物联网是一种将计算机、通信、控制等多种技术融合的复杂系统,如今物联网信息产业已经形成完整的产业链,融入到社会生活的方方面面,物联卡作为物联网技术的核心,也早已被广泛应用于各类无线联网的智能终端设备中。然而,由于物联卡数量庞大且无需实名的特性,存在许多不法渠道和途径可进行物联卡交易,导致物联卡出现在灰色市场甚至违法犯罪中。这不仅威胁着物联网行业的长足发展,更是破坏了基于SIM的通信领域的市场规范。因此,完善物联卡监管技术迫在眉睫。针对物联卡挪用、转用、滥用等风险,目前运营商的技术检测一般在保障用户隐私的前提下通过对卡用户的位置、轨迹、交互信息、语音、数据等特征进行分析,建立行为画像,防范违规风险场景,却很少从违规售卖物联卡的渠道入手。与此同时,深度学习正经历快速创新发展,在自然语言处理领域,深度学习的文本分类、预测等应用也可获得较高的准确率。本文则从这两点出发,通过文本分类的手段,对短视频平台的一些用户利用发布视频、发表评论的机会违规宣传售卖物联卡的行为进行识别。本文构建了基于文本分类的物联卡违规售卖风险识别模型。首先,运用了 BERT-textCNN模型和BERT-BLSTM模型作为文本分类方法并使用权重动态融合的思路优化了 BERT的各层权重,相比单纯使用BERT模型提升了分类效果。接着,一方面通过实际提取短视频APP的视频简介和视频评论文本,进行模型训练与预测,验证了此风险识别模型的有效性;另一方面阐述了物联卡违规售卖风险识别模型中的具体工作流程,如自动化提取短视频APP文本数据、数据预处理、文本分类模型训练与预测等。向物联网行业提供了一种能够有效节省人力资源、降低安全监管成本的风险监管新方案。