通信欺诈行为是指用户利用网络,电话,短信等方式来为自己获取非法利益的一种行为,其对运营商和社会各界都产生了恶劣的影响。随着通信技术的不断成熟,通信欺诈行为有愈演愈烈的趋势,急需找到一种能够准确识别欺诈用户的方法,为了更好地识别通信欺诈用户,有必要通过技术手段建立相关的判别模型进行识别。尽管此前学者们对于这一主题的研究已有一些成果,但是与实际应用场景仍存在差距,判别角度和判别效果都有提升的空间,特别是在特征挖掘和模型选择上值得进一步深入研究。本文集中论述了利用Stacking模型融合方法解决通信欺诈用户识别问题,首先介绍了欺诈行为与欺诈用户识别的相关理论,实证过程根据用户行为数据做了数据清洗和特征提取等相关工作,应用了特征筛选和数据集平衡化的方法,剖析了模型评估指标的选择,讨论了各类基学习器的优劣势以及效果对比,最后做了模型比较和特征重要性排序工作。本文对通信欺诈用户识别问题进行专题研究。全文分三个部分:首先,是通过文献研究法和理论研究法对文章研究背景,研究意义进行讨论,对国内外研究现状进行分析,并对文章中涉及的概念和运用的方法进行论述;其次,根据联通大数据公司提供的数据,通过实证研究法对各用户45天以来的通话行为数据,短信行为数据,流量行为数据进行数据清洗和特征提取工作,再利用嵌入式的特征选择方法进行特征筛选工作,然后利用Boderline-SMOTE方法处理数据不平衡问题;最后构建一个以随机森林模型,Ada Boost模型,XGBoost模型,Light GBM模型为基分类器,以Logistic模型为次层分类器的Stacking模型融合方法来处理通信欺诈用户识别问题,发现其在精确率上相比基模型略有下降,但在召回率,F1值和AUC值都有较大程度的提升,召回率达到了0.88,F1值达到了0.823,AUC值达到了0.912,因此我们认为Stacking模型融合方法能很好地处理通信欺诈用户识别问题,并在此基础上得出了特征的重要性程度排序,提出一些相关意见,当用户与非正常号码之间存在较多的通话和短信联系,或者用户的通话频率发生明显变化时,需要引起运营商的关注。最后给出了后续研究的展望,希望在对业务有更深入地了解,对数据有更全面地收集下,尝试更多的方法得到更优的识别方法。