CN118229405A - 信用卡发卡风险检测方法及装置 - Google Patents

Abstract

本申请提供了一种信用卡发卡风险检测方法及装置，该方法包括：获取目标客户的基本信息以及该目标客户对应的信用卡发卡业务的欺诈风险标签；根据所述欺诈风险标签和所述基本信息，从预设的调查问题库中选取得到所述信用卡发卡业务对应的问题并确定该问题对应的答案；根据所述问题及答案，完成所述目标客户对应的语音交互过程，得到语音交互结果，所述语音交互结果包括：所述目标客户的答题准确率、答题时长以及语音交互文本；根据所述语音交互结果以及所述基本信息，确定所述信用卡发卡业务对应的风险检测结果。本申请能够提高信用卡发卡风险检测的自动化程度和准确性，进而能够保证信用卡发卡过程的可靠性。

Description

信用卡发卡风险检测方法及装置

技术领域

本申请涉及数据处理技术领域，尤其涉及一种信用卡发卡风险检测方法及装置。

背景技术

随着信用卡业务的发展，线上办理信用卡成为信用卡申请的主要渠道，在获得客量大幅提升的同时，信用卡发卡过程中，信用卡欺诈事件的发生也有攀升之势。信用卡发卡调查环节即信用卡发卡风险检测环节，作为信用卡风险防控工作的桥头堡，具有十分重要的作用和意义。

相较于风险特征的不断变化，目前信用卡发卡风险检测方式仍存在人工比例高以及规范化程度低等问题。

发明内容

针对现有技术中的至少一种问题，本申请提出了一种信用卡发卡风险检测方法及装置，能够提高信用卡发卡风险检测的自动化程度和准确性，进而能够保证信用卡发卡过程的可靠性。

为了解决上述技术问题，本申请提供以下技术方案：

第一方面，本申请提供一种信用卡发卡风险检测方法，包括：

获取目标客户的基本信息以及该目标客户对应的信用卡发卡业务的欺诈风险标签；

根据所述欺诈风险标签和所述基本信息，从预设的调查问题库中选取得到所述信用卡发卡业务对应的问题并确定该问题对应的答案；

根据所述问题及答案，完成所述目标客户对应的语音交互过程，得到语音交互结果，所述语音交互结果包括：所述目标客户的答题准确率、答题时长以及语音交互文本；

根据所述语音交互结果以及所述基本信息，确定所述信用卡发卡业务对应的风险检测结果。

在一个实施例中，所述根据所述问题及答案，完成所述目标客户对应的语音交互过程，得到语音交互结果，包括：

根据自然语言处理模型、所述问题及答案，完成所述目标客户对应的语音交互过程，得到所述目标客户的答题准确率和答题时长；

应用语音识别模型和文字转语音模型，得到所述语音交互过程对应的语音交互录音并将所述语音交互录音转化为语音交互文本。

在一个实施例中，所述根据所述语音交互结果以及所述基本信息，确定所述信用卡发卡业务对应的风险检测结果，包括：

根据所述语音交互结果与预设的客户意图识别模型，确定所述目标客户的客户意图类型，所述预设的客户意图识别模型是基于批量历史语音交互结果及其各自对应的实际客户意图类型预先对第一机器学习模型进行训练得到的；

若所述客户意图类型为正常意图类型，则根据预设的反欺诈识别模型、所述语音交互结果与所述基本信息，确定所述目标客户的反欺诈评分，所述预设的反欺诈识别模型是基于批量历史语音交互结果、其各自对应的基本信息以及实际反欺诈评分预先对第二机器学习模型进行训练得到的；

根据所述反欺诈评分以及所述语音交互结果，确定所述信用卡发卡业务对应的风险检测结果。

在一个实施例中，所述的信用卡发卡风险检测方法，还包括：

获取批量历史语音交互结果及其各自对应的实际客户意图类型；

基于批量历史语音交互结果及其各自对应的实际客户意图类型对第一机器学习模型进行训练，得到所述预设的客户意图识别模型。

在一个实施例中，所述的信用卡发卡风险检测方法，还包括：

获取批量历史语音交互结果、其各自对应的基本信息以及实际反欺诈评分；

基于批量历史语音交互结果、其各自对应的基本信息以及实际反欺诈评分对第二机器学习模型进行训练，得到所述预设的反欺诈识别模型。

在一个实施例中，在所述确定所述目标客户的客户意图类型之后，还包括：

若所述客户意图类型属于特殊意图类型，则输出特殊意图类型信息。

在一个实施例中，所述的信用卡发卡风险检测方法，还包括：

若所述风险检测结果为正常，则完成所述信用卡发卡业务的办理过程。

第二方面，本申请提供一种信用卡发卡风险检测装置，包括：

获取模块，用于获取目标客户的基本信息以及该目标客户对应的信用卡发卡业务的欺诈风险标签；

选取模块，用于根据所述欺诈风险标签和所述基本信息，从预设的调查问题库中选取得到所述信用卡发卡业务对应的问题并确定该问题对应的答案；

语音交互模块，用于根据所述问题及答案，完成所述目标客户对应的语音交互过程，得到语音交互结果，所述语音交互结果包括：所述目标客户的答题准确率、答题时长以及语音交互文本；

检测模块，用于根据所述语音交互结果以及所述基本信息，确定所述信用卡发卡业务对应的风险检测结果。

在一个实施例中，所述语音交互模块包括：

处理单元，用于根据自然语言处理模型、所述问题及答案，完成所述目标客户对应的语音交互过程，得到所述目标客户的答题准确率和答题时长；

识别单元，用于应用语音识别模型和文字转语音模型，得到所述语音交互过程对应的语音交互录音并将所述语音交互录音转化为语音交互文本。

在一个实施例中，所述检测模块包括：

意图确定单元，用于根据所述语音交互结果与预设的客户意图识别模型，确定所述目标客户的客户意图类型，所述预设的客户意图识别模型是基于批量历史语音交互结果及其各自对应的实际客户意图类型预先对第一机器学习模型进行训练得到的；

反欺诈识别单元，用于若所述客户意图类型为正常意图类型，则根据预设的反欺诈识别模型、所述语音交互结果与所述基本信息，确定所述目标客户的反欺诈评分，所述预设的反欺诈识别模型是基于批量历史语音交互结果、其各自对应的基本信息以及实际反欺诈评分预先对第二机器学习模型进行训练得到的；

检测单元，用于根据所述反欺诈评分以及所述语音交互结果，确定所述信用卡发卡业务对应的风险检测结果。

在一个实施例中，所述的信用卡发卡风险检测装置，还包括：

第一获取历史数据模块，用于获取批量历史语音交互结果及其各自对应的实际客户意图类型；

第一训练模块，用于基于批量历史语音交互结果及其各自对应的实际客户意图类型对第一机器学习模型进行训练，得到所述预设的客户意图识别模型。

在一个实施例中，所述的信用卡发卡风险检测装置，还包括：

第二获取历史数据模块，用于获取批量历史语音交互结果、其各自对应的基本信息以及实际反欺诈评分；

第二训练模块，用于基于批量历史语音交互结果、其各自对应的基本信息以及实际反欺诈评分对第二机器学习模型进行训练，得到所述预设的反欺诈识别模型。

在一个实施例中，所述的信用卡发卡风险检测装置，还包括：

输出模块，用于若所述客户意图类型属于特殊意图类型，则输出特殊意图类型信息。

在一个实施例中，所述的信用卡发卡风险检测方法，还包括：

办理模块，用于若所述风险检测结果为正常，则完成所述信用卡发卡业务的办理过程。

第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的信用卡发卡风险检测方法。

第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现所述的信用卡发卡风险检测方法。

由上述技术方案可知，本申请提供一种信用卡发卡风险检测方法及装置。其中，该方法包括：获取目标客户的基本信息以及该目标客户对应的信用卡发卡业务的欺诈风险标签；根据所述欺诈风险标签和所述基本信息，从预设的调查问题库中选取得到所述信用卡发卡业务对应的问题并确定该问题对应的答案；根据所述问题及答案，完成所述目标客户对应的语音交互过程，得到语音交互结果，所述语音交互结果包括：所述目标客户的答题准确率、答题时长以及语音交互文本；根据所述语音交互结果以及所述基本信息，确定所述信用卡发卡业务对应的风险检测结果，能够提高信用卡发卡风险检测的自动化程度和准确性，进而能够保证信用卡发卡过程的可靠性；具体地，能够提高信用卡发卡风险检测的效率，可以根据各自业务特征迭代组卷及判卷能力，大幅度降低人工作业比例及成本，规范检测过程，可以适应未来集约化、智能化调查发展趋势；可以适用于银行等客户体量较大的金融机构，对新增客户贷前风险进行调查评估。

附图说明

为了更清楚地说明本申请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是本申请实施例中的信用卡发卡风险检测方法的第一流程示意图；

图2是本申请实施例中的信用卡发卡风险检测方法的第二流程示意图；

图3是本申请实施例中的信用卡发卡风险检测方法的第三流程示意图；

图4是本申请实施例中的信用卡发卡风险检测装置的结构示意图；

图5是本申请实施例中的检测模块的结构示意图；

图6为本申请实施例的电子设备的系统构成示意框图。

具体实施方式

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，都属于本申请保护的范围。

当前社会经济环境转型，消费信贷需求旺盛，银行业信用卡业务处于深化互联网发展转型的关键时期，互联网获客量大幅攀升，互联网渠道的欺诈风险成为当前主要风险，给银行业信用卡发卡风险检测提出了更高要求。相较于风险特征的不断变化，目前的信用卡发卡风险检测方式仍存在人工调查比例高、业务规范化程度低等问题。

基于此，本申请考虑引入外部数据、决策引擎、智能语音机器人等先进技术，提出一种信用卡发卡风险检测方法及装置，可以通过加强对外部数据的应用，引入智能决策引擎，以数据为基础，规则、模型为支撑，应用反欺诈评分等手段实现流程科学决策，统一执行标准，提升调查业务管理水平。同时，引入智能语音机器人技术，降低人工作业率，提升调查业务处理效率。可以通过设置决策引擎，决定每笔调查业务的流转方向，包括是否跳过调查、调查是否进入人工等。引入智能语音外呼机器人等技术丰富调查手段，其中外呼(包括人工调查外呼)通过统一号码进行，支持外呼过程的录音及文本转换、存储；可以基于智能外呼及自然语言处理(Natural Language Processing,简称NLP)模型提升信用卡发卡调查效率，实现快速、准确核验客户身份，识别资料真实性，堵截欺诈事件的业务系统。相较于传统信用卡发卡风险检测环节，本申请实施例通过引进智能外呼、NLP模型和外部数据，可以提升风险防控能力和作业效率，有助于建立集约化、标准化的工作机制，规范业务开展，优化客户体验。建立智能化调查系统是顺应互联网发展和当前风险形势的重要举措，对助推银行的互联网战略转型具有重要意义。

需要说明的是，本申请公开的信用卡发卡风险检测方法及装置可用于金融技术领域，也可用于除金融技术领域之外的任意领域，本申请公开的信用卡发卡风险检测方法及装置的应用领域不做限定。本申请各实施例的技术方案中对数据的获取、存储、使用、处理等均符合法律法规的相关规定。

具体通过下述各个实施例进行说明。

为了提高信用卡发卡风险检测的自动化程度和准确性，进而保证信用卡发卡过程的可靠性，本实施例提供一种执行主体是信用卡发卡风险检测装置的信用卡发卡风险检测方法，该信用卡发卡风险检测装置包括但不限于服务器，如图1所示，该方法具体包含有如下内容：

步骤101：获取目标客户的基本信息以及该目标客户对应的信用卡发卡业务的欺诈风险标签。

具体地，所述基本信息可以包括；外部数据、受理地区、客户年龄、申请渠道和产品信息等，外部数据可以包括：学历信息和征信信息等。可以预先根据所述目标客户的基本信息以及预设的行内申请反欺诈触犯规则，确定所述信用卡发卡业务的欺诈风险标签。所述信用卡发卡业务可以表示目标客户正在办理的信用卡发卡业务；信用卡发卡业务的欺诈风险标签可以包含有：联系方式造假、职业信息造假、住宅信息造假、学历信息造假、其他五类。其中联系方式造假主要为手机号码存疑和联系人存疑两种情况；职业信息造假主要包含单位地址存疑、单位电话存疑、职业信息不匹配三类；住宅信息造假主要包含住宅地址存疑、住宅电话存疑两类；学历信息造假主要为学历信息存疑；其他主要为证件号相同姓名不同、姓名生日相同证件号不同、邮箱地址/受理人/单位电话号段相同手机异常等。例如，若目标客户的基本信息中的手机号码与预存储的所述目标客户的手机号码不一致，则确定所述信用卡发卡业务的欺诈风险标签为联系方式造假。

步骤102：根据所述欺诈风险标签和所述基本信息，从预设的调查问题库中选取得到所述信用卡发卡业务对应的问题并确定该问题对应的答案。

具体地，还可以根据所述基本信息，确定是否转机器人，若是，则根据所述欺诈风险标签，从预设的调查问题库中选取得到所述信用卡发卡业务对应的问题，根据所述基本信息确定该问题对应的答案。所述预设的调查问题库可以包含有欺诈风险标签与问题之间的对应关系；所述信用卡发卡业务对应的问题的个数可以为5，包含有1个刚性问题、1个身份信息类问题以及3个满足触发条件的随机问题。

具体地，身份信息类问题主要为客户本人基本信息及客户在银行中的金融信息。例如，客户的生日、身份证号、是否为本行信用卡客户、是否为本行代发客户、是否为本行房贷客户等。用于核实客户身份真实性。例如，刚性问题为“您好，这里是**银行信用卡中心，请问您是xxx先生/女士吗？”、“我们近期收到您的办卡申请，需向您核实资料信息，请您回答以下问题，可以吗？”等。例如，身份信息类问题为“请问您的出生年月日？”、“请问您在我行住房贷款的金额？”、“请问您近一个月本人查询征信的次数？”等。例如，触发条件类问题为“请说出您上一个工作单位的名称？”“请说出您的公积金缴交单位名称？”、“请说出您的公积金缴交单位名称？”、“您是否用过一个1XX开头的手机号？请问后四位是多少？”等。

步骤103：根据所述问题及答案，完成所述目标客户对应的语音交互过程，得到语音交互结果，所述语音交互结果包括：所述目标客户的答题准确率、答题时长以及语音交互文本。

具体地，假设所述信用卡发卡业务对应的问题总数为A，回答正确的问题个数为B，答题准确率可以为B/A，答题时长可以为回答信用卡发卡业务对应的各个问题的总时长。可以根据发起智能语音外呼，利用行内统一号码对目标客户在申请表中所留手机进行电话外呼。按照所述问题及答案，对目标客户进行提问，识别目标客户的回答是否正确并记录所用时长。

步骤104：根据所述语音交互结果以及所述基本信息，确定所述信用卡发卡业务对应的风险检测结果。

为了提高得到语音交互结果的准确性，如图2所示，在一个实施例中，步骤103包括：

步骤201：根据自然语言处理模型、所述问题及答案，完成所述目标客户对应的语音交互过程，得到所述目标客户的答题准确率和答题时长。

具体地，可以通过NLP语义识别模型按照所述问题及答案对目标客户进行提问，识别得到客户回答是否正确并记录所用时长。

步骤202：应用语音识别模型和文字转语音模型，得到所述语音交互过程对应的语音交互录音并将所述语音交互录音转化为语音交互文本。

具体地，可以通过ASR语音识别模型和TTS文字转语音模型将交互过程全程录音并转化为文本进行存储。

为了提高风险检测结果的可靠性，如图3所示，在一个实施例中，步骤104包括：

步骤301：根据所述语音交互结果与预设的客户意图识别模型，确定所述目标客户的客户意图类型，所述预设的客户意图识别模型是基于批量历史语音交互结果及其各自对应的实际客户意图类型预先对第一机器学习模型进行训练得到的。

具体地，所述第一机器学习模型可以为分类模型，如，决策树模型和逻辑回归模型等。客户意图类型可以包含有正常意图类型和多种特殊意图类型；特殊意图类型可以包含有：客户否认办卡、客户取消申请、接听方不是本人、中途挂断、预约重拨等客户意图。

步骤302：若所述客户意图类型为正常意图类型，则根据预设的反欺诈识别模型、所述语音交互结果与所述基本信息，确定所述目标客户的反欺诈评分，所述预设的反欺诈识别模型是基于批量历史语音交互结果、其各自对应的基本信息以及实际反欺诈评分预先对第二机器学习模型进行训练得到的。

具体地，所述第二机器学习模型可以为线性回归模型。

步骤303：根据所述反欺诈评分以及所述语音交互结果，确定所述信用卡发卡业务对应的风险检测结果。

为了提高客户意图识别模型训练的可靠性，进而应用可靠的客户意图识别模型提高确定客户意图类型的准确性，在一个实施例中，所述的信用卡发卡风险检测方法，还包括：

获取批量历史语音交互结果及其各自对应的实际客户意图类型；基于批量历史语音交互结果及其各自对应的实际客户意图类型对第一机器学习模型进行训练，得到所述预设的客户意图识别模型。

为了提高反欺诈识别模型训练的可靠性，进而应用可靠的反欺诈识别模型提高反欺诈识别的准确性，在一个实施例中，所述的信用卡发卡风险检测方法，还包括：

获取批量历史语音交互结果、其各自对应的基本信息以及实际反欺诈评分；基于批量历史语音交互结果、其各自对应的基本信息以及实际反欺诈评分对第二机器学习模型进行训练，得到所述预设的反欺诈识别模型。

为了提高信用卡发卡风险检测的效率，在一个实施例中，在步骤301所述的确定所述目标客户的客户意图类型之后，还包括：若所述客户意图类型属于特殊意图类型，则输出特殊意图类型信息。

为了提高信用卡发卡业务的办理过程的可靠性，在一个实施例中，所述的信用卡发卡风险检测方法，还包括：若所述风险检测结果为正常，则完成所述信用卡发卡业务的办理过程。

进一步地，若所述风险检测结果为异常，则输出所述信用卡发卡业务对应的预警过程。

为了进一步说明本方案，本申请提供一种信用卡发卡风险检测方法的应用实例，具体描述如下：

步骤1：信用卡线上发卡调用决策引擎流程中引入智能语音机器人技术。在“审查环节-反欺诈策略”中，充分利用采集的外部数据及行内申请反欺诈触犯规则等信息，为无法自动拒绝或通过的客户增加欺诈风险标签信息。同时考虑到投产策略及部分产品或客户不适用机器人外呼调查场景，将无法自动拒绝或通过的业务按照受理地区、客户年龄、申请渠道、产品信息等作进一步筛选，命中的业务进入机器人调查队列。即实现决策引擎在反欺诈策略结束后向个人信用审批系统输出四个结论：0-通过、1-拒绝(拒绝码)、2-转人工(转人工码&风险标签)、3-转机器人(转人工码&风险标签)。

步骤2：生成个性化调查问卷(后简称组卷)。读取步骤1决策产生的客户的欺诈风险标签。从预设的调查问题库中选择对应问题，并根据客户行内信息配置答案，生成个性化问卷。若问题或答案来源涉及行外信息，则调取相应行外API。作为优选，当前组卷问题个数5，包含1个刚性问题+1个身份信息类问题+3个满足触发条件的随机问题。完成组卷。

步骤3：执行智能语音外呼。利用行内统一号码对客户在申请表中所留手机进行电话外呼。通过NLP语义识别模型按照个性化调查问卷的内容对客户进行提问，识别客户回答是否正确并记录所用时长。

步骤4：语音转换文本。通过ASR、TTS等模型实现与客户的语音交互，交互过程全程录音并转化为文本进行存储。

步骤5：智能外呼调查结论识别(后简称判卷)。根据智能外呼回收信息，支持通过模型训练判断客户意图，实现问题跳过、中途挂断、预约重拨等功能。若客户接通电话，智能交互过程中若表示特殊意图，需将意图解析。外呼结束后根据客户反欺诈评分、答题准确性及答题时长等信息，以定性与定量相结合的策略对该笔业务是否通过调查进行决策，允许业务人员对策略进行设置维护。

其中，反欺诈评分用于评估客户存在风险的可能性，不同分数代表了客户出现欺诈风险的可能性。为了精准评估客户欺诈风险，在依赖反欺诈评分的同时，辅助客户应答问题的反应时间、答复含糊程度等综合决策客户出现欺诈风险的可能性。

步骤6：根据外呼返传结果得出调查结论。外呼结束后，将外呼结果、对话文本、录音文件、组卷问题的正确答案以及客户挂断节点等信息反传至个人信用审批系统。个人信用审批系统根据智能外呼反传回来的结果得出调查结论。反传后个人信用审批系统先判断是否拨通，若未拨通则判断进入“进入机器人调查队列”状态的时间是否超过了T+1(不包含T+1)，超过则状态修改为“进入调查待分配队列”，未超过则重回机器人调查队列，等待下一个联机交互结论。反传后若该业务标识为已拨通，针对于特定问题，有刚性拒绝规则，对于一般问题，支持根据客户反欺诈评分设置个性化的答题准确率要求。对于无法明确是否通过的业务，可建议转人工调查岗进行二次处理。

从软件层面来说，为了提高信用卡发卡风险检测的自动化程度和准确性，进而保证信用卡发卡过程的可靠性，本申请提供一种用于实现所述信用卡发卡风险检测方法中全部或部分内容的信用卡发卡风险检测装置的实施例，参见图4，所述信用卡发卡风险检测装置具体包含有如下内容：

获取模块41，用于获取目标客户的基本信息以及该目标客户对应的信用卡发卡业务的欺诈风险标签；

选取模块42，用于根据所述欺诈风险标签和所述基本信息，从预设的调查问题库中选取得到所述信用卡发卡业务对应的问题并确定该问题对应的答案；

语音交互模块43，用于根据所述问题及答案，完成所述目标客户对应的语音交互过程，得到语音交互结果，所述语音交互结果包括：所述目标客户的答题准确率、答题时长以及语音交互文本；

检测模块44，用于根据所述语音交互结果以及所述基本信息，确定所述信用卡发卡业务对应的风险检测结果。

在一个实施例中，所述语音交互模块包括：

处理单元，用于根据自然语言处理模型、所述问题及答案，完成所述目标客户对应的语音交互过程，得到所述目标客户的答题准确率和答题时长；

识别单元，用于应用语音识别模型和文字转语音模型，得到所述语音交互过程对应的语音交互录音并将所述语音交互录音转化为语音交互文本。

如图5所示，在一个实施例中，所述检测模块包括：

意图确定单元51，用于根据所述语音交互结果与预设的客户意图识别模型，确定所述目标客户的客户意图类型，所述预设的客户意图识别模型是基于批量历史语音交互结果及其各自对应的实际客户意图类型预先对第一机器学习模型进行训练得到的；

反欺诈识别单元52，用于若所述客户意图类型为正常意图类型，则根据预设的反欺诈识别模型、所述语音交互结果与所述基本信息，确定所述目标客户的反欺诈评分，所述预设的反欺诈识别模型是基于批量历史语音交互结果、其各自对应的基本信息以及实际反欺诈评分预先对第二机器学习模型进行训练得到的；

检测单元53，用于根据所述反欺诈评分以及所述语音交互结果，确定所述信用卡发卡业务对应的风险检测结果。

在一个实施例中，所述的信用卡发卡风险检测装置，还包括：

第一获取历史数据模块，用于获取批量历史语音交互结果及其各自对应的实际客户意图类型；

第一训练模块，用于基于批量历史语音交互结果及其各自对应的实际客户意图类型对第一机器学习模型进行训练，得到所述预设的客户意图识别模型。

在一个实施例中，所述的信用卡发卡风险检测装置，还包括：

第二获取历史数据模块，用于获取批量历史语音交互结果、其各自对应的基本信息以及实际反欺诈评分；

第二训练模块，用于基于批量历史语音交互结果、其各自对应的基本信息以及实际反欺诈评分对第二机器学习模型进行训练，得到所述预设的反欺诈识别模型。

在一个实施例中，所述的信用卡发卡风险检测装置，还包括：

输出模块，用于若所述客户意图类型属于特殊意图类型，则输出特殊意图类型信息。

在一个实施例中，所述的信用卡发卡风险检测方法，还包括：

办理模块，用于若所述风险检测结果为正常，则完成所述信用卡发卡业务的办理过程。

本说明书提供的信用卡发卡风险检测装置的实施例具体可以用于执行上述信用卡发卡风险检测方法的实施例的处理流程，其功能在此不再赘述，可以参照上述信用卡发卡风险检测方法实施例的详细描述。

从硬件层面来说，为了提高信用卡发卡风险检测的自动化程度和准确性，进而保证信用卡发卡过程的可靠性，本申请提供一种用于实现所述信用卡发卡风险检测方法中的全部或部分内容的电子设备的实施例所述电子设备具体包含有如下内容：

处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现所述信用卡发卡风险检测装置以及用户终端等相关设备之间的信息传输；该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照实施例用于实现所述信用卡发卡风险检测方法的实施例及用于实现所述信用卡发卡风险检测装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。

图6为本申请实施例的电子设备9600的系统构成的示意框图。如图6所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图6是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

在本申请一个或多个实施例中，信用卡发卡风险检测功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：

步骤101：获取目标客户的基本信息以及该目标客户对应的信用卡发卡业务的欺诈风险标签。

步骤102：根据所述欺诈风险标签和所述基本信息，从预设的调查问题库中选取得到所述信用卡发卡业务对应的问题并确定该问题对应的答案。

步骤103：根据所述问题及答案，完成所述目标客户对应的语音交互过程，得到语音交互结果，所述语音交互结果包括：所述目标客户的答题准确率、答题时长以及语音交互文本。

步骤104：根据所述语音交互结果以及所述基本信息，确定所述信用卡发卡业务对应的风险检测结果。

从上述描述可知，本申请的实施例提供的电子设备，能够提高信用卡发卡风险检测的自动化程度和准确性，进而保证信用卡发卡过程的可靠性。

在另一个实施方式中，信用卡发卡风险检测装置可以与中央处理器9100分开配置，例如可以将信用卡发卡风险检测装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现信用卡发卡风险检测功能。

如图6所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图6中所示的所有部件；此外，电子设备9600还可以包括图6中没有示出的部件，可以参考现有技术。

如图6所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。

其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。

输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。

存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。

上述描述可知，本申请的实施例提供的电子设备，能够提高信用卡发卡风险检测的自动化程度和准确性，进而保证信用卡发卡过程的可靠性。

本申请的实施例还提供能够实现上述实施例中的信用卡发卡风险检测方法中全部步骤的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程序，该计算机程序被处理器执行时实现上述实施例中的信用卡发卡风险检测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

步骤101：获取目标客户的基本信息以及该目标客户对应的信用卡发卡业务的欺诈风险标签。

步骤102：根据所述欺诈风险标签和所述基本信息，从预设的调查问题库中选取得到所述信用卡发卡业务对应的问题并确定该问题对应的答案。

步骤103：根据所述问题及答案，完成所述目标客户对应的语音交互过程，得到语音交互结果，所述语音交互结果包括：所述目标客户的答题准确率、答题时长以及语音交互文本。

步骤104：根据所述语音交互结果以及所述基本信息，确定所述信用卡发卡业务对应的风险检测结果。

从上述描述可知，本申请实施例提供的计算机可读存储介质，能够提高信用卡发卡风险检测的自动化程度和准确性，进而保证信用卡发卡过程的可靠性。

本申请中上述方法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。相关之处参见方法实施例的部分说明即可。

本领域内的技术人员应明白，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。

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。

本申请中应用了具体实施例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种信用卡发卡风险检测方法，其特征在于，包括：

获取目标客户的基本信息以及该目标客户对应的信用卡发卡业务的欺诈风险标签；

根据所述欺诈风险标签和所述基本信息，从预设的调查问题库中选取得到所述信用卡发卡业务对应的问题并确定该问题对应的答案；

根据所述问题及答案，完成所述目标客户对应的语音交互过程，得到语音交互结果，所述语音交互结果包括：所述目标客户的答题准确率、答题时长以及语音交互文本；

根据所述语音交互结果以及所述基本信息，确定所述信用卡发卡业务对应的风险检测结果。

2.根据权利要求1所述的信用卡发卡风险检测方法，其特征在于，所述根据所述问题及答案，完成所述目标客户对应的语音交互过程，得到语音交互结果，包括：

根据自然语言处理模型、所述问题及答案，完成所述目标客户对应的语音交互过程，得到所述目标客户的答题准确率和答题时长；

应用语音识别模型和文字转语音模型，得到所述语音交互过程对应的语音交互录音并将所述语音交互录音转化为语音交互文本。

3.根据权利要求1所述的信用卡发卡风险检测方法，其特征在于，所述根据所述语音交互结果以及所述基本信息，确定所述信用卡发卡业务对应的风险检测结果，包括：

根据所述语音交互结果与预设的客户意图识别模型，确定所述目标客户的客户意图类型，所述预设的客户意图识别模型是基于批量历史语音交互结果及其各自对应的实际客户意图类型预先对第一机器学习模型进行训练得到的；

若所述客户意图类型为正常意图类型，则根据预设的反欺诈识别模型、所述语音交互结果与所述基本信息，确定所述目标客户的反欺诈评分，所述预设的反欺诈识别模型是基于批量历史语音交互结果、其各自对应的基本信息以及实际反欺诈评分预先对第二机器学习模型进行训练得到的；

根据所述反欺诈评分以及所述语音交互结果，确定所述信用卡发卡业务对应的风险检测结果。

4.根据权利要求3所述的信用卡发卡风险检测方法，其特征在于，还包括：

获取批量历史语音交互结果及其各自对应的实际客户意图类型；

基于批量历史语音交互结果及其各自对应的实际客户意图类型对第一机器学习模型进行训练，得到所述预设的客户意图识别模型。

5.根据权利要求3所述的信用卡发卡风险检测方法，其特征在于，还包括：

获取批量历史语音交互结果、其各自对应的基本信息以及实际反欺诈评分；

基于批量历史语音交互结果、其各自对应的基本信息以及实际反欺诈评分对第二机器学习模型进行训练，得到所述预设的反欺诈识别模型。

6.根据权利要求3所述的信用卡发卡风险检测方法，其特征在于，在所述确定所述目标客户的客户意图类型之后，还包括：

若所述客户意图类型属于特殊意图类型，则输出特殊意图类型信息。

7.根据权利要求1所述的信用卡发卡风险检测方法，其特征在于，还包括：

若所述风险检测结果为正常，则完成所述信用卡发卡业务的办理过程。

8.一种信用卡发卡风险检测装置，其特征在于，包括：

获取模块，用于获取目标客户的基本信息以及该目标客户对应的信用卡发卡业务的欺诈风险标签；

选取模块，用于根据所述欺诈风险标签和所述基本信息，从预设的调查问题库中选取得到所述信用卡发卡业务对应的问题并确定该问题对应的答案；

语音交互模块，用于根据所述问题及答案，完成所述目标客户对应的语音交互过程，得到语音交互结果，所述语音交互结果包括：所述目标客户的答题准确率、答题时长以及语音交互文本；

检测模块，用于根据所述语音交互结果以及所述基本信息，确定所述信用卡发卡业务对应的风险检测结果。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7任一项所述的信用卡发卡风险检测方法。

10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被处理器执行时实现权利要求1至7任一项所述的信用卡发卡风险检测方法。