CN113870478A - 快速取号方法、装置、电子设备及存储介质 - Google Patents

快速取号方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113870478A
CN113870478A CN202111148171.5A CN202111148171A CN113870478A CN 113870478 A CN113870478 A CN 113870478A CN 202111148171 A CN202111148171 A CN 202111148171A CN 113870478 A CN113870478 A CN 113870478A
Authority
CN
China
Prior art keywords
text
participle
service
taking
number taking
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
Application number
CN202111148171.5A
Other languages
English (en)
Inventor
夏斯勇
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 Bank Co Ltd
Original Assignee
Ping An Bank Co 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 Bank Co Ltd filed Critical Ping An Bank Co Ltd
Priority to CN202111148171.5A priority Critical patent/CN113870478A/zh
Publication of CN113870478A publication Critical patent/CN113870478A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C11/00—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere
    • 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
    • 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
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • 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
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
    • 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
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/22—Interactive procedures; Man-machine interfaces
    • 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
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C11/00—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere
    • G07C2011/04—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere related to queuing 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
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/223—Execution procedure of a spoken command

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及人工智能技术，揭露一种快速取号方法，包括：获取用户发出的办理取号业务的语音信息，利用预先训练的语音识别模型识别所述语音信息的文本内容，并提取所述文本内容的文本特征，利用预先训练的激活函数计算所述文本特征与预设的多个取号业务之间的相对概率值，根据所述相对概率值计算每个取号业务的得分，确定得分最高的取号业务为所述用户的取号业务，根据所述取号业务执行相应的取号操作。本发明还提出一种快速取号装置、设备以及介质。本发明可以提升取号效率和用户体验。

Description

快速取号方法、装置、电子设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种快速取号方法、装置、电子设备及计算机可读存储介质。
背景技术
当代生活中，用户去医院、银行、政府机构的服务大厅办理业务时，取号机发挥着非常重要的作用，用户需要先到取号机上完成取号，根据取号等待叫号，才能到柜台或门诊办理业务。
用户清楚自己想要办理的事务，但是面对取号机提供的比较抽象概括的业务分类名称或琳琅满目的业务分类条目，尤其是用户第一次办理业务时，不知道如何选择合适的取号业务。
针对这种情况，一般在医院、银行或政府机构的服务大厅中会有专门的工作人员负责协助和引导用户，通过咨询用户的意图，帮助用户选择合适的业务分类，但是用户较多时，这种方式的处理效率非常低，往往会造成人员拥堵，用户的体验性差。而且，当用户到达柜台办理业务时，柜台工作人员还需要重复咨询人们的意图，这样也会降低用户的体验性。
发明内容
本发明提供一种快速取号方法、装置及计算机可读存储介质，其主要目的在于提升快速取号的准确性。
为实现上述目的，本发明提供的一种快速取号方法，包括：
获取用户发出的办理取号业务的语音信息，利用预先训练的语音识别模型识别所述语音信息的文本内容，并提取所述文本内容的文本特征；
利用预先训练的激活函数计算所述文本特征与预设的多个取号业务之间的相对概率值；
根据所述相对概率值计算每个取号业务的得分，确定得分最高的取号业务为所述用户的取号业务，根据所述取号业务执行相应的取号操作。
可选地，所述获取用户发出的办理取号业务的语音信息，包括：
监测到语音取号的请求后，启动预设的语音采集任务；
利用所述语音采集任务，采集位于预设目标区域内的用户的语音信息。
可选地，所述提取所述文本内容的文本特征，包括：
对所述文本内容进行分词处理，得到多个文本分词；
从所述多个文本分词中逐个选取其中一个文本分词为目标分词，并统计所述目标分词和所述目标分词的相邻文本分词在所述目标分词的预设邻域范围内共同出现的共现次数；
利用每个文本分词对应的共现次数构建共现矩阵；
分别将所述多个文本分词转换为词向量，将所述词向量拼接为向量矩阵；
利用所述共现矩阵和所述向量矩阵进行乘积运算，得到文本向量矩阵；
从所述多个文本分词中逐个选取其中一个文本分词为目标分词，根据所述目标分词的词向量及所述文本向量矩阵，计算所述目标分词的关键值；
按照所述关键值从大到小的顺序从所述多个文本分词中选取预设数量的文本分词为特征分词；
将所述特征分词的词向量拼接得到所述文本内容的文本特征。
可选地，所述对所述文本内容进行分词处理，包括：
利用预设的分词词库对所述文本内容执行正向分割及反向分割操作，得到正向文本分词及反向文本分词；
判断所述正向文本分词与所述反向文本分词是否相同；
若所述正向文本分词与所述反向文本分词相同，则将所述正向文本分词作为所述文本分词；
若所述正向文本分词与所述反向文本分词不同，则利用所述预设的分词词库，对所述正向文本分词进行语法分析，并判断所述正向文本分词的语法是否正确；
若所述正向文本分词的语法正确，则将所述正向文本分词作为所述分词片段；
若所述正向文本分词的语法不正确，则将所述反向文本分词作为所述分词片段。
可选地，所述提取所述文本内容的文本特征，包括：
将所述文本内容转换为词向量，将所述词向量拼接为向量矩阵；
利用预先训练的语义识别模型对所述向量矩阵进行文本特征的提取，得到所述文本内容的文本特征。
可选地，所述根据所述取号业务执行相应的取号操作之后，所述方法还包括：
提取所述语音信息的声纹特征；
在预设的声纹库中，查找与所述声纹特征相匹配的声纹ID；
若查找不到相匹配的声纹ID，则生成新的声纹ID，并获取所述用户的用户信息，将所述声纹ID、所述声纹特征及所述用户信息关联并存储到所述预设的声纹库中，并将所述用户信息发送到预设的业务待办系统；
若查找到相匹配的声纹ID，则根据所述声纹ID获取相应的用户信息，并将所述用户信息发送到预设的业务待办系统。
可选地，所述提取所述语音信息的声纹特征，包括：
利用预设滤波器将所述语音信息转换为谱域图，统计所述谱域图的谱域密度、谱熵和共振峰参数，得到谱域特征；
通过傅里叶逆变换将所述谱域图转换为倒谱域图，统计所述倒谱域图的倒谱域密度、倒谱熵和倒谱周期，得到所述到谱域特征；
汇集所述谱域特征和所述倒谱域特征汇集为声纹特征。
为了解决上述问题，本发明还提供一种快速取号装置，所述装置包括：
文本特征提取模块，用于获取用户发出的办理取号业务的语音信息，利用预先训练的语音识别模型识别所述语音信息的文本内容，并提取所述文本内容的文本特征；
特征与业务匹配模块，用于利用预先训练的激活函数计算所述文本特征与预设的多个取号业务之间的相对概率值；
取号业务生成模块，用于根据所述相对概率值计算每个取号业务的得分，确定得分最高的取号业务为所述用户的取号业务，根据所述取号业务执行相应的取号操作。
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：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的快速取号方法。
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指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的快速取号方法。
本发明申请通过对用户语音信息的文本转换及文本特征提取，计算得到所述文本特征对应的取号业务，根据所述取号业务执行相应的取号操作，用户只需要在服务大厅的取号机前，说出自己想要办理的事项即可，取号机自动识别出对应的取号业务并生成相应的排队号码，不要求用户对取号的取号业务进行判断，也无需现场工作人员的协助，用户可以自助的、快捷的完成取号操作，从而提升了取号效率和用户体验。
附图说明
图1为本发明一实施例提供的快速取号方法的流程示意图；
图2为图1所示快速取号方法中其中一个步骤的详细实施流程示意图；
图3为图1所示快速取号方法中其中一个步骤的详细实施流程示意图；
图4为本发明一实施例提供的快速取号装置的功能模块图；
图5为本发明一实施例提供的实现所述快速取号方法的电子设备的结构示意图。
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快速取号方法。所述快速取号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，所述快速取号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快速取号方法的流程示意图。
在本实施例中，所述快速取号方法包括：
S1、获取用户发出的办理取号业务的语音信息，利用预先训练的语音识别模型识别所述语音信息的文本内容，并提取所述文本内容的文本特征；
本申请实施例中，需要对传统的取号机进行改造，将预设的声纹识别器接入到取号机中，用户只需要在服务大厅的取号机前，说出自己想要办理的业务即可，取号机自动识别出对应的取号业务并生成相应的取号业务排队号码，不需要用户自己对取号的取号业务进行判断，也无需现场工作人员的协助，用户可以自助的、快捷的完成取号操作。
详细地，所述获取用户发出的办理取号业务的语音信息，包括：监测到语音取号的请求后，启动预设的语音采集任务；利用所述语音采集任务，采集位于预设目标区域内的用户的语音信息。
本申请实施例中，用户可以根据取号机屏幕中提供的语音取号提示信息，选择语音取号，生成相应的语音取号请求。所述预设的语音采集任务集成在预设的声纹识别器中。所述预设的声纹识别器包括语音采集模块、语音数据存储模块及语音语义分析模块。
可以理解的是，通常在银行、运营商营业大厅或政府机关服务大厅，人流量比较大，声音比较嘈杂，为了提升语音信息采集的准确性，需要限定语音采集的条件。所述目标区域是指通过模拟用户语音取号行为所得到的通常用户站立的空间位置。本申请实施例中，可以通过在取号机上设置红外感应，当感应到用户处于所述目标区域时，通过预设的声纹识别器采集所述目标区域内的用户发出的语音信息。
本申请实施例中，可利用预先训练的语音识别模型将所述语音信息转换为对应的文本内容，所述预先训练的语音识别模型是基于卷积神经网络构建，通过对大量的语音样本进行训练得到的。
本申请实施例中，利用所述预先训练的语音识别模型的语音特征表征层对所述语音信息进行分帧、加窗、傅里叶变换以及滤波等操作，得到所述语音信息的语音特征，利用所述预先训练的语音识别模型的解码层，根据所述语音信息的语音特征输出所述语音信息对应的字母或词等文本符号，得到所述语音信息的文本内容。
本申请另一实施例，可采用声学模型对所述语音信息进行语音识别，得到文本内容。所述声学模型通过对每个字进行发声的建模，以建立包含多个字，及每个字对应的标准发声的数据库，通过对所述语音信息中每个时刻下用户发声的采集，以获取每个时刻下用户的发声，进而将该发声与预先构建的包含多个字，及每个字对应的标准发声的数据库中的字进行概率匹配，以此实现对语音信息进行语音识别，得到文本内容。
本申请实施例中，由于所述文本内容由自然语言组成，若直接对所述文本内容进行分析，会占用大量的计算资源，导致分析的效率低下，因此，可将所述文本内容转换为文本向量矩阵，进而将由自然语言表达的文本内容转换为数值形式。
本申请实施例中，可以利用预设的词向量转换模型可以采用Word2vec、glove、Elmo等词向量经典模型将所述文本内容转换文本向量矩阵。
详细地，参阅图2所示，所述S1，包括：
S11、对所述文本内容进行分词处理，得到多个文本分词；
S12、从所述多个文本分词中逐个选取其中一个文本分词为目标分词，并统计所述目标分词和所述目标分词的相邻文本分词在所述目标分词的预设邻域范围内共同出现的共现次数；
S13、利用每个文本分词对应的共现次数构建共现矩阵；
S14、分别将所述多个文本分词转换为词向量，将所述词向量拼接为向量矩阵；
S15、利用所述共现矩阵和所述向量矩阵进行乘积运算，得到文本向量矩阵；
S16、从所述多个文本分词中逐个选取其中一个文本分词为目标分词，根据所述目标分词的词向量及所述文本向量矩阵，计算所述目标分词的关键值；
S17、按照所述关键值从大到小的顺序从所述多个文本分词中选取预设数量的文本分词为特征分词；
S18、将所述特征分词的词向量拼接得到所述文本内容的文本特征。
较佳地，所述对所述文本内容进行分词处理之前，还包括：对所述文本内容执行去标点符号、去停用词、去无用符号的操作。
本发明实施例中，可采用预设的标准词典对所述文本内容进行分词处理，得到多个文本分词，所述标准词典中包含多个标准分词。
例如，将所述文本内容按照不同的长度在所述标准词典中进行检索，若能检索到与所述文本内容相同的标准分词，则可确定检索到的该标准分词为所述文本内容的文本分词。
示例性地，可利用每一个文本分词对应的所述共现次数构建如下所示的共现矩阵：
Figure BDA0003286202490000071
其中，Xi,j为所述文本内容中关键词i与该关键词i的相邻文本分词j的共现次数。
详细地，并非每一个文本分词均是所述文本内容的文本特征，因此，需要对所述多个文本分词进行筛选，本申请实施例从所述多个文本分词中逐个选取其中一个文本分词为目标分词，根据所述目标分词的词向量与所述文本向量矩阵，计算所述目标分词的关键值，以根据所述关键值筛选出对所述文本内容具有代表性的特征分词，以实现获取所述文本内容的文本特征。
具体地，所述根据所述目标分词的词向量与所述文本向量矩阵计算所述目标分词的关键值，包括：
利用如下关键值算法计算所述目标分词的关键值：
Figure BDA0003286202490000072
其中，K为所述关键值，|W|为所述文本向量矩阵，T为矩阵转置符号，||为求模符号，
Figure BDA0003286202490000073
为所述目标分词的词向量。
本申请实施例中，按照每个文本分词的关键值从大到小的顺序从所述多个文本分词中选取预设数量的文本分词为特征分词。
例如，所述多个文本分词包括：文本分词A、文本分词B和文本分词C，其中，文本分词A的关键值为80，文本分词B的关键值为70，文本分词C的关键值为30，若预设数量为2，则按照所述关键值从大到小的顺序，选取文本分词A和文本分词B为特征分词，并将所述文本分词A和所述文本分词B的词向量进行拼接，得到所述文本内容的文本特征。
本发明另一实施例中，参阅图3所示，所述S11，包括：
S111、利用预设的分词词库对所述文本内容执行正向分割及反向分割操作，得到正向文本分词及反向文本分词；
S112、判断所述正向文本分词与所述反向文本分词是否相同；
若所述正向文本分词与所述反向文本分词相同，则执行S113、将所述正向文本分词作为所述文本分词；
若所述正向文本分词与所述反向文本分词不同，则执行S114、利用所述预设的分词词库，对所述正向文本分词进行语法分析，并判断所述正向文本分词的语法是否正确；
若所述正向文本分词的语法正确，则执行S113；
若所述正向文本分词的语法不正确，则执行S115、将所述反向文本分词作为所述分词片段。
本申请实施例中，所述正向分割是指对所述文本内容从左往右第一个字开始扫描，匹配所述预设的分词词库，得到多个正向文本分词，例如，所述文本内容为“我要办理银行卡”，对所述文本内容执行正向分割的结果为“我”、“要”、“办理”、“银行卡”。
所述反向分割是指对所述文本内容从右往左第一个字开始扫描，匹配所述预设的分词词库，得到多个反向文本分词，例如，所述文本内容为“我要办理银行卡”，对所述文本内容执行反向分割的结果为“银行卡”、“办理”、“要”、“我”。
本申请实施例中，所述判断所述正向文本分词与所述反向文本分词是否相同，包括：将所述正向文本分词中第一位的字或词与所述反向文本分词中最后一位的字或词进行比较，以此类推。例如，如上述示例中，将所述正向文本分词中第一位的词“我”与所述反向文本分词中最后一位的词“我”进行比较。
本申请实施例中，所述语法分析，是指对所述正向文本分词中的词、以及所述词的前一个词和后一个词进行词类归类以及词类搭配是否合理的分析，所述词类包括名词、代词、数量词、副词、形容词、动词、介词、语气词等。
本发明另一实施例中，可以利用基于BERT的预先训练的语义识别模型对所述文本内容的文本向量矩阵进行特征提取，包括：将所述文本内容转换为词向量，将所述词向量拼接为向量矩阵；利用预先训练的语义识别模型对所述向量矩阵进行文本特征的提取，得到所述文本内容的文本特征。
S2、利用预先训练的激活函数计算所述文本特征与预设的多个取号业务之间的相对概率值；
本发明实施例中，可利用预设的激活函数分别对每个所述文本特征与预设多个取号业务的相对概率值，其中，所述相对概率值是指每一个特征对应的取号业务的概率值，当某一特征与某一发取号业务的相对概率值越高，则该特征是用于表达该取号业务的概率越高。
详细地，所述激活函数包括但不限于softmax激活函数、sigmoid激活函数、relu激活函数。
本发明其中一个实施例中，可利用如下激活函数计算相对概率值：
Figure BDA0003286202490000091
其中，p(a|x)为特征x和取号业务a之间的相对概率，w_a为取号业务a的权重向量，T为求转置运算符号，exp为求期望运算符号，A为预设的取号业务的数量。
本发明另一实施例中，可以采用决策树算法或者K-means聚类算法替换所述激活函数，利用所述决策树算法或者所述聚类算法对所述文本特征集进行分类或聚类，实现所述文本特征与取号业务之间的映射。
S3、根据所述相对概率值计算每个取号业务的得分，确定得分最高的取号业务为所述用户的取号业务，根据所述取号业务执行相应的取号操作。
本申请实施例中，可采用差异性投票机制，利用所述文本特征与预设的多个取号业务之间的相对概率值及每个所述文本特征的预设权重值，计算每个取号业务的得分，并对每个取号业务的得分进行统计，进而确定得分最高的取号业务为所述用户的取号业务。
示例性地，所述文本特征包括第一文本特征、第二文本特征及第三文本特征，所述第一文本特征对应的预设权重值为0.4，所述第二文本特征对应的预设权重值为0.5，所述文本特征对应的预设权重值为0.6。所述预设的多个取号业务包括业务A、业务B及业务C，其中所述第一文本特征与所述业务A、业务B及业务C之间的相对概率值分别为30％、60％、50％，所述第二文本特征与所述业务A、业务B及业务C之间的相对概率值分别为40％、50％、60％，所述第三文本特征与所述业务A、业务B及业务C之间的相对概率值分别为20％、60％、50％，所述业务A的得分为每个所述文本特征的相对概率值之和与对应的预设权重之间的乘积，即(30％+40％+20％)*0.4＝36％，所述业务B的得分为85％，即(60％+50％+60％)*0.5＝85％，所述业务C的得分为96％，即(50％+60％+50％)*0.6＝96％，则得分最高的取号业务为业务C，业务C为所述用户的取号业务。
进一步地，所述执行相应的取号操作之后，还包括：提取所述语音信息的声纹特征；在预设的声纹库中，查找与所述声纹特征相匹配的声纹ID；若查找不到相匹配的声纹ID，则生成新的声纹ID，并获取所述用户的用户信息，将所述声纹ID、所述声纹特征及所述用户信息关联并存储到所述预设的声纹库中，并将所述用户信息发送到预设的业务待办系统；若查找到相匹配的声纹ID，则根据所述声纹ID获取相应的用户信息，并将所述用户信息发送到预设的业务待办系统。
详细地，所述提取所述语音信息的声纹特征，包括：利用预设滤波器将所述语音信息转换为谱域图，统计所述谱域图的谱域密度、谱熵和共振峰参数，得到谱域特征；通过傅里叶逆变换将所述谱域图转换为倒谱域图，统计所述倒谱域图的倒谱域密度、倒谱熵和倒谱周期，得到所述到谱域特征；汇集所述谱域特征和所述倒谱域特征汇集为声纹特征。
本申请实施例中，每个用户的声纹特征具有唯一性，根据声纹特征对不同的用户分配唯一的声纹ID，将用户的声纹ID与用户信息进行关联，并将用户信息发送到预设的业务待办系统中，例如，发送到柜台的办公系统中，方便柜台的工作人员第一时间获取到用户的基本信息，减少对用户的重复询问，进一步地提升用户的体验。
本发明申请通过对用户语音信息的文本转换及文本特征提取，计算得到所述文本特征对应的取号业务，根据所述取号业务执行相应的取号操作，用户只需要在服务大厅的取号机前，说出自己想要办理的事项即可，取号机自动识别出对应的取号业务并生成相应的排队号码，不要求用户对取号的取号业务进行判断，也无需现场工作人员的协助，用户可以自助的、快捷的完成取号操作，从而提升了取号效率和用户体验。
如图4所示，是本发明一实施例提供的快速取号装置的功能模块图。
本发明所述快速取号装置100可以安装于电子设备中。根据实现的功能，所述快速取号装置100可以包括文本特征提取模块101、特征与业务匹配模块102及取号业务生成模块103。本发明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：
所述文本特征提取模块101，用于获取用户发出的办理取号业务利用预先训练的语音识别模型的语音信息，识别所述语音信息的文本内容，并提取所述文本内容的文本特征；
详细地，利用所述文本特征提取模块101获取用户发出的办理取号业务的语音信息，包括：监测到语音取号的请求后，启动预设的语音采集任务；利用所述语音采集任务，采集位于预设目标区域内的用户的语音信息。
本申请实施例中，用户可以根据取号机屏幕中提供的语音取号提示信息，选择语音取号，生成相应的语音取号请求。所述预设的语音采集任务集成在预设的声纹识别器中。所述预设的声纹识别器包括语音采集模块、语音数据存储模块及语音语义分析模块。
可以理解的是，通常在银行、运营商营业大厅或政府机关服务大厅，人流量比较大，声音比较嘈杂，为了提升语音信息采集的准确性，需要限定语音采集的条件。所述目标区域是指通过模拟用户语音取号行为所得到的通常用户站立的空间位置。本申请实施例中，可以通过在取号机上设置红外感应，当感应到用户处于所述目标区域时，通过预设的声纹识别器采集所述目标区域内的用户发出的语音信息。
本申请实施例中，在所述文本特征提取模块101中，可通过预先训练的语音识别模型将所述语音信息转换为对应的文本内容，所述预先训练的语音识别模型是基于卷积神经网络构建，通过对大量的语音样本进行训练得到的。
本申请实施例中，利用所述预先训练的语音识别模型的语音特征表征层对所述语音信息进行分帧、加窗、傅里叶变换以及滤波等操作，得到所述语音信息的语音特征，利用所述预先训练的语音识别模型的解码层，根据所述语音信息的语音特征输出所述语音信息对应的字母或词等文本符号，得到所述语音信息的文本内容。
本申请另一实施例，在所述文本特征提取模块101中，可通过声学模型对所述语音信息进行语音识别，得到文本内容。所述声学模型通过对每个字进行发声的建模，以建立包含多个字，及每个字对应的标准发声的数据库，通过对所述语音信息中每个时刻下用户发声的采集，以获取每个时刻下用户的发声，进而将该发声与预先构建的包含多个字，及每个字对应的标准发声的数据库中的字进行概率匹配，以此实现对语音信息进行语音识别，得到文本内容。
本申请实施例中，由于所述文本内容由自然语言组成，若直接对所述文本内容进行分析，会占用大量的计算资源，导致分析的效率低下，因此，可将所述文本内容转换为文本向量矩阵，进而将由自然语言表达的文本内容转换为数值形式。
本申请实施例中，在所述文本特征提取模块101中，可以通过预设的词向量转换模型可以采用Word2vec、glove、Elmo等词向量经典模型将所述文本内容转换文本向量矩阵，包括：对所述文本内容进行分词处理，得到多个文本分词；从所述多个文本分词中逐个选取其中一个文本分词为目标分词，并统计所述目标分词和所述目标分词的相邻文本分词在所述目标分词的预设邻域范围内共同出现的共现次数；利用每个文本分词对应的共现次数构建共现矩阵；分别将所述多个文本分词转换为词向量，将所述词向量拼接为向量矩阵；利用所述共现矩阵和所述向量矩阵进行乘积运算，得到文本向量矩阵；从所述多个文本分词中逐个选取其中一个文本分词为目标分词，根据所述目标分词的词向量及所述文本向量矩阵，计算所述目标分词的关键值；按照所述关键值从大到小的顺序从所述多个文本分词中选取预设数量的文本分词为特征分词；将所述特征分词的词向量拼接得到所述文本内容的文本特征。
较佳地，所述对所述文本内容进行分词处理之前，还包括：对所述文本内容执行去标点符号、去停用词、去无用符号的操作。
本发明实施例中，在所述文本特征提取模块101中，可通过预设的标准词典对所述文本内容进行分词处理，得到多个文本分词，所述标准词典中包含多个标准分词。
例如，将所述文本内容按照不同的长度在所述标准词典中进行检索，若能检索到与所述文本内容相同的标准分词，则可确定检索到的该标准分词为所述文本内容的文本分词。
示例性地，可利用每一个文本分词对应的所述共现次数构建如下所示的共现矩阵：
Figure BDA0003286202490000131
其中，Xi,j为所述文本内容中关键词i与该关键词i的相邻文本分词j的共现次数。
详细地，并非每一个文本分词均是所述文本内容的文本特征，因此，需要对所述多个文本分词进行筛选，本申请实施例从所述多个文本分词中逐个选取其中一个文本分词为目标分词，根据所述目标分词的词向量与所述文本向量矩阵，计算所述目标分词的关键值，以根据所述关键值筛选出对所述文本内容具有代表性的特征分词，以实现获取所述文本内容的文本特征。
具体地，所述根据所述目标分词的词向量与所述文本向量矩阵计算所述目标分词的关键值，包括：
利用如下关键值算法计算所述目标分词的关键值：
Figure BDA0003286202490000132
其中，K为所述关键值，|W|为所述文本向量矩阵，T为矩阵转置符号，||为求模符号，
Figure BDA0003286202490000133
为所述目标分词的词向量。
本申请实施例中，按照每个文本分词的关键值从大到小的顺序从所述多个文本分词中选取预设数量的文本分词为特征分词。
例如，所述多个文本分词包括：文本分词A、文本分词B和文本分词C，其中，文本分词A的关键值为80，文本分词B的关键值为70，文本分词C的关键值为30，若预设数量为2，则按照所述关键值从大到小的顺序，选取文本分词A和文本分词B为特征分词，并将所述文本分词A和所述文本分词B的词向量进行拼接，得到所述文本内容的文本特征。
本发明另一实施例中，可以利用基于BERT的预先训练的语义识别模型对所述文本内容的文本向量矩阵进行特征提取，包括：将所述文本内容转换为词向量，将所述词向量拼接为向量矩阵；利用预先训练的语义识别模型对所述向量矩阵进行文本特征的提取，得到所述文本内容的文本特征。
所述特征与业务匹配模块102，用于利用预先训练的激活函数计算所述文本特征与预设的多个取号业务之间的相对概率值；
本发明实施例中，所述特征与业务匹配模块102可利用预设的激活函数分别对每个所述文本特征与预设多个取号业务的相对概率值，其中，所述相对概率值是指每一个特征对应的取号业务的概率值，当某一特征与某一发取号业务的相对概率值越高，则该特征是用于表达该取号业务的概率越高。
详细地，所述激活函数包括但不限于softmax激活函数、sigmoid激活函数、relu激活函数。
本发明其中一个实施例中，可利用如下激活函数计算相对概率值：
Figure BDA0003286202490000141
其中，p(a|x)为特征x和取号业务a之间的相对概率，w_a为取号业务a的权重向量，T为求转置运算符号，exp为求期望运算符号，A为预设的取号业务的数量。
本发明另一实施例中，在所述特征与业务匹配模块102，可采用决策树算法或者K-means聚类算法替换所述激活函数，利用所述决策树算法或者所述聚类算法对所述文本特征集进行分类或聚类，实现所述文本特征与取号业务之间的映射。
所述取号业务生成模块103，用于根据所述相对概率值计算每个取号业务的得分，确定得分最高的取号业务为所述用户的取号业务，根据所述取号业务执行相应的取号操作。
本申请实施例中，在所述取号业务生成模块103中，可采用差异性投票机制，利用所述文本特征与预设的多个取号业务之间的相对概率值及每个所述文本特征的预设权重值，计算每个取号业务的得分，并对每个取号业务的得分进行统计，进而确定得分最高的取号业务为所述用户的取号业务。
示例性地，所述文本特征包括第一文本特征、第二文本特征及第三文本特征，所述第一文本特征对应的预设权重值为0.4，所述第二文本特征对应的预设权重值为0.5，所述文本特征对应的预设权重值为0.6。所述预设的多个取号业务包括业务A、业务B及业务C，其中所述第一文本特征与所述业务A、业务B及业务C之间的相对概率值分别为30％、60％、50％，所述第二文本特征与所述业务A、业务B及业务C之间的相对概率值分别为40％、50％、60％，所述第三文本特征与所述业务A、业务B及业务C之间的相对概率值分别为20％、60％、50％，所述业务A的得分为每个所述文本特征下的相对概率值之和与对应的预设权重之间的乘积，即(30％+40％+20％)*0.4＝36％，所述业务B的得分为85％，即(60％+50％+60％)*0.5＝85％，所述业务C的得分为96％，即(50％+60％+50％)*0.6＝96％，则得分最好的取号业务为业务C。
如图5所示，是本发明一实施例提供的实现快速取号方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，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，如快速取号程序。
其中，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1的内部存储单元，例如该电子设备1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1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，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1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1的应用软件及各类数据，例如快速取号程序的代码等，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(Control Unit)，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(例如快速取号程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，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。
图5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5示出的结构并不构成对所述电子设备1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1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1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。
进一步地，所述电子设备1还可以包括网络接口，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1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，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1中处理的信息以及用于显示可视化的用户界面。
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1中的所述存储器11存储的快速取号程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取用户发出的办理取号业务的语音信息，利用预先训练的语音识别模型识别所述语音信息的文本内容，并提取所述文本内容的文本特征；
利用预先训练的激活函数计算所述文本特征与预设的多个取号业务之间的相对概率值；
根据所述相对概率值计算每个取号业务的得分，确定得分最高的取号业务为所述用户的取号业务，根据所述取号业务执行相应的取号操作。
具体地，所述处理器10对上述指令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1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，可以存储在一个计算机可读存储介质中。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：
获取用户发出的办理取号业务的语音信息，利用预先训练的语音识别模型识别所述语音信息的文本内容，并提取所述文本内容的文本特征；
利用预先训练的激活函数计算所述文本特征与预设的多个取号业务之间的相对概率值；
根据所述相对概率值计算每个取号业务的得分，确定得分最高的取号业务为所述用户的取号业务，根据所述取号业务执行相应的取号操作。
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。
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。
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)

1.一种快速取号方法，其特征在于，所述方法包括：
获取用户发出的办理取号业务的语音信息，利用预先训练的语音识别模型识别所述语音信息的文本内容，并提取所述文本内容的文本特征；
利用预先训练的激活函数计算所述文本特征与预设的多个取号业务之间的相对概率值；
根据所述相对概率值计算每个取号业务的得分，确定得分最高的取号业务为所述用户的取号业务，根据所述取号业务执行相应的取号操作。
2.如权利要求1所述的快速取号方法，其特征在于，所述获取用户发出的办理取号业务的语音信息，包括：
监测到语音取号的请求后，启动预设的语音采集任务；
利用所述语音采集任务，采集位于预设目标区域内的用户的语音信息。
3.如权利要求1所述的快速取号方法，其特征在于，所述提取所述文本内容的文本特征，包括：
对所述文本内容进行分词处理，得到多个文本分词；
从所述多个文本分词中逐个选取其中一个文本分词为目标分词，并统计所述目标分词和所述目标分词的相邻文本分词在所述目标分词的预设邻域范围内共同出现的共现次数；
利用每个文本分词对应的共现次数构建共现矩阵；
分别将所述多个文本分词转换为词向量，将所述词向量拼接为向量矩阵；
利用所述共现矩阵和所述向量矩阵进行乘积运算，得到文本向量矩阵；
从所述多个文本分词中逐个选取其中一个文本分词为目标分词，根据所述目标分词的词向量及所述文本向量矩阵，计算所述目标分词的关键值；
按照所述关键值从大到小的顺序从所述多个文本分词中选取预设数量的文本分词为特征分词；
将所述特征分词的词向量拼接得到所述文本内容的文本特征。
4.如权利要求3所述的快速取号方法，其特征在于，所述对所述文本内容进行分词处理，包括：
利用预设的分词词库对所述文本内容执行正向分割及反向分割操作，得到正向文本分词及反向文本分词；
判断所述正向文本分词与所述反向文本分词是否相同；
若所述正向文本分词与所述反向文本分词相同，则将所述正向文本分词作为所述文本分词；
若所述正向文本分词与所述反向文本分词不同，则利用所述预设的分词词库，对所述正向文本分词进行语法分析，并判断所述正向文本分词的语法是否正确；
若所述正向文本分词的语法正确，则将所述正向文本分词作为所述分词片段；
若所述正向文本分词的语法不正确，则将所述反向文本分词作为所述分词片段。
5.如权利要求1所述的快速取号方法，其特征在于，所述提取所述文本内容的文本特征，包括：
将所述文本内容转换为词向量，将所述词向量拼接为向量矩阵；
利用预先训练的语义识别模型对所述向量矩阵进行文本特征的提取，得到所述文本内容的文本特征。
6.如权利要求1所述的快速取号方法，其特征在于，所述根据所述取号业务执行相应的取号操作之后，所述方法还包括：
提取所述语音信息的声纹特征；
在预设的声纹库中，查找与所述声纹特征相匹配的声纹ID；
若查找不到相匹配的声纹ID，则生成新的声纹ID，并获取所述用户的用户信息，将所述声纹ID、所述声纹特征及所述用户信息关联并存储到所述预设的声纹库中，并将所述用户信息发送到预设的业务待办系统；
若查找到相匹配的声纹ID，则根据所述声纹ID获取相应的用户信息，并将所述用户信息发送到预设的业务待办系统。
7.如权利要求6所述的快速取号方法，其特征在于，所述提取所述语音信息的声纹特征，包括：
利用预设滤波器将所述语音信息转换为谱域图，统计所述谱域图的谱域密度、谱熵和共振峰参数，得到谱域特征；
通过傅里叶逆变换将所述谱域图转换为倒谱域图，统计所述倒谱域图的倒谱域密度、倒谱熵和倒谱周期，得到所述到谱域特征；
汇集所述谱域特征和所述倒谱域特征汇集为声纹特征。
8.一种快速取号装置，其特征在于，所述装置包括：
文本特征提取模块，用于获取用户发出的办理取号业务的语音信息，利用预先训练的语音识别模型识别所述语音信息的文本内容，并提取所述文本内容的文本特征；
特征与业务匹配模块，用于利用预先训练的激活函数计算所述文本特征与预设的多个取号业务之间的相对概率值；
取号业务生成模块，用于根据所述相对概率值计算每个取号业务的得分，确定得分最高的取号业务为所述用户的取号业务，根据所述取号业务执行相应的取号操作。
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，所述指令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中任意一项所述的快速取号方法。
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中任意一项所述的快速取号方法。
CN202111148171.5A 2021-09-29 2021-09-29 快速取号方法、装置、电子设备及存储介质 Pending CN113870478A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111148171.5A CN113870478A (zh) 2021-09-29 2021-09-29 快速取号方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111148171.5A CN113870478A (zh) 2021-09-29 2021-09-29 快速取号方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN113870478A true CN113870478A (zh) 2021-12-31

Family

ID=78992279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111148171.5A Pending CN113870478A (zh) 2021-09-29 2021-09-29 快速取号方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113870478A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023178798A1 (zh) * 2022-03-25 2023-09-28 平安科技（深圳）有限公司 图像分类方法、装置、设备及介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101901461A (zh) * 2010-07-16 2010-12-01 北京天诚盛业科技有限公司 具有智能人脸识别的银行vip客户服务系统和方法
CN105893353A (zh) * 2016-04-20 2016-08-24 广东万丈金数信息技术股份有限公司 分词方法和分词系统
CN109147146A (zh) * 2018-08-21 2019-01-04 平安科技（深圳）有限公司 语音取号的方法及终端设备
CN208538133U (zh) * 2018-05-29 2019-02-22 禾麦科技开发（深圳）有限公司 一种信息处理设备
CN109816343A (zh) * 2019-01-04 2019-05-28 平安科技（深圳）有限公司 一种业务分流方法及装置
CN110246503A (zh) * 2019-05-20 2019-09-17 平安科技（深圳）有限公司 黑名单声纹库构建方法、装置、计算机设备和存储介质
CN110705733A (zh) * 2019-08-22 2020-01-17 中国平安财产保险股份有限公司 取号方法、装置、电子设备及计算机可读存储介质
CN111507401A (zh) * 2020-04-16 2020-08-07 四川博源科技有限责任公司 基于人脸识别终端的柜台业务处理系统和方法
CN111554269A (zh) * 2019-10-12 2020-08-18 南京奥拓软件技术有限公司 一种语音取号方法、系统及存储介质
CN112381989A (zh) * 2020-11-12 2021-02-19 中国工商银行股份有限公司 排序方法、装置、系统和电子设备
CN112632292A (zh) * 2020-12-23 2021-04-09 深圳壹账通智能科技有限公司 业务关键词的提取方法、装置、设备及存储介质
WO2021103631A1 (zh) * 2019-11-25 2021-06-03 南京奥拓电子科技有限公司 一种排队方法、系统、客户端、装置及其服务器
CN113420556A (zh) * 2021-07-23 2021-09-21 平安科技（深圳）有限公司 基于多模态信号的情感识别方法、装置、设备及存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101901461A (zh) * 2010-07-16 2010-12-01 北京天诚盛业科技有限公司 具有智能人脸识别的银行vip客户服务系统和方法
CN105893353A (zh) * 2016-04-20 2016-08-24 广东万丈金数信息技术股份有限公司 分词方法和分词系统
CN208538133U (zh) * 2018-05-29 2019-02-22 禾麦科技开发（深圳）有限公司 一种信息处理设备
CN109147146A (zh) * 2018-08-21 2019-01-04 平安科技（深圳）有限公司 语音取号的方法及终端设备
CN109816343A (zh) * 2019-01-04 2019-05-28 平安科技（深圳）有限公司 一种业务分流方法及装置
CN110246503A (zh) * 2019-05-20 2019-09-17 平安科技（深圳）有限公司 黑名单声纹库构建方法、装置、计算机设备和存储介质
CN110705733A (zh) * 2019-08-22 2020-01-17 中国平安财产保险股份有限公司 取号方法、装置、电子设备及计算机可读存储介质
CN111554269A (zh) * 2019-10-12 2020-08-18 南京奥拓软件技术有限公司 一种语音取号方法、系统及存储介质
WO2021103631A1 (zh) * 2019-11-25 2021-06-03 南京奥拓电子科技有限公司 一种排队方法、系统、客户端、装置及其服务器
CN111507401A (zh) * 2020-04-16 2020-08-07 四川博源科技有限责任公司 基于人脸识别终端的柜台业务处理系统和方法
CN112381989A (zh) * 2020-11-12 2021-02-19 中国工商银行股份有限公司 排序方法、装置、系统和电子设备
CN112632292A (zh) * 2020-12-23 2021-04-09 深圳壹账通智能科技有限公司 业务关键词的提取方法、装置、设备及存储介质
CN113420556A (zh) * 2021-07-23 2021-09-21 平安科技（深圳）有限公司 基于多模态信号的情感识别方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023178798A1 (zh) * 2022-03-25 2023-09-28 平安科技（深圳）有限公司 图像分类方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN112001175B (zh) 流程自动化方法、装置、电子设备及存储介质
CN111984793A (zh) 文本情感分类模型训练方法、装置、计算机设备及介质
CN111460797B (zh) 关键字抽取方法、装置、电子设备及可读存储介质
CN113807103B (zh) 基于人工智能的招聘方法、装置、设备及存储介质
CN113420556B (zh) 基于多模态信号的情感识别方法、装置、设备及存储介质
CN114007131A (zh) 视频监控方法、装置及相关设备
CN114387061A (zh) 产品推送方法、装置、电子设备及可读存储介质
CN112988963A (zh) 基于多流程节点的用户意图预测方法、装置、设备及介质
CN113704410A (zh) 情绪波动检测方法、装置、电子设备及存储介质
CN113627797A (zh) 入职员工画像生成方法、装置、计算机设备及存储介质
CN116956896A (zh) 基于人工智能的文本分析方法、系统、电子设备及介质
CN113553431B (zh) 用户标签提取方法、装置、设备及介质
CN117278675A (zh) 一种基于意图分类的外呼方法、装置、设备及介质
CN113870478A (zh) 快速取号方法、装置、电子设备及存储介质
CN113254814A (zh) 网络课程视频打标签方法、装置、电子设备及介质
CN114528851B (zh) 回复语句确定方法、装置、电子设备和存储介质
CN115525750A (zh) 机器人话术检测可视化方法、装置、电子设备及存储介质
CN115510219A (zh) 话术推荐方法、装置、电子设备及存储介质
CN114401346A (zh) 基于人工智能的应答方法、装置、设备及介质
CN115510188A (zh) 文本关键词关联方法、装置、设备及存储介质
CN115221323A (zh) 基于意图识别模型的冷启动处理方法、装置、设备及介质
CN113990313A (zh) 语音控制方法、装置、设备及存储介质
CN113808616A (zh) 语音合规检测方法、装置、设备及存储介质
JP7216627B2 (ja) 入力支援方法、入力支援システム、及びプログラム
CN114996400A (zh) 裁判文书处理方法、装置、电子设备及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211231

RJ01 Rejection of invention patent application after publication