CN113688221A - 基于模型的话术推荐方法、装置、计算机设备和存储介质 - Google Patents

基于模型的话术推荐方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113688221A
CN113688221A CN202111052154.1A CN202111052154A CN113688221A CN 113688221 A CN113688221 A CN 113688221A CN 202111052154 A CN202111052154 A CN 202111052154A CN 113688221 A CN113688221 A CN 113688221A
Authority
CN
China
Prior art keywords
target
data
fraud
preset
model
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
Application number
CN202111052154.1A
Other languages
English (en)
Other versions
CN113688221B (zh
Inventor
陈思妮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202111052154.1A priority Critical patent/CN113688221B/zh
Publication of CN113688221A publication Critical patent/CN113688221A/zh
Application granted granted Critical
Publication of CN113688221B publication Critical patent/CN113688221B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3343—Query execution using phonetics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本申请涉及人工智能技术领域，提供一种基于模型的话术推荐方法、装置、计算机设备和存储介质，方法包括：获取目标客户与目标客服的通话语音数据；从通话语音数据获取目标客户的第一语音数据；基于第一语音数据判断目标客户是否具备诈骗风险；若否，获取第一语音数据的第一音频特征向量，通过情绪识别模型输出第一音频特征向量的第一情绪识别结果；获取第一语音数据对应的第一语音文本内容，将第一语音文本内容与第一情绪识别结果输入话术推荐模型，通过话术推荐模型输出目标推荐话术；将目标推荐话术发送至目标客服终端。本申请能提高话术推荐的准确性。本申请还可以应用于区块链领域，上述目标推荐话术等数据可以存储于区块链上。

Description

基于模型的话术推荐方法、装置、计算机设备和存储介质
技术领域
本申请涉及人工智能技术领域，具体涉及一种基于模型的话术推荐方法、装置、计算机设备和存储介质。
背景技术
现有技术中，在客服与客户进行通话交流时，通常需要回答客户的各种疑问，并为用户提供详细的产品介绍等等。然而，客户在咨询不同问题时的情绪状态往往是不相同的，但目前针对上述情形，客服通常是采用统一的标准话术进行与客户之间的沟通。也即是说，在相关技术中并未提供针对客户情绪的话术推荐方法以保证话术推荐的准确性。因此，在客服与客户进行通话交流时，如何向客服准确的推荐合适的话术，成为了当前亟需解决的技术问题。
发明内容
本申请的主要目的为提供一种基于模型的话术推荐方法、装置、计算机设备和存储介质，旨在解决在客服与客户进行通话交流时，现有的话术推荐方式存在推荐准确性较低的技术问题。
本申请提出一种基于模型的话术推荐方法，所述方法包括步骤：
在成功建立目标客户与目标客服之间的通话连接后，实时获取所述目标客户与所述目标客服之间的通话语音数据；
从所述通话语音数据中获取所述目标客户的第一语音数据；
基于所述第一语音数据，调用预设的诈骗关键词库与预设的诈骗声纹特征数据库对所述目标客户进行诈骗分析，判断所述目标客户是否具备诈骗风险；
若所述目标客户不具备诈骗风险，获取所述第一语音数据的第一音频特征向量，并将所述第一音频特征向量输入至预设的情绪识别模型中，以通过所述情绪识别模型输出对应的第一情绪识别结果；
获取与所述第一语音数据对应的第一语音文本内容，将所述第一语音文本内容与所述第一情绪识别结果输入至预设的话术推荐模型中，以通过所述模型输出对应的目标推荐话术；
将所述目标推荐话术实时发送至目标客服终端；其中，所述目标客服终端与所述目标客服具有对应关系。
可选地，所述基于所述第一语音数据，调用预设的诈骗关键词库与预设的诈骗声纹特征数据库对所述目标客户进行诈骗分析，判断所述目标客户是否具备诈骗风险的步骤，包括：
将所述第一语音数据转换为所述第一语音文本内容；
调用预设的诈骗关键词库，并从所述诈骗关键词库筛选出与预设场景类型对应的指定关键词；其中，所述指定关键词的数量为多个；
将所述第一语音文本内容与所述指定关键词进行匹配处理，判断所述第一语音文本内容中是否包含所述指定关键词；
若不包含所述指定关键词，从所述第一语音数据中提取出目标声纹特征；
调用预设的诈骗声纹特征数据库，并将所述目标声纹特征与所述诈骗声纹特征数据库中包含的所有声纹特征进行比对，判断所述诈骗声纹特征数据库中是否存在与所述目标声纹特征匹配的声纹特征；
若不存在与所述目标声纹特征匹配的声纹特征，判定所述目标客户不具备欺诈风险，否则判定所述目标客户具备欺诈风险。
可选地，所述调用预设的诈骗关键词库与预设的诈骗声纹特征数据库对所述目标客户进行诈骗分析的步骤之前，包括：
获取预设的诈骗场景类型，并将所有所述诈骗场景类型作为索引信息；
在预设的数据库中分别设置与所述索引信息的数量相同的多个存储区块，并为各所述索引信息与各所述存储区块建立一一对应的映射关系；
通过网络爬虫从网站上分别提取与各所述诈骗场景类型对应的诈骗关键词；
基于所述诈骗场景类型与所述索引信息的第一对应关系，以及所述索引信息与所述存储区块的第二对应关系，生成所述诈骗场景类型与所述存储区块的第三对应关系；
基于所述第三对应关系，将各所述诈骗场景类型的诈骗关键词分别对应地添加至所述数据库中的各个存储区块内，得到所述诈骗关键词库。
可选地，所述将所述第一语音文本内容与所述第一情绪识别结果输入至预设的话术推荐模型中，以通过所述模型输出对应的目标推荐话术的步骤之前，包括：
从预设的通话录音数据库中获取指定数量的指定通话录音数据；其中，所述指定通话录音数据的服务评价信息为满意；
提取每一个所述指定通话录音数据中客户的第二语音数据，以及提取每一个指定通话录音数据中客服的第三语音数据；
获取与所述第二语音数据对应的第二音频特征向量与第二语音文本内容，以及获取与所述第三语音数据对应的第三语音文本内容，并通过所述情绪识别模型识别出与所述第二音频特征向量对应的第二情绪识别结果；
将所述第二语音文本内容、所述第二情绪识别结果与所述第三语音文本内容作为样本数据，得到指定数量的样本数据；
从所述样本数据中筛选出第一预设比例的样本数据作为训练数据集，以及筛选出第二预设比例的样本数据作为测试数据集；
使用所述训练数据集对预设的初始模型进行训练，得到训练后的初始模型；
使用所述测试数据集对所述训练后的初始模型进行验证，判断所述训练后的初始模型的模型准确率是否大于预设的准确率阈值；
若是，将所述训练后的初始模型作为所述话术推荐模型。
可选地，所述将所述目标推荐话术实时发送至目标客服终端的步骤之后，包括：
在所述目标客户与所述目标客服之间的通话连接断开后，获取所述目标客户与所述目标客服之间的所有通话语音数据，并将所述所有通话语音数据记为目标通话语音数据；
从所述目标通话语音数据中筛选出与所述目标客户对应的所有第四语音数据，并对所述第四语音数据进行识别处理得到对应的第四语音文本内容；
调用预设的正则表达式从所述第四语音文本内容中提取出客户属性特征数据；
调用预设的语义分析模型对所述第四语音文本内容进行关键词提取得到对应的关键词，并对得到的关键词进行语义分析得到目标关键词；
将所述目标关键词作为所述客户的意图特征数据，并基于所述客户属性特征数据与所述意图特征数据构建所述目标客户的客户画像；
从预设的产品数据库中获取与所述客户画像对应的目标推荐产品，并将所述目标推荐产品推送至目标客户终端；其中，所述目标客户终端与所述目标客户具有对应关系。
可选地，所述基于所述客户属性特征数据与所述意图特征数据构建所述客户的客户画像的步骤，包括：
获取预设的画像模板；其中，所述画像模板包括属性填充区域与意图填充区域；
将所述客户属性特征数据填充至所述属性填充区域，以及将所述意图特征数据填充至所述意图填充区域，得到填充后的画像模板；
将所述填充后的画像模板作为所述客户画像。
可选地，所述从预设的产品数据库中获取与所述客户画像对应的目标推荐产品的步骤，包括：
调用所述产品数据库；其中，所述产品数据库中记录有历史客户的历史客户画像，以及所述历史客户的产品购买记录数据，所述产品购买记录数据包括产品、产品的购买金额、产品的购买概率；
从所述产品数据库中查询出与所述客户画像相关联的目标历史客户画像，并获取与所述目标历史客户画像对应的第一产品购买记录数据；
获取所述目标客户的第二产品购买记录数据；
对所述第二产品购买记录数据进行数值分析，提取出所述第二产品购买记录数据中购买金额数值最大的第一产品，以及提取出所述第二产品购买记录数据中购买金额数值最小的第二产品；
基于所述第一产品的购买金额与所述第二产品的购买金额，生成对应的产品购买推荐金额区间；
对所有所述第一产品购买记录数据中包含的产品进行去重处理，得到处理后的第一产品购买记录数据；
从所述处理后的第一产品购买记录数据中筛选出购买金额处于所述产品购买推荐金额区间内的第三产品；
获取各所述第三产品的购买概率；
从所有所述第三产品中筛选出购买概率大于预设的概率阈值的第四产品；
将所述第四产品作为所述目标推荐产品。
本申请还提供一种基于模型的话术推荐装置，包括：
第一获取模块，用于在成功建立目标客户与目标客服之间的通话连接后，实时获取所述目标客户与所述目标客服之间的通话语音数据；
第二获取模块，用于从所述通话语音数据中获取所述目标客户的第一语音数据；
分析模块，用于基于所述第一语音数据，调用预设的诈骗关键词库与预设的诈骗声纹特征数据库对所述目标客户进行诈骗分析，判断所述目标客户是否具备诈骗风险；
第一输出模块，用于若所述目标客户不具备诈骗风险，获取所述第一语音数据的第一音频特征向量，并将所述第一音频特征向量输入至预设的情绪识别模型中，以通过所述情绪识别模型输出对应的第一情绪识别结果；
第二输出模块，用于获取与所述第一语音数据对应的第一语音文本内容，将所述第一语音文本内容与所述第一情绪识别结果输入至预设的话术推荐模型中，以通过所述模型输出对应的目标推荐话术；
发送模块，用于将所述目标推荐话术实时发送至目标客服终端；其中，所述目标客服终端与所述目标客服具有对应关系。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本申请中提供的基于模型的话术推荐方法、装置、计算机设备和存储介质，具有以下有益效果：
本申请中提供的基于模型的话术推荐方法、装置、计算机设备和存储介质，在成功建立目标客户与目标客服之间的通话连接后，会实时获取所述目标客户与所述目标客服之间的通话语音数据，并基于所述第一语音数据，调用预设的诈骗关键词库与预设的诈骗声纹特征数据库分析出目标客户不具备诈骗风险后，然后获取所述第一语音数据的第一音频特征向量，并将所述第一音频特征向量输入至预设的情绪识别模型中，以通过所述情绪识别模型输出对应的第一情绪识别结果，最终利用预设的话术推荐模型对得到的第一情绪识别结果以及所述第一语音数据对应的第一语音文本内容进行分析以得到相关的目标推荐话术，并将该目标推荐话术实时发送至目标客服终端，以供目标客服进行参考并应对目标客户。由于生成的目标推荐话术与目标客户的语音数据及情绪相匹配，从而可以有效地提高话术推荐的准确性，有利于保障目标客户与目标客服之间的通话能够顺利进行，进而提高目标客户的使用体验，减少客户投诉和客户流失。
附图说明
图1是本申请一实施例的基于模型的话术推荐方法的流程示意图；
图2是本申请一实施例的基于模型的话术推荐装置的结构示意图；
图3是本申请一实施例的计算机设备的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用于解释本申请，并不用于限定本申请。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
参照图1，本申请一实施例的基于模型的话术推荐方法，包括：
S1：在成功建立目标客户与目标客服之间的通话连接后，实时获取所述目标客户与所述目标客服之间的通话语音数据；
S2：从所述通话语音数据中获取所述目标客户的第一语音数据；
S3：基于所述第一语音数据，调用预设的诈骗关键词库与预设的诈骗声纹特征数据库对所述目标客户进行诈骗分析，判断所述目标客户是否具备诈骗风险；
S4：若所述目标客户不具备诈骗风险，获取所述第一语音数据的第一音频特征向量，并将所述第一音频特征向量输入至预设的情绪识别模型中，以通过所述情绪识别模型输出对应的第一情绪识别结果；
S5：获取与所述第一语音数据对应的第一语音文本内容，将所述第一语音文本内容与所述第一情绪识别结果输入至预设的话术推荐模型中，以通过所述模型输出对应的目标推荐话术；
S6：将所述目标推荐话术实时发送至目标客服终端；其中，所述目标客服终端与所述目标客服具有对应关系。
如上述步骤S1至S6所述，本方法实施例的执行主体为一种基于模型的话术推荐装置。在实际应用中，上述基于模型的话术推荐装置可以通过虚拟装置，例如软件代码实现，也可以通过写入或集成有相关执行代码的实体装置实现，且可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。所述基于模型的话术推荐装置具体可为电话中心服务系统。本实施例中的基于模型的话术推荐装置，能够有效地提高话术推荐的准确性，有利于保障目标客户与目标客服之间的通话能够顺利进行。具体地，在成功建立目标客户与目标客服之间的通话连接后，首先实时获取所述目标客户与所述目标客服之间的通话语音数据。其中，当有客户进线并与客服接通后，装置可通过电话语音平台实时获取客户与客服之间的语音通话语音数据，通话语音数据指客户与坐席之间的交互音频流数据。然后从所述通话语音数据中获取所述目标客户的第一语音数据。其中，所述第一语音数据对应所述通话录音数据中由目标客户输入的语音数据。
之后基于所述第一语音数据，调用预设的诈骗关键词库与预设的诈骗声纹特征数据库对所述目标客户进行诈骗分析，判断所述目标客户是否具备诈骗风险。若所述目标客户不具备诈骗风险，获取所述第一语音数据的第一音频特征向量，并将所述第一音频特征向量输入至预设的情绪识别模型中，以通过所述情绪识别模型输出对应的第一情绪识别结果。其中，对当前获取的第一语音数据进行特征提取，可得到包括以下几种音频特征中的一种或多种音频特征向量：能量特征、发音帧数特征、基音频率特征、共振峰特征、谐波噪声比特征以及梅尔倒谱系数特征。另外，预先创建有情绪识别模型，通过将所述第一音频特征向量输入该语音识别模型中进行分析识别，以识别出所述第一音频特征向量所对应的第一情绪识别结果，即目标客户的情绪分类。所述预设的情绪识别模型优选采用包括DNN-HMM声学模型、n-gram语言模型和WFST加权图的情绪分析模型，第一音频特征向量优选梅尔倒谱系数特征向量。当然，所述预设的情绪识别模型也可以是其它情绪识别模型。所述第一情绪识别结果包括：平静类、满意类、厌烦类以及生气类，等等。
后续获取与所述第一语音数据对应的第一语音文本内容，将所述第一语音文本内容与所述第一情绪识别结果输入至预设的话术推荐模型中，以通过所述模型输出对应的目标推荐话术。其中，可通过预设的语音识别模型对该第一语音数据进行识别处理生成对应的第一语音文本内容，即第一语音数据所对应的文字内容。该语音识别模型是用于将语音数据转换为文本内容的模型，可通过语音识别模型获取第一语音数据的频谱特征，并使用第一语音数据的频谱特征与语音识别模型中预先存储的母音、字音或者单词对应的物理频谱特征进行匹配，输出与第一语音数据的频谱特征相同的物理频谱特对应的文字，从而将第一语音数据转换为对应的第一语音文本内容。另外，装置还包含有预先训练好的话术推荐模型，在通过所述情绪识别模型识别出所述第一音频特征向量对应的第一情绪识别结果后，将得到的第一情绪识别结果输入该话术推荐模型中分析，可以得出模型输出的目标推荐话术。
最后将所述目标推荐话术实时发送至目标客服终端；其中，所述目标客服终端与所述目标客服具有对应关系。另外，通过实时将该目标推荐话术发送至目标客服终端进行展示以供目标客服参考，从而可帮助目标客户能够顺利应对目标客户。本实施例中，由于生成的目标推荐话术与目标客户的语音数据及情绪相匹配，从而可以有效地提高话术推荐的准确性，有利于保障目标客户与目标客服之间的通话能够顺利进行，进而提高目标客户的使用体验，减少客户投诉和客户流失。
进一步地，本申请一实施例中，上述步骤S3，包括：
S300：将所述第一语音数据转换为所述第一语音文本内容；
S301：调用预设的诈骗关键词库，并从所述诈骗关键词库筛选出与预设场景类型对应的指定关键词；其中，所述指定关键词的数量为多个；
S302：将所述第一语音文本内容与所述指定关键词进行匹配处理，判断所述第一语音文本内容中是否包含所述指定关键词；
S303：若不包含所述指定关键词，从所述第一语音数据中提取出目标声纹特征；
S304：调用预设的诈骗声纹特征数据库，并将所述目标声纹特征与所述诈骗声纹特征数据库中包含的所有声纹特征进行比对，判断所述诈骗声纹特征数据库中是否存在与所述目标声纹特征匹配的声纹特征；
S305：若不存在与所述目标声纹特征匹配的声纹特征，判定所述目标客户不具备欺诈风险，否则判定所述目标客户具备欺诈风险。
如上述步骤S300至S305所述，所述基于所述第一语音数据，调用预设的诈骗关键词库与预设的诈骗声纹特征数据库对所述目标客户进行诈骗分析，判断所述目标客户是否具备诈骗风险的步骤，具体可包括：首先将所述第一语音数据转换为所述第一语音文本内容。其中，在将第一语音信息转换识别为第一语音文本内容后，可对识别得到的第一语音文本内容进行存储，当存储的第一语音文本内容的存储时间超过设定时间阈值时，可将无效部分的文本内容进行删除，以避免无效的文本内容占据装置的存储空间而导致装置运作缓慢。另外，在进行第一语音文本内容的存储时，可以仅存储第一语音文本内容中的诈骗关键词以备后续查看。然后调用预设的诈骗关键词库，并从所述诈骗关键词库筛选出与预设场景类型对应的指定关键词。其中，所述指定关键词的数量为多个。之后将所述第一语音文本内容与所述指定关键词进行匹配处理，判断所述第一语音文本内容中是否包含所述指定关键词。另外，判断第一语音文本内容中是否包含诈骗关键词时，可以将该第一语音文本内容在诈骗关键词库中进行匹配，如至少存在一个成功匹配的关键词，则表明该第一语音文本内容中包含了指定诈骗关键词。此外，诈骗关键词库用于存储各类诈骗关键词，其可包括可进行更新的网络服务器诈骗关键词库。预设场景类型为所有诈骗场景类型中一个或多个场景类型，且该预设场景类型的数量少于所述所有诈骗场景类型的数量。通过智能地只从所述诈骗关键词库筛选出与预设场景类型对应的指定关键词来与第一语音文本内容进行比对处理，而不需要将诈骗关键词库中的所有诈骗关键词与第一语音文本内容进行比对处理，有效地减少了数据处理量，有效地提高了对比处理的处理效率。若不包含所述指定关键词，从所述第一语音数据中提取出目标声纹特征。其中，声纹特征可包括LPCC(线性预测倒谱系数)特征、MFCC(美尔频率倒谱系数)特征等。后续调用预设的诈骗声纹特征数据库，并将所述目标声纹特征与所述诈骗声纹特征数据库中包含的所有声纹特征进行比对，判断所述诈骗声纹特征数据库中是否存在与所述目标声纹特征匹配的声纹特征。其中，诈骗声纹特征数据库中存储的是已有的诈骗人的声纹特征。另外，可通过计算所述目标声纹特征与所述诈骗声纹特征数据库中的所有声纹特征的声纹相似度的方式，来确定出数据库中是否存在与所述目标声纹特征相同的声纹特征。并预设有一个指定相似度阈值，如果计算得到的声纹相似度中存在大于该指定相似度阈值的相似度，则表明诈骗声纹特征数据库中存在与所述目标声纹特征匹配的声纹特征。具体地，可调用预设的距离计算公式，来计算上述目标声纹特征与上述声纹特征之间的声纹相似度。其中，上述距离计算公式可为：
Figure BDA0003253359530000111
a为目标声纹特征，b为声纹特征。若不存在与所述目标声纹特征匹配的声纹特征，判定所述目标客户不具备欺诈风险，否则判定所述目标客户具备欺诈风险。本实施例在判别出所述第一语音数据的第一语音文本内容中不包含与诈骗关键词库中对应的预设诈骗场景下的指定诈骗关键词时，还会进一步判别所述诈骗声纹特征数据库中是否存在与所述语音数据的目标声纹特征相同的声纹特征，只有目标客户不具备诈骗风险时，后续才会继续进行两者间的通话沟通，提高了通话过程的处理智能性，降低通话损耗。本实施例通过多种方式来共同确定出当前的目标用户是否具有欺诈风险，有效地提高了诈骗识别的准确性。
在另一个实施例中，若存在与所述语音数据的目标声纹特征相同的声纹特征则确定所述用户为诈骗人，且当前的目标客户具有欺诈风险，则后续会限制对该目标客户进行下一步的通话电话沟通，即直接挂断与目标客户的通话，并可生成与该目标客户对应的欺诈预警信息并存储。且后续还可智能地生成相应的欺诈预警信息并发送给相关用户以采取相应的处理措施，以有效避免由于响应了目标客户的欺诈行为而导致的损失，提高了客服在进行业务推广时的智能性与安全性。另外，在所述第一语音文本内容中包括所述诈骗关键词库中的诈骗关键词时，可进一步将所述目标用户的声纹特征添加到所述诈骗声纹特征库中。使得能够实时更新诈骗声纹特征库，实现诈骗声纹特征智能学习的功能，从而能够提高识别精准诈骗的精度。
进一步地，本申请一实施例中，上述步骤S3之前，包括：
S310：获取预设的诈骗场景类型，并将所有所述诈骗场景类型作为索引信息；
S311：在预设的数据库中分别设置与所述索引信息的数量相同的多个存储区块，并为各所述索引信息与各所述存储区块建立一一对应的映射关系；
S312：通过网络爬虫从网站上分别提取与各所述诈骗场景类型对应的诈骗关键词；
S313：基于所述诈骗场景类型与所述索引信息的第一对应关系，以及所述索引信息与所述存储区块的第二对应关系，生成所述诈骗场景类型与所述存储区块的第三对应关系；
S314：基于所述第三对应关系，将各所述诈骗场景类型的诈骗关键词分别对应地添加至所述数据库中的各个存储区块内，得到所述诈骗关键词库。
如上述步骤S310至S314所述，在执行所述调用预设的诈骗关键词库与预设的诈骗声纹特征数据库对所述目标客户进行诈骗分析的步骤之前，还可包括对于所述诈骗关键词库的创建过程。具体地，首先获取预设的诈骗场景类型，并将所有所述诈骗场景类型作为索引信息。其中，诈骗场景类型可包括转账诈骗场景，兼职诈骗场景，购物诈骗场景，网络交友诈骗场景。然后在预设的数据库中分别设置与所述索引信息的数量相同的多个存储区块，并为各所述索引信息与各所述存储区块建立一一对应的映射关系。之后通过网络爬虫从网站上分别提取与各所述诈骗场景类型对应的诈骗关键词。后续基于所述诈骗场景类型与所述索引信息的第一对应关系，以及所述索引信息与所述存储区块的第二对应关系，生成所述诈骗场景类型与所述存储区块的第三对应关系。最后基于所述第三对应关系，将各所述诈骗场景类型的诈骗关键词分别对应地添加至所述数据库中的各个存储区块内，得到所述诈骗关键词库。本实施例通过使用网络爬虫从网站上提取不同诈骗场景下的诈骗关键词，并将不同诈骗场景下的诈骗关键词添加到诈骗关键词库中，从而能够实时更新诈骗关键词库，实现诈骗关键词智能学习的功能，以提高识别精准诈骗的精度。另外，在生成了诈骗关键词库后有利于后续基于该诈骗关键词库来准确的进行对目标用户的诈骗分析，进而根据得到的分析结果对本次的通话执行相对应的后续处理，提高了通话处理的智能性与安全性。
进一步地，本申请一实施例中，上述步骤S5之前，包括：
S500：从预设的通话录音数据库中获取指定数量的指定通话录音数据；其中，所述指定通话录音数据的服务评价信息为满意；
S501：提取每一个所述指定通话录音数据中客户的第二语音数据，以及提取每一个指定通话录音数据中客服的第三语音数据；
S502：获取与所述第二语音数据对应的第二音频特征向量与第二语音文本内容，以及获取与所述第三语音数据对应的第三语音文本内容，并通过所述情绪识别模型识别出与所述第二音频特征向量对应的第二情绪识别结果；
S503：将所述第二语音文本内容、所述第二情绪识别结果与所述第三语音文本内容作为样本数据，得到指定数量的样本数据；
S504：从所述样本数据中筛选出第一预设比例的样本数据作为训练数据集，以及筛选出第二预设比例的样本数据作为测试数据集；
S505：使用所述训练数据集对预设的初始模型进行训练，得到训练后的初始模型；
S506：使用所述测试数据集对所述训练后的初始模型进行验证，判断所述训练后的初始模型的模型准确率是否大于预设的准确率阈值；
S507：若是，将所述训练后的初始模型作为所述话术推荐模型。
如上述步骤S500至S507所述，在执行所述将所述第一语音文本内容与所述第一情绪识别结果输入至预设的话术推荐模型中，以通过所述模型输出对应的目标推荐话术的步骤之前，还可包括对于所述话术推荐模型的创建过程。具体地，首先从预设的通话录音数据库中获取指定数量的指定通话录音数据。其中，所述指定通话录音数据的服务评价信息为满意。在银行、证券和保险等金融机构在金融产品或者其他业务产品的推广中，通常需要业务人员如客服通过电话向客户推荐产品。同时会使用录音设备将营销过程的通话内容记录下来，得到历史通话录音，并将用户的用户标识和历史通话录音对应地存储到用于存储历史通话录音的数据库中，以得到所述通话录音数据库。每个历史通话录音对应一个用户标识，使得能够根据用户标识确定用户的历史通话录音，进而通话录音数据库中获取客户的通话录音数据。另外，通话录音数据可以是按照单轮对话的形式保存的，通话录音数据包括通话中的单轮数据，即客户的语音数据以及坐席对客户的语音数据输出的应答语音数据。此外，每个通话录音数据通常都标记有客户针对坐席提供的通话服务所反馈的满意度的服务评价信息。所述指定数量可根据实际需求设置。然后提取每一个所述指定通话录音数据中客户的第二语音数据，以及提取每一个指定通话录音数据中客服的第三语音数据。其中，对获取的每一个录音数据中客户输入的第二语音数据进行音频特征向量提取以得到对应的第二音频特征向量。所述音频特征向量可以为包括以下几种音频特征中的一种或多种：能量特征、发音帧数特征、基音频率特征、共振峰特征、谐波噪声比特征以及梅尔倒谱系数特征。另外，所述第二语音数据对应所述指定通话录音数据中的客户输入的语音数据，所述第三语音数据对应所述指定通话录音数据中的客服输入的语音数据。
在得到第二语音数据与第三语音数据后，获取与所述第二语音数据对应的第二音频特征向量与第二语音文本内容，以及获取与所述第三语音数据对应的第三语音文本内容，并通过所述情绪识别模型识别出与所述第二音频特征向量对应的第二情绪识别结果。之后将所述第二语音文本内容、所述第二情绪识别结果与所述第三语音文本内容作为样本数据，得到指定数量的样本数据。在得到样本数据后，从所述样本数据中筛选出第一预设比例的样本数据作为训练数据集，以及筛选出第二预设比例的样本数据作为测试数据集。其中，对于第一预设比例与第二预设比例的具体数值不作限定，可根据实际需求进行设置，只需保证第一预设比例大于第二预设比例，且两者的和值小于1即可。后续使用所述训练数据集对预设的初始模型进行训练，得到训练后的初始模型。最后使用所述测试数据集对所述训练后的初始模型进行验证，判断所述训练后的初始模型的模型准确率是否大于预设的准确率阈值。其中，可采用以下标准来检验训练后的初始模型的准确率：训练后的初始模型在对测试数据集中的一个样本预测得到的相应的推荐话术后，若该推荐话术的内容中超过第三预设比例(例如95％)的内容与该样本的第二语音文本内容相同，则判定为预测准确。对于第三预设比例的具体数值不作限定，可根据实际需求进行设置。若大于所述准确率阈值，将所述训练后的初始模型作为所述话术推荐模型。其中，装置中预先设置了预测的准确率阈值(例如98％)，用于对所述训练后的初始模型的训练效果进行检验，若预测准确率大于所述准确率阈值，那么说明所述训练后的初始模型的训练达到了预设标准，此时则结束模型训练，并将该训练后的初始模型作为情绪识别模型。另外，若预测准确率小于或等于所述准确率阈值，那么说明所述训练后的初始模型的训练还没有达到了预设标准，可能是训练数据集的样本数量过少或测试数据集的样本数量过少，所以，在这种情况时，则增大所述指定数量(即增大了样本数量，例如，每次增加固定数量或每次增加随机数量)，然后在这基础上，重新执行上述的训练步骤与测试步骤，如此循环执行，直至达到了训练后的初始模型的模型准确率大于预设的准确率阈值的要求，则结束模型训练。本实施例通过基于预设的通话录音数据库中的指定通话录音数据来对预设的初始模型进行训练及验证，从而可以智能快速的生成符合实际使用需求的话术推荐模型，有利于后续能够在目标客户与目标坐席进行通话的过程中，基于该话术推荐模型来为坐席推送合理准确的推荐话术，以有效保证目标客户与目标客服之间的通话能够顺利进行。
进一步地，本申请一实施例中，上述步骤S6之后，包括：
S600：在所述目标客户与所述目标客服之间的通话连接断开后，获取所述目标客户与所述目标客服之间的所有通话语音数据，并将所述所有通话语音数据记为目标通话语音数据；
S601：从所述目标通话语音数据中筛选出与所述目标客户对应的所有第四语音数据，并对所述第四语音数据进行识别处理得到对应的第四语音文本内容；
S602：调用预设的正则表达式从所述第四语音文本内容中提取出客户属性特征数据；
S603：调用预设的语义分析模型对所述第四语音文本内容进行关键词提取得到对应的关键词，并对得到的关键词进行语义分析得到目标关键词；
S604：将所述目标关键词作为所述客户的意图特征数据，并基于所述客户属性特征数据与所述意图特征数据构建所述目标客户的客户画像；
S605：从预设的产品数据库中获取与所述客户画像对应的目标推荐产品，并将所述目标推荐产品推送至目标客户终端；其中，所述目标客户终端与所述目标客户具有对应关系。
如上述步骤S600至S605所述，在执行完所述将所述目标推荐话术实时发送至目标客服终端的步骤之后，还可包括基于所述目标客户与所述目标客服之间的所有通话语音数据生成该目标客户的客户画像并向目标客户推送相应的目标推荐产品的过程。具体地，在所述目标客户与所述目标客服之间的通话连接断开后，首先获取所述目标客户与所述目标客服之间的所有通话语音数据，并将所述所有通话语音数据记为目标通话语音数据。然后从所述目标通话语音数据中筛选出与所述目标客户对应的所有第四语音数据，并对所述第四语音数据进行识别处理得到对应的第四语音文本内容。之后调用预设的正则表达式从所述第四语音文本内容中提取出客户属性特征数据。其中，所述客户属性特征数据可包括但不限于数据：体重、身高、职业、年龄以及学历。另外，可通过提前设定好各种正则表达式来进行用户属性特征数据的提取，例如要获取客户的年龄特征数据时，上述预设的正则表达式可以设置为“％d岁”，然后根据这个正则表达式在第四语音文本内容中进行数据提取，当识别到数字后面出现了‘岁’字即匹配成功，然后提取出对应的数据，从而实现年龄所对应的数据的提取，其他类型的属性特征数据的提取方式与上述原理一致，在此不做过多阐述。以及调用预设的语义分析模型对所述第四语音文本内容进行关键词提取得到对应的关键词，并对得到的关键词进行语义分析得到目标关键词。其中，预设的语义分析模型是用于对词语、语句或者文章进行语义分析的模型，该预设的语义分析模型具体可以是自然语言处理工具FudanNLP，也可以是中文语义分析系统bosonnlp等，具体可以根据实际应用的需要进行选取。具体的，可使用预设的语义分析模型对目标客户对应的第二语音文本数据中的语句进行分析处理，提取能够反映第二语音文本数据的主题或者主要内容的词语作为关键词，并对提取到的关键词进行语义分析，理解关键词表达的含义、主题和相似度等语义信息，并根据关键词中存在的关联信息识别得到相关的语义信息，并根据语义分析的结果将关键词拼接，或者在预设的语义分析模型中的语料库中使用模糊查询的方法将关键词映射成用户的行为习惯或者兴趣爱好以得到目标关键词。进而根据得到的目标关键词，将目标关键词作为目标客户的意图特征数据，用于描述用户的行为习惯和兴趣爱好。从而可以有效实现通过目标客户的通话语音数据收集该目标客户的信息，确定目标客户的行为习惯和兴趣爱好，以便后续能够准确生成目标客户的客户画像。举例地，假如第四语音文本内容为“我打算找一家公司买车险，价格最好在一万以下”，对其进行分词处理并提取能够反映第四语音文本内容的主题或者主要内容的词语作为关键词，得到分词“打算”、“公司”、“车险”、“价格”、“买”和“1万”等关键词，并对提取到的关键词进行语义分析，得到目标关键词“打算买保险”和“价格一万以下”。后续将所述目标关键词作为所述客户的意图特征数据，并基于所述客户属性特征数据与所述意图特征数据构建所述目标客户的客户画像。其中，意图特征数据是客户的行为习惯和兴趣爱好等特征数据，意图特征数据的数量至少为一个。最后从预设的产品数据库中获取与所述客户画像对应的目标推荐产品，并将所述目标推荐产品推送至目标客户终端；其中，所述目标客户终端与所述目标客户具有对应关系。本实施例能够基于预设的正则表达式与预设的语义分析模型，对目标客户与所述目标客服之间实时产生的所有通话语音数据进行画像处理，可以实现实时准确地生成该目标客户的客户画像，使得后续能够基于该客户画像从预设的产品数据库中挑选出相关的目标推荐产品来推送给目标客户，有效地提高了产品推荐的准确性与智能性，保证了目标客户的使用体验，有利于提高产品的购买成功率。
进一步地，本申请一实施例中，上述步骤S604的基于所述客户属性特征数据与所述意图特征数据构建所述目标客户的客户画像，包括：
S6040：获取预设的画像模板；其中，所述画像模板包括属性填充区域与意图填充区域；
S6041：将所述客户属性特征数据填充至所述属性填充区域，以及将所述意图特征数据填充至所述意图填充区域，得到填充后的画像模板；
S6042：将所述填充后的画像模板作为所述客户画像。
如上述步骤S6040至S6042所述，所述基于所述客户属性特征数据与所述意图特征数据构建所述客户的客户画像的步骤，具体可包括：首先获取预设的画像模板。其中，所述画像模板包括属性填充区域与意图填充区域。另外，所述画像模板可为预先生成并存储于装置内的模板文件。然后将所述客户属性特征数据填充至所述属性填充区域，以及将所述意图特征数据填充至所述意图填充区域，得到填充后的画像模板。最后将所述填充后的画像模板作为所述客户画像。其中，在生成了客户画像后，还可对其进行存储，如将上述客户画像存储于区块链上。通过使用区块链来对上述客户画像进行存储和管理，能够有效地保证上述客户画像的安全性与不可篡改性。本实施例通过基于客户属性特征数据与意图特征数据，能够快速准确地生成客户的客户画像，有利于后续能够基于该客户画像来从预设的产品数据库中挑选出相关的目标推荐产品来推送给目标客户，有利于提高产品推荐的准确性与智能性。
进一步地，本申请一实施例中，上述步骤S605的从预设的产品数据库中获取与所述客户画像对应的目标推荐产品，包括：
S6050：调用所述产品数据库；其中，所述产品数据库中记录有历史客户的历史客户画像，以及所述历史客户的产品购买记录数据，所述产品购买记录数据包括产品、产品的购买金额、产品的购买概率；
S6051：从所述产品数据库中查询出与所述客户画像相关联的目标历史客户画像，并获取与所述目标历史客户画像对应的第一产品购买记录数据；
S6052：获取所述目标客户的第二产品购买记录数据；
S6053：对所述第二产品购买记录数据进行数值分析，提取出所述第二产品购买记录数据中购买金额数值最大的第一产品，以及提取出所述第二产品购买记录数据中购买金额数值最小的第二产品；
S6054：基于所述第一产品的购买金额与所述第二产品的购买金额，生成对应的产品购买推荐金额区间；
S6055：对所有所述第一产品购买记录数据中包含的产品进行去重处理，得到处理后的第一产品购买记录数据；
S6056：从所述处理后的第一产品购买记录数据中筛选出购买金额处于所述产品购买推荐金额区间内的第三产品；
S6057：获取各所述第三产品的购买概率；
S6058：从所有所述第三产品中筛选出购买概率大于预设的概率阈值的第四产品；
S6059：将所述第四产品作为所述目标推荐产品。
如上述步骤S6050至S6059所述，所述从预设的产品数据库中获取与所述客户画像对应的目标推荐产品的步骤，具体可包括：首先调用所述产品数据库；其中，所述产品数据库中记录有历史客户的历史客户画像，以及所述历史客户的产品购买记录数据，所述产品购买记录数据包括产品、产品的购买金额、产品的购买概率。然后从所述产品数据库中查询出与所述客户画像相关联的目标历史客户画像，并获取与所述目标历史客户画像对应的第一产品购买记录数据。其中，目标历史客户画像是指目标历史客户画像中至少包含有一个与客户画像中的特征数据相同或相似的特征数据。举例地，如果客户画像中包含有“拥有一辆小轿车和一辆越野车”的特征数据，并且公司的产品数据库中包含有“越野车”特征数据的第一历史客户的第一历史客户画像，以及包含有“小轿车”特征数据的第二历史客户的第二历史客户画像。由于第一历史客户画像具有与客户画像中相同的特征数据“越野车”，则可将第一历史客户画像确定为与客户画像关联的第一目标历史客户画像。同理，第二历史客户画像具有与客户画像中相同的特征数据“小轿车”，则可将第二历史客户画像确定为与客户画像关联的第二目标历史客户画像。同时，可从产品数据库获取到与第一历史客户、第二历史客户分别对应的产品购买记录数据。例如第一历史客户的产品购买记录数据包括：购买产品为交通意外险、以及产品的购买金额8千。第二历史客户的产品购买记录数据包括：购买产品为私家车险与交通意外险、以及私家车险的购买金额9千，交通意外险为5千。以及获取所述目标客户的第二产品购买记录数据。在得到第二产品购买记录数据后，对所述第二产品购买记录数据进行数值分析，提取出所述第二产品购买记录数据中购买金额数值最大的第一产品，以及提取出所述第二产品购买记录数据中购买金额数值最小的第二产品。之后基于所述第一产品的购买金额与所述第二产品的购买金额，生成对应的产品购买推荐金额区间。其中，生成所述产品购买推荐金额区间的实现过程可包括；对所述第一产品的购买金额增加第一预设数值额度得到产品购买推荐金额区间的上限额度；对所述第二产品的购买金额减少预设第二预设数值额度得到产品购买推荐金额区间的下限额度；将所述产品购买推荐金额区间的上限额度和所述产品购买推荐金额区间的下限额度之间的所有金额数值作为所述产品购买推荐金额区间。后续所有所述第一产品购买记录数据中包含的产品进行去重处理，得到处理后的第一产品购买记录数据。并从所述处理后的第一产品购买记录数据中筛选出购买金额处于所述产品购买推荐金额区间内的第三产品。在得到第三产品后，获取各所述第三产品的购买概率。最后从所有所述第三产品中筛选出购买概率大于预设的概率阈值的第四产品，并将所述第四产品作为所述目标推荐产品。其中，对于所述概率阈值的取值不作具体限定，可根据实际需求进行确定。另外，通过将大于概率阈值的产品向目标用户进行推荐，可以极高用户对推荐产品的购买几率。本实施例通过基于目标客户的客户画像与第二产品购买记录数据，从预设的产品数据库中挑选出相关的目标推荐产品来推送给目标客户，有效地提高了产品推荐的准确性与智能性，保证了目标客户的使用体验，有利于提高产品的购买成功率。
本申请实施例中的基于模型的话术推荐方法还可以应用于区块链领域，如将上述目标推荐话术等数据存储于区块链上。通过使用区块链来对上述目标推荐话术进行存储和管理，能够有效地保证上述目标推荐话术的安全性与不可篡改性。
上述区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。
参照图2，本申请一实施例中还提供了一种基于模型的话术推荐装置，包括：
第一获取模块1，用于在成功建立目标客户与目标客服之间的通话连接后，实时获取所述目标客户与所述目标客服之间的通话语音数据；
第二获取模块2，用于从所述通话语音数据中获取所述目标客户的第一语音数据；
分析模块3，用于基于所述第一语音数据，调用预设的诈骗关键词库与预设的诈骗声纹特征数据库对所述目标客户进行诈骗分析，判断所述目标客户是否具备诈骗风险；
第一输出模块4，用于若所述目标客户不具备诈骗风险，获取所述第一语音数据的第一音频特征向量，并将所述第一音频特征向量输入至预设的情绪识别模型中，以通过所述情绪识别模型输出对应的第一情绪识别结果；
第二输出模块5，用于获取与所述第一语音数据对应的第一语音文本内容，将所述第一语音文本内容与所述第一情绪识别结果输入至预设的话术推荐模型中，以通过所述模型输出对应的目标推荐话术；
发送模块6，用于将所述目标推荐话术实时发送至目标客服终端；其中，所述目标客服终端与所述目标客服具有对应关系。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于模型的话术推荐方法的步骤一一对应，在此不再赘述。
进一步地，本申请一实施例中，上述分析模块3，包括：
转换单元，用于将所述第一语音数据转换为所述第一语音文本内容；
第一筛选单元，用于调用预设的诈骗关键词库，并从所述诈骗关键词库筛选出与预设场景类型对应的指定关键词；其中，所述指定关键词的数量为多个；
第一判断单元，用于将所述第一语音文本内容与所述指定关键词进行匹配处理，判断所述第一语音文本内容中是否包含所述指定关键词；
提取单元，用于若不包含所述指定关键词，从所述第一语音数据中提取出目标声纹特征；
第二判断单元，用于调用预设的诈骗声纹特征数据库，并将所述目标声纹特征与所述诈骗声纹特征数据库中包含的所有声纹特征进行比对，判断所述诈骗声纹特征数据库中是否存在与所述目标声纹特征匹配的声纹特征；
判定单元，用于若不存在与所述目标声纹特征匹配的声纹特征，判定所述目标客户不具备欺诈风险，否则判定所述目标客户具备欺诈风险。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于模型的话术推荐方法的步骤一一对应，在此不再赘述。
进一步地，本申请一实施例中，上述基于模型的话术推荐装置，包括：
第三获取模块，用于获取预设的诈骗场景类型，并将所有所述诈骗场景类型作为索引信息；
设置模块，用于在预设的数据库中分别设置与所述索引信息的数量相同的多个存储区块，并为各所述索引信息与各所述存储区块建立一一对应的映射关系；
第一提取模块，用于通过网络爬虫从网站上分别提取与各所述诈骗场景类型对应的诈骗关键词；
生成模块，用于基于所述诈骗场景类型与所述索引信息的第一对应关系，以及所述索引信息与所述存储区块的第二对应关系，生成所述诈骗场景类型与所述存储区块的第三对应关系；
添加模块，用于基于所述第三对应关系，将各所述诈骗场景类型的诈骗关键词分别对应地添加至所述数据库中的各个存储区块内，得到所述诈骗关键词库。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于模型的话术推荐方法的步骤一一对应，在此不再赘述。
进一步地，本申请一实施例中，上述基于模型的话术推荐装置，包括：
第四获取模块，用于从预设的通话录音数据库中获取指定数量的指定通话录音数据；其中，所述指定通话录音数据的服务评价信息为满意；
第二提取模块，用于提取每一个所述指定通话录音数据中客户的第二语音数据，以及提取每一个指定通话录音数据中客服的第三语音数据；
第一识别模块，用于获取与所述第二语音数据对应的第二音频特征向量与第二语音文本内容，以及获取与所述第三语音数据对应的第三语音文本内容，并通过所述情绪识别模型识别出与所述第二音频特征向量对应的第二情绪识别结果；
第一确定模块，用于将所述第二语音文本内容、所述第二情绪识别结果与所述第三语音文本内容作为样本数据，得到指定数量的样本数据；
第二确定模块，用于从所述样本数据中筛选出第一预设比例的样本数据作为训练数据集，以及筛选出第二预设比例的样本数据作为测试数据集；
训练模块，用于使用所述训练数据集对预设的初始模型进行训练，得到训练后的初始模型；
验证模块，用于使用所述测试数据集对所述训练后的初始模型进行验证，判断所述训练后的初始模型的模型准确率是否大于预设的准确率阈值；
第三确定模块，用于若是，将所述训练后的初始模型作为所述话术推荐模型。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于模型的话术推荐方法的步骤一一对应，在此不再赘述。
进一步地，本申请一实施例中，上述基于模型的话术推荐装置，包括：
第五获取模块，用于在所述目标客户与所述目标客服之间的通话连接断开后，获取所述目标客户与所述目标客服之间的所有通话语音数据，并将所述所有通话语音数据记为目标通话语音数据；
第二识别模块，用于从所述目标通话语音数据中筛选出与所述目标客户对应的所有第四语音数据，并对所述第四语音数据进行识别处理得到对应的第四语音文本内容；
第三提取模块，用于调用预设的正则表达式从所述第四语音文本内容中提取出客户属性特征数据；
第四提取模块，用于调用预设的语义分析模型对所述第四语音文本内容进行关键词提取得到对应的关键词，并对得到的关键词进行语义分析得到目标关键词；
构建模块，用于将所述目标关键词作为所述客户的意图特征数据，并基于所述客户属性特征数据与所述意图特征数据构建所述目标客户的客户画像；
推送模块，用于从预设的产品数据库中获取与所述客户画像对应的目标推荐产品，并将所述目标推荐产品推送至目标客户终端；其中，所述目标客户终端与所述目标客户具有对应关系。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于模型的话术推荐方法的步骤一一对应，在此不再赘述。
进一步地，本申请一实施例中，上述构建模块，包括：
第一获取单元，用于获取预设的画像模板；其中，所述画像模板包括属性填充区域与意图填充区域；
填充单元，用于将所述客户属性特征数据填充至所述属性填充区域，以及将所述意图特征数据填充至所述意图填充区域，得到填充后的画像模板；
第一确定单元，用于将所述填充后的画像模板作为所述客户画像。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于模型的话术推荐方法的步骤一一对应，在此不再赘述。
进一步地，本申请一实施例中，上述推送模块，包括：
调用单元，用于调用所述产品数据库；其中，所述产品数据库中记录有历史客户的历史客户画像，以及所述历史客户的产品购买记录数据，所述产品购买记录数据包括产品、产品的购买金额、产品的购买概率；
查询单元，用于从所述产品数据库中查询出与所述客户画像相关联的目标历史客户画像，并获取与所述目标历史客户画像对应的第一产品购买记录数据；
第二获取单元，用于获取所述目标客户的第二产品购买记录数据；
提取单元，用于对所述第二产品购买记录数据进行数值分析，提取出所述第二产品购买记录数据中购买金额数值最大的第一产品，以及提取出所述第二产品购买记录数据中购买金额数值最小的第二产品；
生成单元，用于基于所述第一产品的购买金额与所述第二产品的购买金额，生成对应的产品购买推荐金额区间；
处理单元，用于对所有所述第一产品购买记录数据中包含的产品进行去重处理，得到处理后的第一产品购买记录数据；
第二筛选单元，用于从所述处理后的第一产品购买记录数据中筛选出购买金额处于所述产品购买推荐金额区间内的第三产品；
第三获取单元，用于获取各所述第三产品的购买概率；
第三筛选单元，用于从所有所述第三产品中筛选出购买概率大于预设的概率阈值的第四产品；
第二确定单元，用于将所述第四产品作为所述目标推荐产品。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于模型的话术推荐方法的步骤一一对应，在此不再赘述。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3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、输入装置和数据库。其中，该计算机设备设计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存储介质、内存储器。该存储介质存储有操作系统、计算机程序和数据库。该内存储器为存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储通话语音数据、第一语音数据、第一音频特征向量、第一情绪识别结果、第一语音文本内容以及目标推荐话术。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。该计算机设备的显示屏是计算机中必不可少的一种图文输出设备，用于将数字信号转换为光信号，使文字与图形在显示屏的屏幕上显示出来。该计算机设备的输入装置是计算机与用户或其他设备之间进行信息交换的主要装置，用于把数据、指令及某些标志信息等输送到计算机中去。该计算机程序被处理器执行时以实现一种基于模型的话术推荐方法。
上述处理器执行上述基于模型的话术推荐方法的步骤：
在成功建立目标客户与目标客服之间的通话连接后，实时获取所述目标客户与所述目标客服之间的通话语音数据；
从所述通话语音数据中获取所述目标客户的第一语音数据；
基于所述第一语音数据，调用预设的诈骗关键词库与预设的诈骗声纹特征数据库对所述目标客户进行诈骗分析，判断所述目标客户是否具备诈骗风险；
若所述目标客户不具备诈骗风险，获取所述第一语音数据的第一音频特征向量，并将所述第一音频特征向量输入至预设的情绪识别模型中，以通过所述情绪识别模型输出对应的第一情绪识别结果；
获取与所述第一语音数据对应的第一语音文本内容，将所述第一语音文本内容与所述第一情绪识别结果输入至预设的话术推荐模型中，以通过所述模型输出对应的目标推荐话术；
将所述目标推荐话术实时发送至目标客服终端；其中，所述目标客服终端与所述目标客服具有对应关系。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的装置、计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于模型的话术推荐方法，具体为：
在成功建立目标客户与目标客服之间的通话连接后，实时获取所述目标客户与所述目标客服之间的通话语音数据；
从所述通话语音数据中获取所述目标客户的第一语音数据；
基于所述第一语音数据，调用预设的诈骗关键词库与预设的诈骗声纹特征数据库对所述目标客户进行诈骗分析，判断所述目标客户是否具备诈骗风险；
若所述目标客户不具备诈骗风险，获取所述第一语音数据的第一音频特征向量，并将所述第一音频特征向量输入至预设的情绪识别模型中，以通过所述情绪识别模型输出对应的第一情绪识别结果；
获取与所述第一语音数据对应的第一语音文本内容，将所述第一语音文本内容与所述第一情绪识别结果输入至预设的话术推荐模型中，以通过所述模型输出对应的目标推荐话术；
将所述目标推荐话术实时发送至目标客服终端；其中，所述目标客服终端与所述目标客服具有对应关系。
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，所述的计算机程序可存储于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，本申请所提供的和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。非易失性存储器可以包括只读存储器(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通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、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。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种基于模型的话术推荐方法，其特征在于，包括：
在成功建立目标客户与目标客服之间的通话连接后，实时获取所述目标客户与所述目标客服之间的通话语音数据；
从所述通话语音数据中获取所述目标客户的第一语音数据；
基于所述第一语音数据，调用预设的诈骗关键词库与预设的诈骗声纹特征数据库对所述目标客户进行诈骗分析，判断所述目标客户是否具备诈骗风险；
若所述目标客户不具备诈骗风险，获取所述第一语音数据的第一音频特征向量，并将所述第一音频特征向量输入至预设的情绪识别模型中，以通过所述情绪识别模型输出对应的第一情绪识别结果；
获取与所述第一语音数据对应的第一语音文本内容，将所述第一语音文本内容与所述第一情绪识别结果输入至预设的话术推荐模型中，以通过所述模型输出对应的目标推荐话术；
将所述目标推荐话术实时发送至目标客服终端；其中，所述目标客服终端与所述目标客服具有对应关系。
2.根据权利要求1所述的基于模型的话术推荐方法，其特征在于，所述基于所述第一语音数据，调用预设的诈骗关键词库与预设的诈骗声纹特征数据库对所述目标客户进行诈骗分析，判断所述目标客户是否具备诈骗风险的步骤，包括：
将所述第一语音数据转换为所述第一语音文本内容；
调用预设的诈骗关键词库，并从所述诈骗关键词库筛选出与预设场景类型对应的指定关键词；其中，所述指定关键词的数量为多个；
将所述第一语音文本内容与所述指定关键词进行匹配处理，判断所述第一语音文本内容中是否包含所述指定关键词；
若不包含所述指定关键词，从所述第一语音数据中提取出目标声纹特征；
调用预设的诈骗声纹特征数据库，并将所述目标声纹特征与所述诈骗声纹特征数据库中包含的所有声纹特征进行比对，判断所述诈骗声纹特征数据库中是否存在与所述目标声纹特征匹配的声纹特征；
若不存在与所述目标声纹特征匹配的声纹特征，判定所述目标客户不具备欺诈风险，否则判定所述目标客户具备欺诈风险。
3.根据权利要求1所述的基于模型的话术推荐方法，其特征在于，所述调用预设的诈骗关键词库与预设的诈骗声纹特征数据库对所述目标客户进行诈骗分析的步骤之前，包括：
获取预设的诈骗场景类型，并将所有所述诈骗场景类型作为索引信息；
在预设的数据库中分别设置与所述索引信息的数量相同的多个存储区块，并为各所述索引信息与各所述存储区块建立一一对应的映射关系；
通过网络爬虫从网站上分别提取与各所述诈骗场景类型对应的诈骗关键词；
基于所述诈骗场景类型与所述索引信息的第一对应关系，以及所述索引信息与所述存储区块的第二对应关系，生成所述诈骗场景类型与所述存储区块的第三对应关系；
基于所述第三对应关系，将各所述诈骗场景类型的诈骗关键词分别对应地添加至所述数据库中的各个存储区块内，得到所述诈骗关键词库。
4.根据权利要求1所述的基于模型的话术推荐方法，其特征在于，所述将所述第一语音文本内容与所述第一情绪识别结果输入至预设的话术推荐模型中，以通过所述模型输出对应的目标推荐话术的步骤之前，包括：
从预设的通话录音数据库中获取指定数量的指定通话录音数据；其中，所述指定通话录音数据的服务评价信息为满意；
提取每一个所述指定通话录音数据中客户的第二语音数据，以及提取每一个指定通话录音数据中客服的第三语音数据；
获取与所述第二语音数据对应的第二音频特征向量与第二语音文本内容，以及获取与所述第三语音数据对应的第三语音文本内容，并通过所述情绪识别模型识别出与所述第二音频特征向量对应的第二情绪识别结果；
将所述第二语音文本内容、所述第二情绪识别结果与所述第三语音文本内容作为样本数据，得到指定数量的样本数据；
从所述样本数据中筛选出第一预设比例的样本数据作为训练数据集，以及筛选出第二预设比例的样本数据作为测试数据集；
使用所述训练数据集对预设的初始模型进行训练，得到训练后的初始模型；
使用所述测试数据集对所述训练后的初始模型进行验证，判断所述训练后的初始模型的模型准确率是否大于预设的准确率阈值；
若是，将所述训练后的初始模型作为所述话术推荐模型。
5.根据权利要求1所述的基于模型的话术推荐方法，其特征在于，所述将所述目标推荐话术实时发送至目标客服终端的步骤之后，包括：
在所述目标客户与所述目标客服之间的通话连接断开后，获取所述目标客户与所述目标客服之间的所有通话语音数据，并将所述所有通话语音数据记为目标通话语音数据；
从所述目标通话语音数据中筛选出与所述目标客户对应的所有第四语音数据，并对所述第四语音数据进行识别处理得到对应的第四语音文本内容；
调用预设的正则表达式从所述第四语音文本内容中提取出客户属性特征数据；
调用预设的语义分析模型对所述第四语音文本内容进行关键词提取得到对应的关键词，并对得到的关键词进行语义分析得到目标关键词；
将所述目标关键词作为所述客户的意图特征数据，并基于所述客户属性特征数据与所述意图特征数据构建所述目标客户的客户画像；
从预设的产品数据库中获取与所述客户画像对应的目标推荐产品，并将所述目标推荐产品推送至目标客户终端；其中，所述目标客户终端与所述目标客户具有对应关系。
6.根据权利要求5所述的基于模型的话术推荐方法，其特征在于，所述基于所述客户属性特征数据与所述意图特征数据构建所述客户的客户画像的步骤，包括：
获取预设的画像模板；其中，所述画像模板包括属性填充区域与意图填充区域；
将所述客户属性特征数据填充至所述属性填充区域，以及将所述意图特征数据填充至所述意图填充区域，得到填充后的画像模板；
将所述填充后的画像模板作为所述客户画像。
7.根据权利要求5所述的基于模型的话术推荐方法，其特征在于，所述从预设的产品数据库中获取与所述客户画像对应的目标推荐产品的步骤，包括：
调用所述产品数据库；其中，所述产品数据库中记录有历史客户的历史客户画像，以及所述历史客户的产品购买记录数据，所述产品购买记录数据包括产品、产品的购买金额、产品的购买概率；
从所述产品数据库中查询出与所述客户画像相关联的目标历史客户画像，并获取与所述目标历史客户画像对应的第一产品购买记录数据；
获取所述目标客户的第二产品购买记录数据；
对所述第二产品购买记录数据进行数值分析，提取出所述第二产品购买记录数据中购买金额数值最大的第一产品，以及提取出所述第二产品购买记录数据中购买金额数值最小的第二产品；
基于所述第一产品的购买金额与所述第二产品的购买金额，生成对应的产品购买推荐金额区间；
对所有所述第一产品购买记录数据中包含的产品进行去重处理，得到处理后的第一产品购买记录数据；
从所述处理后的第一产品购买记录数据中筛选出购买金额处于所述产品购买推荐金额区间内的第三产品；
获取各所述第三产品的购买概率；
从所有所述第三产品中筛选出购买概率大于预设的概率阈值的第四产品；
将所述第四产品作为所述目标推荐产品。
8.一种基于模型的话术推荐装置，其特征在于，包括：
第一获取模块，用于在成功建立目标客户与目标客服之间的通话连接后，实时获取所述目标客户与所述目标客服之间的通话语音数据；
第二获取模块，用于从所述通话语音数据中获取所述目标客户的第一语音数据；
分析模块，用于基于所述第一语音数据，调用预设的诈骗关键词库与预设的诈骗声纹特征数据库对所述目标客户进行诈骗分析，判断所述目标客户是否具备诈骗风险；
第一输出模块，用于若所述目标客户不具备诈骗风险，获取所述第一语音数据的第一音频特征向量，并将所述第一音频特征向量输入至预设的情绪识别模型中，以通过所述情绪识别模型输出对应的第一情绪识别结果；
第二输出模块，用于获取与所述第一语音数据对应的第一语音文本内容，将所述第一语音文本内容与所述第一情绪识别结果输入至预设的话术推荐模型中，以通过所述模型输出对应的目标推荐话术；
发送模块，用于将所述目标推荐话术实时发送至目标客服终端；其中，所述目标客服终端与所述目标客服具有对应关系。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202111052154.1A 2021-09-08 2021-09-08 基于模型的话术推荐方法、装置、计算机设备和存储介质 Active CN113688221B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111052154.1A CN113688221B (zh) 2021-09-08 2021-09-08 基于模型的话术推荐方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111052154.1A CN113688221B (zh) 2021-09-08 2021-09-08 基于模型的话术推荐方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113688221A true CN113688221A (zh) 2021-11-23
CN113688221B CN113688221B (zh) 2023-07-25

Family

ID=78585712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111052154.1A Active CN113688221B (zh) 2021-09-08 2021-09-08 基于模型的话术推荐方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113688221B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114971658A (zh) * 2022-07-29 2022-08-30 四川安洵信息技术有限公司 一种反诈宣传方法、系统、电子设备以及存储介质
CN115203240A (zh) * 2022-09-13 2022-10-18 永鼎行远(南京)信息科技有限公司 一种基于通话数据检索的总线消息处理系统
TWI804376B (zh) * 2022-07-05 2023-06-01 中國信託商業銀行股份有限公司 防詐騙作業數位化方法及系統
CN117240964A (zh) * 2023-11-16 2023-12-15 福建博士通信息股份有限公司 一种通话过程中的语音识别方法
CN117455498A (zh) * 2023-12-18 2024-01-26 廊坊博联科技发展有限公司 一种反电信网络诈骗智能劝阻系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109033257A (zh) * 2018-07-06 2018-12-18 中国平安人寿保险股份有限公司 话术推荐方法、装置、计算机设备和存储介质
WO2020098249A1 (zh) * 2018-11-12 2020-05-22 平安科技（深圳）有限公司 电子装置、应对话术推荐方法和计算机可读存储介质
CN112395402A (zh) * 2020-11-19 2021-02-23 深圳壹账通智能科技有限公司 基于深度模型的推荐话术生成方法、装置和计算机设备
CN112597301A (zh) * 2020-12-16 2021-04-02 北京三快在线科技有限公司 一种语音意图识别方法及装置
CN113312468A (zh) * 2021-07-30 2021-08-27 平安科技（深圳）有限公司 基于对话模式的话术推荐方法、装置、设备及介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109033257A (zh) * 2018-07-06 2018-12-18 中国平安人寿保险股份有限公司 话术推荐方法、装置、计算机设备和存储介质
WO2020098249A1 (zh) * 2018-11-12 2020-05-22 平安科技（深圳）有限公司 电子装置、应对话术推荐方法和计算机可读存储介质
CN112395402A (zh) * 2020-11-19 2021-02-23 深圳壹账通智能科技有限公司 基于深度模型的推荐话术生成方法、装置和计算机设备
CN112597301A (zh) * 2020-12-16 2021-04-02 北京三快在线科技有限公司 一种语音意图识别方法及装置
CN113312468A (zh) * 2021-07-30 2021-08-27 平安科技（深圳）有限公司 基于对话模式的话术推荐方法、装置、设备及介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI804376B (zh) * 2022-07-05 2023-06-01 中國信託商業銀行股份有限公司 防詐騙作業數位化方法及系統
CN114971658A (zh) * 2022-07-29 2022-08-30 四川安洵信息技术有限公司 一种反诈宣传方法、系统、电子设备以及存储介质
CN114971658B (zh) * 2022-07-29 2022-11-04 四川安洵信息技术有限公司 一种反诈宣传方法、系统、电子设备以及存储介质
CN115203240A (zh) * 2022-09-13 2022-10-18 永鼎行远(南京)信息科技有限公司 一种基于通话数据检索的总线消息处理系统
CN115203240B (zh) * 2022-09-13 2022-12-09 永鼎行远(南京)信息科技有限公司 一种基于通话数据检索的总线消息处理系统
CN117240964A (zh) * 2023-11-16 2023-12-15 福建博士通信息股份有限公司 一种通话过程中的语音识别方法
CN117240964B (zh) * 2023-11-16 2024-02-27 福建博士通信息股份有限公司 一种通话过程中的语音识别方法
CN117455498A (zh) * 2023-12-18 2024-01-26 廊坊博联科技发展有限公司 一种反电信网络诈骗智能劝阻系统及方法

Also Published As

Publication number Publication date
CN113688221B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN113688221B (zh) 基于模型的话术推荐方法、装置、计算机设备和存储介质
CN112612894B (zh) 意图识别模型的训练方法、装置、计算机设备和存储介质
CN110096577A (zh) 从异常简档数据预测用户的意图
CN109151218A (zh) 通话语音质检方法、装置、计算机设备及存储介质
CN107222865A (zh) 基于可疑行为识别的通讯诈骗实时检测方法和系统
CN104903954A (zh) 使用基于人工神经网络的亚语音单位区分的说话人验证及识别
CN109617781A (zh) 即时通讯消息监控方法、装置、计算机设备和存储介质
CN111475633B (zh) 基于座席语音的话术支持系统
CN113807103A (zh) 基于人工智能的招聘方法、装置、设备及存储介质
CN116414959A (zh) 数字人的互动控制方法、装置、电子设备和存储介质
CN113873088B (zh) 语音通话的交互方法、装置、计算机设备和存储介质
CN113821587B (zh) 文本相关性确定方法、模型训练方法、装置及存储介质
US11615787B2 (en) Dialogue system and method of controlling the same
US10446138B2 (en) System and method for assessing audio files for transcription services
JP4143541B2 (ja) 動作モデルを使用して非煩雑的に話者を検証するための方法及びシステム
CN111489736A (zh) 座席话术自动评分装置及方法
CN114726635B (zh) 权限验证方法、装置、电子设备及介质
CN116776857A (zh) 客户通话关键信息提取方法、装置、计算机设备及介质
CN115242927A (zh) 客服对象分配方法、装置、计算机设备及存储介质
CN111883112B (zh) 基于多模式标识的语义识别方法、装置和计算机设备
CN110765242A (zh) 一种客服信息的提供方法，装置及系统
CN113821625A (zh) 基于人工智能的话术推荐方法、装置、设备及介质
CN113627551A (zh) 基于多模型的证件分类方法、装置、设备和存储介质
CN112364136A (zh) 关键词生成方法、装置、设备及存储介质
CN113641808A (zh) 基于槽位信息的解答方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant