WO2021051592A1 - 基于人工智能处理数据的方法、装置及存储介质 - Google Patents

基于人工智能处理数据的方法、装置及存储介质 Download PDF

Info

Publication number
WO2021051592A1
WO2021051592A1 PCT/CN2019/118239 CN2019118239W WO2021051592A1 WO 2021051592 A1 WO2021051592 A1 WO 2021051592A1 CN 2019118239 W CN2019118239 W CN 2019118239W WO 2021051592 A1 WO2021051592 A1 WO 2021051592A1
Authority
WO
WIPO (PCT)
Prior art keywords
media stream
overdue
question
target user
target
Prior art date
Application number
PCT/CN2019/118239
Other languages
English (en)
French (fr)
Inventor
孙强
Original Assignee
平安科技（深圳）有限公司
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 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2021051592A1 publication Critical patent/WO2021051592A1/zh

Links

Images

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
    • G06Q40/03—Credit; Loans; Processing thereof
    • 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
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/1822—Parsing for meaning understanding
    • 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
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • 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
    • 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
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/225—Feedback of the input speech
    • 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

Definitions

  • This application relates to the field of artificial intelligence technology, and in particular to a method, device and storage medium for processing data based on artificial intelligence.
  • the current collection methods are mainly collected by customer service personnel through telephone, text messages, emails or letters. Specifically, the collection process is as follows: When using the collection platform to make a call, the collection officer needs to communicate with the debtor to confirm various information, and fill in the confirmed information on the operation interface of the collection platform. Need to invest a lot of collector manpower.
  • the collector may misunderstand the debtor’s intentions, or reduce attention due to frequent repetitive recordings, etc. Enter the wrong action code, and finally enter the wrong debtor's intention.
  • the inventor realized that because the collector needs to fill in a lot of information when filling in the confirmed information on the operation interface of the collection platform, such as action code, collection remarks, etc., even if the collector understands the correct voice intention, it is easy to enter the wrong information, and the operation Time-consuming and laborious.
  • the present application provides a method, device and storage medium for processing data based on artificial intelligence, which can solve the problem of low manual collection efficiency and error-proneness in the prior art.
  • this application provides a method for processing data based on artificial intelligence, the method including:
  • the question type that matches the overdue type of each target user is determined, and the target question matching the question type is selected from the question bank according to the question type corresponding to each target user, and according to The overdue types respectively determine the collection channels of each target user in the loan collection list;
  • the response logic refers to the response rule that the collection platform sends the media stream of the target question to the terminal of the target user according to the preset response mode to talk to the terminal;
  • a loan collection record is generated and stored.
  • the present application provides an apparatus for processing data based on artificial intelligence, which has a function corresponding to the method for processing data based on artificial intelligence provided in the above-mentioned first aspect.
  • the function can be realized by hardware, or by hardware executing corresponding software.
  • the hardware or software includes one or more modules corresponding to the above-mentioned functions, and the modules may be software and/or hardware.
  • the device includes:
  • the transceiver module is used to obtain loan information of multiple users
  • the processing module is configured to traverse the multiple user loan information obtained by the transceiver module; filter multiple overdue loan data from the user loan information according to preset screening conditions, and classify each overdue loan data according to the overdue type, It also counts the target users corresponding to each overdue loan data, and generates a loan collection list that includes multiple target users; according to the overdue type corresponding to each target user in the loan collection list, the problem type that matches the overdue type of each target user is determined, According to the question type corresponding to each target user, select the target question matching the question type from the question bank, and determine the collection channel of each target user in the loan collection list according to the overdue type; bind each target user through the collection channel
  • the terminal establishes a session connection, converts the target question into a first media stream according to the answer logic of the target question, and sends the first media stream corresponding to the target question to the target user’s terminal through the transceiver module to communicate with the target user’s terminal Conversation; Among them
  • the processing module is further configured to receive a second media stream sent by the terminal of the target user through the transceiver module, perform semantic analysis on the second media stream according to voice recognition technology, and extract and overdue the second media stream from the second media stream.
  • Audio data related to repayment convert audio data related to overdue repayment into text information, and enter the text information and the collection label matching the text information into the collection platform; generate according to the text information and the collection label Loan collection records and keep them.
  • a third aspect of the present application provides a computer device, which includes at least one connected processor, a memory, and a transceiver, wherein the memory is used to store program code, and the processor is used to call the program code in the memory To perform the method described in the first aspect above.
  • the fourth aspect of the present application provides a computer-readable storage medium that stores instructions in the computer-readable storage medium, which when run on a computer, causes the computer to execute the method described in the first aspect.
  • the question type matching the overdue type of each target user is determined, and the question type corresponding to each target user is selected from Select the target question matching the question type in the question bank, and determine the collection channel of each target user in the loan collection list according to the overdue type, establish a session connection with the terminal bound to each target user through the collection channel, and follow the target question
  • the answer logic of the target question is converted into the first media stream, and the first media stream corresponding to the target question is sent to the terminal of the target user to have a conversation with the terminal of the target user.
  • FIG. 1 is a schematic flowchart of a method for processing data based on artificial intelligence in an embodiment of the application
  • FIG. 2 is a schematic diagram of the structure of an apparatus for processing data based on artificial intelligence in an embodiment of the application;
  • FIG. 3 is a schematic diagram of a structure of a computer device in an embodiment of this application.
  • steps or modules may include other steps or modules that are not clearly listed or are inherent to these processes, methods, products, or equipment.
  • the division of modules in this application is only a logical division In actual applications, there may be other divisions when implemented. For example, multiple modules may be combined or integrated in another system, or some features may be ignored or not implemented.
  • This application provides a method, device and storage medium for processing data based on artificial intelligence.
  • This plan is executed by the collection platform, and artificial intelligence (AI) is deployed in the collection platform.
  • AI artificial intelligence
  • the following describes a method for processing data based on artificial intelligence in an embodiment of the present application, and the method includes:
  • the user loan information includes the name of the lender, ID number, face image, email address, mobile phone number, loan product, loan date, loan amount, and repayment period.
  • the preset filtering conditions may include the amount of overdue payment, the number of days overdue is higher than the preset time limit, the amount of payment that is not repaid near the repayment date, and the remaining repayment date.
  • the overdue types include at-risk users, potentially at-risk users, old users, disconnected users, and old users.
  • risk users refer to users whose repayment days are over 90 days.
  • Potentially risky users refer to users whose repayment days are not more than 60 days past due.
  • Lao Lai users refer to users who have accumulated 4 overdue repayments in the past 6 months.
  • Lost users refer to users who cannot be contacted according to the contact phone number in the reminder case.
  • Lao Lai users refer to users who have not repaid the money until the specified repayment time.
  • an overdue type identifier is set for each overdue user.
  • potential risk users correspond to potential risk type identification L
  • risk users correspond to overdue type identification H
  • old lai users correspond to overdue type identification F
  • lost contact users correspond to overdue type identification M
  • old lai users correspond to overdue type identification L.
  • This application only takes the overdue target user as an example, and the collection processing plan for the overdue target user can refer to the processing method of this application for the overdue target user, and it will not be repeated.
  • the overdue type corresponding to each target user in the loan collection list determine the question type matching the overdue type of each target user, and select the target question matching the question type from the question bank according to the question type corresponding to each target user. And according to the overdue types, the collection channels of each target user in the loan collection list are respectively determined.
  • the collection channels include telephone, network communication account, mailbox, home address, work address and court.
  • the target question can be "Mr. Li, hello, your Shenzhen Nanshan Bank's credit card ending in 6222342100009094 is overdue 22090.23 yuan, please make repayment as soon as possible before 2019-5-20, if there is no objection and agree Please confirm the repayment".
  • the target question can be "Hello, when will you be able to repay the loan? If you don't repay, you will declare your overdue information to the credit center, and publicize it nationwide or submit a court summons to you.”
  • the target question can be "Hello, please make sure to repay before August 20, 2019. If you have not repaid, then apply to the court to freeze the funds in personal real estate and all financial accounts under your name”.
  • the response logic refers to the response rule that the collection platform sends the media stream of the target question to the terminal of the target user according to the preset response mode to talk to the terminal.
  • the first media stream may be voice data or video data, and both voice data or video data are AI simulated human voices, and the format of the first media stream is not limited in this application.
  • the converting the target question into the first media stream according to the answer logic of the target question includes:
  • the target question is encoded according to the answer logic of the target question to obtain the first media stream.
  • the performing semantic analysis on the second media stream according to the speech recognition technology, and extracting data related to the overdue repayment from the second media stream includes:
  • the acoustic model is used to identify the pronunciation sequence with the highest probability of matching each multi-dimensional vector
  • the preset keywords are matched with the core words in the second media stream to obtain the audio data related to the overdue payment.
  • the preset keywords refer to keywords that agree to repay or have a tendency to repay.
  • the preset keywords include keywords that carry a repayment agreement such as “OK”, “OK”, “Yes”, and “We will pay later.” If the audio data contains keywords such as “OK”, “OK”, “Yes” and “We will pay back”, it means that the overdue user agrees to repay, and the result of overdue collection is willing to repay . If the voice data does not contain keywords such as "OK”, “OK”, “Yes” and “We will pay back” and other keywords that agree to repayment, it means that the overdue user does not agree to the repayment, and the result of overdue collection is unwilling to repay paragraph.
  • the preset keywords can be implemented by using a pre-trained Hidden Markov (Hidden Markov Model, HMM) model, and the HMM model can be used to perform keyword recognition on audio data.
  • HMM model is a model that is pre-trained and stored in the collection platform to recognize whether there are preset keywords such as "OK”, “OK”, “Yes”, and "Wait for return” in the call voice.
  • the pre-trained HMM model is used to recognize whether there are preset keywords in the audio data, which can improve the recognition accuracy.
  • the second media stream may also be improved. Play decibels, reduce the playback speed of the second media stream, and remove noise in the second media stream. The following are introduced separately:
  • the playing decibel of the second media stream is lower than the preset decibel, the playing decibel of the second media stream is increased so that the playing decibel of the second media stream is not less than the preset decibel.
  • the preset decibel refers to the lowest decibel value that satisfies the semantic recognition of the second media stream by the machine.
  • the playback speed of the second media stream is higher than the preset playback speed, the playback speed of the second media stream is reduced so that the playback speed of the second media stream is not higher than the preset playback speed.
  • the playback speed of the second media stream may be reduced by using framing or windowing.
  • the voice signal has short-term stationarity (the voice signal can be considered to be approximately unchanged within 10-30ms).
  • framing the voice signal refers to dividing the voice signal into some short periods. Segment processing, such as the method of overlapping segments. The overlapping part of the previous frame and the next frame is called frame shift, and the ratio of frame shift to frame length is generally 0 to 0.5. For example, the number of frames per second is about 33-100 frames, the frame length is 25ms, and the frame shift is 10ms. Framing can be achieved by weighting by movable windows of limited length.
  • the noise data is filtered from the second media stream.
  • the Kronecker filter algorithm can be used to filter the noise. This application does not limit the way of analyzing noise data and the way of filtering noise data.
  • q and r are the mean values of noise p(k) and n(k) respectively; Q and R are respectively the covariance of noise data p(k) & noise data n(k), and ⁇ kj is the Kronecker function.
  • speech enhancement refers to estimating the optimal speech signal X(k) on the premise that the speech signal Y(k) is known, and the optimal speech signal X(k) can also be called the optimal estimation.
  • the optimization formula of a voice signal is as follows:
  • X(k) and n(k) are variables
  • X(k) is the optimal estimation of the state value in the Kronecker filter algorithm, that is, n(k) is the estimation of Gaussian noise, and ⁇ is the coordinative of Gaussian noise.
  • Variance matrix, v(k) is the sparse noise.
  • the collection label may include promises to repay on time (for example, connect-yes-promise to repay), apply for postponement of repayment (for example, connect-yes-promise to postpone repayment), and inability to repay (for example, connect -User's family members-unable to repay) etc.
  • the method further includes:
  • a reinforcement question is selected according to the question corresponding to the false answer, and the reinforcement question is used to guide the target user to answer questions of multiple dimensions;
  • the loan collection record refers to the entire record of each collection and repayment, which is used for the analysis, update and management of collection personnel, for example, to facilitate retrieval of collection records according to conditions, or to assign collection levels to target users.
  • the collection level is determined according to the time beyond the repayment date or the overdue loan amount, the longer the overdue time, the higher the overdue loan data collection level, the larger the loan amount, the higher the overdue loan data collection level.
  • user portraits for example, in the form of knowledge graph
  • the collection staff can more intuitively analyze the target user's repayment ability and repayment credit characteristics.
  • the question type matching the overdue type of each target user is determined, and the question type corresponding to each target user is selected from Select the target question matching the question type in the question bank, and determine the collection channel of each target user in the loan collection list according to the overdue type, establish a session connection with the terminal bound to each target user through the collection channel, and follow the target question
  • the answer logic of the target question is converted into the first media stream, and the first media stream corresponding to the target question is sent to the terminal of the target user to have a conversation with the terminal of the target user.
  • the above describes a method for processing data based on artificial intelligence in the present application, and the following describes a device for executing the above method for processing data based on artificial intelligence.
  • Fig. 2 is a schematic structural diagram of an apparatus 20 for processing data based on artificial intelligence, which can be applied to voice intent recognition, such as machine-to-human voice or video call.
  • the device 20 in the embodiment of the present application can implement the steps corresponding to the method for processing data based on artificial intelligence executed in the embodiment corresponding to FIG. 1 above.
  • the functions implemented by the device 20 can be implemented by hardware, or can be implemented by hardware executing corresponding software.
  • the hardware or software includes one or more modules corresponding to the above-mentioned functions, and the modules may be software and/or hardware.
  • the device 20 may include a transceiver module 201 and a processing module 202.
  • the processing module 202 can be used to control operations such as receiving, sending, and acquiring of the receiving and sending module 201.
  • the transceiver module 201 may be used to obtain loan information of multiple users
  • the processing module 202 can be used to traverse the multiple user loan information obtained by the transceiver module 201; filter out multiple overdue loan data from the user loan information according to preset screening conditions, and compare each overdue loan according to the overdue type Data classification, and count the target users corresponding to each overdue loan data, and generate a loan collection list including multiple target users; according to the overdue type corresponding to each target user in the loan collection list, determine the overdue type matching each target user Question type, select the target question matching the question type from the question bank according to the question type corresponding to each target user, and determine the collection channel of each target user in the loan collection list according to the overdue type; through the collection channel and each target
  • the terminal bound by the user establishes a session connection, converts the target question into a first media stream according to the answer logic of the target question, and sends the first media stream corresponding to the target question to the target user’s terminal through the transceiver module 201 to communicate with the target question.
  • the processing module 202 is also configured to receive a second media stream sent by the terminal of the target user through the transceiver module, perform semantic analysis on the second media stream according to the voice recognition technology, and extract the data from the second media stream. Audio data related to overdue repayment; convert audio data related to overdue repayment into text information, and record the text information and the collection label matching the text information into the collection platform; according to the text information and the collection label Generate and save loan collection records.
  • the processing module 202 is specifically configured to:
  • the acoustic model is used to identify the pronunciation sequence with the highest probability of matching each multi-dimensional vector
  • the preset keywords are matched with the core words in the second media stream to obtain the audio data related to overdue repayment; wherein, the preset keywords refer to those who agree to repay or have repayment inclination Key words.
  • the processing module 202 is further used to:
  • the playback decibel of the second media stream is lower than the preset decibel, the playback decibel of the second media stream is increased so that the playback decibel of the second media stream is not less than the preset decibel, wherein the preset decibel
  • the decibel refers to the lowest decibel value that satisfies the semantic recognition of the second media stream by the machine.
  • the processing module 202 is further used to:
  • the following formula is used to perform voice enhancement processing on the voice signal of the second media stream to obtain the optimal voice signal:
  • X(k) and n(k) are variables
  • X(k) is the optimal estimation of the state value in the Kalman filter algorithm
  • n(k) is the estimation of Gaussian noise
  • ⁇ is the covariance of Gaussian noise Matrix
  • v(k) is sparse noise
  • the Kalman filter algorithm is used to filter the noise data from the second media stream.
  • the processing module 202 is further used to:
  • the playback speed of the second media stream is higher than the preset playback speed, the playback speed of the second media stream is reduced so that the playback speed of the second media stream is not higher than the preset playback speed.
  • the processing module 202 is specifically configured to:
  • the voice signal of the second media stream is divided into multiple short segments using an overlapping segmentation method, where the voice signal of the second media stream includes multiple video frames, and the previous frame and the next frame overlap Part is frame shift;
  • a movable window of limited length is used to weight the multiple short segments to reduce the playback speed of the second media stream.
  • processing module 202 extracts the audio data related to the overdue payment from the second media stream, before the processing module converts the audio data related to the overdue payment into text information, Used for:
  • a reinforcement question is selected according to the question corresponding to the false answer, and the reinforcement question is used to guide the target user to answer questions of multiple dimensions;
  • the physical device corresponding to the transceiver module 201 shown in FIG. 2 is the transceiver shown in FIG. 3, which can realize part or all of the functions of the transceiver module 201, or achieve the same or Similar functions.
  • the physical device corresponding to the processing module 202 shown in FIG. 2 is the processor shown in FIG. 3, and the processor can realize part or all of the functions of the processing module 202, or realize the same or similar functions as the processing module 202.
  • the device 20 in the embodiment of the present application is separately introduced above from the perspective of modular functional entities.
  • the following describes a computer device from the perspective of hardware, as shown in FIG. 3, which includes: a processor, a memory, a transceiver (or An input and output unit (not identified in FIG. 3) and a computer program stored in the memory and running on the processor.
  • the computer program may be a program corresponding to the method of processing data based on artificial intelligence in the embodiment corresponding to FIG. 1.
  • the processor executes the computer program to implement the method for processing data based on artificial intelligence executed by the apparatus 20 in the embodiment corresponding to FIG.
  • the processor executes the computer program, the function of each module in the apparatus 20 of the embodiment corresponding to FIG. 2 is realized.
  • the computer program may be a program corresponding to the method of processing data based on artificial intelligence in the embodiment corresponding to FIG. 1.
  • the present application also provides a computer-readable storage medium.
  • the computer-readable storage medium may be a non-volatile computer-readable storage medium or a volatile computer-readable storage medium.
  • the computer-readable storage medium stores computer instructions, and when the computer instructions are executed on the computer, the computer executes the following steps:
  • the question type that matches the overdue type of each target user is determined, and the target question matching the question type is selected from the question bank according to the question type corresponding to each target user, and according to The overdue types respectively determine the collection channels of each target user in the loan collection list;
  • the response logic refers to the response rule that the collection platform sends the media stream of the target question to the terminal of the target user according to the preset response mode to talk to the terminal;
  • a loan collection record is generated and stored.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

一种基于人工智能处理数据的方法、装置及存储介质，涉及人工智能领域，所述方法包括：按照贷款催收清单中各目标用户对应的逾期类型分别确定与逾期类型匹配的问题类型，按照问题类型从题库中选择与问题类型匹配的目标问题，按照逾期类型确定各目标用户的催收渠道，通过催收渠道与各目标用户绑定的终端建立会话连接，按照目标问题的应答逻辑将目标问题转换为第一媒体流，向目标用户的终端发送第一媒体流以与终端会话。根据语音识别技术对目标用户的第二媒体流进行语义分析，从第二媒体流中提取与逾期还款相关的音频数据，将与逾期还款相关的音频数据转换为文字信息，将文字信息和催收标签录入催收平台。上述方法能够提高催收工作效率。

Description

基于人工智能处理数据的方法、装置及存储介质
本申请要求于2019年9月19日提交中国专利局、申请号为201910884636.X、发明名称为“基于人工智能处理数据的方法、装置及存储介质”的中国专利申请的优先权，其全部内容通过引用结合在申请中。
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于人工智能处理数据的方法、装置及存储介质。
背景技术
目前，国内消费金融正在蓬勃发展，与此同时，逾期贷款的案件数量也在不断增加。针对逾期贷款的用户，现行的催收方式主要由客服人员通过电话、短信、邮件或信函等方式进行催收。具体来说，催收过程如下：使用催收平台打电话时，需要催收员与债务人沟通以确认各种信息，并在催收平台的操作界面填写确认后的信息。需要投入很多催收员人力。
但是，催收员与债务人沟通过程中，若催收员对电话沟通中的语音识别不准确，则催收员有可能理解错债务人的意图，或者因频繁进行重复性的记录而降低注意力等因素，导致录入错误的动作代码，最终录入错误的债务人意图。发明人意识到由于催收员在催收平台的操作界面填写确认后的信息时需要填写很多信息，比如动作代码，催收备注等，即便催收员理解正确的语音意图，也容易录入错误的信息，且操作耗时和费力。
发明内容
本申请提供了一种基于人工智能处理数据的方法、装置及存储介质，能够解决现有技术中人工催收效率低下且易出错的问题。
第一方面，本申请提供一种基于人工智能处理数据的方法，所述方法包括：
获取和遍历多个用户贷款信息；
按照预设筛选条件从所述用户贷款信息筛选出多项逾期贷款数据，按照逾期类型对各逾期贷款数据分类，并统计各逾期贷款数据对应的目标用户，生成包括多个目标用户的贷款催收清单；
按照所述贷款催收清单中各目标用户对应的逾期类型分别确定与各目标用户的逾期类型匹配的问题类型，根据各目标用户对应的问题类型从题库中选择与问题类型匹配的目标问题，以及按照逾期类型分别确定所述贷款催收清单中各目标用户的催收渠道；
通过所述催收渠道与各目标用户绑定的终端建立会话连接，按照目标问题的应答逻辑将目标问题转换为第一媒体流，向目标用户的终端发送与目标问题对应的第一媒体流，以与目标用户的终端进行会话；其中，应答逻辑是指催收平台按照预设的应答模式向目标用户的终端发送目标问题的媒体流，以与终端会话的应答规则；
接收目标用户的终端发送的第二媒体流，根据语音识别技术对所述第二媒体流进行语义分析，从所述第二媒体流中提取与逾期还款相关的音频数据；
将与逾期还款相关的音频数据转换为文字信息，并将文字信息和与文字信息匹配的催收标签录入所述催收平台；
根据所述文字信息和所述催收标签生成贷款催收记录并保存。
第二方面，本申请提供一种基于人工智能处理数据的装置，具有实现对应于上述第一方面提供的基于人工智能处理数据的方法的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。
一种可能的设计中，所述装置包括：
收发模块，用于获取多个用户贷款信息；
处理模块，用于遍历所述收发模块获取到的所述多个用户贷款信息；按照预设筛选条件从所述用户贷款信息筛选出多项逾期贷款数据，按照逾期类型对各逾期贷款数据分类，并统计各逾期贷款数据对应的目标用户，生成包括多个目标用户的贷款催收清单；按照所述贷款催收清单中各目标用户对应的逾期类型分别确定与各目标用户的逾期类型匹配的问题类型，根据各目标用户对应的问题类型从题库中选择与问题类型匹配的目标问题，以及按照逾期类型分别确定所述贷款催收清单中各目标用户的催收渠道；通过所述催收渠道与各目标用户绑定的终端建立会话连接，按照目标问题的应答逻辑将目标问题转换为第一媒体流，通过所述收发模块向目标用户的终端发送与目标问题对应的第一媒体流，以与目标用户的终端进行会话；其中，应答逻辑是指催收平台按照预设的应答模式向目标用户的终端发送目标问题的媒体流，以与终端会话的应答规则；
所述处理模块还用于通过所述收发模块接收目标用户的终端发送的第二媒体流，根据语音识别技术对所述第二媒体流进行语义分析，从所述第二媒体流中提取与逾期还款相关的音频数据；将与逾期还款相关的音频数据转换为文字信息，并将文字信息和与文字信息匹配的催收标签录入所述催收平台；根据所述文字信息和所述催收标签生成贷款催收记录并保存。
本申请第三方面提供了一种计算机设备，其包括至少一个连接的处理器、存储器和收发器，其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中的程序代码来执行上述第一方面所述的方法。
本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面所述的方法。
与现有机制相比，本申请实施例中，按照所述贷款催收清单中各目标用户对应的逾期类型分别确定与各目标用户的逾期类型匹配的问题类型，根据各目标用户对应的问题类型从题库中选择与问题类型匹配的目标问题，以及按照逾 期类型分别确定所述贷款催收清单中各目标用户的催收渠道，通过所述催收渠道与各目标用户绑定的终端建立会话连接，按照目标问题的应答逻辑将目标问题转换为第一媒体流，向目标用户的终端发送与目标问题对应的第一媒体流以与目标用户的终端进行会话。根据语音识别技术对目标用户的第二媒体流进行语义分析，从第二媒体流中提取与逾期还款相关的音频数据，将与逾期还款相关的音频数据转换为文字信息，并将文字信息和与文字信息匹配的催收标签录入所述催收平台。可见，采用本方案后，由机器与目标用户沟通并确认各种基本信息，提高催收工作效率，降低催收成本，无需考虑机器是否疲倦，并且能够提高识别目标用户的真实语音意图的准确率，以及自动生成贷款催收记录，无需催收员填写很多信息，使催收变得智能化，解放生产力以及提高用户体验。
附图说明
图1为本申请实施例中基于人工智能处理数据的方法的一种流程示意图；
图2为本申请实施例中基于人工智能处理数据的装置的结构示意图；
图3为本申请实施例中计算机设备的一种结构示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。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模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，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模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行。
本申请提供一种基于人工智能处理数据的方法、装置及存储介质。本方案由催收平台执行，催收平台中部署人工智能(artificial intelligence，AI)。
参照图1，以下介绍本申请实施例中的一种基于人工智能处理数据的方法，所述方法包括：
101、获取和遍历多个用户贷款信息。
其中，所述用户贷款信息包括贷款人姓名、身份证号、人脸图像、邮箱、手机号码、贷款产品、借款日期、借款金额和还款期限。
102、按照预设筛选条件从所述用户贷款信息筛选出多项逾期贷款数据，按照逾期类型对各逾期贷款数据分类，并统计各逾期贷款数据对应的目标用户，生成包括多个目标用户的贷款催收清单。
其中，所述预设筛选条件可包括逾期未还款金额、逾期天数高于预设期限、 临近还款日未还款金额、以及剩余还款日。
所述逾期类型包括风险用户、潜在风险用户、老赖用户、失联用户和老赖用户。其中，风险用户指逾期还款天数超过90天的用户。潜在风险用户指逾期还款天数不超过60天的用户。老赖用户指6个月内的历史逾期还款次数累计达到4次的用户。失联用户指根据入催案件中的联系电话无法联系到的用户。老赖用户指到了指定还款时间一直不还钱的用户。为便于区分逾期用户，分别为每种逾期用户设置一个逾期类型标识。例如：潜在风险用户对应潜在风险类型标识L，风险用户对应逾期类型标识H，老赖用户对应逾期类型标识F，失联用户对应逾期类型标识M，老赖用户对应逾期类型标识L。
本申请仅以已逾期的目标用户为例，针对即将逾期的目标用户的催收处理方案可参考本申请对已逾期的目标用户的处理方式，不做赘述。
103、按照所述贷款催收清单中各目标用户对应的逾期类型分别确定与各目标用户的逾期类型匹配的问题类型，根据各目标用户对应的问题类型从题库中选择与问题类型匹配的目标问题，以及按照逾期类型分别确定所述贷款催收清单中各目标用户的催收渠道。
其中，所述催收渠道包括电话、网络通讯账号、邮箱、家庭住址、工作地址和法院。
例如，对于潜在风险用户，目标问题可以为“李先生，您好，您深圳南山银行尾号为6222342100009094的信用卡逾期22090.23元，请尽快在2019-5-20日之前还款，如果没有异议并同意还款请确认”。
对于老赖用户，目标问题可以为“您好，您到底什么时候能还款，不还款则向征信中心申报您的逾期信息，并在全国公示或者向您递交法院传票”。
对于失联用户，目标问题可以为“您好，请您在2019-8-20日之前务必还款，若未还款，则向法院申请冻结个人不动产和名下所有金融账户内的资金”。
104、通过所述催收渠道与各目标用户绑定的终端建立会话连接，按照目标问题的应答逻辑将目标问题转换为第一媒体流，向目标用户的终端发送与目标问题对应的第一媒体流，以与目标用户的终端进行会话。
其中，应答逻辑是指催收平台按照预设的应答模式向目标用户的终端发送目标问题的媒体流，以与终端会话的应答规则。
所述第一媒体流可为语音数据或视频数据，语音数据或视频数据均为AI模拟人声，本申请不对第一媒体流的格式作限定。
一些实施方式中，所述按照目标问题的应答逻辑将目标问题转换为第一媒体流，包括：
按照所述目标问题的应答逻辑将所述目标问题编码，得到第一媒体流。
105、接收目标用户的终端发送的第二媒体流，根据语音识别技术对第二媒体流进行语义分析，从第二媒体流中提取与逾期还款相关的音频数据。
一些实施方式中，所述根据语音识别技术对第二媒体流进行语义分析，从 第二媒体流中提取与逾期还款相关的数据，包括：
采用移动窗函数对第二媒体流进行声音分帧，得到多段音频数据，每一段音频数据为一帧；
将每段音频数据分别进行波形变换，得到每段音频数据对应的一个多维向量，所述多维向量为声学特征；
采用声学模型识别出与各多维向量匹配概率最大的发音序列；
采用语言模型查找出与所述发音序列匹配概率最大的字符串序列；
对所述字符串序列进行语义理解，以识别所述第二媒体流中的核心词语；
将预设关键词与所述第二媒体流中的核心词语进行匹配，得到所述与逾期还款相关的音频数据。
其中，所述预设关键词是指同意还款或者具备还款倾向的关键词。例如，所述预设关键词包括“好的”、“OK”、“可以”和“等会就还”等携带同意还款的关键词。若音频数据中含有“好的”、“OK”、“可以”和“等会就还”等携带同意还款单向的关键词，则表示逾期用户同意还款，逾期催收结果为愿意还款。若语音数据中不含有“好的”、“OK”、“可以”和“等会就还”等携带同意还款的关键词，则表示逾期用户不同意还款，逾期催收结果为不愿意还款。
一些实施方式中，预设关键词可采用预先训练好的隐式马尔科夫(Hidden Markov Model，HMM)模型实现，采用HMM模型即可对音频数据进行关键词识别。其中，HMM模型是预先训练好的存储在催收平台中，用于识别通话语音中是否存在“好的”、“OK”、“可以”和“等会就还”等预设关键词的模型。本实施例中，采用预先训练好的HMM模型识别音频数据中是否存在预设关键词，可以提高识别准确率。
一些实施方式中，为进一步保证语义分析的准确性，在接收目标用户的终端发送的第二媒体流之后，根据语音识别技术对第二媒体流进行语义分析之前，还可以提高第二媒体流的播放分贝、降低第二媒体流的播放速度、以及去除第二媒体流中的噪声。以下分别介绍：
(1)提高第二媒体流的播放分贝
测量所述第二媒体流的播放分贝；
若所述第二媒体流的播放分贝低于预设分贝，则增加所述第二媒体流的播放分贝，以使述第二媒体流的播放分贝不小于所述预设分贝。
其中，预设分贝是指满足机器对所述第二媒体流进行语义识别的最低分贝值。
即使目标用户说话的音量低，或者离麦克风较远，也不会因为录制的用户说话(即转换为第二媒体流发给催收平台)的音量低而导致无法清晰和准确的分析接收到的第二媒体流。可见，提高第二媒体流的播放分贝后，能够增强语义识别的准确性和清晰度。
(2)降低所述第二媒体流的播放速度
测量所述第二媒体流的播放速度；
若所述第二媒体流的播放速度高于预设播放速度，则降低所述第二媒体流的播放速度，以使所述第二媒体流的播放速度不高于预设播放速度。
即使目标用户说话的语速快，也不会因为录制的用户说话(即转换为第二媒体流发给催收平台)的语速快而导致无法清晰和准确的分析接收到的第二媒体流。可见，降低所述第二媒体流的播放速度后，能够增强语义识别的准确性和清晰度。
一些实施方式中，可采用分帧或加窗的方式降低第二媒体流的播放速度。以第二媒体流为语音信号为例，语音信号具有短时平稳性(10～30ms内可以认为语音信号近似不变)，那么，对语音信号进行分帧则是指将语音信号分为一些短段进行处理，例如交叠分段的方法，前一帧和后一帧的交叠部分称为帧移，帧移与帧长的比值一般为0～0.5。例如，每秒的帧数约为33～100帧，帧长为25ms，帧移为10ms。分帧可采用可移动的有限长度的窗口进行加权的方法实现。
(3)去除所述第二媒体流中的噪声
分析所述第二媒体流中的数据；
若通过分析确定所述第二媒体流中包含噪声数据，则将所述噪声数据从所述第二媒体流中过滤。
即使目标用户说话时周围存在噪声，也不会因为录制的用户说话(即转换为第二媒体流发给催收平台)中包括噪声数据而导致无法清晰和准确的分析接收到的第二媒体流。可见，去除所述第二媒体流中的噪声数据后，能够实现语义增强，即增强语义识别的准确性和清晰度。
可采用卡尔曼(Kronecker)滤波算法过滤噪声。本申请不对分析噪声数据的方式、以及过滤噪声数据的方式作限定。
例如，语音信号、噪声数据p(k)&噪声数据n(k)的统计特性分别为：
E(p(k))＝q,E(n(k))＝r，
E(p(k)p(j)T)＝Qδkj，E(n(k)n(j)T)＝Rδkj，
其中，q和r分别为噪声p(k)和n(k)的均值；Q和R分别为噪声数据p(k)&噪声数据n(k)的协方差，δkj为Kronecker函数。本申请中，语音增强是指在已知语音信号Y(k)的前提下去估计最优语音信号X(k)，最优语音信号X(k)也可称为最优估计。一种语音信号的优化公式如下：
minimizeWT(k)R-1W(k)+(X(k)-X (k|k-1))TΘ-1(X(k)-X (k|k-1))+λ||v(k)||1
subject to Y(k)＝CX(k)+n(k)+v(k)，
其中，X(k)和n(k)为变量，X(k)即为Kronecker滤波算法中对状态值的最优估计，即n(k)是对高斯噪声的估计，Θ是高斯噪声的协方差矩阵，v(k)即为稀疏噪声，通过对上述优化公式求解，得到对语音信号的最优估计X(k)。
106、将与逾期还款相关的音频数据转换为文字信息，并将文字信息和与文字信息匹配的催收标签录入所述催收平台。
其中，所述催收标签可包括承诺按期还款(例如接通-是本人-承诺还款)、申请推迟还款(例如接通-是本人-承诺推迟还款)、无力还款(例如接通-用户家属-无力还款)等。
一些实施方式中，所述从第二媒体流中提取与逾期还款相关的音频数据之后，所述将与逾期还款相关的音频数据转换为文字信息之前，所述方法还包括：
对所述第二媒体流进行测谎分析；
若确定所述目标用户存在虚假回答，则根据虚假回答对应的问题选择补强问题，所述补强问题用于引导目标用户回答多个维度的问题；
按照问题引导模式向所述目标用户发送所述补强问题；
接收目标用户针对所述补强问题的回答；
对目标用户针对所述补强问题的回答进行语义分析，将所述与逾期还款相关的数据中的虚假回答替换为本次语义分析的结果。
可见，通过对目标用户的第二媒体流进行测谎分析，能够更深的挖掘目标用户是否在隐瞒真实还款能力和还款意愿，能够提高对目标用户的真实还款能力核还款意愿的掌握程度，从而降低逾期还款的概率和应对潜在赖账的风险。
107、根据所述文字信息和所述催收标签生成贷款催收记录并保存。
其中，所述贷款催收记录是指对每次催收还款的全程记录，用于催收人员分析、更新和管理，例如便于按条件检索催收记录，或者为目标用户分配催收等级。所述催收等级根据超出还款日期的时间或逾期贷款金额确定，超期时间越长，逾期贷款数据催收等级越高，贷款金额越大，逾期贷款数据催收等级越高。
一些实施方式中，在生成贷款催收记录后，还可以根据催收记录对各目标用户绘制用户画像(例如知识图谱形式)，便于催收人员更直观的分析目标用户的还款能力和还款信用等特性。
与现有机制相比，本申请实施例中，按照所述贷款催收清单中各目标用户对应的逾期类型分别确定与各目标用户的逾期类型匹配的问题类型，根据各目标用户对应的问题类型从题库中选择与问题类型匹配的目标问题，以及按照逾期类型分别确定所述贷款催收清单中各目标用户的催收渠道，通过所述催收渠道与各目标用户绑定的终端建立会话连接，按照目标问题的应答逻辑将目标问题转换为第一媒体流，向目标用户的终端发送与目标问题对应的第一媒体流以与目标用户的终端进行会话。根据语音识别技术对目标用户的第二媒体流进行语义分析，从第二媒体流中提取与逾期还款相关的音频数据，将与逾期还款相关的音频数据转换为文字信息，并将文字信息和与文字信息匹配的催收标签录入所述催收平台。可见，采用本方案后，由机器与目标用户沟通并确认各种基本信息，提高催收工作效率，降低催收成本，无需考虑机器是否疲倦，并且能 够提高识别目标用户的真实语音意图的准确率，以及自动生成贷款催收记录，无需催收员填写很多信息，使催收变得智能化，解放生产力以及提高用户体验。
上述图1所对应的实施例或实施方式中所提及的技术特征也同样适用于本申请中的图2和图3所对应的实施例，后续类似之处不再赘述。
以上对本申请中一种基于人工智能处理数据的方法进行说明，以下对执行上述基于人工智能处理数据的方法的装置进行描述。
如图2所示的一种基于人工智能处理数据的装置20的结构示意图，其可应用于语音意图识别，例如机器与人语音或视频通话。本申请实施例中的装置20能够实现对应于上述图1所对应的实施例中所执行的基于人工智能处理数据的方法的步骤。装置20实现的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。所述装置20可包括收发模块201和处理模块202，所述处理模块202和获取模块201的功能实现可参考图1所对应的实施例中所执行的操作，此处不作赘述。所述处理模块202可用于控制所述收发模块201的收发、获取等操作。
一些实施方式中，所述收发模块201可用于获取多个用户贷款信息；
所述处理模块202可用于遍历所述收发模块201获取到的所述多个用户贷款信息；按照预设筛选条件从所述用户贷款信息筛选出多项逾期贷款数据，按照逾期类型对各逾期贷款数据分类，并统计各逾期贷款数据对应的目标用户，生成包括多个目标用户的贷款催收清单；按照所述贷款催收清单中各目标用户对应的逾期类型分别确定与各目标用户的逾期类型匹配的问题类型，根据各目标用户对应的问题类型从题库中选择与问题类型匹配的目标问题，以及按照逾期类型分别确定所述贷款催收清单中各目标用户的催收渠道；通过所述催收渠道与各目标用户绑定的终端建立会话连接，按照目标问题的应答逻辑将目标问题转换为第一媒体流，通过所述收发模块201向目标用户的终端发送与目标问题对应的第一媒体流，以与目标用户的终端进行会话；其中，应答逻辑是指催收平台按照预设的应答模式向目标用户的终端发送目标问题的媒体流，以与终端会话的应答规则；
所述处理模块202还用于通过所述收发模块接收目标用户的终端发送的第二媒体流，根据语音识别技术对所述第二媒体流进行语义分析，从所述第二媒体流中提取与逾期还款相关的音频数据；将与逾期还款相关的音频数据转换为文字信息，并将文字信息和与文字信息匹配的催收标签录入所述催收平台；根据所述文字信息和所述催收标签生成贷款催收记录并保存。
在一些实施方式中，所述处理模块202具体用于：
采用移动窗函数对第二媒体流进行声音分帧，得到多段音频数据，每一段音频数据为一帧；
将每段音频数据分别进行波形变换，得到每段音频数据对应的一个多维向 量，所述多维向量为声学特征；
采用声学模型识别出与各多维向量匹配概率最大的发音序列；
采用语言模型查找出与所述发音序列匹配概率最大的字符串序列；
对所述字符串序列进行语义理解，以识别所述第二媒体流中的核心词语；
将预设关键词与所述第二媒体流中的核心词语进行匹配，得到所述与逾期还款相关的音频数据；其中，所述预设关键词是指同意还款或者具备还款倾向的关键词。
在一些实施方式中，所述处理模块202在所述收发模块201接收目标用户的终端发送的第二媒体流之后，在根据语音识别技术对第二媒体流进行语义分析之前，还用于：
测量所述第二媒体流的播放分贝；
若所述第二媒体流的播放分贝低于预设分贝，则增加所述第二媒体流的播放分贝，以使述第二媒体流的播放分贝不小于所述预设分贝，其中，预设分贝是指满足机器对所述第二媒体流进行语义识别的最低分贝值。
在一些实施方式中，所述处理模块202在所述收发模块201在接收目标用户的终端发送的第二媒体流之后，在根据语音识别技术对第二媒体流进行语义分析之前，还用于：
分析所述第二媒体流中的数据；
若通过分析确定所述第二媒体流中包含噪声数据，则采用以下公式对所述第二媒体流的语音信号进行语音增强处理，得到最优语音信号：
minimizeWT(k)R-1W(k)+(X(k)-X (k|k-1))TΘ-1(X(k)-X (k|k-1))+λ||v(k)||1
subject to Y(k)＝CX(k)+n(k)+v(k)，
其中，X(k)和n(k)为变量，X(k)为卡尔曼滤波算法中对状态值的最优估计，n(k)是对高斯噪声的估计，Θ是高斯噪声的协方差矩阵，v(k)为稀疏噪声；
采用卡尔曼滤波算法将所述噪声数据从所述第二媒体流中过滤。
在一些实施方式中，所述处理模块202在所述收发模块接收目标用户的终端发送的第二媒体流之后，在根据语音识别技术对第二媒体流进行语义分析之前，还用于：
测量所述第二媒体流的播放速度；
若所述第二媒体流的播放速度高于预设播放速度，则降低所述第二媒体流的播放速度，以使所述第二媒体流的播放速度不高于预设播放速度。
在一些实施方式中，所述处理模块202具体用于：
采用分帧或加窗的方式降低所述第二媒体流的播放速度
采用交叠分段方式将所述第二媒体流的语音信号分为多个短段，其中，所述第二媒体流的语音信号包括多个视频帧，前一帧和后一帧的交叠部分为帧移；
采用可移动的有限长度的窗口对所述多个短段进行加权处理，以降低所述第二媒体流的播放速度。
在一些实施方式中，所述处理模块202从所述第二媒体流中提取与逾期还款相关的音频数据之后，所述处理模块将与逾期还款相关的音频数据转换为文字信息之前，还用于：
对所述第二媒体流进行测谎分析；
若确定所述目标用户存在虚假回答，则根据虚假回答对应的问题选择补强问题，所述补强问题用于引导目标用户回答多个维度的问题；
按照问题引导模式向所述目标用户发送所述补强问题；
通过所述收发模块接收目标用户针对所述补强问题的回答；
对目标用户针对所述补强问题的回答进行语义分析，将所述与逾期还款相关的数据中的虚假回答替换为本次语义分析的结果。
需要说明的是，上述图2中所示的收发模块201对应的实体设备为图3所示的收发器，该收发器能够实现收发模块201部分或全部的功能，或者实现与收发模块201相同或相似的功能。
图2中所示的处理模块202对应的实体设备为图3所示的处理器，该处理器能够实现处理模块202部分或全部的功能，或者实现与处理模块202相同或相似的功能。
上面从模块化功能实体的角度分别介绍了本申请实施例中的装置20，以下从硬件角度介绍一种计算机设备，如图3所示，其包括：处理器、存储器、收发器(也可以是输入输出单元，图3中未标识出)以及存储在所述存储器中并可在所述处理器上运行的计算机程序。例如，该计算机程序可以为图1所对应的实施例中基于人工智能处理数据的方法对应的程序。例如，当计算机设备实现如图2所示的装置20的功能时，所述处理器执行所述计算机程序时实现上述图2所对应的实施例中由装置20执行的基于人工智能处理数据的方法中的各步骤；或者，所述处理器执行所述计算机程序时实现上述图2所对应的实施例的装置20中各模块的功能。又例如，该计算机程序可以为图1所对应的实施例中基于人工智能处理数据的方法对应的程序。
本申请还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，也可以为易失性计算机可读存储介质。计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如下步骤：
获取和遍历多个用户贷款信息；
按照预设筛选条件从所述用户贷款信息筛选出多项逾期贷款数据，按照逾期类型对各逾期贷款数据分类，并统计各逾期贷款数据对应的目标用户，生成包括多个目标用户的贷款催收清单；
按照所述贷款催收清单中各目标用户对应的逾期类型分别确定与各目标用户的逾期类型匹配的问题类型，根据各目标用户对应的问题类型从题库中选择与问题类型匹配的目标问题，以及按照逾期类型分别确定所述贷款催收清单中各目标用户的催收渠道；
通过所述催收渠道与各目标用户绑定的终端建立会话连接，按照目标问题的应答逻辑将目标问题转换为第一媒体流，向目标用户的终端发送与目标问题对应的第一媒体流，以与目标用户的终端进行会话；其中，应答逻辑是指催收平台按照预设的应答模式向目标用户的终端发送目标问题的媒体流，以与终端会话的应答规则；
接收目标用户的终端发送的第二媒体流，根据语音识别技术对所述第二媒体流进行语义分析，从所述第二媒体流中提取与逾期还款相关的音频数据；
将与逾期还款相关的音频数据转换为文字信息，并将文字信息和与文字信息匹配的催收标签录入所述催收平台；
根据所述文字信息和所述催收标签生成贷款催收记录并保存。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，这些均属于本申请的保护之内。

Claims (20)

  1. 一种基于人工智能处理数据的方法，所述方法包括：
    获取和遍历多个用户贷款信息；
    按照预设筛选条件从所述用户贷款信息筛选出多项逾期贷款数据，按照逾期类型对各逾期贷款数据分类，并统计各逾期贷款数据对应的目标用户，生成包括多个目标用户的贷款催收清单；
    按照所述贷款催收清单中各目标用户对应的逾期类型分别确定与各目标用户的逾期类型匹配的问题类型，根据各目标用户对应的问题类型从题库中选择与问题类型匹配的目标问题，以及按照逾期类型分别确定所述贷款催收清单中各目标用户的催收渠道；
    通过所述催收渠道与各目标用户绑定的终端建立会话连接，按照目标问题的应答逻辑将目标问题转换为第一媒体流，向目标用户的终端发送与目标问题对应的第一媒体流，以与目标用户的终端进行会话；其中，应答逻辑是指催收平台按照预设的应答模式向目标用户的终端发送目标问题的媒体流，以与终端会话的应答规则；
    接收目标用户的终端发送的第二媒体流，根据语音识别技术对所述第二媒体流进行语义分析，从所述第二媒体流中提取与逾期还款相关的音频数据；
    将与逾期还款相关的音频数据转换为文字信息，并将文字信息和与文字信息匹配的催收标签录入所述催收平台；
    根据所述文字信息和所述催收标签生成贷款催收记录并保存。
  2. 根据权利要求1所述的方法，所述根据语音识别技术对所述第二媒体流进行语义分析，从所述第二媒体流中提取与逾期还款相关的数据，包括：
    采用移动窗函数对第二媒体流进行声音分帧，得到多段音频数据，每一段音频数据为一帧；
    将每段音频数据分别进行波形变换，得到每段音频数据对应的一个多维向量，所述多维向量为声学特征；
    采用声学模型识别出与各多维向量匹配概率最大的发音序列；
    采用语言模型查找出与所述发音序列匹配概率最大的字符串序列；
    对所述字符串序列进行语义理解，以识别所述第二媒体流中的核心词语；
    将预设关键词与所述第二媒体流中的核心词语进行匹配，得到所述与逾期还款相关的音频数据；其中，所述预设关键词是指同意还款或者具备还款倾向的关键词。
  3. 根据权利要求1所述的方法，所述在接收目标用户的终端发送的第二媒体流之后，所述根据语音识别技术对第二媒体流进行语义分析之前，所述方法还包括：
    测量所述第二媒体流的播放分贝；
    若所述第二媒体流的播放分贝低于预设分贝，则增加所述第二媒体流的播放分贝，以使述第二媒体流的播放分贝不小于所述预设分贝，其中，预设分贝是指满足机器对所述第二媒体流进行语义识别的最低分贝值。
  4. 根据权利要求1-3中任一项所述的方法，所述在接收目标用户的终端发送的第二媒体流之后，所述根据语音识别技术对第二媒体流进行语义分析之前，所述方法还包括：
    分析所述第二媒体流中的数据；
    若通过分析确定所述第二媒体流中包含噪声数据，则采用以下公式对所述第二媒体流的语音信号进行语音增强处理，得到最优语音信号：
    minimizeWT(k)R-1W(k)+(X(k)-X (k|k-1))TΘ-1(X(k)-X (k|k-1))+λ||v(k)||1
    subject to Y(k)＝CX(k)+n(k)+v(k)，
    其中，X(k)和n(k)为变量，X(k)为卡尔曼滤波算法中对状态值的最优估计，n(k)是对高斯噪声的估计，Θ是高斯噪声的协方差矩阵，v(k)为稀疏噪声；
    采用卡尔曼滤波算法将所述噪声数据从所述第二媒体流中过滤。
  5. 根据权利要求1-3中任一项所述的方法，所述在接收目标用户的终端发送的第二媒体流之后，所述根据语音识别技术对第二媒体流进行语义分析之前，所述方法还包括：
    测量所述第二媒体流的播放速度；
    若所述第二媒体流的播放速度高于预设播放速度，则降低所述第二媒体流的播放速度，以使所述第二媒体流的播放速度不高于预设播放速度。
  6. 根据权利要求5所述的方法，所述降低所述第二媒体流的播放速度，包括：
    采用分帧或加窗的方式降低所述第二媒体流的播放速度
    采用交叠分段方式将所述第二媒体流的语音信号分为多个短段，其中，所述第二媒体流的语音信号包括多个视频帧，前一帧和后一帧的交叠部分为帧移；
    采用可移动的有限长度的窗口对所述多个短段进行加权处理，以降低所述第二媒体流的播放速度。
  7. 根据权利要求1-3中任一项所述的方法，所述从所述第二媒体流中提取与逾期还款相关的音频数据之后，所述将与逾期还款相关的音频数据转换为文字信息之前，所述方法还包括：
    对所述第二媒体流进行测谎分析；
    若确定所述目标用户存在虚假回答，则根据虚假回答对应的问题选择补强问题，所述补强问题用于引导目标用户回答多个维度的问题；
    按照问题引导模式向所述目标用户发送所述补强问题；
    接收目标用户针对所述补强问题的回答；
    对目标用户针对所述补强问题的回答进行语义分析，将所述与逾期还款相关的数据中的虚假回答替换为本次语义分析的结果。
  8. 一种基于人工智能处理数据的装置，所述装置包括：
    收发模块，用于获取多个用户贷款信息；
    处理模块，用于遍历所述收发模块获取到的所述多个用户贷款信息；按照预设筛选条件从所述用户贷款信息筛选出多项逾期贷款数据，按照逾期类型对各逾期贷款数据分类，并统计各逾期贷款数据对应的目标用户，生成包括多个目标用户的贷款催收清单；按照所述贷款催收清单中各目标用户对应的逾期类型分别确定与各目标用户的逾期类型匹配的问题类型，根据各目标用户对应的问题类型从题库中选择与问题类型匹配的目标问题，以及按照逾期类型分别确定所述贷款催收清单中各目标用户的催收渠道；通过所述催收渠道与各目标用户绑定的终端建立会话连接，按照目标问题的应答逻辑将目标问题转换为第一媒体流，通过所述收发模块向目标用户的终端发送与目标问题对应的第一媒体流，以与目标用户的终端进行会话；其中，应答逻辑是指催收平台按照预设的应答模式向目标用户的终端发送目标问题的媒体流，以与终端会话的应答规则；
    所述处理模块还用于通过所述收发模块接收目标用户的终端发送的第二媒体流，根据语音识别技术对所述第二媒体流进行语义分析，从所述第二媒体流中提取与逾期还款相关的音频数据；将与逾期还款相关的音频数据转换为文字信息，并将文字信息和与文字信息匹配的催收标签录入所述催收平台；根据所述文字信息和所述催收标签生成贷款催收记录并保存。
  9. 根据权利要求8所述的基于人工智能处理数据的装置，所述处理模块具体用于：
    采用移动窗函数对第二媒体流进行声音分帧，得到多段音频数据，每一段音频数据为一帧；
    将每段音频数据分别进行波形变换，得到每段音频数据对应的一个多维向量，所述多维向量为声学特征；
    采用声学模型识别出与各多维向量匹配概率最大的发音序列；
    采用语言模型查找出与所述发音序列匹配概率最大的字符串序列；
    对所述字符串序列进行语义理解，以识别所述第二媒体流中的核心词语；
    将预设关键词与所述第二媒体流中的核心词语进行匹配，得到所述与逾期还款相关的音频数据；其中，所述预设关键词是指同意还款或者具备还款倾向的关键词。
  10. 根据权利要求8所述的基于人工智能处理数据的装置，所述处理模块具体还用于：
    测量所述第二媒体流的播放分贝；
    若所述第二媒体流的播放分贝低于预设分贝，则增加所述第二媒体流的播放分贝，以使述第二媒体流的播放分贝不小于所述预设分贝，其中，预设分贝是指满足机器对所述第二媒体流进行语义识别的最低分贝值。
  11. 根据权利要求8至10中任一项所述的基于人工智能处理数据的装置，所述处理模块具体还用于：
    分析所述第二媒体流中的数据；
    若通过分析确定所述第二媒体流中包含噪声数据，则采用以下公式对所述第二媒体流的语音信号进行语音增强处理，得到最优语音信号：
    minimizeWT(k)R-1W(k)+(X(k)-X (k|k-1))TΘ-1(X(k)-X (k|k-1))+λ||v(k)||1
    subject to Y(k)＝CX(k)+n(k)+v(k)，
    其中，X(k)和n(k)为变量，X(k)为卡尔曼滤波算法中对状态值的最优估计，n(k)是对高斯噪声的估计，Θ是高斯噪声的协方差矩阵，v(k)为稀疏噪声；
    采用卡尔曼滤波算法将所述噪声数据从所述第二媒体流中过滤。
  12. 根据权利要求8至10中任一项所述的基于人工智能处理数据的装置，所述处理模块具体还用于：
    测量所述第二媒体流的播放速度；
    若所述第二媒体流的播放速度高于预设播放速度，则降低所述第二媒体流的播放速度，以使所述第二媒体流的播放速度不高于预设播放速度。
  13. 根据权利要求12所述的基于人工智能处理数据的装置，所述处理模块具体还用于：
    采用分帧或加窗的方式降低所述第二媒体流的播放速度；
    采用交叠分段方式将所述第二媒体流的语音信号分为多个短段，其中，所述第二媒体流的语音信号包括多个视频帧，前一帧和后一帧的交叠部分为帧移；
    采用可移动的有限长度的窗口对所述多个短段进行加权处理，以降低所述第二媒体流的播放速度。
  14. 根据权利要求8至10中任一项所述的基于人工智能处理数据的装置，所述处理模块具体还用于：
    对所述第二媒体流进行测谎分析；
    若确定所述目标用户存在虚假回答，则根据虚假回答对应的问题选择补强问题，所述补强问题用于引导目标用户回答多个维度的问题；
    按照问题引导模式向所述目标用户发送所述补强问题；
    通过所述收发模块接收目标用户针对所述补强问题的回答；
    对目标用户针对所述补强问题的回答进行语义分析，将所述与逾期还款相关的数据中的虚假回答替换为本次语义分析的结果。
  15. 一种计算机设备，包括存储器、处理器及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下步骤：
    获取和遍历多个用户贷款信息；
    按照预设筛选条件从所述用户贷款信息筛选出多项逾期贷款数据，按照逾期类型对各逾期贷款数据分类，并统计各逾期贷款数据对应的目标用户，生成包括多个目标用户的贷款催收清单；
    按照所述贷款催收清单中各目标用户对应的逾期类型分别确定与各目标用户的逾期类型匹配的问题类型，根据各目标用户对应的问题类型从题库中选择与问题类型匹配的目标问题，以及按照逾期类型分别确定所述贷款催收清单中各目标用户的催收渠道；
    通过所述催收渠道与各目标用户绑定的终端建立会话连接，按照目标问题的应答逻辑将目标问题转换为第一媒体流，向目标用户的终端发送与目标问题对应的第一媒体流，以与目标用户的终端进行会话；其中，应答逻辑是指催收平台按照预设的应答模式向目标用户的终端发送目标问题的媒体流，以与终端会话的应答规则；
    接收目标用户的终端发送的第二媒体流，根据语音识别技术对所述第二媒体流进行语义分析，从所述第二媒体流中提取与逾期还款相关的音频数据；
    将与逾期还款相关的音频数据转换为文字信息，并将文字信息和与文字信息匹配的催收标签录入所述催收平台；
    根据所述文字信息和所述催收标签生成贷款催收记录并保存。
  16. 根据权利要求15所述的计算机设备，所述处理器执行所述计算机程序实现所述根据语音识别技术对所述第二媒体流进行语义分析，从所述第二媒体流中提取与逾期还款相关的数据时，包括以下步骤：
    采用移动窗函数对第二媒体流进行声音分帧，得到多段音频数据，每一段 音频数据为一帧；
    将每段音频数据分别进行波形变换，得到每段音频数据对应的一个多维向量，所述多维向量为声学特征；
    采用声学模型识别出与各多维向量匹配概率最大的发音序列；
    采用语言模型查找出与所述发音序列匹配概率最大的字符串序列；
    对所述字符串序列进行语义理解，以识别所述第二媒体流中的核心词语；
    将预设关键词与所述第二媒体流中的核心词语进行匹配，得到所述与逾期还款相关的音频数据；其中，所述预设关键词是指同意还款或者具备还款倾向的关键词。
  17. 根据权利要求15所述的计算机设备，所述处理器执行所述计算机程序实现所述在接收目标用户的终端发送的第二媒体流之后，所述根据语音识别技术对第二媒体流进行语义分析之前，还包括以下步骤：
    测量所述第二媒体流的播放分贝；
    若所述第二媒体流的播放分贝低于预设分贝，则增加所述第二媒体流的播放分贝，以使述第二媒体流的播放分贝不小于所述预设分贝，其中，预设分贝是指满足机器对所述第二媒体流进行语义识别的最低分贝值。
  18. 根据权利要求15至17中任一项所述的计算机设备，所述处理器执行所述计算机程序实现所述在接收目标用户的终端发送的第二媒体流之后，所述根据语音识别技术对第二媒体流进行语义分析之前，还包括以下步骤：
    分析所述第二媒体流中的数据；
    若通过分析确定所述第二媒体流中包含噪声数据，则采用以下公式对所述第二媒体流的语音信号进行语音增强处理，得到最优语音信号：
    minimizeWT(k)R-1W(k)+(X(k)-X (k|k-1))TΘ-1(X(k)-X (k|k-1))+λ||v(k)||1
    subject to Y(k)＝CX(k)+n(k)+v(k)，
    其中，X(k)和n(k)为变量，X(k)为卡尔曼滤波算法中对状态值的最优估计，n(k)是对高斯噪声的估计，Θ是高斯噪声的协方差矩阵，v(k)为稀疏噪声；
    采用卡尔曼滤波算法将所述噪声数据从所述第二媒体流中过滤。
  19. 根据权利要求15至17中任一项所述的计算机设备，所述处理器执行所述计算机程序实现所述在接收目标用户的终端发送的第二媒体流之后，所述根据语音识别技术对第二媒体流进行语义分析之前，还包括以下步骤：
    测量所述第二媒体流的播放速度；
    若所述第二媒体流的播放速度高于预设播放速度，则降低所述第二媒体流的播放速度，以使所述第二媒体流的播放速度不高于预设播放速度。
  20. 一种计算机可读存储介质，所述计算机可读存储介质中存储计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行如下步骤：
    获取和遍历多个用户贷款信息；
    按照预设筛选条件从所述用户贷款信息筛选出多项逾期贷款数据，按照逾期类型对各逾期贷款数据分类，并统计各逾期贷款数据对应的目标用户，生成包括多个目标用户的贷款催收清单；
    按照所述贷款催收清单中各目标用户对应的逾期类型分别确定与各目标用户的逾期类型匹配的问题类型，根据各目标用户对应的问题类型从题库中选择与问题类型匹配的目标问题，以及按照逾期类型分别确定所述贷款催收清单中各目标用户的催收渠道；
    通过所述催收渠道与各目标用户绑定的终端建立会话连接，按照目标问题的应答逻辑将目标问题转换为第一媒体流，向目标用户的终端发送与目标问题对应的第一媒体流，以与目标用户的终端进行会话；其中，应答逻辑是指催收平台按照预设的应答模式向目标用户的终端发送目标问题的媒体流，以与终端会话的应答规则；
    接收目标用户的终端发送的第二媒体流，根据语音识别技术对所述第二媒体流进行语义分析，从所述第二媒体流中提取与逾期还款相关的音频数据；
    将与逾期还款相关的音频数据转换为文字信息，并将文字信息和与文字信息匹配的催收标签录入所述催收平台；
    根据所述文字信息和所述催收标签生成贷款催收记录并保存。
PCT/CN2019/118239 2019-09-19 2019-11-14 基于人工智能处理数据的方法、装置及存储介质 WO2021051592A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910884636.XA CN110782335B (zh) 2019-09-19 2019-09-19 基于人工智能处理信贷数据的方法、装置及存储介质
CN201910884636.X 2019-09-19

Publications (1)

Publication Number Publication Date
WO2021051592A1 true WO2021051592A1 (zh) 2021-03-25

Family

ID=69384230

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/118239 WO2021051592A1 (zh) 2019-09-19 2019-11-14 基于人工智能处理数据的方法、装置及存储介质

Country Status (2)

Country Link
CN (1) CN110782335B (zh)
WO (1) WO2021051592A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159901A (zh) * 2021-04-29 2021-07-23 天津狮拓信息技术有限公司 融资租赁业务会话的实现方法和装置
CN114630186A (zh) * 2022-03-21 2022-06-14 武汉叶子互娱文化传媒有限公司 一种网络直播智能引导方法、系统及计算机存储介质
CN114820124A (zh) * 2022-04-26 2022-07-29 平安国际融资租赁有限公司 降低车辆租赁逾期率的方法、装置、设备及介质
CN116629456A (zh) * 2023-07-20 2023-08-22 杭银消费金融股份有限公司 业务逾期风险预测方法、系统与存储介质
CN117094817A (zh) * 2023-10-20 2023-11-21 国任财产保险股份有限公司 一种信用风险控制智能预测方法及系统
CN118110990A (zh) * 2024-04-19 2024-05-31 新疆凯龙清洁能源股份有限公司 一种天然气发电装置烟气热量回收的方法和系统

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968632B (zh) * 2020-07-14 2024-05-10 招联消费金融股份有限公司 通话语音获取方法、装置、计算机设备和存储介质
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
CN112258317B (zh) * 2020-10-30 2022-11-11 深圳壹账通智能科技有限公司 基于人工智能的线上信贷方法、装置、计算机设备及介质
CN113724066A (zh) * 2021-08-31 2021-11-30 平安普惠企业管理有限公司 基于语义分析的权益分配方法、装置、设备及存储介质
CN114610840A (zh) * 2022-03-23 2022-06-10 平安普惠企业管理有限公司 基于敏感词的账务监控方法、装置、设备及存储介质
CN116153330B (zh) * 2023-04-04 2023-06-23 杭州度言软件有限公司 一种智能电话语音机器人控制方法
CN117579723A (zh) * 2023-11-22 2024-02-20 东亚银行(中国)有限公司 一种报文解析方法以及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070156557A1 (en) * 2000-02-01 2007-07-05 Min Shao Enhancing Delinquent Debt Collection Using Statistical Models of Debt Historical Information and Account Events
CN108961095A (zh) * 2018-06-13 2018-12-07 国网福建省电力有限公司 一种基于ai的智能催收电费系统
CN109064315A (zh) * 2018-08-02 2018-12-21 平安科技（深圳）有限公司 逾期账单智能催收方法、装置、计算机设备及存储介质
CN109147796A (zh) * 2018-09-06 2019-01-04 平安科技（深圳）有限公司 语音识别方法、装置、计算机设备及计算机可读存储介质
CN109671433A (zh) * 2019-01-10 2019-04-23 腾讯科技（深圳）有限公司 一种关键词的检测方法以及相关装置
CN109670148A (zh) * 2018-09-26 2019-04-23 平安科技（深圳）有限公司 基于语音识别的催收辅助方法、装置、设备和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194807A (zh) * 2017-06-29 2017-09-22 喀什博雅成信网络科技有限公司 一种贷款智能催收系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070156557A1 (en) * 2000-02-01 2007-07-05 Min Shao Enhancing Delinquent Debt Collection Using Statistical Models of Debt Historical Information and Account Events
CN108961095A (zh) * 2018-06-13 2018-12-07 国网福建省电力有限公司 一种基于ai的智能催收电费系统
CN109064315A (zh) * 2018-08-02 2018-12-21 平安科技（深圳）有限公司 逾期账单智能催收方法、装置、计算机设备及存储介质
CN109147796A (zh) * 2018-09-06 2019-01-04 平安科技（深圳）有限公司 语音识别方法、装置、计算机设备及计算机可读存储介质
CN109670148A (zh) * 2018-09-26 2019-04-23 平安科技（深圳）有限公司 基于语音识别的催收辅助方法、装置、设备和存储介质
CN109671433A (zh) * 2019-01-10 2019-04-23 腾讯科技（深圳）有限公司 一种关键词的检测方法以及相关装置

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159901A (zh) * 2021-04-29 2021-07-23 天津狮拓信息技术有限公司 融资租赁业务会话的实现方法和装置
CN113159901B (zh) * 2021-04-29 2024-06-04 天津狮拓信息技术有限公司 融资租赁业务会话的实现方法和装置
CN114630186A (zh) * 2022-03-21 2022-06-14 武汉叶子互娱文化传媒有限公司 一种网络直播智能引导方法、系统及计算机存储介质
CN114630186B (zh) * 2022-03-21 2023-11-07 河北太行农牧供应链有限公司 一种网络直播智能引导方法、系统及计算机存储介质
CN114820124A (zh) * 2022-04-26 2022-07-29 平安国际融资租赁有限公司 降低车辆租赁逾期率的方法、装置、设备及介质
CN116629456A (zh) * 2023-07-20 2023-08-22 杭银消费金融股份有限公司 业务逾期风险预测方法、系统与存储介质
CN116629456B (zh) * 2023-07-20 2023-10-13 杭银消费金融股份有限公司 业务逾期风险预测方法、系统与存储介质
CN117094817A (zh) * 2023-10-20 2023-11-21 国任财产保险股份有限公司 一种信用风险控制智能预测方法及系统
CN117094817B (zh) * 2023-10-20 2024-02-13 国任财产保险股份有限公司 一种信用风险控制智能预测方法及系统
CN118110990A (zh) * 2024-04-19 2024-05-31 新疆凯龙清洁能源股份有限公司 一种天然气发电装置烟气热量回收的方法和系统

Also Published As

Publication number Publication date
CN110782335A (zh) 2020-02-11
CN110782335B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
WO2021051592A1 (zh) 基于人工智能处理数据的方法、装置及存储介质
US8005675B2 (en) Apparatus and method for audio analysis
CN107274916B (zh) 基于声纹信息对音频/视频文件进行操作的方法及装置
CN109559221A (zh) 基于用户数据的催收方法、装置和存储介质
CN108073600A (zh) 一种智能问答交互方法、装置以及电子设备
US9711167B2 (en) System and method for real-time speaker segmentation of audio interactions
CN111539221B (zh) 一种数据处理方法及系统
CN109599117A (zh) 一种音频数据识别方法及人声语音防重放识别系统
CN111159375A (zh) 一种文本处理方法及装置
CN104538035A (zh) 一种基于Fisher超向量的说话人识别方法及系统
CN111091809A (zh) 一种深度特征融合的地域性口音识别方法及装置
CN105845143A (zh) 基于支持向量机的说话人确认方法及其系统
CN107886940A (zh) 语音翻译处理方法及装置
CN110556114B (zh) 基于注意力机制的通话人识别方法及装置
US8589384B2 (en) Methods and arrangements for employing descriptors for agent-customer interactions
CN114155845A (zh) 服务确定方法、装置、电子设备及存储介质
CN110853623A (zh) 一种基于语音问答的自动金融催收方法及装置
CN112820316A (zh) 一种智能客服的对话方法和系统
CN111951783B (zh) 一种基于音素滤波的说话人识别方法
CN111178068A (zh) 一种基于对话情绪检测的催收暴力倾向评价方法和装置
Fabien et al. Open-Set Speaker Identification pipeline in live criminal investigations
CN111833897B (zh) 一种用于交互式教育的语音增强方法
US20240079022A1 (en) General speech enhancement method and apparatus using multi-source auxiliary information
CN110166640B (zh) 呼叫中心通用信息模型建立系统及方法
CN117649843A (zh) 音频处理方法以及装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19945739

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19945739

Country of ref document: EP

Kind code of ref document: A1