CN112036180A - 外呼短信文本审核方法及装置 - Google Patents

外呼短信文本审核方法及装置 Download PDF

Info

Publication number
CN112036180A
CN112036180A CN202010917888.0A CN202010917888A CN112036180A CN 112036180 A CN112036180 A CN 112036180A CN 202010917888 A CN202010917888 A CN 202010917888A CN 112036180 A CN112036180 A CN 112036180A
Authority
CN
China
Prior art keywords
short message
outbound
message text
word vector
historical
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.)
Pending
Application number
CN202010917888.0A
Other languages
English (en)
Inventor
宋雨
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202010917888.0A priority Critical patent/CN112036180A/zh
Publication of CN112036180A publication Critical patent/CN112036180A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种外呼短信文本审核方法及装置，其中方法包括：获得外呼短信文本；根据所述外呼短信文本，生成词向量，所述词向量中包含所述外呼短信文本的场景信息；将所述词向量输入训练好的LSTM‑Attention神经网络模型，对外呼短信文本进行审核，所述LSTM‑Attention神经网络模型根据历史词向量进行训练，所述历史词向量根据历史外呼短信文本生成，所述历史词向量中包含历史外呼短信文本的场景信息。本发明可以审核外呼短信文本，提高审核效率及准确率，节省人力物力。

Description

外呼短信文本审核方法及装置
技术领域
本发明涉及短信审核技术领域，尤其涉及外呼短信文本审核方法及装置。
背景技术
随着移动互联网的飞速发展，短信作为一种收发便捷、移动性好、价格低廉的通讯方式，逐渐影响着人们的生活。在智能外呼流程节点中可设置短信模板，在用户触达后自动填充模板并发送短信。
但随着短信的日益普及，垃圾短信问题也变得日益严峻，其严重的泛滥不仅仅严重影响人们的正常生活，而且严重影响社会稳定和公共安全。其中短信运营管理部门需要为用户提供通畅、安全的短信网络服务，因此有必要对外呼短信文本进行有效审核。
现有技术中通常采用人工审核方式或对外呼短信文本中的敏感词进行检测，但是这种方法需要耗费大量人力物力，审核效率低且无法保证审核准确率。
因此，亟需一种可以克服上述问题的外呼短信文本审核方案。
发明内容
本发明实施例提供一种外呼短信文本审核方法，用以审核外呼短信文本，提高审核效率及准确率，节省人力物力，该方法包括：
获得外呼短信文本；
根据所述外呼短信文本，生成词向量，所述词向量中包含所述外呼短信文本的场景信息；
将所述词向量输入训练好的LSTM-Attention神经网络模型，对外呼短信文本进行审核，所述LSTM-Attention神经网络模型根据历史词向量进行训练，所述历史词向量根据历史外呼短信文本生成，所述历史词向量中包含历史外呼短信文本的场景信息。
本发明实施例提供一种外呼短信文本审核装置，用以审核外呼短信文本，提高审核效率及准确率，节省人力物力，该装置包括：
获得模块，用于获得外呼短信文本；
词向量生成模块，用于根据所述外呼短信文本，生成词向量，所述词向量中包含所述外呼短信文本的场景信息；
审核模块，用于将所述词向量输入训练好的LSTM-Attention神经网络模型，对外呼短信文本进行审核，所述LSTM-Attention神经网络模型根据历史词向量进行训练，所述历史词向量根据历史外呼短信文本生成，所述历史词向量中包含历史外呼短信文本的场景信息。
本发明实施例还提供一种计算机设备，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，所述处理器执行所述计算机程序时实现上述外呼短信文本审核方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述外呼短信文本审核方法的计算机程序。
相比于现有技术中采用人工审核方式或对外呼短信文本中的敏感词进行检测的方案而言，本发明实施例通过获得外呼短信文本；根据所述外呼短信文本，生成词向量，所述词向量中包含所述外呼短信文本的场景信息；将所述词向量输入训练好的LSTM-Attention神经网络模型，对外呼短信文本进行审核，所述LSTM-Attention神经网络模型根据历史词向量进行训练，所述历史词向量根据历史外呼短信文本生成，所述历史词向量中包含历史外呼短信文本的场景信息。本发明实施例考虑到外呼短信文本在不同场景下的差异性，根据历史外呼短信文本生成历史词向量，历史词向量中包含历史外呼短信文本的场景信息，从而根据历史词向量训练LSTM-Attention神经网络模型。LSTM-Attention神经网络模型可以同时学习前文和后文的词语信息，识别出特定业务场景下及词语顺序调换后的不合规内容，从而更好地进行短信文本审核，提高审核效率及准确率，节省人力物力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中外呼短信文本审核方法示意图；
图2为本发明实施例中外呼短信文本审核方法示意图；
图3为本发明实施例中外呼短信文本审核装置结构图；
图4为本发明实施例中外呼短信文本审核装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
首先，对本申请实施例中涉及的名词进行介绍：
智能外呼：智能外呼是通过智能机器人取代人工，主动向客户拨打电话，提供营销通知等服务，借助智能机器人的语义理解能力，和客户完成多轮交互。
自然语言处理：自然语言处理简称NLP，是将人类交流沟通所用的语言经过处理转化为机器所能理解的机器语言，是一种研究语言能力的模型和算法框架，是语言学和计算机科学的交叉学科。
短信模板：发送短信的业务系统报文或文件中，没有具体的语言内容，只有业务数据信息，需要短信平台与报文业务数据信息匹配的提示语言信息，这个提示语言信息就是短信模板。短信平台将根据一定的规则将报文业务数据套用模板生成用户收到的实际短信内容。
如前所述，现有技术中通常采用人工审核方式或对外呼短信文本中的敏感词进行检测，但是这种方法需要耗费大量人力物力，审核效率低且无法保证审核准确率。发明人发现，现有的方案未考虑到外呼短信文本在不同场景下的差异性，同时对于中文来说个别字顺序的调换不会影响阅读。
为了审核外呼短信文本，提高审核效率及准确率，节省人力物力，本发明实施例提供一种外呼短信文本审核方法，如图1所示，该方法可以包括：
步骤101、获得外呼短信文本；
步骤102、根据所述外呼短信文本，生成词向量，所述词向量中包含所述外呼短信文本的场景信息；
步骤103、将所述词向量输入训练好的LSTM-Attention神经网络模型，对外呼短信文本进行审核，所述LSTM-Attention神经网络模型根据历史词向量进行训练，所述历史词向量根据历史外呼短信文本生成，所述历史词向量中包含历史外呼短信文本的场景信息。
由图1所示可以得知，本发明实施例通过获得外呼短信文本；根据所述外呼短信文本，生成词向量，所述词向量中包含所述外呼短信文本的场景信息；将所述词向量输入训练好的LSTM-Attention神经网络模型，对外呼短信文本进行审核，所述LSTM-Attention神经网络模型根据历史词向量进行训练，所述历史词向量根据历史外呼短信文本生成，所述历史词向量中包含历史外呼短信文本的场景信息。本发明实施例考虑到外呼短信文本在不同场景下的差异性，根据历史外呼短信文本生成历史词向量，历史词向量中包含历史外呼短信文本的场景信息，从而根据历史词向量训练LSTM-Attention神经网络模型。LSTM-Attention神经网络模型可以同时学习前文和后文的词语信息，识别出特定业务场景下及词语顺序调换后的不合规内容，从而更好地进行短信文本审核，提高审核效率及准确率，节省人力物力。
具体实施时，获得外呼短信文本，根据所述外呼短信文本，生成词向量，所述词向量中包含所述外呼短信文本的场景信息。
实施例中，根据所述外呼短信文本，生成词向量，包括：将所述外呼短信文本输入训练好的bert模型，生成词向量，所述bert模型根据历史外呼短信文本进行训练。
本实施例中，生成词向量的bert模型，可以根据外呼场景下的历史外呼短信文本，在开源bert基础上训练出适合外呼场景的词嵌入模型。
实施例中，如图2所示，图1的外呼短信文本审核还包括：
步骤104、获得外呼短信文本之后，对所述外呼短信文本进行预处理，所述预处理包括：场景信息提取处理，分词处理，去除停用词处理和去除预设符号处理。根据所述外呼短信文本，生成词向量，包括：根据预处理后的外呼短信文本，生成词向量。
本实施例中，在知识库中配置通用的不合规词库，内容可以包括：非法用语、煽动词、消极词等，基于知识库的词库对外呼短信文本进行合规判断，如果包含不合规词，直接提示短信存在风险，停止短信发送。
本实施例中，预处理包括：场景信息提取处理，场景信息提取处理可以通过外呼的业务场景带入，如话费优惠，也可以采用实体抽取技术，从外呼短信文本中提取出场景。
本实施例中，预处理还包括：分词处理，去除停用词处理和去除预设符号处理。例如，“为你推荐一套十二生肖纪念币，回复#1”，处理结果为“推荐、十二生肖、纪念币”，场景为纪念币。
具体实施时，将所述词向量输入训练好的LSTM-Attention神经网络模型，对外呼短信文本进行审核，所述LSTM-Attention神经网络模型根据历史词向量进行训练，所述历史词向量根据历史外呼短信文本生成，所述历史词向量中包含历史外呼短信文本的场景信息。
实施例中，按如下方式训练LSTM-Attention神经网络模型：获得历史词向量；将所述历史词向量输入LSTM网络层，得到多个输出数据；采用Attention机制，对所述多个输出数据进行加权，得到模型输出数据。
本实施例中，构造一种双层双向LSTM-Attention的神经网络模型，LSTM可以学习长期依赖信息，适合处理文本类的时序数据。双向LSTM包括正向和反向的网络层，同时从文头和文末开始学习，这样既能学习到前面的词语信息，也能兼顾后文的词语信息。在训练过程中，考虑到前后文中每个词对当前输入的影响权重不一样，引入Attention机制，对每步进行加权，即对多个输出数据进行加权，得到模型输出数据。
基于同一发明构思，本发明实施例还提供了一种外呼短信文本审核装置，如下面的实施例所述。由于这些解决问题的原理与外呼短信文本审核方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
图3为本发明实施例中外呼短信文本审核装置的结构图，如图3所示，该装置包括：
获得模块301，用于获得外呼短信文本；
词向量生成模块302，用于根据所述外呼短信文本，生成词向量，所述词向量中包含所述外呼短信文本的场景信息；
审核模块303，用于将所述词向量输入训练好的LSTM-Attention神经网络模型，对外呼短信文本进行审核，所述LSTM-Attention神经网络模型根据历史词向量进行训练，所述历史词向量根据历史外呼短信文本生成，所述历史词向量中包含历史外呼短信文本的场景信息。
一个实施例中，所述词向量生成模块302进一步用于：
将所述外呼短信文本输入训练好的bert模型，生成词向量，所述bert模型根据历史外呼短信文本进行训练。
一个实施例中，如图4所示，图3的外呼短信文本审核装置还包括：
预处理模块304，用于获得外呼短信文本之后，对所述外呼短信文本进行预处理，所述预处理包括：场景信息提取处理，分词处理，去除停用词处理和去除预设符号处理；
所述词向量生成模块302进一步用于：根据预处理后的外呼短信文本，生成词向量。
一个实施例中，按如下方式训练LSTM-Attention神经网络模型：
获得历史词向量；
将所述历史词向量输入LSTM网络层，得到多个输出数据；
采用Attention机制，对所述多个输出数据进行加权，得到模型输出数据。
综上所述，本发明实施例通过获得外呼短信文本；根据所述外呼短信文本，生成词向量，所述词向量中包含所述外呼短信文本的场景信息；将所述词向量输入训练好的LSTM-Attention神经网络模型，对外呼短信文本进行审核，所述LSTM-Attention神经网络模型根据历史词向量进行训练，所述历史词向量根据历史外呼短信文本生成，所述历史词向量中包含历史外呼短信文本的场景信息。本发明实施例考虑到外呼短信文本在不同场景下的差异性，根据历史外呼短信文本生成历史词向量，历史词向量中包含历史外呼短信文本的场景信息，从而根据历史词向量训练LSTM-Attention神经网络模型。LSTM-Attention神经网络模型可以同时学习前文和后文的词语信息，识别出特定业务场景下及词语顺序调换后的不合规内容，从而更好地进行短信文本审核，提高审核效率及准确率，节省人力物力。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种外呼短信文本审核方法，其特征在于，包括：
获得外呼短信文本；
根据所述外呼短信文本，生成词向量，所述词向量中包含所述外呼短信文本的场景信息；
将所述词向量输入训练好的LSTM-Attention神经网络模型，对外呼短信文本进行审核，所述LSTM-Attention神经网络模型根据历史词向量进行训练，所述历史词向量根据历史外呼短信文本生成，所述历史词向量中包含历史外呼短信文本的场景信息。
2.如权利要求1所述的外呼短信文本审核方法，其特征在于，根据所述外呼短信文本，生成词向量，包括：
将所述外呼短信文本输入训练好的bert模型，生成词向量，所述bert模型根据历史外呼短信文本进行训练。
3.如权利要求1所述的外呼短信文本审核方法，其特征在于，还包括：获得外呼短信文本之后，对所述外呼短信文本进行预处理，所述预处理包括：场景信息提取处理，分词处理，去除停用词处理和去除预设符号处理；
根据所述外呼短信文本，生成词向量，包括：根据预处理后的外呼短信文本，生成词向量。
4.如权利要求1所述的外呼短信文本审核方法，其特征在于，按如下方式训练LSTM-Attention神经网络模型：
获得历史词向量；
将所述历史词向量输入LSTM网络层，得到多个输出数据；
采用Attention机制，对所述多个输出数据进行加权，得到模型输出数据。
5.一种外呼短信文本审核装置，其特征在于，包括：
获得模块，用于获得外呼短信文本；
词向量生成模块，用于根据所述外呼短信文本，生成词向量，所述词向量中包含所述外呼短信文本的场景信息；
审核模块，用于将所述词向量输入训练好的LSTM-Attention神经网络模型，对外呼短信文本进行审核，所述LSTM-Attention神经网络模型根据历史词向量进行训练，所述历史词向量根据历史外呼短信文本生成，所述历史词向量中包含历史外呼短信文本的场景信息。
6.如权利要求5所述的外呼短信文本审核装置，其特征在于，所述词向量生成模块进一步用于：
将所述外呼短信文本输入训练好的bert模型，生成词向量，所述bert模型根据历史外呼短信文本进行训练。
7.如权利要求5所述的外呼短信文本审核装置，其特征在于，还包括：
预处理模块，用于获得外呼短信文本之后，对所述外呼短信文本进行预处理，所述预处理包括：场景信息提取处理，分词处理，去除停用词处理和去除预设符号处理；
所述词向量生成模块进一步用于：根据预处理后的外呼短信文本，生成词向量。
8.如权利要求5所述的外呼短信文本审核装置，其特征在于，按如下方式训练LSTM-Attention神经网络模型：
获得历史词向量；
将所述历史词向量输入LSTM网络层，得到多个输出数据；
采用Attention机制，对所述多个输出数据进行加权，得到模型输出数据。
9.一种计算机设备，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权利要求1至4任一所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至4任一所述方法的计算机程序。
CN202010917888.0A 2020-09-03 2020-09-03 外呼短信文本审核方法及装置 Pending CN112036180A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010917888.0A CN112036180A (zh) 2020-09-03 2020-09-03 外呼短信文本审核方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010917888.0A CN112036180A (zh) 2020-09-03 2020-09-03 外呼短信文本审核方法及装置

Publications (1)

Publication Number Publication Date
CN112036180A true CN112036180A (zh) 2020-12-04

Family

ID=73592014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010917888.0A Pending CN112036180A (zh) 2020-09-03 2020-09-03 外呼短信文本审核方法及装置

Country Status (1)

Country Link
CN (1) CN112036180A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116108132A (zh) * 2022-11-09 2023-05-12 上海创蓝云智信息科技股份有限公司 短信文本的审核方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190370394A1 (en) * 2018-05-31 2019-12-05 Fmr Llc Automated computer text classification and routing using artificial intelligence transfer learning
CN110610003A (zh) * 2019-08-15 2019-12-24 阿里巴巴集团控股有限公司 用于辅助文本标注的方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190370394A1 (en) * 2018-05-31 2019-12-05 Fmr Llc Automated computer text classification and routing using artificial intelligence transfer learning
CN110610003A (zh) * 2019-08-15 2019-12-24 阿里巴巴集团控股有限公司 用于辅助文本标注的方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116108132A (zh) * 2022-11-09 2023-05-12 上海创蓝云智信息科技股份有限公司 短信文本的审核方法和装置
CN116108132B (zh) * 2022-11-09 2024-04-19 上海创蓝云智信息科技股份有限公司 短信文本的审核方法和装置

Similar Documents

Publication Publication Date Title
CN112560453B (zh) 语音信息校验方法、装置、电子设备及介质
CN110263157B (zh) 一种数据风险预测方法、装置及设备
CN111371767B (zh) 恶意账号识别方法、恶意账号识别装置、介质及电子设备
CN109635297A (zh) 一种实体消歧方法、装置、计算机装置及计算机存储介质
CN111858854B (zh) 一种基于历史对话信息的问答匹配方法及相关装置
CN109726821B (zh) 数据均衡方法、装置、计算机可读存储介质及电子设备
CN111079184A (zh) 防护数据泄漏的方法、系统、设备以及存储介质
CN116402630B (zh) 一种基于表征学习的财务风险预测方法及系统
CN113283238A (zh) 文本数据处理的方法和装置、电子设备和存储介质
CN112434501A (zh) 工单智能生成的方法、装置、电子设备及介质
CN110674370A (zh) 域名识别方法及装置、存储介质及电子设备
CN115544240A (zh) 文本类敏感信息识别方法、装置、电子设备和存储介质
CN117251547A (zh) 用户提问应答方法及其装置、设备、介质
CN114610855B (zh) 对话回复生成方法、装置、电子设备及存储介质
CN112036180A (zh) 外呼短信文本审核方法及装置
WO2024109597A1 (zh) 文本合并判断模型的训练方法和文本合并判断方法
CN114817346A (zh) 一种业务处理方法、装置、电子设备及计算机可读介质
CN113609390A (zh) 信息分析方法及装置、电子设备和计算机可读存储介质
CN110516066B (zh) 一种文本内容安全防护方法和装置
CN109359274B (zh) 一种对批量生成的字符串进行识别的方法、装置及设备
Nandakumar et al. Scamblk: A voice recognition-based natural language processing approach for the detection of telecommunication fraud
CN116881408A (zh) 基于ocr和nlp的视觉问答防诈骗方法及系统
CN111464687A (zh) 一种陌生呼叫请求的处理方法及装置
CN115455957A (zh) 触达用户方法、装置、电子设备及计算机可读存储介质
CN115169293A (zh) 一种文本隐写分析方法、系统、装置及存储介质

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