CN115170049A - 可信度评分方法、装置、电子设备、存储介质和程序产品 - Google Patents
可信度评分方法、装置、电子设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN115170049A CN115170049A CN202210425831.8A CN202210425831A CN115170049A CN 115170049 A CN115170049 A CN 115170049A CN 202210425831 A CN202210425831 A CN 202210425831A CN 115170049 A CN115170049 A CN 115170049A
- Authority
- CN
- China
- Prior art keywords
- sub
- credibility
- information
- micro
- stage
- 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
- 238000013077 scoring method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 96
- 230000008569 process Effects 0.000 claims abstract description 86
- 238000011156 evaluation Methods 0.000 claims abstract description 40
- 230000036760 body temperature Effects 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 44
- 230000036387 respiratory rate Effects 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 27
- 230000009471 action Effects 0.000 claims description 24
- 230000014509 gene expression Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 20
- 230000036391 respiratory frequency Effects 0.000 claims description 12
- 239000002131 composite material Substances 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 14
- 230000015654 memory Effects 0.000 description 10
- 210000005252 bulbus oculi Anatomy 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000029058 respiratory gaseous exchange Effects 0.000 description 5
- 230000035565 breathing frequency Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004397 blinking Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000031636 Body Temperature Changes Diseases 0.000 description 1
- 241000209202 Bromus secalinus Species 0.000 description 1
- 208000003556 Dry Eye Syndromes Diseases 0.000 description 1
- 206010013774 Dry eye Diseases 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013522 software testing Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009278 visceral effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本公开提供了一种可信度评分方法,涉及人工智能技术领域,包括:获取待评分目标的图像信息和音频信息;根据图像信息,确定待评分目标的第一微细节信息和第一生理特征信息;从音频信息中提取至少一次答题过程,并将可信度评价阶段划分为多个子阶段,每个子阶段包括至少一次答题过程;对第一微细节信息和第一生理特征信息进行切割,以生成至少一个子阶段的第二微细节信息和第二生理特征信息;对于至少一个子阶段,根据第二微细节信息、第二生理特征信息以及待评分目标在答题过程中的回答,生成子阶段的第一可信度评分;根据多个子阶段的第一可信度评分,生成综合可信度评分。本公开还提供了一种可信度评分装置、设备、存储介质和程序产品。
Description
技术领域
本公开涉及人工智能技术领域,可应用于金融领域或其他领域,本公开具体地涉及一种可信度评分方法、装置、电子设备、存储介质和程序产品。
背景技术
在互联网快速发展的浪潮下,贷款欺诈防不胜防。贷款人提交虚假贷款材料,骗取了银行等金融机构的信任,导致金融机构放贷后,无法按时收回贷款,造成银行很多坏账、呆账、死账,进而引发金融机构重大的资金损失。
目前,在贷款环节,通过向贷款人提问,并由工作人员根据贷款人的回答进行可信度进行评测,但是,用于提问的问题模板贷款人很容易破解,且工作人员反欺诈水平参次不齐,导致识别能力有强有弱,这些导致目前的可信度评价的可靠性较弱。因此,如何提高可信度评价的可靠性成为了一项亟待解决的技术问题。
发明内容
鉴于上述问题,本公开提供了一种可信度评分方法、装置、电子设备、存储介质和程序产品。
根据本公开的第一个方面,提供了一种可信度评分方法,其中,包括:
获取待评分目标在可信度评价阶段的图像信息和音频信息;
根据所述图像信息,确定所述待评分目标的第一微细节信息和第一生理特征信息;
从所述音频信息中提取至少一次答题过程,并将所述可信度评价阶段划分为多个子阶段,每个子阶段包括至少一次所述答题过程;
以所述子阶段作为切割维度,对所述第一微细节信息和所述第一生理特征信息进行切割,以生成至少一个所述子阶段的第二微细节信息和第二生理特征信息;
对于至少一个所述子阶段,根据所述子阶段的所述第二微细节信息、所述第二生理特征信息以及所述待评分目标在所述答题过程中的回答,生成所述子阶段的第一可信度评分;
根据多个所述子阶段的第一可信度评分,生成综合可信度评分。
根据本公开的实施例,所述图像信息包括可见光图像和红外图像,所述根据所述图像信息,确定所述待评分目标的第一微细节信息和第一生理特征信息,包括:
通过所述可见光图像,识别出所述待评分目标的至少一个微表情和至少一个微动作;
由所述微表情和所述微动作构成所述第一微细节信息;
通过所述红外图像,识别出所述待评分目标的体温,并分析出所述待评分目标的心率信息和呼吸频率信息;
由所述体温、所述呼吸频率和所述心率构成所述第一生理特征信息。
根据本公开的实施例,所述根据所述体温分析出所述待评分目标的心率信息和呼吸频率信息,包括:
根据所述待评分目标的体温,确定所述待评分目标的面部的温度变化情况;
根据所述面部的温度变化情况,分析出所述待评分目标的心率;
通过所述红外图像,确定所述待评分目标的鼻子区域的温度变化情况;
根据所述鼻子区域的温度变化情况,分析出所述待评分目标的呼吸频率。
根据本公开的实施例,所述以所述子阶段作为切割维度,对所述第一微细节信息和所述第一生理特征信息进行切割,以生成至少一个所述子阶段的第二微细节信息和第二生理特征信息,包括:
对所述第一微细节信息进行切割,并根据切割结果生成第一特征表,所述第一特征表包括与所述子阶段一一对应的第一特征项,至少一个所述第一特征项包括在与其对应的所述子阶段中所发生的所述微表情和所述微动作;
由至少一个所述第一特征项中的所述微表情和所述微动作,构成一个所述第二微细节信息;
对所述第一生理特征信息进行切割,并根据切割结果生成第二特征表,所述第二特征表包括与所述子阶段一一对应的第二特征项,至少一个所述第二特征项包括在与其对应的所述子阶段中,所述待评分目标的所述体温、所述呼吸频率和所述心率;
由至少一个所述第二特征项中的所述体温、所述呼吸频率和所述心率,构成一个所述第二生理特征信息。
根据本公开的实施例,所述对于至少一个所述子阶段,根据所述子阶段的所述第二微细节信息、所述第二生理特征信息以及所述待评分目标在所述答题过程中的回答,生成所述子阶段的第一可信度评分,包括:
获取第一评分字典、第二评分字典和问答知识图谱;
根据所述第二微细节信息中的所述微表情和所述微动作,从所述第一评分字典确定出与所述第二微细节信息相匹配的第二可信度评分;
根据所述第二生理特征信息中的所述体温、所述呼吸频率和所述心率,从所述第二评分字典确定出与所述第二生理特征信息相匹配的第三可信度评分;
根据所述问答知识图谱,确定所述回答的第四可信度评分;
至少根据所述第二可信度评分、所述第三可信度评分和所述第四可信度评分,确定所述第一可信度评分。
根据本公开的实施例,所述音频信息还包括所述待评分目标在回答提问时的第一声音特征,所述可信度评分方法还包括:
以所述子阶段为切割维度,对所述第一声音特征进行切割,以得到每个子阶段的第二声音特征;
所述对于至少一个所述子阶段,根据所述子阶段的所述第二微细节信息、所述第二生理特征信息以及所述待评分目标在所述答题过程中的回答,生成所述子阶段的第一可信度评分,还包括:
获取第三评分字典;
从所述第三评分字典确定出与所述第二声音特征相匹配的第五可信度评分;
根据所述第二可信度评分、所述第三可信度评分、所述第四可信度评分和所述第五可信度评分,确定所述第一可信度评分。
根据本公开的实施例,所述可信度评分方法还包括:
基于时序,对所述图像信息和所述音频信息进行合并;
按照预设时间节点,在合并后的文件中标注出所述待评分目标的所述体温、所述心率和所述呼吸频率。
根据本公开的实施例,所述根据所述音频信息,将所述可信度评价阶段划分为多个子阶段,包括:
从所述音频信息中识别出至少一个起始关键词以及与该起始关键词相对应的结束关键词;
根据所述起始关键词和所述结束关键词,确定所述音频信息中的一次完整答题过程;
以至少一次完整答题过程为维度,将所述可信度评价阶段划分为多个子阶段。
根据本公开的实施例,根据多个所述子阶段的第一可信度评分,生成综合可信度评分,包括:
根据每个所述子阶段所包括的答题过程,为所述子阶段分配权重;
根据多个所述子阶段的第一可信度评分以及多个所述子阶段的权重,生成综合可信度评分。
根据本公开的实施例,所述可信度评分方法还包括:
响应于用户的操作,修改所述综合可信度评分;
根据修改后的所述综合可信度评分,对生成所述综合可信度评分的过程中所涉及的参数进行调整。
本公开的第二方面提供了一种可信度评分装置,其中,包括:
获取模块,用于获取待评分目标在可信度评价阶段的图像信息和音频信息;
第一处理模块,用于根据所述图像信息,确定所述待评分目标的第一微细节信息和第一生理特征信息;
第二处理模块,从所述音频信息中提取至少一次答题过程,并将所述可信度评价阶段划分为多个子阶段,每个子阶段包括至少一次所述答题过程;
第三处理模块,用于以所述子阶段作为切割维度,对所述第一微细节信息和所述第一生理特征信息进行切割,以生成至少一个所述子阶段的第二微细节信息和第二生理特征信息;
第四处理模块,用于对于至少一个所述子阶段,根据所述子阶段的所述第二微细节信息、所述第二生理特征信息以及所述待评分目标在所述答题过程中的回答,生成所述子阶段的第一可信度评分;
输出模块,用于根据多个所述子阶段的第一可信度评分,生成综合可信度评分。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述的可信度评分方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述的可信度评分方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的可信度评分方法。
上述一个或多个实施例具有如下优点或益效果:
相较于通过人工根据提问进行可信度评价的传统方案而言,采用本公开实施例的可信度评分方法,不仅实现了自动可信度评分,同时还考虑到了待评分目标的微细节和生理特征,从而扩展了用于可信度评价的特征,并且,本公开实施例的可信度评分方法能够结合待评分目标的微细节、生理特征和答题过程对每个子阶段进行打分,并根据每个子阶段的得分汇总得到综合可信度评分,而这使得可信度评分具有较细的评分粒度,大大增加了可信度评分的准确率,提升了可信度评分的可靠性。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的可信度评分方法、装置、电子设备、存储介质和程序产品的应用场景图;
图2示意性示出了根据本公开实施例的可信度评分方法的流程图之一;
图3示意性示出了根据本公开实施例的确定第一微细节信息和第一生理特征信息的流程图;
图4示意性示出了根据本公开实施例的确定体温、心率信息和呼吸频率信息的流程图;
图5示意性示出了根据本公开实施例的将可信度评价阶段划分为多个子阶段的流程图;
图6示意性示出了根据本公开实施例的生成第二微细节信息和第二生理特征信息的流程图;
图7示意性示出了根据本公开实施例的生成第一可信度评分的流程图之一;
图8示意性示出了根据本公开实施例的生成综合可信度评分的流程图;
图9示意性示出了根据本公开实施例的生成第一可信度评分的流程图之二;
图10示意性示出了根据本公开实施例的可信度评分方法的流程图之二;
图11示意性示出了根据本公开实施例的可信度评分方法的流程图之三;
图12示意性示出了根据本公开实施例的可信度评分装置的结构框图;
图13示意性示出了根据本公开实施例的适于实现可信度评分方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有 B和C、和/或具有A、B、C的系统等)。
需要说明的是,本公开提供的可信度评分方法、装置、电子设备、存储介质和程序产品涉及人工智能技术领域。本公开的实施例提供的检索方法、装置、电子设备、存储介质和程序产品可应用于金融领域或者除金融领域之外的任意领域,例如,本公开实施例提供的可信度评分方法、装置、电子设备、存储介质和程序产品可应用于金融领域中的贷款业务中。本公开对软件测试方法、装置、电子设备、存储介质和程序产品的应用领域不做限定。
在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
本公开的实施例提供了一种可信度评分方法,其中,包括:获取待评分目标在可信度评价阶段的图像信息和音频信息;根据图像信息,确定待评分目标的第一微细节信息和第一生理特征信息;根据音频信息,将可信度评价阶段划分为多个子阶段,每个子阶段包括至少一次答题过程;以子阶段作为切割维度,对第一微细节信息和第一生理特征信息进行切割,以生成至少一个子阶段的第二微细节信息和第二生理特征信息;对于至少一个子阶段,根据子阶段的第二微细节信息、第二生理特征信息以及待评分目标在答题过程中的回答,生成子阶段的第一可信度评分;根据多个子阶段的第一可信度评分,生成综合可信度评分。
相较于通过人工根据提问进行可信度评价的传统方案而言,采用本公开实施例的可信度评分方法,不仅实现了自动可信度评分,同时还考虑到了待评分目标的微细节和生理特征,从而扩展了用于可信度评价的特征,并且,本公开实施例的可信度评分方法能够结合待评分目标的微细节、生理特征和答题过程对每个子阶段进行打分,并根据每个子阶段的得分汇总得到综合可信度评分,而这使得可信度评分具有较细的评分粒度,大大增加了可信度评分的准确率,提升了可信度评分的可靠性。
图1示意性示出了根据本公开实施例的可信度评分方法、装置、电子设备、存储介质和程序产品的应用场景图,如图1所示,根据该实施例的应用场景100可以包括终端设备101、102、103、网络104 和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器 105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的可信度评分方法一般可以由服务器105执行。相应地,本公开实施例所提供的可信度评分装置一般可以设置于服务器105中。本公开实施例所提供的可信度评分方法也可以由不同于服务器105且能够与终端设备101、102、103和/ 或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的可信度评分装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2至图11对公开实施例的可信度评分方法进行详细描述。
图2示意性示出了根据本公开实施例的可信度评分方法的流程图之一,如图2所示,该实施例的可信度评分方法包括步骤S210~步骤S230,需要说明的是,虽然图2中的各步骤按照箭头的指示依次显示,但是,这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,图中的至少部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替的执行。
在步骤S210,获取待评分目标在可信度评价阶段的图像信息和音频信息。
在本公开实施例中,可信度评分方法可应用于金融领域的贷款业务中,待评分目标可以是指贷款业务中的贷款人。贷款人在进行贷款时,可以向贷款人发出需要进行可信度评价的通知,在获取贷款人的授权确认后,进入可信度评价阶段。在可信度评价阶段,可以向待评分目标发起提问,同时采集待评分目标的音频信息和图像信息,例如,音频信息可以包括待评分目标对提问的回答,图像信息可以包括可见光图像和红外图像等。
在步骤S220,根据图像信息,确定待评分目标的第一微细节信息和第一生理特征信息。
在本公开实施例中,第一微细节信息可以包括待评分目标的微表情和微动作等,微表情和微动作可以包括待评分目标持续时间极短的微小表情和动作,例如,微表情和微动作的持续时间一般仅为1/25 秒至1/5秒。微表情和微动作表达了待评分目标试图控制和隐藏的真实情感,而这很难被肉眼察觉和分辨。本公开实施例通过机器进行精准捕捉,同时结合第一生理特征信息,综合分析待评分目标的可信度。第一生理特征信息可以包括能够表征待评分目标的生理指标的特征信息,例如,体温等。通过待评分目标体温的变化,可以分析出待评分目标的心理活动变化,例如,待评分目标在撒谎时,体温可能会呈现一定程度的上升等。
在步骤S230,从音频信息中提取至少一次答题过程,并将可信度评价阶段划分为多个子阶段,每个子阶段包括至少一次答题过程。
在本公开实施例中,音频信息可以包括在可信度评价阶段,对待评分目标的提问以及待评分目标的回答。可选地,可以通过语义识别等方式,识别出在可信度评价阶段对待评分目标的每次提问,进而,可以以至少一次提问为维度,将可信度评价阶段划分成多个子阶段,换句话说,每个子阶段包括至少一个答题过程。
在步骤S240,以子阶段作为切割维度,对第一微细节信息和第一生理特征信息进行切割,以生成至少一个子阶段的第二微细节信息和第二生理特征信息。
在本公开实施例中,每个子阶段包括至少一个答题过程,每个子阶段的第二微细节信息和第二生理特征信息则包括至少一个答题过程中,待评分目标的微表情、微动作以及体温等特征。
例如,可信度评价过程包括十个答题过程A1至A10,每个子阶段包括一个答题过程,也就是说,可以将可信度评价阶段划分成十个子阶段B1至B10。在以子阶段为维度对第一微细节信息进行切割后,可以将第一微信细节信息切割成十段第二微细节信息C1至C10,在对第一生理特征信息进行切割后,可以将第一生理特征信息切割成十段第二生理特征信息D1至D10。其中,第二微细节信息C1即包括在子阶段B1(也即答题过程A1)中待评分目标的微表情和微动作,第二生理特征信息D1即包括在子阶段B1(也即答题过程A1)中待评分目标的体温;第二微细节信息C2即包括在子阶段B2(答题过程 A2)中待评分目标的微表情和微动作,第二生理特征信息D2即包括在子阶段B2(也即答题过程A2)中待评分目标的体温;第二微细节信息C3即包括在子阶段B3中(也即答题过程A3)待评分目标的微表情和微动作,第二生理特征信息D3即包括在子阶段B3中(也即答题过程A3)待评分目标的体温,以此类推,本公开实施例不再一一列举。在本示例中,对于每个子阶段,或者说,对于每个答题过程,均有相应的第二微细节信息和第二生理特征信息。
需要说明的是,上述示例中只是以每个子阶段包括一个答题过程为例对本公开实施例进行的解释说明,并不是限定每个子阶段只能包括一个答题过程,例如,在一些具体实施例中,每个子阶段还可以包括一类问题的多个答题过程等,具体可以根据实际需要确定,在此不作限制。
在步骤S250,对于至少一个子阶段,根据子阶段的第二微细节信息、第二生理特征信息以及待评分目标在答题过程中的回答,生成子阶段的第一可信度评分。
在本公开实施例中,每个子阶段包括至少一个答题过程,在步骤S250中待评分目标在答题过程中的回答可以是指,在该子阶段中,待评分目标在每次答题过程中的回答。
可选地,在一个子阶段中,可以根据待评分目标在答题过程中的回答对待评分目标的每次答题过程进行打分,汇总后得到一个子阶段的答题得分。需要说明的是,当一个子阶段包括一个答题过程时,该答题过程的答题得分即为该子阶段的答题得分。
如前文所述,第二微细节信息可以包括待评分目标的微表情和微动作,第二生理特征信息可以包括待评分目标的体温,因此,在本公开实施例中,可以针对每个子阶段,结合待评分目标的微表情、微动作、体温和答题得分,进行综合评分,以得到每个子阶段的第一可信度评分。
在步骤S260,根据多个子阶段的第一可信度评分,生成综合可信度评分。
在本公开实施例中,可以将多个子阶段的第一可信度评分汇总后,生成综合可信度评分。例如,可以将多个子阶段的第一可信度评分进行加和后取平均值,以得到综合可信度评分,具体地下文将做详细介绍,在此先不赘述。
综上,相较于通过人工根据提问进行可信度评价的传统方案而言,采用本公开实施例的可信度评分方法,不仅实现了自动可信度评分,同时还考虑到了待评分目标的微细节和生理特征,从而扩展了用于可信度评价的特征,并且,本公开实施例的可信度评分方法能够结合待评分目标的微细节、生理特征和答题过程对每个子阶段进行打分,并根据每个子阶段的得分汇总得到综合可信度评分,而这使得可信度评分具有较细的评分粒度,大大增加了可信度评分的准确率,提升了可信度评分的可靠性。
下面结合图2至图11对本公开实施例的可信度评分方法进行进一步的说明。
图3示意性示出了根据本公开实施例的确定第一微细节信息和第一生理特征信息的流程图,如图3所示,在一些具体实施例中,图像信息包括可见光图像和红外图像,步骤S220包括步骤S221至步骤S224。
在步骤S221,通过可见光图像,识别出待评分目标的至少一个微表情和至少一个微动作。
在本公开实施例中,可见光图像的采集设备可以使用高分辨率摄像装置,以方便识别微表情和微动作,例如,可以采用分辨率为 3840*2160的摄像装置。
在本公开实施例中,微表情和微动作可以通过人工智能技术进行识别。例如,可以预先创建并训练微表情识别模型和微动作识别模型,示例性地,可以通过历史数据或者采集样本库中的样本,按照预设比例划分训练集和测试集,对上述两个模型进行训练,直至满足收敛条件后,确定训练完成。之后,通过训练好的微表情识别模型和微动作识别模型识别并提取可见光图像中的相应特征,之后根据提取出的特征识别出待评分目标的微表情和微动作。
可选地,在从可见光图像中提取出特征后,可以对提取出的特征进行特征标注和分类等处理,其中,特征标注可以包括标注出提取出的特征的内容,例如眼球转动等。分类则可以包括将提取出的特征分类至微表情或者微动作中。例如,微表情可以包括:眼球右上转动次数、眼球左上转动次数、眼球右下转动次数、眼球左下转动次数、眼球左右摆动次数、嘴部上翘次数、嘴部撅起动作、嘴部紧闭动作和皱眉毛动作等。微动作可以包括点头次数、头部右偏次数、头部左偏次数、手部模耳朵动作、手部模头发动作、手部模鼻子动作、手部托下巴动作。
在步骤S222,由微表情和微动作构成第一微细节信息。
在步骤S223,通过红外图像,识别出待评分目标的体温,并分析出待评分目标的心率信息和呼吸频率信息。
在本公开实施例中,可以采用1tps一次的双色红外测温仪采集红外图像,从而可以抵抗周围环境变化,提高采样有效性。
在本公开实施例中,可以根据红外图像,结合待识别目标局部的体温变化,分析出待评分目标的心率信息和呼吸频率信息,从而实现非接触式检测。例如,可以根据待评分目标与呼吸过程相关联的器官附近的温度变化,分析待评分目标的呼吸频率以得到呼吸频率信息;例如,可以根据待评分目标血液循环引起的体温变化,分析待评分目标的心率,以得到心率信息。
图4示意性示出了根据本公开实施例的确定体温、心率信息和呼吸频率信息的流程图,如图4所示,在一些具体实施例中,步骤S223 包括步骤S2231至步骤S2234。
在步骤S2231,根据待评分目标的体温,确定待评分目标的面部的温度变化情况。
在本公开实施例中,待评分目标的心率直接影响着血液循环,而随着待评分目标的血液循环,待评分目标的面部的温度将会随之发生微小变化,例如,当待评分目标如实回答问题时,待评分目标的心率一般会保持平稳,此时,待评分目标的面部的温度变化频率基本不变。当待评分目标编造答案进行回答时,待评分目标的心率可能会上升,此时,待评分目标的面部的温度变化频率将会加快。通过红外图像可以识别出这一微小变化,并以这一微小变化作为待评分目标的面部的温度变化情况。
在步骤S2232,根据面部的温度变化情况,分析出待评分目标的心率。
在本公开实施例中,可以对面部的温度变化情况进行降噪以及数字化等处理,例如,处理后的温度变化情况可以包括面部温度的变化频率、面部温度的变化周期、面部温度的变化幅度等,根据面部温度的变化频率、面部温度的变化周期以及面部温度的变化幅度中的至少一者即可确定出待评分目标的心率。
在步骤S2233,通过红外图像,确定待评分目标的鼻子区域的温度变化情况。
在本公开实施例中,可以以待评分目标的鼻孔附近的区域作为鼻子区域。其中,鼻孔附近可以包括某一参考点为圆心的一圆周所限定出的区域。随着待评分目标的呼吸,待评分目标的鼻孔附近的温度将会随之发生微小变化。例如,当待评分目标如实回答问题时,待评分目标的呼吸频率一般会保持平稳,此时,待评分目标的鼻孔附近的温度变化频率基本不变。当待评分目标编造答案进行回答时,待评分目标的呼吸频率可能会更加急促,此时,待评分目标的鼻孔附近的温度变化频率将会加快。通过红外图像可以识别出这一微小变化,进而得到待评分目标的鼻子区域的温度变化情况。
在步骤S2234,根据鼻子区域的温度变化情况,分析出待评分目标的呼吸频率。
在本公开实施例中,可以对鼻子区域的温度变化情况进行降噪以及数字化等处理,例如,处理后的温度变化情况可以包括鼻子区域温度的变化频率、鼻子区域温度的变化周期、鼻子区域温度的变化幅度等,根据鼻子区域温度的变化频率、鼻子区域温度的变化周期以及鼻子区域温度的变化幅度中的至少一者即可确定出待评分目标的呼吸频率。
在步骤S2234之后,执行步骤S224。
在步骤S224,由体温、呼吸频率和心率构成第一生理特征信息。
在一些具体实施例中,除体温、呼吸频率和心率之外,还可以结合其他更多的特征构成第一生理特征信息,例如,待评分目标的年龄、脸型和性别等,从而进一步扩增特征范围,提高评分准确率。
图5示意性示出了根据本公开实施例的将可信度评价阶段划分为多个子阶段的流程图,如图5所示,在一些具体实施例中,步骤 S230包括步骤S231至步骤S233。
在步骤S231,从音频信息中识别出至少一个起始关键词以及与该起始关键词相对应的结束关键词。
在本公开实施例中,起始关键词和结束关键词可以根据实际需要预先进行配置。可选地,起始关键词可以包括表示一个答题过程开始的关键词,例如,起始关键词可以包括“请答题”。相应的,结束关键词可以包括表示一个答题过程结束的关键词,例如,结束关键词可以包括“感谢作答”等。
在步骤S232,根据起始关键词和结束关键词,确定音频信息中的一次完整答题过程。
在本公开实施例中,从音频信息中提取出起始关键词和结束关键词之后,可以按照起始关键词和结束关键词在音频信息中的时序,对起始关键词和结束关键词进行排序,以得到第一序列。在第一序列中,对于任一个起始关键词,位于该起始关键词之后且与该起始关键词相邻的结束关键词即为与该起始关键词属于同一个答题过程的结束关键词,因此,根据这两个关键词即可以确定出一次完整答题过程。其中,与起始关键词相邻的结束关键词是指,在该结束关键词与该起始关键词之间不存在其他的结束关键词。
在步骤S233,以至少一次完整答题过程为维度,将可信度评价阶段划分为多个子阶段。
在本公开实施例中,以多次完整答题过程为维度(例如一类问题),将可信度评价阶段划分为多个子阶段时,每个子阶段可以包括多次完整答题过程。当每个子阶段包括多次完整答题过程时,在步骤S250 中得到的子阶段的第一可信度评分即为待评价目标在多次答题过程中的综合评分。
以一次完整答题过程为维度,将可信度评价阶段划分为多个子阶段时,每个子阶段可以包括一次完整答题过程。当每个子阶段包括一次完整答题过程时,在步骤S250中得到的子阶段的第一可信度评分即为待评价目标在一次答题过程中的评分,这样的得到第一可信度评分针对性更强,粒度更加细致。
图6示意性示出了根据本公开实施例的生成第二微细节信息和第二生理特征信息的流程图,如图6所示,在一些具体实施例中,步骤S240包括步骤S241至步骤S244。
在步骤S241,对第一微细节信息进行切割,并根据切割结果生成第一特征表,第一特征表包括与子阶段一一对应的第一特征项,至少一个第一特征项包括在与其对应的子阶段中所发生的微表情和微动作。
例如,在本公开实施例中,在可信度评价阶段对待评价目标进行了两次提问,也即,可信度评价阶段包含有两个完整答题过程E1和 E2。以一次完整答题过程为维度,将可信度评价阶段划分为两个子阶段,具体如表1所示,也即,在可信度评价阶段中,以第0秒至第4 秒为第一个子阶段,以第5秒至第10秒为第二个子阶段。以子阶段为切割维度,对第一微细节信息进行切割后,可以生成如表2所示的第一特征表,其中,第一微细节信息包括微表情和微动作,在表2中,微表情和微动作可以合并至“微细节”中。第一特征表包括与两个子阶段一一对应的两行第一特征项,其中,第一行第一特征项对应于第一个子阶段,第二行第一特征项对应于第二个子阶段。其中,第一行第一特征项中的微表情包括眨眼,微动作包括摸脖子,第二行第一特征项中的微表情包括眼珠左转,微动作包括摸鼻子。
表1
问题序号 | 时间 | 问题 | 回答 |
E1 | 0秒-4秒 | 贷款用途 | 买车 |
E2 | 5秒-9秒 | 月收入多少 | 十万 |
表2
问题序号 | 子阶段 | 微细节 |
E1 | 0秒-4秒 | 眨眼,摸脖子 |
E2 | 5秒-9秒 | 眼珠左转,摸鼻子 |
在步骤S242,由至少一个第一特征项中的微表情和微动作,构成一个第二微细节信息。
例如,由第一行第一特征项中的“眨眼”和“摸脖子”,构成第一个子阶段的第二微细节信息,由第二行第一特征项中的“眼珠左转”和“摸鼻子”,构成第二个子阶段的第二微细节信息。
在步骤S243,对第一生理特征信息进行切割,并根据切割结果生成第二特征表,第二特征表包括与子阶段一一对应的第二特征项,至少一个第二特征项包括在与其对应的子阶段中,待评分目标的体温、呼吸频率和心率。
例如,将可信度评价阶段划分为上述的第一个子阶段和第二个子阶段。以子阶段为切割维度,对第一生理特征信息进行切割后,可以生成如表3所示的第二特征表,其中,第一生理特征信息包括体温、呼吸频率和心率,可选地,第一生理特征信息包括经过数字化处理后的体温、呼吸频率和心率,例如,第一生理特征信息包括体温变化幅度(与基准体温相比)、呼吸频率变化幅度(与基准呼吸频率相比) 和心率变化幅度(与基准心率相比)等,第二生理特征信息则包括,在每个子阶段中的体温变化幅度、呼吸频率变化幅度和心率变化幅度等。其中,基准体温、基准呼吸频率和基准心率可以是预先存储的,也可以是在待评分目标进入可信度评价阶段之前采集到的,具体可以根据实际需要确定,在此不作限制。第二特征表包括与两个子阶段一一对应的两行第二特征项,第一行第二特征项对应于第一个子阶段,第二行第二特征项对应于第二个子阶段。其中,第一行第二特征项和第二行第二特征项中的体温包括按照时序排列的得到的体温序列,第一行第二特征项和第二行第二特征项中的呼吸频率包括按照时序排列的得到的呼吸频率序列,第一行第二特征项和第二行第二特征项中的心率包括按照时序排列的得到的心率序列。
表3
在步骤S244,由至少一个第二特征项中的体温、呼吸频率和心率,构成一个第二生理特征信息。
例如,由第一行第二特征项中的体温序列、心率序列和呼吸频率序列构成第一个子阶段的第二生理特征信息,由第二行第二特征项中的体温序列、心率序列和呼吸频率序列构成第二个子阶段的第二生理特征信息。
图7示意性示出了根据本公开实施例的生成第一可信度评分的流程图之一,如图7所示,在一些具体实施例中,步骤S250包括步骤S251至步骤S255。
在步骤S251,获取第一评分字典、第二评分字典和问答知识图谱。
在本公开实施例中,第一评分字典中配置有至少一种微表情的微表情分值和至少一种微动作的微动作分值,第二评分字典中配置有至少一个体温变化幅度的体温分值、至少一个呼吸频率变化幅度的呼吸频率分值和至少一个心率变化幅度的心率分值,具体地,第一评分字典可以如表4所示,第二评分字典可以如表5所示。
表4
表5
在本公开实施例中,问答知识图谱中包含有与待评分目标具有关联关系的信息。例如,问答知识图谱中包括:其他人回答的有关待评分目标的问题。
可选地,问答知识图谱中包含有与待评分目标具有关联关系,且与可信度评价阶段中的提问也具有关联关系的信息。例如,在可信度评价阶段中,设置有问题AA,而问答知识图谱中,可以包含有待评分目标的相关人员之前针对问题AA的回答。
在步骤S252,根据第二微细节信息中的微表情和微动作,从第一评分字典确定出与第二微细节信息相匹配的第二可信度评分。
在本公开实施例中,可以从第一评分字典找到与第二微细节信息中的微表情和微动作相匹配的微表情和微动作的微表情分值和微动作分值,并根据找到的微表情分值和微动作分值确定第二微细节信息的第二可信度评分。例如,可以将找到的微表情分值和微动作分值加权取平均值后得到第二微细节信息的第二可信度评分。
在步骤S253,根据第二生理特征信息中的体温、呼吸频率和心率,从第二评分字典确定出与第二生理特征信息相匹配的第三可信度评分。
在本公开实施例中,可以先对每个子阶段的第二生理特征信息进行处理,例如,计算每个子阶段的体温变化幅度平均值、呼吸频率变化幅度平均值和心率变化幅度平均值,之后,从第二评分字典找到与体温变化幅度平均值、呼吸频率变化幅度平均值和心率变化幅度平均值相应的体温分值、呼吸频率分值和心率分值,并根据找到的体温分值、呼吸频率分值和心率分值确定第二生理特征信息的第三可信度评分。例如,可以将找到的体温分值、呼吸频率分值和心率分值加权取平均值后得到第二生理特征信息的第三可信度评分。
可选地,在本公开实施例中,第一评分字典中的各项分值的取值下限大于或等于第二评分字典中的各项分值的取值下限。例如,第一评分字典中的微表情分值的取值范围设置在50至100,包括边界值;第二评分字典中的体温分值的取值范围设置在25至100,包括边界值。
在步骤S254,根据问答知识图谱,确定回答的第四可信度评分。
在本公开实施例中,可以通过问答知识图谱,判断待评价目标的回答是否真实,并以此来确定第四可信度评分。
例如,对于问题AA,待评价目标的回答为BB。而问答知识图谱中,待评分目标的相关人员之前针对问题AA的回答为CC。那么,待评价目标在该问题的第四可信度评分为50。
在步骤S255,至少根据第二可信度评分、第三可信度评分和第四可信度评分,确定第一可信度评分。
在本公开实施例中,可以将第二可信度评分、第三可信度评分和第四可信度评分进行汇总,以得到第一可信度评分。例如,可以将第二可信度评分、第三可信度评分和第四可信度评分进行加权后取平均值,以得到第一可信度评分。
图8示意性示出了根据本公开实施例的生成综合可信度评分的流程图,如图8所示,在一些具体实施例中,步骤S260包括步骤S261 和步骤S262。
在步骤S261,根据每个子阶段所包括的答题过程,为子阶段分配权重。
在本公开实施例中,可以根据问题内容为子阶段分配权重,例如,对于较为重要的内容,可以分配较大的权重,而对于较为普通的内容可以分配较小的权重,通过权重可以修正每个子阶段的第一可信度评分,从而使得第一可信度评分能够满足实际需要。
在步骤S262,根据多个子阶段的第一可信度评分以及多个子阶段的权重,生成综合可信度评分。
在本公开实施例中,可以将第多个子阶段的第一可信度评分进行汇总,以得到第一可信度评分。例如,可以将子阶段的第一可信度评分与其相应的权重相乘,并将得到的乘积进行加和,以得到综合可信度评分。
在本公开实施例中,在得到综合可信度评分后,可以根据综合可信度评分的分值,进行可信度评价,例如,80分-100分为高度可信, 60分-80分为一般可信,0-60分为高度不可信。
在一些具体实施例中,音频信息还包括待评分目标在回答提问时的第一声音特征,可信度评分方法还包括步骤S310。
在本公开实施例中,第一声音特征可以包括声音振幅和声音频率,例如,当待评价目标编造理由回答提问时,待评价目标普遍紧张,从而可能导致声音振幅和声音频率的变化。
在步骤S310,以子阶段为切割维度,对第一声音特征进行切割,以得到每个子阶段的第二声音特征。
在本公开实施例中,在对第一声音特征进行切割后,可以得到第三特征表,第三特征表包括与子阶段一一对应的第三特征项,至少一个第三特征项包括在与其对应的子阶段中,待评分目标的声音振幅和声音频率。
例如,例如,将可信度评价阶段划分为上述的第一个子阶段和第二个子阶段。以子阶段为切割维度,对第一声音特征进行切割后,可以生成如表6所示的第三特征表。第三特征表包括与两个子阶段一一对应的两行第三特征项,第一行第三特征项对应于第一个子阶段,第二行第三特征项对应于第二个子阶段。其中,第一行第三特征项和第二行第三特征项中的声音振幅包括按照时序排列的得到的声音振幅序列,第一行第三特征项和第二行第三特征项中的声音频率包括按照时序排列的得到的声音频率序列。
表6
图9示意性示出了根据本公开实施例的生成第一可信度评分的流程图之二,如图9所示,在一些具体实施例中,步骤S250还包括步骤S256至步骤S258。
在步骤S256,获取第三评分字典。
在本公开实施例中,第三评分字典中配置有至少一个声音振幅区间的声音振幅分值和至少一个声音频率区间的声音频率分值,具体如表7所示。
表7
声音振幅(分贝) | ±2 | ±5 | ±7 | ±7以上 |
声音振幅分值 | 100 | 75 | 50 | 25 |
声音频率(赫兹) | ±200 | ±500 | ±800 | ±800以上 |
声音频率分值 | 100 | 75 | 50 | 25 |
可选地,在本公开实施例中,第一评分字典中的各项分值的取值下限大于或等于第三评分字典中的各项分值的取值下限。例如,第三评分字典中的声音频率分值的取值范围设置在25至100,包括边界值。
在步骤S257,从第三评分字典确定出与第二声音特征相匹配的第五可信度评分。
在本公开实施例中,第一声音特征包括经过数字化处理后的声音振幅和声音频率,例如,第一声音特征包括声音振幅变化幅度(与基准声音振幅相比)和声音频率变化幅度(与基准声音频率相比)等。第二声音特征则包括,在每个子阶段中的声音振幅变化幅度和声音频率变化幅度等。其中,基准声音振幅和基准声音频率可以是预先存储的,也可以是在待评分目标进入可信度评价阶段之前采集到的,具体可以根据实际需要确定,在此不作限制。
在本公开实施例中,可以先对每个子阶段的第二声音特征进行处理,例如,计算每个子阶段的声音振幅变化幅度平均值和声音频率变化幅度平均值,之后,从第三评分字典找到与第二声音特征中的声音振幅变化幅度平均值和声音频率变化幅度平均值相匹配的声音振幅分值和声音频率分值,并由找到的声音振幅分值和声音频率分值作为第五可信度评分。
在步骤S258,根据第二可信度评分、第三可信度评分、第四可信度评分和第五可信度评分,确定第一可信度评分。
在本公开实施例中,可以将第五可信度评分与前文中的第四可信度评分相结合,以确定待评分目标的声音的可信度评分。例如,可以将声音振幅分值、声音频率分值与第四可信度评分加权取平均值后得到待评分目标的声音的可信度评分,之后,再对第二可信度评分、第三可信度评分和待评分目标的声音的可信度评分进行加权取平均值,以得到第一可信度评分。
图10示意性示出了根据本公开实施例的可信度评分方法的流程图之二,如图10所示,在一些具体实施例中,可信度评分方法还包括步骤S410和步骤S420。
在步骤S410,基于时序,对图像信息和音频信息进行合并。
在步骤S420,按照预设时间节点,在合并后的文件中标注出待评分目标的体温、心率和呼吸频率。
在本公开实施例中,可以将带有标注的文件进行压缩后存储于流数据库,并提供联机访问接口进行后续授信人工复核以及法律纠纷调阅等。
图11示意性示出了根据本公开实施例的可信度评分方法的流程图之三,如图11所示,在一些具体实施例中,可信度评分方法还包括步骤S510和步骤S520。
在步骤S510,响应于用户的操作,修改综合可信度评分。
在步骤S520,根据修改后的综合可信度评分,对生成综合可信度评分的过程中所涉及的参数进行调整。
在本公开实施例中,上述的生成第一可信度评分的过程和生成综合可信度评分的过程可以通过人工智能模型实现。考虑到一些特殊体质的待评分目标,其某项生理特征可能偏高或者偏低,例如,得了干眼症的人眨眼次数比正常人次数稍多,而孕妇体温普遍较高,语速可能因为内脏压迫而变慢等。针对这些对象,可以通过人工干预,对评分过程进行修正,从而使得人工智能模型能够通过不断的迭代和学习,提高评分准确率。
采用本发明实施例中的可信度评分方法,引入人工智能审查技术,综合待评分目标的声音、微表情、微动作、体温、心率、呼吸频率等,识别待评分目标的真实意图,生成可信度报告,为金融机构放贷提供辅助信息。金融机构可以根据可信度报告结合后期征信系统、房产系统、司法系统进行材料审核,决定是否对贷款人放贷。
在一些具体实施例中,上述过程中涉及到的相关文件(例如图像信息、音频信息、对音频信息进行语义识别之后得到的语义文件)可以存储在云端,例如可以通过OSS对象存储,以做到更好的存错和后续计算。
在一些具体实施例中,采集音频信息的设备可以使用44.1KHz 频率、16bit采样位、2声道的音频采集设备,以保持较高的真实度。
在一些具体实施例中,上述获取第二微细节信息、第二生理特征信息和第二声音特征的过程可以采用分布式服务框架进行处理,从而提高处理速度。
基于上述的可信度评分方法,本公开还提供了一种可信度评分装置。以下将结合图12对该装置进行详细描述。
图12示意性示出了根据本公开实施例的可信度评分装置的结构框图,如图12所示,该实施例的可信度评分装置1200包括获取模块1210、第一处理模块1220、第二处理模块1230、第三处理模块1240、第四处理模块1250和输出模块1260。
获取模块1210用于获取待评分目标在可信度评价阶段的图像信息和音频信息。在一实施例中,获取模块1210可以用于执行前文描述的步骤S220,在此不再赘述。
第一处理模块1220用于根据图像信息,确定待评分目标的第一微细节信息和第一生理特征信息。在一实施例中,第一处理模块1220 可以用于执行前文描述的步骤S220,在此不再赘述。
第二处理模块1230用于从音频信息中提取至少一次答题过程,并将可信度评价阶段划分为多个子阶段,每个子阶段包括至少一次答题过程。在一实施例中,第二处理模块1230可以用于执行前文描述的步骤S230,在此不再赘述。
第三处理模块1240用于以子阶段作为切割维度,对第一微细节信息和第一生理特征信息进行切割,以生成至少一个子阶段的第二微细节信息和第二生理特征信息。在一实施例中,第三处理模块1240 可以用于执行前文描述的步骤S240,在此不再赘述。
第四处理模块1250用于对于至少一个子阶段,根据子阶段的第二微细节信息、第二生理特征信息以及待评分目标在答题过程中的回答,生成子阶段的第一可信度评分。在一实施例中,第四处理模块 1250可以用于执行前文描述的步骤S250,在此不再赘述。
输出模块1260用于根据多个子阶段的第一可信度评分,生成综合可信度评分。在一实施例中,输出模块1260可以用于执行前文描述的步骤S260,在此不再赘述。
综上,相较于通过人工根据提问进行可信度评价的传统方案而言,采用本公开实施例的可信度评分装置,不仅实现了自动可信度评分,同时还考虑到了待评分目标的微细节和生理特征,从而扩展了用于可信度评价的特征,并且,本公开实施例的可信度评分方法能够结合待评分目标的微细节、生理特征和答题过程对每个子阶段进行打分,并根据每个子阶段的得分汇总得到综合可信度评分,而这使得可信度评分具有较细的评分粒度,大大增加了可信度评分的准确率,提升了可信度评分的可靠性。
根据本公开的实施例,获取模块1210、第一处理模块1220、第二处理模块1230、第三处理模块1240、第四处理模块1250和输出模块1260中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块1210、第一处理模块1220、第二处理模块1230、第三处理模块1240、第四处理模块 1250和输出模块1260中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块1210、第一处理模块1220、第二处理模块1230、第三处理模块1240、第四处理模块1250 和输出模块1260中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图13示意性示出了根据本公开实施例的适于实现可信度评分方法的电子设备的方框图,如图13所示,根据本公开实施例的电子设备1300包括处理器1301,其可以根据存储在只读存储器(ROM)1302 中的程序或者从存储部分1308加载到随机访问存储器(RAM)1303中的程序而执行各种适当的动作和处理。处理器1301例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器1301还可以包括用于缓存用途的板载存储器。处理器1301可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1303中,存储有电子设备1300操作所需的各种程序和数据。处理器1301、ROM 1302以及RAM 1303通过总线1304彼此相连。处理器1301通过执行ROM 1302和/或RAM1303中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 1302和RAM 1303以外的一个或多个存储器中。处理器1301也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的可信度评分方法流程的各种步骤。
根据本公开的实施例,电子设备1300还可以包括输入/输出(I/O) 接口1305,输入/输出(I/O)接口1305也连接至总线1304。电子设备1300还可以包括连接至I/O接口1305的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1306;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1307;包括硬盘等的存储部分1308;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至I/O接口1305。可拆卸介质1311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1310上,以便于从其上读出的计算机程序根据需要被安装入存储部分1308。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的可信度评分方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器 (CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 1302和/或RAM 1303和/或ROM 1302和RAM 1303以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的可信度评分方法。
在该计算机程序被处理器1301执行时执行本公开实施例的系统/ 装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1309被下载和安装,和/或从可拆卸介质1311被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分1309从网络上被下载和安装,和/或从可拆卸介质1311被安装。在该计算机程序被处理器1301执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++, python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网 (LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (14)
1.一种可信度评分方法,其特征在于,包括:
获取待评分目标在可信度评价阶段的图像信息和音频信息;
根据所述图像信息,确定所述待评分目标的第一微细节信息和第一生理特征信息;
从所述音频信息中提取至少一次答题过程,并将所述可信度评价阶段划分为多个子阶段,每个子阶段包括至少一次所述答题过程;
以所述子阶段作为切割维度,对所述第一微细节信息和所述第一生理特征信息进行切割,以生成至少一个所述子阶段的第二微细节信息和第二生理特征信息;
对于至少一个所述子阶段,根据所述子阶段的所述第二微细节信息、所述第二生理特征信息以及所述待评分目标在所述答题过程中的回答,生成所述子阶段的第一可信度评分;
根据多个所述子阶段的第一可信度评分,生成综合可信度评分。
2.根据权利要求1所述的可信度评分方法,其特征在于,所述图像信息包括可见光图像和红外图像,所述根据所述图像信息,确定所述待评分目标的第一微细节信息和第一生理特征信息,包括:
通过所述可见光图像,识别出所述待评分目标的至少一个微表情和至少一个微动作;
由所述微表情和所述微动作构成所述第一微细节信息;
通过所述红外图像,识别出所述待评分目标的体温,并分析出所述待评分目标的心率信息和呼吸频率信息;
由所述体温、所述呼吸频率和所述心率构成所述第一生理特征信息。
3.根据权利要求2所述的可信度评分方法,其特征在于,所述根据所述体温分析出所述待评分目标的心率信息和呼吸频率信息,包括:
根据所述待评分目标的体温,确定所述待评分目标的面部的温度变化情况;
根据所述面部的温度变化情况,分析出所述待评分目标的心率;
通过所述红外图像,确定所述待评分目标的鼻子区域的温度变化情况;
根据所述鼻子区域的温度变化情况,分析出所述待评分目标的呼吸频率。
4.根据权利要求2所述的可信度评分方法,其特征在于,所述以所述子阶段作为切割维度,对所述第一微细节信息和所述第一生理特征信息进行切割,以生成至少一个所述子阶段的第二微细节信息和第二生理特征信息,包括:
对所述第一微细节信息进行切割,并根据切割结果生成第一特征表,所述第一特征表包括与所述子阶段一一对应的第一特征项,至少一个所述第一特征项包括在与其对应的所述子阶段中所发生的所述微表情和所述微动作;
由至少一个所述第一特征项中的所述微表情和所述微动作,构成一个所述第二微细节信息;
对所述第一生理特征信息进行切割,并根据切割结果生成第二特征表,所述第二特征表包括与所述子阶段一一对应的第二特征项,至少一个所述第二特征项包括在与其对应的所述子阶段中,所述待评分目标的所述体温、所述呼吸频率和所述心率;
由至少一个所述第二特征项中的所述体温、所述呼吸频率和所述心率,构成一个所述第二生理特征信息。
5.根据权利要求4所述的可信度评分方法,其特征在于,所述对于至少一个所述子阶段,根据所述子阶段的所述第二微细节信息、所述第二生理特征信息以及所述待评分目标在所述答题过程中的回答,生成所述子阶段的第一可信度评分,包括:
获取第一评分字典、第二评分字典和问答知识图谱;
根据所述第二微细节信息中的所述微表情和所述微动作,从所述第一评分字典确定出与所述第二微细节信息相匹配的第二可信度评分;
根据所述第二生理特征信息中的所述体温、所述呼吸频率和所述心率,从所述第二评分字典确定出与所述第二生理特征信息相匹配的第三可信度评分;
根据所述问答知识图谱,确定所述回答的第四可信度评分;
至少根据所述第二可信度评分、所述第三可信度评分和所述第四可信度评分,确定所述第一可信度评分。
6.根据权利要求5所述的可信度评分方法,其特征在于,所述音频信息还包括所述待评分目标在回答提问时的第一声音特征,所述可信度评分方法还包括:
以所述子阶段为切割维度,对所述第一声音特征进行切割,以得到每个子阶段的第二声音特征;
所述对于至少一个所述子阶段,根据所述子阶段的所述第二微细节信息、所述第二生理特征信息以及所述待评分目标在所述答题过程中的回答,生成所述子阶段的第一可信度评分,还包括:
获取第三评分字典;
从所述第三评分字典确定出与所述第二声音特征相匹配的第五可信度评分;
根据所述第二可信度评分、所述第三可信度评分、所述第四可信度评分和所述第五可信度评分,确定所述第一可信度评分。
7.根据权利要求2所述的可信度评分方法,其特征在于,所述可信度评分方法还包括:
基于时序,对所述图像信息和所述音频信息进行合并;
按照预设时间节点,在合并后的文件中标注出所述待评分目标的所述体温、所述心率和所述呼吸频率。
8.根据权利要求1至7中任一项所述的可信度评分方法,其特征在于,所述根据所述音频信息,将所述可信度评价阶段划分为多个子阶段,包括:
从所述音频信息中识别出至少一个起始关键词以及与该起始关键词相对应的结束关键词;
根据所述起始关键词和所述结束关键词,确定所述音频信息中的一次完整答题过程;
以至少一次完整答题过程为维度,将所述可信度评价阶段划分为多个子阶段。
9.根据权利要求1至7中任一项所述的可信度评分方法,其特征在于,根据多个所述子阶段的第一可信度评分,生成综合可信度评分,包括:
根据每个所述子阶段所包括的答题过程,为所述子阶段分配权重;
根据多个所述子阶段的第一可信度评分以及多个所述子阶段的权重,生成综合可信度评分。
10.根据权利要求1至7中任一项所述的可信度评分方法,其特征在于,所述可信度评分方法还包括:
响应于用户的操作,修改所述综合可信度评分;
根据修改后的所述综合可信度评分,对生成所述综合可信度评分的过程中所涉及的参数进行调整。
11.一种可信度评分装置,其特征在于,包括:
获取模块,用于获取待评分目标在可信度评价阶段的图像信息和音频信息;
第一处理模块,用于根据所述图像信息,确定所述待评分目标的第一微细节信息和第一生理特征信息;
第二处理模块,从所述音频信息中提取至少一次答题过程,并将所述可信度评价阶段划分为多个子阶段,每个子阶段包括至少一次所述答题过程;
第三处理模块,用于以所述子阶段作为切割维度,对所述第一微细节信息和所述第一生理特征信息进行切割,以生成至少一个所述子阶段的第二微细节信息和第二生理特征信息;
第四处理模块,用于对于至少一个所述子阶段,根据所述子阶段的所述第二微细节信息、所述第二生理特征信息以及所述待评分目标在所述答题过程中的回答,生成所述子阶段的第一可信度评分;
输出模块,用于根据多个所述子阶段的第一可信度评分,生成综合可信度评分。
12.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1至10中任一项所述的可信度评分方法。
13.一种计算机可读存储介质,其特征在于,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1至10中任一项所述的可信度评分方法。
14.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1至10中任一项所述的可信度评分方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210425831.8A CN115170049A (zh) | 2022-04-21 | 2022-04-21 | 可信度评分方法、装置、电子设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210425831.8A CN115170049A (zh) | 2022-04-21 | 2022-04-21 | 可信度评分方法、装置、电子设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115170049A true CN115170049A (zh) | 2022-10-11 |
Family
ID=83483324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210425831.8A Pending CN115170049A (zh) | 2022-04-21 | 2022-04-21 | 可信度评分方法、装置、电子设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170049A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860591A (zh) * | 2023-03-03 | 2023-03-28 | 济南大学 | 一种实验操作ai考试评分方法及系统 |
CN117058718A (zh) * | 2023-08-31 | 2023-11-14 | 江苏省疾病预防控制中心(江苏省公共卫生研究院) | 一种问卷填写真实性评估处理方法和装置 |
-
2022
- 2022-04-21 CN CN202210425831.8A patent/CN115170049A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860591A (zh) * | 2023-03-03 | 2023-03-28 | 济南大学 | 一种实验操作ai考试评分方法及系统 |
CN117058718A (zh) * | 2023-08-31 | 2023-11-14 | 江苏省疾病预防控制中心(江苏省公共卫生研究院) | 一种问卷填写真实性评估处理方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Data-driven online learning engagement detection via facial expression and mouse behavior recognition technology | |
Escalante et al. | Modeling, recognizing, and explaining apparent personality from videos | |
CN107680019B (zh) | 一种考试方案的实现方法、装置、设备及存储介质 | |
CN110569377B (zh) | 一种媒体文件的处理方法和装置 | |
CN108717663B (zh) | 基于微表情的面签欺诈判断方法、装置、设备及介质 | |
CN110619568A (zh) | 风险评估报告的生成方法、装置、设备及存储介质 | |
CN110874716A (zh) | 面试测评方法、装置、电子设备及存储介质 | |
Şen et al. | Multimodal deception detection using real-life trial data | |
CN115170049A (zh) | 可信度评分方法、装置、电子设备、存储介质和程序产品 | |
US11151385B2 (en) | System and method for detecting deception in an audio-video response of a user | |
CN110287314B (zh) | 基于无监督聚类的长文本可信度评估方法及系统 | |
JP2020126587A (ja) | コミュニティ質問応答データの検証方法、装置、コンピュータ機器、及び記憶媒体 | |
CN113723530B (zh) | 基于视频分析和电子心理沙盘的智能心理评估系统 | |
CN115205764B (zh) | 基于机器视觉的在线学习专注度监测方法、系统及介质 | |
KR102075506B1 (ko) | 화상 기반의 전문가 매칭 플랫폼 제공 시스템 | |
Sun et al. | In your eyes: Modality disentangling for personality analysis in short video | |
Flores et al. | Depression screening using deep learning on follow-up questions in clinical interviews | |
JP5933863B1 (ja) | データ分析システム、制御方法、制御プログラム、および記録媒体 | |
Dupré et al. | Emotion recognition in humans and machine using posed and spontaneous facial expression | |
US20210019553A1 (en) | Information processing apparatus, control method, and program | |
US11593740B1 (en) | Computing system for automated evaluation of process workflows | |
Cheng et al. | Examining the accelerated playback hypothesis of time-compression in multimedia learning environments: A meta-analysis study | |
CN111275558B (zh) | 用于确定保险数据的方法和装置 | |
CN113314217A (zh) | 一种基于检验医学大数据的常见疾病辅助自诊系统 | |
CN112348615A (zh) | 用于审核信息的方法和装置 |
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 |