMs. In: 2025 IEEE Latin-American Conference on Communications (LATINCOM), 1–6 (2025). https://doi.org/10.1109/LATINCOM67778.2025.11345384

12. Xu, J. Enhancing financial risk management with retrieval-augmented large language models. In: Proceedings of the 4th International Conference on Artificial Intelligence, Internet and Digital Economy (ICAID), 138–141 (2025). https://doi.org/10.1109/ICAID65275.2025.11034536

13. Li, Z. Knowledge-grounded detection of cryptocurrency scams with retrieval-augmented LMs. In: Proceedings of the 3rd Workshop on Towards Knowledgeable Foundation Models (KnowFM), 40–48 (2025). https://doi.org/10.18653/v1/2025.knowllm-1.4

14. Chang, Y.C. Scam detection with large language models: Multimodal risk analysis of URLs and chat messages (2025). https://doi.org/10.71781/239

15. Akbar, K.A., et al. Retrieval augmented generation-based large language models for bridging transportation cybersecurity legal knowledge gaps. Transportation Research Record (2025). https://doi.org/10.1177/03611981251372471

16. Malhotra, S., Arora, G., and Bathla, R. Detection and analysis of fraud phone calls using artificial intelligence. In: Proceedings of the International Conference on Recent Advances in Electrical, Electronics & Digital Healthcare Technologies (REEDCON), 592–595 (2023). https://doi.org/10.1109/REEDCON57544.2023.10150631

17. Cazzolato, M., et al. CallMine: Fraud detection and visualization of million-scale call graphs. In: Proceedings of the 32nd ACM International Conference on Information and Knowledge Management, 4509–4515 (2023). https://doi.org/10.1145/3583780.3614662

18. Wahid, A., et al. NFA: A neural factorization autoencoder based online telephony fraud detection. Digital Communications and Networks, 10 (1), 158–167 (2024). https://doi.org/10.1016/j.dcan.2023.03.002

19. Ren, L., et al. Dynamic graph neural network-based fraud detectors against collaborative fraudsters. Knowledge-Based Systems, 278, 110888 (2023). https://doi.org/10.1016/j.knosys.2023.110888

20. Wu, Y., et al. Fraud-agents detection in online microfinance: A large-scale empirical study. IEEE Transactions on Dependable and Secure Computing, 20 (2), 1169–1185 (2022). https://doi.org/10.1109/TDSC.2022.3151132