CN115222262A - 数据处理方法、装置及设备 - Google Patents

Abstract

本说明书实施例提供了一种数据处理方法、装置及设备，所述方法包括：在检测到目标用户触发执行目标业务的情况下，基于获取的目标信息，确定与所述目标信息对应的第一特征向量，所述目标信息包括所述目标用户触发执行所述目标业务所需的信息，和/或所述目标用户针对触发执行所述目标业务的交互信息；基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个所述候选话术对应的第二特征向量；基于所述第一特征向量和所述第二特征向量，确定每个所述候选话术与所述目标用户触发执行所述目标业务的匹配度；基于所述匹配度，确定所述候选话术中与所述目标用户触发执行所述目标业务匹配的目标话术，并输出所述目标话术。

Description

数据处理方法、装置及设备

技术领域

本说明书实施例涉及数据处理技术领域，尤其涉及一种数据处理方法、装置及设备。

背景技术

随着互联网行业的迅速发展，网络风险也随之增多，在风控场景下，应用服务商可以在为用户提供服务前，通过客服人员与用户进行交互，以根据用户的反馈信息确定当前业务(如转账、充值、提现等业务)是否存在风险，为降低人工参与的成本，可以通过人机交互的方式进行风险控制。例如，计算机可以通过历史话术对话术确定模型进行训练，然后在根据训练得到的话术确定模型，确定与当前场景对应的话术，并通过确定的话术与用户进行交互，以对当前的业务进行风险控制。

但是，在黑产的欺诈手法发生新的变化时，会导致风控数据量大、更新速度快等情况，因而，模型更新的数据处理压力较大，无法对话术确定模型模型进行及时的更新，这就可能导致无法通过话术确定模型确定与当前场景匹配度高的话术，也就无法保证风控效果，因此，需要一种在风控场景下，能及时准确的确定与当前场景匹配的话术，以进行风险控制的解决方案。

发明内容

本说明书实施例的目的是提供一种数据处理方法、装置及设备，以提供一种在风控场景下，能及时准确的确定与当前场景匹配的话术，以进行风险控制的解决方案。

为了实现上述技术方案，本说明书实施例是这样实现的：

第一方面，本说明书实施例提供了一种数据处理方法，包括：在检测到目标用户触发执行目标业务的情况下，基于获取的目标信息，确定与所述目标信息对应的第一特征向量，所述目标信息包括所述目标用户触发执行所述目标业务所需的信息，和/或所述目标用户针对触发执行所述目标业务的交互信息；基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个所述候选话术对应的第二特征向量，所述频次信息基于预设检测周期内的举报信息以及所述举报信息中与所述候选话术对应的举报信息确定，所述匹配信息用于表征所述候选话术与所述目标用户以及预设风险类型的匹配程度，所述第一信息基于对所述目标信息进行意图识别处理得到意图类型确定；基于所述第一特征向量和所述第二特征向量，确定每个所述候选话术与所述目标用户触发执行所述目标业务的匹配度；基于所述匹配度，确定所述候选话术中与所述目标用户触发执行所述目标业务匹配的目标话术，并输出所述目标话术。

第二方面，本说明书实施例提供了一种数据处理装置，所述装置包括：第一获取模块，用于在检测到目标用户触发执行目标业务的情况下，基于获取的目标信息，确定与所述目标信息对应的第一特征向量，所述目标信息包括所述目标用户触发执行所述目标业务所需的信息，和/或所述目标用户针对触发执行所述目标业务的交互信息；第一确定模块，用于基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个所述候选话术对应的第二特征向量，所述频次信息基于预设检测周期内的举报信息以及所述举报信息中与所述候选话术对应的举报信息确定，所述匹配信息用于表征所述候选话术与所述目标用户以及预设风险类型的匹配程度，所述第一信息基于对所述目标信息进行意图识别处理得到意图类型确定；第二确定模块，用于基于所述第一特征向量和所述第二特征向量，确定每个所述候选话术与所述目标用户触发执行所述目标业务的匹配度；话术确定模块，用于基于所述匹配度，确定所述候选话术中与所述目标用户触发执行所述目标业务匹配的目标话术，并输出所述目标话术。

第三方面，本说明书实施例提供了一种数据处理设备，所述数据处理设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：在检测到目标用户触发执行目标业务的情况下，基于获取的目标信息，确定与所述目标信息对应的第一特征向量，所述目标信息包括所述目标用户触发执行所述目标业务所需的信息，和/或所述目标用户针对触发执行所述目标业务的交互信息；基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个所述候选话术对应的第二特征向量，所述频次信息基于预设检测周期内的举报信息以及所述举报信息中与所述候选话术对应的举报信息确定，所述匹配信息用于表征所述候选话术与所述目标用户以及预设风险类型的匹配程度，所述第一信息基于对所述目标信息进行意图识别处理得到意图类型确定；基于所述第一特征向量和所述第二特征向量，确定每个所述候选话术与所述目标用户触发执行所述目标业务的匹配度；基于所述匹配度，确定所述候选话术中与所述目标用户触发执行所述目标业务匹配的目标话术，并输出所述目标话术。

第四方面，本说明书实施例提供一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：在检测到目标用户触发执行目标业务的情况下，基于获取的目标信息，确定与所述目标信息对应的第一特征向量，所述目标信息包括所述目标用户触发执行所述目标业务所需的信息，和/或所述目标用户针对触发执行所述目标业务的交互信息；基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个所述候选话术对应的第二特征向量，所述频次信息基于预设检测周期内的举报信息以及所述举报信息中与所述候选话术对应的举报信息确定，所述匹配信息用于表征所述候选话术与所述目标用户以及预设风险类型的匹配程度，所述第一信息基于对所述目标信息进行意图识别处理得到意图类型确定；基于所述第一特征向量和所述第二特征向量，确定每个所述候选话术与所述目标用户触发执行所述目标业务的匹配度；基于所述匹配度，确定所述候选话术中与所述目标用户触发执行所述目标业务匹配的目标话术，并输出所述目标话术。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1A为本说明书一种数据处理方法实施例的流程图；

图1B为本说明书一种数据处理方法实施例的处理过程示意图；

图2为本说明书一种目标信息的获取示意图；

图3为本说明书另一种数据处理方法实施例的处理过程示意图；

图4为本说明书一种匹配度确定示意图；

图5为本说明书一种数据处理装置实施例的结构示意图；

图6为本说明书一种数据处理设备的结构示意图。

具体实施方式

本说明书实施例提供一种数据处理方法、装置及设备。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

实施例一

如图1A和图1B所示，本说明书实施例提供一种数据处理方法，该方法的执行主体可以为终端设备或服务器，终端设备可以如个人计算机等设备，也可以如手机、平板电脑等移动终端设备，该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。

该方法具体可以包括以下步骤：

在S102中，在检测到目标用户触发执行目标业务的情况下，基于获取的目标信息，确定与目标信息对应的第一特征向量。

其中，目标业务可以是任意涉及用户隐私、财产安全等业务，例如，目标业务可以是资源转移业务、隐私信息更新业务(如修改登录密码、新增用户信息等)等，目标信息可以包括目标用户触发执行目标业务所需的信息，和/或目标用户针对触发执行目标业务的交互信息，例如，假设目标业务为资源转移业务，目标信息可以包括目标用户触发执行资源转移业务所需的身份验证信息，和/或目标用户针对触发执行资源转移业务的交互信息，交互信息具体可以包括目标用户针对如“是否和资源转移对象是网上认识的？”等话术的反馈信息。

在实施中，随着互联网行业的迅速发展，网络风险也随之增多，在风控场景下，应用服务商可以在为用户提供服务前，通过客服人员与用户进行交互，以根据用户的反馈信息确定当前业务(如转账、充值、提现等业务)是否存在风险，为降低人工参与的成本，可以通过人机交互的方式进行风险控制。例如，计算机可以通过历史话术对话术确定模型进行训练，然后在根据训练得到的话术确定模型，确定与当前场景对应的话术，并通过确定的话术与用户进行交互，以对当前的业务进行风险控制。

但是，在黑产的欺诈手法发生新的变化时，会导致风控数据量大、更新速度快等情况，因而，模型更新的数据处理压力较大，无法对话术确定模型模型进行及时的更新，这就可能导致无法通过话术确定模型确定与当前场景匹配度高的话术，也就无法保证风控效果，因此，需要一种在风控场景下，能及时准确的确定与当前场景匹配的话术，以进行风险控制的解决方案。为此，本说明书实施例提供一种可以解决上述问题的技术方案，具体可以参见下述内容。

以目标业务为电子设备(即终端设备或服务器)中安装的资源管理应用程序中的资源转移业务为例，目标用户可以触发启动资源管理应用程序，并在该资源管理应用程序中触发执行资源转移业务。电子设备可以获取目标用户触发执行该资源转移业务所需的信息(如目标用户的身份验证信息等)，并将该信息作为目标信息。

此外，电子设备在检测到目标用户触发执行目标业务的情况下，还可以输出预设提示信息，并接收目标用户针对预设提示信息输入的反馈信息，电子设备可以将预设提示信息以及目标用户针对预设提示信息输入的反馈信息确定为目标信息。

例如，如图2所示，电子设备在检测到目标用户触发执行资源转移业务的情况下，可以显示带有预设提示信息(即提示信息Q1、提示信息Q2)的提示页面，并可以接收目标用户针对该预设提示信息在提示页面输入的反馈信息。电子设备可以将提示信息Q1、提示信息Q2、反馈信息A1和反馈信息A2确定为目标信息。

电子设备可以基于获取的目标信息，确定与目标信息对应的第一特征向量，其中，第一特征向量的确定方法可以有多种，例如，可以基于预先训练的特征提取模型对目标信息信息特征提取处理，以得到与目标信息对应的第一特征向量，其中，特征提取模块可以是基于历史信息对由机器学习算法构建的模型进行训练得到，除此之外，第一特征向量的确定方法还可以有多种，可以根据实际应用场景的不同选取不同的确定方法，本说明书实施例对此不作具体限定。

在S104中，基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个候选话术对应的第二特征向量。

其中，候选话术可以用于在与目标用户的交互过程中，获取目标用户针对目标业务的反馈信息，反馈信息可以是任意文字信息、语音信息等，频次信息可以基于预设检测周期内的举报信息以及举报信息中与候选话术对应的举报信息确定，预设检测周期可以为近3天、近1周、近1个月等，举报信息可以是用户举报存在风险的预设业务时提供的信息，例如，举报信息可以包括用户输入的该预设业务的业务信息、触发信息(如触发时间等)等相关信息，匹配信息可以用于表征候选话术与目标用户以及预设风险类型的匹配程度，预设风险类型可以有多个，可以根据实际应用场景设置不同的风险类型，例如，风险类型可以包括虚假交易类型、贷款类型、游戏类型等，本说明书实施例对风险类型不作具体限定，第一信息可以基于对目标信息进行意图识别处理得到意图类型确定。

在实施中，可以基于获取的预设检测周期内的举报信息以及举报信息中与每个候选话术对应的举报信息，确定每个候选话术的频次信息，频次信息可以用于表征每个候选话术在预设检测周期内的举报信息中的出现频率，即出现频率越高的候选话术的输出概率越高。例如，假设预设检测周期内有5个举报信息，其中，有3个举报信息与候选话术1对应，有2个举报信息与候选话术2对应，有1个举报信息与候选话术3对应，则基于上述举报信息可以分别确定候选话术1、候选话术2以及候选话术3的频次信息，显然，候选话术1的出现频率高于候选话术2和候选话术3，因而，候选话术1的输出概率高于候选话术2和候选话术3。

此外，举报信息可以与一个或多个候选话术对应，例如，可以对举报信息进行关键词提取处理，在根据提取出的关键词确定对应的候选话术，如假设举报信息为“恶意第三方和我是在网上认识的，他跟我说交易完成后2天内给佣金”，对该举报信息进行关键词提取处理得到的关键词可以包括“网上认识”、“佣金”，然后可以对该关键词与候选话术进行匹配处理，可以根据匹配结果确定与该举报信息对应的候选话术，如与该举报信息对应的候选话术可以包括候选话术1和候选话术2，其中，候选话术1可以为“是否和对方是网上认识的”，候选话术2可以是为“对方是否承诺给您返利或者佣金”。

电子设备可以根据获取的目标信息(即包括目标用户触发执行目标业务所需的信息，和/或目标用户针对触发执行目标业务的交互信息的目标信息)、候选话术的话术内容等，确定每个候选话术与目标用户以及预设风险类型的匹配程度，即可以得到每个候选话术的匹配信息。例如，假设预设风险类型有8个，电子设备可以基于预先训练的匹配度确定模型，分别基于每个候选话术的话术内容、获取的目标信息以及每个风险类型，确定每个候选话术与目标用户以及每个风险类型的匹配程度，其中，匹配度确定模型可以是基于历史候选话术、历史用户的目标信息以及预设风险类型对由机器学习算法构建的模型进行训练得到，在将该匹配程度确定为每个候选话术与目标用户以及每个风险类型的匹配信息。

电子设备可以基于对目标信息进行意图识别处理得到意图类型确定每个候选话术的第一信息，第一信息可以用于表征每个候选话术与目标信息的意图类型的匹配程度，即候选话术与目标信息的意图类型的匹配程度越高，候选话术的输出概率越高。

上述候选话术的频次信息、匹配信息以及第一信息的确定方法在实际应用场景中还可以有多种不同的确定方法，可以根据实际应用场景的不同选取不同的确定方法，本说明书实施例对此不作具体限定。

电子设备可以基于获取候选话术的频次信息、匹配信息和第一信息，确定与每个候选话术对应的第二特征向量，其中，第二特征向量的确定方法可以有多种，例如，可以基于预先训练的特征提取模型对候选话术的频次信息、匹配信息和第一信息进行特征提取处理，以得到与候选话术对应的第二特征向量，其中，特征提取模块可以是基于历史候选话术的频次信息、匹配信息和第一信息对由机器学习算法构建的模型进行训练得到，除此之外，第二特征向量的确定方法还可以有多种，可以根据实际应用场景的不同选取不同的确定方法，本说明书实施例对此不作具体限定。

在S106中，基于第一特征向量和第二特征向量，确定每个候选话术与目标用户触发执行目标业务的匹配度。

在实施中，可以基于第一特征向量和第二特征向量的相似度，确定每个候选话术与目标用户触发执行目标业务的匹配度，其中，第一特征向量和第二特征向量的相似度的确定方法可以有多种，可以根据实际应用场景的不同，选取不同的确定方法，本说明书实施例对此不作具体限定。

在S108中，基于匹配度，确定候选话术中与目标用户触发执行目标业务匹配的目标话术，并输出目标话术。

在实施中，可以将匹配度大于预设匹配度阈值的一个或多个候选话术，确定为目标话术，或者，还可以将候选话术中匹配度最高的候选话术，确定为目标话术，在确定了目标话术后，可以输出目标话术，以基于目标话术进行风险控制，例如，可以通过目标话术提示目标用户触发执行目标业务可能存在风险，或者，还可以通过目标用户针对目标话术的反馈信息，确定目标用户触发执行目标业务是否存在风险等。

本说明书实施例提供一种数据处理方法，在检测到目标用户触发执行目标业务的情况下，基于获取的目标信息，确定与目标信息对应的第一特征向量，目标信息可以包括目标用户触发执行目标业务所需的信息，和/或目标用户针对触发执行目标业务的交互信息，基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个候选话术对应的第二特征向量，频次信息基于预设检测周期内的举报信息以及举报信息中与候选话术对应的举报信息确定，匹配信息用于表征候选话术与目标用户以及预设风险类型的匹配程度，第一信息基于对目标信息进行意图识别处理得到意图类型确定，基于第一特征向量和第二特征向量，确定每个候选话术与目标用户触发执行目标业务的匹配度，基于匹配度，确定候选话术中与目标用户触发执行目标业务匹配的目标话术，并输出目标话术。这样，可以通过由候选话术的频次信息、匹配信息和第一信息确定的第二特征向量，以及由目标信息确定的第一特征向量，确定与目标用户触发执行目标业务匹配的目标话术，避免了在风控数据量大，更新速度快的情况下由于无法及时对模型进行更新，导致的无法及时准确的确定话术进行风险控制的问题，即可以通过候选话术的频次信息、匹配信息和第一信息，及时准确的确定与目标用户触发执行目标业务匹配的目标话术，以在风控场景下通过确定的目标话术及时准确的进行风险控制。

实施例二

如图3所示，本说明书实施例提供一种数据处理方法，该方法的执行主体可以为终端设备或服务器，终端设备可以如个人计算机等设备，也可以如手机、平板电脑等移动终端设备，该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤：

在S102中，在检测到目标用户触发执行目标业务的情况下，基于获取的目标信息，确定与目标信息对应的第一特征向量。

其中，目标信息可以包括目标用户触发执行目标业务所需的信息，和/或目标用户针对触发执行目标业务的交互信息。

在实施中，可以基于预先训练的向量确定模型，对目标信息进行特征提取处理，得到与目标信息对应的第一特征向量，例如，可以基于预先训练的BERT模型，对目标信息进行特征提取处理，得到与目标信息对应的第一特征向量。

在S302中，获取预设检测周期内的举报信息的第一数量。

在S304中，确定举报信息中与候选话术对应的举报信息的第二数量。

在实施中，举报信息中与候选话术对应的举报信息的确定方法可以参见上述实施例一S104中的相关内容，在此不再赘述。

在S306中，基于第一数量和第二数量，确定每个候选话术的频次信息。

在实施中，假设预设检测周期内有5个举报信息，其中，有3个举报信息与候选话术1对应，有2个举报信息与候选话术2对应，有1个举报信息与候选话术3对应，则候选话术1的频次信息可以为3/5，候选话术2的频次信息可以为2/5，候选话术3的频次信息可以为1/5。

在S308中，基于目标信息和预先训练的概率确定模型，确定目标用户与每个预设风险类型对应的第一概率。

其中，概率确定模型可以为基于历史信息对由预设机器学习算法构建的模型进行训练得到。

在实施中，例如，假设有3个预设风险类型，则可以将目标信息输入预先训练的概率确定模型，以得到目标用户与每个预设风险类型对应的第一概率。

在S310中，基于举报信息中与候选话术对应的举报信息，确定候选话术与每个预设风险类型对应的第二概率。

在实施中，在实际应用中，上述S310的处理方式可以多种多样，以下提供一种可选的实现方式，具体可以参见下述步骤一～步骤二处理：

步骤一，获取举报信息中与候选话术对应的举报信息中，与每个预设风险类型对应的举报信息的第三数量。

在实施中，可以对举报信息中与候选话术对应的举报信息进行关键词提取处理，并根据提取出的关键词，确定与候选话术对应的举报信息中，与每个预设风险类型对应的举报信息的第三数量。例如，假设预设检测周期内有5个举报信息，其中，有3个举报信息与候选话术1对应，分别为举报信息1、举报信息2和举报信息3，假设举报信息1和举报信息2的关键词为“佣金”，举报信息3的关键词为“游戏”，若预设风险类型包括虚假交易类型和游戏类型，则与虚假交易类型对应的举报信息可以为举报信息1和举报信息2(即关键词“佣金”与虚假交易类型对应)，与游戏类型对应的举报信息可以为举报信息3(即关键词“游戏”与游戏类型对应)，即与虚假交易类型对应的举报信息的第三数量为2，与游戏类型对应的举报信息的第三数量为1。

步骤二，基于第二数量和第三数量，确定候选话术与每个预设风险类型对应的第二概率。

在实施中，可以将第三数量与第二数量的比值，确定为候选话术与每个预设风险类型对应的第二概率。例如，以上述预设检测周期内有5个举报信息，有3个举报信息与候选话术1对应为例，即第二数量为3，则虚假交易类型与候选话术1对应的第二概率可以为2/3，游戏类型与候选话术1对应的第二概率可以为1/3。

在S312中，基于第一概率和第二概率，确定每个候选话术的匹配信息。

在实施中，可以将第一概率和第二概率的乘积，确定为每个候选话术的匹配信息，即每个候选话术的匹配信息可以包括每个候选话术与每个预设风险类型以及目标用户对应的概率值，例如，假设有2个风险类型，且第一概率包括目标用户与风险类型1对应的概率1，目标用户与风险类型2对应的概率2，第二概率包括候选话术1与风险类型1对应的概率3，候选话术1与风险类型2对应的概率4，则候选话术的匹配信息可以包括概率5和概率6，其中，概率5可以为概率1与概率3的乘积，概率6可以为概率2和概率4的乘积。

或者，还可以将第一概率和第二概率的乘积的和值，确定为每个候选话术的匹配信息，即可以将上述概率5和概率6的和值，确定为候选话术1的匹配信息。

上述候选话术的匹配信息的确定方法是一种可选地、可实现的确定方法，在实际应用场景中，还可以有多种不同的确定方法，可以根据实际应用场景的不同而选取不同的确定方法，本说明书实施例对此不作具体限定。

在S314中，基于预先训练的意图识别模型，对目标信息进行意图识别处理，得到目标信息对应的意图类型，并确定每个候选话术与目标信息对应的意图类型的匹配程度。

其中，意图识别模型可以是基于历史信息对由机器学习算法构建的模型进行训练得到。

在实施中，在得到目标信息的意图类型后，可以对每个候选话术进行关键词提取，并根据提取出的关键词和目标信息的意图类型，确定每个候选话术与目标信息对应的意图类型的匹配程度。

例如，假设目标信息的意图类型为返利类，对候选话术进行关键词提取得到的关键词为“佣金”，则可以基于预先训练的关键词匹配模型，确定“佣金”与返利类之间的相似度，并将该相似度确定为该候选话术与目标信息对应的意图类型的匹配程度。

此外，在得到目标信息对应的意图类型后，还可以接收由预设工作人员针对该意图类型输入的每个候选话术与该意图类型的匹配程度。

上述候选话术与目标信息对应的意图类型的匹配程度的确定方法是一种可选地、可实现的确定方法，在实际应用场景中，还可以有多种不同的确定方法，可以根据实际应用场景的不同而选取不同的确定方法，本说明书实施例对此不作具体限定。

在S316中，将每个候选话术与目标信息对应的意图类型的匹配程度确定为每个候选话术的第一信息。

在实施中，第一信息可以用于表征每个候选话术与目标信息的意图类型的匹配程度，例如，在候选话术与目标信息对应的意图类型的匹配程度高于预设阈值的情况下，可以将该候选话术的第一信息确定为“推荐”，在候选话术与目标信息对应的意图类型的匹配程度不高于预设阈值的情况下，可以将该候选话术的第一信息确定为“不推荐”等。

在S318中，基于待输出的候选话术的频次信息、匹配信息、第一信息以及预先训练的第二向量提取模型，确定每个候选话术对应的第一子特征向量。

在实施中，以第二向量提取模型为多层感知器(Multilayer Perceptron，MLP)为例，可以将候选话术的频次信息、匹配信息、第一信息输入预先训练的MLP，以得到候选话术对应的第一子特征向量，其中MLP是一种前馈人工神经网络模型，可以输入的多个数据集映射到单一的输出的数据集上。

在S320中，对候选话术的话术内容进行特征提取处理，确定每个候选话术对应的第二子特征向量。

在S322中，基于第一子特征向量和第二子特征向量，确定每个候选话术对应的第二特征向量。

在实施中，可以对第一子特征向量和第二子特征向量进行拼接处理等，得到每个候选话术对应的第二特征向量，这样，可以由候选话术的频次信息、匹配信息、第一信息确定的第一子特征向量，确定每个候选话术的第二特征向量，得到的第二特征向量既可以保留候选话术本身的话术内容，又可以兼顾候选话术的外部知识(即除候选话术本身的话术内容外的额外信息)，在新增候选话术的情况下，可以通过对候选话术的外部知识进行更新处理，实现对候选话术的输出调整，并不需要进行模型训练等操作。

在S324中，基于预先训练的相似度确定模型、第一特征向量和第二特征向量，确定第一特征向量和第二特征向量之间的相似度，并基于相似度，确定每个候选话术与目标用户触发执行目标业务的匹配度。

其中，相似度确定模型可以是基于历史第一特征向量和历史第二特征向量对由机器学习算法构建的模型进行训练得到。

在S108中，基于匹配度，确定候选话术中与目标用户触发执行目标业务匹配的目标话术，并输出目标话术。

在S326中，获取目标用户针对目标话术的反馈信息。

在S328中，基于目标话术、反馈信息以及预先训练的风险分值确定模型，确定反馈信息对应的风险分值。

其中，风险分值确定模型可以为基于历史话术、历史反馈信息对由预设机器学习算法构建的模型进行训练得到。

在S330中，基于目标话术和反馈信息对应的风险分值，确定目标用户触发执行目标业务是否存在风险。

在实施中，若目标话术和反馈信息对应的风险分值，确定目标用户触发执行目标业务存在风险，在可以输出预设提示信息，以提示目标用户触发执行目标业务存在风险。此外，若风险分值大于预设风险分值，则可以停止触发执行目标业务，以降低隐私信息泄露或用户财产损失等风险的发生概率。

本说明书实施例提供一种数据处理方法，在检测到目标用户触发执行目标业务的情况下，基于获取的目标信息，确定与目标信息对应的第一特征向量，目标信息可以包括目标用户触发执行目标业务所需的信息，和/或目标用户针对触发执行目标业务的交互信息，基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个候选话术对应的第二特征向量，频次信息基于预设检测周期内的举报信息以及举报信息中与候选话术对应的举报信息确定，匹配信息用于表征候选话术与目标用户以及预设风险类型的匹配程度，第一信息基于对目标信息进行意图识别处理得到意图类型确定，基于第一特征向量和第二特征向量，确定每个候选话术与目标用户触发执行目标业务的匹配度，基于匹配度，确定候选话术中与目标用户触发执行目标业务匹配的目标话术，并输出目标话术。这样，可以通过由候选话术的频次信息、匹配信息和第一信息确定的第二特征向量，以及由目标信息确定的第一特征向量，确定与目标用户触发执行目标业务匹配的目标话术，避免了在风控数据量大，更新速度快的情况下由于无法及时对模型进行更新，导致的无法及时准确的确定话术进行风险控制的问题，即可以通过候选话术的频次信息、匹配信息和第一信息，及时准确的确定与目标用户触发执行目标业务匹配的目标话术，以在风控场景下通过确定的目标话术及时准确的进行风险控制。

实施例三

以上为本说明书实施例提供的数据处理方法，基于同样的思路，本说明书实施例还提供一种数据处理装置，如图5所示。

该数据处理装置包括：第一获取模块501、第一确定模块502、第二确定模块503和话术确定模块504，其中：

第一获取模块501，用于在检测到目标用户触发执行目标业务的情况下，基于获取的目标信息，确定与所述目标信息对应的第一特征向量，所述目标信息包括所述目标用户触发执行所述目标业务所需的信息，和/或所述目标用户针对触发执行所述目标业务的交互信息；

第一确定模块502，用于基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个所述候选话术对应的第二特征向量，所述频次信息基于预设检测周期内的举报信息以及所述举报信息中与所述候选话术对应的举报信息确定，所述匹配信息用于表征所述候选话术与所述目标用户以及预设风险类型的匹配程度，所述第一信息基于对所述目标信息进行意图识别处理得到意图类型确定；

第二确定模块503，用于基于所述第一特征向量和所述第二特征向量，确定每个所述候选话术与所述目标用户触发执行所述目标业务的匹配度；

话术确定模块504，用于基于所述匹配度，确定所述候选话术中与所述目标用户触发执行所述目标业务匹配的目标话术，并输出所述目标话术。

本说明书实施例中，所述装置还包括：

第二获取模块，用于获取所述目标用户针对所述目标话术的反馈信息；

分值确定模块，用于基于所述目标话术、所述反馈信息以及预先训练的风险分值确定模型，确定所述反馈信息对应的风险分值，所述风险分值确定模型为基于历史话术、历史反馈信息对由预设机器学习算法构建的模型进行训练得到；

风险确定模块，用于基于所述目标话术和所述反馈信息对应的风险分值，确定所述目标用户触发执行所述目标业务是否存在风险。

本说明书实施例中，所述第一确定模块502，用于：

基于所述待输出的候选话术的频次信息、所述匹配信息、所述第一信息以及预先训练的第二向量提取模型，确定每个所述候选话术对应的第一子特征向量；

对所述候选话术的话术内容进行特征提取处理，确定每个所述候选话术对应的第二子特征向量；

基于所述第一子特征向量和所述第二子特征向量，确定每个所述候选话术对应的第二特征向量。

本说明书实施例中，所述装置还包括：

数量获取模块，用于获取所述预设检测周期内的举报信息的第一数量；

数量确定模块，用于确定所述举报信息中与所述候选话术对应的举报信息的第二数量；

频次确定模块，用于基于所述第一数量和所述第二数量，确定每个所述候选话术的频次信息。

本说明书实施例中，所述装置还包括：

第三确定模块，用于基于所述目标信息和预先训练的概率确定模型，确定所述目标用户与每个所述预设风险类型对应的第一概率，所述概率确定模型为基于历史信息对由预设机器学习算法构建的模型进行训练得到；

第四确定模块，用于基于所述举报信息中与所述候选话术对应的举报信息，确定所述候选话术与每个所述预设风险类型对应的第二概率；

信息确定模块，用于基于所述第一概率和所述第二概率，确定每个所述候选话术的匹配信息。

本说明书实施例中，所述第四确定模块，用于：

获取所述举报信息中与所述候选话术对应的举报信息中，与每个所述预设风险类型对应的举报信息的第三数量；

基于所述第二数量和所述第三数量，确定所述候选话术与每个所述预设风险类型对应的第二概率。

本说明书实施例中，所述装置，还包括：

类型确定模块，用于基于预先训练的意图识别模型，对所述目标信息进行意图识别处理，得到所述目标信息对应的意图类型，并确定每个所述候选话术与所述目标信息对应的意图类型的匹配程度；

第五确定模块，用于将每个所述候选话术与所述目标信息对应的意图类型的匹配程度确定为每个所述候选话术的第一信息。

本说明书实施例中，所述第二确定模块503，用于：

基于预先训练的相似度确定模型、所述第一特征向量和所述第二特征向量，确定所述第一特征向量和所述第二特征向量之间的相似度，并基于所述相似度，确定每个所述候选话术与所述目标用户触发执行所述目标业务的匹配度。

本说明书实施例提供一种数据处理装置，在检测到目标用户触发执行目标业务的情况下，基于获取的目标信息，确定与目标信息对应的第一特征向量，目标信息可以包括目标用户触发执行目标业务所需的信息，和/或目标用户针对触发执行目标业务的交互信息，基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个候选话术对应的第二特征向量，频次信息基于预设检测周期内的举报信息以及举报信息中与候选话术对应的举报信息确定，匹配信息用于表征候选话术与目标用户以及预设风险类型的匹配程度，第一信息基于对目标信息进行意图识别处理得到意图类型确定，基于第一特征向量和第二特征向量，确定每个候选话术与目标用户触发执行目标业务的匹配度，基于匹配度，确定候选话术中与目标用户触发执行目标业务匹配的目标话术，并输出目标话术。这样，可以通过由候选话术的频次信息、匹配信息和第一信息确定的第二特征向量，以及由目标信息确定的第一特征向量，确定与目标用户触发执行目标业务匹配的目标话术，避免了在风控数据量大，更新速度快的情况下由于无法及时对模型进行更新，导致的无法及时准确的确定话术进行风险控制的问题，即可以通过候选话术的频次信息、匹配信息和第一信息，及时准确的确定与目标用户触发执行目标业务匹配的目标话术，以在风控场景下通过确定的目标话术及时准确的进行风险控制。

实施例四

基于同样的思路，本说明书实施例还提供一种数据处理设备，如图6所示。

数据处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器601和存储器602，存储器602中可以存储有一个或一个以上存储应用程序或数据。其中，存储器602可以是短暂存储或持久存储。存储在存储器602的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对数据处理设备中的一系列计算机可执行指令。更进一步地，处理器601可以设置为与存储器602通信，在数据处理设备上执行存储器602中的一系列计算机可执行指令。数据处理设备还可以包括一个或一个以上电源603，一个或一个以上有线或无线网络接口604，一个或一个以上输入输出接口605，一个或一个以上键盘606。

具体在本实施例中，数据处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对数据处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

在检测到目标用户触发执行目标业务的情况下，基于获取的目标信息，确定与所述目标信息对应的第一特征向量，所述目标信息包括所述目标用户触发执行所述目标业务所需的信息，和/或所述目标用户针对触发执行所述目标业务的交互信息；

基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个所述候选话术对应的第二特征向量，所述频次信息基于预设检测周期内的举报信息以及所述举报信息中与所述候选话术对应的举报信息确定，所述匹配信息用于表征所述候选话术与所述目标用户以及预设风险类型的匹配程度，所述第一信息基于对所述目标信息进行意图识别处理得到意图类型确定；

基于所述第一特征向量和所述第二特征向量，确定每个所述候选话术与所述目标用户触发执行所述目标业务的匹配度；

基于所述匹配度，确定所述候选话术中与所述目标用户触发执行所述目标业务匹配的目标话术，并输出所述目标话术。

可选地，所述方法还包括：

获取所述目标用户针对所述目标话术的反馈信息；

基于所述目标话术、所述反馈信息以及预先训练的风险分值确定模型，确定所述反馈信息对应的风险分值，所述风险分值确定模型为基于历史话术、历史反馈信息对由预设机器学习算法构建的模型进行训练得到；

基于所述目标话术和所述反馈信息对应的风险分值，确定所述目标用户触发执行所述目标业务是否存在风险。

可选地，所述基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个所述候选话术对应的第二特征向量，包括：

基于所述待输出的候选话术的频次信息、所述匹配信息、所述第一信息以及预先训练的第二向量提取模型，确定每个所述候选话术对应的第一子特征向量；

对所述候选话术的话术内容进行特征提取处理，确定每个所述候选话术对应的第二子特征向量；

基于所述第一子特征向量和所述第二子特征向量，确定每个所述候选话术对应的第二特征向量。

可选地，在所述基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个所述候选话术对应的第二特征向量之前，还包括：

获取所述预设检测周期内的举报信息的第一数量；

确定所述举报信息中与所述候选话术对应的举报信息的第二数量；

基于所述第一数量和所述第二数量，确定每个所述候选话术的频次信息。

可选地，在所述基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个所述候选话术对应的第二特征向量之前，还包括：

基于所述目标信息和预先训练的概率确定模型，确定所述目标用户与每个所述预设风险类型对应的第一概率，所述概率确定模型为基于历史信息对由预设机器学习算法构建的模型进行训练得到；

基于所述举报信息中与所述候选话术对应的举报信息，确定所述候选话术与每个所述预设风险类型对应的第二概率；

基于所述第一概率和所述第二概率，确定每个所述候选话术的匹配信息。

可选地，所述基于所述举报信息中与所述候选话术对应的举报信息，确定所述候选话术与每个所述预设风险类型对应的第二概率，包括：

获取所述举报信息中与所述候选话术对应的举报信息中，与每个所述预设风险类型对应的举报信息的第三数量；

基于所述第二数量和所述第三数量，确定所述候选话术与每个所述预设风险类型对应的第二概率。

可选地，在所述基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个所述候选话术对应的第二特征向量之前，还包括：

基于预先训练的意图识别模型，对所述目标信息进行意图识别处理，得到所述目标信息对应的意图类型，并确定每个所述候选话术与所述目标信息对应的意图类型的匹配程度；

将每个所述候选话术与所述目标信息对应的意图类型的匹配程度确定为每个所述候选话术的第一信息。

可选地，所述基于所述第一特征向量和所述第二特征向量，确定每个所述候选话术与所述目标用户触发执行所述目标业务的匹配度，包括：

基于预先训练的相似度确定模型、所述第一特征向量和所述第二特征向量，确定所述第一特征向量和所述第二特征向量之间的相似度，并基于所述相似度，确定每个所述候选话术与所述目标用户触发执行所述目标业务的匹配度。

本说明书实施例提供一种数据处理设备，在检测到目标用户触发执行目标业务的情况下，基于获取的目标信息，确定与目标信息对应的第一特征向量，目标信息可以包括目标用户触发执行目标业务所需的信息，和/或目标用户针对触发执行目标业务的交互信息，基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个候选话术对应的第二特征向量，频次信息基于预设检测周期内的举报信息以及举报信息中与候选话术对应的举报信息确定，匹配信息用于表征候选话术与目标用户以及预设风险类型的匹配程度，第一信息基于对目标信息进行意图识别处理得到意图类型确定，基于第一特征向量和第二特征向量，确定每个候选话术与目标用户触发执行目标业务的匹配度，基于匹配度，确定候选话术中与目标用户触发执行目标业务匹配的目标话术，并输出目标话术。这样，可以通过由候选话术的频次信息、匹配信息和第一信息确定的第二特征向量，以及由目标信息确定的第一特征向量，确定与目标用户触发执行目标业务匹配的目标话术，避免了在风控数据量大，更新速度快的情况下由于无法及时对模型进行更新，导致的无法及时准确的确定话术进行风险控制的问题，即可以通过候选话术的频次信息、匹配信息和第一信息，及时准确的确定与目标用户触发执行目标业务匹配的目标话术，以在风控场景下通过确定的目标话术及时准确的进行风险控制。

实施例五

本说明书实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述数据处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。

本说明书实施例提供一种计算机可读存储介质，在检测到目标用户触发执行目标业务的情况下，基于获取的目标信息，确定与目标信息对应的第一特征向量，目标信息可以包括目标用户触发执行目标业务所需的信息，和/或目标用户针对触发执行目标业务的交互信息，基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个候选话术对应的第二特征向量，频次信息基于预设检测周期内的举报信息以及举报信息中与候选话术对应的举报信息确定，匹配信息用于表征候选话术与目标用户以及预设风险类型的匹配程度，第一信息基于对目标信息进行意图识别处理得到意图类型确定，基于第一特征向量和第二特征向量，确定每个候选话术与目标用户触发执行目标业务的匹配度，基于匹配度，确定候选话术中与目标用户触发执行目标业务匹配的目标话术，并输出目标话术。这样，可以通过由候选话术的频次信息、匹配信息和第一信息确定的第二特征向量，以及由目标信息确定的第一特征向量，确定与目标用户触发执行目标业务匹配的目标话术，避免了在风控数据量大，更新速度快的情况下由于无法及时对模型进行更新，导致的无法及时准确的确定话术进行风险控制的问题，即可以通过候选话术的频次信息、匹配信息和第一信息，及时准确的确定与目标用户触发执行目标业务匹配的目标话术，以在风控场景下通过确定的目标话术及时准确的进行风险控制。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他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、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (11)

1.一种数据处理方法，包括：

在检测到目标用户触发执行目标业务的情况下，基于获取的目标信息，确定与所述目标信息对应的第一特征向量，所述目标信息包括所述目标用户触发执行所述目标业务所需的信息，和/或所述目标用户针对触发执行所述目标业务的交互信息；

基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个所述候选话术对应的第二特征向量，所述频次信息基于预设检测周期内的举报信息以及所述举报信息中与所述候选话术对应的举报信息确定，所述匹配信息用于表征所述候选话术与所述目标用户以及预设风险类型的匹配程度，所述第一信息基于对所述目标信息进行意图识别处理得到意图类型确定；

基于所述第一特征向量和所述第二特征向量，确定每个所述候选话术与所述目标用户触发执行所述目标业务的匹配度；

基于所述匹配度，确定所述候选话术中与所述目标用户触发执行所述目标业务匹配的目标话术，并输出所述目标话术。

2.根据权利要求1所述的方法，所述方法还包括：

获取所述目标用户针对所述目标话术的反馈信息；

基于所述目标话术、所述反馈信息以及预先训练的风险分值确定模型，确定所述反馈信息对应的风险分值，所述风险分值确定模型为基于历史话术、历史反馈信息对由预设机器学习算法构建的模型进行训练得到；

基于所述目标话术和所述反馈信息对应的风险分值，确定所述目标用户触发执行所述目标业务是否存在风险。

3.根据权利要求2所述的方法，所述基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个所述候选话术对应的第二特征向量，包括：

基于所述待输出的候选话术的频次信息、所述匹配信息、所述第一信息以及预先训练的第二向量提取模型，确定每个所述候选话术对应的第一子特征向量；

对所述候选话术的话术内容进行特征提取处理，确定每个所述候选话术对应的第二子特征向量；

基于所述第一子特征向量和所述第二子特征向量，确定每个所述候选话术对应的第二特征向量。

4.根据权利要求3所述的方法，在所述基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个所述候选话术对应的第二特征向量之前，还包括：

获取所述预设检测周期内的举报信息的第一数量；

确定所述举报信息中与所述候选话术对应的举报信息的第二数量；

基于所述第一数量和所述第二数量，确定每个所述候选话术的频次信息。

5.根据权利要求4所述的方法，在所述基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个所述候选话术对应的第二特征向量之前，还包括：

基于所述目标信息和预先训练的概率确定模型，确定所述目标用户与每个所述预设风险类型对应的第一概率，所述概率确定模型为基于历史信息对由预设机器学习算法构建的模型进行训练得到；

基于所述举报信息中与所述候选话术对应的举报信息，确定所述候选话术与每个所述预设风险类型对应的第二概率；

基于所述第一概率和所述第二概率，确定每个所述候选话术的匹配信息。

6.根据权利要求5所述的方法，所述基于所述举报信息中与所述候选话术对应的举报信息，确定所述候选话术与每个所述预设风险类型对应的第二概率，包括：

获取所述举报信息中与所述候选话术对应的举报信息中，与每个所述预设风险类型对应的举报信息的第三数量；

基于所述第二数量和所述第三数量，确定所述候选话术与每个所述预设风险类型对应的第二概率。

7.根据权利要求6所述的方法，在所述基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个所述候选话术对应的第二特征向量之前，还包括：

基于预先训练的意图识别模型，对所述目标信息进行意图识别处理，得到所述目标信息对应的意图类型，并确定每个所述候选话术与所述目标信息对应的意图类型的匹配程度；

将每个所述候选话术与所述目标信息对应的意图类型的匹配程度确定为每个所述候选话术的第一信息。

8.根据权利要求7所述的方法，所述基于所述第一特征向量和所述第二特征向量，确定每个所述候选话术与所述目标用户触发执行所述目标业务的匹配度，包括：

基于预先训练的相似度确定模型、所述第一特征向量和所述第二特征向量，确定所述第一特征向量和所述第二特征向量之间的相似度，并基于所述相似度，确定每个所述候选话术与所述目标用户触发执行所述目标业务的匹配度。

9.一种数据处理装置，包括：

第一获取模块，用于在检测到目标用户触发执行目标业务的情况下，基于获取的目标信息，确定与所述目标信息对应的第一特征向量，所述目标信息包括所述目标用户触发执行所述目标业务所需的信息，和/或所述目标用户针对触发执行所述目标业务的交互信息；

第一确定模块，用于基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个所述候选话术对应的第二特征向量，所述频次信息基于预设检测周期内的举报信息以及所述举报信息中与所述候选话术对应的举报信息确定，所述匹配信息用于表征所述候选话术与所述目标用户以及预设风险类型的匹配程度，所述第一信息基于对所述目标信息进行意图识别处理得到意图类型确定；

第二确定模块，用于基于所述第一特征向量和所述第二特征向量，确定每个所述候选话术与所述目标用户触发执行所述目标业务的匹配度；

话术确定模块，用于基于所述匹配度，确定所述候选话术中与所述目标用户触发执行所述目标业务匹配的目标话术，并输出所述目标话术。

10.一种数据处理设备，所述数据处理设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

在检测到目标用户触发执行目标业务的情况下，基于获取的目标信息，确定与所述目标信息对应的第一特征向量，所述目标信息包括所述目标用户触发执行所述目标业务所需的信息，和/或所述目标用户针对触发执行所述目标业务的交互信息；

基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个所述候选话术对应的第二特征向量，所述频次信息基于预设检测周期内的举报信息以及所述举报信息中与所述候选话术对应的举报信息确定，所述匹配信息用于表征所述候选话术与所述目标用户以及预设风险类型的匹配程度，所述第一信息基于对所述目标信息进行意图识别处理得到意图类型确定；

基于所述第一特征向量和所述第二特征向量，确定每个所述候选话术与所述目标用户触发执行所述目标业务的匹配度；

基于所述匹配度，确定所述候选话术中与所述目标用户触发执行所述目标业务匹配的目标话术，并输出所述目标话术。

11.一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被处理器执行时实现以下流程：

在检测到目标用户触发执行目标业务的情况下，基于获取的目标信息，确定与所述目标信息对应的第一特征向量，所述目标信息包括所述目标用户触发执行所述目标业务所需的信息，和/或所述目标用户针对触发执行所述目标业务的交互信息；

基于待输出的候选话术的频次信息、匹配信息和第一信息，确定每个所述候选话术对应的第二特征向量，所述频次信息基于预设检测周期内的举报信息以及所述举报信息中与所述候选话术对应的举报信息确定，所述匹配信息用于表征所述候选话术与所述目标用户以及预设风险类型的匹配程度，所述第一信息基于对所述目标信息进行意图识别处理得到意图类型确定；

基于所述第一特征向量和所述第二特征向量，确定每个所述候选话术与所述目标用户触发执行所述目标业务的匹配度；

基于所述匹配度，确定所述候选话术中与所述目标用户触发执行所述目标业务匹配的目标话术，并输出所述目标话术。

Images