CN109599116A - 基于语音识别的监管保险理赔的方法、装置和计算机设备 - Google Patents
基于语音识别的监管保险理赔的方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN109599116A CN109599116A CN201811168545.8A CN201811168545A CN109599116A CN 109599116 A CN109599116 A CN 109599116A CN 201811168545 A CN201811168545 A CN 201811168545A CN 109599116 A CN109599116 A CN 109599116A
- Authority
- CN
- China
- Prior art keywords
- settling agent
- text
- resolution
- voice signal
- staff
- 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 48
- 230000003203 everyday effect Effects 0.000 claims abstract description 85
- 230000014509 gene expression Effects 0.000 claims abstract description 80
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 230000001755 vocal effect Effects 0.000 claims description 45
- 238000009432 framing Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 230000006378 damage Effects 0.000 description 6
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006854 communication Effects 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 241000282320 Panthera leo Species 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请揭示了一种基于语音识别的监管保险理赔的方法、装置和计算机设备,其中方法包括:获取理赔代理人与保险公司的理赔工作人员就关于理赔事项进行交流时产生的第一语音信号,其中,所述理赔代理人是出险的客户委托处理理赔事项的代理人;通过语音识别技术,将所述第一语音信号转换成理赔代理人文本;判断所述理赔代理人文本中是否包含有预设的黄牛常用词语;若是,则判定所述理赔代理人是黄牛。本申请通过获取理赔代理人的说的话然后转换成文字,自动识别出说话内容中的一些黄牛常说的口头语或者一些常用的关键字,来识别理赔代理人是否是黄牛,辅助人工来判断识别是否是黄牛,减少理赔工作人员的漏判。
Description
技术领域
本申请涉及到计算机技术领域,特别是涉及到一种基于语音识别的监管保险理赔的方法、装置和计算机设备。
背景技术
黄牛,有一种解释是指恃力气或利用不正当手法抢购物资以及车票、门票后高价出售而从中取利的人,目前,这个词已衍生到各个行业。其中,保险行业也会存在黄牛,黄牛活跃在交通人伤事故的处理理赔过程,一边收取高额代理费甚至用少量资金买断伤者的赔付,另一边通过造假向保险公司“狮子大开口”索赔,然后将大部分保险赔偿金纳入私囊。保险行业的黄牛给保险公司带来了一定的麻烦,黄牛通过造假,使得保险公司需要赔付更多的不必要的费用。
目前保险公司的理赔工作人员在办理理赔案件时,有些理赔案件是由一些有经验的“黄牛”联系作为投保方的理赔代理人进行处理理赔的案件,通过做一些假账或假记录来进行骗保或夸大案件情况以争取到更多的非法利益。而理赔工作人员只能凭着自己的经验来识别黄牛。有一些经验丰富的理赔工作人员就可以通过理赔代理人说的话中的一些关键字来判断理赔代理人是否是黄牛。而一些经验不丰富的理赔人员很容易就忽视这个问题。
所以提供一种新的通过语音识别技术来帮助工作人员识别黄牛的方法是亟需解决的问题。
发明内容
本申请的主要目的为提供一种能辅助保险理赔工作人员判断理赔代理人是否是黄牛的方法、装置和计算机设备。
为了实现上述发明目的,本申请提出一种基于语音识别的监管保险理赔的方法,包括:
获取理赔代理人与保险公司的理赔工作人员就关于理赔事项进行交流时产生的第一语音信号,其中,所述理赔代理人是出险的客户委托处理理赔事项的代理人;
通过语音识别技术,将所述第一语音信号转换成理赔代理人文本;
判断所述理赔代理人文本中是否包含有预设的黄牛常用词语;
若是,则判定所述理赔代理人是黄牛。
进一步地,所述若所述理赔代理人文本中包含有预设的黄牛常用词语,则判定所述理赔代理人是黄牛的步骤,包括:
若所述理赔代理人文本中包含有预设的黄牛常用词语,则获取所述理赔代理人文本中包含有预设的黄牛常用词语的个数或次数;
判断所述个数或次数是否超过预设的第一阈值;
若是,则判定所述理赔代理人是黄牛。
进一步地,所述若所述理赔代理人文本中包含有预设的黄牛常用词语,则判定所述理赔代理人是黄牛的步骤,包括:
若所述理赔代理人文本中包含有预设的黄牛常用词语,则获取所述理赔代理人的信息;
根据所述理赔代理人的信息,获取所述理赔代理人的历史代理次数;
若所述历史代理次数超过代理阈值,则判定所述理赔代理人是黄牛。
进一步地,所述判定所述理赔代理人是黄牛的步骤之后,包括:
将所述理赔代理人的信息加入到预设的黄牛库,所述黄牛库用于存储黄牛的个人信息。
进一步地,所述判定所述理赔代理人是黄牛的步骤之后,包括:
获取所述理赔代理人文本;
统计所述理赔代理人文本中每一个词语出现的次数;
将次数超过第二阈值的词语定义为黄牛常用词语。
进一步地,所述获取理赔代理人与保险公司的理赔工作人员就关于理赔事项进行交流时产生的第一语音信号的步骤,包括:
获取理赔工作人员与理赔代理人的对话产生的语音信号;
将所述语音信号分帧;
分别提取分帧后的语音信号的声纹;
分别判断所述声纹是否与预设的理赔工作人员的声纹匹配;
获取匹配失败的声纹对应的语音信号,形成所述理赔代理人的第一语音信号。
进一步地,所述分别判断所述声纹是否与预设的理赔工作人员的声纹匹配的步骤之后,包括:
获取匹配成功的声纹对应的语音信号,形成所述理赔工作人员的第二语音信号;
将所述第二语音信号转换成理赔工作人员文本;
判断所述理赔工作人员文本中是否出现用于考核的工作词语;
若是,判定所述理赔工作人员合格。
本申请还提供一种基于语音识别的监管保险理赔的装置,包括:
获取语音模块,用于获取理赔代理人与保险公司的理赔工作人员就关于理赔事项进行交流时产生的第一语音信号,其中,所述理赔代理人是出险的客户委托处理理赔事项的代理人;
转换模块,用于通过语音识别技术,将所述第一语音信号转换成理赔代理人文本;
判断模块,用于判断所述理赔代理人文本中是否包含有预设的黄牛常用词语;
判定模块,用于若所述理赔代理人文本中包含有预设的黄牛常用词语,则判定所述理赔代理人是黄牛。
本申请还提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于语音识别的监管保险理赔的方法、装置和计算机设备,通过获取理赔代理人的说的话然后转换成文字,自动识别出说话内容中的一些黄牛常说的口头语或者一些常用的关键字,来识别理赔代理人是否是黄牛,辅助人工来判断识别是否是黄牛,减少理赔工作人员的漏判,更大程度的提高识别黄牛的概率。
附图说明
图1为本申请一实施例的基于语音识别的监管保险理赔的方法的流程示意图;
图2为本申请一实施例的基于语音识别的监管保险理赔的装置的结构示意框图;
图3为本申请一实施例的基于语音识别的监管保险理赔的装置的判定模块的结构示意框图;
图4为本申请一实施例的基于语音识别的监管保险理赔的装置的判定模块的结构示意框图;
图5为本申请一实施例的基于语音识别的监管保险理赔的装置的结构示意框图;
图6为本申请一实施例的基于语音识别的监管保险理赔的装置的结构示意框图;
图7为本申请一实施例的基于语音识别的监管保险理赔的装置的获取语音模块的结构示意框图;
图8为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,本申请实施例提供一种基于语音识别的监管保险理赔的方法,包括步骤:
S1、获取理赔代理人与保险公司的理赔工作人员就关于理赔事项进行交流时产生的第一语音信号,其中,理赔代理人是出险的客户委托处理理赔事项的代理人;
S2、通过语音识别技术,将所述第一语音信号转换成理赔代理人文本;
S3、判断所述理赔代理人文本中是否包含有预设的黄牛常用词语;
S4、若是,则判定所述理赔代理人是黄牛。
如上述步骤S1所述,理赔代理人是指客户出险后用于代理客户办理理赔事宜的人。理赔工作人员与理赔代理人就保险标的出险后的理赔事宜进行沟通与交流。在交流过程中,系统获取理赔代理人的声音,转换成第一语音信号。
如上述步骤S2所述,系统将理赔代理人的第一语音信号进行语音识别,转换成理赔代理人文本。或者,系统将理赔代理人的第一语音信号发送给服务器,通过服务器转换成理赔代理人文本后,再接收服务器发送的理赔代理人文本。理赔代理人文本即理赔代理人的说话记录。
如上述步骤S3所述,黄牛,有一种解释是指恃力气或利用不正当手法抢购物资以及车票、门票后高价出售而从中取利的人,目前,这个词已衍生到各个行业。其中,保险行业也会存在黄牛,黄牛活跃在交通人伤事故的处理理赔过程,一边收取高额代理费甚至用少量资金买断伤者的赔付,另一边通过造假向保险公司“狮子大开口”索赔,然后将大部分保险赔偿金纳入私囊。后续所述的黄牛以及黄牛常用词语均是指在保险行业的黄牛。黄牛常用词语是指黄牛在与理赔工作人员交流中经常说的词语,资深理赔工作人员通过多次参与的理赔工作,与多个理赔人员接触后,总结出黄牛常说的词语而且正常理赔人员不用或很少用到的词语,确定为黄牛常用词语。黄牛常用词语包括:伤情严重、伤害、打官司、法院、起诉、外地、帮忙、朋友等。系统将黄牛常用词语存储在一个指定存储区域,形成黄牛词库。系统调用黄牛词库中的黄牛常用词语,同时读取理赔代理人文本,将黄牛词库中的黄牛常用词语,与理赔代理人文本进行匹配,若理赔代理人文本中包含有黄牛词库中的任意一个黄牛常用词语,则匹配成功,判定理赔代理人文本中包含有预设的黄牛常用词语;在其他实施例中,若理赔代理人文本中包含有任意预设数量的个数的黄牛常用词语,则匹配成功,判定理赔代理人文本中包含有预设的黄牛常用词语。
如上述步骤S4所述,如果理赔代理人文本中包含有黄牛常用词语,说明理赔代理人说话与黄牛说话相近,因而,判定理赔代理人文本对应的理赔代理人是黄牛。
在一个实施例中,上述若所述理赔代理人文本中包含有预设的黄牛常用词语,则判定所述理赔代理人是黄牛S4的步骤,包括:
S41、若所述理赔代理人文本中包含有预设的黄牛常用词语,则获取所述理赔代理人文本中包含有预设的黄牛常用词语的个数或次数;
S42、判断所述个数或次数是否超过预设的第一阈值;
S43、若是,则判定所述理赔代理人是黄牛。
如上述步骤S41所述,理赔工作人员在与理赔代理人沟通时范围比较广,理赔代理人可能说出与黄牛常用词语相近的词,而语音识别时转换成理赔代理人文本时转换成黄牛常用词语,这样会造成误判。因此,即使理赔代理人文本中包含有黄牛常用词语,也不一定就能说明该理赔代理人是黄牛。在此提出更优化的判断黄牛的方法是,判断文本中出现了黄牛常用词语的个数或次数。在一具体实施例中,获取理赔代理人文本中出现同一黄牛常用词语的频次,获取到多个黄牛常用词的频次中的最大值,将最大值与第一阈值进行比较交。在另一具体实施例中,获取理赔代理人文本中出现黄牛常用词语的总次数与第一阈值进行比较。
如上述步骤S42所述,若黄牛常用词语的个数或次数超过第一阈值,可以很大程度消除语音识别的错误率的影响,以及消除理赔代理人无意中说出黄牛常用词语的影响,说明该理赔代理人确实是说出了黄牛常用词语,而且说出的次数比较多。第一阈值是理赔工作人员预先设置的数值。
如上述步骤S43所述,文本中的黄牛常用词语出现的频率较高,说明该理赔代理人的说话风格与黄牛相近,因此判定该理赔代理人是黄牛。
在一个实施例中,上述若所述理赔代理人文本中包含有预设的黄牛常用词语,则判定所述理赔代理人是黄牛S4的步骤,包括:
S44、若所述理赔代理人文本中包含有预设的黄牛常用词语,则获取所述理赔代理人的信息;
S45、根据所述理赔代理人的信息,获取所述理赔代理人的历史代理次数;
S46、若所述历史代理次数超过代理阈值,则判定所述理赔代理人是黄牛。
如上述步骤S44所述,当理赔代理人作为客户的委托方时,需要在系统上备案,备案时就包括理赔代理人的信息。系统判断出理赔代理人说话中包含有黄牛常用词语时,调用备案信息,获取到理赔代理人的信息。具体的,理赔代理人信息包括其身份证号、手机号码等作为具有唯一标识的信息。
如上述步骤S45所述,系统获取到理赔代理人的信息,访问服务器,查找服务器中以住的理赔代理记录,获取历史理赔代理记录中历史理赔代理人的信息。具体的,以理赔代理人的身份证号为依据,查找历史的理赔代理记录中,该身份证号以理赔代理人出现的次数。
如上述步骤S46所述,如果该理赔代理人的历史代理次数超过了代理阈值,说明该理赔代理人是经常代理客户进行理赔,则说明其工作性质就是黄牛,因而判定该理赔代理人是黄牛。
在另一具体实施例中,获取了理赔代理人的信息后,通过爬虫技术访问对应的律师协会网站,查看律师协会网站中是否有该理赔代理人的信息,如果没有,说明该理赔代理人是黄牛。
在一个实施例中,上述判定所述理赔代理人是黄牛的步骤S4之后,包括:
S5、将所述理赔代理人的信息加入到预设的黄牛库,所述黄牛库用于存储黄牛的个人信息。
如上述步骤S5所述,当判定了该理赔代理人是黄牛后,将该理赔代理人的信息加入到预设的黄牛库,便于后续理赔工作人员更快的判断理赔代理人是否是黄牛,黄牛库是一个数据库,用于存储黄牛的个人信息以及黄牛的历史理赔代理记录。
在此实施例中,步骤S1之前,先获取理赔代理人的信息,然后访问服务器中的黄牛库,查看该理赔代理人的信息是否在黄牛库中,如果在,说明该理赔代理人是黄牛,更加迅速的判断出该理赔代理人是黄牛。如果不在,则进而再获取理赔代理人的语音信号进行判断。
在一个实施例中,上述判定所述理赔代理人是黄牛的步骤S4之后,包括:
S6、获取所述理赔代理人文本;
S7、统计所述理赔代理人文本中每一个词语出现的次数;
S8、将次数超过第二阈值的词语定义为黄牛常用词语。
在本实施例中,当判定了理赔代理人是黄牛后,通过对黄牛说话进行挖掘,搜集出黄牛更多的特征。系统再次获取上述理赔代理人文本,统计该文本中出现每一个词语出现的次数。第二阈值是理赔工作人员设置的一个值,当一个词语的次数超过第二阈值,说明这个词语是黄牛经常说的,因此将理赔代理人文本中出现的次数超过第二阈值的词语定义为黄牛常用词语,添加到黄牛词库中。
在一个实施例中,上述获取理赔代理人与保险公司的理赔工作人员就关于理赔事项进行交流时产生的第一语音信号的步骤S1,包括:
S11、获取理赔工作人员与理赔代理人的对话产生的语音信号;
S12、将所述语音信号分帧;
S13、分别提取分帧后的语音信号的声纹;
S14、分别判断所述声纹是否与预设的理赔工作人员的声纹匹配;
S15、获取匹配失败的声纹对应的语音信号,形成所述理赔代理人的第一语音信号。
如上述步骤S11所述,系统在理赔工作人员在与理赔代理人进行沟通时,控制录音机进行录音,获取理赔工作人员与理赔代理人对话的声音,获取语音信号。
如上述步骤S12所述,语音信号具有时变特性,但在一个短时间范围内(一般认为是10ms~30ms的短时间内),其基本特性基本保持不变即相对稳定。将一段语音按照帧长进行时间分段,帧长取10ms~30ms。如一段语音时间长为20s,按照帧长为20ms进行分段,则帧数就被分为了20,000/20=1000帧。
如上述步骤S13所述,提取分帧后的语音信号的声纹,将分帧后的语音信号进行快速傅里叶变换计算,得到能量谱;将所述能量谱输入梅尔尺度的三角滤波器组,输出共振峰特征;将所述共振峰特征经离散余弦变换,得到语音声学特征,即得到了各分帧后的语音信号的声纹。
如上述步骤S14所述,理赔工作人员的声纹是预先存储在系统中的。系统将分帧后的语音信号的声纹与预设的理赔工作人员的声纹进行匹配,即进行声纹识别。将各分帧后的语音信号识别出是理赔工作人员的语音信号和不是理赔工作人员的语音信号。
如上述步骤S15所述,匹配失败即分帧后的语音信号不是理赔工作人员说的,即是理赔代理人说的。然后获取所有匹配失败的声纹对应的语音信号,整合形成第一语音信号,即包含有理赔代理人说话的第一语音信号。
在一个实施例中,上述分别判断所述声纹是否与预设的理赔工作人员的声纹匹配的步骤S14之后,包括:
S16、获取匹配成功的声纹对应的语音信号,形成所述理赔工作人员的第二语音信号;
S17、将所述第二语音信号转换成理赔工作人员文本;
S18、判断所述理赔工作人员文本中是否出现用于考核的工作词语;
S19、若是,判定所述理赔工作人员合格。
本实施例中,还可以检测理赔工作人员的工作态度。理赔工作人员在处理理赔事宜时,有一些工作必须做到位,对客户或理赔代理人都必须表示关心并对相应的事情进行告知。因此,将理赔工作人员与理赔代理人的沟通过程中,提取出理赔工作人员的第二语音信号。如上述步骤S14,将匹配成功的声纹对应的语音信号提取出来,整理形成理赔工作人员的第二语音信号,即包含有理赔工作人员说话的第二语音信号。然后将理赔工作人员的第二语音信号转换成理赔工作人员文本。判断理赔工作人员文本中是否出现了考核的工作词语,比如表示关心的您好、病情、看望等工作词语,还包括用于表示后续理赔流程的责任认定、理赔流程、联系方式等工作词语。当理赔工作人员文本中包括预先设置的工作词语,表示理赔工作人员的工作是合格。
在一具体实施例中,考核的工作词语分别在白名单和黑名单中,当理赔工作人员文本中每出现一个白名单中的词语,系统对理赔工作人员的评分增加相应的分数;当理赔工作人员文本中每出现一个黑名单中的词,系统对理赔工作人员的评论减去相应的分数,最后将分数进行汇总得到该理赔工作人员的总分数,根据总分数的分值来判定该理赔工作人员是否合格。
综上所述,本申请的基于语音识别的监管保险理赔的方法,通过获取理赔代理人的说的话然后转换成文字,自动识别出说话内容中的一些黄牛常说的口头语或者一些常用的关键字,来识别理赔代理人是否是黄牛,辅助人工来判断识别是否是黄牛,减少理赔工作人员的漏判,更大程度的提高基于语音识别的监管保险理赔的概率。
参照图2,本申请实施例中还提供一种基于语音识别的监管保险理赔的装置,包括:
获取语音模块1,用于获取理赔代理人与保险公司的理赔工作人员就关于理赔事项进行交流时产生的第一语音信号,其中,所述理赔代理人是出险的客户委托处理理赔事项的代理人;
转换模块2,用于通过语音识别技术,将所述第一语音信号转换成理赔代理人文本;
判断模块3,用于判断所述理赔代理人文本中是否包含有预设的黄牛常用词语;
判定模块4,用于若所述理赔代理人文本中包含有预设的黄牛常用词语,则判定所述理赔代理人是黄牛。
本实施例中,理赔代理人是指客户出险后用于代理客户办理理赔事宜的人。理赔工作人员与理赔代理人就保险标的出险后的理赔事宜进行沟通与交流。在交流过程中,获取语音模块1获取理赔代理人的声音,转换成第一语音信号。转换模块2将理赔代理人的第一语音信号进行语音识别,转换成理赔代理人文本。或者,转换模块2将理赔代理人的第一语音信号发送给服务器,通过服务器转换成理赔代理人文本后,再接收服务器发送的理赔代理人文本。理赔代理人文本即理赔代理人的说话记录。黄牛,有一种解释是指恃力气或利用不正当手法抢购物资以及车票、门票后高价出售而从中取利的人,目前,这个词已衍生到各个行业。其中,保险行业也会存在黄牛,黄牛活跃在交通人伤事故的处理理赔过程,一边收取高额代理费甚至用少量资金买断伤者的赔付,另一边通过造假向保险公司“狮子大开口”索赔,然后将大部分保险赔偿金纳入私囊。后续所述的黄牛以及黄牛常用词语均是指在保险行业的黄牛。黄牛常用词语是指黄牛在与理赔工作人员交流中经常说的词语,资深理赔工作人员通过多次参与的理赔工作,与多个理赔人员接触后,总结出黄牛常说的词语而且正常理赔人员不用或很少用到的词语,确定为黄牛常用词语。黄牛常用词语包括:伤情严重、伤害、打官司、法院、起诉、外地、帮忙、朋友等。系统将黄牛常用词语存储在一个指定存储区域,形成黄牛词库。判断模块3调用黄牛词库中的黄牛常用词语,同时读取理赔代理人文本,将黄牛词库中的黄牛常用词语,与理赔代理人文本进行匹配,若理赔代理人文本中包含有黄牛词库中的任意一个黄牛常用词语,则匹配成功,判断模块3判定理赔代理人文本中包含有预设的黄牛常用词语;在其他实施例中,若理赔代理人文本中包含有任意预设数量的个数的黄牛常用词语,则匹配成功,判断模块3判定理赔代理人文本中包含有预设的黄牛常用词语。如果理赔代理人文本中包含有黄牛常用词语,说明理赔代理人说话与黄牛说话相近,因而,判定模块4判定理赔代理人文本对应的理赔代理人是黄牛。
参照图3,在一个实施例中,上述判定模块4包括:
获取数量单元41,用于若所述理赔代理人文本中包含有预设的黄牛常用词语,则获取所述理赔代理人文本中包含有预设的黄牛常用词语的个数或次数;
判断数量单元42,用于判断所述个数或次数是否超过预设的第一阈值;
第一判定单元43,用于若所述个数或次数超过预设的第一阈值,则判定所述理赔代理人是黄牛。
本实施例中,理赔工作人员在与理赔代理人沟通时范围比较广,理赔代理人可能说出与黄牛常用词语相近的词,而语音识别时转换成理赔代理人文本时转换成黄牛常用词语,这样会造成误判。因此,即使理赔代理人文本中包含有黄牛常用词语,也不一定就能说明该理赔代理人是黄牛。在此提出更优化的判断黄牛的方法是,判断文本中出现了黄牛常用词语的个数或次数。在一具体实施例中,获取数量单元41获取理赔代理人文本中出现同一黄牛常用词语的频次,获取到多个黄牛常用词的频次中的最大值,将最大值与第一阈值进行比较交。在另一具体实施例中,获取数量单元41获取理赔代理人文本中出现黄牛常用词语的总次数,然后将总次数与第一阈值进行比较。若判断数量单元42判断出黄牛常用词语的个数或次数超过第一阈值,可以很大程度消除语音识别的错误率的影响,以及消除理赔代理人无意中说出黄牛常用词语的影响,说明该理赔代理人确实是说出了黄牛常用词语,而且说出的次数比较多。第一阈值是理赔工作人员预先设置的数值。文本中的黄牛常用词语出现的频率较高,说明该理赔代理人的说话风格与黄牛相近,因此第一判定单元43判定该理赔代理人是黄牛。
参照图4,在一个实施例中,上述判定模块4包括:
获取信息单元44,用于若所述理赔代理人文本中包含有预设的黄牛常用词语,则获取所述理赔代理人的信息;
获取次数单元45,用于根据所述理赔代理人的信息,获取所述理赔代理人的历史代理次数;
第二判定单元46,用于若所述历史代理次数超过代理阈值,则判定所述理赔代理人是黄牛。
本实施例中,当理赔代理人作为客户的委托方时,需要在系统上备案,备案时就包括理赔代理人的信息。获取信息单元44判断出理赔代理人说话中包含有黄牛常用词语时,获取信息单元44调用备案信息,获取到理赔代理人的信息。具体的,理赔代理人信息包括其身份证号、手机号码等作为具有唯一标识的信息。系统获取到理赔代理人的信息,获取次数单元45访问服务器,查找服务器中以住的理赔代理记录,获取次数单元45获取历史理赔代理记录中历史理赔代理人的信息。具体的,获取次数单元45以理赔代理人的身份证号为依据,查找历史的理赔代理记录中,该身份证号以理赔代理人出现的次数。如果该理赔代理人的历史代理次数超过了代理阈值,说明该理赔代理人是经常代理客户进行理赔,则说明其工作性质就是黄牛,因而第二判定单元46判定该理赔代理人是黄牛。
在另一具体实施例中,获取了理赔代理人的信息后,通过爬虫技术访问对应的律师协会网站,查看律师协会网站中是否有该理赔代理人的信息,如果没有,说明该理赔代理人是黄牛。
参照图5,在一个实施例中,上述基于语音识别的监管保险理赔的装置,还包括:
加入模块5,用于将所述理赔代理人的信息加入到预设的黄牛库,所述黄牛库用于存储黄牛的个人信息。
本实施例中,当判定了该理赔代理人是黄牛后,加入模块5将该理赔代理人的信息加入到预设的黄牛库,便于后续理赔工作人员更快的判断理赔代理人是否是黄牛,黄牛库是一个数据库,用于存储黄牛的个人信息以及黄牛的历史理赔代理记录。
在此实施例中,获取语音模块1在获取理赔代理人的第一语音信号前,先获取理赔代理人的信息,然后访问服务器中的黄牛库,查看该理赔代理人的信息是否在黄牛库中,如果在,说明该理赔代理人是黄牛,更加迅速的判断出该理赔代理人是黄牛。如果不在,则进而再获取理赔代理人的语音信号进行判断。
参照图6,在一个实施例中,上述基于语音识别的监管保险理赔的装置,还包括:
获取文本模块6,用于获取所述理赔代理人文本;
统计模块7,用于统计所述理赔代理人文本中每一个词语出现的次数;
定义模块8,用于将次数超过第二阈值的词语定义为黄牛常用词语。
在本实施例中,当判定了理赔代理人是黄牛后,通过对黄牛说话进行挖掘,搜集出黄牛更多的特征。获取文本模块6获取上述理赔代理人文本,统计模块7统计该文本中出现每一个词语出现的次数。第二阈值是理赔工作人员设置的一个值,当一个词语的次数超过第二阈值,说明这个词语是黄牛经常说的,因此定义模块8将理赔代理人文本中出现的次数超过第二阈值的词语定义为黄牛常用词语,添加到黄牛词库中。
参照图7,在一个实施例中,上述获取语音模块1包括:
获取语音单元11,用于获取理赔工作人员与理赔代理人的对话产生的语音信号;
分帧单元12,用于将所述语音信号分帧;
声纹单元13,用于分别提取分帧后的语音信号的声纹;
匹配单元14,用于分别判断所述声纹是否与预设的理赔工作人员的声纹匹配;
获取失败单元15,用于获取匹配失败的声纹对应的语音信号,形成所述理赔代理人的第一语音信号。
本实施例中,获取语音单元11在理赔工作人员在与理赔代理人进行沟通时,控制录音机进行录音,获取语音单元11获取理赔工作人员与理赔代理人对话的声音,获取语音信号。语音信号具有时变特性,但在一个短时间范围内(一般认为是10ms~30ms的短时间内),其基本特性基本保持不变即相对稳定。分帧单元12将一段语音按照帧长进行时间分段,帧长取10ms~30ms。如一段语音时间长为20s,按照帧长为20ms进行分段,则帧数就被分为了20,000/20=1000帧。声纹单元13提取分帧后的语音信号的声纹,将分帧后的语音信号进行快速傅里叶变换计算,得到能量谱;将所述能量谱输入梅尔尺度的三角滤波器组,输出共振峰特征;将所述共振峰特征经离散余弦变换,得到语音声学特征,即得到了各分帧后的语音信号的声纹。理赔工作人员的声纹是预先存储在系统中的。匹配单元14将分帧后的语音信号的声纹与预设的理赔工作人员的声纹进行匹配,即进行声纹识别。将各分帧后的语音信号识别出是理赔工作人员的语音信号和不是理赔工作人员的语音信号。匹配失败即分帧后的语音信号不是理赔工作人员说的,即是理赔代理人说的。然后获取失败单元15获取所有匹配失败的声纹对应的语音信号,整合形成第一语音信号,即包含有理赔代理人说话的第一语音信号。
在一个实施例中,上述获取语音模块1还包括:
匹配成功单元16,用于获取匹配成功的声纹对应的语音信号,形成所述理赔工作人员的第二语音信号;
转换单元17,用于将所述第二语音信号转换成理赔工作人员文本;
考核单元18,用于判断所述理赔工作人员文本中是否出现用于考核的工作词语;
判定合格单元19,用于若所述理赔工作人员文本中出现用于考核的工作词语,判定所述理赔工作人员合格。
本初实施例中,该还可以检测理赔工作人员的工作态度。理赔工作人员在处理理赔事宜时,有一些工作必须做到位,对客户或理赔代理人都必须表示关心并对相应的事情进行告知。因此,将理赔工作人员与理赔代理人的沟通过程中,提取出理赔工作人员的第二语音信号。匹配成功单元16将匹配成功的声纹对应的语音信号提取出来,整理形成理赔工作人员的第二语音信号,即包含有理赔工作人员说话的第二语音信号。然后转换单元17将理赔工作人员的第二语音信号转换成理赔工作人员文本。考核单元18判断理赔工作人员文本中是否出现了考核的工作词语,比如表示关心的您好、病情、看望等工作词语,还包括用于表示后续理赔流程的责任认定、理赔流程、联系方式等工作词语。当理赔工作人员文本中包括预先设置的工作词语,判定合格单元19判定理赔工作人员的工作是合格的。
在一具体实施例中,考核的工作词语分别在白名单和黑名单中,当理赔工作人员文本中每出现一个白名单中的词语,系统对理赔工作人员的评分增加相应的分数;当理赔工作人员文本中每出现一个黑名单中的词,系统对理赔工作人员的评论减去相应的分数,最后将分数进行汇总得到该理赔工作人员的总分数,根据总分数的分值来判定该理赔工作人员是否合格。
综上所述,本申请的基于语音识别的监管保险理赔的装置,通过获取理赔代理人的说的话然后转换成文字,自动识别出说话内容中的一些黄牛常说的口头语或者一些常用的关键字,来识别理赔代理人是否是黄牛,辅助人工来判断识别是否是黄牛,减少理赔工作人员的漏判,更大程度的提高基于语音识别的监管保险理赔的概率。
参照图8,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储语音信号、理赔工作人员的声纹数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于语音识别的监管保险理赔的方法。
上述处理器执行上述基于语音识别的监管保险理赔的方法的步骤:获取理赔代理人与保险公司的理赔工作人员就关于理赔事项进行交流时产生的第一语音信号,其中,所述理赔代理人是出险的客户委托处理理赔事项的代理人;通过语音识别技术,将所述第一语音信号转换成理赔代理人文本;判断所述理赔代理人文本中是否包含有预设的黄牛常用词语;若是,则判定所述理赔代理人是黄牛。
在一个实施例中,上述处理器执行若所述理赔代理人文本中包含有预设的黄牛常用词语,则判定所述理赔代理人是黄牛的步骤,包括:若所述理赔代理人文本中包含有预设的黄牛常用词语,则获取所述理赔代理人文本中包含有预设的黄牛常用词语的个数或次数;判断所述个数或次数是否超过预设的第一阈值;若是,则判定所述理赔代理人是黄牛。
在一个实施例中,上述处理器执行若所述理赔代理人文本中包含有预设的黄牛常用词语,则判定所述理赔代理人是黄牛的步骤,包括:若所述理赔代理人文本中包含有预设的黄牛常用词语,则获取所述理赔代理人的信息;根据所述理赔代理人的信息,获取所述理赔代理人的历史代理次数;若所述历史代理次数超过代理阈值,则判定所述理赔代理人是黄牛。
在一个实施例中,上述处理器执行判定所述理赔代理人是黄牛的步骤之后,包括:将所述理赔代理人的信息加入到预设的黄牛库,所述黄牛库用于存储黄牛的个人信息。
在一个实施例中,上述处理器执行判定所述理赔代理人是黄牛的步骤之后,包括:获取所述理赔代理人文本;统计所述理赔代理人文本中每一个词语出现的次数;将次数超过第二阈值的词语定义为黄牛常用词语。
在一个实施例中,上述处理器执行获取理赔代理人与保险公司的理赔工作人员就关于理赔事项进行交流时产生的第一语音信号的步骤,包括:获取理赔工作人员与理赔代理人的对话产生的语音信号;将所述语音信号分帧;分别提取分帧后的语音信号的声纹;分别判断所述声纹是否与预设的理赔工作人员的声纹匹配;获取匹配失败的声纹对应的语音信号,形成所述理赔代理人的第一语音信号。
在一个实施例中,上述处理器执行分别判断所述声纹是否与预设的理赔工作人员的声纹匹配的步骤之后,包括:获取匹配成功的声纹对应的语音信号,形成所述理赔工作人员的第二语音信号;将所述第二语音信号转换成理赔工作人员文本;判断所述理赔工作人员文本中是否出现用于考核的工作词语;若是,判定所述理赔工作人员合格。
综上所述,本申请的计算机设备,通过获取理赔代理人的说的话然后转换成文字,自动识别出说话内容中的一些黄牛常说的口头语或者一些常用的关键字,来识别理赔代理人是否是黄牛,辅助人工来判断识别是否是黄牛,减少理赔工作人员的漏判,更大程度的提高基于语音识别的监管保险理赔的概率。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种基于语音识别的监管保险理赔的方法,具体为:获取理赔代理人与保险公司的理赔工作人员就关于理赔事项进行交流时产生的第一语音信号,其中,所述理赔代理人是出险的客户委托处理理赔事项的代理人;通过语音识别技术,将所述第一语音信号转换成理赔代理人文本;判断所述理赔代理人文本中是否包含有预设的黄牛常用词语;若是,则判定所述理赔代理人是黄牛。
在一个实施例中,上述处理器执行若所述理赔代理人文本中包含有预设的黄牛常用词语,则判定所述理赔代理人是黄牛的步骤,包括:若所述理赔代理人文本中包含有预设的黄牛常用词语,则获取所述理赔代理人文本中包含有预设的黄牛常用词语的个数或次数;判断所述个数或次数是否超过预设的第一阈值;若是,则判定所述理赔代理人是黄牛。
在一个实施例中,上述处理器执行若所述理赔代理人文本中包含有预设的黄牛常用词语,则判定所述理赔代理人是黄牛的步骤,包括:若所述理赔代理人文本中包含有预设的黄牛常用词语,则获取所述理赔代理人的信息;根据所述理赔代理人的信息,获取所述理赔代理人的历史代理次数;若所述历史代理次数超过代理阈值,则判定所述理赔代理人是黄牛。
在一个实施例中,上述处理器执行判定所述理赔代理人是黄牛的步骤之后,包括:将所述理赔代理人的信息加入到预设的黄牛库,所述黄牛库用于存储黄牛的个人信息。
在一个实施例中,上述处理器执行判定所述理赔代理人是黄牛的步骤之后,包括:获取所述理赔代理人文本;统计所述理赔代理人文本中每一个词语出现的次数;将次数超过第二阈值的词语定义为黄牛常用词语。
在一个实施例中,上述处理器执行获取理赔代理人与保险公司的理赔工作人员就关于理赔事项进行交流时产生的第一第语音信号的步骤,包括:获取理赔工作人员与理赔代理人的对话产生的语音信号;将所述语音信号分帧;分别提取分帧后的语音信号的声纹;分别判断所述声纹是否与预设的理赔工作人员的声纹匹配;获取匹配失败的声纹对应的语音信号,形成所述理赔代理人的第一语音信号。
在一个实施例中,上述处理器执行分别判断所述声纹是否与预设的理赔工作人员的声纹匹配的步骤之后,包括:获取匹配成功的声纹对应的语音信号,形成所述理赔工作人员的第二语音信号;将所述第二语音信号转换成理赔工作人员文本;判断所述理赔工作人员文本中是否出现用于考核的工作词语;若是,判定所述理赔工作人员合格。
综上所述,本申请的存储介质,通过获取理赔代理人的说的话然后转换成文字,自动识别出说话内容中的一些黄牛常说的口头语或者一些常用的关键字,来识别理赔代理人是否是黄牛,辅助人工来判断识别是否是黄牛,减少理赔工作人员的漏判,更大程度的提高基于语音识别的监管保险理赔的概率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于语音识别的监管保险理赔的方法,其特征在于,包括:
获取理赔代理人与保险公司的理赔工作人员就关于理赔事项进行交流时产生的第一语音信号,其中,所述理赔代理人是出险的客户委托处理理赔事项的代理人;
通过语音识别技术,将所述第一语音信号转换成理赔代理人文本;
判断所述理赔代理人文本中是否包含有预设的黄牛常用词语;
若是,则判定所述理赔代理人是黄牛。
2.如权利要求1所述的基于语音识别的监管保险理赔的方法,其特征在于,所述若所述理赔代理人文本中包含有预设的黄牛常用词语,则判定所述理赔代理人是黄牛的步骤,包括:
若所述理赔代理人文本中包含有预设的黄牛常用词语,则获取所述理赔代理人文本中包含有预设的黄牛常用词语的个数或次数;
判断所述个数或次数是否超过预设的第一阈值;
若是,则判定所述理赔代理人是黄牛。
3.如权利要求1所述的基于语音识别的监管保险理赔的方法,其特征在于,所述若所述理赔代理人文本中包含有预设的黄牛常用词语,则判定所述理赔代理人是黄牛的步骤,包括:
若所述理赔代理人文本中包含有预设的黄牛常用词语,则获取所述理赔代理人的信息;
根据所述理赔代理人的信息,获取所述理赔代理人的历史代理次数;
若所述历史代理次数超过代理阈值,则判定所述理赔代理人是黄牛。
4.如权利要求1所述的基于语音识别的监管保险理赔的方法,其特征在于,所述判定所述理赔代理人是黄牛的步骤之后,包括:
将所述理赔代理人的信息加入到预设的黄牛库,所述黄牛库用于存储黄牛的个人信息。
5.如权利要求1所述的基于语音识别的监管保险理赔的方法,其特征在于,所述判定所述理赔代理人是黄牛的步骤之后,包括:
获取所述理赔代理人文本;
统计所述理赔代理人文本中每一个词语出现的次数;
将次数超过第二阈值的词语定义为黄牛常用词语。
6.如权利要求1所述的基于语音识别的监管保险理赔的方法,其特征在于,所述获取理赔代理人与保险公司的理赔工作人员就关于理赔事项进行交流时产生的第一语音信号的步骤,包括:
获取理赔工作人员与理赔代理人的对话产生的语音信号;
将所述语音信号分帧;
分别提取分帧后的语音信号的声纹;
分别判断所述声纹是否与预设的理赔工作人员的声纹匹配;
获取匹配失败的声纹对应的语音信号,形成所述理赔代理人的第一语音信号。
7.如权利要求6所述的基于语音识别的监管保险理赔的方法,其特征在于,所述分别判断所述声纹是否与预设的理赔工作人员的声纹匹配的步骤之后,包括:
获取匹配成功的声纹对应的语音信号,形成所述理赔工作人员的第二语音信号;
将所述第二语音信号转换成理赔工作人员文本;
判断所述理赔工作人员文本中是否出现用于考核的工作词语;
若是,判定所述理赔工作人员合格。
8.一种基于语音识别的监管保险理赔的装置,其特征在于,包括:
获取语音模块,用于获取理赔代理人与保险公司的理赔工作人员就关于理赔事项进行交流时产生的第一语音信号,其中,所述理赔代理人是出险的客户委托处理理赔事项的代理人;
转换模块,用于通过语音识别技术,将所述第一语音信号转换成理赔代理人文本;
判断模块,用于判断所述理赔代理人文本中是否包含有预设的黄牛常用词语;
判定模块,用于若所述理赔代理人文本中包含有预设的黄牛常用词语,则判定所述理赔代理人是黄牛。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811168545.8A CN109599116B (zh) | 2018-10-08 | 2018-10-08 | 基于语音识别的监管保险理赔的方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811168545.8A CN109599116B (zh) | 2018-10-08 | 2018-10-08 | 基于语音识别的监管保险理赔的方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109599116A true CN109599116A (zh) | 2019-04-09 |
CN109599116B CN109599116B (zh) | 2022-11-04 |
Family
ID=65957285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811168545.8A Active CN109599116B (zh) | 2018-10-08 | 2018-10-08 | 基于语音识别的监管保险理赔的方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109599116B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111564163A (zh) * | 2020-05-08 | 2020-08-21 | 宁波大学 | 一种基于rnn的多种伪造操作语音检测方法 |
CN112800272A (zh) * | 2021-01-18 | 2021-05-14 | 德联易控科技(北京)有限公司 | 识别保险理赔欺诈行为的方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1852354A (zh) * | 2005-10-17 | 2006-10-25 | 华为技术有限公司 | 收集用户行为特征的方法和装置 |
CN103258535A (zh) * | 2013-05-30 | 2013-08-21 | 中国人民财产保险股份有限公司 | 基于声纹识别的身份识别方法及系统 |
CN103700371A (zh) * | 2013-12-13 | 2014-04-02 | 江苏大学 | 一种基于声纹识别的来电身份识别系统及其识别方法 |
CN105635087A (zh) * | 2014-11-20 | 2016-06-01 | 阿里巴巴集团控股有限公司 | 通过声纹验证用户身份的方法及装置 |
CN106373575A (zh) * | 2015-07-23 | 2017-02-01 | 阿里巴巴集团控股有限公司 | 一种用户声纹模型构建方法、装置及系统 |
CN106713593A (zh) * | 2016-12-05 | 2017-05-24 | 宇龙计算机通信科技(深圳)有限公司 | 一种陌生号码自动处理方法及装置 |
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 |
CN107886955A (zh) * | 2016-09-29 | 2018-04-06 | 百度在线网络技术(北京)有限公司 | 一种语音会话样本的身份识别方法、装置及设备 |
-
2018
- 2018-10-08 CN CN201811168545.8A patent/CN109599116B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1852354A (zh) * | 2005-10-17 | 2006-10-25 | 华为技术有限公司 | 收集用户行为特征的方法和装置 |
CN103258535A (zh) * | 2013-05-30 | 2013-08-21 | 中国人民财产保险股份有限公司 | 基于声纹识别的身份识别方法及系统 |
CN103700371A (zh) * | 2013-12-13 | 2014-04-02 | 江苏大学 | 一种基于声纹识别的来电身份识别系统及其识别方法 |
CN105635087A (zh) * | 2014-11-20 | 2016-06-01 | 阿里巴巴集团控股有限公司 | 通过声纹验证用户身份的方法及装置 |
CN106373575A (zh) * | 2015-07-23 | 2017-02-01 | 阿里巴巴集团控股有限公司 | 一种用户声纹模型构建方法、装置及系统 |
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 |
CN107886955A (zh) * | 2016-09-29 | 2018-04-06 | 百度在线网络技术(北京)有限公司 | 一种语音会话样本的身份识别方法、装置及设备 |
CN106713593A (zh) * | 2016-12-05 | 2017-05-24 | 宇龙计算机通信科技(深圳)有限公司 | 一种陌生号码自动处理方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111564163A (zh) * | 2020-05-08 | 2020-08-21 | 宁波大学 | 一种基于rnn的多种伪造操作语音检测方法 |
CN111564163B (zh) * | 2020-05-08 | 2023-12-15 | 宁波大学 | 一种基于rnn的多种伪造操作语音检测方法 |
CN112800272A (zh) * | 2021-01-18 | 2021-05-14 | 德联易控科技(北京)有限公司 | 识别保险理赔欺诈行为的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109599116B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10409797B2 (en) | Systems and methods for providing searchable customer call indexes | |
WO2019196546A1 (zh) | 确定业务请求事件的风险概率的方法及装置 | |
CN112860841B (zh) | 一种文本情感分析方法、装置、设备及存储介质 | |
US20130346097A1 (en) | Computer system and method for processing data relating to nurse intervention program decisions | |
US20210201266A1 (en) | Systems and methods for processing claims | |
US11157916B2 (en) | Systems and methods for detecting complaint interactions | |
CN113064983B (zh) | 语义检测方法、装置、计算机设备及存储介质 | |
CN111143654B (zh) | 辅助识别爬虫的、爬虫识别方法、装置及电子设备 | |
CN112288279A (zh) | 基于自然语言处理和线性回归的业务风险评估方法和装置 | |
CN112256849B (zh) | 模型训练方法、文本检测方法、装置、设备和存储介质 | |
CN109599116A (zh) | 基于语音识别的监管保险理赔的方法、装置和计算机设备 | |
CN108595579A (zh) | 联系人亲密度估算方法、装置、计算机设备和存储介质 | |
Liu et al. | Identifying individual expectations in service recovery through natural language processing and machine learning | |
CN111079186A (zh) | 数据分析的方法、装置、设备和存储介质 | |
CN110288488A (zh) | 医疗险欺诈预测方法、装置、设备和可读存储介质 | |
AU2024202124A1 (en) | Systems and methods for processing claims | |
CN110442764B (zh) | 基于数据爬取的合约生成方法、装置和计算机设备 | |
KR20210029326A (ko) | 비정형 재무정보 추출을 활용한 기업 건전성 진단 장치 및 방법 | |
CN110389963A (zh) | 基于大数据的渠道效果识别方法、装置、设备和存储介质 | |
Laskar et al. | Improving named entity recognition in telephone conversations via effective active learning with human in the loop | |
CN113947076A (zh) | 保单数据的检测方法、装置、计算机设备及存储介质 | |
CN109902937B (zh) | 任务数据的质检方法、装置、计算机设备及存储介质 | |
CN110110901A (zh) | 数据预测方法、装置、计算机设备和存储介质 | |
CN114417881B (zh) | 敏感词检测方法、装置、电子设备及存储介质 | |
US11636269B2 (en) | Content creation and prioritization |
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 |