CN116596680A - 一种投保信息实时调整方法、装置、设备及其存储介质 - Google Patents
一种投保信息实时调整方法、装置、设备及其存储介质 Download PDFInfo
- Publication number
- CN116596680A CN116596680A CN202310498126.5A CN202310498126A CN116596680A CN 116596680 A CN116596680 A CN 116596680A CN 202310498126 A CN202310498126 A CN 202310498126A CN 116596680 A CN116596680 A CN 116596680A
- Authority
- CN
- China
- Prior art keywords
- information
- real
- time
- content
- extraction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000000605 extraction Methods 0.000 claims abstract description 95
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000005516 engineering process Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 56
- 230000008859 change Effects 0.000 claims description 42
- 238000012795 verification Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 239000010410 layer Substances 0.000 description 20
- 230000008569 process Effects 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例属于人工智能技术领域,涉及一种投保信息实时调整方法、装置、设备及其存储介质,包括获取保险电销场景下的实时通话内容;通过端到端的语音识别技术,将所述实时通话内容转化为实时文本内容;基于UIE信息抽取框架下的信息抽取模型,对所述实时文本内容进行信息分析和抽取,获取所述实时通话内容中的通话关键词信息;根据所述通话关键词信息,判断原始投保信息是否存在变更;根据判断结果,更新原始投保信息,生成最新投保表单。采取从坐席端采集信息,通过UIE信息抽取模型,即可大幅提高信息采集准确性,从而在保险投保信息变更处理上,更加智能化,减少坐席服务精力,保证客户的良好体验。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种投保信息实时调整方法、装置、设备及其存储介质。
背景技术
电话销售场景下,顾客打电话投保,和坐席的对话中客户会动态调整投保状态,例如需要变更投保的险种名称、保额和保费等投保信息。业内的常规做法是通过坐席在通话过程中人工记录这些信息,实时调整用户投保信息,这种方式一方面费时费力,让坐席无法集中精力服务顾客;另一方面,会拖慢通话进程,降低客户体验。
由于客户端的语音信息变量因素较多,难以控制,比如客户周围环境嘈杂、客户使用方言发音、客户意图表达不清晰等问题在实际中在难以避免。因此,现有技术在保险投保信息变更处理上,还存在不够智能化的问题,既容易消耗坐席服务精力,也容易给客户带来不良通话体验。
发明内容
本申请实施例的目的在于提出一种投保信息实时调整方法、装置、设备及其存储介质,以解决现有技术在保险投保信息变更处理上,还存在不够智能化的问题。
为了解决上述技术问题,本申请实施例提供投保信息实时调整方法,采用了如下所述的技术方案:
一种投保信息实时调整方法,包括下述步骤:
获取保险电销场景下的实时通话内容;
通过端到端的语音识别技术,将所述实时通话内容转化为实时文本内容;
基于UIE信息抽取框架下的信息抽取模型,对所述实时文本内容进行信息分析和抽取,获取所述实时通话内容中的通话关键词信息;
根据所述通话关键词信息,判断原始投保信息是否存在变更;
根据判断结果,更新原始投保信息,生成最新投保表单。
进一步的,在执行所述通过端到端的语音识别技术,将所述实时通话内容转化为实时文本内容的步骤之前,所述方法还包括:
获取已标注的数据集,其中,所述已标注指已知语音与文本一一对应关系;
将所述数据集按照预设比例划分为训练集和验证集;
将所述训练集输入结构为encoder-decoder框架的语音识别基础模型;
基于所述语音识别基础模型中encoder编码层,对所述训练集进行特征序列编码处理,获取所述训练集对应的特征向量;
根据所述语音识别基础模型中decoder解码层,对所述训练集对应的特征向量进行解码处理,获得经初训练的语音识别基础模型;
将所述验证集输入到初训练完成的语音识别基础模型,进行验证处理和调优处理;
获取验证处理结果和调优处理结果,直到所述验证处理结果和调优处理结果都满足预设的相关条件,获得预训练成功的语音识别模型;
所述通过端到端的语音识别技术,将所述实时通话内容转化为实时文本内容的步骤,具体包括:
获取所述实时通话内容,并输入至所述语音识别模型中;
基于所述语音识别模型中encoder编码层,对所述实时通话内容进行特征序列编码处理,获取所述实时通话内容对应的特征向量;
根据所述语音识别模型中decoder解码层,对所述实时通话内容对应的特征向量进行解码处理,获得所述实时通话内容对应的实时文本内容。
进一步的,在执行所述基于所述语音识别基础模型中encoder编码层,对所述训练集进行特征序列编码处理,获取所述训练集对应的特征向量的步骤过程中,所述方法还包括:
联合使用CTC loss函数和Attention loss函数,进行语音识别基础模型训练时的收敛处理;
在执行所述根据所述语音识别基础模型中decoder解码层,对所述训练集对应的特征向量进行解码处理,获得经初训练的语音识别基础模型的步骤过程中,所述方法还包括:
使用CTC beam search和Attention解码机制的输出得分,加权求和,根据得分排序,确定出语音识别基础模型的最终识别结果。
进一步的,在执行所述获取所述实时通话内容,并输入至所述语音识别模型中的步骤之后,所述方法还包括:
对所述实时通话内容进行音频格式检验;
判断所述实时通话内容的音频格式是否符合预设的输入格式;
若不符合预设的输入格式,则将所述实时通话内容的音频格式转化为预设的输入格式;
若符合预设的输入格式,则通过预设的音频特征抽取工具获取所述实时通话内容的频域特征序列;
对所述频域特征序列进行降噪采样处理,获得符合encoder编码层要求的频域特征序列。
进一步的,在执行所述基于UIE信息抽取框架下的信息抽取模型,对所述实时文本内容进行信息分析和抽取,获取所述实时通话内容中提及到的险种信息和关键词信息的步骤之前,所述方法还包括:
获取预先自定义的信息抽取主题,其中,所述自定义的信息抽取主题包括险种信息主题和险种变化主题;
将所述自定义的信息抽取主题配置入所述信息抽取模型;
所述基于UIE信息抽取框架下的信息抽取模型,对所述实时文本内容进行信息分析和抽取,获取所述实时通话内容中的通话关键词信息的步骤,具体包括:
根据所述险种信息主题对所述实时文本内容进行信息分析和抽取,识别所述险种信息主题中的目标字段信息,其中,所述险种信息主题中的目标字段信息包括险种名称、投保购买额和投保理赔额;
根据所述险种变化主题对所述实时文本内容进行信息分析和抽取,识别所述险种变化主题中的目标字段信息,其中,所述险种变化主题中的目标字段信息用于反映险种信息变化的意图导向字段;
获得所述险种信息主题中的目标字段信息和所述险种变化主题中的目标字段信息作为通话关键词信息。
进一步的,所述根据所述通话关键词信息,判断原始投保信息是否存在变更的步骤,具体包括:
若通过所述通话关键词信息,识别到原始投保信息中存在险种名称变更,则获取险种名称变更之后所涉及的最新险种名称及所述最新险种对应的投保购买额和投保理赔额;
若通过所述通话关键词信息,识别到原始投保信息中存在险种相关金额变更,则根据所述险种变化主题中的目标字段信息对险种相关金额进行调整。
进一步的,所述根据判断结果,更新原始投保信息,生成最新投保表单的步骤,具体包括:
若所述原始投保信息中险种名称或险种相关金额至少任一项出现变更,则根据变更结果更新原始投保信息,并基于当前时间生成最新投保表单;
若所述原始投保信息中险种名称和险种相关金额都未出现变更,则不更新原始投保信息,仅基于当前时间生成最新投保表单。
为了解决上述技术问题,本申请实施例还提供投保信息实时调整装置,采用了如下所述的技术方案:
一种投保信息实时调整装置,包括:
通话内容获取模块,用于获取保险电销场景下的实时通话内容;
文本转化模块,用于通过端到端的语音识别技术,将所述实时通话内容转化为实时文本内容;
关键词抽取模块,用于基于UIE信息抽取框架下的信息抽取模型,对所述实时文本内容进行信息分析和抽取,获取所述实时通话内容中的通话关键词信息;
信息变更判断模块,用于根据所述通话关键词信息,判断原始投保信息是否存在变更;
保单更新模块,用于根据判断结果,更新原始投保信息,生成最新投保表单。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现上述所述的投保信息实时调整方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上述所述的投保信息实时调整方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例所述投保信息实时调整方法,通过获取保险电销场景下的实时通话内容;通过端到端的语音识别技术,将所述实时通话内容转化为实时文本内容;基于UIE信息抽取框架下的信息抽取模型,对所述实时文本内容进行信息分析和抽取,获取所述实时通话内容中的通话关键词信息;根据所述通话关键词信息,判断原始投保信息是否存在变更;根据判断结果,更新原始投保信息,生成最新投保表单。采取从坐席端采集信息,通过UIE信息抽取模型,即可大幅提高信息采集准确性,从而在保险投保信息变更处理上,更加智能化,减少坐席服务精力,保证客户的良好体验。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2根据本申请的投保信息实时调整方法的一个实施例的流程图;
图3根据本申请的训练语音识别模型的一个实施例的流程图;
图4是图2所示步骤202的一个具体实施例的流程图;
图5根据本申请的对实时通话内容进行预处理的一个实施例的流程图;
图6根据本申请的投保信息实时调整装置的一个实施例的结构示意图;
图7根据本申请的语音识别模型训练模块的一个实施例的结构示意图;
图8根据本申请的实时通话内容预处理模块的一个实施例的结构示意图;
图9根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构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,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
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、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、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,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的投保信息实时调整方法一般由服务器/终端设备执行,相应地,投保信息实时调整装置一般设置于服务器/终端设备中。
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。
继续参考图2,示出了根据本申请的投保信息实时调整方法的一个实施例的流程图。所述的投保信息实时调整方法,包括以下步骤:
步骤201,获取保险电销场景下的实时通话内容。
步骤202,通过端到端的语音识别技术,将所述实时通话内容转化为实时文本内容。
继续参考图3,示出了根据本申请的训练语音识别模型的一个实施例的流程图。所述的语音识别模型训练步骤,包括:
步骤301,获取已标注的数据集,其中,所述已标注指已知语音与文本一一对应关系;
本实施例中,所述已标注的数据集为已标注语音与文本一一对应关系的实时通话语音序列。
步骤302,将所述数据集按照预设比例划分为训练集和验证集;
步骤303,将所述训练集输入结构为encoder-decoder框架的语音识别基础模型;
步骤304,基于所述语音识别基础模型中encoder编码层,对所述训练集进行特征序列编码处理,获取所述训练集对应的特征向量;
本实施例中,在执行所述基于所述语音识别基础模型中encoder编码层,对所述训练集进行特征序列编码处理,获取所述训练集对应的特征向量的步骤过程中,所述方法还包括:联合使用CTC loss函数和Attention loss函数,进行语音识别基础模型训练时的收敛处理。
本实施例中,所述CTC全称为Connectionist Temporal Classification,用于解决使用人工智能训练过程中,神经网络标注信息与输出序列不对齐的问题,例如语音识别检测过程中,频域特征序列与文字标注信息不对齐打的问题。
通过联合使用CTC loss函数和Attention loss函数,进行语音识别基础模型训练时的收敛处理,保证了模型训练时更快的收敛速度,节省语音识别模型训练成功的时间。
步骤305,根据所述语音识别基础模型中decoder解码层,对所述训练集对应的特征向量进行解码处理,获得经初训练的语音识别基础模型;
本实施例中,在执行所述根据所述语音识别基础模型中decoder解码层,对所述训练集对应的特征向量进行解码处理,获得经初训练的语音识别基础模型的步骤过程中,所述方法还包括:使用CTC beam search和Attention解码机制的输出得分,加权求和,根据得分排序,确定出语音识别基础模型的最终识别结果。
通过使用CTC beam search和Attention解码机制,采用输出得分,加权求和,根据得分排序,确定出语音识别基础模型的最终识别结果,保证了获得更加准确的模型输出结果。
步骤306,将所述验证集输入到初训练完成的语音识别基础模型,进行验证处理和调优处理;
步骤307,获取验证处理结果和调优处理结果,直到所述验证处理结果和调优处理结果都满足预设的相关条件,获得预训练成功的语音识别模型。
通过验证训练和验证调优的方式,获得预训练成功的语音识别模型。保证了语音识别模型的输出准确性。
继续参考图4,图4是图2所示步骤202的一个具体实施例的流程图,包括:
步骤401,获取所述实时通话内容,并输入至所述语音识别模型中;
在执行所述获取所述实时通话内容,并输入至所述语音识别模型中的步骤之后,所述方法还包括:对实时通话内容进行预处理。
继续参考图5,示出了根据本申请的对实时通话内容进行预处理的一个实施例的流程图。所述对实时通话内容进行预处理的步骤,包括:
步骤501,对所述实时通话内容进行音频格式检验;
步骤502,判断所述实时通话内容的音频格式是否符合预设的输入格式;
步骤503,若所述实时通话内容的音频格式不符合预设的输入格式,则将所述实时通话内容的音频格式转化为预设的输入格式;
步骤504,若所述实时通话内容的音频格式符合预设的输入格式,则通过预设的音频特征抽取工具获取所述实时通话内容的频域特征序列;
本实施例中,所述实时通话内容预设的输入格式为MFCC格式或者是fbank格式的频域特征序列。
步骤505,对所述频域特征序列进行降噪采样处理,获得符合encoder编码层要求的频域特征序列。
通过在输入之前对实时通话语音,进行输入格式和降噪采样处理,避免实时通话内容受外界因素干扰而无法识别,保证了输入的实时通话内容的有效性。
步骤402,基于所述语音识别模型中encoder编码层,对所述实时通话内容进行特征序列编码处理,获取所述实时通话内容对应的特征向量;
步骤403,根据所述语音识别模型中decoder解码层,对所述实时通话内容对应的特征向量进行解码处理,获得所述实时通话内容对应的实时文本内容。
本实施例中,语音识别基础模型结构为encoder-decoder框架,其中encoder为标准多层conformer结构,decoder为CTC decoder和Attention decoder组合结构,其中CTCdecoder为单层线性层结构;Attention decoder为标准多层transformer结构。训练时,联合采用CTC loss函数和Attention loss函数加速训练收敛;解码时,使用CTC beam search(CTC集束搜索)和Attention解码器的输出得分,加权求和,根据得分排序,确定最终识别结果。
步骤203,基于UIE信息抽取框架下的信息抽取模型,对所述实时文本内容进行信息分析和抽取,获取所述实时通话内容中的通话关键词信息。
本实施例中,在执行所述基于UIE信息抽取框架下的信息抽取模型,对所述实时文本内容进行信息分析和抽取,获取所述实时通话内容中提及到的险种信息和关键词信息的步骤之前,所述方法还包括:获取预先自定义的信息抽取主题,其中,所述自定义的信息抽取主题包括险种信息主题和险种变化主题;将所述自定义的信息抽取主题配置入所述信息抽取模型。
UIE模型抽取实体需要提前定义主题。主要包括:NER(命名实体抽取)、RE(关系抽取)、EE(事件抽取)等。可以根据需求自定义,举例如下:命名实体主题={"险种":["名称","保费","保额"]},这里为了结合保险投保业务场景,将命名实体主题具体化为险种信息主题,将关系抽取主题和事件抽取主题具体化为险种变化主题。
通过定义UIE模型抽取主题,保证了UIE信息抽取模型只从实时文本内容中抽取到目标文本,避免抽取大量无关文本,降低了数据量缓存问题。
本实施例中,所述基于UIE信息抽取框架下的信息抽取模型,对所述实时文本内容进行信息分析和抽取,获取所述实时通话内容中的通话关键词信息的步骤,具体包括:根据所述险种信息主题对所述实时文本内容进行信息分析和抽取,识别所述险种信息主题中的目标字段信息,其中,所述险种信息主题中的目标字段信息包括险种名称、投保购买额和投保理赔额;根据所述险种变化主题对所述实时文本内容进行信息分析和抽取,识别所述险种变化主题中的目标字段信息,其中,所述险种变化主题中的目标字段信息用于反映险种信息变化的意图导向字段;获得所述险种信息主题中的目标字段信息和所述险种变化主题中的目标字段信息作为通话关键词信息。
本实施例中,所述意图导向字段包括四类意图导向字段,分别为只保留险种的意图导向字段、增加险种的意图导向字段、删除险种的意图导向字段和调整险种相关金额的意图导向字段,其中,只保留险种的意图导向字段包括:只要、只报、只留、只投、只买等,增加险种的意图导向字段包括:添、加、补、增加、填上、投保等,删除险种的意图导向字段包括:删除、去掉、取消、除去、减、不要等,调整险种相关金额的意图导向字段包括:调整、改成、调到、变成、修改、改为等。
步骤204,根据所述通话关键词信息,判断原始投保信息是否存在变更。
本实施例中,所述根据所述通话关键词信息,判断原始投保信息是否存在变更的步骤,具体包括:若通过所述通话关键词信息,识别到原始投保信息中存在险种名称变更,则获取险种名称变更之后所涉及的最新险种名称及所述最新险种对应的投保购买额和投保理赔额;若通过所述通话关键词信息,识别到原始投保信息中存在险种相关金额变更,则根据所述险种变化主题中的目标字段信息对险种相关金额进行调整。
例如,若识别到“调整险种相关金额”的意图后,需要根据抽取到的险种信息,对客户投保表单中相应险种的金额进行调整,比如,客户投保表单中“三者险保额”记录为“50万”,通话过程中检查到文本“请给我三者险再追加150万保额”,“三者险保额”信息变更为“200万”,并高亮变更,提示客服,表单内容发送改变。
步骤205,根据判断结果,更新原始投保信息,生成最新投保表单。
本实施例中,所述根据判断结果,更新原始投保信息,生成最新投保表单的步骤,具体包括:若所述原始投保信息中险种名称或险种相关金额至少任一项出现变更,则根据变更结果更新原始投保信息,并基于当前时间生成最新投保表单;若所述原始投保信息中险种名称和险种相关金额都未出现变更,则不更新原始投保信息,仅基于当前时间生成最新投保表单。
本申请通过获取保险电销场景下的实时通话内容;通过端到端的语音识别技术,将所述实时通话内容转化为实时文本内容;基于UIE信息抽取框架下的信息抽取模型,对所述实时文本内容进行信息分析和抽取,获取所述实时通话内容中的通话关键词信息;根据所述通话关键词信息,判断原始投保信息是否存在变更;根据判断结果,更新原始投保信息,生成最新投保表单。采取从坐席端采集信息,通过UIE信息抽取模型,即可大幅提高信息采集准确性,从而在保险投保信息变更处理上,更加智能化,减少坐席服务精力,保证客户的良好体验。
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。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例中,通过采取从坐席端采集信息,通过UIE信息抽取模型,即可大幅提高信息采集准确性,从而在保险投保信息变更处理上,更加智能化,减少坐席服务精力,保证客户的良好体验。
进一步参考图6,作为对上述图2所示方法的实现,本申请提供了投保信息实时调整装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例所述的投保信息实时调整装置600包括:通话内容获取模块601、文本转化模块602、关键词抽取模块603、信息变更判断模块604和保单更新模块605。其中:
通话内容获取模块601,用于获取保险电销场景下的实时通话内容;
文本转化模块602,用于通过端到端的语音识别技术,将所述实时通话内容转化为实时文本内容;
关键词抽取模块603,用于基于UIE信息抽取框架下的信息抽取模型,对所述实时文本内容进行信息分析和抽取,获取所述实时通话内容中的通话关键词信息;
信息变更判断模块604,用于根据所述通话关键词信息,判断原始投保信息是否存在变更;
保单更新模块605,用于根据判断结果,更新原始投保信息,生成最新投保表单。
在本申请的一些具体实施例中,所述的投保信息实时调整装置600还包括语音识别模型训练模块,继续参考图7,所述语音识别模型训练模块包括数据集获取单元701、正反数据划分单元702、初训练输入单元703、编码单元704、解码单元705、验证调优单元706和条件对比单元707,其中:
数据集获取单元701,用于获取已标注的数据集,其中,所述已标注指已知语音与文本一一对应关系;
正反数据划分单元702,用于将所述数据集按照预设比例划分为训练集和验证集;
初训练输入单元703,用于将所述训练集输入结构为encoder-decoder框架的语音识别基础模型;
编码单元704,用于基于所述语音识别基础模型中encoder编码层,对所述训练集进行特征序列编码处理,获取所述训练集对应的特征向量;
解码单元705,用于根据所述语音识别基础模型中decoder解码层,对所述训练集对应的特征向量进行解码处理,获得经初训练的语音识别基础模型;
验证调优单元706,用于将所述验证集输入到初训练完成的语音识别基础模型,进行验证处理和调优处理;
条件对比单元707,用于获取验证处理结果和调优处理结果,直到所述验证处理结果和调优处理结果都满足预设的相关条件,获得预训练成功的语音识别模型。
在本申请的一些具体实施例中,所述的投保信息实时调整装置600还包括实时通话内容预处理模块,继续参考图8,所述实时通话内容预处理模块包括音频格式检验单元801、判断单元802、第一处理单元803、第二处理单元804和第三处理单元805,其中:
音频格式检验单元801,用于对所述实时通话内容进行音频格式检验;
判断单元802,用于判断所述实时通话内容的音频格式是否符合预设的输入格式;
第一处理单元803,用于若所述实时通话内容的音频格式不符合预设的输入格式,则将所述实时通话内容的音频格式转化为预设的输入格式;
第二处理单元804,用于若所述实时通话内容的音频格式符合预设的输入格式,则通过预设的音频特征抽取工具获取所述实时通话内容的频域特征序列;
第三处理单元805,用于对所述频域特征序列进行降噪采样处理,获得符合encoder编码层要求的频域特征序列。
本申请通过获取保险电销场景下的实时通话内容;通过端到端的语音识别技术,将所述实时通话内容转化为实时文本内容;基于UIE信息抽取框架下的信息抽取模型,对所述实时文本内容进行信息分析和抽取,获取所述实时通话内容中的通话关键词信息;根据所述通话关键词信息,判断原始投保信息是否存在变更;根据判断结果,更新原始投保信息,生成最新投保表单。采取从坐席端采集信息,通过UIE信息抽取模型,即可大幅提高信息采集准确性,从而在保险投保信息变更处理上,更加智能化,减少坐席服务精力,保证客户的良好体验。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个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,附图的流程图中的至少一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地执行。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图9,图9为本实施例计算机设备基本结构框图。
所述计算机设备9包括通过系统总线相互通信连接存储器9a、处理器9b、网络接口9c。需要指出的是,图中仅示出了具有组件9a-9c的计算机设备9,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field -Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器9a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、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器9a可以是所述计算机设备9的内部存储单元,例如该计算机设备9的硬盘或内存。在另一些实施例中,所述存储器9a也可以是所述计算机设备9的外部存储设备,例如该计算机设备9上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器9a还可以既包括所述计算机设备9的内部存储单元也包括其外部存储设备。本实施例中,所述存储器9a通常用于存储安装于所述计算机设备9的操作系统和各类应用软件,例如一种投保信息实时调整方法的计算机可读指令等。此外,所述存储器9a还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器9b在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器9b通常用于控制所述计算机设备9的总体操作。本实施例中,所述处理器9b用于运行所述存储器9a中存储的计算机可读指令或者处理数据,例如运行所述投保信息实时调整方法的计算机可读指令。
所述网络接口9c可包括无线网络接口或有线网络接口,该网络接口9c通常用于在所述计算机设备9与其他电子设备之间建立通信连接。
本实施例提出的计算机设备,属于投保数据分析技术领域。本申请通过获取保险电销场景下的实时通话内容;通过端到端的语音识别技术,将所述实时通话内容转化为实时文本内容;基于UIE信息抽取框架下的信息抽取模型,对所述实时文本内容进行信息分析和抽取,获取所述实时通话内容中的通话关键词信息;根据所述通话关键词信息,判断原始投保信息是否存在变更;根据判断结果,更新原始投保信息,生成最新投保表单。采取从坐席端采集信息,通过UIE信息抽取模型,即可大幅提高信息采集准确性,从而在保险投保信息变更处理上,更加智能化,减少坐席服务精力,保证客户的良好体验。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被处理器执行,以使所述处理器执行如上述的投保信息实时调整方法的步骤。
本实施例提出的计算机可读存储介质,属于投保数据分析技术领域。本申请通过获取保险电销场景下的实时通话内容;通过端到端的语音识别技术,将所述实时通话内容转化为实时文本内容;基于UIE信息抽取框架下的信息抽取模型,对所述实时文本内容进行信息分析和抽取,获取所述实时通话内容中的通话关键词信息;根据所述通话关键词信息,判断原始投保信息是否存在变更;根据判断结果,更新原始投保信息,生成最新投保表单。采取从坐席端采集信息,通过UIE信息抽取模型,即可大幅提高信息采集准确性,从而在保险投保信息变更处理上,更加智能化,减少坐席服务精力,保证客户的良好体验。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种投保信息实时调整方法,其特征在于,包括下述步骤:
获取保险电销场景下的实时通话内容;
通过端到端的语音识别技术,将所述实时通话内容转化为实时文本内容;
基于UIE信息抽取框架下的信息抽取模型,对所述实时文本内容进行信息分析和抽取,获取所述实时通话内容中的通话关键词信息;
根据所述通话关键词信息,判断原始投保信息是否存在变更;
根据判断结果,更新原始投保信息,生成最新投保表单。
2.根据权利要求1所述的投保信息实时调整方法,其特征在于,在执行所述通过端到端的语音识别技术,将所述实时通话内容转化为实时文本内容的步骤之前,所述方法还包括:
获取已标注的数据集,其中,所述已标注指已知语音与文本一一对应关系;
将所述数据集按照预设比例划分为训练集和验证集;
将所述训练集输入结构为encoder-decoder框架的语音识别基础模型;
基于所述语音识别基础模型中encoder编码层,对所述训练集进行特征序列编码处理,获取所述训练集对应的特征向量;
根据所述语音识别基础模型中decoder解码层,对所述训练集对应的特征向量进行解码处理,获得经初训练的语音识别基础模型;
将所述验证集输入到初训练完成的语音识别基础模型,进行验证处理和调优处理;
获取验证处理结果和调优处理结果,直到所述验证处理结果和调优处理结果都满足预设的相关条件,获得预训练成功的语音识别模型;
所述通过端到端的语音识别技术,将所述实时通话内容转化为实时文本内容的步骤,具体包括:
获取所述实时通话内容,并输入至所述语音识别模型中;
基于所述语音识别模型中encoder编码层,对所述实时通话内容进行特征序列编码处理,获取所述实时通话内容对应的特征向量;
根据所述语音识别模型中decoder解码层,对所述实时通话内容对应的特征向量进行解码处理,获得所述实时通话内容对应的实时文本内容。
3.根据权利要求2所述的投保信息实时调整方法,其特征在于,在执行所述基于所述语音识别基础模型中encoder编码层,对所述训练集进行特征序列编码处理,获取所述训练集对应的特征向量的步骤过程中,所述方法还包括:
联合使用CTC loss函数和Attention loss函数,进行语音识别基础模型训练时的收敛处理;
在执行所述根据所述语音识别基础模型中decoder解码层,对所述训练集对应的特征向量进行解码处理,获得经初训练的语音识别基础模型的步骤过程中,所述方法还包括:
使用CTC beam search和Attention解码机制的输出得分,加权求和,根据得分排序,确定出语音识别基础模型的最终识别结果。
4.根据权利要求2所述的投保信息实时调整方法,其特征在于,在执行所述获取所述实时通话内容,并输入至所述语音识别模型中的步骤之后,所述方法还包括:
对所述实时通话内容进行音频格式检验;
判断所述实时通话内容的音频格式是否符合预设的输入格式;
若不符合预设的输入格式,则将所述实时通话内容的音频格式转化为预设的输入格式;
若符合预设的输入格式,则通过预设的音频特征抽取工具获取所述实时通话内容的频域特征序列;
对所述频域特征序列进行降噪采样处理,获得符合encoder编码层要求的频域特征序列。
5.根据权利要求1至4任一项所述的投保信息实时调整方法,其特征在于,在执行所述基于UIE信息抽取框架下的信息抽取模型,对所述实时文本内容进行信息分析和抽取,获取所述实时通话内容中提及到的险种信息和关键词信息的步骤之前,所述方法还包括:
获取预先自定义的信息抽取主题,其中,所述自定义的信息抽取主题包括险种信息主题和险种变化主题;
将所述自定义的信息抽取主题配置入所述信息抽取模型;
所述基于UIE信息抽取框架下的信息抽取模型,对所述实时文本内容进行信息分析和抽取,获取所述实时通话内容中的通话关键词信息的步骤,具体包括:
根据所述险种信息主题对所述实时文本内容进行信息分析和抽取,识别所述险种信息主题中的目标字段信息,其中,所述险种信息主题中的目标字段信息包括险种名称、投保购买额和投保理赔额;
根据所述险种变化主题对所述实时文本内容进行信息分析和抽取,识别所述险种变化主题中的目标字段信息,其中,所述险种变化主题中的目标字段信息用于反映险种信息变化的意图导向字段;
获得所述险种信息主题中的目标字段信息和所述险种变化主题中的目标字段信息作为通话关键词信息。
6.根据权利要求5所述的投保信息实时调整方法,其特征在于,所述根据所述通话关键词信息,判断原始投保信息是否存在变更的步骤,具体包括:
若通过所述通话关键词信息,识别到原始投保信息中存在险种名称变更,则获取险种名称变更之后所涉及的最新险种名称及所述最新险种对应的投保购买额和投保理赔额;
若通过所述通话关键词信息,识别到原始投保信息中存在险种相关金额变更,则根据所述险种变化主题中的目标字段信息对险种相关金额进行调整。
7.根据权利要求6所述的投保信息实时调整方法,其特征在于,所述根据判断结果,更新原始投保信息,生成最新投保表单的步骤,具体包括:
若所述原始投保信息中险种名称或险种相关金额至少任一项出现变更,则根据变更结果更新原始投保信息,并基于当前时间生成最新投保表单;
若所述原始投保信息中险种名称和险种相关金额都未出现变更,则不更新原始投保信息,仅基于当前时间生成最新投保表单。
8.一种投保信息实时调整装置,其特征在于,包括:
通话内容获取模块,用于获取保险电销场景下的实时通话内容;
文本转化模块,用于通过端到端的语音识别技术,将所述实时通话内容转化为实时文本内容;
关键词抽取模块,用于基于UIE信息抽取框架下的信息抽取模型,对所述实时文本内容进行信息分析和抽取,获取所述实时通话内容中的通话关键词信息;
信息变更判断模块,用于根据所述通话关键词信息,判断原始投保信息是否存在变更;
保单更新模块,用于根据判断结果,更新原始投保信息,生成最新投保表单。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的投保信息实时调整方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的投保信息实时调整方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310498126.5A CN116596680A (zh) | 2023-05-05 | 2023-05-05 | 一种投保信息实时调整方法、装置、设备及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310498126.5A CN116596680A (zh) | 2023-05-05 | 2023-05-05 | 一种投保信息实时调整方法、装置、设备及其存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116596680A true CN116596680A (zh) | 2023-08-15 |
Family
ID=87598430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310498126.5A Pending CN116596680A (zh) | 2023-05-05 | 2023-05-05 | 一种投保信息实时调整方法、装置、设备及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596680A (zh) |
-
2023
- 2023-05-05 CN CN202310498126.5A patent/CN116596680A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11164573B2 (en) | Method and apparatus for controlling page | |
CN109514586B (zh) | 实现智能客服机器人的方法及系统 | |
CN111428010B (zh) | 人机智能问答的方法和装置 | |
US10810993B2 (en) | Sample-efficient adaptive text-to-speech | |
CN111694937A (zh) | 基于人工智能的面试方法、装置、计算机设备及存储介质 | |
CN112632244A (zh) | 一种人机通话的优化方法、装置、计算机设备及存储介质 | |
CN112182157B (zh) | 在线序列标注模型的训练方法、在线标注方法及相关设备 | |
CN117275466A (zh) | 一种业务意图识别方法、装置、设备及其存储介质 | |
US10706086B1 (en) | Collaborative-filtering based user simulation for dialog systems | |
CN113420869B (zh) | 基于全方向注意力的翻译方法及其相关设备 | |
CN112071331B (zh) | 语音文件修复方法、装置、计算机设备及存储介质 | |
CN116596680A (zh) | 一种投保信息实时调整方法、装置、设备及其存储介质 | |
CN114218356A (zh) | 基于人工智能的语义识别方法、装置、设备及存储介质 | |
CN112131378A (zh) | 用于识别民生问题类别的方法、装置及电子设备 | |
CN115022395B (zh) | 业务视频推送方法、装置、电子设备及存储介质 | |
CN116684529A (zh) | 外呼处理方法、装置、计算机设备及存储介质 | |
CN116403571A (zh) | 语音识别模型处理方法、装置、计算机设备及存储介质 | |
CN116628137A (zh) | 基于人工智能的数据分析方法、装置、设备及存储介质 | |
CN117251631A (zh) | 基于人工智能的信息推荐方法、装置、设备及存储介质 | |
CN117034230A (zh) | 一种数据校验方法、装置、设备及其存储介质 | |
CN116824600A (zh) | 一种公司印章识别方法及其相关设备 | |
CN117793251A (zh) | 客服通话质检方法、装置、计算机设备及存储介质 | |
CN116821298A (zh) | 一种应用于投保信息的关键词自动识别方法、及相关设备 | |
CN117290503A (zh) | 一种服务质量评价方法、装置、设备及其存储介质 | |
CN117034875A (zh) | 一种文本数据生成方法、装置、设备及其存储介质 |
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 |