CN113704430A - 智能辅助催收方法、装置、电子设备及存储介质 - Google Patents
智能辅助催收方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113704430A CN113704430A CN202111009544.0A CN202111009544A CN113704430A CN 113704430 A CN113704430 A CN 113704430A CN 202111009544 A CN202111009544 A CN 202111009544A CN 113704430 A CN113704430 A CN 113704430A
- Authority
- CN
- China
- Prior art keywords
- word
- emotion
- text
- vector set
- feature vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- 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
Abstract
本发明涉及人工智能领域,揭露一种智能辅助催收方法,包括:根据并行机制,利用注意力神经网络对催收信息语句文本进行词特征提取,得到词与词关系特征向量集,及利用第二文本情绪识别神经网络对所述催收信息语句文本进行字特征提取,得到字与字关系特征向量集;对词与词关系特征向量集及字与字关系特征向量集进行情绪特征混合识别,得到催收信息语句文本对应的情绪级别;当情绪级别不属于所述情绪波动区间时,从情绪对应术语集合中挑选所述情绪级别对应的建议话术。本发明还涉及区块链技术,所述情绪对应术语集合可以存储在区块链节点中。另外,本发明还提供了一种智能辅助催收装置、设备及存储介质。本发明可以提高情绪识别系统的准确性。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种智能辅助催收方法、装置、电子设备及计算机可读存储介质。
背景技术
随着各大银行贷款业务及网络贷款业务的审查标准降低,出现了很多的债务人违约的情况,由此催生出了催收业务。由于催收业务的特殊性,在电话沟通过程中,催收员及债务人的情绪经常会出现较大的波动,因此传统催收业务一般通过情绪识别神经网络辅助催收员对债务人进行电话催收,并通过识别出债务人的情绪为催收员提供话术引导,从而提高催收业务。
现有的情绪识别神经网络主要是将电话信息进行语音转文本操作,再通过卷积神经网络及分类器对文本中的词语进行提取及情绪分析。这种方法只能对文本中各个词语的情感进行分析,无法充分挖掘语句中的上下文关系及字与字之间的局部特征,导致情绪识别的准确性不高,辅助催收的效果不佳。
发明内容
本发明提供一种智能辅助催收方法,其主要目的在于提高情绪识别系统的准确性,增加催收成功率。
为实现上述目的,本发明提供的一种智能辅助催收方法,包括:
在预构建的第一文本情绪识别神经网络的卷积层中添加预设的注意力算法,得到注意力神经网络;
获取催收信息语句文本,并根据并行机制,利用所述注意力神经网络对所述催收信息语句文本进行词特征提取,得到词与词关系特征向量集,及利用预构建的第二文本情绪识别神经网络对所述催收信息语句文本进行字特征提取,得到字与字关系特征向量集;
对所述词与词关系特征向量集及所述字与字关系特征向量集进行情绪特征混合识别,得到所述催收信息语句文本对应的情绪级别;
判断所述情绪级别是否属于预设的情绪波动区间;
当所述情绪级别属于所述情绪波动区间时,不产生催收提示信息;
当所述情绪级别不属于所述情绪波动区间时,从预构建的情绪对应术语集合中挑选所述情绪级别对应的建议话术,并根据所述建议话术生成所述催收信息语句文本对应的催收提示信息。
可选的,所述利用所述注意力神经网络对所述催收信息语句文本进行词特征提取,得到词与词关系特征向量集,包括:
根据预构建的词语数据库,将所述催收信息语句文本进行分词操作,得到词组集合,并对所述词组集合进行量化操作,得到各个词向量;
利用所述注意力神经网络中的嵌入层根据预设参数长度,对各个词向量进行长度格式化操作,得到长度相同的词向量,并将所述各个长度相同的词向量进行连接,得到第一数字矩阵;
利用所述注意力神经网络中第一卷积核对所述第一数字矩阵进行卷积,得到特征向量集合,并根据所述注意力算法,对所述特征向量集合中的各个特征向量进行权重计算,得到词与词关系特征向量集。
可选的,所述利用预构建的第二文本情绪识别神经网络对所述催收信息语句文本进行字特征提取,得到字与字关系特征向量集,包括:
利用预构建的第二文本情绪识别神经网络中的嵌入层对所述催收信息语句文本中的各个单字进行顺序量化操作,得到字向量集合,并根据所述参数长度,对所述字向量集合中的各个字向量进行长度格式化操作,得到长度相同的字向量;
根据所述各个单字在所述催收信息语句文本中的顺序,将所述各个长度相同的字向量进行顺序连接,得到第二数字矩阵;
通过所述第二文本情绪识别神经网络中的第二卷积核对所述第二数字矩阵进行卷积操作,得到字与字关系特征向量集。
可选的,所述获取预构建的催收信息语句文本,包括:
从预设的催收装置获取催收语音数据;
对所述催收语音数据进行降噪处理,得到降噪数据;
利用预构建的语音识别服务对所述降噪数据进行文字识别,得到催收信息语句文本。
可选的,所述对所述词与词关系特征向量集及所述字与字关系特征向量集进行情绪特征混合识别,得到所述催收信息语句文本对应的情绪级别,包括:
对所述词与词关系特征向量集中的各个特征进行平均池化操作,得到第一特征向量集合,并对所述字与字关系特征向量集合中的各个特征进行最大池化操作,得到第二特征向量集合;
对所述第一特征向量集合与所述第二特征向量集合进行混合特征拼接操作,得到拼接特征向量;
利用预设的softmax函数对所述拼接特征向量进行函数分类,得到所述催收信息语句文本对应的情绪级别。
可选的,所述从预构建的情绪对应术语集合中挑选所述情绪等级对应的建议话术,并根据所述建议话术生成所述催收信息语句文本对应的催收提示信息之后,所述方法还包括:
根据预设提取规则,从所述催收信息语句文本中提取关键字段,并将所述关键字段进行报表填充,得到催收记录报表。
可选的,所述从预构建的情绪对应术语集合中挑选所述情绪等级对应的建议话术,并根据所述建议话术生成所述催收信息语句文本对应的催收提示信息之后,所述方法还包括:
从预构建的日志文件空间中,获取目标催收人员在预设时间段内产生的各个催收信息语句文本与对应的催收提示信息,并计算所述催收信息语言文本与所述催收提示信息在数量上的比值;
利用所述预构建的等级标准表查询所述比值对应的数值区间的等级,得到所述目标催收人员对应的行业规范等级;
利用预设的催收案件分配引擎,根据所述行业规范等级,为所述目标催收人员分配预设类型及数量的待催收案件。
为了解决上述问题,本发明还提供一种智能辅助催收装置,所述装置包括:
模型构建模块,用于在预构建的第一文本情绪识别神经网络的卷积层中添加预设的注意力算法,得到注意力神经网络;
特征提取模块,用于获取催收信息语句文本,并根据并行机制,利用所述注意力神经网络对所述催收信息语句文本进行词特征提取,得到词与词关系特征向量集,及利用预构建的第二文本情绪识别神经网络对所述催收信息语句文本进行字特征提取,得到字与字关系特征向量集;
情绪识别模块,用于对所述词与词关系特征向量集及所述字与字关系特征向量集进行情绪特征混合识别,得到所述催收信息语句文本对应的情绪级别;
智能辅助催收模块,用于判断所述情绪级别是否属于预设的情绪波动区间,及当所述情绪级别属于所述情绪波动区间时,不产生催收提示信息,及当所述情绪级别不属于所述情绪波动区间时,从预构建的情绪对应术语集合中挑选所述情绪级别对应的建议话术,并根据所述建议话术生成催收提示信息对所述催收设备对应的催收员进行提示。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以实现上述所述的智能辅助催收方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的智能辅助催收方法。
本发明实施例通过并行机制,同时利用注意力神经网络及第二文本情绪识别神经网络对催收信息语句文本进行特征提取,分别得到词与词关系特征向量集及字与字关系特征向量集。其中,所述注意力神经网络可以将各个词语作为基本单位来识别词语间、上下文的情绪进行提取,可以更好的捕捉词语间上下文的关系特征,而第二文本情绪识别神经网络可以通过对每个字与前后、相隔字间的关系,来分析局部的情绪。然后将词与词关系特征向量集及字与字关系特征向量集进行情绪特征混合操作,产生一加一大于二的效果,能够得到更加准确地识别情绪。最后根据不同的情绪识别生成对应的催收提示信息来辅助用户进行催收。因此,本发明提出的一种智能辅助催收方法能够通过提高情绪识别系统的准确性来提高催收的效率。
附图说明
图1为本发明一实施例提供的智能辅助催收方法的流程示意图;
图2为本发明第一实施例中图1提供的智能辅助催收方法其中一个步骤的详细流程示意图;
图3为本发明一实施例提供的智能辅助催收装置的模块示意图;
图4为本发明一实施例提供的实现智能辅助催收方法的电子设备的内部结构示意图;
本发明目的的实现、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以解释本发明,并不用于限定本发明。
本申请实施例提供一种智能辅助催收方法。所述智能辅助催收方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述智能辅助催收方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的智能辅助催收方法的流程示意图。在本发明实施例中,所述智能辅助催收方法包括:
S1、在预构建的第一文本情绪识别神经网络的卷积层中添加预设的注意力算法,得到注意力神经网络。
本发明实施例中,所述第一文本情绪识别神经网络为一种能够识别文本中表达情绪的卷积神经网络,包含嵌入层、卷积层、池化层、输出层。
其中,所述嵌入层是一种将文本转化为数字矩阵的结构;所述卷积层用于将数字矩阵特征进行分割转化为特征向量;所述池化层是用于将特征向量进行最大值或平均值计算,用于保留特征的前提下,减小特征的数量级;所述输出层是用于将特征进行识别并输出成预设格式。
进一步的,所述注意力算法为在所述卷积层中添加Encoder-Decoder框架并配置注意力系数,其中,所述注意力系数能用来表明输入数据对输出数据的贡献大小程度,当对某一特征设置更高的注意力系数,可以抑制其他因素的干扰;所述Encoder-Decoder框架中能够对不同特征进行加权计算,记录更多的上下文信息。
S2、获取催收信息语句文本,并根据并行机制,利用所述注意力神经网络对所述催收信息语句文本进行词特征提取,得到词与词关系特征向量集,及利用预构建的第二文本情绪识别神经网络对所述催收信息语句文本进行字特征提取,得到字与字关系特征向量集。
众所周知,英文文本中每个词语中会有空格,而中文词语不带有空格,因此传统的中文的文本情绪识别网络的嵌入层会先分词再量化的方式进行特征排列,但容易忽略单个字与字之间的局部特征。本发明实施例通过不分词、直接对单个字进行量化,并保证字与字之间的顺序,就不会丢掉一些字与字之间的特征数据。
进一步的,所述催收信息语句文本为催收设备中产生的通话语音转换得到的文本数据,其中,所述催收设备主要是手机、电话、电脑等通话设备。
进一步的,所述并行机制是指所述注意力神经网络与所述第二文本情绪识别神经网络同步进行数据处理的方法。
本发明实施例可以利用一个数据监控的脚本对所述催收设备进行监控,当所述催收设备开始通话时,触发所述脚本的数据调取功能,从所述催收设备的日志文件空间中提取通话语音,并转换为催收信息语句文本。
详细的,本发明实施例中,所述获取预构建的催收信息语句文本,包括:
从预设的催收装置获取催收语音数据;
对所述催收语音数据进行降噪处理,得到降噪数据;
利用预构建的语音识别服务对所述降噪数据进行文字识别,得到催收信息语句文本。
其中,所述降噪处理为一种去除音频中特定频率的噪音的方法;所述语音识别服务为一种语音转文字的网络模型,可以识别所述降噪数据中的特定语言。
本发明实施例将所述语音数据导入预构建的滤波器中进行小波降噪,得到所述降噪数据,再利用所述语音识别服务将所述降噪数据中的汉语识别成中文简体汉字。
详细的,本发明实施例中,所述利用所述注意力神经网络对所述催收信息语句文本进行词特征提取,得到词与词关系特征向量集,包括:
根据预构建的词语数据库,将所述催收信息语句文本进行分词操作,得到词组集合,并对所述词组集合进行量化操作,得到各个词向量;
根据预设参数长度,对各个词向量进行长度格式化操作,得到各个长度相同的词向量,并将所述各个长度相同的词向量进行连接,得到第一数字矩阵;
利用预设的第一卷积核对所述第一数字矩阵进行卷积,得到特征向量集合,并根据所述注意力算法,对所述特征向量集合中的各个特征向量进行权重计算,得到词与词关系特征向量集。
其中,所述词语数据库为含有中文日常词语的数据库。
具体的,本发明实施例在所述催收信息语句文本中截取相连字,得到字段集合,再对所述字段集合中的字段与所述词语数据库中的常见词进行查询,将所述词语数据库中存在的各个字段进行提取,得到词组集合。通过接口中的函数将词组集合进行量化,得到词向量。根据预设参数长度L为标准,对各个词向量进行填充,得到长度全为L的词向量如【3 5 64 9 0】、【9 6 2 5 0 0】等。
进一步的,将各个长度为L的词向量进行连接,得到第一数字矩阵最后利用长为L高为1的卷积核进行步长为1的卷积操作,得到一维的词与词关系特征向量集,其中,在卷积过程中,根据所述注意力系数,可以忽略所述第一数字矩阵中数值小于3的数值来突出数值间的特征。其中,本发明实施例中,长度L设置为6。
进一步地,本发明实施例中,所述第二文本情绪识别神经网络为常见的情绪识别神经网络,但所述第二文本情绪识别网络是对文本分词之前,直接对连续的单个字进行依次识别。详细地,所述利用所述第二文本情绪识别神经网络对所述催收信息语句文本进行字特征提取,得到字与字关系特征向量集,包括:
对所述催收信息语句文本中的各个单字进行顺序量化操作,得到字向量集合,并根据所述参数长度,对所述字向量集合中的各个字向量进行长度格式化操作,得到各个长度相同的字向量;
根据所述各个单字在所述催收信息语句文本中的顺序,将所述各个长度相同的字向量进行顺序连接,得到第二数字矩阵;
通过预设的第二卷积核对所述第二数字矩阵进行卷积操作,得到字与字关系特征向量集。
具体的,本发明实施例根据催收信息语句文本中各个字的顺序将各个字进行量化,得到各个字向量,再将各个字向量进行长度为L的格式化,得到长度都为L的字向量,再根据催收信息语句文本中各个字的顺序将各个长度为L的字向量进行连接,得到第二数字矩阵本发明实施例通过为大小为2×2、步长为1的卷积核在所述第二数字矩阵中进行卷积,得到字与字关系特征向量集。
S3、对所述词与词关系特征向量集及所述字与字关系特征向量集进行情绪特征混合识别,得到所述催收信息语句文本对应的情绪级别。
详细的,如图2所示,本发明实施例中,所述S3,包括:
S31、对所述词与词关系特征向量集中的各个特征进行平均池化操作,得到第一特征向量集合,并对所述字与字关系特征向量集合中的各个特征进行最大池化操作,得到第二特征向量;
S32、对所述第一特征向量集合与所述第二特征向量集合进行混合特征拼接操作,得到拼接特征向量;
S33、利用预设的softmax函数对所述拼接特征向量进行函数分类,得到所述催收信息语句文本对应的情绪级别。
本发明实施例中所述词与词关系特征向量集的特征数量较少,通过平均池化操作,将所述词与词关系特征向量集中所述各个特征值进行平均,保留了较多次重要的信息。而所述字与字关系特征向量集合中的特征数量较多,只需要通过最大池化操作来保留数值最大的特征值。
本发明实施例中,可以在所述第二文本情绪识别神经网络的输出层中通过全连接操作,根据各个特征向量之间的关系,将第一特征向量集合及第二特征向量集合中的特征向量进行多次任意组合,最终得到关系得分最高的预设数值的拼接特征向量。将各个拼接特征向量导入softmax函数分类层中,进行特征分类及归一化操作,得到所述催收信息语句文本对应的情绪级别。
S4、判断所述情绪级别是否属于预设的情绪波动区间。
本发明实施例中所述情绪级别分为【愉快、一般、烦、敷衍、生气、恼怒】,而预设情绪波动区间为【愉快、一般、烦、敷衍】。
本申请实施例可以基于人工智能技术对所述情绪级别是否属于预设的情绪波动区间进行判断,并跳接至S5或S6的操作步骤上。其中,人工智能(ArtificialIntelligence,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。
当所述情绪级别属于所述情绪波动区间时,表明催收员与债务人至今相处融洽,执行S5、不产生催收提示信息。
当所述情绪级别不属于所述情绪波动区间时,执行S6、从预构建的情绪对应术语集合中挑选所述情绪级别对应的建议话术,并根据所述建议话术生成催收提示信息。
其中,所述情绪对应术语集合中包含各种纠纷的解决话术与心理学建议。
当所述情绪级别不属于所述情绪波动区间时,表明催收员与债务人之间产生矛盾,为了债务人的情绪,根据所述情绪等级在所述情绪对应术语集合中寻找对应的解决方案,得到所述建议话术,并将各个所述建议话术整理为催收提示信息,对催收员进行可视化或语音提示。
此外,本发明另一实施例中,所述从预构建的情绪对应术语集合中挑选所述情绪等级对应的建议话术之后,所述方法还包括:
根据预设提取规则,从所述催收信息语句文本中提取关键字段,并将所述关键字段进行报表填充,得到催收记录报表。
其中,所述催收记录报表通常为电话催收之后,催收员手动进行记录的表格,容易存在被错记、编造等情况。本发明实施例通过日志提取的方式将电话催收过程中的情绪等级等字段数据进行提取,并将提取到的字段进行报表填充,得到所述催收记录报表。既能增加催收记录报表的准确性,又能减少催收员的报表填充时间。
此外,本发明另一实施例中,所述从预构建的情绪对应术语集合中挑选所述情绪等级对应的建议话术之后,所述方法还包括:
从预构建的日志文件空间中,获取目标催收人员在预设时间段内产生的各个催收信息语句文本与催收提示信息,并计算所述催收信息语言文本与所述催收提示信息在数量上的比值;
获取预构建的等级标准表,并利用所述等级标准表查询所述比值对应的数值区间的等级,得到所述目标催收人员对应的行业规范等级;
利用预设的催收案件分配引擎,根据所述行业规范等级,为所述目标催收设备分配预设类型及数量的待催收案件。
本发明实施例中,所述比值的大小能够表明催收员的专业水平,所述比值越高表明电话催收过程中沟通得越融洽。通过讲述比值对员工进行角色等级划分,得到所述规范等级能够宏观实现对各个催收员的管控,可以根据所述规范等级,为所述目标催收设备分配预设类型及数量的待催收案件,增加催收效率。
本发明实施例通过并行机制,同时利用注意力神经网络及第二文本情绪识别神经网络对催收信息语句文本进行特征提取,分别得到词与词关系特征向量集及字与字关系特征向量集。其中,所述注意力神经网络可以将各个词语作为基本单位来识别词语间、上下文的情绪进行提取,可以更好的捕捉词语间上下文的关系特征,而第二文本情绪识别神经网络可以通过对每个字与前后、相隔字间的关系,来分析局部的情绪。然后将词与词关系特征向量集及字与字关系特征向量集进行情绪特征混合操作,产生一加一大于二的效果,能够得到更加准确地识别情绪。最后根据不同的情绪识别生成对应的催收提示信息来辅助用户进行催收。因此,本发明提出的一种智能辅助催收方法能够通过提高情绪识别系统的准确性来提高催收的效率。
如图3所示,是本发明智能辅助催收装置的功能模块图。
本发明所述智能辅助催收装置100可以安装于电子设备中。根据实现的功能,所述智能辅助催收装置可以包括模型构建模块101、特征提取模块102、情绪识别模块103以及智能辅助催收模块104。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述模型构建模块101,用于在预构建的第一文本情绪识别神经网络的卷积层中添加预设的注意力算法,得到注意力神经网络。
本发明实施例中,所述第一文本情绪识别神经网络为一种能够识别文本中表达情绪的卷积神经网络,包含嵌入层、卷积层、池化层、输出层。
其中,所述嵌入层是一种将文本转化为数字矩阵的结构;所述卷积层用于将数字矩阵特征进行分割转化为特征向量;所述池化层是用于将特征向量进行最大值或平均值计算,用于保留特征的前提下,减小特征的数量级;所述输出层是用于将特征进行识别并输出成预设格式。
进一步的,所述注意力算法为在所述卷积层中添加Encoder-Decoder框架并配置注意力系数,得到所述的注意力神经网络的方法,其中,所述注意力系数能用来表明输入数据对输出数据的贡献大小程度,当对某一特征设置更高的注意力系数,可以抑制其他因素的干扰;所述Encoder-Decoder框架中能够对不同特征进行加权计算,记录更多的上下文信息。
所述特征提取模块102,用于获取催收信息语句文本,并根据并行机制,利用所述注意力神经网络对所述催收信息语句文本进行词特征提取,得到词与词关系特征向量集,及利用预构建的第二文本情绪识别神经网络对所述催收信息语句文本进行字特征提取,得到字与字关系特征向量集。
众所周知,英文文本中每个词语中会有空格,而中文词语不带有空格,因此传统的中文的文本情绪识别网络的嵌入层会先分词再量化的方式进行特征排列,但容易忽略单个字与字之间的局部特征。本发明实施例通过不分词、直接对单个字进行量化,并保证字与字之间的顺序,就不会丢掉一些字与字之间的特征数据。
进一步的,所述催收信息语句文本为催收设备中产生的通话语音转换得到的文本数据,其中,所述催收设备主要是手机、电话、电脑等通话设备。
进一步的,所述并行机制是指所述注意力神经网络与所述第二文本情绪识别神经网络同步进行数据处理的方法。
本发明实施例可以利用一个数据监控的脚本对所述催收设备进行监控,当所述催收设备开始通话时,触发所述脚本的数据调取功能,从所述催收设备的日志文件空间中提取通话语音,并转换为催收信息语句文本。
详细的,本发明实施例中,所述特征提取模块102在获取预构建的催收信息语句文本时,具体用于:
从预设的催收装置获取催收语音数据;
对所述催收语音数据进行降噪处理,得到降噪数据;
利用预构建的语音识别服务对所述降噪数据进行文字识别,得到催收信息语句文本。
其中,所述降噪处理为一种去除音频中特定频率的噪音的方法;所述语音识别服务为一种语音转文字的网络模型,可以识别所述降噪数据中的特定语言。
本发明实施例将所述语音数据导入预构建的滤波器中进行小波降噪,得到所述降噪数据,再利用所述语音识别服务将所述降噪数据中的汉语识别成中文简体汉字。
详细的,本发明实施例中,所述特征提取模块102在利用所述注意力神经网络对所述催收信息语句文本进行词特征提取,得到词与词关系特征向量集时,具体用于:
根据预构建的词语数据库,将所述催收信息语句文本进行分词操作,得到词组集合,并对所述词组集合进行量化操作,得到各个词向量;
根据预设参数长度,对各个词向量进行长度格式化操作,得到各个长度相同的词向量,并将所述各个长度相同的词向量进行连接,得到第一数字矩阵;
利用预设的第一卷积核对所述第一数字矩阵进行卷积,得到特征向量集合,并根据所述注意力算法,对所述特征向量集合中的各个特征向量进行权重计算,得到词与词关系特征向量集。
其中,所述词语数据库为含有中文日常词语的数据库。
具体的,本发明实施例在所述催收信息语句文本中截取相连字,得到字段集合,再对所述字段集合中的字段与所述词语数据库中的常见词进行查询,将所述词语数据库中存在的各个字段进行提取,得到词组集合。通过接口中的函数将词组集合进行量化,得到词向量。根据预设参数长度L为标准,对各个词向量进行填充,得到长度全为L的词向量如【3 5 64 9 0】、【9 6 2 5 0 0】等。
进一步的,将各个长度为L的词向量进行连接,得到第一数字矩阵最后利用长为L高为1的卷积核进行步长为1的卷积操作,得到一维的词与词关系特征向量集,其中,在卷积过程中,根据所述注意力系数,可以忽略所述第一数字矩阵中数值小于3的数值来突出数值间的特征。其中,本发明实施例中,长度L设置为6。
进一步地,本发明实施例中,所述第二文本情绪识别神经网络为常见的情绪识别神经网络,但所述第二文本情绪识别网络是对文本分词之前,直接对连续的单个字进行依次识别。详细地,所述利用所述第二文本情绪识别神经网络对所述催收信息语句文本进行字特征提取,得到字与字关系特征向量集,包括:
对所述催收信息语句文本中的各个单字进行顺序量化操作,得到字向量集合,并根据所述参数长度,对所述字向量集合中的各个字向量进行长度格式化操作,得到各个长度相同的字向量;
根据所述各个单字在所述催收信息语句文本中的顺序,将所述各个长度相同的字向量进行顺序连接,得到第二数字矩阵;
通过预设的第二卷积核对所述第二数字矩阵进行卷积操作,得到字与字关系特征向量集。
具体的,本发明实施例根据催收信息语句文本中各个字的顺序将各个字进行量化,得到各个字向量,再将各个字向量进行长度为L的格式化,得到长度都为L的字向量,再根据催收信息语句文本中各个字的顺序将各个长度为L的字向量进行连接,得到第二数字矩阵本发明实施例通过为大小为2×2、步长为1的卷积核在所述第二数字矩阵中进行卷积,得到字与字关系特征向量集。
所述情绪识别模块103,用于对所述词与词关系特征向量集及所述字与字关系特征向量集进行情绪特征混合识别,得到所述催收信息语句文本对应的情绪级别。
详细的,本发明实施例中,所述情绪识别模块103在对所述词与词关系特征向量集及所述字与字关系特征向量集进行情绪特征混合识别,得到所述催收信息语句文本对应的情绪级别时,具体用于:
对所述词与词关系特征向量集中的各个特征进行平均池化操作,得到第一特征向量集合,并对所述字与字关系特征向量集合中的各个特征进行最大池化操作,得到第二特征向量;
对所述第一特征向量集合与所述第二特征向量集合进行混合特征拼接操作,得到拼接特征向量;
利用预设的softmax函数对所述拼接特征向量进行函数分类,得到所述催收信息语句文本对应的情绪级别。
本发明实施例中所述词与词关系特征向量集的特征数量较少,通过平均池化操作,将所述词与词关系特征向量集中所述各个特征值进行平均,保留了较多次重要的信息。而所述字与字关系特征向量集合中的特征数量较多,只需要通过最大池化操作来保留数值最大的特征值。
本发明实施例中,可以在所述第二文本情绪识别神经网络的输出层中通过全连接操作,根据各个特征向量之间的关系,将第一特征向量集合及第二特征向量集合中的特征向量进行多次任意组合,最终得到关系得分最高的预设数值的拼接特征向量。将各个拼接特征向量导入softmax函数分类层中,进行特征分类及归一化操作,得到所述催收信息语句文本对应的情绪级别。
所述智能辅助催收模块104,用于判断所述情绪级别是否属于预设的情绪波动区间,及当所述情绪级别属于所述情绪波动区间时,不产生催收提示信息,及当所述情绪级别不属于所述情绪波动区间时,从预构建的情绪对应术语集合中挑选所述情绪级别对应的建议话术,并根据所述建议话术生成催收提示信息对所述催收设备对应的催收员进行提示。
本发明实施例中所述情绪级别分为【愉快、一般、烦、敷衍、生气、恼怒】,而预设情绪波动区间为【愉快、一般、烦、敷衍】。
本申请实施例可以基于人工智能技术对所述情绪级别是否属于预设的情绪波动区间进行判断,并跳接至S5或S6的操作步骤上。其中,人工智能(ArtificialIntelligence,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。
当所述情绪级别属于所述情绪波动区间时,表明催收员与债务人至今相处融洽,不产生催收提示信息。
当所述情绪级别不属于所述情绪波动区间时,从预构建的情绪对应术语集合中挑选所述情绪级别对应的建议话术,并根据所述建议话术生成催收提示信息。
其中,所述情绪对应术语集合中包含各种纠纷的解决话术与心理学建议。
当所述情绪级别不属于所述情绪波动区间时,表明催收员与债务人之间产生矛盾,为了债务人的情绪,根据所述情绪等级在所述情绪对应术语集合中寻找对应的解决方案,得到所述建议话术,并将各个所述建议话术整理为催收提示信息,对催收员进行可视化或语音提示。
此外,本发明另一实施例中,所述智能辅助催收模块104从预构建的情绪对应术语集合中挑选所述情绪等级对应的建议话术之后,还用于:
根据预设提取规则,从所述催收信息语句文本中提取关键字段,并将所述关键字段进行报表填充,得到催收记录报表。
其中,所述催收记录报表通常为电话催收之后,催收员手动进行记录的表格,容易存在被错记、编造等情况。本发明实施例通过日志提取的方式将电话催收过程中的情绪等级等字段数据进行提取,并将提取到的字段进行报表填充,得到所述催收记录报表。既能增加催收记录报表的准确性,又能减少催收员的报表填充时间。
此外,本发明另一实施例中,所述智能辅助催收模块104从预构建的情绪对应术语集合中挑选所述情绪等级对应的建议话术之后,还用于:
从预构建的日志文件空间中,获取目标催收人员在预设时间段内产生的各个催收信息语句文本与催收提示信息,并计算所述催收信息语言文本与所述催收提示信息在数量上的比值;
获取预构建的等级标准表,并利用所述等级标准表查询所述比值对应的数值区间的等级,得到所述目标催收人员对应的行业规范等级;
利用预设的催收案件分配引擎,根据所述行业规范等级,为所述目标催收设备分配预设类型及数量的待催收案件。
本发明实施例中,所述比值的大小能够表明催收员的专业水平,所述比值越高表明电话催收过程中沟通得越融洽。通过讲述比值对员工进行角色等级划分,得到所述规范等级能够宏观实现对各个催收员的管控,可以根据所述规范等级,为所述目标催收设备分配预设类型及数量的待催收案件,增加催收效率。
如图4所示,是本发明实现智能辅助催收方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如智能辅助催收程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行智能辅助催收程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如智能辅助催收程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图4仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图4示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的智能辅助催收程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
在预构建的第一文本情绪识别神经网络的卷积层中添加预设的注意力算法,得到注意力神经网络;
获取催收信息语句文本,并根据并行机制,利用所述注意力神经网络对所述催收信息语句文本进行词特征提取,得到词与词关系特征向量集,及利用预构建的第二文本情绪识别神经网络对所述催收信息语句文本进行字特征提取,得到字与字关系特征向量集;
对所述词与词关系特征向量集及所述字与字关系特征向量集进行情绪特征混合识别,得到所述催收信息语句文本对应的情绪级别;
判断所述情绪级别是否属于预设的情绪波动区间;
当所述情绪级别属于所述情绪波动区间时,不产生催收提示信息;
当所述情绪级别不属于所述情绪波动区间时,从预构建的情绪对应术语集合中挑选所述情绪级别对应的建议话术,并根据所述建议话术生成所述催收信息语句文本对应的催收提示信息。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
在预构建的第一文本情绪识别神经网络的卷积层中添加预设的注意力算法,得到注意力神经网络;
获取催收信息语句文本,并根据并行机制,利用所述注意力神经网络对所述催收信息语句文本进行词特征提取,得到词与词关系特征向量集,及利用预构建的第二文本情绪识别神经网络对所述催收信息语句文本进行字特征提取,得到字与字关系特征向量集;
对所述词与词关系特征向量集及所述字与字关系特征向量集进行情绪特征混合识别,得到所述催收信息语句文本对应的情绪级别;
判断所述情绪级别是否属于预设的情绪波动区间;
当所述情绪级别属于所述情绪波动区间时,不产生催收提示信息;
当所述情绪级别不属于所述情绪波动区间时,从预构建的情绪对应术语集合中挑选所述情绪级别对应的建议话术,并根据所述建议话术生成所述催收信息语句文本对应的催收提示信息。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指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。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种智能辅助催收方法,其特征在于,所述方法包括:
在预构建的第一文本情绪识别神经网络的卷积层中添加预设的注意力算法,得到注意力神经网络;
获取催收信息语句文本,并根据并行机制,利用所述注意力神经网络对所述催收信息语句文本进行词特征提取,得到词与词关系特征向量集,及利用预构建的第二文本情绪识别神经网络对所述催收信息语句文本进行字特征提取,得到字与字关系特征向量集;
对所述词与词关系特征向量集及所述字与字关系特征向量集进行情绪特征混合识别,得到所述催收信息语句文本对应的情绪级别;
判断所述情绪级别是否属于预设的情绪波动区间;
当所述情绪级别属于所述情绪波动区间时,不产生催收提示信息;
当所述情绪级别不属于所述情绪波动区间时,从预构建的情绪对应术语集合中挑选所述情绪级别对应的建议话术,并根据所述建议话术生成所述催收信息语句文本对应的催收提示信息。
2.如权利要求1所述的智能辅助催收方法,其特征在于,所述利用所述注意力神经网络对所述催收信息语句文本进行词特征提取,得到词与词关系特征向量集,包括:
根据预构建的词语数据库,将所述催收信息语句文本进行分词操作,得到词组集合,并对所述词组集合进行量化操作,得到各个词向量;
利用所述注意力神经网络中的嵌入层根据预设参数长度,对各个词向量进行长度格式化操作,得到长度相同的词向量,并将所述各个长度相同的词向量进行连接,得到第一数字矩阵;
利用所述注意力神经网络中第一卷积核对所述第一数字矩阵进行卷积,得到特征向量集合,并根据所述注意力算法,对所述特征向量集合中的各个特征向量进行权重计算,得到词与词关系特征向量集。
3.如权利要求2所述的智能辅助催收方法,其特征在于,所述利用预构建的第二文本情绪识别神经网络对所述催收信息语句文本进行字特征提取,得到字与字关系特征向量集,包括:
利用预构建的第二文本情绪识别神经网络中的嵌入层对所述催收信息语句文本中的各个单字进行顺序量化操作,得到字向量集合,并根据所述参数长度,对所述字向量集合中的各个字向量进行长度格式化操作,得到长度相同的字向量;
根据所述各个单字在所述催收信息语句文本中的顺序,将所述各个长度相同的字向量进行顺序连接,得到第二数字矩阵;
通过所述第二文本情绪识别神经网络中的第二卷积核对所述第二数字矩阵进行卷积操作,得到字与字关系特征向量集。
4.如权利要求1所述的智能辅助催收方法,其特征在于,所述获取预构建的催收信息语句文本,包括:
从预设的催收装置获取催收语音数据;
对所述催收语音数据进行降噪处理,得到降噪数据;
利用预构建的语音识别服务对所述降噪数据进行文字识别,得到催收信息语句文本。
5.如权利要求1所述的智能辅助催收方法,其特征在于,所述对所述词与词关系特征向量集及所述字与字关系特征向量集进行情绪特征混合识别,得到所述催收信息语句文本对应的情绪级别,包括:
对所述词与词关系特征向量集中的各个特征进行平均池化操作,得到第一特征向量集合,并对所述字与字关系特征向量集合中的各个特征进行最大池化操作,得到第二特征向量集合;
对所述第一特征向量集合与所述第二特征向量集合进行混合特征拼接操作,得到拼接特征向量;
利用预设的softmax函数对所述拼接特征向量进行函数分类,得到所述催收信息语句文本对应的情绪级别。
6.如权利要求1所述的智能辅助催收方法,其特征在于,所述从预构建的情绪对应术语集合中挑选所述情绪等级对应的建议话术,并根据所述建议话术生成所述催收信息语句文本对应的催收提示信息之后,所述方法还包括:
根据预设提取规则,从所述催收信息语句文本中提取关键字段,并将所述关键字段进行报表填充,得到催收记录报表。
7.如权利要求1所述的智能辅助催收方法,其特征在于,所述从预构建的情绪对应术语集合中挑选所述情绪等级对应的建议话术,并根据所述建议话术生成所述催收信息语句文本对应的催收提示信息之后,所述方法还包括:
从预构建的日志文件空间中,获取目标催收人员在预设时间段内产生的各个催收信息语句文本与对应的催收提示信息,并计算所述在预设时间段内产生的催收信息语言文本与所述催收提示信息在数量上的比值;
利用所述预构建的等级标准表查询所述比值对应的数值区间的等级,得到所述目标催收人员对应的行业规范等级;
利用预设的催收案件分配引擎,根据所述行业规范等级,为所述目标催收人员分配预设类型及数量的待催收案件。
8.一种智能辅助催收装置,其特征在于,所述装置包括:
模型构建模块,用于在预构建的第一文本情绪识别神经网络的卷积层中添加预设的注意力算法,得到注意力神经网络;
特征提取模块,用于获取催收信息语句文本,并根据并行机制,利用所述注意力神经网络对所述催收信息语句文本进行词特征提取,得到词与词关系特征向量集,及利用预构建的第二文本情绪识别神经网络对所述催收信息语句文本进行字特征提取,得到字与字关系特征向量集;
情绪识别模块,用于对所述词与词关系特征向量集及所述字与字关系特征向量集进行情绪特征混合识别,得到所述催收信息语句文本对应的情绪级别;
智能辅助催收模块,用于判断所述情绪级别是否属于预设的情绪波动区间,及当所述情绪级别属于所述情绪波动区间时,不产生催收提示信息,及当所述情绪级别不属于所述情绪波动区间时,从预构建的情绪对应术语集合中挑选所述情绪级别对应的建议话术,并根据所述建议话术生成催收提示信息对所述催收设备对应的催收员进行提示。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的智能辅助催收方法。
10.一种计算机可读存储介质,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如权利要求1至7中任意一项所述的智能辅助催收方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111009544.0A CN113704430A (zh) | 2021-08-31 | 2021-08-31 | 智能辅助催收方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111009544.0A CN113704430A (zh) | 2021-08-31 | 2021-08-31 | 智能辅助催收方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113704430A true CN113704430A (zh) | 2021-11-26 |
Family
ID=78657622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111009544.0A Pending CN113704430A (zh) | 2021-08-31 | 2021-08-31 | 智能辅助催收方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113704430A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970666A (zh) * | 2022-03-29 | 2022-08-30 | 北京百度网讯科技有限公司 | 一种口语处理方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670166A (zh) * | 2018-09-26 | 2019-04-23 | 平安科技(深圳)有限公司 | 基于语音识别的催收辅助方法、装置、设备和存储介质 |
CN111144097A (zh) * | 2019-12-25 | 2020-05-12 | 华中科技大学鄂州工业技术研究院 | 一种对话文本的情感倾向分类模型的建模方法和装置 |
CN111651593A (zh) * | 2020-05-08 | 2020-09-11 | 河南理工大学 | 基于词向量和字向量混合模型的文本情感分析方法 |
CN112818086A (zh) * | 2021-02-04 | 2021-05-18 | 上海畅圣计算机科技有限公司 | 一种机器人催收获取客户意向标签的多标签分类方法 |
-
2021
- 2021-08-31 CN CN202111009544.0A patent/CN113704430A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670166A (zh) * | 2018-09-26 | 2019-04-23 | 平安科技(深圳)有限公司 | 基于语音识别的催收辅助方法、装置、设备和存储介质 |
CN111144097A (zh) * | 2019-12-25 | 2020-05-12 | 华中科技大学鄂州工业技术研究院 | 一种对话文本的情感倾向分类模型的建模方法和装置 |
CN111651593A (zh) * | 2020-05-08 | 2020-09-11 | 河南理工大学 | 基于词向量和字向量混合模型的文本情感分析方法 |
CN112818086A (zh) * | 2021-02-04 | 2021-05-18 | 上海畅圣计算机科技有限公司 | 一种机器人催收获取客户意向标签的多标签分类方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970666A (zh) * | 2022-03-29 | 2022-08-30 | 北京百度网讯科技有限公司 | 一种口语处理方法、装置、电子设备及存储介质 |
CN114970666B (zh) * | 2022-03-29 | 2023-08-29 | 北京百度网讯科技有限公司 | 一种口语处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619568A (zh) | 风险评估报告的生成方法、装置、设备及存储介质 | |
CN112541338A (zh) | 相似文本匹配方法、装置、电子设备及计算机存储介质 | |
CN112560453A (zh) | 语音信息校验方法、装置、电子设备及介质 | |
CN113064994A (zh) | 会议质量评估方法、装置、设备及存储介质 | |
CN112527994A (zh) | 情绪分析方法、装置、设备及可读存储介质 | |
CN112820269A (zh) | 文本转语音方法、装置、电子设备及存储介质 | |
CN113360768A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN112328657A (zh) | 特征衍生方法、装置、计算机设备及介质 | |
CN112951233A (zh) | 语音问答方法、装置、电子设备及可读存储介质 | |
CN113268615A (zh) | 资源标签生成方法、装置、电子设备及存储介质 | |
CN115238670A (zh) | 信息文本抽取方法、装置、设备及存储介质 | |
CN113205814B (zh) | 语音数据标注方法、装置、电子设备及存储介质 | |
CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
CN114626735A (zh) | 催收案件分配方法、装置、设备及计算机可读存储介质 | |
CN113704430A (zh) | 智能辅助催收方法、装置、电子设备及存储介质 | |
CN115409041B (zh) | 一种非结构化数据提取方法、装置、设备及存储介质 | |
CN112992187A (zh) | 基于上下文的语音情感检测方法、装置、设备及存储介质 | |
CN112489628A (zh) | 语音数据选择方法、装置、电子设备及存储介质 | |
CN110347696B (zh) | 数据转换方法、装置、计算机设备以及存储介质 | |
CN112201253A (zh) | 文字标记方法、装置、电子设备及计算机可读存储介质 | |
CN113903363B (zh) | 基于人工智能的违规行为检测方法、装置、设备及介质 | |
CN114693435A (zh) | 催收名单的智能回访的方法、装置、电子设备及存储介质 | |
CN114943306A (zh) | 意图分类方法、装置、设备及存储介质 | |
CN113704474A (zh) | 银行网点设备操作指引生成方法、装置、设备及存储介质 | |
CN114186028A (zh) | 咨诉工单处理方法、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 |