CN112991076A - 信息处理方法及装置 - Google Patents
信息处理方法及装置 Download PDFInfo
- Publication number
- CN112991076A CN112991076A CN202110177621.7A CN202110177621A CN112991076A CN 112991076 A CN112991076 A CN 112991076A CN 202110177621 A CN202110177621 A CN 202110177621A CN 112991076 A CN112991076 A CN 112991076A
- Authority
- CN
- China
- Prior art keywords
- information
- modal
- user
- image
- verification
- 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
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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 Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书提供信息处理方法及装置,其中所述信息处理方法包括:接收客户端上传的参与请求,所述参与请求中携带有参与目标业务的用户的属性信息和多模态图像;将所述多模态图像输入至识别模块进行处理,获得所述识别模块输出的所述用户的多模态信息;基于所述目标业务的核验策略对所述属性信息和所述多模态信息进行核验;根据核验结果生成所述用户参与所述目标业务的反馈信息,并将所述反馈信息发送至所述客户端。
Description
技术领域
本说明书涉及信息处理技术领域,特别涉及信息处理方法及装置。
背景技术
随着互联网技术的发展,越来越多的业务开始发展线上服务方式,线上场景不仅可以有效的提高业务处理效率,还避免了线下场景的业务处理复杂性,进而被越来越多的用户所接受;现有技术中,在用户加入相应的目标业务前,通常会对用户的属性信息或身份信息进行核验,从而保证目标业务可以合理的进行开展,然而由于用户的主观意识比较强,很容易出现加入目标业务前进行规避的处理操作,即躲避目标业务的审核机制,此时就很容易造成目标业务所属的业务方产生无法挽回的损失,因此亟需一种有效的方案以解决上述问题。
发明内容
有鉴于此,本说明书实施例提供了信息处理方法。本说明书同时涉及信息处理装置,一种计算设备,以及一种计算机可读存储介质,以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面,提供了一种信息处理方法,包括:
接收客户端上传的参与请求,所述参与请求中携带有参与目标业务的用户的属性信息和多模态图像;
将所述多模态图像输入至识别模块进行处理,获得所述识别模块输出的所述用户的多模态信息;
基于所述目标业务的核验策略对所述属性信息和所述多模态信息进行核验;
根据核验结果生成所述用户参与所述目标业务的反馈信息,并将所述反馈信息发送至所述客户端。
可选地,所述识别模块中包含至少一个识别模型,所述识别模型通过如下方式训练:
读取预设的样本集,获得样本多模态图像以及所述样本多模态图像对应的样本多模态信息;
基于所述样本多模态图像和所述样本多模态信息对初始识别模型进行训练,获得所述识别模型。
可选地,所述将所述多模态图像输入至识别模块进行处理,获得所述识别模块输出的所述用户的多模态信息,包括:
将所述多模态图像输入至所述识别模块,通过所述识别模块中的提取子模块对所述多模态图像进行处理,获得多模态特征;
将所述多模态特征输入至所述识别模块中的识别模型进行处理,获得所述多模态图像对应的特征分值;
基于所述特征分值查询预设的信息表获得所述多模态信息,并通过所述识别模块中的输出子模块输出所述多模态信息。
可选地,所述将所述多模态图像输入至识别模块进行处理,获得所述识别模块输出的所述用户的多模态信息,包括:
将所述多模态图像输入至所述识别模块,通过所述识别模块中的分类子模块对所述多模态图像进行处理,获得所述多模态图像对应的图像类型;
选择与所述图像类型匹配的识别模型对所述多模态图像进行处理,获得所述多模态信息并输出。
可选地,所述基于所述目标业务的核验策略对所述属性信息和所述多模态信息进行核验,包括:
对所述核验策略进行解析,获得属性核验策略以及多模态核验策略;
基于所述属性核验策略对所述属性信息进行核验,以及基于所述多模态核验策略对所述多模态信息进行核验。
可选地,所述根据核验结果生成所述用户参与所述目标业务的反馈信息,包括:
在所述核验结果为核验未通过的情况下,生成所述用户参与所述目标业务未通过的第一提醒信息,将所述第一提醒信息作为所述反馈信息;
在所述核验结果为核验通过的情况下,生成所述用户参与所述目标业务通过的第二提醒信息,将所述第二提醒信息作为所述反馈信息。
可选地,所述将所述反馈信息发送至所述客户端步骤执行之后,还包括:
在所述反馈信息为所述第一提醒信息的情况下,根据所述核验结果确定推荐业务信息;
将所述推荐业务信息发送至所述客户端。
根据本说明书实施例的第二方面,提供了一种信息处理装置,包括:
接收模块,被配置为接收客户端上传的参与请求,所述参与请求中携带有参与目标业务的用户的属性信息和多模态图像;
处理模块,被配置为将所述多模态图像输入至识别模块进行处理,获得所述识别模块输出的所述用户的多模态信息;
核验模块,被配置为基于所述目标业务的核验策略对所述属性信息和所述多模态信息进行核验;
发送模块,被配置为根据核验结果生成所述用户参与所述目标业务的反馈信息,并将所述反馈信息发送至所述客户端。
根据本说明书实施例的第三方面,提供了另一种信息处理方法,包括:
接收客户端上传的参与请求,所述参与请求中携带有参与目标业务的用户的身份标识;
根据所述身份标识读取所述用户的属性信息,并基于所述属性信息确定与所述用户匹配的图像采集策略;
将所述图像采集策略发送至所述客户端,并接收所述客户端针对所述图像采集策略反馈的多模态图像;
基于所述目标业务的核验策略对所述多模态图像和所述属性信息进行核验,根据核验结果生成反馈信息并发送至所述客户端。
可选地,所述基于所述属性信息确定与所述用户匹配的图像采集策略,包括:
在所述目标业务预设的业务数据库中选择与所述属性信息匹配的多个子图像采集策略;
对所述多个子图像采集策略进行排序,并根据排序结果创建与所述用户匹配的所述图像采集策略。
可选地,所述基于所述属性信息确定与所述用户匹配的图像采集策略,包括:
在所述目标业务预设的业务数据库中选择与所述属性信息匹配的子图像采集策略和问题信息;
将所述子图像采集策略和所述问题信息进行组合,生成与所述用户匹配的所述图像采集策略。
可选地,所述基于所述目标业务的核验策略对所述多模态图像和所述属性信息进行核验,包括:
将所述多模态图像输入至识别模块进行处理,获得所述识别模块输出的所述用户的多模态信息;
基于所述目标业务的核验策略对所述多模态信息和所述属性信息进行核验。
可选地,所述识别模块中包含至少一个识别模型,所述识别模型通过如下方式训练:
读取预设的样本集,获得样本多模态图像以及所述样本多模态图像对应的样本多模态信息;
基于所述样本多模态图像和所述样本多模态信息对初始识别模型进行训练,获得所述识别模型。
可选地,所述将所述多模态图像输入至识别模块进行处理,获得所述识别模块输出的所述用户的多模态信息,包括:
将所述多模态图像输入至所述识别模块,通过所述识别模块中的提取子模块对所述多模态图像进行处理,获得多模态特征;
将所述多模态特征输入至所述识别模块中的识别模型进行处理,获得所述多模态图像对应的特征分值;
基于所述特征分值查询预设的信息表获得所述多模态信息,并通过所述识别模块中的输出子模块输出所述多模态信息。
可选地,所述将所述多模态图像输入至识别模块进行处理,获得所述识别模块输出的所述用户的多模态信息,包括:
将所述多模态图像输入至所述识别模块,通过所述识别模块中的分类子模块对所述多模态图像进行处理,获得所述多模态图像对应的图像类型;
选择与所述图像类型匹配的识别模型对所述多模态图像进行处理,获得所述多模态信息并输出。
可选地,所述基于所述目标业务的核验策略对所述多模态信息和所述属性信息进行核验,包括:
对所述核验策略进行解析,获得属性核验策略以及多模态核验策略;
基于所述属性核验策略对所述属性信息进行核验,以及基于所述多模态核验策略对所述多模态信息进行核验。
可选地,所述根据核验结果生成反馈信息并发送至所述客户端,包括:
在所述核验结果为核验未通过的情况下,生成所述用户参与所述目标业务未通过的第一提醒信息,将所述第一提醒信息作为所述反馈信息并发送至所述客户端;
在所述核验结果为核验通过的情况下,生成所述用户参与所述目标业务通过的第二提醒信息,将所述第二提醒信息作为所述反馈信息并发送至所述客户端。
可选地,所述根据核验结果生成反馈信息并发送至所述客户端步骤执行之后,还包括:
在所述反馈信息为所述第一提醒信息的情况下,根据所述核验结果确定推荐业务信息;
将所述推荐业务信息发送至所述客户端。
根据本说明书实施例的第四方面,提供了另一种信息处理装置,包括:
接收请求模块,被配置为接收客户端上传的参与请求,所述参与请求中携带有参与目标业务的用户的身份标识;
确定策略模块,被配置为根据所述身份标识读取所述用户的属性信息,并基于所述属性信息确定与所述用户匹配的图像采集策略;
接收图像模块,被配置为将所述图像采集策略发送至所述客户端,并接收所述客户端针对所述图像采集策略反馈的多模态图像;
发送信息模块,被配置为基于所述目标业务的核验策略对所述多模态图像和所述属性信息进行核验,根据核验结果生成反馈信息并发送至所述客户端。
根据本说明书实施例的第五方面,提供了一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该指令被执行时实现所述信息处理方法的步骤。
根据本说明书实施例的第六方面,提供了一种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现所述信息处理方法的步骤。
本实施例提供的信息处理方法,在接收到携带有属性信息和多模态图像的参与请求后,将结合识别模型对多模态图像进行处理,获得所述用户对应的多模态信息,之后再基于所述目标业务的核验策略对所述属性信息和所述多模态信息进行核验,以实现根据核验结果确定用户是否可以参与所述目标业务,此时将根据核验结果生成用户参与所述目标业务的反馈信息,最后将所述反馈信息发送至所述客户端,实现了在对用户参与所述目标业务的过程中,结合用户的多模态信息辅助核验处理过程,以提高用户参与目标业务时的核验精准度,从而对非正常用户使用非正常手段参与所述目标业务的手段进行防控,避免目标业务所属的业务方产生损失。
附图说明
图1是本说明书一实施例提供的一种信息处理方法的流程图;
图2是本说明书一实施例提供的一种信息处理方法的示意图;
图3是本说明书一实施例提供的另一种信息处理方法的流程图;
图4是本说明书一实施例提供的另一种信息处理方法中核验处理的流程图;
图5是本说明书一实施例提供的一种信息处理装置的结构示意图;
图6是本说明书一实施例提供的另一种信息处理装置的结构示意图;
图7是本说明书一实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本说明书内涵的情况下做类似推广,因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
首先,对本说明书一个或多个实施例涉及的名词术语进行解释。
相互保险:具有同质风险保障需求的单位或个人,通过订立合同成为会员,并缴纳保费形成互助基金,由该基金对合同约定的事故发生所造成的损失承担赔偿责任,或者当被保险人死亡、伤残、疾病或者达到合同约定的年龄、期限等条件时承担给付保险金责任的保险活动。
核保:一般是指保险核保,保险核保是指保险人在对投保的标的信息全面掌握、核实的基础上,对可保风险进行评判与分类,进而决定是否承保、以什么样的条件承保的过程。
逆选择:指投保人所作的不利于保险人的合同选择。投保人在投保时往往从自身利益出发,作不利于保险人利益的合同选择,使其承担过大风险。
情感计算(Emotional intelligence,EI):是一个跨学科领域,涉及计算机科学、心理学和认知科学,旨在研发识别、解释、处理、模拟人类情感的系统;即机器能够解释人类的情绪状态,并做出相适应的行为对情绪给予恰当的回应。
卷积神经网络:是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。由于卷积神经网络能够进行平移不变分类(shift-invariant classification),因此也被称为“平移不变人工神经网络(Shift-Invariant Artificial Neural Networks,SIANN)。
在本说明书中,提供了两种信息处理方法,本说明书同时涉及两种信息处理装置,一种计算设备,以及一种计算机可读存储介质,在下面的实施例中逐一进行详细说明。
图1示出了根据本说明书一实施例提供的一种信息处理方法的流程图,具体包括以下步骤:
步骤S102,接收客户端上传的参与请求,所述参与请求中携带有参与目标业务的用户的属性信息和多模态图像。
具体的,所述目标业务具体是指用户需要参与的业务,目标业务可以是保险业务,互助保险业务或服务业务;相应的,所述参与请求即为用户通过客户端参与目标业务时提交的请求,所述属性信息具体是指与用户相关的信息,可以是用户的职业信息,家庭信息,身体健康信息,年龄信息等;所述多模态图像具体是指用户提交参与请求时,通过客户端的图像采集设备采集到的图像,该图像可以包括用户的人脸图像和/或用户的肢体图像,并且所述多模态图像可以是客户端连续拍摄的多张图像组成,也可以是由每种类型的一张图像组成;相应的,客户端具体是指用户持有的终端设备,可以是电脑或者手机等。
基于此,用户在加入目标业务时是为了能够得到目标业务向用户提供的业务服务,比如加入保险业务或互助保险业务,都是为了防止以后发生意外时可以得到赔偿,而在用户加入所述目标业务的过程中,由于是在线上完成,因此很容易出现用户已经触发了意外事件后,再申请加入目标业务的情况发生;如用户已经患有保险业务理赔的疾病,用户在得知自己生病之后想要获得更多的理赔金额,就可能出现某些非正常用户故意隐瞒患病信息而申请购买相应的保险,如果在核保的过程中没有确定用户患有疾病,就会发生用户带病入险的问题,此时则会造成提供保险的业务方产生不可避免的损失。
为了能够避免用户采用非正常手段加入目标业务,本申请将结合多模态识别的方式对用户进行多模态信息的采集,通过结合目标业务本身具有的核验策略实现在多个维度同时对用户进行核验,以提高核验精准度,从而避免目标业务所属的业务方产生损失;参见图2所示,目标业务所属的业务方将根据样本信息训练识别模型以用于核验场景,当手机端的用户申请加入目标业务时,将通过手机端的摄像头采集用户的人脸图像或肢体图像(情感信息获取),之后从图像中提取特征并输入至模型进行识别,最后将模式的识别结果和其他维度的核验结果进行整合,以分析用户是否存在欺诈行为,以避免造成业务方产生不必要的损失。
实际应用中,由于用户在撒谎或者做一些违反相应规定的操作时,都可能会造成脸部或者肢体的变化,比如用户在撒谎时可能出现讲话断断续续,脸红,手脚随意摆动等,因此考虑到用户的异常操作会发生的一些不正常反应,以用于在用户加入目标业务的过程中对用户进行图像采集,通过分析用户的情感变化辅助后续的核验过程,以保证用户参与目标业务时的核验精准度。
需要说明的是,客户端在采集用户的多模态图像时,可以在用户输入相应的参与信息(参与目标业务需要填写的信息)时,调用客户端中配置的图像采集设备进行采集,也可以由目标业务预设的采集策略引导用户进行多模态图像的采集,具体实施时,客户端采集用户的多模态图像的方式可以根据实际应用场景进行设定,本实施例在此不作任何限定。
步骤S104,将所述多模态图像输入至识别模块进行处理,获得所述识别模块输出的所述用户的多模态信息。
具体的,在上述接收到包含属性信息和多模态图像的参与请求的基础上,进一步的,根据所述参与请求确定用户需要加入所述目标业务,而由于目标业务可以向用户提供相应的业务服务,因此为了避免用户恶意偏于业务服务的问题发生,将根据所述参与请求触发对用户进行核验的处理,即将所述多模态图像输入至识别模块进行处理,以获得所述用户的多模态信息,其中,所述识别模块具体是指集成识别模型的模块,通过识别模块可以从图像维度分析用户的参与行为是否合规,相应的,所述多模态信息具体是指所述识别模块根据用户的多模态图像分析出用户是否存在欺诈行为的相关信息;如采集到的多模态图像中用户眼睛未直视摄像头,并且脸部发红,此时将多模态图像输入至所述识别模块进行处理,识别模块处理后输出的多模态信息可以是“高风险”,用于辅助后续进行核验处理的过程。
进一步的,所述识别模块中可以包含一个或多个识别模型,各个识别模型可以分别针对用户的不同多模态图像进行识别处理,如多模态图像中包含人脸图像和肢体图像,则可以由识别模块中的人脸识别模型和肢体识别模型分别进行处理,获得与人脸图像相关的识别信息,以及与肢体图像相关的识别信息,通过将识别信息进行整合并处理,即可确定所述用户对应的多模态信息,而无论是何种类型的识别模型都需要经过预先的训练获得,本实施例中,以任意一个类型的识别模型的训练过程进行描述,其他类型的识别模型的训练过程均可参见本实施例:
读取预设的样本集,获得样本多模态图像以及所述样本多模态图像对应的样本多模态信息;
基于所述样本多模态图像和所述样本多模态信息对初始识别模型进行训练,获得所述识别模型。
具体的,首先读取预设的样本集,根据读取结果获得大量的样本多模态图像,以及样本多模态图像对应的样本多模态信息,之后基于样本多模态信息和样本多模态图像组成大量的样本对,对初始识别模型进行训练,直至获得满足训练停止条件的模型,即可作为后续核验处理需要使用的所述识别模型,其中,训练停止条件可以是监控训练过程中损失函数的损失值,也可以是分析识别模型的识别精准度,本实施例在此不作任何限定。实际应用中,所述识别模型可以采用卷积神经网络构建。
进一步的,所述识别模型也可以对多模态图像进行处理后输出其对应的分值,此时识别模块可以通过查表的方式确定所述多模态信息并输出,本实施例中,具体实现方式如下所述:
将所述多模态图像输入至所述识别模块,通过所述识别模块中的提取子模块对所述多模态图像进行处理,获得多模态特征;
将所述多模态特征输入至所述识别模块中的识别模型进行处理,获得所述多模态图像对应的特征分值;
基于所述特征分值查询预设的信息表获得所述多模态信息,并通过所述识别模块中的输出子模块输出所述多模态信息。
具体的,所述提取子模块具体是指从所述多模态图像中提取多模态特征的模块,相应的,所述多模态特征具体是指通过向量表征多模态图像的一种表达形式,所述特征分值具体是指分析用户是否存在欺诈行为的分值,所述特征分值越低,说明用户存在欺诈的可能就越高,反之所述特征分值越高,说明用户存在欺诈的可能就越低;所述预设的信息表具体是指存储有特征分值和多模态信息对应关系的表。
基于此,首先将所述多模态图像输入至所述识别模块,通过所述识别模块中的提取子模块提取所述多模态图像的多模态特征,其次将所述多模态特征输入至所述识别模块中的识别模型进行处理,以获得所述多模态图像对应的特征分值,最后基于所述特征分值查询预设的信息表,即可确定与所述特征分值对应的多模态信息,并通过识别模块中的输出子模块输出所述多模态信息即可,以用于后续可以结合多模态信息对用户加入目标业务的申请进行审核,提高核验精准度。
举例说明,在接收到用户请求参与互助保险项目的参与请求的情况下,将提取参与请求中包含的多模态图像和属性信息,其中多模态图像为用户的人脸图像,属性信息包括用户的年龄22岁,性别男,姓名甲,未婚,疾病信息等;之后将用户的人脸图像输入至识别模型进行处理,获得识别模型输出的特征分值是85分,此时通过特征分值查询预设的信息表(如表1),确定多模态信息为“用户表情复杂,存在高风险”,以用于后续结合属性信息对用户进行进一步的核保处理。
分值区间 | 多模态信息 |
100-80 | 用户表情复杂,存在高风险 |
80-60 | 用户表情较复杂,存在中高风险 |
…… | …… |
表1
综上,通过查表的方式快速的确定所述特征分值对应的多模态信息,可以有效的提高后续进行核验处理的效率,从而实现对用户进行核验时,可以保证核验精准度的同时,避免核验效率降低影响用户的参与体验。
此外,由于用户的情感发生变化时,不仅可能造成脸部表情的变化,还可能造成肢体动作的变换,因此为了能够保证识别模块输出的多模态信息可以提高后续的核验精准度,在对用户的多模态图像进行识别处理时,可以选择不同的识别模型分别对不同类型的图像进行处理,本实施例中,具体实现方式如下所述:
将所述多模态图像输入至所述识别模块,通过所述识别模块中的分类子模块对所述多模态图像进行处理,获得所述多模态图像对应的图像类型;
选择与所述图像类型匹配的识别模型对所述多模态图像进行处理,获得所述多模态信息并输出。
具体的,所述图像类型具体是指与多模态图像中用户特征对应的类型,如多模态图像中包含用户的人脸图像和肢体图像,则此时可以确定人脸图像对应的图像类型为表情类型,肢体图像对应的图像类型为动作类型,而在进行模型识别时,为了提高识别模块输出的多模态信息的精准度,将采用与图像类型相同的识别模型进行识别处理。
基于此,将所述多模态图像输入至所述识别模块后,通过所述识别模块中的分类子模块对所述多模态图像进行处理,即可确定所述多模态图像的图像类型,之后选择与图像类型匹配的识别模型对所述多模态图像进行处理,即可获得所述多模态信息,需要说明的是,本实施例中,与图像类型匹配的识别模型的输出结果也可以是特征分值,之后可以取各个识别模型输出的特征分值的平均值用于读取信息表,以获得所述多模态信息,并输出即可。
例如,多模态图像中包含用户的3张人脸图像和用户的5张手图像,通过对人脸图像进行分析确定图像类型为表情类型,通过对手图像进行分析确定图像类型为动作类型,之后将3张人脸图像输入至与表情类型匹配的识别模型进行处理,获得的特征分值分别为10,15,10;同时将5张手图像输入至与动作类型匹配的识别模型进行处理,获得的特征分值分别为20,15,5,8,1;之后通过取特征分值的平均值确定目标特征分值是10.5,最后通过查表可知多模态信息为“表情/动作简单,无风险”,以用于后续结合属性信息对用户进行进一步的核保处理。
综上,通过采用不同类型的识别模型对不同类型的多模态图像进行处理,不仅可以通过并行处理多模态图像提高处理效率,还能够保证输出的多模态信息的精准度,从而进一步提高后续核验的精准度。
步骤S106,基于所述目标业务的核验策略对所述属性信息和所述多模态信息进行核验。
具体的,在上述获得所述属性信息和所述多模态信息的基础上,进一步的,此时即可根据所述目标业务预设的核验策略对所述属性信息和所述多模态信息分别进行核验,实现在多个维度对用户的申请操作进行核验,以避免非正常用户采用非正常的手段影响目标业务的正常运行;其中,所述核验策略具体是指对用户参与目标业务的申请进行检测审核的策略。
进一步的,在对所述属性信息和所述多模态信息进行核验的过程中,由于属性信息和所述多模态信息分别属于不同的维度,因此需要采用不同的核验策略分别对不同的信息进行核验,本实施例中,具体实现方式如下所述:
对所述核验策略进行解析,获得属性核验策略以及多模态核验策略;
基于所述属性核验策略对所述属性信息进行核验,以及基于所述多模态核验策略对所述多模态信息进行核验。
具体的,所述属性核验策略具体是指对所述属性信息进行核验的策略,可以是核验用户年龄是否合格,核验身份健康是否合格,核验用户家庭信息是否合格等;相应的,所述多模态核验策略具体是指对所述多模态信息进行核验的策略,可以是核验用户是否为欺诈低风险,是否为欺诈中风险,是否为欺诈高风险等。
基于此,在获得所述属性信息和所述多模态信息之后,此时可以开始对所述用户进行核验,读取所述目标业务预设的核验策略,之后对所述核验策略进行解析,获得对属性信息进行核验的属性核验策略,以及对多模态信息进行核验的多模态核验策略,最后基于属性核验策略对所述属性信息进行核验,以及基于所述多模态核验策略对所述多模态信息进行核验即可。
沿用上例,在确定多模态信息为“用户表情复杂,存在高风险”,以及属性信息为“用户的年龄22岁,性别男,姓名甲,未婚,未患病”的情况下,此时将读取互助保险项目预设的核验策略,根据核验策略确定属性核验策略是“年龄低于50岁,性别不限,婚姻情况不限,未患重大疾病”,多模态核验策略是“低于中高风险”,之后基于属性核验策略对用户的属性信息进行核验,同时基于多模态核验策略对用户的多模态信息进行核验,确定用户通过了属性核验策略,但是未通过多模态核验策略,之后后续即可根据核验结果进行拒绝/允许的相应操作即可。
实际应用中,由于不同的目标业务具有不同的业务服务范围,因此不同的目标业务可以采用不同的核验机制,即如果目标业务涉及参与方的利益较大,则可以设定属性核验策略和多模态核验策略都通过的情况下,才能够允许用户参与所述目标业务;如果目标业务涉及参与方的利益较小,则可以设定属性核验策略或多模态核验策略有一个通过的情况下,即可允许用户参与所述目标业务。
需要说明的是,无论是保险业务还是互助保险业务,都会涉及较多的资金,因此为了能够有效的避免非正常用户的欺诈行为,可以采用属性核验策略和多模态核验策略都限定的方式对用户的申请进行核验,从而提高目标业务场景中的安全性。
步骤S108,根据核验结果生成所述用户参与所述目标业务的反馈信息,并将所述反馈信息发送至所述客户端。
具体的,在上述基于所述核验策略对所述属性信息和所述多模态信息进行核验的基础上,进一步的,将根据核验结果生成所述用户参与所述目标业务的反馈信息,其中,所述反馈信息具体是指通知用户是否成功参与所述目标业务的提醒信息。
基于此,在所述核验结果为核验未通过的情况下,说明用户在参与所述目标业务的过程中,可能存在属性信息不合格,或者故意欺诈的行为,则可以生成所述用户参与所述目标业务未通过的第一提醒信息,将所述第一提醒信息作为所述反馈信息,并发送至所述客户端即可,其中,所述第一提醒信息用于提醒所述用户未成功加入所述目标业务,并且为了方便用户确定未加入的原因,在生成所述第一提醒信息时,可以将用户未通过的原因也加入所述第一提醒信息中;在所述核验结果为核验通过的情况下,说明用户符合参与所述目标业务的全部标准,则可以生成所述用户参与所述目标业务通过的第二提醒信息,将所述第二提醒信息作为所述反馈信息,并发送至所述客户端即可;其中,所述第二提醒信息用户提醒用户成功加入所述目标业务,同时为了能够方便用户对目标业务进行充分的了解,可以在所述第二提醒信息中添加所述目标业务对应的描述信息。
进一步的,在用户未成功参与所述目标业务的情况下,未通过的原因可能是多种原因导致,如属性信息不合格或多模态信息不合格,而为了能够向用户提供一定的业务服务,此时可以根据核验结果确定推荐业务信息,并向客户端的用户发送所述推荐业务信息,本实施例中,具体实现方式如下所述:
在所述反馈信息为所述第一提醒信息的情况下,根据所述核验结果确定推荐业务信息;
将所述推荐业务信息发送至所述客户端。
具体的,所述推荐业务信息具体是指向用户推荐其他相关业务所对应的信息,基于此,在确定所述反馈信息为所述第一提醒信息的情况下,此时说明用户未成功参与所述目标业务,则可以根据核验结果确定符合用户参与的推荐业务,并确定所述推荐业务的推荐业务信息,之后将所述推荐业务信息发送至所述客户端即可。
沿用上例,在确定用户未通过互助保险项目的核验策略的情况下,通过分析确定用户未通过的原因是隐瞒病情,用户患有心脏病,而心脏病为互助保险项目中所保的疾病,因此此时向用户发送的反馈信息为“由于您患有心脏病,无法加入本项目”,同时为了能够避免用户的流失,可以向用户推荐互助保险项目A,互助保险项目B等,其他用户可以参与的项目,以提高用户的参与体验。
本实施例提供的信息处理方法,在接收到携带有属性信息和多模态图像的参与请求后,将结合识别模型对多模态图像进行处理,获得所述用户对应的多模态信息,之后再基于所述目标业务的核验策略对所述属性信息和所述多模态信息进行核验,以实现根据核验结果确定用户是否可以参与所述目标业务,此时将根据核验结果生成用户参与所述目标业务的反馈信息,最后将所述反馈信息发送至所述客户端,实现了在对用户参与所述目标业务的过程中,结合用户的多模态信息辅助核验处理过程,以提高用户参与目标业务时的核验精准度,从而对非正常用户使用非正常手段参与所述目标业务的手段进行防控,避免目标业务所属的业务方产生损失。
本说明书还提供了另一种信息处理方法,图3示出了根据本说明书一实施例提供的另一种信息处理方法的流程图,具体包括以下步骤:
步骤S302,接收客户端上传的参与请求,所述参与请求中携带有参与目标业务的用户的身份标识。
具体的,所述身份标识具体是指用户具有的唯一标识,通过所述身份标识可以读取用户的在服务端记录的属性信息,需要说明的是,本实施例提供的另一种信息处理方法,与上述的信息处理方法存在相同或相应的内容,涉及到相同或相应的内容二者可以相互参见,本实施例在此不作过多赘述。
步骤S304,根据所述身份标识读取所述用户的属性信息,并基于所述属性信息确定与所述用户匹配的图像采集策略。
具体的,在上述获得包含所述身份标识的参与请求的基础上,进一步的,可以根据所述身份标识读取所述用户的属性信息,其中,所述属性信息具体是指与用户相关的信息,可以是用户的职业信息,家庭信息,身体健康信息,年龄信息等。
基于此,为了能够保证后续对用户进行核验的精准度,可以根据所述属性信息确定与用户匹配的图像采集策略,其中,所述图像采集策略具体是指能够充分采集用户的多模态图像的策略,客户端在接收到所述图像采集策略后,将根据图像采集策略中的信息向用户发出提示,以引导用户正确的进行图像采集,该引导方式即为与所述用户匹配的图像采集策略。
具体实施时,如果针对不同的用户选择同样的图像采集策略进行多模态图像的采集,很容易造成采集到的多模态图像不真实的问题,即用户可以通过体验攻略多模态图像采集策略的方式控制肢体动作和脸部表情,从而在多模态图像采集时,无法采集最真实的用户情感信息,因此为了能够实现多人多面,即针对不同的用户采用不同的图像采集策略进行多模态图像采集,可以根据所述属性信息确定所述图像采集策略,从而实现采集真实的多模态图像。
进一步的,在确定与所述属性信息匹配的图像采集策略的过程中,可以采用由多个子图像采集策略组合的方式确定,本实施例中,具体实现方式如下所述:
在所述目标业务预设的业务数据库中选择与所述属性信息匹配的多个子图像采集策略;
对所述多个子图像采集策略进行排序,并根据排序结果创建与所述用户匹配的所述图像采集策略。
具体的,所述子图像采集策略具体是指针对用户的各个特征分别进行采集的策略,如采集人脸图像的策略,采集肢体动作图像的策略,并且为了能够保证采集到的多模态图像的真实性,可以在所述子图像采集策略中添加具体采集指令,即采集频率,采集数量,采集时间等等,从而保证采集的多模态图像可以充分的反应用户在当前时刻的情感变化。
进一步的,由于不同的采集方式可能会引发用户脸部不同的变化,因此为了能够更加有效的采集真实的多模态图像,可以根据实际需求对各个子图像采集策略进行排序,从而获得与用户匹配程度较高的图像采集策略,以用于后续发送至所述客户端,由客户端对用户进行多模态图像的采集。
基于此,首先在所述目标业务预设的业务数据库中选择与所述属性信息匹配的多个子图像采集策略,之后对多个子图像采集策略中的各个子图像采集策略进行排序,最后根据排序结果即可确定与所述用户匹配程度较高的图像采集策略。
例如,用户申请加入互助保险项目,通过读取用户的属性信息,确定用户的职业是电焊工人,由于电焊工作会对用户的眼睛和手部造成损伤,因此此时可以根据用户的属性信息,在互助保险项目预设的业务数据库中选择眼睛图像采集策略、手部图像采集策略和脸部图像采集策略,之后眼睛图像采集策略作为第一采集策略,将手部图像采集策略作为第二采集策略,将脸部图像采集策略作为附属图像采集策略,组合出与该用户匹配的图像采集策略;当客户端接收到图像采集策略后,将引导用户进行手部图像采集和眼部图像采集,同时附属图像采集策略-脸部图像采集策略将每隔设定时间对用户进行脸部图像采集,以发送至服务端,用于分析引导用户时用户的脸部变化情况。
综上,通过采用多个子图像采集策略组合的方式确定与所述用户匹配的图像采集策略,不仅可以保证客户端采集的多模态图像是服务端核验过程需要的,还能够保证针对不同的用户采用不同的图像采集方式进行多模态图像的采集,从而实现服务端可以分析用户的瞬时情感信息,辅助进行后续的核验处理。
另一方面,为了能够保证采集用户的多模态图像的真实性,在确定所述图像采集策略时,可以结合问题信息生成,以通过问题信息潜在引导用户作出不同的脸部或肢体的变化,从而方便后续进行核验处理,本实施例中,具体实现返方式如下所述:
在所述目标业务预设的业务数据库中选择与所述属性信息匹配的子图像采集策略和问题信息;
将所述子图像采集策略和所述问题信息进行组合,生成与所述用户匹配的所述图像采集策略。
具体的,所述问题信息具体是指与用户的属性信息相关的信息,用于向用户提出问题,实现在图像采集时可以对回答问题的用户的肢体变化或脸部变化进行图像采集;本实施例中,所述子图像采集策略具体是指采集肢体图像和脸部图像的采集策略,其中包含采集时间,采集间隔,采集数量等。
基于此,首先在所述目标业务预设的业务数据库中读取与所述属性信息匹配的子图像采集策略和问题信息,之后将问题信息和所述子图像采集策略进行整合,即可得到与用户匹配的图像采集策略。
实际应用中,在客户端对用户进行图像采集时,可以根据所述图像采集策略调用客户端的前置摄像头进行脸部图像的采集,此时可以将问题信息展示在客户端的屏幕上,用于在脸部图像采集时,引导用户如何进行脸部图像采集,同时引导用户进行问题的答复,在用户回答问题的过程中,即可根据所述图像采集策略对用户的脸部图像进行采集,从而实现采集用户较为真实的多模态图像,以用于后续的核验处理操作。
例如,用户申请加入互助保险项目,通过读取用户的属性信息,确定用户的职业是电焊工人,由于电焊工作会对用户的眼睛和手部造成损伤,因此此时可以根据用户的属性信息,在互助保险项目预设的业务数据库中选择脸部图像采集策略和问题信息“1.您的眼睛经常疼痛吗?;2.您戴眼镜吗?;3.您手部有灼伤吗?4.您……”,之后基于脸部图像采集策略和问题信息生成与用户匹配的图像采集策略,并将图像采集策略发送至用户持有的客户端即可;当客户端通过图像采集策略对用户的多模态图像进行采集时,可以将问题信息通过屏幕向用户进行展示,再用户回答问题信息同时可以进行图像采集,以实现获得多模态图像,用于后续的核验处理操作。
步骤S306,将所述图像采集策略发送至所述客户端,并接收所述客户端针对所述图像采集策略反馈的多模态图像。
具体的,在上述获得所述图像采集策略的基础上,进一步的,此时可以将所述图像采集策略发送至所述客户端,由客户端根据所述图像采集策略中的策略信息对所述用户进行多模态图像的采集,之后接收所述客户端针对所述图像采集策略反馈的多模态图像,以用于后续的核验处理操作。
步骤S308,基于所述目标业务的核验策略对所述多模态图像和所述属性信息进行核验,根据核验结果生成反馈信息并发送至所述客户端。
具体的,在获得所述多模态图像之后,即可根据所述多模态图像和所述属性信息对用户参与所述目标业务的申请进行核验,最后根据核验结果即可生成反馈信息并发送至所述客户端。
进一步的,在通过所述核验策略对所述多模态图像和所述属性信息进行核验的过程中,可以通过图4所示的步骤S3082至步骤S3084实现:
步骤S3082,将所述多模态图像输入至识别模块进行处理,获得所述识别模块输出的所述用户的多模态信息;
具体的,在上述接收到包含属性信息和多模态图像的参与请求的基础上,进一步的,根据所述参与请求确定用户需要加入所述目标业务,而由于目标业务可以向用户提供相应的业务服务,因此为了避免用户恶意偏于业务服务的问题发生,将根据所述参与请求触发对用户进行核验的处理,即将所述多模态图像输入至识别模块进行处理,以获得所述用户的多模态信息,其中,所述识别模块具体是指集成识别模型的模块,通过识别模块可以从图像维度分析用户的参与行为是否合规,相应的,所述多模态信息具体是指所述识别模块根据用户的多模态图像分析出用户是否存在欺诈行为的相关信息;如采集到的多模态图像中用户眼睛未直视摄像头,并且脸部发红,此时将多模态图像输入至所述识别模块进行处理,识别模块处理后输出的多模态信息可以是“高风险”,用于辅助后续进行核验处理的过程。
进一步的,所述识别模块中可以包含一个或多个识别模型,各个识别模型可以分别针对用户的不同多模态图像进行识别处理,如多模态图像中包含人脸图像和肢体图像,则可以由识别模块中的人脸识别模型和肢体识别模型分别进行处理,获得与人脸图像相关的识别信息,以及与肢体图像相关的识别信息,通过将识别信息进行整合并处理,即可确定所述用户对应的多模态信息,而无论是何种类型的识别模型都需要经过预先的训练获得,本实施例中,以任意一个类型的识别模型的训练过程进行描述,其他类型的识别模型的训练过程均可参见本实施例:
读取预设的样本集,获得样本多模态图像以及所述样本多模态图像对应的样本多模态信息;
基于所述样本多模态图像和所述样本多模态信息对初始识别模型进行训练,获得所述识别模型。
具体的,首先读取预设的样本集,根据读取结果获得大量的样本多模态图像,以及样本多模态图像对应的样本多模态信息,之后基于样本多模态信息和样本多模态图像组成大量的样本对,对初始识别模型进行训练,直至获得满足训练停止条件的模型,即可作为后续核验处理需要使用的所述识别模型,其中,训练停止条件可以是监控训练过程中损失函数的损失值,也可以是分析识别模型的识别精准度,本实施例在此不作任何限定。实际应用中,所述识别模型可以采用卷积神经网络构建。
进一步的,所述识别模型也可以对多模态图像进行处理后输出其对应的分值,此时识别模块可以通过查表的方式确定所述多模态信息并输出,本实施例中,具体实现方式如下所述:
将所述多模态图像输入至所述识别模块,通过所述识别模块中的提取子模块对所述多模态图像进行处理,获得多模态特征;
将所述多模态特征输入至所述识别模块中的识别模型进行处理,获得所述多模态图像对应的特征分值;
基于所述特征分值查询预设的信息表获得所述多模态信息,并通过所述识别模块中的输出子模块输出所述多模态信息。
具体的,所述提取子模块具体是指从所述多模态图像中提取多模态特征的模块,相应的,所述多模态特征具体是指通过向量表征多模态图像的一种表达形式,所述特征分值具体是指分析用户是否存在欺诈行为的分值,所述特征分值越低,说明用户存在欺诈的可能就越高,反之所述特征分值越高,说明用户存在欺诈的可能就越低;所述预设的信息表具体是指存储有特征分值和多模态信息对应关系的表。
基于此,首先将所述多模态图像输入至所述识别模块,通过所述识别模块中的提取子模块提取所述多模态图像的多模态特征,其次将所述多模态特征输入至所述识别模块中的识别模型进行处理,以获得所述多模态图像对应的特征分值,最后基于所述特征分值查询预设的信息表,即可确定与所述特征分值对应的多模态信息,并通过识别模块中的输出子模块输出所述多模态信息即可,以用于后续可以结合多模态信息对用户加入目标业务的申请进行审核,提高核验精准度。
举例说明,在接收到用户请求参与互助保险项目的参与请求的情况下,将提取参与请求中包含的多模态图像和属性信息,其中多模态图像为用户的人脸图像,属性信息包括用户的年龄22岁,性别男,姓名甲,未婚,疾病信息等;之后将用户的人脸图像输入至识别模型进行处理,获得识别模型输出的特征分值是85分,此时通过特征分值查询预设的信息表(如表1),确定多模态信息为“用户表情复杂,存在高风险”,以用于后续结合属性信息对用户进行进一步的核保处理。
综上,通过查表的方式快速的确定所述特征分值对应的多模态信息,可以有效的提高后续进行核验处理的效率,从而实现对用户进行核验时,可以保证核验精准度的同时,避免核验效率降低影响用户的参与体验。
此外,由于用户的情感发生变化时,不仅可能造成脸部表情的变化,还可能造成肢体动作的变换,因此为了能够保证识别模块输出的多模态信息可以提高后续的核验精准度,在对用户的多模态图像进行识别处理时,可以选择不同的识别模型分别对不同类型的图像进行处理,本实施例中,具体实现方式如下所述:
将所述多模态图像输入至所述识别模块,通过所述识别模块中的分类子模块对所述多模态图像进行处理,获得所述多模态图像对应的图像类型;
选择与所述图像类型匹配的识别模型对所述多模态图像进行处理,获得所述多模态信息并输出。
具体的,所述图像类型具体是指与多模态图像中用户特征对应的类型,如多模态图像中包含用户的人脸图像和肢体图像,则此时可以确定人脸图像对应的图像类型为表情类型,肢体图像对应的图像类型为动作类型,而在进行模型识别时,为了提高识别模块输出的多模态信息的精准度,将采用与图像类型相同的识别模型进行识别处理。
基于此,将所述多模态图像输入至所述识别模块后,通过所述识别模块中的分类子模块对所述多模态图像进行处理,即可确定所述多模态图像的图像类型,之后选择与图像类型匹配的识别模型对所述多模态图像进行处理,即可获得所述多模态信息,需要说明的是,本实施例中,与图像类型匹配的识别模型的输出结果也可以是特征分值,之后可以取各个识别模型输出的特征分值的平均值用于读取信息表,以获得所述多模态信息,并输出即可。
例如,多模态图像中包含用户的3张人脸图像和用户的5张手图像,通过对人脸图像进行分析确定图像类型为表情类型,通过对手图像进行分析确定图像类型为动作类型,之后将3张人脸图像输入至与表情类型匹配的识别模型进行处理,获得的特征分值分别为10,15,10;同时将5张手图像输入至与动作类型匹配的识别模型进行处理,获得的特征分值分别为20,15,5,8,1;之后通过取特征分值的平均值确定目标特征分值是10.5,最后通过查表可知多模态信息为“表情/动作简单,无风险”,以用于后续结合属性信息对用户进行进一步的核保处理。
综上,通过采用不同类型的识别模型对不同类型的多模态图像进行处理,不仅可以通过并行处理多模态图像提高处理效率,还能够保证输出的多模态信息的精准度,从而进一步提高后续核验的精准度。
步骤S3084,基于所述目标业务的核验策略对所述多模态信息和所述属性信息进行核验。
具体的,在上述获得所述属性信息和所述多模态信息的基础上,进一步的,此时即可根据所述目标业务预设的核验策略对所述属性信息和所述多模态信息分别进行核验,实现在多个维度对用户的申请操作进行核验,以避免非正常用户采用非正常的手段影响目标业务的正常运行;其中,所述核验策略具体是指对用户参与目标业务的申请进行检测审核的策略。
进一步的,在对所述属性信息和所述多模态信息进行核验的过程中,由于属性信息和所述多模态信息分别属于不同的维度,因此需要采用不同的核验策略分别对不同的信息进行核验,本实施例中,具体实现方式如下所述:
对所述核验策略进行解析,获得属性核验策略以及多模态核验策略;
基于所述属性核验策略对所述属性信息进行核验,以及基于所述多模态核验策略对所述多模态信息进行核验。
具体的,所述属性核验策略具体是指对所述属性信息进行核验的策略,可以是核验用户年龄是否合格,核验身份健康是否合格,核验用户家庭信息是否合格等;相应的,所述多模态核验策略具体是指对所述多模态信息进行核验的策略,可以是核验用户是否为欺诈低风险,是否为欺诈中风险,是否为欺诈高风险等。
基于此,在获得所述属性信息和所述多模态信息之后,此时可以开始对所述用户进行核验,读取所述目标业务预设的核验策略,之后对所述核验策略进行解析,获得对属性信息进行核验的属性核验策略,以及对多模态信息进行核验的多模态核验策略,最后基于属性核验策略对所述属性信息进行核验,以及基于所述多模态核验策略对所述多模态信息进行核验即可。
沿用上例,在确定多模态信息为“用户表情复杂,存在高风险”,以及属性信息为“用户的年龄22岁,性别男,姓名甲,未婚,未患病”的情况下,此时将读取互助保险项目预设的核验策略,根据核验策略确定属性核验策略是“年龄低于50岁,性别不限,婚姻情况不限,未患重大疾病”,多模态核验策略是“低于中高风险”,之后基于属性核验策略对用户的属性信息进行核验,同时基于多模态核验策略对用户的多模态信息进行核验,确定用户通过了属性核验策略,但是未通过多模态核验策略,之后后续即可根据核验结果进行拒绝/允许的相应操作即可。
实际应用中,由于不同的目标业务具有不同的业务服务范围,因此不同的目标业务可以采用不同的核验机制,即如果目标业务涉及参与方的利益较大,则可以设定属性核验策略和多模态核验策略都通过的情况下,才能够允许用户参与所述目标业务;如果目标业务涉及参与方的利益较小,则可以设定属性核验策略或多模态核验策略有一个通过的情况下,即可允许用户参与所述目标业务。
需要说明的是,无论是保险业务还是互助保险业务,都会涉及较多的资金,因此为了能够有效的避免非正常用户的欺诈行为,可以采用属性核验策略和多模态核验策略都限定的方式对用户的申请进行核验,从而提高目标业务场景中的安全性。
此外,在所述核验结果为核验未通过的情况下,说明用户在参与所述目标业务的过程中,可能存在属性信息不合格,或者故意欺诈的行为,则可以生成所述用户参与所述目标业务未通过的第一提醒信息,将所述第一提醒信息作为所述反馈信息,并发送至所述客户端即可,其中,所述第一提醒信息用于提醒所述用户未成功加入所述目标业务,并且为了方便用户确定未加入的原因,在生成所述第一提醒信息时,可以将用户未通过的原因也加入所述第一提醒信息中;在所述核验结果为核验通过的情况下,说明用户符合参与所述目标业务的全部标准,则可以生成所述用户参与所述目标业务通过的第二提醒信息,将所述第二提醒信息作为所述反馈信息,并发送至所述客户端即可;其中,所述第二提醒信息用户提醒用户成功加入所述目标业务,同时为了能够方便用户对目标业务进行充分的了解,可以在所述第二提醒信息中添加所述目标业务对应的描述信息。
进一步的,在用户未成功参与所述目标业务的情况下,未通过的原因可能是多种原因导致,如属性信息不合格或多模态信息不合格,而为了能够向用户提供一定的业务服务,此时可以根据核验结果确定推荐业务信息,并向客户端的用户发送所述推荐业务信息,本实施例中,具体实现方式如下所述:
在所述反馈信息为所述第一提醒信息的情况下,根据所述核验结果确定推荐业务信息;
将所述推荐业务信息发送至所述客户端。
具体的,所述推荐业务信息具体是指向用户推荐其他相关业务所对应的信息,基于此,在确定所述反馈信息为所述第一提醒信息的情况下,此时说明用户未成功参与所述目标业务,则可以根据核验结果确定符合用户参与的推荐业务,并确定所述推荐业务的推荐业务信息,之后将所述推荐业务信息发送至所述客户端即可。
沿用上例,在确定用户未通过互助保险项目的核验策略的情况下,通过分析确定用户未通过的原因是隐瞒病情,用户患有心脏病,而心脏病为互助保险项目中所保的疾病,因此此时向用户发送的反馈信息为“由于您患有心脏病,无法加入本项目”,同时为了能够避免用户的流失,可以向用户推荐互助保险项目A,互助保险项目B等,其他用户可以参与的项目,以提高用户的参与体验。
本实施例提供的信息处理方法,实现了在对用户参与所述目标业务的过程中,结合用户的多模态信息辅助核验处理过程,以提高用户参与目标业务时的核验精准度,从而对非正常用户使用非正常手段参与所述目标业务的手段进行防控,避免目标业务所属的业务方产生损失。
与上述方法实施例相对应,本说明书还提供了信息处理装置实施例,图5示出了本说明书一实施例提供的一种信息处理装置的结构示意图。如图5所示,该装置包括:
接收模块502,被配置为接收客户端上传的参与请求,所述参与请求中携带有参与目标业务的用户的属性信息和多模态图像;
处理模块504,被配置为将所述多模态图像输入至识别模块进行处理,获得所述识别模块输出的所述用户的多模态信息;
核验模块506,被配置为基于所述目标业务的核验策略对所述属性信息和所述多模态信息进行核验;
发送模块508,被配置为根据核验结果生成所述用户参与所述目标业务的反馈信息,并将所述反馈信息发送至所述客户端。
一个可选的实施例中,所述识别模块中包含至少一个识别模型,所述识别模型通过如下方式训练:
读取预设的样本集,获得样本多模态图像以及所述样本多模态图像对应的样本多模态信息;基于所述样本多模态图像和所述样本多模态信息对初始识别模型进行训练,获得所述识别模型。
一个可选的实施例中,所述处理模块504进一步被配置为:
将所述多模态图像输入至所述识别模块,通过所述识别模块中的提取子模块对所述多模态图像进行处理,获得多模态特征;将所述多模态特征输入至所述识别模块中的识别模型进行处理,获得所述多模态图像对应的特征分值;基于所述特征分值查询预设的信息表获得所述多模态信息,并通过所述识别模块中的输出子模块输出所述多模态信息。
一个可选的实施例中,所述处理模块504进一步被配置为:
将所述多模态图像输入至所述识别模块,通过所述识别模块中的分类子模块对所述多模态图像进行处理,获得所述多模态图像对应的图像类型;选择与所述图像类型匹配的识别模型对所述多模态图像进行处理,获得所述多模态信息并输出。
一个可选的实施例中,所述核验模块506进一步被配置为:
对所述核验策略进行解析,获得属性核验策略以及多模态核验策略;基于所述属性核验策略对所述属性信息进行核验,以及基于所述多模态核验策略对所述多模态信息进行核验。
一个可选的实施例中,所述发送模块508进一步被配置为:
在所述核验结果为核验未通过的情况下,生成所述用户参与所述目标业务未通过的第一提醒信息,将所述第一提醒信息作为所述反馈信息;在所述核验结果为核验通过的情况下,生成所述用户参与所述目标业务通过的第二提醒信息,将所述第二提醒信息作为所述反馈信息。
一个可选的实施例中,所述信息处理装置,还包括:
推荐模块,被配置为在所述反馈信息为所述第一提醒信息的情况下,根据所述核验结果确定推荐业务信息;将所述推荐业务信息发送至所述客户端。
本实施例提供的信息处理方法,在接收到携带有属性信息和多模态图像的参与请求后,将结合识别模型对多模态图像进行处理,获得所述用户对应的多模态信息,之后再基于所述目标业务的核验策略对所述属性信息和所述多模态信息进行核验,以实现根据核验结果确定用户是否可以参与所述目标业务,此时将根据核验结果生成用户参与所述目标业务的反馈信息,最后将所述反馈信息发送至所述客户端,实现了在对用户参与所述目标业务的过程中,结合用户的多模态信息辅助核验处理过程,以提高用户参与目标业务时的核验精准度,从而对非正常用户使用非正常手段参与所述目标业务的手段进行防控,避免目标业务所属的业务方产生损失。
上述为本实施例的一种信息处理装置的示意性方案。需要说明的是,该信息处理装置的技术方案与上述的第一种信息处理方法的技术方案属于同一构思,信息处理装置的技术方案未详细描述的细节内容,均可以参见上述第一种信息处理方法的技术方案的描述。
与上述方法实施例相对应,本说明书还提供了另一种信息处理装置实施例,图6示出了本说明书一实施例提供的另一种信息处理装置的结构示意图。如图6所示,该装置包括:
接收请求模块602,被配置为接收客户端上传的参与请求,所述参与请求中携带有参与目标业务的用户的身份标识;
确定策略模块604,被配置为根据所述身份标识读取所述用户的属性信息,并基于所述属性信息确定与所述用户匹配的图像采集策略;
接收图像模块606,被配置为将所述图像采集策略发送至所述客户端,并接收所述客户端针对所述图像采集策略反馈的多模态图像;
发送信息模块608,被配置为基于所述目标业务的核验策略对所述多模态图像和所述属性信息进行核验,根据核验结果生成反馈信息并发送至所述客户端。
一个可选的实施例中,所述确定策略模块604进一步被配置为:
在所述目标业务预设的业务数据库中选择与所述属性信息匹配的多个子图像采集策略;对所述多个子图像采集策略进行排序,并根据排序结果创建与所述用户匹配的所述图像采集策略。
一个可选的实施例中,所述确定策略模块604进一步被配置为:
在所述目标业务预设的业务数据库中选择与所述属性信息匹配的子图像采集策略和问题信息;将所述子图像采集策略和所述问题信息进行组合,生成与所述用户匹配的所述图像采集策略。
一个可选的实施例中,所述发送信息模块608进一步被配置为:
将所述多模态图像输入至识别模块进行处理,获得所述识别模块输出的所述用户的多模态信息;基于所述目标业务的核验策略对所述多模态信息和所述属性信息进行核验。
一个可选的实施例中,所述识别模块中包含至少一个识别模型,所述识别模型通过如下方式训练:
读取预设的样本集,获得样本多模态图像以及所述样本多模态图像对应的样本多模态信息;基于所述样本多模态图像和所述样本多模态信息对初始识别模型进行训练,获得所述识别模型。
一个可选的实施例中,所述发送信息模块608进一步被配置为:
将所述多模态图像输入至所述识别模块,通过所述识别模块中的提取子模块对所述多模态图像进行处理,获得多模态特征;将所述多模态特征输入至所述识别模块中的识别模型进行处理,获得所述多模态图像对应的特征分值;基于所述特征分值查询预设的信息表获得所述多模态信息,并通过所述识别模块中的输出子模块输出所述多模态信息。
一个可选的实施例中,所述发送信息模块608进一步被配置为:
将所述多模态图像输入至所述识别模块,通过所述识别模块中的分类子模块对所述多模态图像进行处理,获得所述多模态图像对应的图像类型;选择与所述图像类型匹配的识别模型对所述多模态图像进行处理,获得所述多模态信息并输出。
一个可选的实施例中,所述发送信息模块608进一步被配置为:
对所述核验策略进行解析,获得属性核验策略以及多模态核验策略;基于所述属性核验策略对所述属性信息进行核验,以及基于所述多模态核验策略对所述多模态信息进行核验。
一个可选的实施例中,所述发送信息模块608进一步被配置为:
在所述核验结果为核验未通过的情况下,生成所述用户参与所述目标业务未通过的第一提醒信息,将所述第一提醒信息作为所述反馈信息并发送至所述客户端;在所述核验结果为核验通过的情况下,生成所述用户参与所述目标业务通过的第二提醒信息,将所述第二提醒信息作为所述反馈信息并发送至所述客户端。
一个可选的实施例中,所述信息处理装置,还包括:
发送推荐业务信息模块,被配置为在所述反馈信息为所述第一提醒信息的情况下,根据所述核验结果确定推荐业务信息;将所述推荐业务信息发送至所述客户端。
本实施例提供的另一种信息处理方法,实现了在对用户参与所述目标业务的过程中,结合用户的多模态信息辅助核验处理过程,以提高用户参与目标业务时的核验精准度,从而对非正常用户使用非正常手段参与所述目标业务的手段进行防控,避免目标业务所属的业务方产生损失。
上述为本实施例的另一种信息处理装置的示意性方案。需要说明的是,该另一种信息处理装置的技术方案与上述的另一种信息处理方法的技术方案属于同一构思,另一种信息处理装置的技术方案未详细描述的细节内容,均可以参见上述另一种信息处理方法的技术方案的描述。
图7示出了根据本说明书一实施例提供的一种计算设备700的结构框图。该计算设备700的部件包括但不限于存储器710和处理器720。处理器720与存储器710通过总线730相连接,数据库750用于保存数据。
计算设备700还包括接入设备740,接入设备740使得计算设备700能够经由一个或多个网络760通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备740可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本说明书的一个实施例中,计算设备700的上述部件以及图7中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图7所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备700可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备700还可以是移动式或静止式的服务器。其中,处理器720用于执行如下计算机可执行指令时,可以实现上述两种信息处理方法的过程。
上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的信息处理方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述信息处理方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时以用于实现上述两种信息处理方法,上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的信息处理方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述信息处理方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书并不受所描述的动作顺序的限制,因为依据本说明书,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (21)
1.一种信息处理方法,包括:
接收客户端上传的参与请求,所述参与请求中携带有参与目标业务的用户的属性信息和多模态图像;
将所述多模态图像输入至识别模块进行处理,获得所述识别模块输出的所述用户的多模态信息;
基于所述目标业务的核验策略对所述属性信息和所述多模态信息进行核验;
根据核验结果生成所述用户参与所述目标业务的反馈信息,并将所述反馈信息发送至所述客户端。
2.根据权利要求1所述的信息处理方法,所述识别模块中包含至少一个识别模型,所述识别模型通过如下方式训练:
读取预设的样本集,获得样本多模态图像以及所述样本多模态图像对应的样本多模态信息;
基于所述样本多模态图像和所述样本多模态信息对初始识别模型进行训练,获得所述识别模型。
3.根据权利要求1所述的信息处理方法,所述将所述多模态图像输入至识别模块进行处理,获得所述识别模块输出的所述用户的多模态信息,包括:
将所述多模态图像输入至所述识别模块,通过所述识别模块中的提取子模块对所述多模态图像进行处理,获得多模态特征;
将所述多模态特征输入至所述识别模块中的识别模型进行处理,获得所述多模态图像对应的特征分值;
基于所述特征分值查询预设的信息表获得所述多模态信息,并通过所述识别模块中的输出子模块输出所述多模态信息。
4.根据权利要求1所述的信息处理方法,所述将所述多模态图像输入至识别模块进行处理,获得所述识别模块输出的所述用户的多模态信息,包括:
将所述多模态图像输入至所述识别模块,通过所述识别模块中的分类子模块对所述多模态图像进行处理,获得所述多模态图像对应的图像类型;
选择与所述图像类型匹配的识别模型对所述多模态图像进行处理,获得所述多模态信息并输出。
5.根据权利要求1所述的信息处理方法,所述基于所述目标业务的核验策略对所述属性信息和所述多模态信息进行核验,包括:
对所述核验策略进行解析,获得属性核验策略以及多模态核验策略;
基于所述属性核验策略对所述属性信息进行核验,以及基于所述多模态核验策略对所述多模态信息进行核验。
6.根据权利要求1或5所述的信息处理方法,所述根据核验结果生成所述用户参与所述目标业务的反馈信息,包括:
在所述核验结果为核验未通过的情况下,生成所述用户参与所述目标业务未通过的第一提醒信息,将所述第一提醒信息作为所述反馈信息;
在所述核验结果为核验通过的情况下,生成所述用户参与所述目标业务通过的第二提醒信息,将所述第二提醒信息作为所述反馈信息。
7.根据权利要求6所述的信息处理方法,所述将所述反馈信息发送至所述客户端步骤执行之后,还包括:
在所述反馈信息为所述第一提醒信息的情况下,根据所述核验结果确定推荐业务信息;
将所述推荐业务信息发送至所述客户端。
8.一种信息处理装置,包括:
接收模块,被配置为接收客户端上传的参与请求,所述参与请求中携带有参与目标业务的用户的属性信息和多模态图像;
处理模块,被配置为将所述多模态图像输入至识别模块进行处理,获得所述识别模块输出的所述用户的多模态信息;
核验模块,被配置为基于所述目标业务的核验策略对所述属性信息和所述多模态信息进行核验;
发送模块,被配置为根据核验结果生成所述用户参与所述目标业务的反馈信息,并将所述反馈信息发送至所述客户端。
9.一种信息处理方法,包括:
接收客户端上传的参与请求,所述参与请求中携带有参与目标业务的用户的身份标识;
根据所述身份标识读取所述用户的属性信息,并基于所述属性信息确定与所述用户匹配的图像采集策略;
将所述图像采集策略发送至所述客户端,并接收所述客户端针对所述图像采集策略反馈的多模态图像;
基于所述目标业务的核验策略对所述多模态图像和所述属性信息进行核验,根据核验结果生成反馈信息并发送至所述客户端。
10.根据权利要求9所述的信息处理方法,所述基于所述属性信息确定与所述用户匹配的图像采集策略,包括:
在所述目标业务预设的业务数据库中选择与所述属性信息匹配的多个子图像采集策略;
对所述多个子图像采集策略进行排序,并根据排序结果创建与所述用户匹配的所述图像采集策略。
11.根据权利要求9所述的信息处理方法,所述基于所述属性信息确定与所述用户匹配的图像采集策略,包括:
在所述目标业务预设的业务数据库中选择与所述属性信息匹配的子图像采集策略和问题信息;
将所述子图像采集策略和所述问题信息进行组合,生成与所述用户匹配的所述图像采集策略。
12.根据权利要求9所述的信息处理方法,所述基于所述目标业务的核验策略对所述多模态图像和所述属性信息进行核验,包括:
将所述多模态图像输入至识别模块进行处理,获得所述识别模块输出的所述用户的多模态信息;
基于所述目标业务的核验策略对所述多模态信息和所述属性信息进行核验。
13.根据权利要求12所述的信息处理方法,所述识别模块中包含至少一个识别模型,所述识别模型通过如下方式训练:
读取预设的样本集,获得样本多模态图像以及所述样本多模态图像对应的样本多模态信息;
基于所述样本多模态图像和所述样本多模态信息对初始识别模型进行训练,获得所述识别模型。
14.根据权利要求12所述的信息处理方法,所述将所述多模态图像输入至识别模块进行处理,获得所述识别模块输出的所述用户的多模态信息,包括:
将所述多模态图像输入至所述识别模块,通过所述识别模块中的提取子模块对所述多模态图像进行处理,获得多模态特征;
将所述多模态特征输入至所述识别模块中的识别模型进行处理,获得所述多模态图像对应的特征分值;
基于所述特征分值查询预设的信息表获得所述多模态信息,并通过所述识别模块中的输出子模块输出所述多模态信息。
15.根据权利要求12所述的信息处理方法,所述将所述多模态图像输入至识别模块进行处理,获得所述识别模块输出的所述用户的多模态信息,包括:
将所述多模态图像输入至所述识别模块,通过所述识别模块中的分类子模块对所述多模态图像进行处理,获得所述多模态图像对应的图像类型;
选择与所述图像类型匹配的识别模型对所述多模态图像进行处理,获得所述多模态信息并输出。
16.根据权利要求12所述的信息处理方法,所述基于所述目标业务的核验策略对所述多模态信息和所述属性信息进行核验,包括:
对所述核验策略进行解析,获得属性核验策略以及多模态核验策略;
基于所述属性核验策略对所述属性信息进行核验,以及基于所述多模态核验策略对所述多模态信息进行核验。
17.根据权利要求9所述的信息处理方法,所述根据核验结果生成反馈信息并发送至所述客户端,包括:
在所述核验结果为核验未通过的情况下,生成所述用户参与所述目标业务未通过的第一提醒信息,将所述第一提醒信息作为所述反馈信息并发送至所述客户端;
在所述核验结果为核验通过的情况下,生成所述用户参与所述目标业务通过的第二提醒信息,将所述第二提醒信息作为所述反馈信息并发送至所述客户端。
18.根据权利要求17所述的信息处理方法,所述根据核验结果生成反馈信息并发送至所述客户端步骤执行之后,还包括:
在所述反馈信息为所述第一提醒信息的情况下,根据所述核验结果确定推荐业务信息;
将所述推荐业务信息发送至所述客户端。
19.一种信息处理装置,包括:
接收请求模块,被配置为接收客户端上传的参与请求,所述参与请求中携带有参与目标业务的用户的身份标识;
确定策略模块,被配置为根据所述身份标识读取所述用户的属性信息,并基于所述属性信息确定与所述用户匹配的图像采集策略;
接收图像模块,被配置为将所述图像采集策略发送至所述客户端,并接收所述客户端针对所述图像采集策略反馈的多模态图像;
发送信息模块,被配置为基于所述目标业务的核验策略对所述多模态图像和所述属性信息进行核验,根据核验结果生成反馈信息并发送至所述客户端。
20.一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令时实现权利要求1至7或9至18任意一项所述方法的步骤。
21.一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现权利要求1至7或9至18任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110177621.7A CN112991076A (zh) | 2021-02-08 | 2021-02-08 | 信息处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110177621.7A CN112991076A (zh) | 2021-02-08 | 2021-02-08 | 信息处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112991076A true CN112991076A (zh) | 2021-06-18 |
Family
ID=76392672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110177621.7A Pending CN112991076A (zh) | 2021-02-08 | 2021-02-08 | 信息处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991076A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743522A (zh) * | 2021-09-13 | 2021-12-03 | 五八同城信息技术有限公司 | 违规行为的检测方法及装置、电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765175A (zh) * | 2018-06-01 | 2018-11-06 | 中国平安人寿保险股份有限公司 | 保单保全信息处理方法、装置、计算机设备和存储介质 |
CN109829358A (zh) * | 2018-12-14 | 2019-05-31 | 深圳壹账通智能科技有限公司 | 微表情贷款控制方法、装置、计算机设备及存储介质 |
CN110362700A (zh) * | 2019-06-17 | 2019-10-22 | 中国平安财产保险股份有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
CN110427803A (zh) * | 2019-06-18 | 2019-11-08 | 平安科技(深圳)有限公司 | 基于视频分析的测谎方法、装置、电子设备及存储介质 |
WO2020128999A1 (en) * | 2018-12-20 | 2020-06-25 | Cm Profiling Sàrl | System and method for reading and analysing behaviour including verbal, body language and facial expressions in order to determine a person's congruence |
-
2021
- 2021-02-08 CN CN202110177621.7A patent/CN112991076A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765175A (zh) * | 2018-06-01 | 2018-11-06 | 中国平安人寿保险股份有限公司 | 保单保全信息处理方法、装置、计算机设备和存储介质 |
CN109829358A (zh) * | 2018-12-14 | 2019-05-31 | 深圳壹账通智能科技有限公司 | 微表情贷款控制方法、装置、计算机设备及存储介质 |
WO2020128999A1 (en) * | 2018-12-20 | 2020-06-25 | Cm Profiling Sàrl | System and method for reading and analysing behaviour including verbal, body language and facial expressions in order to determine a person's congruence |
CN110362700A (zh) * | 2019-06-17 | 2019-10-22 | 中国平安财产保险股份有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
CN110427803A (zh) * | 2019-06-18 | 2019-11-08 | 平安科技(深圳)有限公司 | 基于视频分析的测谎方法、装置、电子设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743522A (zh) * | 2021-09-13 | 2021-12-03 | 五八同城信息技术有限公司 | 违规行为的检测方法及装置、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10628571B2 (en) | Systems and methods for high fidelity multi-modal out-of-band biometric authentication with human cross-checking | |
CN107220590B (zh) | 一种基于活体检测的防作弊网络调研方法、装置及系统 | |
US8600100B2 (en) | Method of assessing people's self-presentation and actions to evaluate personality type, behavioral tendencies, credibility, motivations and other insights through facial muscle activity and expressions | |
US11151385B2 (en) | System and method for detecting deception in an audio-video response of a user | |
EP2995040B1 (en) | Systems and methods for high fidelity multi-modal out-of-band biometric authentication | |
CN110796054B (zh) | 证件验真方法及装置 | |
KR102297947B1 (ko) | 온라인 면접을 제공하는 방법, 시스템 및 컴퓨터-판독가능 매체 | |
CN110895568B (zh) | 处理庭审记录的方法和系统 | |
CN111353366A (zh) | 一种情绪检测方法及装置、电子设备 | |
CN111553189A (zh) | 基于视频信息的数据验证方法、装置及存储介质 | |
WO2020128999A1 (en) | System and method for reading and analysing behaviour including verbal, body language and facial expressions in order to determine a person's congruence | |
CN113642507A (zh) | 基于多摄像头同人检测的考试监控方法、系统、设备及介质 | |
US11295117B2 (en) | Facial modelling and matching systems and methods | |
CN116132637A (zh) | 在线考试监控系统及方法、电子设备和存储介质 | |
CN112991076A (zh) | 信息处理方法及装置 | |
Vance et al. | Deception detection and remote physiological monitoring: A dataset and baseline experimental results | |
CN111401854A (zh) | 信息处理方法以及装置 | |
CN115906028A (zh) | 用户身份验证方法、装置和自助服务终端 | |
CN112819609A (zh) | 风险评估方法、设备、计算机可读存储介质及程序产品 | |
Abad et al. | An innovative approach on driver's drowsiness detection through facial expressions using decision tree algorithms | |
CN113870983A (zh) | 社康转诊方法、装置、计算机设备和存储介质 | |
JP2022100522A (ja) | 本人確認方法、プログラム、及び情報システム | |
CN113762969A (zh) | 信息处理方法、装置、计算机设备和存储介质 | |
CN110175624B (zh) | 项目准入审核方法以及装置 | |
JP7290704B1 (ja) | 調査集計システム |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211221 Address after: Room 610, floor 6, No. 618, Wai Road, Huangpu District, Shanghai 200010 Applicant after: Ant Shengxin (Shanghai) Information Technology Co.,Ltd. Address before: 801-11, Section B, 8th floor, 556 Xixi Road, Xihu District, Hangzhou City, Zhejiang Province, 310013 Applicant before: Alipay (Hangzhou) Information Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210618 |
|
RJ01 | Rejection of invention patent application after publication |