CN113132523A - 通话检测模型训练方法及通话检测方法 - Google Patents
通话检测模型训练方法及通话检测方法 Download PDFInfo
- Publication number
- CN113132523A CN113132523A CN202110418757.2A CN202110418757A CN113132523A CN 113132523 A CN113132523 A CN 113132523A CN 202110418757 A CN202110418757 A CN 202110418757A CN 113132523 A CN113132523 A CN 113132523A
- Authority
- CN
- China
- Prior art keywords
- call
- training
- classification information
- detection model
- recovered
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/24—Arrangements for testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Discrete Mathematics (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明涉及一种通话检测模型训练方法及通话检测方法,在获取到待回收智能设备的通话录音后,将通话录音作为训练数据,训练出标注有分类信息的通话训练数据,最后发掘通话训练数据中隐藏的分类信息,以获得通话检测模型。基于此,便于后续通过通话检测模型检测智能设备的通话状态,在保证通话检测的准确性的同时,提高通话检测的效率并降低检测的成本。
Description
技术领域
本发明涉及电子产品技术领域,特别是涉及一种通话检测模型训练方法及通话检测方法。
背景技术
随着电子产品技术的发展,各种智能设备层出不穷,例如智能手机、笔记本电脑和平板电脑等。其中,用户在使用这部分智能设备时,与智能设备进行人机交互的主要手段是通过智能设备的屏幕来实现的。因此,智能设备屏幕的好坏对用户的使用体验起到重要的影响。目前,伴随着经济和技术的高速发展,智能设备的普及和更新换代速度也越来越快。以智能手机为例,5G时代的到来,加速了智能手机的换代。在智能设备进行迭代的过程中,有效回收是智能设备剩余价值的有效利用手段之一,可减少对环境的化学污染以及减少浪费。
其中,在智能设备的回收过程中,其通话质量的好坏是决定智能设备的残值的重要参考。一般的,回收智能设备都会检测通话是否正常。通话异常会严重影响智能设备的正常使用,进而影响智能设备的残值率。因此,在智能设备的回收过程中,都需要检测通话是否正常为智能设备回收估价提供参考,降低回收亏本的风险。
传统的检测智能设备通话是否正常的方法主要是专业质检人员通过在一段时间内捕获通话功能软硬件的运行日志是否报错作为通话判断依据;或者,由专业质检人员在收到回收智能设备后,操作智能设备拨打电话,对智能设备通话功能进行观察,以判断该智能设备通话是否异常。然而,在回收时通过捕获运行日志的方法检准确率极低,大多是回收后人工操作对回收智能设备进行估价就起不了任何作用,只能影响后期毛利的计算,达不到回收时对智能设备通话是否异常进行检测的目的。而人工拨打电话进行检测十分耗费劳动力,且主观因素影响检测结果的稳定性和准确性,难以保证对通话检测的准确性。
由此可见,传统的通话检测方式还存在以上缺陷。
发明内容
基于此,有必要针对传统的通话检测方式还存在的缺陷,提供一种通话检测模型训练方法及通话检测方法。
一种通话检测模型训练方法,包括步骤:
获取待回收智能设备的通话录音;
将通话录音作为训练数据,训练出标注有分类信息的通话训练数据;
发掘通话训练数据中隐藏的分类信息,以获得通话检测模型。
上述的通话检测模型训练方法,在获取到待回收智能设备的通话录音后,将通话录音作为训练数据,训练出标注有分类信息的通话训练数据,最后发掘通话训练数据中隐藏的分类信息,以获得通话检测模型。基于此,便于后续通过通话检测模型检测智能设备的通话状态,在保证通话检测的准确性的同时,提高通话检测的效率并降低检测的成本。
在其中一个实施例中,获取待回收智能设备的通话录音的过程,包括步骤:
对待回收智能设备实现模拟电话拨打;
获取待回收智能设备在开始拨通电话后预设时间段的通话录音。
在其中一个实施例中,对待回收智能设备实现模拟电话拨打的过程,包括步骤:
在待回收智能设备内安装应用程序,以指示待回收智能设备根据应用程序完成电话拨打。
在其中一个实施例中,训练出标注有分类信息的通话训练数据的过程,包括步骤:
通过监督学习算法,训练出标注有分类信息的通话训练数据。
在其中一个实施例中,监督学习算法包括卷积神经网络算法、深度神经网络算法或循环神经网络算法。
在其中一个实施例中,发掘通话训练数据中隐藏的分类信息的过程,包括步骤:
通过聚类分析算法,发掘通话训练数据中隐藏的分类信息。
在其中一个实施例中,聚类分析算法包括k均值聚类算法、球面聚类算法或凝聚层次聚类。
在其中一个实施例中,分类信息包括用于表征通话清晰、通话一般、通话不清晰或通话异常的标签。
一种通话检测模型训练装置,包括:
录音获取模块,用于获取待回收智能设备的通话录音;
第一训练模块,用于将通话录音作为训练数据,训练出标注有分类信息的通话训练数据;
第二训练模块,用于发掘通话训练数据中隐藏的分类信息,以获得通话检测模型。
上述的通话检测模型训练装置,在获取到待回收智能设备的通话录音后,将通话录音作为训练数据,训练出标注有分类信息的通话训练数据,最后发掘通话训练数据中隐藏的分类信息,以获得通话检测模型。基于此,便于后续通过通话检测模型检测智能设备的通话状态,在保证通话检测的准确性的同时,提高通话检测的效率并降低检测的成本。
一种计算机存储介质,其上存储有计算机指令,计算机指令被处理器执行时实现上述任一实施例的通话检测模型训练方法。
上述的计算机存储介质,在获取到待回收智能设备的通话录音后,将通话录音作为训练数据,训练出标注有分类信息的通话训练数据,最后发掘通话训练数据中隐藏的分类信息,以获得通话检测模型。基于此,便于后续通过通话检测模型检测智能设备的通话状态,在保证通话检测的准确性的同时,提高通话检测的效率并降低检测的成本。
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,处理器执行程序时实现上述任一实施例的通话检测模型训练方法。
上述的计算机设备,在获取到待回收智能设备的通话录音后,将通话录音作为训练数据,训练出标注有分类信息的通话训练数据,最后发掘通话训练数据中隐藏的分类信息,以获得通话检测模型。基于此,便于后续通过通话检测模型检测智能设备的通话状态,在保证通话检测的准确性的同时,提高通话检测的效率并降低检测的成本。
一种通话检测方法,包括步骤:
获取待检测智能设备的通话录音;
根据通话检测模型识别通话录音,获得用于表征待检测智能设备通话状态的分类信息。
上述的通话检测方法,在获取到待检测智能设备的通话录音后,根据通话检测模型识别通话录音,获得用于表征待检测智能设备通话状态的分类信息。基于此,通过通话检测模型检测智能设备的通话状态,在保证通话检测的准确性的同时,提高通话检测的效率并降低检测的成本。
在其中一个实施例中,分类信息包括用于表征通话清晰、通话一般、通话不清晰或通话异常的标签。
一种通话检测装置,包括:
录音采集模块,用于获取待检测智能设备的通话录音;
录音检测模块,用于根据通话检测模型识别通话录音,获得用于表征待检测智能设备通话状态的分类信息。
上述的通话检测装置,在获取到待检测智能设备的通话录音后,根据通话检测模型识别通话录音,获得用于表征待检测智能设备通话状态的分类信息。基于此,通过通话检测模型检测智能设备的通话状态,在保证通话检测的准确性的同时,提高通话检测的效率并降低检测的成本。
一种计算机存储介质,其上存储有计算机指令,计算机指令被处理器执行时实现上述任一实施例的通话检测方法。
上述的计算机存储介质,在获取到待检测智能设备的通话录音后,根据通话检测模型识别通话录音,获得用于表征待检测智能设备通话状态的分类信息。基于此,通过通话检测模型检测智能设备的通话状态,在保证通话检测的准确性的同时,提高通话检测的效率并降低检测的成本。
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,处理器执行程序时实现上述任一实施例的通话检测方法。
上述的计算机设备,在获取到待检测智能设备的通话录音后,根据通话检测模型识别通话录音,获得用于表征待检测智能设备通话状态的分类信息。基于此,通过通话检测模型检测智能设备的通话状态,在保证通话检测的准确性的同时,提高通话检测的效率并降低检测的成本。
附图说明
图1为一实施方式的通话检测模型训练方法流程图;
图2为另一实施方式的通话检测模型训练方法流程图;
图3为又一实施方式的通话检测模型训练方法流程图;
图4为一实施方式的通话检测模型训练装置模块结构图;
图5为一实施方式的计算机内部构造示意图;
图6为一实施方式的通话检测方法流程图;
图7为一实施方式的通话检测模块结构图;
图8为另一实施方式的计算机内部构造示意图。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果,以下结合附图和实施例对本发明进行进一步的讲解说明。同时声明,以下所描述的实施例仅用于解释本发明,并不用于限定本发明。
本发明实施例提供一种通话检测模型训练方法。
图1为一实施方式的通话检测模型训练方法流程图,如图1所示,一实施方式的通话检测模型训练方法包括步骤S100至步骤S102:
S100,获取待回收智能设备的通话录音;
其中,在智能设备的回收与准备过程中,采集并存储各种智能设备的通话录音。例如,在通过自助终端回收智能设备时,自助终端在回收过程中通过点击智能设备完成拨号,并存储记录这部分通话录音,作为通话录音的数据库以便于随时调取。
在其中一个实施例中,图2为另一实施方式的通话检测模型训练方法流程图,如图2所示,步骤S100中获取待回收智能设备的通话录音的过程,包括步骤S200和步骤S201:
S200,对待回收智能设备实现模拟电话拨打;
其中,对待回收智能设备实现模拟电话拨打,包括通过外部设备点击智能设备的屏幕或按键来完成电话拨打。或者,通过待回收智能设备的内部控制,完成电话拨打。
在其中一个实施例中,图3为又一实施方式的通话检测模型训练方法流程图,如图3所示,步骤S200中对待回收智能设备实现模拟电话拨打的过程,包括步骤S300:
S300,在待回收智能设备内安装应用程序,以指示待回收智能设备根据应用程序完成电话拨打。
其中,自助终端可以通过与待回收设备的连接,向待回收智能设备传输应用数据,在待回收智能设备内安装例如模拟点击程序在内的应用程序,通过应用程序的模拟点击操作,指示待回收智能设备根据应用程序完成电话拨打。
在其中一个实施例中,应用程序打开拨号界面并输入112点击拨打图标,以完成电话拨打。
S201,获取待回收智能设备在开始拨通电话后预设时间段的通话录音。
其中,在拨通电话后相应的采集装置开始录音。采集装置可以为自助终端的录音设备,或由待回收智能设备完成录音。在其中一个实施例中,预设时间段为10-20秒。作为一个较优的实施方式,预设时间段为15秒,即获取待回收智能设备在开始拨通电话后15秒的通话录音。
S101,将通话录音作为训练数据,训练出标注有分类信息的通话训练数据;
其中,分类信息用于表征通话状态,包括各类标签、权重等。在其中一个实施例中,如图2所示,步骤S101中训练出标注有分类信息的通话训练数据的过程,包括步骤S202:
S202,通过监督学习算法,训练出标注有分类信息的通话训练数据。
在其中一个实施例中,监督学习算法包括卷积神经网络算法(ConvolutionalNeural Networks,CNN)、深度神经网络算法(Deep Neural Networks,DNN)或循环神经网络算法(Recursive Neural Network,RNN)。作为一个较优的实施方式,监督学习算法选用卷积神经网络算法。
在其中一个实施例中,监督学习算法支持向量机(support vector machines,SVM)。
S102,发掘通话训练数据中隐藏的分类信息,以获得通话检测模型。
在监督学习算法完成初始的分类信息后,进一步发掘通话训练数据中隐藏的分类信息。在其中一个实施例中,分类信息包括用于表征通话清晰、通话一般、通话不清晰或通话异常的标签。在步骤S101中,初始的分类信息包括用于表征通话正常或通话异常的标签。通过步骤S102的进一步发掘,将用于表征通话正常的标签分为用于表征通话清晰、通话一般或通话不清晰的标签。
在其中一个实施例中,如图2所示,步骤S102中发掘通话训练数据中隐藏的分类信息的过程,包括步骤S203:
S203,通过聚类分析算法,发掘通话训练数据中隐藏的分类信息。
在其中一个实施例中,聚类分析算法包括k均值聚类算法(k-means clusteringalgorithm)、球面聚类算法或凝聚层次聚类。作为一个较优的实施方式,聚类分析算法选用k均值聚类算法。
上述任一实施例的通话检测模型训练方法,在获取到待回收智能设备的通话录音后,将通话录音作为训练数据,训练出标注有分类信息的通话训练数据,最后发掘通话训练数据中隐藏的分类信息,以获得通话检测模型。基于此,便于后续通过通话检测模型检测智能设备的通话状态,在保证通话检测的准确性的同时,提高通话检测的效率并降低检测的成本。
本发明实施例还提供了一种通话检测模型训练装置。
图4为一实施方式的通话检测模型训练装置模块结构图,如图4所示,一实施方式的通话检测模型训练装置包括模块100、模块101和模块102:
录音获取模块100,用于获取待回收智能设备的通话录音;
第一训练模块101,用于将通话录音作为训练数据,训练出标注有分类信息的通话训练数据;
第二训练模块102,用于发掘通话训练数据中隐藏的分类信息,以获得通话检测模型。
上述的通话检测模型训练装置,在获取到待回收智能设备的通话录音后,将通话录音作为训练数据,训练出标注有分类信息的通话训练数据,最后发掘通话训练数据中隐藏的分类信息,以获得通话检测模型。基于此,便于后续通过通话检测模型检测智能设备的通话状态,在保证通话检测的准确性的同时,提高通话检测的效率并降低检测的成本。
本发明实施例还提供了一种计算机存储介质,其上存储有计算机指令,该指令被处理器执行时实现上述任一实施例的通话检测模型训练方法。
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,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,本申请所提供的各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)、双数据率SDRAM(DDRSDRAM)、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。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
与上述的计算机存储介质对应的是,在一个实施例中还提供一种计算机设备,该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,其中,处理器执行程序时实现如上述各实施例中的任意一种通话检测模型训练方法。
该计算机设备可以是终端,其内部结构图可以如图5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、显示屏和输入装置。其中,该计算机设备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和计算机程序。该内存储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通话检测模型训练方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
上述计算机设备,在获取到待回收智能设备的通话录音后,将通话录音作为训练数据,训练出标注有分类信息的通话训练数据,最后发掘通话训练数据中隐藏的分类信息,以获得通话检测模型。基于此,便于后续通过通话检测模型检测智能设备的通话状态,在保证通话检测的准确性的同时,提高通话检测的效率并降低检测的成本。
本发明实施例还提供一种通话检测方法。
图6为一实施方式的通话检测方法流程图,如图6所示,一实施方式的通话检测方法包括步骤S400和步骤S401:
S400,获取待检测智能设备的通话录音;
S401,根据通话检测模型识别通话录音,获得用于表征待检测智能设备通话状态的分类信息。
在其中一个实施例中,分类信息包括用于表征通话清晰、通话一般、通话不清晰或通话异常的标签。
上述任一实施例的通话检测方法,在获取到待检测智能设备的通话录音后,根据通话检测模型识别通话录音,获得用于表征待检测智能设备通话状态的分类信息。基于此,通过通话检测模型检测智能设备的通话状态,在保证通话检测的准确性的同时,提高通话检测的效率并降低检测的成本。
本发明实施例还提供一种通话检测装置。
图7为一实施方式的通话检测模块结构图,如图7所示,一实施方式的通话检测包括模块200和模块201:
录音采集模块200,用于获取待检测智能设备的通话录音;
录音检测模块201,用于根据通话检测模型识别通话录音,获得用于表征待检测智能设备通话状态的分类信息。
上述的通话检测装置,在获取到待检测智能设备的通话录音后,根据通话检测模型识别通话录音,获得用于表征待检测智能设备通话状态的分类信息。基于此,通过通话检测模型检测智能设备的通话状态,在保证通话检测的准确性的同时,提高通话检测的效率并降低检测的成本。
本发明实施例还提供了一种计算机存储介质,其上存储有计算机指令,该指令被处理器执行时实现上述任一实施例的通话检测方法。
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,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,本申请所提供的各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)、双数据率SDRAM(DDRSDRAM)、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。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
与上述的计算机存储介质对应的是,在一个实施例中还提供一种计算机设备,该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,其中,处理器执行程序时实现如上述各实施例中的任意一种通话检测方法。
该计算机设备可以是终端,其内部结构图可以如图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、显示屏和输入装置。其中,该计算机设备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和计算机程序。该内存储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通话检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
上述计算机设备,在获取到待检测智能设备的通话录音后,根据通话检测模型识别通话录音,获得用于表征待检测智能设备通话状态的分类信息。基于此,通过通话检测模型检测智能设备的通话状态,在保证通话检测的准确性的同时,提高通话检测的效率并降低检测的成本。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种通话检测模型训练方法,其特征在于,包括步骤:
获取待回收智能设备的通话录音;
将所述通话录音作为训练数据,训练出标注有分类信息的通话训练数据;
发掘所述通话训练数据中隐藏的分类信息,以获得通话检测模型。
2.根据权利要求1所述的通话检测模型训练方法,其特征在于,所述获取待回收智能设备的通话录音的过程,包括步骤:
对所述待回收智能设备实现模拟电话拨打;
获取所述待回收智能设备在开始拨通电话后预设时间段的通话录音。
3.根据权利要求2所述的通话检测模型训练方法,其特征在于,所述对所述待回收智能设备实现模拟电话拨打的过程,包括步骤:
在所述待回收智能设备内安装应用程序,以指示所述待回收智能设备根据所述应用程序完成电话拨打。
4.根据权利要求1所述的通话检测模型训练方法,其特征在于,所述训练出标注有分类信息的通话训练数据的过程,包括步骤:
通过监督学习算法,训练出标注有分类信息的通话训练数据。
5.根据权利要求4所述的通话检测模型训练方法,其特征在于,所述监督学习算法包括卷积神经网络算法、深度神经网络算法或循环神经网络算法。
6.根据权利要求1所述的通话检测模型训练方法,其特征在于,所述发掘所述通话训练数据中隐藏的分类信息的过程,包括步骤:
通过聚类分析算法,发掘所述通话训练数据中隐藏的分类信息。
7.根据权利要求6所述的通话检测模型训练方法,其特征在于,所述聚类分析算法包括k均值聚类算法、球面聚类算法或凝聚层次聚类。
8.根据权利要求1至7任意一项所述的通话检测模型训练方法,其特征在于,所述分类信息包括用于表征通话清晰、通话一般、通话不清晰或通话异常的标签。
9.一种通话检测方法,其特征在于,包括步骤:
获取待检测智能设备的通话录音;
根据通话检测模型识别所述通话录音,获得用于表征待检测智能设备通话状态的分类信息。
10.根据权利要求9所述的通话检测方法,其特征在于,所述分类信息包括用于表征通话清晰、通话一般、通话不清晰或通话异常的标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110418757.2A CN113132523B (zh) | 2021-04-19 | 2021-04-19 | 通话检测模型训练方法及通话检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110418757.2A CN113132523B (zh) | 2021-04-19 | 2021-04-19 | 通话检测模型训练方法及通话检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113132523A true CN113132523A (zh) | 2021-07-16 |
CN113132523B CN113132523B (zh) | 2023-05-26 |
Family
ID=76777664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110418757.2A Active CN113132523B (zh) | 2021-04-19 | 2021-04-19 | 通话检测模型训练方法及通话检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113132523B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115550509A (zh) * | 2022-08-09 | 2022-12-30 | 北京微呼科技有限公司 | 一种ai智能语音通话录音留存及通话控制方法和装置 |
US11922467B2 (en) | 2020-08-17 | 2024-03-05 | ecoATM, Inc. | Evaluating an electronic device using optical character recognition |
US12033454B2 (en) | 2021-08-16 | 2024-07-09 | Ecoatm, Llc | Kiosk for evaluating and purchasing used electronic devices |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010052695A1 (en) * | 2008-11-06 | 2010-05-14 | Techmind Ltd | Method and apparatus for assessing communication quality |
CN104581758A (zh) * | 2013-10-25 | 2015-04-29 | 中国移动通信集团广东有限公司 | 一种语音质量的估计方法、装置及电子设备 |
CN104994203A (zh) * | 2015-07-14 | 2015-10-21 | 上海斐讯数据通信技术有限公司 | 一种通话质量测试系统及方法 |
CN106375527A (zh) * | 2016-08-24 | 2017-02-01 | 维沃移动通信有限公司 | 通话质量检测方法及移动终端 |
CN106921969A (zh) * | 2015-12-28 | 2017-07-04 | 阿里巴巴集团控股有限公司 | 终端真伪验证方法、装置及系统 |
CN108241561A (zh) * | 2017-12-25 | 2018-07-03 | 深圳回收宝科技有限公司 | 一种终端检测模型的生成方法、服务器以及存储介质 |
CN108449493A (zh) * | 2018-03-12 | 2018-08-24 | 广东欧珀移动通信有限公司 | 语音通话数据处理方法、装置、存储介质及移动终端 |
CN110839112A (zh) * | 2019-11-18 | 2020-02-25 | 广东电网有限责任公司佛山供电局 | 一种问题语音的检测方法和装置 |
CN111182162A (zh) * | 2019-12-26 | 2020-05-19 | 深圳壹账通智能科技有限公司 | 基于人工智能的电话质检方法、装置、设备和存储介质 |
CN211956539U (zh) * | 2019-02-18 | 2020-11-17 | 埃科亚特姆公司 | 用于评估电子设备状况的系统 |
CN112562724A (zh) * | 2020-11-30 | 2021-03-26 | 携程计算机技术(上海)有限公司 | 语音质量的评估模型、训练评估方法、系统、设备及介质 |
-
2021
- 2021-04-19 CN CN202110418757.2A patent/CN113132523B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010052695A1 (en) * | 2008-11-06 | 2010-05-14 | Techmind Ltd | Method and apparatus for assessing communication quality |
CN104581758A (zh) * | 2013-10-25 | 2015-04-29 | 中国移动通信集团广东有限公司 | 一种语音质量的估计方法、装置及电子设备 |
CN104994203A (zh) * | 2015-07-14 | 2015-10-21 | 上海斐讯数据通信技术有限公司 | 一种通话质量测试系统及方法 |
CN106921969A (zh) * | 2015-12-28 | 2017-07-04 | 阿里巴巴集团控股有限公司 | 终端真伪验证方法、装置及系统 |
CN106375527A (zh) * | 2016-08-24 | 2017-02-01 | 维沃移动通信有限公司 | 通话质量检测方法及移动终端 |
CN108241561A (zh) * | 2017-12-25 | 2018-07-03 | 深圳回收宝科技有限公司 | 一种终端检测模型的生成方法、服务器以及存储介质 |
CN108449493A (zh) * | 2018-03-12 | 2018-08-24 | 广东欧珀移动通信有限公司 | 语音通话数据处理方法、装置、存储介质及移动终端 |
CN211956539U (zh) * | 2019-02-18 | 2020-11-17 | 埃科亚特姆公司 | 用于评估电子设备状况的系统 |
CN110839112A (zh) * | 2019-11-18 | 2020-02-25 | 广东电网有限责任公司佛山供电局 | 一种问题语音的检测方法和装置 |
CN111182162A (zh) * | 2019-12-26 | 2020-05-19 | 深圳壹账通智能科技有限公司 | 基于人工智能的电话质检方法、装置、设备和存储介质 |
CN112562724A (zh) * | 2020-11-30 | 2021-03-26 | 携程计算机技术(上海)有限公司 | 语音质量的评估模型、训练评估方法、系统、设备及介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11922467B2 (en) | 2020-08-17 | 2024-03-05 | ecoATM, Inc. | Evaluating an electronic device using optical character recognition |
US12033454B2 (en) | 2021-08-16 | 2024-07-09 | Ecoatm, Llc | Kiosk for evaluating and purchasing used electronic devices |
CN115550509A (zh) * | 2022-08-09 | 2022-12-30 | 北京微呼科技有限公司 | 一种ai智能语音通话录音留存及通话控制方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113132523B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104424094B (zh) | 一种异常信息获取方法、装置及智能终端设备 | |
CN113132523B (zh) | 通话检测模型训练方法及通话检测方法 | |
CN107800757B (zh) | 用户行为记录方法及装置 | |
CN113238905B (zh) | 屏幕乱跳检测方法及装置 | |
CN109783365A (zh) | 自动化测试方法、装置、计算机设备及存储介质 | |
CN113268162A (zh) | 屏幕更换检测方法及装置 | |
CN111868686B (zh) | 常用应用程序的导出方法和使用该方法的导出设备 | |
CN114049631A (zh) | 一种数据标注的方法、装置、计算机设备和存储介质 | |
CN113238680A (zh) | 屏幕断触检测方法及装置 | |
CN113301202A (zh) | 通话检测方法及装置 | |
CN113032198A (zh) | 硬件检测方法及装置 | |
CN114298345A (zh) | 回收估价输出模型训练方法及回收估价输出方法 | |
CN114330533A (zh) | 设备屏幕老化二分类模型训练方法及设备屏幕老化检测方法 | |
CN109995751A (zh) | 上网设备标记方法、装置及存储介质、计算机设备 | |
CN113422860B (zh) | 通话异常检测方法及装置 | |
CN113220648A (zh) | 音频功能检测方法及装置 | |
CN114371417A (zh) | 设备电池健康度检测方法及装置 | |
CN113237473A (zh) | 指南针功能检测方法及装置 | |
CN113254293A (zh) | 指纹功能检测方法及装置 | |
CN115687146A (zh) | Bios测试方法、装置、计算机设备和存储介质 | |
CN113887609A (zh) | 设备屏幕老化检测模型训练方法及设备屏幕老化检测方法 | |
CN113034493A (zh) | 摄像检测模型训练方法及摄像检测方法 | |
CN114328051A (zh) | 应用于回收检测的设备功能检测方法及装置 | |
CN113591963A (zh) | 设备侧面损耗检测模型训练方法及设备侧面损耗检测方法 | |
CN112801156B (zh) | 用于人工智能机器学习的业务大数据采集方法及服务器 |
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 |