告警处理方法、装置、设备、介质及产品与流程

摘要: 本技术涉及人工智能领域或金融科技领域,尤其涉及一种告警处理方法、装置、设备、介质及产品。背景技术:1、随着银行业务数字化转型持续推进,客户可通过客服热线、线上咨...
告警处理方法、装置、设备、介质及产品与流程

本技术涉及人工智能领域或金融科技领域,尤其涉及一种告警处理方法、装置、设备、介质及产品。

背景技术:

1、随着银行业务数字化转型持续推进,客户可通过客服热线、线上咨询窗口、手机银行客户端等多元渠道提交各类反馈,客户反馈行为呈现高频次、多维度、复杂化的特征。

2、现有技术主要采用两类方案实现客户反馈行为预测,以此支撑银行风险管控与客户经营管理工作:第一类为基于关键词匹配的规则引擎,该方案依托预设关键词词库完成文本规则匹配;第二类为情绪识别模型,该方案引入情感计算技术搭建情绪识别网络,可结合语音语调、面部表情等信息判别客户负面情绪状态。

3、然而,上述两类技术方案均存在明显缺陷:基于关键词匹配的规则引擎无法深度理解复杂自然语言语义;而情绪识别模型的实施方式则会带来突出的合规风险,同时存在客户数据隐私泄露的隐患。

技术实现思路

1、本技术实施例提供告警处理方法、装置、设备、介质及产品,用以解决用户异常行为识别效果不佳的问题。

2、第一方面,本技术实施例提供一种告警处理方法,包括:

3、获取目标用户的实时通话文本;

4、确定与所述实时通话文本对应的意图置信度以及行为异常得分;

5、对所述意图置信度和所述行为异常得分进行加权融合处理,得到所述目标用户的行为风险指数;

6、在所述行为风险指数大于或等于预设风险指数的情况下,确定所述目标用户存在异常行为,并对所述异常行为进行告警处理。

7、在一个可能的实施例中,所述确定与所述实时通话文本对应的意图置信度以及行为异常得分,包括:

8、对所述实时通话文本进行预处理,得到处理后的实时通话文本;

9、根据所述处理后的实时通话文本,确定所述意图置信度以及所述行为异常得分。

10、在一个可能的实施例中,所述根据所述处理后的实时通话文本,确定所述意图置信度,包括:

11、将所述处理后的实时通话文本输入预先构建意图识别模型中,得到所述意图识别模型输出的意图标签,以及所述意图标签对应的所述意图置信度。

12、在一个可能的实施例中,所述根据所述处理后的实时通话文本,确定所述行为异常得分,包括:

13、获取所述目标用户的历史行为数据;

14、根据所述历史行为数据,确定所述目标用户的历史行为指标;

15、根据所述处理后的实时通话文本,确定所述目标用户的当前行为指标;

16、对所述历史行为指标和所述当前行为指标进行加权融合处理,得到所述行为异常得分。

17、在一个可能的实施例中,所述对所述异常行为进行告警处理,包括:

18、确定与所述实时通话文本对应的预设数量个历史通话文本;

19、根据所述预设数量个历史通话文本,获取每个所述历史通话文本对应的历史处理工单;

20、根据所述实时通话文本以及每个所述历史通话文本对应的历史处理工单,对所述异常行为进行告警处理。

21、在一个可能的实施例中,所述根据所述实时通话文本以及每个所述历史通话文本对应的历史处理工单,对所述异常行为进行告警处理,包括:

22、将所述实时通话文本以及每个所述历史通话文本对应的历史处理工单输入预先训练的处理模型中,得到所述处理模型输出的当前处理方案;

23、根据所述当前处理方案,对预设的风险告警工单进行填充处理,得到所述实时通话文本对应的当前处理工单;

24、对所述当前处理工单进行任务分配,以使对所述异常行为进行告警处理。

25、在一个可能的实施例中,所述确定与所述实时通话文本对应的预设数量个历史通话文本,包括:

26、获取预设的历史案例向量库,所述历史案例向量库包括:多个历史通话文本;

27、确定所述实时通话文本与各所述历史通话文本之间的相似度;

28、根据所述实时通话文本与各所述历史通话文本之间的相似度,对多个所述历史通话文本进行排序处理,得到处理后的多个历史通话文本;

29、从所述处理后的多个历史通话文本中,确定预设数量个所述历史通话文本。

30、第二方面,本技术实施例提供一种告警处理装置,包括:

31、获取模块,用于获取目标用户的实时通话文本;

32、确定模块,用于确定与所述实时通话文本对应的意图置信度以及行为异常得分;

33、处理模块,用于对所述意图置信度和所述行为异常得分进行加权融合处理,得到所述目标用户的行为风险指数;

34、所述确定模块,还用于在所述行为风险指数大于或等于预设风险指数的情况下,确定所述目标用户存在异常行为;

35、所述处理模块,还用于对所述异常行为进行告警处理。

36、在一种可能的实施方式中,所述处理模块,还用于对所述实时通话文本进行预处理,得到处理后的实时通话文本;

37、所述确定模块,具体用于根据所述处理后的实时通话文本,确定所述意图置信度以及所述行为异常得分。

38、在一种可能的实施方式中,所述装置还包括:输入模块;

39、所述输入模块,用于将所述处理后的实时通话文本输入预先构建意图识别模型中,得到所述意图识别模型输出的意图标签,以及所述意图标签对应的所述意图置信度。

40、在一种可能的实施方式中,所述获取模块,还用于获取所述目标用户的历史行为数据;

41、所述确定模块,还用于根据所述历史行为数据,确定所述目标用户的历史行为指标;

42、所述确定模块,还用于根据所述处理后的实时通话文本,确定所述目标用户的当前行为指标;

43、所述处理模块,具体用于对所述历史行为指标和所述当前行为指标进行加权融合处理,得到所述行为异常得分。

44、在一种可能的实施方式中,所述确定模块,还用于确定与所述实时通话文本对应的预设数量个历史通话文本;

45、所述获取模块,还用于根据所述预设数量个历史通话文本,获取每个所述历史通话文本对应的历史处理工单;

46、所述处理模块,具体用于根据所述实时通话文本以及每个所述历史通话文本对应的历史处理工单,对所述异常行为进行告警处理。

47、在一种可能的实施方式中,所述输入模块,还用于将所述实时通话文本以及每个所述历史通话文本对应的历史处理工单输入预先训练的处理模型中,得到所述处理模型输出的当前处理方案;

48、所述处理模块,还用于根据所述当前处理方案,对预设的风险告警工单进行填充处理,得到所述实时通话文本对应的当前处理工单;

49、所述装置还包括:分配模块;

50、所述分配模块,用于对所述当前处理工单进行任务分配,以使对所述异常行为进行告警处理。

51、在一种可能的实施方式中,所述获取模块,还用于获取预设的历史案例向量库,所述历史案例向量库包括:多个历史通话文本;

52、所述确定模块,还用于确定所述实时通话文本与各所述历史通话文本之间的相似度;

53、所述处理模块,还用于根据所述实时通话文本与各所述历史通话文本之间的相似度,对多个所述历史通话文本进行排序处理,得到处理后的多个历史通话文本;

54、所述确定模块,具体用于从所述处理后的多个历史通话文本中,确定预设数量个所述历史通话文本。

55、第三方面,本技术实施例提供一种告警处理设备,包括:存储器,处理器;

56、所述存储器存储计算机执行指令;

57、所述处理器执行所述存储器存储的计算机执行指令,使得所述处理器执行如上第一方面和/或第一方面各种可能的实施方式。

58、第四方面,本技术实施例提供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计算机执行指令,所述计算机执行指令被处理器执行时用于实现如上第一方面和/或第一方面各种可能的实施方式。

59、第五方面,本技术实施例提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上第一方面和/或第一方面各种可能的实施方式。

60、本技术实施例提供的告警处理方法、装置、设备、介质及产品,首先获取目标用户的实时通话文本,随后识别该文本对应的意图置信度与行为异常得分,再结合意图置信度与行为异常得分计算得到用户的行为风险指数;当行为风险指数大于或等于预设风险阈值时,即可判定用户存在异常行为并触发告警处理。该方法有效解决了用户异常行为识别效果不佳的问题,进而规避了传统基于关键词匹配的规则引擎无法深度理解复杂自然语言语义的缺陷;且整个识别过程完全不依赖情绪识别或任何生物特征分析,严格遵循数据隐私与金融监管要求,在保障合规性的同时实现了高精准度的异常行为识别。