CN113361647A - 一种未接通电话类型识别方法 - Google Patents
一种未接通电话类型识别方法 Download PDFInfo
- Publication number
- CN113361647A CN113361647A CN202110761193.2A CN202110761193A CN113361647A CN 113361647 A CN113361647 A CN 113361647A CN 202110761193 A CN202110761193 A CN 202110761193A CN 113361647 A CN113361647 A CN 113361647A
- Authority
- CN
- China
- Prior art keywords
- unaccessed
- type
- keywords
- data set
- training
- 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 30
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 230000006854 communication Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2415—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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明涉及一种未接通电话类型识别方法,包括:获取未接通的电话录音并提取出未接通类型的关键词,将关键词对应的音频切分出来并计算相应的梅尔频率倒谱系数构成训练数据集;基于卷积神经网络构建未接通类型识别模型;使用预设算法和训练数据集对未接通类型识别模型进行训练;对待识别电话录音进行切分并获取相应的片段的所述梅尔频率倒谱系数,并将梅尔频率倒谱系数输入到训练好的未接通类型识别模型进行未接通类型的识别。相比于传统的未接通识别主要依赖于线路厂商返回的SIP编码来判断,且不同线路厂商对SIP编码的定义不一致,且不准确,使得识别的结果更加的准确可靠,提供了更准确的未接通原因。
Description
技术领域
本发明属于智能呼叫技术领域,具体涉及一种未接通电话类型识别方法。
背景技术
随着人工智能产业额发展,智能客服、外呼机器人得到了迅猛的发展,而呼叫中心作为连接客户与机器人的纽带,在其中发挥着重要的作用。智能外呼机器人在与客户的整个沟通过程中,存在着两个关键的结果:接通和未接通。接通后与客户的沟通内容完全由机器人进行主导,机器人可以根据沟通结果判断是否继续跟进和跟进的间隔。而未接通的话,由于机器人没有与客户进行过沟通,只能通过线路商返回的SIP编码来判断未接通的原因,精确的未接通结果有助于机器人对是否跟进和跟进间隔进行准确的推断。但是不同线路厂商的SIP编码不统一,且结果存在差异,这给机器人的判断带来了天然误差,不能给出精准的未接通原因。
发明内容
为了解决现有技术存在的未接通原因不准确的问题,本发明提供了一种未接通电话类型识别方法,其具有识别更加准确、未接通原因更加的精确等特点。
根据本发明的具体实施方式的一种未接通电话类型识别方法,包括:
获取未接通的电话录音并提取出未接通类型的关键词,将所述关键词对应的音频切分出来并计算相应的梅尔频率倒谱系数构成训练数据集;
基于卷积神经网络构建未接通类型识别模型;
使用预设算法和所述训练数据集对所述未接通类型识别模型进行训练;
对待识别电话录音进行切分并获取相应的片段的所述梅尔频率倒谱系数,并将所述梅尔频率倒谱系数输入到训练好的所述未接通类型识别模型进行未接通类型的识别。
进一步地,所述获取未接通的电话录音并提取出未接通类型的关键词,将所述关键词对应的音频切分出来并计算相应的梅尔频率倒谱系数构成训练数据集包括:
将所述电话录音经语音识别转换成相应的文本内容;根据所述文本内容提取用于判断所述电话录音未接通类型的关键词。
进一步地,所述获取未接通的电话录音并提取出未接通类型的关键词,将所述关键词对应的音频切分出来并计算相应的梅尔频率倒谱系数构成训练数据集还包括:
基于语音识别中的强制对齐算法将所述关键词对应的音频切分出来,并计算梅尔频率倒谱系数组成训练数据集。
进一步地,所述未接通类型识别模型包括依次连接的二维卷积核、深度特征理解器、平均池化层、全连接层和softmax函数。
进一步地,所述深度特征理解器的数量为三个。
进一步地,所述深度特征理解器包括第一管道和第二管道,所述第一管道包括依次连接的第一二维卷积层、第一归一化层、第一ReLU激活函数、第二二维卷积层和第二归一化层;
所述第二管道包括依次连接的第三二维卷积层、第三归一化层和第二ReLU激活函数,经所述第二归一化层和所述第二ReLU激活函数处理后的数据合并后由第三ReLU激活函数处理后输出。
进一步地,所述使用预设算法和所述训练数据集对所述未接通类型识别模型进行训练包括:
使用交叉熵损失函数进行不同关键词的分类。
进一步地,所述使用预设算法和所述训练数据集对所述未接通类型识别模型进行训练还包括:
使用随机梯度下降算法进行所述未接通类型识别模型的训练,使用小批量的数据输入方式来优化参数,学习率从0.2开始,每20000步学习率除以10,训练过程中使用0.001的权重衰减和0.3概率的随机遗忘来缓解过拟合。
本发明的有益效果为:通过利用未接通录音中的语音信息,训练了一个用于识别关键词的未接通类型识别模型,从而利用关键词判断未接通录音的类型,相比于传统的未接通识别主要依赖于线路厂商返回的SIP编码来判断,且不同线路厂商对SIP编码的定义不一致,且不准确,使得识别的结果更加的准确可靠,提供了更准确的未接通原因。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例提供的未接通电话类型识别方法的流程图;
图2是根据一示例性实施例提供的未接通类型识别模型和深度特征理解器的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
参照图1所示,本发明的实施例提供了一种未接通电话类型识别方法,具体包括以下步骤:
101、获取未接通的电话录音并提取出未接通类型的关键词,将关键词对应的音频切分出来并计算相应的梅尔频率倒谱系数构成训练数据集;
可通过收集实际拨打电话中未接通的录音,然后将录音经过语音识别转换出其中的文本内容;根据文本内容,提取用于判断该录音未接通类型的关键词,例如:"不存在","停机","关机","号码不正确","呼入限制","呼叫受限","已过期","无人接听"等,然后将关键词的相应的音频切分出来并计算梅尔频率倒谱系数(MFCC),组成待训练的数据集。
102、基于卷积神经网络构建未接通类型识别模型;
可使用残差网络的架构进行未接通类型识别模型的构建。
103、使用预设算法和训练数据集对未接通类型识别模型进行训练;
104、对待识别电话录音进行切分并获取相应的片段的梅尔频率倒谱系数,并将梅尔频率倒谱系数输入到训练好的未接通类型识别模型进行未接通类型的识别。
由于训练好的模型每次只能处理一个小片段的音频(例如:1秒),真实场景下未接通的录音长度不一致,且大部分长于30秒,因此模型部署时需要对输入音频进行分帧处理,然后再将相应的数据输入至模型进行识别。
这样通过利用未接通录音中的语音信息,训练了一个用于识别关键词的卷积神经网络的模型,从而利用关键词判断未接通录音的类型,相比于传统的未接通识别主要依赖于线路厂商返回的SIP编码来判断,且不同线路厂商对SIP编码的定义不一致使得识别的准确度和精准度更高。另外现有技术中的使用语音识别得到录音内容,进而判断未接通电话的类型。但是此种方法使用的语音识别需要耗费大量的计算资源,并且需要而外的服务器部署语音识别程序,提高了每通电话的成本。使用语音识别对未接通电话进行识别还耗费大量时间,平均1条30秒的音频需要0.8到1.2秒的时间,也大大缩减了识别的时间,从而提高了识别的效率。
作为上述实施例可行的实现方式,可使用语音识别中的强制对齐算法,将关键词对应的音频切分出来,并计算梅尔频率倒谱系数(MFCC),组成待训练的数据集。
然后将得到的MFCC特征作为网络的输入,参照图2中的左侧的结构图所示,其中,未接通类型识别模型包括依次连接的二维卷积核、深度特征理解器、平均池化层、全连接层和softmax函数。在具体实现时首先经过一个卷积核尺寸为3x1,步长为1,通道数为8的二维卷积核,然后依次经过3个深度特征理解器,最后进行平均池化层并接入全连接层,全连接层的输出维度由实际要分辨的类别决定,经由softmax函数得到每个类别的概率,选择概率值最高的位置作为预测类别。
其中深度特征提取器由二维卷积、批归一化、ReLU激活函数、残差连接组成,二维卷积的通道数有深度特征提取器统一设置为m。输入数据分别经过两个管道处理后相加并进过ReLU激活函数,得到输出。
其中深度特征理解器包括第一管道和第二管道,第一管道包括依次连接的第一二维卷积层、第一归一化层、第一ReLU激活函数、第二二维卷积层和第二归一化层;
第二管道包括依次连接的第三二维卷积层、第三归一化层和第二ReLU激活函数,经第二归一化层和第二ReLU激活函数处理后的数据合并后由第三ReLU激活函数处理后输出。
参照图2右侧所示的网络结构图,第一管道为:首先经过一个卷积核尺寸为9x1,步长为2,通道数为m的二维卷积,然后使用批量归一化并进行ReLU激活,最后再经过一个卷积核尺寸为9x1,步长为2,通道数为m的二维卷积,并使用批归一化,得到管道一的输出。
第二管道为:首先经过一个卷积核尺寸为1x1,步长为2,通道数为m的二维卷积,然后进行批归一化并经过ReLU激活后得到管道二的输出。
在本发明的一些具体实施例中,为了加快网络的运行速度将传统的3x3卷积核替换成了时间卷积nx3,第一层n=3,其他层n=9。卷积层和全连接层都不使用偏置,并且每个批归一化层都使用缩放和位移的可训练参数。每个Block表示一个深度特征提取器,深度特征提取器中使用两个9x1的卷积核来增加感受野,提取更宽的邻域特征;残差路径上使用1x1的卷积核融合多通道的特征,从而减少参数量,提高运算效率。主干网络中使用了3个深度特征提取器,通道数依次为16、24、32。
模型输出为不同关键词的分类,使用交叉熵损失函数,公式如下:
其中x表示样本,y表示真实的标签,α表示预测的标签,n表示样本的总数。
使用随机梯度下降算法进行模型的训练,使用小批量的数据输入方式来优化参数,学习率从0.2开始,每20000步学习率除以10。训练过程使用0.001的权重衰减和0.3概率的随机遗忘来缓解过拟合。
并且由于训练好的模型每次只能处理一个小片段的音频(例如:1秒),真实场景下未接通的录音长度不一致,且大部分长于30秒,因此模型部署时需要对输入音频进行分帧处理。首先,按照固定长度将音频信号进行切分,且每次切分时相互重叠一部分(建议重叠切分长度的1/3),这能保证关键帧能够落在一个片段中。然后,将每个片段依次计算MFCC特征,输入到模型中,获取模型的判断结果和置信度。最后选取置信度最高的判断结果作为该音频的未接通类型。
本发明上述实施例所提供的未接通电话类型识别方法,通过利用未接通录音中的语音信息,训练了一个用于识别关键词的模型,从而利用关键词判断未接通录音的类型。从而针对未接通电话的录音,识别其中的关键字,根据关键字来判断未接通的原因,从而给出精确的未接通原因,这给基于呼叫中心的上层应用提供了跟大的发展空间,使得未接通的原因的确定也更加的精准。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块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。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种未接通电话类型识别方法,其特征在于,包括:
获取未接通的电话录音并提取出未接通类型的关键词,将所述关键词对应的音频切分出来并计算相应的梅尔频率倒谱系数构成训练数据集;
基于卷积神经网络构建未接通类型识别模型;
使用预设算法和所述训练数据集对所述未接通类型识别模型进行训练;
对待识别电话录音进行切分并获取相应的片段的所述梅尔频率倒谱系数,并将所述梅尔频率倒谱系数输入到训练好的所述未接通类型识别模型进行未接通类型的识别。
2.根据权利要求1所述的未接通电话类型识别方法,其特征在于,所述获取未接通的电话录音并提取出未接通类型的关键词,将所述关键词对应的音频切分出来并计算相应的梅尔频率倒谱系数构成训练数据集包括:
将所述电话录音经语音识别转换成相应的文本内容;根据所述文本内容提取用于判断所述电话录音未接通类型的关键词。
3.根据权利要求2所述的未接通电话类型识别方法,其特征在于,所述获取未接通的电话录音并提取出未接通类型的关键词,将所述关键词对应的音频切分出来并计算相应的梅尔频率倒谱系数构成训练数据集还包括:
基于语音识别中的强制对齐算法将所述关键词对应的音频切分出来,并计算梅尔频率倒谱系数组成训练数据集。
4.根据权利要求3所述的未接通电话类型识别方法,其特征在于,所述未接通类型识别模型包括依次连接的二维卷积核、深度特征理解器、平均池化层、全连接层和softmax函数。
5.根据权利要求4所述的未接通电话类型识别方法,其特征在于,所述深度特征理解器的数量为三个。
6.根据权利要求4所述的未接通电话类型识别方法,其特征在于,所述深度特征理解器包括第一管道和第二管道,所述第一管道包括依次连接的第一二维卷积层、第一归一化层、第一ReLU激活函数、第二二维卷积层和第二归一化层;
所述第二管道包括依次连接的第三二维卷积层、第三归一化层和第二ReLU激活函数,经所述第二归一化层和所述第二ReLU激活函数处理后的数据合并后由第三ReLU激活函数处理后输出。
7.根据权利要求1所述的未接通电话类型识别方法,其特征在于,所述使用预设算法和所述训练数据集对所述未接通类型识别模型进行训练包括:
使用交叉熵损失函数进行不同关键词的分类。
8.根据权利要求7所述的未接通电话类型识别方法,其特征在于,所述使用预设算法和所述训练数据集对所述未接通类型识别模型进行训练还包括:
使用随机梯度下降算法进行所述未接通类型识别模型的训练,使用小批量的数据输入方式来优化参数,学习率从0.2开始,每20000步学习率除以10,训练过程中使用0.001的权重衰减和0.3概率的随机遗忘来缓解过拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110761193.2A CN113361647A (zh) | 2021-07-06 | 2021-07-06 | 一种未接通电话类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110761193.2A CN113361647A (zh) | 2021-07-06 | 2021-07-06 | 一种未接通电话类型识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361647A true CN113361647A (zh) | 2021-09-07 |
Family
ID=77538380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110761193.2A Pending CN113361647A (zh) | 2021-07-06 | 2021-07-06 | 一种未接通电话类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361647A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105679316A (zh) * | 2015-12-29 | 2016-06-15 | 深圳微服机器人科技有限公司 | 一种基于深度神经网络的语音关键词识别方法及装置 |
CN108766419A (zh) * | 2018-05-04 | 2018-11-06 | 华南理工大学 | 一种基于深度学习的非常态语音区别方法 |
CN109256150A (zh) * | 2018-10-12 | 2019-01-22 | 北京创景咨询有限公司 | 基于机器学习的语音情感识别系统及方法 |
CN110148408A (zh) * | 2019-05-29 | 2019-08-20 | 上海电力学院 | 一种基于深度残差的中文语音识别方法 |
CN110390952A (zh) * | 2019-06-21 | 2019-10-29 | 江南大学 | 基于双特征2-DenseNet并联的城市声音事件分类方法 |
CN110995938A (zh) * | 2019-12-13 | 2020-04-10 | 上海优扬新媒信息技术有限公司 | 数据处理方法和装置 |
CN111724770A (zh) * | 2020-05-19 | 2020-09-29 | 中国电子科技网络信息安全有限公司 | 一种基于深度卷积生成对抗网络的音频关键词识别方法 |
CN112382311A (zh) * | 2020-11-16 | 2021-02-19 | 谭昊玥 | 基于混合神经网络的婴儿啼哭声意图识别方法及装置 |
-
2021
- 2021-07-06 CN CN202110761193.2A patent/CN113361647A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105679316A (zh) * | 2015-12-29 | 2016-06-15 | 深圳微服机器人科技有限公司 | 一种基于深度神经网络的语音关键词识别方法及装置 |
CN108766419A (zh) * | 2018-05-04 | 2018-11-06 | 华南理工大学 | 一种基于深度学习的非常态语音区别方法 |
CN109256150A (zh) * | 2018-10-12 | 2019-01-22 | 北京创景咨询有限公司 | 基于机器学习的语音情感识别系统及方法 |
CN110148408A (zh) * | 2019-05-29 | 2019-08-20 | 上海电力学院 | 一种基于深度残差的中文语音识别方法 |
CN110390952A (zh) * | 2019-06-21 | 2019-10-29 | 江南大学 | 基于双特征2-DenseNet并联的城市声音事件分类方法 |
CN110995938A (zh) * | 2019-12-13 | 2020-04-10 | 上海优扬新媒信息技术有限公司 | 数据处理方法和装置 |
CN111724770A (zh) * | 2020-05-19 | 2020-09-29 | 中国电子科技网络信息安全有限公司 | 一种基于深度卷积生成对抗网络的音频关键词识别方法 |
CN112382311A (zh) * | 2020-11-16 | 2021-02-19 | 谭昊玥 | 基于混合神经网络的婴儿啼哭声意图识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108346436B (zh) | 语音情感检测方法、装置、计算机设备及存储介质 | |
WO2020244073A1 (zh) | 基于语音的用户分类方法、装置、计算机设备及存储介质 | |
EP3196816A1 (en) | Complexity aware call-steering strategy in heterogeneous human/machine call-center environments | |
EP2028645B1 (en) | Method and system of optimal selection strategy for statistical classifications in dialog systems | |
CN109559221A (zh) | 基于用户数据的催收方法、装置和存储介质 | |
CN104462600A (zh) | 实现来电原因自动分类的方法及装置 | |
CN113539244B (zh) | 端到端语音识别模型训练方法、语音识别方法及相关装置 | |
CN111597333B (zh) | 一种面向区块链领域的事件与事件要素抽取方法及装置 | |
CN112995414A (zh) | 基于语音通话的行为质检方法、装置、设备及存储介质 | |
CN113850387A (zh) | 专家系统知识库构建方法、问答方法、系统、装置及介质 | |
CN114782054A (zh) | 基于深度学习算法的客服服务质量检测方法及相关设备 | |
CN113870863B (zh) | 声纹识别方法及装置、存储介质及电子设备 | |
CN111310462A (zh) | 用户属性的确定方法、装置、设备及存储介质 | |
CN111640423B (zh) | 一种词边界估计方法、装置及电子设备 | |
CN109949827A (zh) | 一种基于深度学习与强化学习的室内声学行为识别方法 | |
CN114022192A (zh) | 一种基于智能营销场景的数据建模方法及系统 | |
CN114119191A (zh) | 风控方法、逾期预测方法、模型训练方法及相关设备 | |
CN113361647A (zh) | 一种未接通电话类型识别方法 | |
CN113724698B (zh) | 语音识别模型的训练方法、装置、设备及存储介质 | |
CN112633381B (zh) | 音频识别的方法及音频识别模型的训练方法 | |
CN115062769A (zh) | 基于知识蒸馏的模型训练方法、装置、设备及存储介质 | |
CN115081514A (zh) | 一种数据不平衡情况下的工业设备故障识别方法 | |
CN114023336A (zh) | 模型训练方法、装置、设备以及存储介质 | |
CN114203169A (zh) | 一种语音识别结果确定方法、装置、设备及存储介质 | |
CN113555005A (zh) | 模型训练、置信度确定方法及装置、电子设备、存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |