CN113315874B - 用于呼叫分类的系统和方法 - Google Patents
用于呼叫分类的系统和方法 Download PDFInfo
- Publication number
- CN113315874B CN113315874B CN202110208038.8A CN202110208038A CN113315874B CN 113315874 B CN113315874 B CN 113315874B CN 202110208038 A CN202110208038 A CN 202110208038A CN 113315874 B CN113315874 B CN 113315874B
- Authority
- CN
- China
- Prior art keywords
- voice call
- call
- intercepted
- classification
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000000977 initiatory effect Effects 0.000 claims abstract description 7
- 238000013145 classification model Methods 0.000 claims description 15
- 230000002996 emotional effect Effects 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 description 18
- 230000006854 communication Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000010267 cellular communication Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 229920000747 poly(lactic acid) Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/22—Arrangements for supervision, monitoring or testing
- H04M3/2281—Call monitoring, e.g. for law enforcement purposes; Call tracing; Detection or prevention of malicious calls
-
- 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
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- 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
- G10L15/08—Speech classification or search
-
- 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
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/183—Speech classification or search using natural language modelling using context dependencies, e.g. language models
- G10L15/19—Grammatical context, e.g. disambiguation of the recognition hypotheses based on word sequence rules
- G10L15/197—Probabilistic grammars, e.g. word n-grams
-
- 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
-
- 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
- G10L25/63—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 for estimating an emotional state
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/66—Substation equipment, e.g. for use by subscribers with means for preventing unauthorised or fraudulent calling
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/487—Arrangements for providing information services, e.g. recorded voice services or time announcements
- H04M3/493—Interactive information services, e.g. directory enquiries ; Arrangements therefor, e.g. interactive voice response [IVR] systems or voice portals
- H04M3/4936—Speech interaction details
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/5175—Call or contact centers supervision arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/12—Detection or prevention of fraud
-
- 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
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
- G10L2015/025—Phonemes, fenemes or fenones being the recognition units
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2201/00—Electronic components, circuits, software, systems or apparatus used in telephone systems
- H04M2201/40—Electronic components, circuits, software, systems or apparatus used in telephone systems using speech recognition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/42221—Conversation recording systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Security & Cryptography (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Computer Networks & Wireless Communication (AREA)
- Pure & Applied Mathematics (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明涉及用于呼叫分类的系统和方法,所述方法包括:拦截发起设备和接收设备之间的语音呼叫的会话;将在语音呼叫的会话期间在发起设备和接收设备之间交换的语音呼叫数据转换为预定义的数据格式;分析转换后的语音呼叫数据以确定所拦截的语音呼叫的一个或多个属性;基于所确定的一个或多个属性来识别与所拦截的语音呼叫的会话相关联的一个或多个特征。使用所识别的一个或多个特征对所拦截的语音呼叫进行分类。
Description
技术领域
本发明涉及信息安全领域,更具体地,涉及用于语音呼叫分类的系统和方法。
背景技术
当前,通用移动设备(例如移动电话、智能手机、平板电脑等)的几乎每个所有者都在处理来自银行、医疗中心、保险公司、美容院和其他在其工作中使用电话营销的公司的不想要的呼叫。在美国,事实上,法律禁止某些未经用户同意的电话营销员的呼叫。但是,大多数公司在合同中暗含地规定了这样的条款,并且绕开了法律。
在某些情况下,提供电话营销服务的公司积极使用在交流过程中可以模仿人的智能机器人(机器人)。机器人确定人的烦躁或兴趣的程度,并经常以避免营销语气的方式来定制对话。黑客也经常使用智能机器人来获取用户的机密信息(例如与信用卡、社会保险号等相关的数据)。
当前,存在用于处理这种令人讨厌的呼叫的确定电话号码的移动应用程序(例如TrueCaller(真实呼叫者))。在大多数情况下,将根据不断更新的垃圾号码的数据库检查进入的呼叫,如果在该数据库中存在呼叫垃圾制造者或黑客的号码,则通知用户已经在入侵通信中检测到呼叫方。
然而,目前,可以在号码交换技术的帮助下匿名进行电话呼叫或掩藏电话号码。黑客和其他恶意实体越来越多地使用此技术根据信贷机构的号码来呼叫银行客户,并请求进行提款所需的信息。
常规系统设备齐全以便很好地处理识别机器人化的呼叫的问题,但是通常无法将来自各种恶意实体的呼叫进行分类。而且,在新的黑客计划中,号码的改变使合法订户而不是黑客失去信用。阻止此类号码例如可能导致银行失去联系其客户的能力。
因此,需要解决呼叫分类的问题(包括利用交换号码的黑客呼叫)。
发明内容
公开了用于通过分析语音呼叫的记录和某些属性来对语音呼叫进行分类、并且通过呼叫分类向用户提供关于特定呼叫类别的信息的系统和方法。
在一方面,提出了一种用于语音呼叫的分析和分类的方法,其中,该方法包括以下步骤:拦截发起设备和接收设备之间的语音呼叫的会话;将在语音呼叫的会话期间在发起设备和接收设备之间交换的语音呼叫数据转换为预定义的数据格式;分析转换后的语音呼叫数据以确定所拦截的语音呼叫的一个或多个属性;基于所确定的一个或多个属性来识别与所拦截的语音呼叫的会话相关联的一个或多个特征;使用所识别的一个或多个特征对所拦截的语音呼叫进行分类。
在一方面,转换语音呼叫数据还包括记录语音呼叫数据。在一方面,预定义的数据格式包括格式化文本。
在一方面,所拦截的语音呼叫的分类类型包括以下中的至少一者:常规呼叫和不想要的呼叫。在一方面,所识别的一个或多个特征包括以下中的至少一者:呼叫类别、语音呼叫数据的情绪成分、机器人化的语音的存在、和呼叫持续时间。
在一方面,呼叫类别包括以下中的至少一者:电话营销、社会调查、提供服务、欺诈。
在一方面,基于记录,使用一个或多个呼叫分类属性来确定呼叫类别。在一方面,呼叫分类属性包括以下中的至少一者:词、n元语法(n-grams)、词嵌入、词袋。
在一方面,所拦截的语音呼叫的情绪成分基于以下中的至少一者而是积极或消极的:(i)将文本分解成词或词序列的规则,所述词或词序列具有预先指定的积极或消极的评价;(ii)词汇表,其中对来自预先编译的词汇表的积极词和消极词的数量进行计数;(iii)机器学习。
在一方面,使用一组预先选择的音素串来确定机器人化的语音的存在。
在一方面,对所拦截的语音呼叫进行分类还包括使用基于一组具有特征的预先选择的语音呼叫的经训练的分类模型。
在一方面,经训练的分类模型基于以下中的至少一者:朴素贝叶斯分类器、逻辑回归、MRF(马尔可夫随机场)分类器、SVM(支持向量机)、k最近邻、和/或决策树。
在一方面,该方法还包括向接收设备发送通知。在一方面,该通知指示所拦截的语音呼叫的分类类别。
附图说明
并入本说明书中并构成本说明书的一部分的附图示出了本发明的一个或多个示例方面,并且与详细描述一起用于解释本发明的一个或多个示例方面的原理和实现方式。
图1示出了根据本发明的各方面的通信网络的框图。
图2示出了根据本发明的各方面的智能通信网络的框图。
图3示出了根据本发明的各方面的呼叫分类系统。
图4示出了根据本发明的各方面的用于分析和分类语音呼叫的方法。
图5示出了通用计算机系统的示例。
具体实施方式
本文在用于语音呼叫分类的系统、方法和计算机程序产品的上下文中描述了示例性方面。本领域普通技术人员将认识到,以下描述仅是说明性的,而不旨在以任何方式进行限制。其他方面将很容易将其自身暗示给了解本发明的优点的本领域的技术人员。现在将详细参考如附图中所示的示例性方面的实现。在整个附图和以下描述中将尽可能使用相同的附图标记来指代相同或类似的项目。
图1示出了通信网络的框图。通信网络100可包括发起设备101、接收设备102、交换节点110和媒体数据111。通信网络100提供多个物理通信信道和至少一个交换节点110。交换节点110提供用于在发起设备101和接收设备102之间传输媒体数据111(诸如语音呼叫数据)的服务。通信网络100的示例可包括但不限于:计算机网络;电话网络、和/或蜂窝通信网络。
术语“设备”(例如发起设备和接收设备)是指将用户信息转换为媒体数据111(例如语音呼叫数据)以用于通过通信信道传输并执行反向转换的设备。
术语“拨打”是指由发起设备101发起的与接收设备102建立连接的尝试。
术语“呼叫”是指在建立的语音呼叫会话中在发起设备101和接收设备102之间传输媒体数据111的过程。
媒体数据111可以包括:媒体文件;和/或流数据(以流模式发送的媒体数据)。
例如,发起设备101和接收设备102可以是蜂窝通信网络的订户的移动电话,其中术语“呼叫”是指普通语音呼叫。
图2示出了根据本发明的各方面的智能网络的框图。智能通信网络200的示例可以包括交换节点110、服务交换点220、服务控制点230和分支点240。智能网络200可以通过使通信网络100的至少一个交换节点110现代化而促进附加的通信服务。应当注意,智能网络200的架构与交换网络100的类型无关。
在该示例中,交换节点110保留用于提供基本服务的功能,但是它也可以配备有服务交换点220。服务交换点220可以被配置为提供各种呼叫处理算法的初始化,可以执行从服务控制点230到达的指令,并且可以监控智能网络200的呼叫处理过程。
服务控制点230可以促进整个智能网络200中的服务,提供用于其元件之间的交互的协议。
在一变型方面,智能网络200可以包含分支点240,分支点240可以被配置为提供媒体数据111的副本到智能网络200的其他辅助元件(例如,语音识别设备)的传输,从而使智能网络200的服务对用户更加方便。
由智能网络200提供的服务可以包括但不限于:免费呼叫服务、免费提供名录信息;电话投票、通过拨打特定号码来提供投票功能;和/或通过预付卡提供通信。
图3示出了根据本发明的各方面的呼叫分类系统。呼叫分类系统300可包括通信网络100、发起设备101、接收设备102、呼叫处理引擎310、媒体数据111(例如语音呼叫数据)、呼叫属性312、记录单元320、呼叫记录321、分类单元330、识别模块331、分析模块332、分类模块333、安全单元335、分类模型340和训练单元350。
呼叫处理引擎310可以被配置为在通信网络100中拦截从发起设备101到接收设备102的语音呼叫,以确定呼叫特征312。呼叫处理引擎310还可以被配置为将媒体数据111发送到记录单元320。在该阶段确定的呼叫特征可以包括但不限于:发起设备101的标识符、接收设备102的标识符、指示所拦截的呼叫的时间的时间戳、接收设备102的状态。
在一方面,通信网络100可包括利用公共电话网络的资源的智能网络200(如图2所示)。
例如,发起设备101可以发起语音呼叫。在接收到语音呼叫之后,交换节点110的服务交换点220可以确定连接需要与服务控制点230进行交换。交换节点110可以建立相应的语音呼叫会话,并且可以发送包含呼叫特征312的信号。
呼叫处理引擎310可以被配置为拦截呼叫特征312,并将关于通过分支点240路由所拦截的语音呼叫的需求通知给交换节点110。分支点240可以使用两个不同的信道(到接收设备102的第一信道和到记录单元320的第二信道)建立连接。
在已经建立连接之后,来自各个设备中的每个设备的语音呼叫数据111通过分支点240被发送,在该分支点240处可以复制该数据。换句话说,一个数据流可以被导向接收方,另一数据流可以被导向记录单元320。这样的复制可以继续直到语音呼叫完成。
在一方面,交换节点110可能不能与接收设备102建立连接,至少是因为:接收设备102以“占线”信号进行响应;接收设备102不可用;建立连接时发生错误;和/或接收设备102以拒绝接收连接进行响应。
在这些情况下,呼叫处理引擎310可以向交换节点110发送信号,该信号指示需要将所拦截的语音呼叫路由到记录单元320。
记录单元320可以被配置为记录在呼叫期间在建立的语音呼叫会话内发送的媒体数据111,并且将所产生的呼叫记录321传送到分类单元330。呼叫记录321可以包括例如媒体文件。
在一方面,记录单元320可以以多个片段产生语音呼叫数据111的记录。记录单元320可以在实际完成呼叫之前将语音呼叫记录321的片段发送到分类单元330,从而使得分类单元330可以预先确定其分类。
如图3所示,分类单元330可以包括识别模块331、分析模块332和分类模块333。
识别模块331可以被配置为将从记录单元320接收的呼叫记录321转换成适合于分析的预定义的格式(例如格式化文本)。
在一方面,识别模块331可以将媒体文件划分为多个片段。媒体文件的每个片段可以进行多次转换,由此获得描述相应片段的频率特征的系数。基于该数据,识别模块331可以以一定概率确定相应片段属于哪个音素。
还可以使用一组预先选择的文本来另外地训练识别模块331,以识别可能的音素串。如有必要,识别模块331可以基于上下文和可用的统计信息,通过含义来重构未识别的词。在音素的识别和音素串的识别的过程中获得的数据可以被组合,并且识别模块331可以确定最可能的词序列。
例如,在词“make”中,对于两个同等可能的音素“m”和“t”,识别模块331将推断(conclude):该词中使用音素“m”的可能性更大,因为在其训练过程中通常遇到序列“makemoney”,而很少遇到序列“take money”。
在一变型方面,在推断阶段,识别模块331可以将数词转换为数字,并且可以将某些标点符号(例如连字符)放置在合适位置。该转换后的文本是最终的识别结果,可以由识别模块331将其发送到分析模块332。
在一方面,可以使用一组预先选择的音素串进一步训练识别模块331,以识别呼叫记录321中的机器人化的语音。
在一方面,识别模块331可以识别呼叫特征312。
识别的呼叫特征可以包括但不限于:呼叫类别、语音呼叫数据的情绪成分、机器人化的语音的存在、和呼叫持续时间。
分析模块332可以被配置为基于对由识别模块331处理的呼叫记录321的内容的分析来做出关于呼叫记录321是否属于类别中的至少一个的判定。
呼叫记录321的类别可以包括但不限于:欺诈;垃圾;提供服务;和/或常规呼叫。
在一方面,分析模块332可以将由识别模块331处理的呼叫记录321转换为适合于分类的一组属性。属性可以包括但不限于:词;词序列(n元语法);词的矢量表示(词嵌入);和/或不计语法或顺序的多组词(词袋)。
接下来,使用机器学习算法,分析模块332可以确定由识别模块331处理的呼叫记录321的类型。机器学习分类算法可以包括但不限于:贝叶斯分类器(朴素贝叶斯分类器);逻辑回归;MRF分类器;支持向量法(SVM,支持向量机);最近邻法(k最近邻);和/或决策树。
例如,可以利用大量欺诈性呼叫记录(其中黑客以各种借口(检查数据、金融交易)要求某些个人数据(例如银行账号或密码))来训练分析模块332所利用的机器学习算法。每个欺诈性呼叫记录可以被表示为一组属性。作为非限制性示例,以其中一种属性的形式存在于由识别模块331处理的呼叫记录321中的短语“从SMS发送密码(send password fromSMS)”可以允许分析模块332将识别模块331处理的呼叫记录321指定为“欺诈”分类类型。
在一方面,分析模块332可以利用多个属性来对呼叫记录321进行情绪评估。这种分析使分析模块332能够确定所拦截的语音呼叫的情绪内容是否为以下中的一者:积极的;消极的;和/或中性的。
分析模块332可以被配置为使用以下方法中的一者来确定所拦截的语音呼叫的情绪内容:
·基于将文本分解为词或词序列的规则,所述词或词序列具有预先指定的积极或消极的评价;
·基于词汇表,其中对来自预先编译的词汇表的积极词和消极词的数量进行计数;此类词汇表可以包含小品词“不(not)”或“非(non)”;
·基于机器学习;和/或
·基于混合方法,其涉及在特定序列中使用某些或所有分类器。
分类模块333可以被配置为通过使用经训练的分类模型340来提供关于呼叫是否属于语音呼叫的类型中的至少一者的判定。语音呼叫的分类类别可以包括但不限于:不想要的呼叫和/或常规呼叫。
在一方面,可以首先收集属于已知的语音呼叫类别的呼叫的特征。基于收集的训练数据,可以训练分类模型340,从而可以由该分类模型340以提高的准确性对具有相似特征的语音呼叫进行分类。
可以至少使用以下训练数据来训练分类模型340:呼叫记录的类别(例如电话营销、社会调查、提供服务、欺诈等);语音呼叫数据的情绪成分(积极的、消极的、中性的);呼叫记录中机器人化的语音的存在、和/或呼叫持续时间。
例如,如果分析模块332已经将所拦截的语音呼叫的呼叫记录321分类为提供服务并且已经确定该呼叫的情绪内容为消极的,则分类模块333可以将该拦截的语音呼叫分类为不想要的,且属于垃圾。
分类模块333采用的分类算法可以包括以下中的至少一者:
·贝叶斯分类器(朴素贝叶斯分类器);
·逻辑回归;
·MRF分类器;
·支持向量法(SVM,支持向量机);
·最近邻法(k最近邻);和/或
·决策树。
安全单元335可以被配置为经由通知消息向接收设备102的用户通知语音呼叫的特定类别。通知消息可以包括但不限于:SMS消息;本地通知(推送通知);和/或弹出窗口。
在一方面,发送到接收设备102的通知消息可以包括由识别模块331处理的语音呼叫数据的记录321。
例如,如果在拨打期间,交换节点110不能与接收设备102建立连接,则分类单元330可以基于由发起设备101发送的媒体数据(例如语音呼叫数据)111的记录来确定语音呼叫的类别。安全单元335可以被配置为利用例如本地通知向接收设备102的用户通知所确定的错过的语音呼叫的类别。
在一方面,如果呼叫的类型已经至少被确定为欺诈,则安全单元335可以提前向交换节点110发送命令以终止拨打。
训练单元350可以被配置为基于新的训练数据来训练分类模型340。
例如,如果已经证明分类模型340的决定是错误的,则接收设备102的用户可以重新定义相应语音呼叫的类型。换句话说,训练单元350可以基于接收设备102的用户的反馈来训练分类模型340,从而在进一步使用分类模型340的过程中提高正确确定呼叫类别的概率。
图4示出了根据本发明的各方面的用于分析和分类语音呼叫的方法。
在步骤410,呼叫处理引擎310可以在通信网络100中拦截从发起设备101到接收设备102的语音呼叫。
在步骤420,识别模块331可以将从记录单元320接收到的呼叫记录321转换成适合于分析的预定义的格式(例如格式化文本)。
在步骤430,可以使用呼叫处理引擎310来确定所拦截的语音呼叫的属性312。在一方面,呼叫分类属性可以包括以下中的至少一者:词、n元语法、词嵌入、词袋。
在步骤440,分析模块332可以将由识别模块331处理的呼叫记录321转换成适合于分类的一组特征。如上所述,这些特征可以包括但不限于:呼叫类别、语音呼叫数据的情绪成分、机器人化的语音的存在、和呼叫持续时间。
在步骤450,分类模块333可以被配置为通过使用经训练的分类模型340来提供关于该呼叫是否属于语音呼叫的分类类别中的至少一者的判定。
语音呼叫的分类类别可以包括但不限于:欺诈;垃圾;电话营销;不想要的呼叫;和/或常规呼叫。
另外,在一方面,在步骤460,训练单元350可以用于训练分类模型340,从而在下一次迭代中提高分类的准确性。
另外,在一方面,在步骤470,安全单元335可以用于向接收设备102的用户提供关于已经确定的呼叫类别的信息。
图5是示出根据示例性方面的可以在其上实现用于呼叫分类的系统和方法的各方面的计算机系统20的框图。计算机系统20可以代表图3的呼叫分类系统,并且可以是多个计算设备的形式,或者是单个计算设备的形式,例如台式电脑、笔记本电脑、手提电脑、移动计算设备、智能手机、平板电脑、服务器、主机、嵌入式设备和其它形式的计算设备。
如图所示,计算机系统20包括中央处理单元(Central Processing Unit,CPU)21、系统存储器22和连接各种系统部件的系统总线23,各种系统部件包括与中央处理单元21相关联的存储器。系统总线23可以包括总线存储器或总线存储器控制器、外围总线、以及能够与任何其它的总线架构交互的本地总线。总线的示例可以包括PCI、ISA、串行总线(PCI-Express)、超传输TM(HyperTransportTM)、无限带宽TM(InfiniBandTM)、串行ATA、I2C、和其它合适的互连。中央处理单元21(也称为处理器)可以包括单组或多组具有单核或多核的处理器。处理器21可以执行实现本发明的技术的一种或多种计算机可执行代码。系统存储器22可以为用于存储本文中所使用的数据和/或由处理器21可执行的计算机程序的任何存储器。系统存储器22可以包括易失性存储器(诸如随机存取存储器(Random Access Memory,RAM)25)和非易失性存储器(诸如只读存储器(Read-Only Memory,ROM)24、闪存等)或其任意组合。基本输入/输出系统(Basic Input/Output System,BIOS)26可以存储用于在计算机系统20的元件之间传输信息的基本程序,例如在使用ROM 24加载操作系统时的那些基本程序。
计算机系统20可以包括一个或多个存储设备,诸如一个或多个可移除存储设备27、一个或多个不可移除存储设备28、或其组合。所述一个或多个可移除存储设备27和一个或多个不可移除存储设备28经由存储器接口32连接到系统总线23。在一方面,存储设备和相应的计算机可读存储介质为用于存储计算机指令、数据结构、程序模块、和计算机系统20的其它数据的电源独立的模块。系统存储器22、可移除存储设备27和不可移除存储设备28可以使用各种各样的计算机可读存储介质。计算机可读存储介质的示例包括:机器存储器,诸如缓存、SRAM、DRAM、零电容RAM、双晶体管RAM、eDRAM、EDO RAM、DDR RAM、EEPROM、NRAM、RRAM、SONOS、PRAM;闪存或其它存储技术,诸如在固态驱动器(Solid State Drive,SSD)或闪存驱动器中;磁带盒、磁带、和磁盘存储器,诸如在硬盘驱动器或软盘中;光学存储器,诸如在光盘(CD-ROM)或数字通用光盘(Digital Versatile Disk,DVD)中;以及可用于存储期望数据且可被计算机系统20访问的任何其它介质。
计算机系统20的系统存储器22、可移除存储设备27和不可移除存储设备28可以用于存储操作系统35、附加应用程序37、其它程序模块38和程序数据39。计算机系统20可以包括用于传送来自输入设备40的数据的外围接口46,所述输入设备40诸如键盘、鼠标、光笔、游戏控制器、语音输入设备、触点输入设备、或其它外围设备,诸如借助一个或多个I/O端口的打印机或扫描仪,该一个或多个I/O端口诸如串行端口、并行端口、通用串行总线(Universal Serial Bus,USB)、或其它外围接口。显示设备47(诸如一个或多个监控器、投影仪或集成显示器)也可以通过输出接口48(诸如视频适配器)连接到系统总线23。除了显示设备47之外,计算机系统20还可以装配有其它外围输出设备(未示出),诸如扬声器和其它视听设备。
计算机系统20可以使用与一个或多个远程计算机49的网络连接而在网络环境中工作。所述一个或多个远程计算机49可以为本地计算机工作站或服务器,其包括前面在描述计算机系统20的性质时所述的元件中的大多数元件或全部元件。其它设备也可以存在于计算机网络中,诸如但不限于路由器、网站、对等设备或其它网络节点。计算机系统20可以包括用于经由一个或多个网络而与远程计算机49通信的一个或多个网络接口51或网络适配器,该一个或多个网络诸如局域计算机网络(Local-Area computer Network,LAN)50、广域计算机网络(Wide-Area computer Network,WAN)、内联网、和因特网。网络接口51的示例可以包括以太网接口、帧中继接口、SONET(同步光纤网)接口、和无线接口。
本发明的各个方面可以为系统、方法和/或计算机程序产品。计算机程序产品可以包括一种或多种计算机可读存储介质,该计算机可读存储介质上具有用于使处理器执行本发明的各方面的计算机可读程序指令。
计算机可读存储介质可以为有形设备,该有形设备可以保持且存储指令或数据结构的形式的程序代码,该程序代码可以被计算设备(诸如计算系统20)的处理器访问。计算机可读存储介质可以为电子存储设备、磁性存储设备、光学存储设备、电磁存储设备、半导体存储设备、或其任何合适的组合。作为示例,这类计算机可读存储介质可以包括随机存取存储器(RAM)、只读存储器(ROM)、电可擦可编程只读存储器(EEPROM)、便携式光盘只读存储器(CD-ROM)、数字通用光盘(DVD)、闪存、硬盘、便携式电脑磁盘、记忆棒、软盘、或甚至机械编码设备,诸如在其上记录有指令的凹槽中的打孔卡或凸起结构。如在本文中所使用的,计算机可读存储介质不应被视为暂时性信号本身,暂时性信号诸如无线电波或其它自由传播的电磁波、通过波导或传输介质传播的电磁波、或通过电线传输的电信号。
可以将本文中所描述的计算机可读程序指令从计算机可读存储介质下载到相应的计算设备、或经由网络(例如,因特网、局域网、广域网和/或无线网络)下载到外部计算机或外部存储设备。该网络可以包括铜传输电缆、光学传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。在每个计算设备中的网络接口从网络接收计算机可读程序指令并转发该计算机可读程序指令,用以存储在相应的计算设备内的计算机可读存储介质中。
用于执行本发明的操作的计算机可读程序指令可以为汇编指令、指令集架构(Instruction-Set-Architecture,ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或以一种或多种编程语言(包括面向对象的编程语言和传统程序化编程语言)的任何组合编写的源代码或目标代码。计算机可读程序指令(作为独立的软件包)可以完全地在用户的计算机上、部分地在用户的计算机上、部分地在用户的计算机上且部分地在远程计算机上、或完全地在远程计算机或服务器上执行。在后一种情况中,远程计算机可以通过任何类型的网络(包括LAN或WAN)连接到用户的计算机,或可以进行与外部计算机的连接(例如通过因特网)。在一些实施方式中,电子电路(包括例如可编程逻辑电路、现场可编程门阵列(FPGA)、或可编程逻辑阵列(Programmable Logic Array,PLA))可以通过利用计算机可读程序指令的状态信息而执行计算机可读程序指令,以使该电子电路个性化,从而执行本发明的各方面。
在各个方面中,本发明中所描述的系统和方法可以按照模块来处理。如本文中所使用的术语“模块”指的是例如现实世界的设备、部件、或使用硬件(例如通过专用集成电路(ASIC)或FPGA)实现的部件的布置,或者指的是硬件和软件的组合,例如通过微处理器系统和实现模块功能的指令集(该指令集在被执行时将微处理器系统转换成专用设备)来实现这样的组合。一个模块还可以被实施为两个模块的组合,其中单独地通过硬件促进某些功能,并且通过硬件和软件的组合促进其它功能。在某些实现方式中,模块的至少一部分(以及在一些情况下,模块的全部)可以在计算机系统的处理器上运行。因此,每个模块可以以各种适合的配置来实现,而不应受限于本文中所例示的任何特定的实现方式。
为了清楚起见,本文中没有公开各个方面的所有例行特征。应当领会的是,在本发明的任何实际的实现方式的开发中,必须做出许多特定实现方式的决定,以便实现开发者的特定目标,并且这些特定目标将对于不同的实现方式和不同的开发者变化。应当理解的是,这种开发努力会是复杂的且费时的,但对于了解本发明的优点的本领域的普通技术人员来说仍然是工程的例行任务。
此外,应当理解的是,本文中所使用的措辞或术语出于描述而非限制的目的,从而本说明书的术语或措辞应当由本领域技术人员根据本文中所提出的教导和指导结合(一个或多个)相关领域技术人员的知识来解释。此外,不旨在将本说明书或权利要求中的任何术语归于不常见的或特定的含义,除非明确如此阐述。
本文中所公开的各个方面包括本文中以说明性方式所引用的已知模块的现在和未来已知的等同物。此外,尽管已经示出并描述了各个方面和应用,但是对于了解本发明的优点的本领域技术人员将明显的是,在不脱离本文中所公开的发明构思的前提下,相比于上文所提及的内容而言的更多修改是可行的。
Claims (11)
1.一种用于分析和分类语音呼叫的方法,所述方法包括:
拦截发起设备和接收设备之间的语音呼叫的会话;
将在所述语音呼叫的会话期间在所述发起设备和所述接收设备之间交换的语音呼叫数据转换为预定义的数据格式,其中,转换所述语音呼叫数据还包括记录所述语音呼叫数据,并且,所述预定义的数据格式包括格式化文本;
分析转换后的语音呼叫数据以确定所拦截的语音呼叫的一个或多个属性;
基于所确定的一个或多个属性来识别与所拦截的语音呼叫的会话相关联的一个或多个特征;以及
使用所识别的一个或多个特征对所拦截的语音呼叫进行分类,其中,所拦截的语音呼叫的分类类型包括以下中的至少一者:常规呼叫和不想要的呼叫,并且,所识别的所述一个或多个特征包括以下中的至少一者:(i)记录的所述语音呼叫数据中机器人化的语音的存在、和(ii)所拦截的语音呼叫的情绪成分,其中,使用一组预先选择的音素串来确定所述机器人化的语音的存在,以及其中,所拦截的语音呼叫的情绪成分基于以下中的至少一者而是积极的或消极的:(i)将文本分解成词或词序列的规则,所述词或词序列具有预先指定的积极或消极的评价;(ii)词汇表,其中对来自预先编译的词汇表的积极词和消极词的数量进行计数;(iii)机器学习。
2.如权利要求1所述的方法,其中,所拦截的语音呼叫的类别包括以下中的至少一者:电话营销、社会调查、提供服务、欺诈。
3.如权利要求2所述的方法,其中,所拦截的语音呼叫的类别是基于所述记录使用一个或多个呼叫分类属性来确定的,并且,所述呼叫分类属性包括以下中的至少一者:词、n元语法、词嵌入、词袋。
4.如权利要求1所述的方法,其中,对所拦截的语音呼叫进行分类还包括使用基于一组具有特征的预先选择的语音呼叫的经训练的分类模型。
5.如权利要求4所述的方法,其中,所述经训练的分类模型基于以下中的至少一者:朴素贝叶斯分类器、逻辑回归、马尔可夫随机场分类器、支持向量机、k最近邻、和/或决策树。
6.如权利要求1所述的方法,还包括向所述接收设备发送通知,其中,所述通知指示所拦截的语音呼叫的分类类型。
7.一种用于分析和分类语音呼叫的系统,所述系统包括:
硬件处理器,所述硬件处理器被配置为:
拦截发起设备和接收设备之间的语音呼叫的会话;
将在所述语音呼叫的会话期间在所述发起设备与所述接收设备之间交换的语音呼叫数据转换为预定义的数据格式,其中,转换所述语音呼叫数据还包括记录所述语音呼叫数据,并且,所述预定义的数据格式包括格式化文本;
分析转换后的语音呼叫数据以确定所拦截的语音呼叫的一个或多个属性;
基于所确定的一个或多个属性来识别与所拦截的语音呼叫的会话相关联的一个或多个特征;以及
使用所识别的一个或多个特征对所拦截的语音呼叫进行分类,其中,所拦截的语音呼叫的分类类型包括以下中的至少一者:常规呼叫和不想要的呼叫,并且,所识别的所述一个或多个特征包括以下中的至少一者:(i)记录的所述语音呼叫数据中机器人化的语音的存在、和(ii)所拦截的语音呼叫的情绪成分,其中,使用一组预先选择的音素串来确定所述机器人化的语音的存在,以及其中,所拦截的语音呼叫的情绪成分基于以下中的至少一者而是积极的或消极的:(i)将文本分解成词或词序列的规则,所述词或词序列具有预先指定的积极或消极的评价;(ii)词汇表,其中对来自预先编译的词汇表的积极词和消极词的数量进行计数;(iii)机器学习。
8.如权利要求7所述的系统,其中,所拦截的语音呼叫的类别包括以下中的至少一者:电话营销、社会调查、提供服务、欺诈。
9.如权利要求8所述的系统,其中,所拦截的语音呼叫的类别是基于所述记录使用一个或多个呼叫分类属性来确定的,并且,所述呼叫分类属性包括以下中的至少一者:词、n元语法、词嵌入、词袋。
10.如权利要求7所述的系统,其中,使用具有所识别的呼叫类别的多个呼叫记录和/或基于具有呼叫分类特征的一组预先选择的音素串来确定所述呼叫类别,并且,所述呼叫分类特征包括以下中的至少一者:词、n元语法、词嵌入、词袋。
11.一种非暂时性计算机可读介质,所述非暂时性计算机可读介质上存储有用于分析和分类语音呼叫的计算机可执行指令,所述计算机可执行指令包括用于以下操作的指令:
拦截发起设备和接收设备之间的语音呼叫的会话;
将在所述语音呼叫的会话期间在所述发起设备和所述接收设备之间交换的语音呼叫数据转换为预定义的数据格式,其中,转换所述语音呼叫数据还包括记录所述语音呼叫数据,并且,所述预定义的数据格式包括格式化文本;
分析转换后的语音呼叫数据以确定所拦截的语音呼叫的一个或多个属性;
基于所确定的一个或多个属性来识别与所拦截的语音呼叫的会话相关联的一个或多个特征;以及
使用所识别的一个或多个特征对所拦截的语音呼叫进行分类,其中,所拦截的语音呼叫的分类类型包括以下中的至少一者:常规呼叫和不想要的呼叫,并且,所识别的所述一个或多个特征包括以下中的至少一者:(i)记录的所述语音呼叫数据中机器人化的语音的存在、和(ii)所拦截的语音呼叫的情绪成分,其中,使用一组预先选择的音素串来确定所述机器人化的语音的存在,以及其中,所拦截的语音呼叫的情绪成分基于以下中的至少一者而是积极的或消极的:(i)将文本分解成词或词序列的规则,所述词或词序列具有预先指定的积极或消极的评价;(ii)词汇表,其中对来自预先编译的词汇表的积极词和消极词的数量进行计数;(iii)机器学习。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2020108161A RU2763047C2 (ru) | 2020-02-26 | 2020-02-26 | Система и способ классификации звонка |
RU2020108161 | 2020-02-26 | ||
US17/155,339 | 2021-01-22 | ||
US17/155,339 US11380303B2 (en) | 2020-02-26 | 2021-01-22 | System and method for call classification |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113315874A CN113315874A (zh) | 2021-08-27 |
CN113315874B true CN113315874B (zh) | 2024-03-19 |
Family
ID=77365296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110208038.8A Active CN113315874B (zh) | 2020-02-26 | 2021-02-24 | 用于呼叫分类的系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11380303B2 (zh) |
CN (1) | CN113315874B (zh) |
RU (1) | RU2763047C2 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2766273C1 (ru) * | 2020-09-24 | 2022-02-10 | Акционерное общество "Лаборатория Касперского" | Система и способ определения нежелательного звонка |
US11727935B2 (en) | 2020-12-15 | 2023-08-15 | Optum Technology, Inc. | Natural language processing for optimized extractive summarization |
US11741143B1 (en) | 2022-07-28 | 2023-08-29 | Optum, Inc. | Natural language processing techniques for document summarization using local and corpus-wide inferences |
US20240040035A1 (en) * | 2022-07-29 | 2024-02-01 | Realnetworks Llc | Detection of unwanted calls or caller intent based on a fusion of acoustic and textual analysis of calls |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103095889A (zh) * | 2013-01-07 | 2013-05-08 | 上海欣方智能系统有限公司 | 一种基于通话模式识别的垃圾呼叫拦截系统及其工作方法 |
CN108366173A (zh) * | 2018-01-05 | 2018-08-03 | 腾讯科技(深圳)有限公司 | 一种电话识别方法、相关设备及系统 |
CN110401779A (zh) * | 2018-04-24 | 2019-11-01 | 中国移动通信集团有限公司 | 一种识别电话号码的方法、装置和计算机可读存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4129442B2 (ja) | 2004-03-24 | 2008-08-06 | 株式会社東芝 | 移動装置システム |
US20090006085A1 (en) * | 2007-06-29 | 2009-01-01 | Microsoft Corporation | Automated call classification and prioritization |
US8488479B2 (en) * | 2008-12-19 | 2013-07-16 | At&T Intellectual Property I, L.P. | Method and apparatus for providing protection against spam |
RU91496U1 (ru) * | 2009-07-29 | 2010-02-10 | Сергей Олегович Крюков | Устройство фильтрации нежелательных звонков |
US10447838B2 (en) * | 2014-04-03 | 2019-10-15 | Location Labs, Inc. | Telephone fraud management system and method |
US9591131B2 (en) * | 2015-04-20 | 2017-03-07 | Youmail, Inc. | System and method for identifying unwanted callers and rejecting or otherwise disposing of calls from same |
JP6731326B2 (ja) * | 2016-10-31 | 2020-07-29 | ファーハット ロボティクス エービー | 音声対話装置及び音声対話方法 |
US10810510B2 (en) | 2017-02-17 | 2020-10-20 | International Business Machines Corporation | Conversation and context aware fraud and abuse prevention agent |
CN107331385A (zh) | 2017-07-07 | 2017-11-07 | 重庆邮电大学 | 一种骚扰电话的识别与拦截方法 |
US10530930B2 (en) * | 2017-11-17 | 2020-01-07 | Thrio, Inc. | AI-based compliance and preference system |
-
2020
- 2020-02-26 RU RU2020108161A patent/RU2763047C2/ru active
-
2021
- 2021-01-22 US US17/155,339 patent/US11380303B2/en active Active
- 2021-02-24 CN CN202110208038.8A patent/CN113315874B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103095889A (zh) * | 2013-01-07 | 2013-05-08 | 上海欣方智能系统有限公司 | 一种基于通话模式识别的垃圾呼叫拦截系统及其工作方法 |
CN108366173A (zh) * | 2018-01-05 | 2018-08-03 | 腾讯科技(深圳)有限公司 | 一种电话识别方法、相关设备及系统 |
CN110401779A (zh) * | 2018-04-24 | 2019-11-01 | 中国移动通信集团有限公司 | 一种识别电话号码的方法、装置和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20210264897A1 (en) | 2021-08-26 |
RU2763047C2 (ru) | 2021-12-27 |
US11380303B2 (en) | 2022-07-05 |
CN113315874A (zh) | 2021-08-27 |
RU2020108161A (ru) | 2021-08-26 |
RU2020108161A3 (zh) | 2021-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113315874B (zh) | 用于呼叫分类的系统和方法 | |
US11818083B2 (en) | Systems and methods for controlling secure persistent electronic communication account servicing with an intelligent assistant | |
US11194962B2 (en) | Automated identification and classification of complaint-specific user interactions using a multilayer neural network | |
US7756535B1 (en) | Lightweight content filtering system for mobile phones | |
US20050262343A1 (en) | Pervasive, user-centric network security enabled by dynamic datagram switch and an on-demand authentication and encryption scheme through mobile intelligent data carriers | |
JP6966357B2 (ja) | 情報処理システム、情報処理装置、情報処理方法及びプログラム | |
CN109614464B (zh) | 用于业务问题识别的方法及装置 | |
US11934556B2 (en) | Identifying sensitive content in electronic files | |
US11616879B2 (en) | System and method for handling unwanted telephone calls through a branching node | |
US11388286B2 (en) | System and method for handling unwanted telephone calls | |
US11997494B2 (en) | System and method for classifying incoming events by user's mobile device | |
EP3873075A1 (en) | System and method for call classification | |
US11664998B2 (en) | Intelligent hashing of sensitive information | |
US11895072B2 (en) | Intelligent sorting of time series data for improved contextual messaging | |
US20240112681A1 (en) | Voice biometrics for anonymous identification and personalization | |
EP4145764A1 (en) | System and method for protecting subscriber data in the event of unwanted calls | |
US20230076279A1 (en) | Deep learning for multi-channel customer feedback identification | |
US20230075097A1 (en) | System and method for protecting subscriber data in the event of unwanted calls | |
US11212381B2 (en) | Methods and systems for short code voice dialing | |
US20240161123A1 (en) | Auditing user feedback data | |
US20240098098A1 (en) | Computer-based systems configured for contextual notification of monitored dark web intelligence and methods of use thereof | |
KR20230094880A (ko) | 불법 자동응답 서비스를 탐지하기 위한 탐지 장치 및 방법 | |
CN113779980A (zh) | 用于识别文本的方法和装置 | |
US20170116981A1 (en) | Information exchange during audio conversations |
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 |