CN109120613B - 通讯数据的监控方法和系统 - Google Patents

通讯数据的监控方法和系统 Download PDF

Info

Publication number
CN109120613B
CN109120613B CN201810895545.1A CN201810895545A CN109120613B CN 109120613 B CN109120613 B CN 109120613B CN 201810895545 A CN201810895545 A CN 201810895545A CN 109120613 B CN109120613 B CN 109120613B
Authority
CN
China
Prior art keywords
terminal
data
notification message
monitored
target terminal
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.)
Active
Application number
CN201810895545.1A
Other languages
English (en)
Other versions
CN109120613A (zh
Inventor
黄斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Yunzhonglun Technology Consultation Co ltd
Original Assignee
Beijing Yunzhonglun Technology Consultation Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Yunzhonglun Technology Consultation Co ltd filed Critical Beijing Yunzhonglun Technology Consultation Co ltd
Priority to CN201810895545.1A priority Critical patent/CN109120613B/zh
Publication of CN109120613A publication Critical patent/CN109120613A/zh
Application granted granted Critical
Publication of CN109120613B publication Critical patent/CN109120613B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/30—Network architectures or network communication protocols for network security for supporting lawful interception, monitoring or retaining of communications or communication related information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Technology Law (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本申请公开了一种通讯数据的监控方法和系统，所述方法包括如下步骤：接收待监控终端发送的来自预定终端的通知消息，其中，所述通知消息为所述预定终端发送的用于通知目标终端的身份信息的消息；通过对所述通知消息进行解析，提取所述通知消息中包含的所述目标终端的身份信息；基于所述目标终端的身份信息，监控所述待监控终端与所述目标终端之间的通讯数据；其中，所述通讯数据包括如下至少之一：电话通话数据、短信数据、采用第三方通讯软件发送的数据。本申请达到了有效监控员工与客户之间的通讯情况的目的，以杜绝由于员工懈怠或其他原因导致客户流失的现象。

Description

通讯数据的监控方法和系统
技术领域
本申请涉及通信领域，尤其涉及一种通讯数据的监控方法和系统。
背景技术
对于很多企业来说，客户资源直接关系到企业的利益。因而，有效管控员工与客户之间的电话、短信等通讯数据，不仅可以降低客户资源的流失，而且便于企业对员工的考核。
以汽车4S店为例，现有技术中，汽车4S店的事故线索短信以前是没有自动化管控软件的，依靠人工来统计和抽查，既费时又费力，还会发生人工主观因素导致统计不准确而出现错误。另外，由于每个员工使用的手机型号不同，不便以软件统计同步电话沟通记录，短信信息的同步操作。
可以看出，现有技术中，并没有一种有效的用于监控员工与客户之间的电话、短信等通讯数据的手段。
发明内容
为了解决上述问题，本申请提出了一种通讯数据的监控方法，方法包括如下步骤：接收待监控终端发送的来自预定终端的通知消息，其中，通知消息为预定终端发送的用于通知目标终端的身份信息的消息；通过对通知消息进行解析，提取通知消息中包含的目标终端的身份信息；基于目标终端的身份信息，监控待监控终端与目标终端之间的通讯数据；其中，通讯数据包括如下至少之一：电话通话数据、短信数据、采用第三方通讯软件发送的数据。
在一个示例中，基于目标终端的身份信息，监控待监控终端与目标终端之间的通讯数据，包括：获取待监控终端与至少一个客户终端通讯的通讯数据；基于待监控终端与每个客户终端通讯的通讯数据，检测每个客户终端的身份信息是否与目标终端的身份信息一致；在检测到任意一个客户终端的身份信息与目标终端的身份信息一致的情况下，获取并存储待监控终端与目标终端之间的通讯数据。
在一个示例中，基于目标终端的身份信息，监控待监控终端与目标终端之间的通讯数据，包括：基于目标终端的身份信息，获取预设时间段内待监控终端与目标终端之间的通讯数据；根据预设时间段内待监控终端与目标终端之间的通讯数据，按照如下至少一种数据维度生成待监控终端与目标终端之间在预设时间段内的通讯记录，其中，数据维度包括如下至少之一：时间、向待监控终端发送包含目标终端的身份信息的预定终端的身份信息、待监控终端与目标终端之间的通讯状态。
在一个示例中，通过对通知消息进行解析，提取通知消息中包含的关键信息，包括：基于预先训练得到的神经网络模型，提取通知消息中包含的目标终端的身份信息；其中，神经网络模型的输入数据为通知消息的文本数据；神经网络模型的输出数据为通知消息中包含的目标终端的身份信息。
在一个示例中，神经网络模型为双向长短时记忆网络Bi-LSTM与条件随机场CRF结合得到的模型，其中，Bi-LSTM的输入数据为通知消息的文本序列，Bi-LSTM的输出数据作为CRF的输入数据，CRF的输出数据为通知消息的文本序列对应的最大条件概率下的标签序列；其中，基于标签序列对通知消息的文本序列进行标注，提取得到的信息为目标终端的身份信息。
在一个示例中，CRF为线性链CRF，线性链CRF采用的条件概率计算公式为：
Figure GDA0002800854630000031
其中，
Figure GDA0002800854630000032
其中，O表示线性链CRF的输入序列，I表示输入序列O对应标签序列；i表示线性链CRF的第i个节点；fk()表示第k个特征函数，λk表示第k个特征函数的权重；Ii表示第i个节点对应的标签，Ii-1表示第i-1个节点对应的标签，Z(O)表示概率归一化因子。
在一个示例中，待监控终端是车辆维修店员工使用的手机终端，目标终端是故障车辆的车主使用的手机终端，预定终端是向故障车辆提供保险服务的保险公司发送通知消息的终端。
在一个示例中，通知消息为预定终端向待监控终端的发送的短信消息，其中，短信消息中包含故障车辆的车主使用的手机终端的电话号码。
在一个示例中，从通知消息中提取的目标终端的身份信息包括如下至少之一：故障车辆的车主姓名、故障车辆的车牌号码。
在一个示例中，在接收待监控终端发送的来自预定终端的通知消息之后，方法还包括：通过对通知消息进行解析，提取向故障车辆提供保险服务的保险公司的名称。
另一方面，本申请还提出了一种通讯数据的监控方法，方法包括如下步骤：待监控终端接收到来自预定终端的通知消息，其中，通知消息为预定终端发送的用于通知目标终端的身份信息的消息；待监控终端向服务器发送通知消息；其中，服务器用于通过对通知消息进行解析，提取通知消息中包含的目标终端的身份信息，并基于目标终端的身份信息，监控待监控终端与目标终端之间的通讯数据；其中，通讯数据包括如下至少之一：电话通话数据、短信数据、采用第三方通讯软件发送的数据。
另一方面，本申请还提出了一种通讯数据的监控系统，系统包括：待监控终端，与预定终端通信，用于接收预定终端发送的通知消息，其中，通知消息为预定终端发送的用于通知目标终端的身份信息的消息；服务器，与待监控终端通信，用于接收待监控终端发送的通知消息，并通过对通知消息进行解析，提取通知消息中包含的目标终端的身份信息；目标终端，与待监控终端通信；其中，服务器还用于基于目标终端的身份信息，监控待监控终端与目标终端之间的通讯数据；其中，通讯数据包括如下至少之一：电话通话数据、短信数据、采用第三方通讯软件发送的数据。
在一个示例中，系统还包括：监控终端，与服务器通信，用于输出待监控终端与目标终端之间的通讯数据。
通过本申请提出通讯数据的监控方法能够带来如下有益效果：采用人工智能算法识别待监控终端接收到的通知消息中包含目标终端的身份信息，并监控该待监控终端与该身份信息对应的目标终端之间的通讯数据(包括但不限于电话通话数据、短信数据和第三方通讯软件的通讯数据)，实现了对待监控终端与目标终端之间的通讯数据进行远程监控的目的，应用于一些特殊行业(例如，车辆维修店)，可以有效监控员工与客户之间的通讯情况，以杜绝由于员工懈怠或其他原因导致客户流失的现象。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不不当限定。在附图中：
图1为根据本申请实施例的一种通讯数据的监控系统示意图；
图2为本申请提供的一种可选的CRF线性链示意图；
图3为本申请实施例提供的一种可选的当天数据分析界面示意图；
图4(a)为本申请实施例提供的一种可选的历数据分析界面示意图；
图4(b)为本申请实施例提供的一种可选的历数据分析界面示意图；
图4(c)为本申请实施例提供的一种可选的历数据分析界面示意图；
图5为本申请实施例提供的一种可选的事故线索显示界面示意图；
图6为本申请实施例提供的一种可选的线索详情界面示意图；
图7为本申请实施例提供的一种可选的事故线索显示界面示意图；
图8为本申请实施例提供的一种可选的按照时间轴显示事故线索短信的处理情况的界面示意图；
具体实施方式
为了更清楚的阐释本申请的整体构思，下面结合说明书附图以示例的方式进行详细说明。
本申请的实施例公开了一种通讯数据的监控系统，可以应用于企业管理者对企业内部员工与客户之间的通讯数据进行监控的场景中。作为一种可选的实施例，本申请以汽车销售服务4S店(下面简称4S店)为例来进行说明。
图1是根据本申请实施例的一种通讯数据的监控系统示意图，如图1所示，该系统包括：待监控终端101、服务器102、目标终端103和预定终端104。
以车辆维修店(4S店)为例，上述待监控终端101可以是4S店员工的工作手机，上述目标终端103可以是事故车主的手机，上述预定终端104可以是保险公司员工的手机或者保险公司内部用于发送短信的终端，通常情况下，事故车主在车辆发生交通事故或其他故障的情况下，首先会联系保险公司，此时，保险公司的员工会向4S店发送事故线索短信，或者通过保险公司的内部系统自动触发向4S店发送的事故线索短信。容易注意的是，保险公司向4S店发送事故线索短信的技术是现有技术，此处不再赘述。
如图1所示，当预定终端104(例如，保险公司用于发送事故线索短信的终端)向待监控终端101发送通知消息(即用于通知目标终端的身份信息的消息，例如，事故线索短信用于通知4S店员工故障车辆的车主信息)后，待监控终端101在接收到来自预定终端104的通知消息的情况下，会自动将接收到的通知消息发送给服务器102，服务器102接收到待监控终端101发送的来自预定终端104的通知消息后，对接收到通知消息进行解析，提取到目标终端103(例如，事故车主的手机)的身份信息，以便服务器102基于目标终端的身份信息，监控待监控终端101与目标终端103之间的通讯数据。可选地，在具体实现的时候，可以利用Xposed框架(即修改系统框架服务，即可以在不修改APK的情况下影响程序运行(修改系统)的框架服务，基于它可以制作出许多功能强大的模块，且在功能不冲突的情况下同时运作)技术对手机信息实时监控，对通话记录、短信记录和聊天工具记录实时自动上传到服务器。
容易注意的是，为了实现对待监控终端101的通讯数据进行监控，作为一种可选的实施方式，上述待监控终端101需要对操作系统进行修改，例如，以Android手机为例，需要修改手机操作系统Android源码中系统API的功能，解决电话双向录音。可选地，还可以对待监控终端的操作权限进行管理，对需要安装的软件进行限制和控制手机权限设置的功能等。
作为一种可选的实施例，在上述待监控终端101为车辆维修店员工使用的手机，目标终端103为待修汽车的车主使用的手机，预定终端104为保险公司人员使用的手机的情况下，服务器102从待监控终端101发送的通知消息中提取的关键信息还可以包括车主姓名、车牌号码、保险公司名称等信息。
容易注意的是，现有技术从一段文本信息中提取信息传统算法一般采用正则表达式的算法，但是正则表达式需要固定的匹配规则，但是事故线索短信各个省市区域，各个保险公司差别较大，而且有些是人工编辑发送，没有固定的匹配规则。对于有规律的信息如手机号、车牌号，可以采用正则表达式提取。但对于姓名等信息的提取则很难使用传统的人工特征来判别。由此，作为一种可选的实施方式，服务器102基于预先训练得到的神经网络模型，提取通知消息中包含的目标终端的身份信息；其中，神经网络模型为双向长短时记忆网络Bi-LSTM与条件随机场CRF结合得到的模型，Bi-LSTM的输出数据作为CRF的输入数据；神经网络模型的输入数据为通知消息的文本序列；神经网络模型输出数据为通知消息的文本序列对应的最大条件概率下的标签序列；其中，基于标签序列对通知消息的文本序列进行标注，提取得到的信息为关键信息。
此处需要说明的是，在基于概率图模型的方法中，CRF在序列标注问题中优于HMM、ME、MEMM；在基于深度学习的方法中，Bi-LSTM优于RNN、BIRNN等模型。
与Bi-LSTM相比，CRF的优势是可以优化整个序列，可以对状态之间的依赖关系建模，而不是将每个时刻的最优拼接起来；与CRF相比，B-i-LSTM的优势可以自动学习到更好的上下文表达，不比设定特征模板。具体地，CRF通过局部的特征函数fk进行匹配，最后通过这些局部特征进行加和，从而得到全局或序列特征，例如，对于当前字xt，考虑到其前两个字xt-2xt-1、前一个字xt-1、当前字xt、后一个字xt+1、后两个字xt+1xt+2等特征，由于这些局部特征通常受到窗口大小的影响，不能灵活考虑上下文信息，而双向循环神经网络可以针对当前字，抽取更长远的上下文信息，其特征表达更丰富。
由此，本申请将条件随机场中的特征函数替换成基于双向循环神经网络的输出，提出了一种Bi-LSTM-CRF混合模型，通过Bi-LSTM对观测x进行更好地特征学习标识，例如，字符特征、上下文特征；通过CRF来对y进行建模，学习状态y之间的依赖关系，以结合二者的优点，在给定观测x的情况下，求解最优的状态序列y*。
具体地，服务器采用双向循环网络(Bi-LSTM)+条件随机场(CRF)的方式来实现特征提取，使用IOB标记法对数据进行标记。容易注意的是，这个任务是个分类任务，具体称为序列标注任务，即文本中不同的实体对应不同的标签(例如，人名-PER、地名-LOC等)，相似的序列标注任务还有词性标注、语义角色标注。Bi-LSTM网络则可以看作是一个多分类问题，给定B、I、O等标签作为训练输出，将短信作为输入，根据网络模型计算的概率大小确定句子中的每个单词属于哪个标签(类别)，概率最大的即为该单词最后所属的标签(类别)，标签与标签之间是独立的。
Bi-LSTM+CRF在分类问题的基础上，加上输出之间的约束关系。例如，“B”标签之后还是“B”，这种不符合语法规则的情况，通过CRF机制是可以排除的。
其中，线性链CRF(一种特殊的CRF)可以用于序列标注问题。CRF模型在训练时，给定训练序列样本集(O，I)，通过极大似然估计、梯度下降等方法确定CRF模型的参数；预测时，给定输入序列O，根据模型，求出P(I|O)最大的序列I。例如，图2所示为本申请提供的一种可选的CRF线性链示意图。线性链CRF采用的条件概率计算公式为：
Figure GDA0002800854630000101
其中，
Figure GDA0002800854630000102
其中，O表示线性链CRF的输入序列，I表示输入序列O对应标签序列；i表示线性链CRF的第i个节点；fk()表示第k个特征函数，λk表示第k个特征函数的权重；Ii表示第i个节点对应的标签，Ii-1表示第i-1个节点对应的标签，Z(O)表示概率归一化因子。
容易注意的是，使用深度网络提取特征的前提需要大量标注过的短信信息和人名、地名等样本来进行训练。由此，作为一种可选的实施方式，本申请收集了一批4S店的真实短信和网络上下载的新闻来进行标注。然后，采用IOB标记法标记出短信中的人名、地名、车牌号。标记的文字数据大约有13M。然后使用Python开发语言(即计算机程序设计语言，一种面向对象的解释型计算机程序设计语言)在Tensorflow(谷歌基于DistBelief进行研发的第二代人工智能学习系统)环境中搭建网络进行训练，训练次数大约1300次。
需要说明的是，上述服务器102监控的待监控终端101与目标终端103的通讯数据包括但不限于如下至少之一：电话通话数据、短信数据、采用第三方通讯软件发送的数据。另外，上述服务器102监控的待监控终端101与目标终端103的通讯数据既包括待监控终端101向目标终端103发送的数据，也包括目标终端103向待监控终端101发送的数据。
作为第一种可选的实施方式，服务器102可以实时或定时获取待监控终端101的通讯数据，待监控终端101也可以实时或定时上传其与其他终端的通讯数据；当服务器102检测到待监控终端101的通讯数据对应的身份信息与目标终端的身份信息一致的情况下，可以获取并存储待监控终端101与目标终端103之间的通讯数据。
通过上述第一种可选的实施方式，不仅可以监控到待监控终端101与任意一个终端的通讯数据，而且，通过服务器102抓取待监控终端101与目标终端103之间的通讯数据，监控力度更大。
作为第二种可选的实施方式，服务器102可以将解析到的目标终端103的身份信息发送待监控终端101，以便待监控终端101在检测到其与目标终端103通讯的情况下，将其与目标终端103之间的通讯数据上传给服务器102。
通过上述第二可选的实施方式，可以避免将待监控终端101与所有终端通讯的通讯数据均上传到服务器102，从而节约网络带宽。
另外，还需要说明的是，上述服务器102可以是基于Web应用的服务器，也可以是基于客户端的应用服务器，还可以是云服务器。
可选地，监控人员(例如，4S店的管理者)可以通过监控终端105访问服务器102，以查看待监控终端101与目标终端103之间的通讯数据。
在一种可选的实施例中，服务器102还可以基于目标终端103的身份信息，获取预设时间段内待监控终端101与目标终端103之间的通讯数据，以便根据预设时间段内待监控终端10与目标终端103之间的通讯数据，按照如下至少一种数据维度生成所述待监控终端与所述目标终端之间在所述预设时间段内的通讯记录，其中，所述数据维度包括如下至少之一：时间、向所述待监控终端发送包含所述目标终端的身份信息的预定终端的身份信息、所述待监控终端与所述目标终端之间的通讯状态。
需要说明的是，上述预设时间段可以是一天、一周、一个月，或者从待监控终端101接到来自预定终端104发送的包含了目标终端103的身份信息的时刻到当前时刻之间任意一段历史时间段。
以4S店为例，图3为本申请实施例提供的一种可选的当天数据分析界面示意图，如图3所示，当服务器102获取到待监控终端101与目标终端103一天内的通讯数据后，可以通过监控终端105(例如，4S店管理者的手机终端)显示“今日数据”分析结果，分析数据包括但不限于待监控终端101接收到的线索短信数量、及时联系的目标终端的数量、超时联系的目标终端的数量、未联系的目标终端的数量、待监控终端101通话的次数、通话时长、平均时长、发送的短信次数等，通过这些数据可以直观看到员工与客户的通讯情况，可选地，统计的数据还可以支持分时段显示，优选地，可以以曲线图、条形图等反映数据统计结果。
仍以4S店为例，图4(a)、4(b)和4(c)是本申请实施例提供的一种可选的历数据分析界面示意图，如图4(a)、4(b)和4(c)所示，服务器102可以统计待监控终端101与目标终端103之间已经发生的所有通讯数据，显示历史数据分析结果，分析结果包括但不限于图4(a)所示的沟通情况统计结果、图4(b)所示的线索处理统计结果、图4(c)所示的保险公司统计结果。
作为一种可选的实施方式，以4S店的事故线索短信为例，上述服务器102还可以记录所有的事故线索短信，并更新每条事故线索短信的处理状态等，以便追溯每条事故线索短信的处理情况，包括但不限于员工与车主所有的通讯数据。例如，图5为本申请实施例提供的一种可选的事故线索显示界面示意图，点击界面上的“线索详情”可以打开图6所示的线索详情界面，以显示具体的线索短信内容、线索时间、线索状态、线索来源、线索来源备注信息、是否是自己店出售的汽车、车主姓名、车主手机号、事故车型、车牌号等信息。
可选地，在选中图5所示的事故线索短信界面上任意一条事故短信，并点击界面上显示的“+”控件，还可以支持查看沟通详情、拨电话、下载数据统计报表等，如图7所示。
优选地，图8为本申请实施例提供的一种可选的按照时间轴显示事故线索短信的处理情况的界面示意图，如图8所示，对于每一条事故线索短信的处理情况，还可以按照时间轴的方式显示每个时间点的处理情况，以便直观地查看每条事故线索的处理情况。如果某个时间点，员工与事故车主进行沟通，还可以在该时间点显示员工与事故车主的通讯数据，如果是电话，则支持查看电话录音；如果是短信则支持查看短信内容，可选地，如果是通过手机号关联的其他第三方通讯软件通讯，则支持查看员工与事故车主通过该第三方通讯软件通讯的通讯数据。
本申请的实施例公开了一种通讯数据的监控方法，可以应用但不限于图1所示的通讯数据的监控系统中。图9是本申请实施例提供的一种通讯数据的监控方法流程图，如图9所示，包括如下步骤：
步骤S901，接收待监控终端发送的来自预定终端的通知消息。
具体地，上述通知消息可以为预定终端发送的用于向待监控终端通知目标终端的身份信息的消息。
作为一种可选的实施例，上述待监控终端可以为车辆维修店员工使用的手机，预定终端可以为保险公司人员使用的手机。
步骤S902，通过对通知消息进行解析，提取通知消息中包含的目标终端的身份信息。
具体地，在对通知消息进行解析的时候，可以基于预先训练得到的神经网络模型，提取通知消息中包含的目标终端的身份信息；该神经网络模型的输入数据为通知消息的文本数据；神经网络模型的输出数据为通知消息中包含的目标终端的身份信息。
可选地，神经网络模型可以采用双向长短时记忆网络Bi-LSTM与条件随机场CRF结合得到的模型，其中，Bi-LSTM的输入数据为通知消息的文本序列，Bi-LSTM的输出数据作为CRF的输入数据，CRF的输出数据为通知消息的文本序列对应的最大条件概率下的标签序列；其中，基于标签序列对通知消息的文本序列进行标注，提取得到的信息为目标终端的身份信息。
作为一种可选的实施例，上述目标终端为可以待修汽车的车主使用的手机，这种情况下，从通知消息中提取的关键信息除了目标终端的身份信息后，还可以包括：车主姓名、车牌号码、保险公司名称。
步骤S903，基于目标终端的身份信息，监控待监控终端与目标终端之间的通讯数据；其中，通讯数据包括如下至少之一：电话通话数据、短信数据、采用第三方通讯软件发送的数据。
具体地，在上述步骤中，可以获取待监控终端的通讯数据，并在监控到通讯数据对应的身份信息与目标终端的身份信息一致的情况下，获取并存储待监控终端与目标终端之间的通讯数据。
可选地，还可以基于目标终端的身份信息，获取预设时间段内待监控终端与目标终端之间的通讯数据；根据预设时间段内待监控终端与目标终端之间的通讯数据，按照如下至少一种数据维度生成待监控终端与目标终端之间在预设时间段内的通讯记录，其中，数据维度包括如下至少之一：时间、向待监控终端发送包含目标终端的身份信息的预定终端的身份信息、待监控终端与目标终端之间的通讯状态。
作为一种可选的实施例，上述步骤S901至S903提供的方法可以应用但不限于手机(该手机的操作系统可以是但不限于Android系统)上的一个APP软件，通过该APP软件实现对手机的电话或短信的监控。
以汽车4S店为例，可以为与4S店的每个员工配备专门的工作手机，当工作手机读取到车辆事故线索短信发送到服务器，服务器通过神经网络的语义识别算法分析短信内容，提前短信关键信息，比如车主姓名，手机号，车牌号，保险公司名称等；当汽车4S店员工使用工作手机拨打短信中事故车主电话进行通话的时候，通话将被记录成音频文件并被存储，上传至服务器；汽车4S店员工使用工作手机和事故车主收发短信也将被存储并上传至服务器；服务器将沟通录音文件，短信内容文本根据时间轴形成链条从而进行管控。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种通讯数据的监控方法，其特征在于，所述方法包括如下步骤：接收待监控终端发送的来自预定终端的通知消息，其中，所述通知消息为所述预定终端发送的用于通知目标终端的身份信息的消息；
通过对所述通知消息进行解析，提取所述通知消息中包含的所述目标终端的身份信息；
基于所述目标终端的身份信息，监控所述待监控终端与所述目标终端之间的通讯数据；其中，所述通讯数据包括如下至少之一：电话通话数据、短信数据、采用第三方通讯软件发送的数据。
2.根据权利要求1所述的通讯数据的监控方法，其特征在于，基于所述目标终端的身份信息，监控所述待监控终端与所述目标终端之间的通讯数据，包括：
获取所述待监控终端与至少一个客户终端通讯的通讯数据；
基于所述待监控终端与每个客户终端通讯的通讯数据，检测每个客户终端的身份信息是否与所述目标终端的身份信息一致；
在检测到任意一个客户终端的身份信息与所述目标终端的身份信息一致的情况下，获取并存储所述待监控终端与所述目标终端之间的通讯数据。
3.根据权利要1所述的通讯数据的监控方法，其特征在于，通过对所述通知消息进行解析，提取所述通知消息中包含的关键信息，包括：
基于预先训练得到的神经网络模型，提取所述通知消息中包含的目标终端的身份信息；其中，所述神经网络模型的输入数据为所述通知消息的文本数据；所述神经网络模型的输出数据为所述通知消息中包含的目标终端的身份信息。
4.根据权利要求3所述的通讯数据的监控方法，其特征在于，所述神经网络模型为双向长短时记忆网络Bi-LSTM与条件随机场CRF结合得到的模型，其中，所述Bi-LSTM的输入数据为所述通知消息的文本序列，所述Bi-LSTM的输出数据作为所述CRF的输入数据，所述CRF的输出数据为所述通知消息的文本序列对应的最大条件概率下的标签序列；其中，基于所述标签序列对所述通知消息的文本序列进行标注，提取得到的信息为所述目标终端的身份信息。
5.根据权利要求4所述的通讯数据的监控方法，其特征在于，所述CRF为线性链CRF，所述线性链CRF采用的条件概率计算公式为：
Figure FDA0002800854620000021
其中，
Figure FDA0002800854620000022
其中，O表示所述线性链CRF的输入序列，I表示所述输入序列O对应标签序列；i表示所述线性链CRF的第i个节点；fk()表示第k个特征函数，λk表示第k个特征函数的权重；Ii表示第i个节点对应的标签，Ii-1表示第i-1个节点对应的标签，Z(O)表示概率归一化因子。
6.根据权利要求1至5中任意一项所述的通讯数据的监控方法，其特征在于，所述待监控终端是车辆维修店员工使用的手机终端，所述目标终端是故障车辆的车主使用的手机终端，所述预定终端是向所述故障车辆提供保险服务的保险公司发送通知消息的终端；
其中，所述预定终端向所述待监控终端的发送的通知消息为短信消息，其中，所述短信消息中包含所述故障车辆的车主使用的手机终端的电话号码。
7.根据权利要求6所述的通讯数据的监控方法，其特征在于，从所述通知消息中提取的信息还包括如下至少之一：所述故障车辆的车主姓名、所述故障车辆的车牌号码、向所述故障车辆提供保险服务的保险公司的名称。
8.一种通讯数据的监控方法，其特征在于，所述方法包括如下步骤：待监控终端接收到来自预定终端的通知消息，其中，所述通知消息为所述预定终端发送的用于通知目标终端的身份信息的消息；
所述待监控终端向服务器发送所述通知消息；其中，所述服务器用于通过对所述通知消息进行解析，提取所述通知消息中包含的所述目标终端的身份信息，并基于所述目标终端的身份信息，监控所述待监控终端与所述目标终端之间的通讯数据；其中，所述通讯数据包括如下至少之一：电话通话数据、短信数据、采用第三方通讯软件发送的数据。
9.一种通讯数据的监控系统，其特征在于，所述系统包括：
待监控终端，与预定终端通信，用于接收所述预定终端发送的通知消息，其中，所述通知消息为所述预定终端发送的用于通知目标终端的身份信息的消息；
服务器，与所述待监控终端通信，用于接收所述待监控终端发送的通知消息，并通过对所述通知消息进行解析，提取所述通知消息中包含的所述目标终端的身份信息；
所述目标终端，与所述待监控终端通信；
其中，所述服务器还用于基于所述目标终端的身份信息，监控所述待监控终端与所述目标终端之间的通讯数据；其中，所述通讯数据包括如下至少之一：电话通话数据、短信数据、采用第三方通讯软件发送的数据。
10.根据权利要求9所述的通讯数据的监控系统，其特征在于，所述系统还包括：
监控终端，与服务器通信，用于输出所述待监控终端与所述目标终端之间的通讯数据。
CN201810895545.1A 2018-08-08 2018-08-08 通讯数据的监控方法和系统 Active CN109120613B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810895545.1A CN109120613B (zh) 2018-08-08 2018-08-08 通讯数据的监控方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810895545.1A CN109120613B (zh) 2018-08-08 2018-08-08 通讯数据的监控方法和系统

Publications (2)

Publication Number Publication Date
CN109120613A CN109120613A (zh) 2019-01-01
CN109120613B true CN109120613B (zh) 2021-06-18

Family

ID=64851993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810895545.1A Active CN109120613B (zh) 2018-08-08 2018-08-08 通讯数据的监控方法和系统

Country Status (1)

Country Link
CN (1) CN109120613B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112367423A (zh) * 2020-10-23 2021-02-12 珠海格力电器股份有限公司 通知信息的管理方法和装置、存储介质、电子装置
CN115002280A (zh) * 2022-05-11 2022-09-02 北京互连众信科技有限公司 一种监管催收系统和方法
CN116739647A (zh) * 2023-08-16 2023-09-12 深圳市加推科技有限公司 一种营销数据智能分析方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140004817A1 (en) * 2012-06-29 2014-01-02 Andrew Horton Cell phone detection and alert information system
CN103500419A (zh) * 2013-07-30 2014-01-08 何则安 一种车险事故现场免人工查勘方法及其系统
CN104615727A (zh) * 2015-02-09 2015-05-13 杭州中导科技开发有限公司 一种获取保险关联信息的方法
KR101794187B1 (ko) * 2016-01-19 2017-11-06 한국인터넷진흥원 침해 사고 정보를 관리하기 위한 방법과 침해 사고 관리 시스템, 및 컴퓨터 판독 가능한 매체
CN106603876B (zh) * 2016-11-10 2019-10-18 河南智业科技发展有限公司 基于云服务的呼叫系统
CN107240025A (zh) * 2017-05-22 2017-10-10 深圳市中车数联科技有限公司 交通事故处理方法、系统和计算机可读存储介质
CN107679234B (zh) * 2017-10-24 2020-02-11 上海携程国际旅行社有限公司 客服信息提供方法、装置、电子设备、存储介质
CN108268444B (zh) * 2018-01-10 2021-11-02 南京邮电大学 一种基于双向lstm、cnn和crf的中文分词方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Service and Device Monitoring Service for Smart Items Infrastructures;Matthias Wiemann;《2007 Third International Conference on Wireless and Mobile Communications (ICWMC"07)》;20070326;1-6 *
面向销售员的呼叫中心管理系统的设计与实现;冯伟;《中国优秀硕士学位论文全文数据库信息科技辑》;20170315(第3期);I138-2490 *

Also Published As

Publication number Publication date
CN109120613A (zh) 2019-01-01

Similar Documents

Publication Publication Date Title
CN108763499B (zh) 基于智能语音的呼叫质检方法、装置、设备及存储介质
CN109120613B (zh) 通讯数据的监控方法和系统
US11676576B2 (en) Organizational-based language model generation
US20200204680A1 (en) Framework for predictive customer care support
CN109656792A (zh) 基于网络调用日志的应用性能分析方法、装置、计算机设备及存储介质
CN111931189B (zh) Api接口转用风险检测方法、装置和api服务系统
CN111182162B (zh) 基于人工智能的电话质检方法、装置、设备和存储介质
CN112235470B (zh) 基于语音识别的来电客户跟进方法、装置及设备
US11797339B2 (en) Systems and methods for maintaining data objects to manage asynchronous workflows
CN109254912A (zh) 一种自动化测试的方法及装置
CN112925888A (zh) 一种问答响应及小样本文本匹配模型的训练方法和装置
CN110874405A (zh) 服务质检方法、装置、设备与计算机可读存储介质
CN105553770B (zh) 一种数据采集控制方法和装置
CN114418641A (zh) 存量客户访问工单的自动派发方法、装置及电子设备
CN118233483A (zh) 基于轨道交通的联动方法、电子设备和存储介质
CN117592778A (zh) 风险预警系统
CN112947959A (zh) 一种ai服务平台的更新方法、装置、服务器及存储介质
CN116192997B (zh) 一种基于网络流的事件检测方法和系统
CN113723800B (zh) 风险识别模型训练方法及装置、风险识别方法及装置
CN114282065B (zh) 一种政务大数据平台数据采集方法
US20230025114A1 (en) System and method for automated processing of natural language using deep learning model encoding
US20060149849A1 (en) System for parameterized processing of streaming data
CN104834393A (zh) 自动化测试装置及系统
US20240289113A1 (en) Techniques to Proactively Monitor and Initiate Communication System Updates Using Interactive Chat Machine Learning Models
CN114500215A (zh) 存储设备的集中管理方法、装置、设备及可读存储介质

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
GR01 Patent grant
GR01 Patent grant