CN107846493A - 通话联系人控制方法、装置及存储介质和移动终端 - Google Patents
通话联系人控制方法、装置及存储介质和移动终端 Download PDFInfo
- Publication number
- CN107846493A CN107846493A CN201711392430.2A CN201711392430A CN107846493A CN 107846493 A CN107846493 A CN 107846493A CN 201711392430 A CN201711392430 A CN 201711392430A CN 107846493 A CN107846493 A CN 107846493A
- Authority
- CN
- China
- Prior art keywords
- call
- contact person
- classification
- grader
- information sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000010801 machine learning Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000004913 activation Effects 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000001537 neural effect Effects 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims description 2
- 230000006870 function Effects 0.000 description 12
- 230000002093 peripheral effect Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/26—Devices for calling a subscriber
- H04M1/27—Devices whereby a plurality of signals may be stored simultaneously
- H04M1/274—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc
- H04M1/2745—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc using static electronic memories, e.g. chips
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/26—Devices for calling a subscriber
- H04M1/27—Devices whereby a plurality of signals may be stored simultaneously
- H04M1/274—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc
- H04M1/2745—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc using static electronic memories, e.g. chips
- H04M1/27453—Directories allowing storage of additional subscriber data, e.g. metadata
- H04M1/27457—Management thereof, e.g. manual editing of data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/26—Devices for calling a subscriber
- H04M1/27—Devices whereby a plurality of signals may be stored simultaneously
- H04M1/274—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc
- H04M1/2745—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc using static electronic memories, e.g. chips
- H04M1/27453—Directories allowing storage of additional subscriber data, e.g. metadata
- H04M1/2746—Sorting, e.g. according to history or frequency of use
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Library & Information Science (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Telephonic Communication Services (AREA)
- Telephone Function (AREA)
Abstract
本申请实施例公开了一种通话联系人控制方法、装置及存储介质和移动终端，所述方法包括：在检测到移动终端处于通话模式时，获取当前通话特征，所述通话特征包括通话声音特征和/或通话内容特征；获取基于机器学习方法生成的预设分类模型，所述预设分类模型由多个已知通话联系人类别的通话信息样本训练得到，用于对通话联系人进行分类；将所述当前通话特征输入至所述预设分类模型中，获取所述预设反馈模型输出的目标通话联系人类别；将所述目标通话联系人类别标记为当前通话联系人在移动终端中的联系人类别。本申请实施例提供的技术方案，可以对通话联系人进行自动分类，实现了自动识别和标记通话联系人的类别。
Description
技术领域
本申请实施例涉及通话技术领域，尤其涉及一种通话联系人控制方法、装置及存储介质和移动终端。
背景技术
手机等移动终端中的功能越来越多，为人们的生活和工作提供了便利，语音通话功能是手机中的一个基本功能，人们可以利用手机接打电话，收发语音消息。在用户使用手机语音通话的过程，相关技术中对通话联系人的分类方法存在缺陷，需要改进。
发明内容
本申请实施例提供一种通话联系人控制方法、装置及存储介质和移动终端，可以优化移动终端的通话联系人分类方案。
在第一方面，本申请实施例提供了一种通话联系人控制方法，包括：
在检测到移动终端处于通话模式时，获取当前通话特征，所述通话特征包括通话声音特征和/或通话内容特征；
获取基于机器学习方法生成的预设分类模型，所述预设分类模型由多个已知通话联系人类别的通话信息样本训练得到，用于对通话联系人进行分类；
将所述当前通话特征输入至所述预设分类模型中，获取所述预设反馈模型输出的目标通话联系人类别；
将所述目标通话联系人类别标记为当前通话联系人在移动终端中的联系人类别。
在第二方面，本申请实施例提供了一种通话联系人控制装置，包括：
通话特征信息获取模块，用于在检测到移动终端处于通话模式时，获取当前通话特征，所述通话特征包括通话声音特征和/或通话内容特征；
预设分类模型获取模块，用于获取基于机器学习方法生成的预设分类模型，所述预设分类模型由多个已知通话联系人类别的通话信息样本训练得到，用于对通话联系人进行分类；
通话联系人类别获取模块，用于将所述当前通话特征输入至所述预设分类模型中，获取所述预设反馈模型输出的目标通话联系人类别；
通话联系人类别标记模块，用于将所述目标通话联系人类别标记为当前通话联系人在移动终端中的联系人类别。
在第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所提供的通话联系人控制方法。
在第四方面，本申请实施例提供了一种移动终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现如第一方面所提供的通话联系人控制方法。
本申请实施例提供通话联系人控制方案，通过预先基于机器学习方法生成一个用于对通话联系人进行分类的预设分类模型，在移动终端处于通话模式时，将当前通话特征输入至预设分类模型中，得到通话联系人的联系人类别，并在移动终端中标记该通话联系人的类别，可以对通话联系人进行自动分类，实现了自动识别和标记通话联系人的类别。
附图说明
图1是本申请实施例提供的一种通话联系人控制方法的流程图；
图2是本申请实施例提供的另一种通话联系人控制方法的流程图；
图3是本申请实施例提供的一种通话联系人控制装置的结构示意图；
图4是本申请实施例提供的一种移动终端的结构示意图；
图5是本申请实施例提供的另一种移动终端的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1给出了本申请实施例提供的一种通话联系人控制方法的流程图，本实施例的方法可以由通话联系人控制装置来执行，该装置可通过硬件和/或软件的方式实现，所述装置可作为移动终端一部分设置在所述移动终端的内部。本申请实施例提供的移动终端包括但不限定于智能手机、平板电脑或者笔记本等设备。
如图1所示，本实施例提供的通话联系人控制方法包括以下步骤：
步骤101、在检测到移动终端处于通话模式时，获取当前通话特征，所述通话特征包括通话声音特征和/或通话内容特征。
本实施例中所述的通话模式包括电话通话模式、第三方语音通话软件通话(例如，微信、QQ等视频/语音通话、微信语音消息发出)模式或者其他通话模式。在检测到移动终端处于通话模式时，按照设定获取规则实时获取当前通话信息；对所述当前通话信息进行分析，提取所述当前通话信息中的当前通话特征。其中，设定获取规则可以为每隔设定时长获取一个单位通话语音片段或者每在检测到一句话的结尾时获取该句话为单位通话语音片段，具体可以将停顿时间达到设定时间时认为检测到一句话的结尾。
其中，所述通话声音特征包括移动终端用户的通话声音特征和通话联系人的通话声音特征，所述通话内容特征包括移动终端用户的通话内容特征和通话联系人的通话特征。示例性的，当前移动终端的用户为A，用户A正在与B通话，那么B即为通话联系人。一般不同通话联系人的通话声音特征是不同的，移动用户终端用户在与不同类别的通话联系人通话时，该移动终端用户的通话声音特征也是不同的，例如，与领导或者客户通话时，一般声音都比较正式，与父母、亲戚或者朋友通话时，声音一般都比较正常，与推销人员通话时，声音一般都比较强硬。
可选的，所述通话声音特征包括音色、音调、响度、语气、语速和说话方式中的至少一项。该通话声音特征可以根据通话语音数据波形中的波形形状、振动频率和振动幅度来确定。
步骤102、获取基于机器学习方法生成的预设分类模型，所述预设分类模型由多个已知通话联系人类别的通话信息样本训练得到，用于对通话联系人进行分类。
可选的，所述机器学习方法包括：神经网络方法、支持向量机方法、决策树方法、逻辑回归方法、贝叶斯方法、和随机森林方法。
通话联系人B与移动终端用户A的关系包括很多种，该关系由联系人类别进行标识，可选的，所述联系人类别包括同事、领导、父母、亲戚、朋友、客户、恋人或者推销人员。
在本实施例中，对所述已知通话联系人类别的通话信息样本的来源和数量不做限定，可以从移动终端本地获取移动终端用户的历史通话信息，也可以从预设服务中获取目标用户群组的历史通话信息，作为历史通话信息样本。该目标用户群组可以为与移动终端用户具有相同用户属性的多个用户，用户属性包括年龄、性别、爱好、职业和平时说话声音特征。可以理解的是，对于基于机器学习的模型来说，一般样本的数量越大，模型的输出结果越准确。
其中，通话信息可以包括打电话通话信息和第三方语音通话软件通话信息。
步骤103、将所述当前通话特征输入至所述预设分类模型中，获取所述预设反馈模型输出的目标通话联系人类别。
所述预设分类模型的输入信息为通话特征，输出为通话信息中通话联系人的类别。在对当前通话信息进行分析，提取了当前通话特征后，将当前通话特征输入至预设分类模型，则所述预设分类模型输出当前通话联系人的联系人类别。
步骤104、将所述目标通话联系人类别标记为当前通话联系人在移动终端中的联系人类别。
示例性的，所述通话信息训练样本可以为打电话通话信息，根据对打电话通话信息样本进行训练生成预设分类模型，当前通话模式可以为第三方语音通话软件通话模式，在用户点击收听某个语音消息后，移动终端获取该语音消息对其进行分析，提取该语音消息的当前通话特征，将该当前通话特征输入至预设分类模型，得到该语音消息的目标通话联系人类别，并将该语音消息对应的通话联系人在第三方语音通话软件的联系人类别标记为所述目标通话联系人类别。例如，移动终端用户A点击收听了通话联系人B发来的微信语音消息X，基于预设分类模型，得到语音消息X对应的通话联系人B的通话联系人类别为客户，则将联系人B在微信中联系人类别标记为客户。
当前，通话信息训练样本还可以为打电话通话信息和第三方语音通话软件通话信息组合，当前通话模式可以与训练样本为相同的通话模式，也可以为不同的通话模式，或者任意自合对应关系，本实施例对比并不进行限制。
该步骤可以包括：将所述目标通话联系人类别标记为当前通话联系人在电话通讯录或者第三方语音通话软件通讯录中的联系人类别。
可选的，还可以包括：根据所述目标通话联系人类别，设置通话联系人的来电提醒方式。若当前通话模式为电话通话模式，在确定了当前通话联系人的类别之后，可以自动为当前通话联系人设置相应的来电提醒方式。
本实施例提供的话联系人控制方法，通过预先基于机器学习方法生成一个用于对通话联系人进行分类的预设分类模型，在移动终端处于通话模式时，将当前通话特征输入至预设分类模型中，得到通话联系人的联系人类别，并在移动终端中标记该通话联系人的类别，可以对通话联系人进行自动分类，实现了自动识别和标记通话联系人的类别，也提升了移动终端通话联系人分类的准确性和趣味性。
图2给出了本申请实施例提供的另一种通话联系人控制方法的流程图。如图2所示，本实施例提供的方法包括以下步骤：
步骤201、从移动终端本地获取移动终端用户的历史通话信息样本或者从预设服务器中获取目标用户群组的历史通话信息样本。
步骤202、采用机器学习方法对所述历史通话信息样本基于通话内容特征进行训练，建立与通话内容特征相应的第一分类器。
在本实施例中，对历史通话信息样本基于通话内容特征和通话声音特征两个不同的维度分别进行训练，建立各自的分类器，然后进行融合，得到预设分类模型。
该第一分类器用于对通话信息样本中的通话联系人基于通话内容特征进行训练，输入为通话内容特征，输出为通话联系人类别。示例性的，对于某一条通话信息中的通话联系人的通话内容中包含向用户推销产品的推销内容或者询问资产、银行卡的诈骗内容，那么对应的通话联系人类别为推销人员。
可选的，该步骤包括：采用不同的机器学习方法对所述历史通话信息样本基于通话内容特征进行训练，建立多个所述第一分类器；将准确度最高的第一分类器作为与通话内容特征相应的第一分类器。
所述机器学习方法包括：神经网络方法、支持向量机方法、决策树方法、逻辑回归方法、贝叶斯方法、和随机森林方法。
可选的，采用神经网络方法建立第一分类器，具体可以采用循环神经网络(Recurrent neural Network，RNN)。所述神经网络方法包括输入层、隐藏层和输出层。该步骤包括：将所述历史通话信息中的通话内容特征输入至所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出第一中间通话联系人类别；利用所述第一中间通话联系人类别与所述历史通话信息中的通话联系人类别之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直至所述第一中间通话联系人类别与所述通话联系人类别之间的差值在设定范围内，得到训练完成的各个节点的激活函数，生成所述第一分类器。
其中，所述激活函数是指为神经网络系统提供非线性建模能力，一般而言是非线性函数。激活函数可以包括relu函数、sigmoid函数、tanh函数或者maxout函数。
sigmoid是常用的非线性的激活函数，它的数学形式如下：它的输出为0-1之间的值。tanh跟sigmoid还是很像的，实际上，tanh是sigmoid的变形：tanh(x)＝2sigmoid(2x)-1，与sigmoid不同的是，tanh是0均值的。近年来，relu变的越来越受欢迎。它的数学表达式如下：f(x)＝max(0，x)，其中，输入信号<0时，输出都是0，输入信号>0的情况下，输出等于输入。maxout函数的表达式如下：fi(x)＝maxj∈[1,k]Zij。假设输入节点包括x1和x2，对应的权重分别为w1和w2，还包括权重b，那么输出节点Y＝f(w1*x1+w2*x2+b)，其中f为激活函数。另外，输入层和输出层的个数通常均为一个，隐藏层可以由多层构成。
所述优化算法包括随机梯度下降(Stochastic Gradient Descent，SGD)算法、适应性矩估计(adaptive moment estimation，adam)算法或者Momentum算法。
步骤203、采用机器学习方法对所述历史通话信息样本基于通话声音特征进行训练，建立与通话声音特征相应的第二分类器。
该第二分类器用于对通话信息样本中的通话联系人基于通话声音特征进行训练，输入为通话声音特征，输出为通话联系人类别。示例性，对于某一条通话信息中的移动终端用户的通话声音比较正式且语气平和，那么对应的通话联系人为客户。
可选的，该步骤包括：采用不同的机器学习方法对所述历史通话信息样本基于通话声音特征进行训练，建立多个所述第二分类器；将准确度最高的第二分类器作为与通话声音特征相应的第二分类器。
可选的，采用神经网络方法建立第二分类器。该步骤可以包括：将所述历史通话信息中的通话声音特征输入至所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出第二中间通话联系人类别；利用所述第二中间通话联系人类别与所述历史通话信息中的通话联系人类别之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直至所述第二中间通话联系人类别与所述通话联系人类别之间的差值在设定范围内，得到训练完成的各个节点的激活函数，生成所述第二分类器。
步骤204、将所述第一分类器和所述第二分类器，使用决策树算法进行融合形成预设分类模型。
可选的，将所述第一分类器和所述第二分类器，基于加权或者简单投票的多分类器集成算法进行融合形成预设分类模型。
步骤205、在检测到移动终端处于通话模式时，获取当前通话特征，所述通话特征包括通话声音特征和/或通话内容特征。
步骤206、将所述当前通话特征输入至所述预设分类模型中，获取所述预设反馈模型输出的目标通话联系人类别。
步骤207、将所述目标通话联系人类别标记为当前通话联系人在移动终端中的联系人类别。
本实施例提供的通话联系人控制方法，通过将历史通话信息样本进行训练，分别基于通话内容特征和通话声音特征建立第一分类器和第二分类器，并进行融合生成预设分类模型，提供了一个准确度较高的预设分类模型，在移动终端处于通话模式时，将当前通话特征输入至预设分类模型中，得到通话联系人的联系人类别，并在移动终端中标记该通话联系人的类别，可以对通话联系人进行自动分类，实现了自动识别和标记通话联系人的类别。
图3为本申请实施例提供的一种通话联系人控制装置的结构示意图，该装置可由软件和/或硬件实现，集成在移动终端中。如图3所示，该装置包括通话特征信息获取模块31、预设分类模型获取模块32、通话联系人类别获取模块33和通话联系人类别标记模块34。
所述通话特征信息获取模块31，用于在检测到移动终端处于通话模式时，获取当前通话特征，所述通话特征包括通话声音特征和/或通话内容特征；
所述预设分类模型获取模块32，用于获取基于机器学习方法生成的预设分类模型，所述预设分类模型由多个已知通话联系人类别的通话信息样本训练得到，用于对通话联系人进行分类；
所述通话联系人类别获取模块33，用于将所述当前通话特征输入至所述预设分类模型中，获取所述预设反馈模型输出的目标通话联系人类别；
所述通话联系人类别标记模块34，用于将所述目标通话联系人类别标记为当前通话联系人在移动终端中的联系人类别。
本实施例提供的装置，通过预先基于机器学习方法生成一个用于对通话联系人进行分类的预设分类模型，在移动终端处于通话模式时，将当前通话特征输入至预设分类模型中，得到通话联系人的联系人类别，并在移动终端中标记该通话联系人的类别，可以对通话联系人进行自动分类，实现了自动识别和标记通话联系人的类别。
可选的，所述通话声音特征包括音色、音调、响度、语气、语速和说话方式中的至少一项。
可选的，所述联系人类别包括同事、领导、父母、亲戚、朋友、客户、恋人或者推销人员。
可选的，所述装置还包括：
样本获取模块，用于从移动终端本地获取移动终端用户的历史通话信息样本或者从预设服务器中获取目标用户群组的历史通话信息样本；
第一分类器建立模块，用于采用机器学习方法对所述历史通话信息样本基于通话内容特征进行训练，建立与通话内容特征相应的第一分类器；
第二分类器建立模块，用于采用机器学习方法对所述历史通话信息样本基于通话声音特征进行训练，建立与通话声音特征相应的第二分类器；
预设分类模型生成模块，用于将所述第一分类器和所述第二分类器，使用决策树算法进行融合形成预设分类模型。
可选的，所述第一分类器建立模块具体用于：采用不同的机器学习方法对所述历史通话信息样本基于通话内容特征进行训练，建立多个所述第一分类器；将准确度最高的第一分类器作为与通话内容特征相应的第一分类器；
和/或，
所述第二分类器建立模块具体用于：采用不同的机器学习方法对所述历史通话信息样本基于通话声音特征进行训练，建立多个所述第二分类器；将准确度最高的第二分类器作为与通话声音特征相应的第二分类器。
可选的，所述机器学习方法包括：神经网络方法、支持向量机方法、决策树方法、逻辑回归方法、贝叶斯方法、和随机森林方法。
可选的，所述机器学习方法为神经网络方法，所述神经网络方法包括输入层、隐藏层和输出层；
所述第一分类器建立模块具体用于：将所述历史通话信息样本中的通话内容特征输入至所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出第一中间通话联系人类别；利用所述第一中间通话联系人类别与所述历史通话信息样本中的通话联系人类别之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直至所述第一中间通话联系人类别与所述通话联系人类别之间的差值在设定范围内，得到训练完成的各个节点的激活函数，生成所述第一分类器；
和/或，
所述第二分类器建立模块具体用于：将所述历史通话信息样本中的通话声音特征输入至所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出第二中间通话联系人类别；利用所述第二中间通话联系人类别与所述历史通话信息样本中的通话联系人类别之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直至所述第二中间通话联系人类别与所述通话联系人类别之间的差值在设定范围内，得到训练完成的各个节点的激活函数，生成所述第二分类器。
可选的，所述装置还包括来电提醒方式设置模块，用于：
根据所述目标通话联系人类别，设置通话联系人的来电提醒方式。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种通话联系人控制方法，该方法包括：
在检测到移动终端处于通话模式时，获取当前通话特征，所述通话特征包括通话声音特征和/或通话内容特征；
获取基于机器学习方法生成的预设分类模型，所述预设分类模型由多个已知通话联系人类别的通话信息样本训练得到，用于对通话联系人进行分类；
将所述当前通话特征输入至所述预设分类模型中，获取所述预设反馈模型输出的目标通话联系人类别；
将所述目标通话联系人类别标记为当前通话联系人在移动终端中的联系人类别。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的通话联系人控制操作，还可以执行本申请任意实施例所提供的通话联系人控制方法中的相关操作。
本申请实施例提供了一种移动终端，该移动终端中可集成本申请实施例提供的通话联系人控制装置。图4为本申请实施例提供的一种移动终端的结构示意图。移动终端400可以包括：存储器401，处理器402及存储在存储器401上并可在处理器402运行的计算机程序，所述处理器402执行所述计算机程序时实现如本申请实施例所述的通话联系人控制方法。
本申请实施例提供的移动终端，通过预先基于机器学习方法生成一个用于对通话联系人进行分类的预设分类模型，在移动终端处于通话模式时，将当前通话特征输入至预设分类模型中，得到通话联系人的联系人类别，并在移动终端中标记该通话联系人的类别，可以对通话联系人进行自动分类，实现了自动识别和标记通话联系人的类别。
图5为本申请实施例提供的另一种移动终端的结构示意图，如图5所示，该移动终端可以包括：存储器501、中央处理器(Central Processing Unit，CPU)502(又称处理器，以下简称CPU)、所述存储器501，用于存储可执行程序代码；所述处理器502通过读取所述存储器501中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行：在检测到移动终端处于通话模式时，获取当前通话特征，所述通话特征包括通话声音特征和/或通话内容特征；获取基于机器学习方法生成的预设分类模型，所述预设分类模型由多个已知通话联系人类别的通话信息样本训练得到，用于对通话联系人进行分类；将所述当前通话特征输入至所述预设分类模型中，获取所述预设反馈模型输出的目标通话联系人类别；将所述目标通话联系人类别标记为当前通话联系人在移动终端中的联系人类别。
所述移动终端还包括：外设接口503、RF(Radio Frequency，射频)电路505、音频电路506、扬声器511、电源管理芯片508、输入/输出(I/O)子系统509、触摸屏512、其他输入/控制设备510以及外部端口504，这些部件通过一个或多个通信总线或信号线507来通信。
应该理解的是，图示移动终端500仅仅是移动终端的一个范例，并且移动终端500可以具有比图中所示出的更多的或者更少的部件，可以组合两个或更多的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
下面就本实施例提供的用于控制通话联系人分类的移动终端进行详细的描述，该移动终端以智能手机为例。
存储器501，所述存储器501可以被CPU502、外设接口503等访问，所述存储器501可以包括高速随机存取存储器，还可以包括非易失性存储器，例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
外设接口503，所述外设接口503可以将设备的输入和输出外设连接到CPU502和存储器501。
I/O子系统509，所述I/O子系统509可以将设备上的输入输出外设，例如触摸屏512和其他输入/控制设备510，连接到外设接口503。I/O子系统509可以包括显示控制器5091和用于控制其他输入/控制设备510的一个或多个输入控制器5092。其中，一个或多个输入控制器5092从其他输入/控制设备510接收电信号或者向其他输入/控制设备510发送电信号，其他输入/控制设备510可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是，输入控制器5092可以与以下任一个连接：键盘、红外端口、USB接口以及诸如鼠标的指示设备。
触摸屏512，所述触摸屏512是用户终端与用户之间的输入接口和输出接口，将可视输出显示给用户，可视输出可以包括图形、文本、图标、视频等。
I/O子系统509中的显示控制器5091从触摸屏512接收电信号或者向触摸屏512发送电信号。触摸屏512检测触摸屏上的接触，显示控制器5091将检测到的接触转换为与显示在触摸屏512上的用户界面对象的交互，即实现人机交互，显示在触摸屏512上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是，设备还可以包括光鼠，光鼠是不显示可视输出的触摸敏感表面，或者是由触摸屏形成的触摸敏感表面的延伸。
RF电路505，主要用于建立手机与无线网络(即网络侧)的通信，实现手机与无线网络的数据接收和发送。例如收发短信息、电子邮件等。具体地，RF电路505接收并发送RF信号，RF信号也称为电磁信号，RF电路505将电信号转换为电磁信号或将电磁信号转换为电信号，并且通过该电磁信号与通信网络以及其他设备进行通信。RF电路505可以包括用于执行这些功能的已知电路，其包括但不限于天线系统、RF收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、CODEC(COder-DECoder，编译码器)芯片组、用户标识模块(Subscriber Identity Module，SIM)等等。
音频电路506，主要用于从外设接口503接收音频数据，将该音频数据转换为电信号，并且将该电信号发送给扬声器511。
扬声器511，用于将手机通过RF电路505从无线网络接收的语音信号，还原为声音并向用户播放该声音。
电源管理芯片508，用于为CPU502、I/O子系统及外设接口503所连接的硬件进行供电及电源管理。
上述实施例中提供的通话联系人控制装置、存储介质及移动终端可执行本申请任意实施例所提供的通话联系人控制方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的通话联系人控制方法。
本申请实施例还提供一种通话联系人控制装置，该装置集成在预设服务器中，该装置包括：样本获取模块、第一分类器建立模块、第二分类器建立模块和预设分类模型生成模块。
所述样本获取模块，用于从移动终端本地获取移动终端用户的历史通话信息样本或者从预设服务器中获取目标用户群组的历史通话信息样本；
所述第一分类器建立模块，用于采用机器学习方法对所述历史通话信息样本基于通话内容特征进行训练，建立与通话内容特征相应的第一分类器；
所述第二分类器建立模块，用于采用机器学习方法对所述历史通话信息样本基于通话声音特征进行训练，建立与通话声音特征相应的第二分类器；
所述预设分类模型生成模块，用于将所述第一分类器和所述第二分类器，使用决策树算法进行融合形成预设分类模型。
本申请实施例还提供一种服务器，所述服务器集成了上述通话联系人控制装置。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。
Claims (11)
1.一种通话联系人控制方法，其特征在于，包括：
在检测到移动终端处于通话模式时，获取当前通话特征，所述通话特征包括通话声音特征和/或通话内容特征；
获取基于机器学习方法生成的预设分类模型，所述预设分类模型由多个已知通话联系人类别的通话信息样本训练得到，用于对通话联系人进行分类；
将所述当前通话特征输入至所述预设分类模型中，获取所述预设反馈模型输出的目标通话联系人类别；
将所述目标通话联系人类别标记为当前通话联系人在移动终端中的联系人类别。
2.根据权利要求1所述的通话联系人控制方法，其特征在于，所述通话声音特征包括音色、音调、响度、语气、语速和说话方式中的至少一项。
3.根据权利要求1所述的通话联系人方法，其特征在于，所述联系人类别包括同事、领导、父母、亲戚、朋友、客户、恋人或者推销人员。
4.根据权利要求1所述的通话联系人控制方法，其特征在于，建立所述基于机器学习的预设分类模型，包括：
从移动终端本地获取移动终端用户的历史通话信息样本或者从预设服务器中获取目标用户群组的历史通话信息样本；
采用机器学习方法对所述历史通话信息样本基于通话内容特征进行训练，建立与通话内容特征相应的第一分类器；
采用机器学习方法对所述历史通话信息样本基于通话声音特征进行训练，建立与通话声音特征相应的第二分类器；
将所述第一分类器和所述第二分类器，使用决策树算法进行融合形成预设分类模型。
5.根据权利要求4所述的通话联系人控制方法，其特征在于，所述采用机器学习方法对所述历史通话信息样本基于通话内容特征进行训练，建立与通话内容特征相应的第一分类器包括：采用不同的机器学习方法对所述历史通话信息样本基于通话内容特征进行训练，建立多个所述第一分类器；将准确度最高的第一分类器作为与通话内容特征相应的第一分类器；
和/或，
所述采用机器学习方法对所述历史通话信息样本基于通话声音特征进行训练，建立与通话声音特征相应的第一分类器包括：采用不同的机器学习方法对所述历史通话信息样本基于通话声音特征进行训练，建立多个所述第二分类器；将准确度最高的第二分类器作为与通话声音特征相应的第二分类器。
6.根据权利要求5所述的通话联系人控制方法，其特征在于，所述机器学习方法包括：神经网络方法、支持向量机方法、决策树方法、逻辑回归方法、贝叶斯方法、和随机森林方法。
7.根据权利要求4所述的通话联系人控制方法，其特征在于，所述机器学习方法为神经网络方法，所述神经网络方法包括输入层、隐藏层和输出层；
所述采用机器学习方法对所述历史通话信息样本基于通话内容特征进行训练，建立与通话内容特征相应的第一分类器包括：将所述历史通话信息样本中的通话内容特征输入至所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出第一中间通话联系人类别；利用所述第一中间通话联系人类别与所述历史通话信息样本中的通话联系人类别之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直至所述第一中间通话联系人类别与所述通话联系人类别之间的差值在设定范围内，得到训练完成的各个节点的激活函数，生成所述第一分类器；
和/或，
所述采用机器学习方法对所述历史通话信息样本基于通话声音特征进行训练，建立与通话声音特征相应的第二分类器包括：将所述历史通话信息样本中的通话声音特征输入至所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出第二中间通话联系人类别；利用所述第二中间通话联系人类别与所述历史通话信息样本中的通话联系人类别之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直至所述第二中间通话联系人类别与所述通话联系人类别之间的差值在设定范围内，得到训练完成的各个节点的激活函数，生成所述第二分类器。
8.根据权利要求1所述的通话联系人控制方法，其特征在于，还包括：
根据所述目标通话联系人类别，设置通话联系人的来电提醒方式。
9.一种通话联系人控制装置，其特征在于，包括：
通话特征信息获取模块，用于在检测到移动终端处于通话模式时，获取当前通话特征，所述通话特征包括通话声音特征和/或通话内容特征；
预设分类模型获取模块，用于获取基于机器学习方法生成的预设分类模型，所述预设分类模型由多个已知通话联系人类别的通话信息样本训练得到，用于对通话联系人进行分类；
通话联系人类别获取模块，用于将所述当前通话特征输入至所述预设分类模型中，获取所述预设反馈模型输出的目标通话联系人类别；
通话联系人类别标记模块，用于将所述目标通话联系人类别标记为当前通话联系人在移动终端中的联系人类别。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的通话联系人控制方法。
11.一种移动终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8中任一所述的通话联系人控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711392430.2A CN107846493B (zh) | 2017-12-21 | 2017-12-21 | 通话联系人控制方法、装置及存储介质和移动终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711392430.2A CN107846493B (zh) | 2017-12-21 | 2017-12-21 | 通话联系人控制方法、装置及存储介质和移动终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107846493A true CN107846493A (zh) | 2018-03-27 |
| CN107846493B CN107846493B (zh) | 2019-10-25 |
Family
ID=61684215
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711392430.2A Expired - Fee Related CN107846493B (zh) | 2017-12-21 | 2017-12-21 | 通话联系人控制方法、装置及存储介质和移动终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107846493B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115983255B (zh) * | 2023-03-21 | 2023-06-02 | 深圳市万物云科技有限公司 | 一种突发事件管理方法、装置、计算机设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110249811A1 (en) * | 2005-05-18 | 2011-10-13 | Mattersight Corporation | Method and System for Analyzing Separated Voice Data of a Telephonic Communication Between a Customer and a Contact Center by Applying a Psychological Behavioral Model Thereto |
| WO2013003033A1 (en) * | 2011-06-28 | 2013-01-03 | Motorola Mobility Llc | Caller identification for missed calls |
| US20140278355A1 (en) * | 2013-03-14 | 2014-09-18 | Microsoft Corporation | Using human perception in building language understanding models |
| CN104702759A (zh) * | 2013-12-06 | 2015-06-10 | 中兴通讯股份有限公司 | 通讯录的设置方法及装置 |
| CN104751848A (zh) * | 2013-12-25 | 2015-07-01 | 三亚中兴软件有限责任公司 | 通话声音识别方法及装置 |
| CN106296195A (zh) * | 2015-05-29 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 一种风险识别方法及装置 |
| CN106686182A (zh) * | 2016-12-28 | 2017-05-17 | Tcl集团股份有限公司 | 一种联系人分组方法及装置 |
| CN106936971A (zh) * | 2017-05-08 | 2017-07-07 | 沈阳航空航天大学 | 一种来电人信息提示系统及提示方法 |
| CN107343077A (zh) * | 2016-04-28 | 2017-11-10 | 腾讯科技（深圳）有限公司 | 识别恶意电话及建立识别模型的方法、装置、设备 |
-
2017
- 2017-12-21 CN CN201711392430.2A patent/CN107846493B/zh not_active Expired - Fee Related
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110249811A1 (en) * | 2005-05-18 | 2011-10-13 | Mattersight Corporation | Method and System for Analyzing Separated Voice Data of a Telephonic Communication Between a Customer and a Contact Center by Applying a Psychological Behavioral Model Thereto |
| WO2013003033A1 (en) * | 2011-06-28 | 2013-01-03 | Motorola Mobility Llc | Caller identification for missed calls |
| US20140278355A1 (en) * | 2013-03-14 | 2014-09-18 | Microsoft Corporation | Using human perception in building language understanding models |
| CN104702759A (zh) * | 2013-12-06 | 2015-06-10 | 中兴通讯股份有限公司 | 通讯录的设置方法及装置 |
| CN104751848A (zh) * | 2013-12-25 | 2015-07-01 | 三亚中兴软件有限责任公司 | 通话声音识别方法及装置 |
| CN106296195A (zh) * | 2015-05-29 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 一种风险识别方法及装置 |
| CN107343077A (zh) * | 2016-04-28 | 2017-11-10 | 腾讯科技（深圳）有限公司 | 识别恶意电话及建立识别模型的方法、装置、设备 |
| CN106686182A (zh) * | 2016-12-28 | 2017-05-17 | Tcl集团股份有限公司 | 一种联系人分组方法及装置 |
| CN106936971A (zh) * | 2017-05-08 | 2017-07-07 | 沈阳航空航天大学 | 一种来电人信息提示系统及提示方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115983255B (zh) * | 2023-03-21 | 2023-06-02 | 深圳市万物云科技有限公司 | 一种突发事件管理方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107846493B (zh) | 2019-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107947951B (zh) | 用户群组推荐方法、装置及存储介质和服务器 | |
| CN107995370B (zh) | 通话控制方法、装置及存储介质和移动终端 | |
| CN108416624A (zh) | 一种优惠券推送方法、装置、存储介质及智能终端 | |
| CN111260665B (zh) | 图像分割模型训练方法和装置 | |
| CN109767765A (zh) | 话术匹配方法及装置、存储介质、计算机设备 | |
| US11501161B2 (en) | Method to explain factors influencing AI predictions with deep neural networks | |
| CN108156317B (zh) | 通话语音控制方法、装置及存储介质和移动终端 | |
| CN108874823A (zh) | 智能客服的实现方法和装置 | |
| WO2021003673A1 (zh) | 内容推送方法及相关产品 | |
| WO2020253128A1 (zh) | 基于语音识别的通信服务方法、装置、计算机设备及存储介质 | |
| CN107995428A (zh) | 图像处理方法、装置及存储介质和移动终端 | |
| WO2020257988A1 (zh) | 刷量用户识别方法及相关产品 | |
| CN110705585A (zh) | 网络欺诈识别方法、装置、计算机装置及存储介质 | |
| CN110335596A (zh) | 基于语音识别的产品推荐方法、装置、设备和存储介质 | |
| US11947920B2 (en) | Man-machine dialogue method and system, computer device and medium | |
| CN113160819B (zh) | 用于输出动画的方法、装置、设备、介质和产品 | |
| CN111428032A (zh) | 内容质量评价方法及装置、电子设备、存储介质 | |
| CN111243604B (zh) | 支持多唤醒词的说话人识别神经网络模型的训练方法、说话人识别方法及系统 | |
| CN113344184A (zh) | 用户画像预测方法、装置、终端和计算机可读存储介质 | |
| CN109961152B (zh) | 虚拟偶像的个性化互动方法、系统、终端设备及存储介质 | |
| CN107846493B (zh) | 通话联系人控制方法、装置及存储介质和移动终端 | |
| CN110717817A (zh) | 贷前审核方法及装置、电子设备和计算机可读存储介质 | |
| CN116204624A (zh) | 应答方法、装置、电子设备及存储介质 | |
| CN107154996B (zh) | 来电拦截方法、装置、存储介质及终端 | |
| CN112214675B (zh) | 用户购机的确定方法、装置、设备及计算机存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant after: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd. Address before: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant before: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191025 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |