CN115297212A - 基于机器学习的语音机器人催收方法、系统、设备及介质 - Google Patents

基于机器学习的语音机器人催收方法、系统、设备及介质 Download PDF

Info

Publication number
CN115297212A
CN115297212A CN202210731775.0A CN202210731775A CN115297212A CN 115297212 A CN115297212 A CN 115297212A CN 202210731775 A CN202210731775 A CN 202210731775A CN 115297212 A CN115297212 A CN 115297212A
Authority
CN
China
Prior art keywords
sample
customer
period
collection
samples
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
CN202210731775.0A
Other languages
English (en)
Inventor
王椭
赵权有
冯耀
鲁羽佳
陆恒宇
陈娜
刘敏敏
朱祥
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.)
Shanghai Pudong Development Bank Co Ltd
Original Assignee
Shanghai Pudong Development 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 Shanghai Pudong Development Bank Co Ltd filed Critical Shanghai Pudong Development Bank Co Ltd
Priority to CN202210731775.0A priority Critical patent/CN115297212A/zh
Publication of CN115297212A publication Critical patent/CN115297212A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M3/00—Automatic or semi-automatic exchanges
    • H04M3/42—Systems providing special services or facilities to subscribers
    • H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
    • H04M3/527—Centralised call answering arrangements not requiring operator intervention
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M3/00—Automatic or semi-automatic exchanges
    • H04M3/42—Systems providing special services or facilities to subscribers
    • H04M3/42025—Calling or Called party identification service
    • H04M3/42085—Called party identification service
    • H04M3/42093—Notifying the calling party of information on the called or connected party
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M3/00—Automatic or semi-automatic exchanges
    • H04M3/42—Systems providing special services or facilities to subscribers
    • H04M3/487—Arrangements for providing information services, e.g. recorded voice services or time announcements
    • H04M3/493—Interactive information services, e.g. directory enquiries ; Arrangements therefor, e.g. interactive voice response [IVR] systems or voice portals

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Manipulator (AREA)

Abstract

本发明涉及一种基于机器学习的语音机器人催收方法，包括以下步骤：S1：筛选待催收客户样本；S2：选取样本特征，构建预测模型并基于样本特征及待催收客户样本进行训练，所述的预测模型用于获取待催收客户样本在未来一个月内有还款的概率；S3：选取在未来一个月内有还款的概率大于等于预设阈值的待催收客户样本中作为语音机器人的拨打客户名单进行催收。与现有技术相比，本发明具有降低催收成本，提高催收效果的优点。

Description

基于机器学习的语音机器人催收方法、系统、设备及介质
技术领域
本发明涉及信息处理技术领域，尤其是涉及一种基于机器学习的语音机器人催收方法、系统、设备及介质。
背景技术
语音机器人是目前广泛应用于电话客服、电话营销等领域的技术，相对于传统的人工拨打电话，在成本与效率上有着极为明显的优点，但是，也同样存在灵活性差、问题解决率/营销成功率低等缺点。
在银行业，通过拨打贷款或信用卡逾期、坏账客户电话督促客户还款(后文简称催收)，是直接影响银行风险与利润的重要业务场景。近年来，语音机器人在电话催收场景下，也展开了应用，而语音机器人的优缺点在催收场景下被进一步放大了。
相对于语音机器人的传统应用场景，催收场景下语音机器人面对的客户耐心更差、配合度与接听意愿更低、情况更复杂、接听情绪更负面，导致语音机器人的催收能力远低于人工拨打，限制了语音机器人在催收场景下的应用(催收能力具体而言，指被拨打客户总还款金额/总欠款金额)。通过现有的技术手段，如人工干预、改语音机器人话术等方法均不能有效提升语音机器人的催收能力。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于机器学习的语音机器人催收方法、系统、设备及介质。
本发明的目的可以通过以下技术方案来实现：
一种基于机器学习的语音机器人催收方法，包括以下步骤：
S1：筛选待催收客户样本；
S2：选取样本特征，构建预测模型并基于样本特征及待催收客户样本进行训练，所述的预测模型用于获取待催收客户样本在未来一个月内有还款的概率；
S3：选取在未来一个月内有还款的概率大于等于预设阈值的待催收客户样本中作为语音机器人的拨打客户名单进行催收。
优选地，所述的步骤S1根据客户的催收记录与还款记录筛选训练样本、正样本、负样本和预测样本。
优选地，所述的待催收客户样本基于客户样本数据进行筛选，所述的客户样本数据包括连续的第一时段、第二时段、第三时段、第四时段的客户样本，所述的第一时段、第二时段、第三时段、第四时段的时间递增。
优选地，所述的训练样本包括第一时段、第二时段、第三时段未接通任何催收电话和客服电话的客户样本，
所述的正样本包括训练样本中第四时段有还款的客户样本，
所述的负样本包括训练样本中第四时段无还款的客户样本，
所述的预测样本包括第二时段、第三时段、第四时段未接通任何催收电话和客服电话的客户样本。
优选地，所述的预测模型为xgboost模型。
优选地，所述的步骤S2中选取第三时段最后一天的变量作为样本特征。
优选地，所述的样本特征的变量类型包括还款信息、客户信息、逾期信息。
一种基于机器学习的语音机器人催收系统，包括样本获取模块、训练模块、催收模块，
所述的样本获取模块用于筛选待催收客户样本；
所述的训练模块用于选取样本特征，构建预测模型并基于样本特征及待催收客户样本进行训练，所述的预测模型用于获取待催收客户样本在未来一个月内有还款的概率；
所述的催收模块用于选取在未来一个月内有还款的概率大于等于预设阈值的待催收客户样本中作为语音机器人的拨打客户名单进行催收。
一种电子设备，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种基于机器学习的语音机器人催收方法。
一种可读存储介质，所述的可读存储介质上存储有计算机指令，该计算机指令被处理器执行时实现上述的一种基于机器学习的语音机器人催收方法。
与现有技术相比，本发明基于客户样本对预测模型进行训练，能够有效获取还款概率高的客户作为拨打客户名单进行语音机器人拨打联系，找出拒绝接通电话，但有意愿还款的客户作为语音机器人的拨打对象，对这类客户，由于其拒绝接通电话，人工拨打与语音机器人拨打没有实质性差别，只要由语音机器人定期拨打提醒还款即可，可以为银行催收业务节省大量催收佣金成本，节约大量催收拨打人力。本发明实现成本低，对系统侵入性小，不需要进行语音机器人的系统改造即可实现语音机器人的催收能力提升；效果极为显著，通用性强，任何技术类型的语音机器人均可采用该方案进行提升改进。
附图说明
图1为本发明的方法流程示意图。
图2为本发明系统的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
实施例
一种基于机器学习的语音机器人催收方法，如图1所示，包括以下步骤：
S1：筛选待催收客户样本；
S2：选取样本特征，构建预测模型并基于样本特征及待催收客户样本进行训练，预测模型用于获取待催收客户样本在未来一个月内有还款的概率；
S3：选取在未来一个月内有还款的概率大于等于预设阈值的待催收客户样本中作为语音机器人的拨打客户名单进行催收。本实施例中，预设阈值为0.1。
步骤S1根据客户近4个月的催收记录与还款记录筛选训练样本、正样本、负样本和预测样本。
待催收客户样本基于客户样本数据进行筛选，客户样本数据包括连续的第一时段、第二时段、第三时段、第四时段的客户样本，第一时段、第二时段、第三时段、第四时段的时间递增。
本发明的一种实施方式中，第一时段为当前时间的向前第四个月，所述第二时段为当前时间的向前第三个月，所述第三时段为当前时间的向前第二个月，所述第四时段为当前时间的向前第一个月。以当前时间为2022年6月20日为例，当前时间的第一时段为2022年2月份，第二时段为2022年3月份，第三时段为2022年4月份，第四时段为2022年5月份。
进一步地，训练样本包括第一时段、第二时段、第三时段未接通任何催收电话和客服电话的客户样本，正样本包括训练样本中第四时段有还款的客户样本，负样本包括训练样本中第四时段无还款的客户样本，预测样本包括第二时段、第三时段、第四时段未接通任何催收电话和客服电话的客户样本。
本发明步骤S2中选取第三时段最后一天的变量作为样本特征。
本实施例中，预测模型为xgboost模型，以以下参数进行训练：
booster:gbtree
n_estimator:200；
learning_rate:0.3
gamma:0.1
subsample:0.6
max_depth:3
scale_pos_weight:50
objective:binary:logistic
eval_metric:auc
本实施例中，样本特征的变量类型包括还款信息、客户信息、逾期信息，本实施例中，具体包括最后一次还款日至今天数、最后一次还款金额、风险调整后净收(个人)、近12个月我行_月均账单金额、入催还款次数、中征信评分、可用积分、他行卡额度、当月催收客户被催次数、距续卡时间(月)、最近一次办理交易分期日期、公司类别代码、最近一次登录APP的日期、出生日期、风险行为评分、最新一张卡开卡时长、APP首次注册时间、个人账号不动卡月份数、最近一次登录app的手机品牌、近一年累计交易笔数、最近3个月还款次数、未来12个月出境可能性预测值、最近一次办理万用金日期、所在城市、信用额度、行业属性、首卡激活日期、首次办理分期时账龄(月)、最新一张卡发卡日期、客户层账龄、办理分期渠道偏好、FICO分、星座、生肖、近一年快捷交易笔数、客户类型、最新退卡日期、休闲学习消费次数、学历(表填)、近24个月内发生过逾期的期数、最近一次办理签约渠道、逾期金额、客户下持有总卡数、工作职务类别、单位性质、开户行划分、忠诚度预测等级、旅游消费次数、婚姻状况。其中，离散变量做one-hot编码处理；日期类变量转换为距离当前时间的天数。
本发明还提供了一种基于机器学习的语音机器人催收系统，如图2所示，包括样本获取模块101、训练模块102、催收模块103，样本获取模块101用于筛选待催收客户样本；训练模块102用于选取样本特征，构建预测模型并基于样本特征及待催收客户样本进行训练，预测模型用于获取待催收客户样本在未来一个月内有还款的概率；催收模块103用于选取在未来一个月内有还款的概率大于等于预设阈值的待催收客户样本中作为语音机器人的拨打客户名单进行催收。
本发明提供了一种电子设备，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种基于机器学习的语音机器人催收方法。
本发明还提供了一种可读存储介质，可读存储介质上存储有计算机指令，该计算机指令被处理器执行时实现上述的一种基于机器学习的语音机器人催收方法。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中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模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本申请实施例提供的程序产品可以采用一个或多个可读介质的任意组合，其中，可读介质可以是可读信号介质或者可读存储介质，而可读存储介质可以是但不限于是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合，具体地，可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、RAM、ROM、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、光纤、便携式紧凑盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请实施例提供的程序产品可以采用CD-ROM并包括程序代码，还可以在计算设备上运行。然而，本申请实施例提供的程序产品不限于此，在本申请实施例中，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。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请实施例的精神和范围。这样，倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

Claims (10)

1.一种基于机器学习的语音机器人催收方法，其特征在于，包括以下步骤：
S1：筛选待催收客户样本；
S2：选取样本特征，构建预测模型并基于样本特征及待催收客户样本进行训练，所述的预测模型用于获取待催收客户样本在未来一个月内有还款的概率；
S3：选取在未来一个月内有还款的概率大于等于预设阈值的待催收客户样本中作为语音机器人的拨打客户名单进行催收。
2.根据权利要求1所述的一种基于机器学习的语音机器人催收方法，其特征在于，所述的步骤S1根据客户催收记录与还款记录筛选训练样本、正样本、负样本和预测样本。
3.根据权利要求1所述的一种基于机器学习的语音机器人催收方法，其特征在于，所述的待催收客户样本基于客户样本数据进行筛选，所述的客户样本数据包括连续的第一时段、第二时段、第三时段、第四时段的客户样本，所述的第一时段、第二时段、第三时段、第四时段的时间递增。
4.根据权利要求1所述的一种基于机器学习的语音机器人催收方法，其特征在于，所述的训练样本包括第一时段、第二时段、第三时段未接通任何催收电话和客服电话的客户样本，
所述的正样本包括训练样本中第四时段有还款的客户样本，
所述的负样本包括训练样本中第四时段无还款的客户样本，
所述的预测样本包括第二时段、第三时段、第四时段未接通任何催收电话和客服电话的客户样本。
5.根据权利要求1所述的一种基于机器学习的语音机器人催收方法，其特征在于，所述的预测模型为xgboost模型。
6.根据权利要求1所述的一种基于机器学习的语音机器人催收方法，其特征在于，所述的步骤S2中选取第三时段最后一天的变量作为样本特征。
7.根据权利要求1所述的一种基于机器学习的语音机器人催收方法，其特征在于，所述的样本特征的变量类型包括还款信息、客户信息、逾期信息。
8.一种基于机器学习的语音机器人催收系统，其特征在于，包括样本获取模块、训练模块、催收模块，
所述的样本获取模块用于筛选待催收客户样本；
所述的训练模块用于选取样本特征，构建预测模型并基于样本特征及待催收客户样本进行训练，所述的预测模型用于获取待催收客户样本在未来一个月内有还款的概率；
所述的催收模块用于选取在未来一个月内有还款的概率大于等于预设阈值的待催收客户样本中作为语音机器人的拨打客户名单进行催收。
9.一种电子设备，其特征在于，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的一种基于机器学习的语音机器人催收方法。
10.一种可读存储介质，其特征在于，所述的可读存储介质上存储有计算机指令，该计算机指令被处理器执行时实现权利要求1-7任一项所述的一种基于机器学习的语音机器人催收方法。
CN202210731775.0A 2022-06-25 2022-06-25 基于机器学习的语音机器人催收方法、系统、设备及介质 Pending CN115297212A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210731775.0A CN115297212A (zh) 2022-06-25 2022-06-25 基于机器学习的语音机器人催收方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210731775.0A CN115297212A (zh) 2022-06-25 2022-06-25 基于机器学习的语音机器人催收方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN115297212A true CN115297212A (zh) 2022-11-04

Family

ID=83820495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210731775.0A Pending CN115297212A (zh) 2022-06-25 2022-06-25 基于机器学习的语音机器人催收方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN115297212A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117319559A (zh) * 2023-11-24 2023-12-29 杭州度言软件有限公司 一种基于智能语音机器人的催收方法与系统
CN117476011A (zh) * 2023-12-28 2024-01-30 杭州度言软件有限公司 一种基于语音信号的催收对象识别方法与系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108989587A (zh) * 2018-06-29 2018-12-11 重庆富民银行股份有限公司 Ivr语音在银行贷后管理工作中的应用方法
CN111340281A (zh) * 2020-02-20 2020-06-26 支付宝(杭州)信息技术有限公司 预测模型训练方法及装置
CN111383093A (zh) * 2020-03-06 2020-07-07 北京网众共创科技有限公司 账单逾期智能催收方法及系统
CN111541819A (zh) * 2020-04-21 2020-08-14 北京易点淘网络技术有限公司 一种催收方法及系统
CN111882431A (zh) * 2020-08-04 2020-11-03 武汉众邦银行股份有限公司 一种基于nlp深度学习智能消息推送方法
CN112330047A (zh) * 2020-11-18 2021-02-05 交通银行股份有限公司 一种基于用户行为特征的信用卡还款概率预测方法
CN112819613A (zh) * 2021-03-09 2021-05-18 重庆度小满优扬科技有限公司 贷款信息的处理方法、设备以及存储介质
WO2021098652A1 (zh) * 2019-11-22 2021-05-27 深圳前海微众银行股份有限公司 一种数据处理方法及装置
CN113554228A (zh) * 2021-07-23 2021-10-26 中信银行股份有限公司 还款率预测模型的训练方法及还款率的预测方法
CN113887214A (zh) * 2021-10-13 2022-01-04 平安科技（深圳）有限公司 基于人工智能的意愿推测方法、及其相关设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108989587A (zh) * 2018-06-29 2018-12-11 重庆富民银行股份有限公司 Ivr语音在银行贷后管理工作中的应用方法
WO2021098652A1 (zh) * 2019-11-22 2021-05-27 深圳前海微众银行股份有限公司 一种数据处理方法及装置
CN111340281A (zh) * 2020-02-20 2020-06-26 支付宝(杭州)信息技术有限公司 预测模型训练方法及装置
CN111383093A (zh) * 2020-03-06 2020-07-07 北京网众共创科技有限公司 账单逾期智能催收方法及系统
CN111541819A (zh) * 2020-04-21 2020-08-14 北京易点淘网络技术有限公司 一种催收方法及系统
CN111882431A (zh) * 2020-08-04 2020-11-03 武汉众邦银行股份有限公司 一种基于nlp深度学习智能消息推送方法
CN112330047A (zh) * 2020-11-18 2021-02-05 交通银行股份有限公司 一种基于用户行为特征的信用卡还款概率预测方法
CN112819613A (zh) * 2021-03-09 2021-05-18 重庆度小满优扬科技有限公司 贷款信息的处理方法、设备以及存储介质
CN113554228A (zh) * 2021-07-23 2021-10-26 中信银行股份有限公司 还款率预测模型的训练方法及还款率的预测方法
CN113887214A (zh) * 2021-10-13 2022-01-04 平安科技（深圳）有限公司 基于人工智能的意愿推测方法、及其相关设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117319559A (zh) * 2023-11-24 2023-12-29 杭州度言软件有限公司 一种基于智能语音机器人的催收方法与系统
CN117319559B (zh) * 2023-11-24 2024-02-02 杭州度言软件有限公司 一种基于智能语音机器人的催收方法与系统
CN117476011A (zh) * 2023-12-28 2024-01-30 杭州度言软件有限公司 一种基于语音信号的催收对象识别方法与系统
CN117476011B (zh) * 2023-12-28 2024-03-01 杭州度言软件有限公司 一种基于语音信号的催收对象识别方法与系统

Similar Documents

Publication Publication Date Title
CN115297212A (zh) 基于机器学习的语音机器人催收方法、系统、设备及介质
WO2011084868A1 (en) Leveraging customer information to create and utilize financial networks
WO2002054181A2 (en) Systems and methods for managing accounts
US20130054435A1 (en) System and Method for Dynamic Query Processing Based on Financial Information and Query Responses
Hwang et al. The proliferation of digital credit deployments
CN111383093A (zh) 账单逾期智能催收方法及系统
CN111882431A (zh) 一种基于nlp深度学习智能消息推送方法
CN113206909A (zh) 骚扰电话拦截方法及装置
US20040044604A1 (en) Method to improved debt collection practices
CN110428240B (zh) 一种可疑交易自动识别和处理方法、终端和服务器
WO2020248916A1 (zh) 一种信息处理方法及装置
CN116308731A (zh) 账户催收处理方法和装置
CN111062422A (zh) 一种套路贷体系化识别方法及装置
CN112101950B (zh) 可疑交易监测模型特征提取方法及装置
CN114913015A (zh) 一种热点账户识别方法、装置及电子设备
CN114399289A (zh) 一种工单督办时间设置方法及装置
CN113905135A (zh) 一种智能外呼机器人的用户意向识别方法和装置
CN108055661B (zh) 基于通信网络的电话号码黑名单建立方法及装置
CN112053052A (zh) 客服业务风险识别方法、装置、设备及存储介质
CN112241760A (zh) 网络小额贷款服务中的黑中介自动挖掘方法与系统
CN111369336A (zh) 银行催收借款的方法
CN113992802B (zh) 基于语音机器人的智能催收管理方法、装置、设备及介质
CN110728145A (zh) 一种基于录音对话的自然语言理解模型的建立方法
CN113824828B (zh) 一种拨话方法、装置、电子设备及计算机可读存储介质
CN113065945A (zh) 一种催收核销客户还款意愿分类方法及系统

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