LLM辅助判断的在线对话欺诈与概念漂移联合检测

论文用LLM区分对话中的欺诈操纵与正常话题转换。

资讯摘要

论文提出一个两阶段框架，用于检测在线对话中的虚假互动。第一阶段用定制集成分类模型筛出可疑对话；第二阶段用One Class Drift Detector（OCDD）识别对话中的概念漂移，再由大语言模型判断该漂移是欺诈操纵还是正常话题转换，未检测到漂移则推断为垃圾信息类行为。作者在社交工程聊天场景数据集上验证，并称该方法提升了实时欺诈检测的准确性与可解释性，还与使用不同语言模型分别检测和判断的Dual LLM基线做了对比。

要点速读

1. 论文提出两阶段检测框架：先用集成分类模型筛出可疑对话，再用OCDD分析概念漂移。
2. 检测到漂移时由LLM判断是欺诈操纵还是正常话题转换，无漂移则推断为垃圾信息类行为。
3. 作者在社交工程聊天场景数据集上验证，并称准确性与可解释性均有提升，同时与Dual LLM基线对比。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/1 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。