CN117669538A - 投诉单据的识别方法、装置、存储介质及电子设备 - Google Patents
投诉单据的识别方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117669538A CN117669538A CN202311569261.0A CN202311569261A CN117669538A CN 117669538 A CN117669538 A CN 117669538A CN 202311569261 A CN202311569261 A CN 202311569261A CN 117669538 A CN117669538 A CN 117669538A
- Authority
- CN
- China
- Prior art keywords
- user
- complaint
- target
- document
- bill
- 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 69
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 115
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 26
- 239000003999 initiator Substances 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 19
- 238000004140 cleaning Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种投诉单据的识别方法、装置、存储介质及电子设备,涉及人工智能领域、金融科技领域及相关技术领域,其中,该方法包括:获取业务单据对应的目标单据,判断第一用户与第二用户是否相同,在第一用户与第二用户不同的情况下,确定目标单据为代理投诉单据,在第一用户与第二用户相同的情况下,将目标单据对应的投诉文本转换为文本向量,并将文本向量输入至目标模型,其中,目标模型为对L个投诉单据进行训练得到的神经网络模型,通过目标模型预先训练的先验知识确定文本向量对应的目标标签,并将目标标签作为目标单据对应的识别结果。本申请解决了对投诉单据的真实性进行识别的效率低的技术问题。
Description
技术领域
本申请涉及人工智能领域、金融科技领域及相关技术领域,具体而言,涉及一种投诉单据的识别方法、装置、存储介质及电子设备。
背景技术
随着金融科技领域技术的发展,金融机构为满足用户需求所开拓的业务种类越来越多,而金融机构所接收到的投诉单据的数量也随着用户数量的增长而增加,其中,由于金融机构收到的投诉中存在代理机构为解决用户的征信问题而进行恶意投诉的情况,从而增大了金融机构对投诉单据的真实性进行识别的难度。现有技术中,通常依据专家规则判断金融机构收到的投诉单据是否为代理投诉单据,在需要对多个投诉单据进行识别的情况下,依据单一的专家规则对每个投诉单据进行识别会导致识别时间长、识别效率低的问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请提供了一种投诉单据的识别方法、装置、存储介质及电子设备,以至少解决对投诉单据的真实性进行识别的效率低的技术问题。
根据本申请的一个方面,提供了一种投诉单据的识别方法,包括:获取业务单据对应的目标单据,其中,目标单据用于记录第一用户针对业务单据的办理流程所发起的投诉信息,业务单据用于记录第二用户办理的金融业务的业务信息;判断第一用户与第二用户是否相同;在第一用户与第二用户不同的情况下,确定目标单据为代理投诉单据,其中,代理投诉单据的发起者为代理机构;在第一用户与第二用户相同的情况下,将目标单据对应的投诉文本转换为文本向量,并将文本向量输入至目标模型,其中,目标模型为对L个投诉单据进行训练得到的神经网络模型,L为大于1的整数;通过目标模型预先训练的先验知识确定文本向量对应的目标标签,并将目标标签作为目标单据对应的识别结果,其中,目标标签用于表征目标单据的发起者信息。
可选地,投诉单据的识别方法还包括:依据目标单据确定第一用户序号,其中,第一用户序号为第一用户的唯一标识;依据业务单据确定第二用户序号,其中,第二用户序号为第二用户的唯一标识;在第一用户序号与第二用户序号不同的情况下,确定第一用户与第二用户不同;在第一用户序号与第二用户序号相同的情况下,确定第一用户与第二用户相同。
可选地,投诉单据的识别方法还包括:确定L个投诉单据中的每个投诉单据的识别标签,其中,识别标签为第一标签或第二标签,第一标签用于表征投诉单据为代理投诉单据,第二标签用于表征投诉单据为非代理投诉单据;对L个投诉单据中的每个投诉单据对应的投诉文本进行预处理操作,得到每个投诉单据对应的第一投诉文本,其中,预处理操作用于统一每个投诉单据对应的投诉文本的文本格式;对每个投诉单据对应的第一投诉文本进行数据清洗操作,得到每个投诉单据对应的第二投诉文本,其中,数据清洗操作用于去除每个投诉单据对应的第一投诉文本中所包括的特殊字符和标点符号;依据每个投诉单据对应的第二投诉文本和识别标签生成目标模型。
可选地,投诉单据的识别方法还包括:对每个投诉单据对应的第二投诉文本进行分词操作,得到每个投诉单据对应的M个单词,其中,M为正整数;依据每个投诉单据对应的M个单词生成每个投诉单据对应的单据向量;依据每个投诉单据对应的单据向量生成训练集和测试集,其中,训练集包括P个单据向量,测试集包括Q个单据向量,P和Q均为正整数,并且L等于P与Q之和;基于训练集中的P个单据向量和训练集包括的每个单据向量对应的识别标签对神经网络模型进行训练,得到初始模型;基于测试集中的Q个单据向量和测试集包括的每个单据向量对应的识别标签对初始模型进行测试,并依据测试结果对初始模型进行更新;将最后一次更新后的初始模型作为目标模型。
可选地,投诉单据的识别方法还包括:获取第一预设规则,其中,第一预设规则用于依据投诉单据对应的第一用户的通讯号码和第二用户的通讯号码确定投诉单据对应的识别标签;依据第一预设规则确定L个投诉单据中的每个投诉单据的识别标签。
可选地,投诉单据的识别方法还包括:获取第二预设规则,其中,第二预设规则用于依据投诉单据对应的第一用户的声学特征和第二用户的声学特征确定投诉单据对应的识别标签;依据第二预设规则确定L个投诉单据中的每个投诉单据的识别标签。
可选地,投诉单据的识别方法还包括:获取投诉单据的第一用户号码和第二用户号码,其中,第一用户号码为第一用户在发起投诉单据时所使用的通讯号码,第二用户号码为第二用户在办理投诉单据涉及的金融业务时使用的通讯号码;在第一用户号码和第二用户号码相同的情况下,确定投诉单据对应的识别标签为第二标签;在第一用户号码和第二用户号码不相同的情况下,获取第一用户号码的归属地和第二用户号码的归属地;在第一用户号码的归属地和第二用户号码的归属地相同的情况下,确定投诉单据对应的识别标签为第二标签;在第一用户号码的归属地和第二用户号码的归属地不相同的情况下,确定投诉单据对应的识别标签为第一标签。
可选地,投诉单据的识别方法还包括:获取投诉单据对应的第一音频和第二音频,其中,第一音频用于记录第一用户针对金融业务进行投诉的通讯内容,第二音频用于记录第二用户办理金融业务的通讯内容;对第一音频进行特征提取,得到第一特征向量,其中,第一特征向量用于表征第一用户的声学特征;对第二音频进行特征提取,得到第二特征向量,其中,第二特征向量用于表征第二用户的声学特征;在第一特征向量和第二特征向量之间的相似度小于预设阈值的情况下,确定投诉单据的识别标签为第一标签;在第一特征向量和第二特征向量之间的相似度大于或等于预设阈值的情况下,确定投诉单据的识别标签为第二标签。
可选地,投诉单据的识别方法还包括:对目标单据对应的投诉文本进行预处理操作和数据清洗操作,得到目标单据对应的目标投诉文本;对目标投诉文本进行分词操作,得到目标单据对应的N个目标单词;依据N个目标单词生成目标单据对应的文本向量。
根据本申请的另一方面,还提供了一种投诉单据的识别装置,包括:获取单元,用于获取业务单据对应的目标单据,其中,目标单据用于记录第一用户针对业务单据的办理流程所发起的投诉信息,业务单据用于记录第二用户办理的金融业务的业务信息;判断单元,用于判断第一用户与第二用户是否相同;第一确定单元,用于在第一用户与第二用户不同的情况下,确定目标单据为代理投诉单据,其中,代理投诉单据的发起者为代理机构;转换单元,用于在第一用户与第二用户相同的情况下,将目标单据对应的投诉文本转换为文本向量,并将文本向量输入至目标模型,其中,目标模型为对L个投诉单据进行训练得到的神经网络模型,L为大于1的整数;第二确定单元,用于通过目标模型预先训练的先验知识确定文本向量对应的目标标签,并将目标标签作为目标单据对应的识别结果,其中,目标标签用于表征目标单据的发起者信息。
根据本申请的另一方面,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中存储有计算机程序,其中,在计算机程序运行时控制计算机可读存储介质所在设备执行上述任意一项的投诉单据的识别方法。
根据本申请的另一方面,还提供了一种电子设备,其中,电子设备包括一个或多个处理器和存储器,存储器用于存储一个或多个程序,其中,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现上述任意一项的投诉单据的识别方法。
在本申请中,首先获取业务单据对应的目标单据,其中,目标单据用于记录第一用户针对业务单据的办理流程所发起的投诉信息,业务单据用于记录第二用户办理的金融业务的业务信息,其次,判断第一用户与第二用户是否相同,然后,在第一用户与第二用户不同的情况下,确定目标单据为代理投诉单据,其中,代理投诉单据的发起者为代理机构,之后,在第一用户与第二用户相同的情况下,将目标单据对应的投诉文本转换为文本向量,并将文本向量输入至目标模型,其中,目标模型为对L个投诉单据进行训练得到的神经网络模型,L为大于1的整数,最后,通过目标模型预先训练的先验知识确定文本向量对应的目标标签,并将目标标签作为目标单据对应的识别结果,其中,目标标签用于表征目标单据的发起者信息。
由上述内容可知,本申请依据目标单据获取第一用户的用户信息,依据业务单据获取第二用户的用户信息,之后,依据第一用户的用户信息与第二用户的用户信息的比较结果执行不同的操作。在第一用户的用户信息和第二用户的用户信息不同的情况下,直接确定当前目标单据为代理投诉单据,提高了确定目标单据是否为代理投诉单据的效率;在第一用户的用户信息和第二用户的用户信息不同的情况下,通过目标模型对目标单据进行进一步分析,即利用目标模型预先训练的先验知识确定目标单据的发起者信息,实现了提高确定投诉单据是否为代理投诉单据的准确率和速率的目的,从而提高了后续对投诉单据中的投诉内容的真实性进行识别的效率,进而解决了现有技术中对投诉单据的真实性进行识别的效率低的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种可选的投诉单据的识别方法的流程图;
图2是根据本申请实施例的一种可选的目标模型的训练方法的流程图;
图3是根据本申请实施例的一种可选的投诉单据的识别装置的示意图;
图4是根据本申请实施例的一种可选的电子设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
还需要说明的是,本申请所涉及的相关信息(包括第一用户和第二用户的用户信息、目标单据对应的投诉信息、业务单据对应的业务信息以及用户的声学特征信息)和数据(包括但不限于用于展示的数据以及分析的数据),均为经用户授权或者经过各方充分授权的信息和数据。例如,本系统和相关用户或机构间设置有接口,在获取相关信息之前,需要通过接口向前述的用户或机构发送获取请求,并在接收到前述的用户或机构反馈的同意信息后,获取相关信息。
下面结合各实施例来进一步说明本申请。
实施例1
根据本申请实施例,提供了一种投诉单据的识别方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请提供了一种投诉单据的识别系统(简称识别系统)用于执行本申请中的投诉单据的识别方法,图1是根据本申请实施例的一种可选的投诉单据的识别方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,获取业务单据对应的目标单据。
在步骤S101中,目标单据用于记录第一用户针对业务单据的办理流程所发起的投诉信息,业务单据用于记录第二用户办理的金融业务的业务信息。
可选地,识别系统在获取用户的许可之后,获取第一用户的用户信息和第二用户的用户信息。
可选地,识别系统首先确定要识别的目标单据,然后,确定目标单据中包括的业务序列号,其中,业务序列号为业务单据的唯一标识,识别系统依据业务序列号查找得到对应的业务单据。
步骤S102,判断第一用户与第二用户是否相同。
可选地,识别系统对第一用户的用户信息进行特征提取,得到第一用户向量,对第二用户的用户信息进行特征提取,得到第二用户向量,其中,用户信息至少包括用户的用户序号,用户序号包括第一用户序号和第二用户序号,之后,依据第一用户向量和第二用户向量之间的相似度确定第一用户与第二用户是否相同,在第一用户向量与第二用户向量之间的相似度大于预设阈值的情况下,确定第一用户和第二用户相同,在第一用户向量和第二用户向量之间的相似度小于或等于预设阈值的情况下,确定第一用户和第二用户不同。
步骤S103,在第一用户与第二用户不同的情况下,确定目标单据为代理投诉单据。
在步骤S103中,代理投诉单据的发起者为代理机构。
可选地,第一用户与第二用户不同,即代表对金融业务进行投诉的用户和实际办理金融业务的用户不是同一个用户,所以,识别系统在第一用户和第二用户不同的情况下,直接确定目标单据为代理投诉单据,从而提高了确定投诉单据是否为代理投诉单据的速率。
步骤S104,在第一用户与第二用户相同的情况下,将目标单据对应的投诉文本转换为文本向量,并将文本向量输入至目标模型。
可选地,识别系统在S102步骤中初步依据第一用户的用户信息与第二用户的用户信息确定第一用户和第二用户是否为同一个用户,由于存在代理机构冒用真实用户的用户信息进行投诉的情况,所以在第一用户的用户信息与第二用户的用户信息相同的情况下,识别系统对目标单据进一步地分析,从而提高了判断投诉单据是否为代理投诉单据的准确率。
在步骤S104中,目标模型为对L个投诉单据进行训练得到的神经网络模型,L为大于1的整数。
步骤S105,通过目标模型预先训练的先验知识确定文本向量对应的目标标签,并将目标标签作为目标单据对应的识别结果。
在步骤S105中,目标标签用于表征目标单据的发起者信息。
可选地,目标单据对应的识别结果为第一识别结果或第二识别结果,其中,第一识别结果用于表征目标单据的发起者为代理机构,第二识别结果用于表征目标单据的发起者为非代理机构。
由上述内容可知,本申请依据目标单据获取第一用户的用户信息,依据业务单据获取第二用户的用户信息,之后,依据第一用户的用户信息与第二用户的用户信息的比较结果执行不同的操作。在第一用户的用户信息和第二用户的用户信息不同的情况下,直接确定当前目标单据为代理投诉单据,提高了确定目标单据是否为代理投诉单据的效率;在第一用户的用户信息和第二用户的用户信息不同的情况下,通过目标模型对目标单据进行进一步分析,即利用目标模型预先训练的先验知识确定目标单据的发起者信息,实现了提高确定投诉单据是否为代理投诉单据的准确率和速率的目的,从而提高了后续对投诉单据中的投诉内容的真实性进行识别的效率,进而解决了现有技术中对投诉单据的真实性进行识别的效率低的技术问题。
在一种可选的实施例中,识别系统首先依据目标单据确定第一用户序号,其中,第一用户序号为第一用户的唯一标识,其次,依据业务单据确定第二用户序号,其中,第二用户序号为第二用户的唯一标识,之后,在第一用户序号与第二用户序号不同的情况下,确定第一用户与第二用户不同,然后,在第一用户序号与第二用户序号相同的情况下,确定第一用户与第二用户相同。
可选地,识别系统依据用户的姓名和身份证号生成该用户对应的用户序号,其中用户包括第一用户和第二用户,用户序号包括第一用户序号和第二用户序号。
可选地,识别系统依据第一用户序号和第二用户序号确定目标差值,其中,目标差值为第一用户序号对应的值与第二用户序号对应的值之间的差值,在目标差值等于0的情况下,确定第一用户与第二用户相同,在目标差值不等于0的情况下,确定第一用户与第二用户不同。
在一种可选的实施例中,识别系统首先确定L个投诉单据中的每个投诉单据的识别标签,识别标签为第一标签或第二标签,第一标签用于表征投诉单据为代理投诉单据,第二标签用于表征投诉单据为非代理投诉单据,其次,对L个投诉单据中的每个投诉单据对应的投诉文本进行预处理操作,得到每个投诉单据对应的第一投诉文本,预处理操作用于统一每个投诉单据对应的投诉文本的文本格式,之后,对每个投诉单据对应的第一投诉文本进行数据清洗操作,得到每个投诉单据对应的第二投诉文本,数据清洗操作用于去除每个投诉单据对应的第一投诉文本中所包括的特殊字符和标点符号,最后,依据每个投诉单据对应的第二投诉文本和识别标签生成目标模型。
可选地,识别系统可以依据第三预设规则和第四预设规则确定每个投诉单据的识别标签,其中,第三预设规则用于表征在投诉单据的第一用户和第二用户的姓名或身份证号不一致的情况下,确定该识别单据对应的识别标签为第一标签,在投诉单据的第一用户和第二用户的姓名和身份证号一致的情况下,确定该识别单据对应的识别标签为第二标签;第四预设规则用于在投诉单据的第一用户的通讯号码和第二用户的通讯号码不一致的情况下,判断第一用户的通讯号码和第二用户的通讯号码是否属于同一个用户所有,在第一用户的通讯号码和第二用户的通讯号码相同或第一用户的通讯号码和第二用户的通讯号码属于同一个用户所有的情况下,确定该投诉单据对应的识别标签为第二标签,在第一用户的通讯号码和第二用户的通讯号码不属于同一个用户所有的情况下,确定该投诉单据对应的识别标签为第一标签。
在一种可选的实施例中,图2是根据本申请实施例的一种可选的目标模型的训练方法的流程图,如图2所示,该方法包括如下步骤:
步骤S201,对每个投诉单据对应的第二投诉文本进行分词操作,得到每个投诉单据对应的M个单词,其中,M为正整数。
步骤S202,依据每个投诉单据对应的M个单词生成每个投诉单据对应的单据向量。
步骤S203,依据每个投诉单据对应的单据向量生成训练集和测试集。
在步骤S203中,训练集包括P个单据向量,测试集包括Q个单据向量,P和Q均为正整数,并且L等于P与Q之和。
步骤S204,基于训练集中的P个单据向量和训练集包括的每个单据向量对应的识别标签对神经网络模型进行训练,得到初始模型。
步骤S205,基于测试集中的Q个单据向量和测试集包括的每个单据向量对应的识别标签对初始模型进行测试,并依据测试结果对初始模型进行更新。
步骤S206,将最后一次更新后的初始模型作为目标模型。
可选地,上述神经网络模型的结构定义包括:卷积层、池化层、全连接层以及输出层,其中,卷积层有3个卷积核,3个卷积核中的第一个卷积核的大小为2*100,第二个卷积核的大小为3*100,第三个卷积核的大小为4*100,并且每个卷积核的滑动步长为1,池化层用于从P个单据向量中选取3个单据向量对应的特征作为池化后的输出,全连接层中输出向量的维度确定为9,输出层中的损失函数确定为交叉熵损失函数。
可选地,识别系统还可以依据第一预设规则和第二预设规则确定L个投诉单据中的每个投诉单据的识别标签。
可选地,识别系统首先获取第一预设规则,其中,第一预设规则用于依据投诉单据对应的第一用户的通讯号码和第二用户的通讯号码确定投诉单据对应的识别标签,其次,依据第一预设规则确定L个投诉单据中的每个投诉单据的识别标签。
可选地,识别系统首先获取第二预设规则,其中,第二预设规则用于依据投诉单据对应的第一用户的声学特征和第二用户的声学特征确定投诉单据对应的识别标签,之后,依据第二预设规则确定L个投诉单据中的每个投诉单据的识别标签。
在一种可选的实施例中,识别系统首先获取投诉单据的第一用户号码和第二用户号码,其中,第一用户号码为第一用户在发起投诉单据时所使用的通讯号码,第二用户号码为第二用户在办理投诉单据涉及的金融业务时使用的通讯号码,之后,在第一用户号码和第二用户号码相同的情况下,确定投诉单据对应的识别标签为第二标签,然后,在第一用户号码和第二用户号码不相同的情况下,获取第一用户号码的归属地和第二用户号码的归属地,另外,在第一用户号码的归属地和第二用户号码的归属地相同的情况下,确定投诉单据对应的识别标签为第二标签,最后,在第一用户号码的归属地和第二用户号码的归属地不相同的情况下,确定投诉单据对应的识别标签为第一标签。
可选地,上述第一用户号码和上述第二用户号码的获取均为经过用户许可获得的,识别系统在第一用户号码和第二用户号码不相同的情况下,依据第二用户对应的第二用户序号从识别系统的历史日志中查找得到第二用户对应的S个第二用户号码,其中,S为正整数,S个第二用户号码中的每个第二用户号码均为第二用户在办理投诉单据涉及的金融业务时所使用过的通讯号码。
在一种可选的实施例中,识别系统首先获取投诉单据对应的第一音频和第二音频,其中,第一音频用于记录第一用户针对金融业务进行投诉的通讯内容,第二音频用于记录第二用户办理金融业务的通讯内容,其次,对第一音频进行特征提取,得到第一特征向量,其中,第一特征向量用于表征第一用户的声学特征,然后,对第二音频进行特征提取,得到第二特征向量,其中,第二特征向量用于表征第二用户的声学特征,之后,在第一特征向量和第二特征向量之间的相似度小于预设阈值的情况下,确定投诉单据的识别标签为第一标签,最后,在第一特征向量和第二特征向量之间的相似度大于或等于预设阈值的情况下,确定投诉单据的识别标签为第二标签。
可选地,第一音频和第二音频的获取均为经过用户许可获得的,另外,上述声学特征至少包括用户声音的频率、振幅、音色以及波形,并且声学特征可以通过声谱图、波形图以及频谱图等方式进行描述。
在一种可选的实施例中,识别系统首先对目标单据对应的投诉文本进行预处理操作和数据清洗操作,得到目标单据对应的目标投诉文本,其次,对目标投诉文本进行分词操作,得到目标单据对应的N个目标单词,之后,依据N个目标单词生成目标单据对应的文本向量。
可选地,假定目标单据对应的目标投诉文本为“信用卡逾期时间,现在征信异常”,则对目标投诉文本进行分词操作后得到的6个目标单词为:“信用卡”、“逾期”、“时间”、“现在”、“征信”、“异常”,之后,其中,“信用卡”对应的词向量为(0.2,0.7,-0.5,0.1,0.8)、“逾期”对应的词向量为(0.4,0.9,-0.7,-0.1,0.5)、“时间”对应的词向量为(0.1,0.25,0.3,-0.6,0.7)、“现在”对应的词向量为(0.8,0.25,0.3,-0.6,0.7)、“征信”对应的词向量为(0.25,0.1,0.6,-0.1,0.9)、“异常”对应的词向量为(-0.2,0.15,0.65,0.4,0.2),识别系统可依据上述6个目标单词生成目标单据对应的文本向量(或者文本向量矩阵),然后将文本向量(或者文本向量矩阵)输入至目标模型进行识别。
在本申请中,首先获取业务单据对应的目标单据,其中,目标单据用于记录第一用户针对业务单据的办理流程所发起的投诉信息,业务单据用于记录第二用户办理的金融业务的业务信息,其次,判断第一用户与第二用户是否相同,然后,在第一用户与第二用户不同的情况下,确定目标单据为代理投诉单据,其中,代理投诉单据的发起者为代理机构,之后,在第一用户与第二用户相同的情况下,将目标单据对应的投诉文本转换为文本向量,并将文本向量输入至目标模型,其中,目标模型为对L个投诉单据进行训练得到的神经网络模型,L为大于1的整数,最后,通过目标模型预先训练的先验知识确定文本向量对应的目标标签,并将目标标签作为目标单据对应的识别结果,其中,目标标签用于表征目标单据的发起者信息。
由上述内容可知,本申请依据目标单据获取第一用户的用户信息,依据业务单据获取第二用户的用户信息,之后,依据第一用户的用户信息与第二用户的用户信息的比较结果执行不同的操作。在第一用户的用户信息和第二用户的用户信息不同的情况下,直接确定当前目标单据为代理投诉单据,提高了确定目标单据是否为代理投诉单据的效率;在第一用户的用户信息和第二用户的用户信息不同的情况下,通过目标模型对目标单据进行进一步分析,即利用目标模型预先训练的先验知识确定目标单据的发起者信息,实现了提高确定投诉单据是否为代理投诉单据的准确率和速率的目的,从而提高了后续对投诉单据中的投诉内容的真实性进行识别的效率,进而解决了现有技术中对投诉单据的真实性进行识别的效率低的技术问题。
实施例2
根据本申请实施例,提供了一种投诉单据的识别装置的实施例。图3是根据本申请实施例的一种可选的投诉单据的识别装置的示意图,如图3所示,投诉单据的识别装置包括:获取单元301、判断单元302、第一确定单元303、转换单元304以及第二确定单元305。
可选地,获取单元,用于获取业务单据对应的目标单据,其中,目标单据用于记录第一用户针对业务单据的办理流程所发起的投诉信息,业务单据用于记录第二用户办理的金融业务的业务信息;判断单元,用于判断第一用户与第二用户是否相同;第一确定单元,用于在第一用户与第二用户不同的情况下,确定目标单据为代理投诉单据,其中,代理投诉单据的发起者为代理机构;转换单元,用于在第一用户与第二用户相同的情况下,将目标单据对应的投诉文本转换为文本向量,并将文本向量输入至目标模型,其中,目标模型为对L个投诉单据进行训练得到的神经网络模型,L为大于1的整数;第二确定单元,用于通过目标模型预先训练的先验知识确定文本向量对应的目标标签,并将目标标签作为目标单据对应的识别结果,其中,目标标签用于表征目标单据的发起者信息。
在一种可选的实施例中,判断单元包括:第一确定子单元、第二确定子单元、第三确定子单元以及第四确定子单元。
可选地,第一确定子单元,用于依据目标单据确定第一用户序号,其中,第一用户序号为第一用户的唯一标识;第二确定子单元,用于依据业务单据确定第二用户序号,其中,第二用户序号为第二用户的唯一标识;第三确定子单元,用于在第一用户序号与第二用户序号不同的情况下,确定第一用户与第二用户不同;第四确定子单元,用于在第一用户序号与第二用户序号相同的情况下,确定第一用户与第二用户相同。
在一种可选的实施例中,投诉单据的识别装置还包括:第三确定单元、预处理单元、数据清洗单元、模型生成单元。
可选地,第三确定单元,用于确定L个投诉单据中的每个投诉单据的识别标签,其中,识别标签为第一标签或第二标签,第一标签用于表征投诉单据为代理投诉单据,第二标签用于表征投诉单据为非代理投诉单据;预处理单元,用于对L个投诉单据中的每个投诉单据对应的投诉文本进行预处理操作,得到每个投诉单据对应的第一投诉文本,其中,预处理操作用于统一每个投诉单据对应的投诉文本的文本格式;数据清洗单元,用于对每个投诉单据对应的第一投诉文本进行数据清洗操作,得到每个投诉单据对应的第二投诉文本,其中,数据清洗操作用于去除每个投诉单据对应的第一投诉文本中所包括的特殊字符和标点符号;模型生成单元,用于依据每个投诉单据对应的第二投诉文本和识别标签生成目标模型。
在一种可选的实施例中,模型生成单元包括:第一分词子单元、第一生成子单元、第二生成子单元、训练子单元、测试子单元、模型确定子单元。
可选地,第一分词子单元,用于对每个投诉单据对应的第二投诉文本进行分词操作,得到每个投诉单据对应的M个单词,其中,M为正整数;第一生成子单元,用于依据每个投诉单据对应的M个单词生成每个投诉单据对应的单据向量;第二生成子单元,用于依据每个投诉单据对应的单据向量生成训练集和测试集,其中,训练集包括P个单据向量,测试集包括Q个单据向量,P和Q均为正整数,并且L等于P与Q之和;训练子单元,用于基于训练集中的P个单据向量和训练集包括的每个单据向量对应的识别标签对神经网络模型进行训练,得到初始模型;测试子单元,用于基于测试集中的Q个单据向量和测试集包括的每个单据向量对应的识别标签对初始模型进行测试,并依据测试结果对初始模型进行更新;模型确定子单元,用于将最后一次更新后的初始模型作为目标模型。
在一种可选的实施例中,第三确定单元包括:第一获取子单元和第五确定子单元。
可选地,第一获取子单元,用于获取第一预设规则,其中,第一预设规则用于依据投诉单据对应的第一用户的通讯号码和第二用户的通讯号码确定投诉单据对应的识别标签;第五确定子单元,用于依据第一预设规则确定L个投诉单据中的每个投诉单据的识别标签。
在一种可选的实施例中,第三确定单元包括:第二获取子单元和第六确定子单元。
可选地,第二获取子单元,用于获取第二预设规则,其中,第二预设规则用于依据投诉单据对应的第一用户的声学特征和第二用户的声学特征确定投诉单据对应的识别标签;第六确定子单元,用于依据第二预设规则确定L个投诉单据中的每个投诉单据的识别标签。
在一种可选的实施例中,第五确定子单元包括:第一获取模块、第一确定模块、第二获取模块、第二确定模块以及第三确定模块。
可选地,第一获取模块,用于获取投诉单据的第一用户号码和第二用户号码,其中,第一用户号码为第一用户在发起投诉单据时所使用的通讯号码,第二用户号码为第二用户在办理投诉单据涉及的金融业务时使用的通讯号码;第一确定模块,用于在第一用户号码和第二用户号码相同的情况下,确定投诉单据对应的识别标签为第二标签;第二获取模块,用于在第一用户号码和第二用户号码不相同的情况下,获取第一用户号码的归属地和第二用户号码的归属地;第二确定模块,用于在第一用户号码的归属地和第二用户号码的归属地相同的情况下,确定投诉单据对应的识别标签为第二标签;第三确定模块,用于在第一用户号码的归属地和第二用户号码的归属地不相同的情况下,确定投诉单据对应的识别标签为第一标签。
在一种可选的实施例中,第六确定子单元包括:第三获取模块、第一提取模块、第二提取模块、第四确定模块以及第五确定模块。
可选地,第三获取模块,用于获取投诉单据对应的第一音频和第二音频,其中,第一音频用于记录第一用户针对金融业务进行投诉的通讯内容,第二音频用于记录第二用户办理金融业务的通讯内容;第一提取模块,用于对第一音频进行特征提取,得到第一特征向量,其中,第一特征向量用于表征第一用户的声学特征;第二提取模块,用于对第二音频进行特征提取,得到第二特征向量,其中,第二特征向量用于表征第二用户的声学特征;第四确定模块,用于在第一特征向量和第二特征向量之间的相似度小于预设阈值的情况下,确定投诉单据的识别标签为第一标签;第五确定模块,用于在第一特征向量和第二特征向量之间的相似度大于或等于预设阈值的情况下,确定投诉单据的识别标签为第二标签。
在一种可选的实施例中,转换单元包括:目标投诉文本确定子单元、第二分词子单元以及第三生成子单元。
可选地,目标投诉文本确定子单元,用于对目标单据对应的投诉文本进行预处理操作和数据清洗操作,得到目标单据对应的目标投诉文本;第二分词子单元,用于对目标投诉文本进行分词操作,得到目标单据对应的N个目标单词;第三生成子单元,用于依据N个目标单词生成目标单据对应的文本向量。
在本申请中,首先获取业务单据对应的目标单据,其中,目标单据用于记录第一用户针对业务单据的办理流程所发起的投诉信息,业务单据用于记录第二用户办理的金融业务的业务信息,其次,判断第一用户与第二用户是否相同,然后,在第一用户与第二用户不同的情况下,确定目标单据为代理投诉单据,其中,代理投诉单据的发起者为代理机构,之后,在第一用户与第二用户相同的情况下,将目标单据对应的投诉文本转换为文本向量,并将文本向量输入至目标模型,其中,目标模型为对L个投诉单据进行训练得到的神经网络模型,L为大于1的整数,最后,通过目标模型预先训练的先验知识确定文本向量对应的目标标签,并将目标标签作为目标单据对应的识别结果,其中,目标标签用于表征目标单据的发起者信息。
由上述内容可知,本申请依据目标单据获取第一用户的用户信息,依据业务单据获取第二用户的用户信息,之后,依据第一用户的用户信息与第二用户的用户信息的比较结果执行不同的操作。在第一用户的用户信息和第二用户的用户信息不同的情况下,直接确定当前目标单据为代理投诉单据,提高了确定目标单据是否为代理投诉单据的效率;在第一用户的用户信息和第二用户的用户信息不同的情况下,通过目标模型对目标单据进行进一步分析,即利用目标模型预先训练的先验知识确定目标单据的发起者信息,实现了提高确定投诉单据是否为代理投诉单据的准确率和速率的目的,从而提高了后续对投诉单据中的投诉内容的真实性进行识别的效率,进而解决了现有技术中对投诉单据的真实性进行识别的效率低的技术问题。
实施例3
根据本申请实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的计算机程序,其中,在计算机程序运行时控制计算机可读存储介质所在设备执行上述实施例1中任意一项的投诉单据的识别方法。
实施例4
根据本申请实施例的另一方面,还提供了一种电子设备,包括:处理器;以及存储器,用于存储处理器的可执行指令;其中,处理器配置为经由执行可执行指令来执行上述实施例1中任意一项的投诉单据的识别方法。
图4是根据本申请实施例的一种可选的电子设备的示意图,如图4所示,本申请实施例提供了一种电子设备,电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现上述实施例1中任意一项的投诉单据的识别方法。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
本申请是参照根据本申请实施例的方法、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。存储器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)。存储器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,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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,本申请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。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种投诉单据的识别方法,其特征在于,包括:
获取业务单据对应的目标单据,其中,所述目标单据用于记录第一用户针对业务单据的办理流程所发起的投诉信息,所述业务单据用于记录第二用户办理的金融业务的业务信息;
判断所述第一用户与所述第二用户是否相同;
在所述第一用户与所述第二用户不同的情况下,确定所述目标单据为代理投诉单据,其中,所述代理投诉单据的发起者为代理机构;
在所述第一用户与所述第二用户相同的情况下,将所述目标单据对应的投诉文本转换为文本向量,并将所述文本向量输入至目标模型,其中,所述目标模型为对L个投诉单据进行训练得到的神经网络模型,L为大于1的整数;
通过所述目标模型预先训练的先验知识确定所述文本向量对应的目标标签,并将所述目标标签作为所述目标单据对应的识别结果,其中,所述目标标签用于表征所述目标单据的发起者信息。
2.根据权利要求1所述的投诉单据的识别方法,其特征在于,判断所述第一用户与所述第二用户是否相同,包括:
依据所述目标单据确定第一用户序号,其中,所述第一用户序号为所述第一用户的唯一标识;
依据所述业务单据确定第二用户序号,其中,所述第二用户序号为所述第二用户的唯一标识;
在所述第一用户序号与所述第二用户序号不同的情况下,确定所述第一用户与所述第二用户不同;
在所述第一用户序号与所述第二用户序号相同的情况下,确定所述第一用户与所述第二用户相同。
3.根据权利要求1所述的投诉单据的识别方法,其特征在于,所述目标模型通过以下步骤训练得到:
确定L个所述投诉单据中的每个所述投诉单据的识别标签,其中,所述识别标签为第一标签或第二标签,所述第一标签用于表征所述投诉单据为所述代理投诉单据,所述第二标签用于表征所述投诉单据为非代理投诉单据;
对L个所述投诉单据中的每个所述投诉单据对应的投诉文本进行预处理操作,得到每个所述投诉单据对应的第一投诉文本,其中,所述预处理操作用于统一每个所述投诉单据对应的投诉文本的文本格式;
对每个所述投诉单据对应的第一投诉文本进行数据清洗操作,得到每个所述投诉单据对应的第二投诉文本,其中,所述数据清洗操作用于去除每个所述投诉单据对应的第一投诉文本中所包括的特殊字符和标点符号;
依据每个所述投诉单据对应的第二投诉文本和识别标签生成所述目标模型。
4.根据权利要求3所述的投诉单据的识别方法,其特征在于,依据每个所述投诉单据对应的第二投诉文本和识别标签生成所述目标模型,包括:
对每个所述投诉单据对应的第二投诉文本进行分词操作,得到每个所述投诉单据对应的M个单词,其中,M为正整数;
依据每个所述投诉单据对应的M个单词生成每个所述投诉单据对应的单据向量;
依据每个所述投诉单据对应的单据向量生成训练集和测试集,其中,所述训练集包括P个单据向量,所述测试集包括Q个单据向量,P和Q均为正整数,并且L等于P与Q之和;
基于所述训练集中的P个单据向量和所述训练集包括的每个单据向量对应的识别标签对神经网络模型进行训练,得到初始模型;
基于所述测试集中的Q个单据向量和所述测试集包括的每个单据向量对应的识别标签对初始模型进行测试,并依据测试结果对所述初始模型进行更新;
将最后一次更新后的初始模型作为所述目标模型。
5.根据权利要求3所述的投诉单据的识别方法,其特征在于,确定L个所述投诉单据中的每个所述投诉单据的识别标签,包括:
获取第一预设规则,其中,所述第一预设规则用于依据所述投诉单据对应的第一用户的通讯号码和第二用户的通讯号码确定所述投诉单据对应的识别标签;
依据所述第一预设规则确定L个所述投诉单据中的每个所述投诉单据的识别标签。
6.根据权利要求3所述的投诉单据的识别方法,其特征在于,确定L个所述投诉单据中的每个所述投诉单据的识别标签,包括:
获取第二预设规则,其中,所述第二预设规则用于依据所述投诉单据对应的第一用户的声学特征和第二用户的声学特征确定所述投诉单据对应的识别标签;
依据所述第二预设规则确定L个所述投诉单据中的每个所述投诉单据的识别标签。
7.根据权利要求5所述的投诉单据的识别方法,其特征在于,依据所述第一预设规则确定L个所述投诉单据中的每个所述投诉单据的识别标签,包括:
获取所述投诉单据的第一用户号码和第二用户号码,其中,所述第一用户号码为所述第一用户在发起所述投诉单据时所使用的通讯号码,所述第二用户号码为所述第二用户在办理所述投诉单据涉及的金融业务时使用的通讯号码;
在所述第一用户号码和所述第二用户号码相同的情况下,确定所述投诉单据对应的识别标签为第二标签;
在所述第一用户号码和所述第二用户号码不相同的情况下,获取所述第一用户号码的归属地和所述第二用户号码的归属地;
在所述第一用户号码的归属地和所述第二用户号码的归属地相同的情况下,确定所述投诉单据对应的识别标签为第二标签;
在所述第一用户号码的归属地和所述第二用户号码的归属地不相同的情况下,确定所述投诉单据对应的识别标签为第一标签。
8.根据权利要求6所述的投诉单据的识别方法,其特征在于,依据所述第二预设规则确定L个所述投诉单据中的每个所述投诉单据的识别标签,包括:
获取所述投诉单据对应的第一音频和第二音频,其中,所述第一音频用于记录所述第一用户针对金融业务进行投诉的通讯内容,所述第二音频用于记录所述第二用户办理所述金融业务的通讯内容;
对所述第一音频进行特征提取,得到第一特征向量,其中,所述第一特征向量用于表征所述第一用户的声学特征;
对所述第二音频进行特征提取,得到第二特征向量,其中,所述第二特征向量用于表征所述第二用户的声学特征;
在所述第一特征向量和所述第二特征向量之间的相似度小于预设阈值的情况下,确定所述投诉单据的识别标签为第一标签;
在所述第一特征向量和所述第二特征向量之间的相似度大于或等于所述预设阈值的情况下,确定所述投诉单据的识别标签为第二标签。
9.根据权利要求4所述的投诉单据的识别方法,其特征在于,将所述目标单据对应的投诉文本转换为文本向量,包括:
对所述目标单据对应的投诉文本进行所述预处理操作和所述数据清洗操作,得到所述目标单据对应的目标投诉文本;
对所述目标投诉文本进行所述分词操作,得到所述目标单据对应的N个目标单词;
依据N个所述目标单词生成所述目标单据对应的文本向量。
10.一种投诉单据的识别装置,其特征在于,包括:
获取单元,用于获取业务单据对应的目标单据,其中,所述目标单据用于记录第一用户针对业务单据的办理流程所发起的投诉信息,所述业务单据用于记录第二用户办理的金融业务的业务信息;
判断单元,用于判断所述第一用户与所述第二用户是否相同;
第一确定单元,用于在所述第一用户与所述第二用户不同的情况下,确定所述目标单据为代理投诉单据,其中,所述代理投诉单据的发起者为代理机构;
转换单元,用于在所述第一用户与所述第二用户相同的情况下,将所述目标单据对应的投诉文本转换为文本向量,并将所述文本向量输入至目标模型,其中,所述目标模型为对L个投诉单据进行训练得到的神经网络模型,L为大于1的整数;
第二确定单元,用于通过所述目标模型预先训练的先验知识确定所述文本向量对应的目标标签,并将所述目标标签作为所述目标单据对应的识别结果,其中,所述目标标签用于表征所述目标单据的发起者信息。
11.一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中存储有计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至9中任意一项所述的投诉单据的识别方法。
12.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述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,使得所述一个或多个处理器实现权利要求1至9中任意一项所述的投诉单据的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311569261.0A CN117669538A (zh) | 2023-11-22 | 2023-11-22 | 投诉单据的识别方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311569261.0A CN117669538A (zh) | 2023-11-22 | 2023-11-22 | 投诉单据的识别方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117669538A true CN117669538A (zh) | 2024-03-08 |
Family
ID=90081801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311569261.0A Pending CN117669538A (zh) | 2023-11-22 | 2023-11-22 | 投诉单据的识别方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117669538A (zh) |
-
2023
- 2023-11-22 CN CN202311569261.0A patent/CN117669538A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818023B (zh) | 在关联云业务场景下的大数据分析方法及云计算服务器 | |
CN110490721B (zh) | 财务凭证生成方法及相关产品 | |
EP2461273A2 (en) | Method and system for machine-learning based optimization and customization of document similarities calculation | |
CN109472722B (zh) | 获得待生成裁判文书经审理查明段相关信息的方法及装置 | |
CN114239591A (zh) | 敏感词识别方法及装置 | |
CN110046188A (zh) | 业务处理方法及其系统 | |
CN111159464A (zh) | 一种音频片段的检测方法及相关设备 | |
CN111259207A (zh) | 短信的识别方法、装置及设备 | |
CN112560428A (zh) | 一种文本处理方法、装置、电子设备及存储介质 | |
CN112669850A (zh) | 语音质量检测方法、装置、计算机设备及存储介质 | |
CN112257757A (zh) | 一种基于深度学习的恶意样本检测方法及系统 | |
CN109740130B (zh) | 用于生成文件的方法和装置 | |
CN117669538A (zh) | 投诉单据的识别方法、装置、存储介质及电子设备 | |
CN112434965A (zh) | 一种基于词频的专家标签产生方法、装置、终端 | |
CN113220187B (zh) | 一种微银行业务交互方法及相关设备 | |
CN118053169A (zh) | 票据的录入方法和装置、存储介质及电子设备 | |
CN110955760A (zh) | 判决结果的评价方法和相关装置 | |
CN114817004B (zh) | 测试用例生成方法、装置、设备及可读存储介质 | |
CN112015858B (zh) | 信息的检测方法、设备及存储介质 | |
CN118195787A (zh) | 资产管理方案的生成方法、装置、存储介质及电子设备 | |
CN117688155A (zh) | 业务问题的回复方法、装置、存储介质以及电子设备 | |
CN109543150B (zh) | 一种庭审笔录的处理方法和装置 | |
CN118115257A (zh) | 金融业务的处理方法和装置、存储介质及电子设备 | |
CN118138451A (zh) | 业务报文的处理方法、装置、存储介质以及电子设备 | |
CN116821689A (zh) | 文本分类的数据增强方法、装置、设备及介质 |
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 |