CN112053052A - 客服业务风险识别方法、装置、设备及存储介质 - Google Patents
客服业务风险识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112053052A CN112053052A CN202010878923.2A CN202010878923A CN112053052A CN 112053052 A CN112053052 A CN 112053052A CN 202010878923 A CN202010878923 A CN 202010878923A CN 112053052 A CN112053052 A CN 112053052A
- Authority
- CN
- China
- Prior art keywords
- customer service
- risk
- historical
- risk identification
- voice data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000013598 vector Substances 0.000 claims abstract description 71
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000003416 augmentation Effects 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 6
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Multimedia (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种客服业务风险识别、装置、设备及存储介质,涉及信息处理技术领域。本发明通过获取客服业务的语音数据,通过深度神经网络提取语音数据的特征向量;获取客服业务对应用户信息的特征向量,与语音数据的特征向量进行拼接;将拼接后的特征向量输入风险识别模型,确定客服业务的风险类别和风险值。通过将客服业务的语音数据的特征向量与用户信息的特征向量进行拼接后,采用风险识别模型进行训练,确定该客服业务的风险类别和风险值,从而可以识别客服语音业务处理过程中的风险类别和风险值,保证客服业务的安全性,提高用户的服务体验。
Description
技术领域
本发明涉及信息处理技术领域,具体而言,涉及一种客服业务风险识别方法、装置、设备及存储介质。
背景技术
目前,客服热线是各类银行、电信、电力等企业常用的对外服务的交流渠道,通过客服人员提供有关业务或工作的业务咨询、受理和投诉建议等专业服务。
其中,银行的客服人员与客户电话沟通业务时,可能存在客户家属或同事代接的情况,此时,由于代接者大致了解该客户的基本信息,客服人员往往无法判断出对方的真实身份,另外,还有可能存在一些非法的中介帮助客户接听核身电话,以帮助这些资质不佳的客户成功申请相关的金融业务,如:办理信用卡、贷款和抵押等金融业务。因此,需要对涉及客户的客服业务进行风险识别来保证金融业务的安全性。
发明内容
本发明提供一种客服业务风险识别、装置、设备及存储介质,可以识别客服语音业务处理过程中的风险类别和风险值,保证客服业务的安全性,提高用户的服务体验。
第一方面,本发明实施例提供一种客服业务风险识别方法,该方法包括:
获取客服业务的语音数据,通过深度神经网络提取语音数据的特征向量;获取客服业务对应用户信息的特征向量,与语音数据的特征向量进行拼接;将拼接后的特征向量输入风险识别模型,确定客服业务的风险类别和风险值。
可选地,在确定客服业务的风险类别和风险值之后,上述方法还包括:判断风险值是否大于预设阈值;如果风险值大于所述预设阈值,则根据风险类别,发送风险类别对应的用户核验信息。
可选地,将拼接后的特征向量输入预设的风险识别模型之前,上述方法还包括:
获取历史客服业务的历史语音数据以及对应的历史用户信息;根据历史语音数据以及对应的历史用户信息,标识历史客服业务的风险类别,得到客服业务风险识别的样本数据;通过人工神经网络训练所述样本数据,得到所述风险识别模型。
可选地,得到客服业务风险识别的样本数据之后,上述方法还包括:
交换历史客服业务中不同历史用户的语音数据以及用户信息,生成客服业务风险识别的增广样本数据。
第二方面,本发明实施例提供一种客服业务风险识别装置,该装置包括:
获取模块,用于获取客服业务的语音数据,通过深度神经网络提取语音数据的特征向量;拼接模块,用于获取客服业务对应用户信息的特征向量,与语音数据的特征向量进行拼接;风险识别模块,用于将拼接后的特征向量输入风险识别模型,确定客服业务的风险类别和风险值。
可选地,客服业务风险识别装置还包括:
判断模块,用于在确定客服业务的风险类别和风险值之后,判断风险值是否大于预设阈值;核验模块,用于如果风险值大于所述预设阈值,则根据所述风险类别,发送风险类别对应的用户核验信息。
可选地,客服业务风险识别装置还包括:
历史数据获取模块,用于获取历史客服业务的历史语音数据以及对应的历史用户信息;样本数据获取模块,用于根据历史语音数据以及对应的历史用户信息,标识历史客服业务的风险类别,得到客服业务风险识别的样本数据;模型训练模块,用于在将拼接后的特征向量输入预设的风险识别模型之前,通过人工神经网络训练所述样本数据,得到风险识别模型。
可选地,客服业务风险识别装置还包括:
增广样本数据获取模块,用于在得到客服业务风险识别的样本数据之后,交换历史客服业务中不同历史用户的语音数据以及用户信息,生成客服业务风险识别的增广样本数据。
第三方面,本发明实施例提供客服业务风险识别设备,包括:处理器、存储介质和总线,存储介质存储有处理器可执行的机器可读指令,当客服业务风险识别设备运行时,处理器与存储介质之间通过总线通信,处理器执行机器可读指令,以执行如第一方面所述的客服业务风险识别方法。
第四方面,本发明实施例还提供一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器运行时执行如第一方面所述的客服业务风险识别方法。
本发明的有益效果是:
本发明通过获取客服业务的语音数据,通过深度神经网络提取语音数据的特征向量;获取客服业务对应用户信息的特征向量,与语音数据的特征向量进行拼接;将拼接后的特征向量输入风险识别模型,确定客服业务的风险类别和风险值。通过将客服业务的语音数据的特征向量与用户信息的特征向量进行拼接后,采用风险识别模型进行训练,确定该客服业务的风险类别和风险值,从而可以识别客服语音业务处理过程中的风险类别和风险值,保证客服业务的安全性,提高用户的服务体验。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本发明实施例提供的客服业务风险识别方法的流程示意图;
图2示出了本发明实施例提供的客服业务风险识别方法的另一流程示意图;
图3示出了本发明实施例提供的客服业务风险识别方法的又一流程示意图;
图4示出了本发明实施例提供的客服业务风险识别方法的又一流程示意图;
图5示出了本发明实施例提供的客服业务风险识别装置的结构示意图;
图6示出了本发明实施例提供的客服业务风险识别装置的另一结构示意图;
图7示出了本发明实施例提供的客服业务风险识别装置的又一结构示意图;
图8示出了本发明实施例提供的客服业务风险识别装置的又一结构示意图;
图9示出了本发明实施例提供的客服业务风险识别设备的结构示意图。
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,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
本发明实施例提供一种客服业务风险识别方法,可以应用于客服系统中,通过该客服业务风险识别方法识别客服业务中是否存在代接打的风险,从而保证金融业务的安全性,提高用户的服务体验。该方法的执行主体可以是客服系统的服务器或计算机,或者,也可以是服务器或计算机中的某个或多个处理器等,本发明对此不作限制。
图1示出了本发明实施例提供的客服业务风险识别方法的流程示意图。
如图1所示,该客服业务风险识别方法可以包括:
S101、获取客服业务的语音数据,通过深度神经网络提取语音数据的特征向量。
具体的,客服业务可以包括但不限于银行的金融业务,例如:转账、贷款、理财等业务,通过电话、在线语音、录音的方式与客户进行业务沟通。
例如,当该客户接通客服电话时,系统自动开始记录客户的声音,记录的声音可以为10秒不等,并以保存成音频文件或者数据流的方式将语音数据传递到深度神经网络后提取特征向量,其中,提取声音特征的主干网络包括但不限于VGG、Resnet等卷积网络或LSTM等时序网络,这些网络都可以将声音信息转换成高维向量(如2048维的向量)。这些网络经过训练后可以提取客户语音相关的一些有用信息,如声音是更像男声还是女声、地域是偏向南方还是北方、语速的快慢或流利程度等。
S102、获取客服业务对应用户信息的特征向量,与语音数据的特征向量进行拼接。
具体的,在系统数据库中可以预先收集了用户的基本信息,如性别、归属地、学历,以及用户使用移动设备申请产生的一些数据如用户签名笔画,用户按键时序信息等。将以上信息分别生成特征向量。具体生成特征向量的方向有如下方式可选:
1)采用one-hot编码的方式,如性别生成2维的特征向量、归属地生成50维的特征向量、学历生成10维的特征向量等;
2)采用其它特征编码和提取方式,如提取用户签名的特征时可以参考在线手写识别的特征方式进行提取。
将以上不同特征向量和步骤S101中语音生成的特征向量拼接起来,作为后续预测代接打概率的输入。
S103、将拼接后的特征向量输入风险识别模型,确定客服业务的风险类别和风险值。
具体的,将上述拼接后的特征向量输入到一个多层感知器(MLP)中,将用户信息的特征向量和语音特征混合进行分风险值和风险类别的计算,得到代接打的概率和风险类别。其中,风险概率值则由sigmoid函数进行建模。假设风险类别可以通过人工定义,并且有N类,例如:学历造假风险,方言造假风险,性别造假风险等,因此,风险类别是一个多分类的问题,可以通过softmax激活函数进行建模。
下面以客服业务中出现代接打电话的风险识别进行举例说明:
在一个实施案例中,如果客户信息的性别信息为男,但是通话中的声音为女声,则提示有代接打风险,因为通过深度神经网络从语音数据中提取出的性别信息和客户预留的信息不同,从而输出较高的代接打概率值,并且相应的风险类别概率值也会比其它类别大。
在一个实施案例中,如果客户年龄信息与来电者的实际年龄相差较大时,则会提示有代接打风险,并且相应的风险类别概率值也会比其它类别大。因为深度神经网络可以根据通话语音的语速、语调等预测出年龄的大小。
在一个实施案例中,如果客户学历信息与来电者的实际学历信息相差较大时,会提示有代接打风险,并且相应的风险类别概率值也会比其它类别大。因为深度神经网络能通话语音的内容、语速、语调等信息预测学历的程度。
本实施例通过提取客服业务的语音数据特征向量以及对应的用户信息的特征向量进行拼接,将拼接后的特征向量通过风险识别模型进行识别,从而确定该客服业务的风险类别和风险值,提高了金融业务的安全性。
图2示出了本发明实施例提供的客服业务风险识别方法的另一流程示意图。
可选地,如图2所示,另一种实施方式中,上述在确定客服业务的风险类别和风险值之后,上述方法还包括:
S201、判断风险值是否大于预设阈值;
S202、如果风险值大于预设阈值,则根据风险类别,发送风险类别对应的用户核验信息。
可选地,当模型预测的风险值大于预设阈值时,例如,预设阈值是0.5,风险值大于0.5,则在客服坐席系统前端提示有风险,并显示高风险类别,可以通过或客户与用户确认是否为代接打电话,或者可以给客服人员推送需要核验的用户信息,进一步核实其地址、身份证号等个人信息。
通过在确定客服业务的风险类别和风险值之后,通过判断风险值是否大于预设阈值,进而可以提示客服人员去进一步的核验用户信息,提高了客服业务风险的识别率,保证了金融业务的安全性。
图3示出了本发明实施例提供的客服业务风险识别方法的另一流程示意图。
可选地,如图3所示,另一种实施方式中,将拼接后的特征向量输入风险识别模型之前,上述方法还包括:
S301、获取历史客服业务的历史语音数据以及对应的历史用户信息;
S302、根据历史语音数据以及对应的历史用户信息,标识历史客服业务的风险类别,得到客服业务风险识别的样本数据;
S303、通过人工神经网络训练样本数据,得到风险识别模型。
可选地,将拼接后的特征向量输入人工神经网络,例如:多层感知器MLP中,建立该预设的风险识别模型,其中,训练的样本数据可以来自客服业务的历史通话记录及其对应的用户信息(如性别、归属地、年龄等),对这些样本数据进行标记,得到正负样本,标签包括是否为代接打以及预先设定标记的风险类别。
可选地,另一种实施方式中,得到客服业务风险识别的样本数据之后,上述方法还包括:
交换历史客服业务中不同历史用户的语音数据以及用户信息,生成客服业务风险识别的增广样本数据。
具体的,在处理客服业务过程中,可能实际发生代接打的样本比较少,则可以将历史客服业务中不同历史用户的语音数据以及用户信息进行交换,例如:用户A的语音数据与用户B的用户信息组合成代接打样本,用户B的语音数据与用户A的用户信息组合成代接打样本等等,通过这样生成增广样本数据,以便提高客服业务风险识别模型识别的准确率。
可选地,另一种实施方式中,由于在实际场景中,出现代接打的次数要远小于正常的次数,因此,当出现客服确认出现代接打的情景时,系统将记录下来并使用该样本在线更新风险识别模型,以便提高风险识别模型的准确率。
下面以一种具体实施方式对本发明实施例提供的客服业务风险识别方法作以说明:
图4示出了本发明实施例提供的客服业务风险识别方法的又一流程示意图。
如图4所示,本实施方式中,该客服业务风险识别方法,可以包括:
S401、获取历史客服业务的历史语音数据以及对应的历史用户信息。
S402、根据历史语音数据以及对应的历史用户信息,标识历史客服业务的风险类别,得到客服业务风险识别的样本数据。
S403、判断上述样本数据是否符合预设要求。
若是,则执行步骤S404;若否,则执行步骤S405、S404。
S404、通过人工神经网络训练样本数据,得到预设的风险识别模型。
S405、交换历史客服业务中不同历史用户的语音数据以及用户信息,生成客服业务风险识别的增广样本数据。
S406、获取客服人员发起外呼或者接入用户服务热线的语音数据。
S407、通过深度神经网络提取上述语音数据的特征向量。
S408、获取上述客服业务对应的用户信息,提取用户信息的特征向量。
S409、将语音数据的特征向量与用户信息的特征向量进行拼接。
S410、将拼接后的特征向量输入风险识别模型,确定客服业务的风险类别和风险值。
S411、判断风险值是否大于预设阈值。
若是,则执行步骤S412;若否,则执行步骤S413。
S412、根据风险类别,发送风险类别对应的用户核验信息。
S413、将客服业务对应的风险类别和风险值进行存储。
需要说明的是,上述步骤S401-S405只需要在步骤S410执行之前即可,并非一定按照上述执行顺序来执行,还可以与步骤S410之前的步骤并行运行。
本实施方式中,描述的客服业务风险识别方法具有与前述实施例中所述的客服业务风险识别方法相同的有益效果,在此不再赘述。
基于前述方法实施例中所述的客服业务风险识别方法,本发明实施例还对应提供一种客服业务风险识别装置,图5示出了本发明实施例提供的客服业务风险识别装置的结构示意图。
如图5所示,该客服业务风险识别装置,可以包括:获取模块10,用于获取客服业务的语音数据,通过深度神经网络提取语音数据的特征向量;拼接模块20,用于获取客服业务对应用户信息的特征向量,与语音数据的特征向量进行拼接;风险识别模块30,用于将拼接后的特征向量输入风险识别模型,确定客服业务的风险类别和风险值。
图6示出了本发明实施例提供的客服业务风险识别装置的另一结构示意图。
可选地,如图6所示,该客服业务风险识别装置,还可以包括:判断模块40,用于在确定客服业务的风险类别和风险值之后,判断风险值是否大于预设阈值;核验模块50,用于如果风险值大于所述预设阈值,则根据所述风险类别,发送风险类别对应的用户核验信息
图7示出了本发明实施例提供的客服业务风险识别装置的另一结构示意图。
可选地,如图7所示,该客服业务风险识别装置,还可以包括:历史数据获取模块60,用于获取历史客服业务的历史语音数据以及对应的历史用户信息;样本数据获取模块70,用于根据历史语音数据以及对应的历史用户信息,标识历史客服业务的风险类别,得到客服业务风险识别的样本数据;模型训练模块80,用于在将拼接后的特征向量输入预设的风险识别模型之前,通过人工神经网络训练所述样本数据,得到风险识别模型。
图8示出了本发明实施例提供的客服业务风险识别装置的另一结构示意图。
可选地,如图8所示,该客服业务风险识别装置,还可以包括:增广样本数据获取模块90,用于在得到客服业务风险识别的样本数据之后,交换历史客服业务中不同历史用户的语音数据以及用户信息,生成客服业务风险识别的增广样本数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中方法的对应过程,本发明中不再赘述。
本发明实施例提供的客服业务风险识别装置对应于前述方法实施例中所述的客服业务风险识别方法,因此,装置实施例中所述的客服业务风险识别装置,具有前述实施例中所述的客服业务风险识别方法具备的全部有益效果,在此亦不再赘述。
本发明实施例还提供一种客服业务风险识别设备,该客诉问题处理设备可以是客服系统的后台服务器、计算机等,图9示出了本发明实施例提供的客服业务风险识别设备的结构示意图。
如图9所示,该客服业务风险识别设备可以包括:处理器100、存储介质200和总线(图中未标出),存储介质200存储有处理器100可执行的机器可读指令,当客服业务风险识别设备运行时,处理器100与存储介质200之间通过总线通信,处理器100执行机器可读指令,以执行如前述方法实施例中所述的客服业务风险识别方法。具体实现方式和技术效果类似,在此不再赘述。
为了便于说明,在上述客服业务风险识别设备中仅描述了一个处理器。然而,应当注意,本发明中的客服业务风险识别设备还可以包括多个处理器,因此本发明中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如,客服业务风险识别设备的处理器执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一处理器和第二处理器共同执行步骤A和B等。
在一些实施例中,处理器可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(S))。仅作为举例,处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application Specific Integrated Circuit,ASIC)、专用指令集处理器(Application Specific Instruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field ProgrammableGate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing,RISC)、或微处理器等,或其任意组合。
本发明实施例还提供一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器运行时执行如前述方法实施例中所述的客服业务风险识别方法。具体实现方式和技术效果类似,在此同样不再赘述。
可选地,该存储介质可以是U盘、移动硬盘、ROM、RAM、磁碟或者光盘等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种客服业务风险识别方法,其特征在于,所述方法包括:
获取客服业务的语音数据,通过深度神经网络提取所述语音数据的特征向量;
获取所述客服业务对应用户信息的特征向量,与所述语音数据的特征向量进行拼接;
将拼接后的特征向量输入风险识别模型,确定所述客服业务的风险类别和风险值。
2.根据权利要求1所述的方法,其特征在于,在确定所述客服业务的风险类别和风险值之后,所述方法还包括:
判断所述风险值是否大于预设阈值;
如果所述风险值大于所述预设阈值,则根据所述风险类别,发送所述风险类别对应的用户核验信息。
3.根据权利要求1所述的方法,其特征在于,所述将拼接后的特征向量输入预设的风险识别模型之前,所述方法还包括:
获取历史客服业务的历史语音数据以及对应的历史用户信息;
根据所述历史语音数据以及对应的所述历史用户信息,标识所述历史客服业务的风险类别,得到所述客服业务风险识别的样本数据;
通过人工神经网络训练所述样本数据,得到所述风险识别模型。
4.根据权利要求3所述的方法,其特征在于,得到所述客服业务风险识别的样本数据之后,所述方法还包括:
交换所述历史客服业务中不同历史用户的语音数据以及用户信息,生成所述客服业务风险识别的增广样本数据。
5.一种客服业务风险识别装置,其特征在于,所述装置包括:
获取模块,用于获取客服业务的语音数据,通过深度神经网络提取所述语音数据的特征向量;
拼接模块,用于获取所述客服业务对应用户信息的特征向量,与所述语音数据的特征向量进行拼接;
风险识别模块,用于将拼接后的特征向量输入风险识别模型,确定所述客服业务的风险类别和风险值。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
判断模块,用于在确定所述客服业务的风险类别和风险值之后,判断所述风险值是否大于预设阈值;
核验模块,用于如果所述风险值大于所述预设阈值,则根据所述风险类别,发送所述风险类别对应的用户核验信息。
7.根据权利要求5所述的装置,其特征在于,所述装置还包括:
历史数据获取模块,用于获取历史客服业务的历史语音数据以及对应的历史用户信息;
样本数据获取模块,用于根据所述历史语音数据以及对应的所述历史用户信息,标识所述历史客服业务的风险类别,得到所述客服业务风险识别的样本数据;
模型训练模块,用于在所述将拼接后的特征向量输入预设的风险识别模型之前,通过人工神经网络训练所述样本数据,得到所述风险识别模型。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
增广样本数据获取模块,用于在得到所述客服业务风险识别的样本数据之后,交换所述历史客服业务中不同历史用户的语音数据以及用户信息,生成所述客服业务风险识别的增广样本数据。
9.一种客服业务风险识别设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当所述客服业务风险识别设备运行时,所述处理器与所述存储介质之间通过所述总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1-4任一项所述的客服业务风险识别方法。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1-4任一项所述的客服业务风险识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010878923.2A CN112053052A (zh) | 2020-08-27 | 2020-08-27 | 客服业务风险识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010878923.2A CN112053052A (zh) | 2020-08-27 | 2020-08-27 | 客服业务风险识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112053052A true CN112053052A (zh) | 2020-12-08 |
Family
ID=73600945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010878923.2A Pending CN112053052A (zh) | 2020-08-27 | 2020-08-27 | 客服业务风险识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112053052A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255342A (zh) * | 2021-06-11 | 2021-08-13 | 云南大学 | 一种5g移动业务产品名称识别方法及系统 |
-
2020
- 2020-08-27 CN CN202010878923.2A patent/CN112053052A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255342A (zh) * | 2021-06-11 | 2021-08-13 | 云南大学 | 一种5g移动业务产品名称识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11735157B2 (en) | Systems and methods for providing automated natural language dialogue with customers | |
US11032421B2 (en) | Systems for transitioning telephony-based and in-person servicing interactions to and from an artificial intelligence (AI) chat session | |
CN112988991B (zh) | 一种通过人机对话进行反欺诈干预的方法和系统 | |
US10680979B2 (en) | System and method for proactive intervention to reduce high cost channel usage | |
CN110309299B (zh) | 通信防诈骗方法、装置、计算机可读介质及电子设备 | |
US20220068263A1 (en) | Method And Apparatus For Extracting Key Information From Conversational Voice Data | |
CN110704618B (zh) | 确定对话数据对应的标准问题的方法及装置 | |
CN108920640A (zh) | 基于语音交互的上下文获取方法及设备 | |
US20220067500A1 (en) | Decoupling memory and computation to enable privacy across multiple knowledge bases of user data | |
CN113240510A (zh) | 异常用户预测方法、装置、设备及存储介质 | |
CN110059178A (zh) | 问题派发方法及装置 | |
CN117251547A (zh) | 用户提问应答方法及其装置、设备、介质 | |
CN115034886A (zh) | 一种违约风险预测方法及装置 | |
CN111539741A (zh) | 识别操作风险的方法、系统和非暂时性存储介质 | |
CN112053052A (zh) | 客服业务风险识别方法、装置、设备及存储介质 | |
US20200372411A1 (en) | Managing Multifaceted, Implicit Goals Through Dialogue | |
US20230034344A1 (en) | Systems and methods for proactively extracting data from complex documents | |
CN113064983B (zh) | 语义检测方法、装置、计算机设备及存储介质 | |
CN110728145B (zh) | 一种基于录音对话的自然语言理解模型的建立方法 | |
CN114418320A (zh) | 客服服务质量评估方法、装置、设备、介质和程序产品 | |
CN113887214A (zh) | 基于人工智能的意愿推测方法、及其相关设备 | |
CN112907360A (zh) | 风险评估方法、设备、存储介质及程序产品 | |
CN110222150A (zh) | 一种自动提醒方法、自动提醒装置及计算机可读存储介质 | |
US20220319496A1 (en) | Systems and methods for training natural language processing models in a contact center | |
US11924378B2 (en) | Systems for transitioning telephony-based and in-person servicing interactions to and from an artificial intelligence (AI) chat session |
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 |