基于人工智能的违规行为检测方法、装置、设备及介质与流程

1.本发明涉及人工智能领域，尤其涉及一种基于人工智能的违规行为检测方法、装置、 电子设备及计算机可读存储介质。


背景技术：

2.目前，违规催收的检测通常是基于人工抽检一些催收通话或短信，以判断该录音或短 信是否存在违规催收的行为，但是催收通话、短信等的数量非常庞大，如果通过人工进行 检查会产生巨大的工作量，从而会影响违规催收的检测效率。
3.

技术实现要素：

4.本发明提供一种基于人工智能的违规行为检测方法、装置、电子设备及计算机可读存 储介质，其主要目的在于提高违规催收的检测效率。
5.为实现上述目的，本发明提供的一种基于人工智能的违规行为检测方法，包括：
6.分别获取催收方和债务方的催收语音和催收文本，对所述催收语音进行分帧处理，得 到多段分帧语音，并利用情绪检测模型检测每段所述分帧语音的分帧情绪，得到多个分帧 语音情绪，根据所述多个分帧语音情绪，识别所述债务方的情绪状态；
7.利用语音识别模型将所述催收语音转换为语音文本，分别对所述语音文本和所述催收 文本进行敏感词检测，以识别所述催收方的催收状态；
8.采集所述催收方的历史催收记录，根据所述历史催收记录，创建所述催收方的催收标 签；
9.根据所述债务方的情绪状态、所述催收方的催收状态及催收标签，利用违规催收评分 机制对所述催收方进行违规催收评分，以识别所述催收方是否具有违规行为，得到所述催 收方的催收检测结果。
10.可选地，所述利用情绪检测模型检测每段所述分帧语音的分帧情绪，得到多个分帧语 音情绪，包括：
11.利用所述情绪检测模型中的声纹识别网络识别每段所述分帧语音的债务方声纹，得到 多个债务方声纹；
12.利用所述情绪检测模型中的声纹提取网络提取每个所述债务方声纹的频谱特征，得到 多个频谱特征；
13.利用所述情绪检测模型中的情感识别网络检测每个所述频谱特征的情感特征，得到多 个分帧语音情绪。
14.可选地，所述利用所述情绪检测模型中的声纹识别网络识别每段所述分帧语音的债务 方声纹，得到多个债务方声纹，包括：
15.利用所述声纹识别网络中的卷积层对每段所述分帧语音进行特征提取，得到多个特征 语音；
16.利用所述声纹识别网络中的池化层对每个所述特征语音进行降维，得到多个降维语音；
17.利用所述声纹识别网络中的激活函数计算每个所述降维语音的声纹类别概率；
18.根据所述声纹类别概率，利用所述声纹识别网络中的全连接层输出每段所述分帧语音 的债务方语音，得到多个债务方声纹。
19.可选地，所述利用所述情绪检测模型中的声纹提取网络提取每个所述债务方声纹的频 谱特征，得到多个频谱特征，包括：
20.利用所述声纹提取网络中的频域转换函数将每个所述债务方声纹进行信号频域转换， 得到多个频域声纹；
21.利用所述声纹提取网络中的滤波器对每个所述频域声纹进行梅尔谱滤波，并将梅尔谱 滤波后的每个所述频域声纹进行倒谱分析，得到多个频谱特征。
22.可选地，所述利用所述情绪检测模型中的情感识别网络检测每个所述频谱特征的情感 特征，得到多个分帧语音情绪，包括：
23.利用所述情感识别网络中的匹配模块向情感数据库中匹配每个所述频谱特征的情感 数据；
24.利用所述情感识别网络中的回归函数计算每个所述情感数据的情感倾向值；
25.根据所述情感倾向值，利用所述情感识别网络中的激活函数输出每个所述频谱特征的 情感特征，得到多个分帧语音情绪。
26.可选地，所述利用语音识别模型对所述催收语音进行文本转换，得到语音文本，包括：
27.利用所述语音识别模型中的声学网络计算所述催收语音的音素序列概率，根据所述音 素序列概率；
28.利用所述语音识别模型中的语言网络识别所述催收语音的文字序列，根据所述文字序 列，生成语音文本。
29.可选地，所述分别对所述语音文本和所述催收文本进行敏感词检测，以识别所述催收 方的催收状态，包括：
30.分别对所述语音文本和所述催收文本进行分词，得到文本词语集；
31.计算所述文本词语集中每个文本词语与敏感词库中词语的匹配度，根据所述匹配度， 识别所述催收方的催收状态。
32.为了解决上述问题，本发明还提供一种基于人工智能的违规行为检测装置，所述装置 包括：
33.情绪状态识别模块，用于分别获取催收方和债务方的催收语音和催收文本，对所述催 收语音进行分帧处理，得到多段分帧语音，并利用情绪检测模型检测每段所述分帧语音的 分帧情绪，得到多个分帧语音情绪，根据所述多个分帧语音情绪，识别所述债务方的情绪 状态；
34.催收状态识别模块，用于利用语音识别模型将所述催收语音转换为语音文本，分别对 所述语音文本和所述催收文本进行敏感词检测，以识别所述催收方的催收状态；
35.催收标签创建模块，用于采集所述催收方的历史催收记录，根据所述历史催收记录， 创建所述催收方的催收标签；
36.违规催收识别模块，用于根据所述债务方的情绪状态、所述催收方的催收状态及催收 标签，利用违规催收评分机制对所述催收方进行违规催收评分，以识别所述催收方是否具 有违规行为，得到所述催收方的催收检测结果。
37.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
38.至少一个处理器；以及，
39.与所述至少一个处理器通信连接的存储器；其中，
40.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所 述至少一个处理器执行，以实现上述所述的基于人工智能的违规行为检测方法。
41.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介 质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以 实现上述所述的基于人工智能的违规行为检测方法。
42.可以看出，相较于现有技术中通过人工进行违规催收检测，本发明实施例通过从催收 方和债务方的催收语音、催收文本以及催收记录的三个维度，可以识别债务方的情绪状态、 催收方的催收状态和催收标签，以计算催收方的违规催收评分，实现所述催收方的违规催 收检测，可以保障违规催收检测准确性的同时，又可以实现违规催收的自动智能化检测， 从而可以避免过多人工参与违规催收检测的动作，减少人工参与的工作量，进而可以提高 违规催收的检测效率。
附图说明
43.图1为本发明一实施例提供的基于人工智能的违规行为检测方法的流程示意图；
44.图2为本发明一实施例提供的基于人工智能的违规行为检测装置的模块示意图；
45.图3为本发明一实施例提供的实现基于人工智能的违规行为检测方法的电子设备的内 部结构示意图；
46.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
47.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
48.本技术实施例提供一种基于人工智能的违规行为检测方法。所述基于人工智能的违规 行为检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提 供的该方法的电子设备中的至少一种。换言之，所述基于人工智能的违规行为检测方法可 以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所 述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所 述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存 储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content deliverynetwork，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
49.参照图1所示，为本发明一实施例提供的基于人工智能的违规行为检测方法的流程示 意图。在本发明实施例中，所述基于人工智能的违规行为检测方法包括：
50.s1、分别获取催收方和债务方的催收语音和催收文本，对所述催收语音进行分帧处理， 得到多段分帧语音，并利用情绪检测模型检测每段所述分帧语音的分帧情绪，得到
多个分 帧语音情绪，根据所述多个分帧语音情绪，识别所述债务方的情绪状态。
51.本发明实施例中，所述催收方与债务方相对应，其可以是向所述债务方提供贷款的债 权人，也可以是所述债权人委托的第三方催收机构，所述债务方是指向所述债权人进行贷 款的用户，其可以是个人用户也可以是企业用户，所述催收语音是指所述催收方与所述债 务方进行通话的语音，所述催收文本是指所述催收方向所述债务方发送的文档内容，如短 信文本。
52.进一步地，本发明实施例通过对所述催收语音进行分帧处理，以将所述催收语音拆分 成多段分帧语音，从而可以更好的检测出所述催收语音的情绪变化状态，可选的，本发明 实施例中，利用下述公式对所述催收语音进行分帧处理：
53.fn＝(n-overlap)/inc
54.其中，fn表示分帧分帧，n表示催收语音的总帧数，overlap表示催收语音中重叠的帧 数，inc表示帧移量。
55.进一步地，本发明实施例中，所述情绪检测模型包括声纹识别网络、声纹提取网络以 及情感识别网络，所述声纹识别网络可以为keras神经网络库中获取构建，其用于区别所 述分帧语音中的催收方语音和债务方语音，所述声纹提取网络可以通过librosa工具包构 建，其用于提取分帧语音中的频谱特征，以实现后续的情绪检测，所述情感识别网络可以 通过卷积神经网络构建，其用于识别出所述分帧语音的情感特征。
56.作为本发明的一个实施例，所述利用情绪检测模型检测每段所述分帧语音的分帧情绪， 得到多个分帧语音情绪，包括：利用所述情绪检测模型中的声纹识别网络识别每段所述分 帧语音的债务方声纹，得到多个债务方声纹，利用所述情绪检测模型中的声纹提取网络提 取每个所述债务方声纹的频谱特征，得到多个频谱特征，利用所述情绪检测模型中的情感 识别网络检测每个所述频谱特征的情感特征，得到多个分帧语音情绪。
57.一个可选实施例中，所述利用所述情绪检测模型中的声纹识别网络识别每段所述分帧 语音的债务方声纹，得到多个债务方声纹，包括：利用所述声纹识别网络中的卷积层对每 段所述分帧语音进行特征提取，得到多个特征语音，利用所述声纹识别网络中的池化层对 每个所述特征语音进行降维，得到多个降维语音，利用所述声纹识别网络中的激活函数计 算每个所述降维语音的声纹类别概率，根据所述声纹类别概率，利用所述声纹识别网络中 的全连接层输出每段所述分帧语音的债务方语音，得到多个债务方声纹。
58.一个可选实施例中，所述利用所述情绪检测模型中的声纹提取网络提取每个所述债务 方声纹的频谱特征，得到多个频谱特征，包括：利用所述声纹提取网络中的频域转换函数 将每个所述债务方声纹进行信号频域转换，得到多个频域声纹；利用所述声纹提取网络中 的滤波器对每个所述频域声纹进行梅尔谱滤波，并将梅尔谱滤波后的每个所述频域声纹进 行倒谱分析，得到多个频谱特征。其中，所述频域转换是将时域的债务方声纹转成频域信 号，所述梅尔谱滤波用于屏蔽频域声纹中不符合预设频率范围的声音信号，以得到符合人 耳听觉习惯的声谱图，所述倒谱分析是指对梅尔谱滤波后的频域声纹进行再次频谱分析， 以抽取频域声纹的轮廓信息，得到所述频域信号的特征数据。
59.一个可选实施例中，所述利用所述情绪检测模型中的情感识别网络检测每个所述频谱 特征的情感特征，得到多个分帧语音情绪，包括：利用所述情感识别网络中的匹配模块向 情感数据库中匹配每个所述频谱特征的情感数据，利用所述情感识别网络中的回归
函数计 算每个所述情感数据的情感倾向值，根据所述情感倾向值，利用所述情感识别网络中的激 活函数输出每个所述频谱特征的情感特征，得到多个分帧语音情绪。其中，所述情感数据 库包括casia数据库，所述情感数据包括：“暴跳如雷、心花怒放等”，所述分帧语音 情绪包括生气(angry)、高兴(happy)、害怕(fear)、悲伤(sad)、惊讶(surprise) 以及中性(neutral)等。
60.进一步地，本发明实施例根据所述多个分帧语音情绪，识别所述债务方的情绪状态， 即根据所述多个分帧语音情绪，识别出所述债务方在与所述催收方进行通话过程中情绪变 化的状态，从而作为后续判断所述催收方是否存在违规催收的前提。
61.示例性的，存在一段时间为1分钟的催收通话，识别该1分钟的催收通话中，债务人 的情绪状态变化为：平和-中性-惊讶-害怕-悲伤，则可以识别出催收方存在一定的风险行为。
62.s2、利用语音识别模型将所述催收语音转换为语音文本，分别对所述语音文本和所述 催收文本进行敏感词检测，以识别所述催收方的催收状态。
63.本发明实施通过语音识别模型将所述催收语音转换为语音文本，以获取所述催收语音 的文本数据，实现后续敏感词检测的前提，在本发明中，所述语音识别模型包括声学网络 和语言网络。所述声学网络可以通过隐马尔可夫算法构建，所述语言网络可以通过n-gram 算法构建。
64.作为本发明的一个实施例，所述利用语音识别模型对所述催收语音进行文本转换，得 到语音文本，包括：利用所述语音识别模型中的声学网络计算所述催收语音的音素序列概 率，根据所述音素序列概率，利用所述语音识别模型中的语言网络识别所述催收语音的文 字序列，根据所述文字序列，生成语音文本。
65.其中，所述音素序列概率是指生成文字的音节概率，如文字为“催收”，其音节包括：
ꢀ“
c、u、i、s、h、o、u”，则通过计算所述催收语音的音素序列概率，可以明确后续可以 生成文字“催收”的音节，从而得到所述催收语音的文字序列，进一步地，所述文字序列 是指音素序列生成文字的信息关系，用于生成所述催收语音的文本识别结果。
66.进一步地，本发明实施例通过分别对所述语音文本和所述催收文本进行敏感词检测， 以获取所述语音文本和所述催收文本中是否存在违规催收的敏感词，从而可以识别所述催 收方的催收状态，进而可以作为后续判断所述催收方是否存在违规催收的前提。
67.作为本发明的一个实施例，所述分别对所述语音文本和所述催收文本进行敏感词检测， 以识别所述催收方的催收状态，包括：分别对所述语音文本和所述催收文本进行分词，得 到文本词语集，计算所述文本词语集中每个文本词语与敏感词库中词语的匹配度，根据所 述匹配度，识别所述催收方的催收状态。
68.其中，所述语音文本和所述催收文本的分词可以通过分词算法实现，如结巴分词算法， 所述敏感词库中的词语可以通过历史催收场景中产生的敏感词语组合得到，如“恐吓、威 胁”等敏感词语，所述文本词语集中每个文本词语与敏感词库中词语的匹配度可以通过相 似度算法计算，如余弦相似度算法。
69.进一步地，本发明又一可选实施例中，所述根据所述匹配度，识别所述催收方的催收 状态，包括：若所述文本词语集中存在文本词语的匹配度大于预设阈值，则判断所述催收 方存在违规的催收状态，若所述文本词语集中每个文本词语均不大于所述预设阈值，则
判 断所述催收方不存在违规的催收状态。其中，所述预设阈值可以设置为0.92，也可以根据 实际业务场景设置。
70.s3、采集所述催收方的历史催收记录，根据所述历史催收记录，创建所述催收方的催 收标签。
71.本发明实施例通过采集所述催收方的历史催收记录，以识别出所述催收方的历史行为， 从而识别出所述催收方是否处于违规催收的行为，进而作为后续判断所述催收方是否存在 违规催收的前提，其中，所述历史催收记录可以通过查询后台数据中催收方和债务方的通 话记录和短信记录得到，所述催收标签可以根据催收频率、催收次数以及催收方式进行设 置，也可以根据实际业务场景设置，如根据催收频率设置所述催收标签可以为“高频”、
ꢀ“
适中”、“低频”以及“缺省”等，其中，所述高频可以用于表征所述催收方对所述债 务方具有频繁的催收记录，所述适中可以用于表征所述催收方对所述债务方具有适当的催 收记录，所述低频可以用于表征所述催收方对所述债务方具有很少的催收记录，所述缺省 用于表征所述催收方对所述债务方没有催收记录。
72.s4、根据所述债务方的情绪状态、所述催收方的催收状态及催收标签，利用违规催收 评分机制对所述催收方进行违规催收评分，以识别所述催收方是否具有违规行为，得到所 述催收方的催收检测结果。
73.本发明实施例中，所述违规催收评分机制基于实际业务场景进行设置，如设置所述情 绪状态存在害怕的状态，则标记所述催收方的评分为-2分，所述催收状态为违规的状态， 则标记所述催收方的评分为-5分，所述催收标签为高频，则标记所述催收方的评分为-3分。
74.进一步地，本发明实施例中，所述根据所述债务方的情绪状态、所述催收方的催收状 态及催收标签，利用违规催收评分机制对所述催收方进行违规催收评分，包括：利用所述 违规催收评分机制分别计算所述债务方的情绪状态、所述催收方的催收状态及催收标签的 评分权重，对所述债务方的情绪状态、所述催收方的催收状态及催收标签的评分权重进行 加权平均，得到所述催收方的违规催收评分。
75.进一步地，为保障所述违规催收评分的隐私性和复用性，所述违规催收评分还可存储 于一区块链节点中。
76.进一步地，本发明实施例中，所述利用违规催收评分机制对所述催收方进行违规催收 评分，以识别所述催收方是否具有违规行为，得到所述催收方的催收检测结果，包括：若 所述违规催收评分大于预设评分，则生成所述催收方的催收检测结果为所述催收方不具有 违规行为，若所述违规催收评分不大于预设评分，则生成所述催收方的催收检测结果为所 述催收方具有违规行为，所述预设评分可以设置为-2分，也可以根据实际业务场景设置。
77.可以看出，相较于现有技术中通过人工进行违规催收检测，本发明实施例通过从催收 方和债务方的催收语音、催收文本以及催收记录的三个维度，可以识别债务方的情绪状态、 催收方的催收状态和催收标签，以计算催收方的违规催收评分，实现所述催收方的违规催 收检测，可以保障违规催收检测准确性的同时，又可以实现违规催收的自动智能化检测， 从而可以避免过多人工参与违规催收检测的动作，减少人工参与的工作量，进而可以提高 违规催收的检测效率。
78.如图2所示，是本发明基于人工智能的违规行为检测装置的功能模块图。
79.本发明所述基于人工智能的违规行为检测装置100可以安装于电子设备中。根据实现 的功能，所述基于人工智能的违规行为检测装置可以包括情绪状态识别模块101、催收状 态识别模块102、催收标签创建模块103以及违规催收识别模块104。本发明所述模块也 可以称之为单元，是指一种能够被电子设备的处理器所执行，并且能够完成固定功能的一 系列计算机程序段，其存储在电子设备的存储器中。
80.在本实施例中，关于各模块/单元的功能如下：
81.所述情绪状态识别模块101，用于分别获取催收方和债务方的催收语音和催收文本， 对所述催收语音进行分帧处理，得到多段分帧语音，并利用情绪检测模型检测每段所述分 帧语音的分帧情绪，得到多个分帧语音情绪，根据所述多个分帧语音情绪，识别所述债务 方的情绪状态。
82.本发明实施例中，所述催收方与债务方相对应，其可以是向所述债务方提供贷款的债 权人，也可以是所述债权人委托的第三方催收机构，所述债务方是指向所述债权人进行贷 款的用户，其可以是个人用户也可以是企业用户，所述催收语音是指所述催收方与所述债 务方进行通话的语音，所述催收文本是指所述催收方向所述债务方发送的文档内容，如短 信文本。
83.进一步地，本发明实施例通过对所述催收语音进行分帧处理，以将所述催收语音拆分 成多段分帧语音，从而可以更好的检测出所述催收语音的情绪变化状态，可选的，本发明 实施例中，所述情绪状态识别模块101利用下述公式对所述催收语音进行分帧处理：
84.fn＝(n-overlap)/inc
85.其中，fn表示分帧分帧，n表示催收语音的总帧数，overlap表示催收语音中重叠的帧 数，inc表示帧移量。
86.进一步地，本发明实施例中，所述情绪检测模型包括声纹识别网络、声纹提取网络以 及情感识别网络，所述声纹识别网络可以为keras神经网络库中获取构建，其用于区别所 述分帧语音中的催收方语音和债务方语音，所述声纹提取网络可以通过librosa工具包构 建，其用于提取分帧语音中的频谱特征，以实现后续的情绪检测，所述情感识别网络可以 通过卷积神经网络构建，其用于识别出所述分帧语音的情感特征。
87.作为本发明的一个实施例，所述利用情绪检测模型检测每段所述分帧语音的分帧情绪， 得到多个分帧语音情绪，所述情绪状态识别模块101采用下述方式执行：利用所述情绪检 测模型中的声纹识别网络识别每段所述分帧语音的债务方声纹，得到多个债务方声纹，利 用所述情绪检测模型中的声纹提取网络提取每个所述债务方声纹的频谱特征，得到多个频 谱特征，利用所述情绪检测模型中的情感识别网络检测每个所述频谱特征的情感特征，得 到多个分帧语音情绪。
88.一个可选实施例中，所述利用所述情绪检测模型中的声纹识别网络识别每段所述分帧 语音的债务方声纹，得到多个债务方声纹，所述情绪状态识别模块101采用下述方式执行： 利用所述声纹识别网络中的卷积层对每段所述分帧语音进行特征提取，得到多个特征语音， 利用所述声纹识别网络中的池化层对每个所述特征语音进行降维，得到多个降维语音，利 用所述声纹识别网络中的激活函数计算每个所述降维语音的声纹类别概率，根据所述声纹 类别概率，利用所述声纹识别网络中的全连接层输出每段所述分帧语音的债务
方语音，得 到多个债务方声纹。
89.一个可选实施例中，所述利用所述情绪检测模型中的声纹提取网络提取每个所述债务 方声纹的频谱特征，得到多个频谱特征，所述情绪状态识别模块101采用下述方式执行： 利用所述声纹提取网络中的频域转换函数将每个所述债务方声纹进行信号频域转换，得到 多个频域声纹；利用所述声纹提取网络中的滤波器对每个所述频域声纹进行梅尔谱滤波， 并将梅尔谱滤波后的每个所述频域声纹进行倒谱分析，得到多个频谱特征。其中，所述频 域转换是将时域的债务方声纹转成频域信号，所述梅尔谱滤波用于屏蔽频域声纹中不符合 预设频率范围的声音信号，以得到符合人耳听觉习惯的声谱图，所述倒谱分析是指对梅尔 谱滤波后的频域声纹进行再次频谱分析，以抽取频域声纹的轮廓信息，得到所述频域信号 的特征数据。
90.一个可选实施例中，所述利用所述情绪检测模型中的情感识别网络检测每个所述频谱 特征的情感特征，得到多个分帧语音情绪，所述情绪状态识别模块101采用下述方式执行： 利用所述情感识别网络中的匹配模块向情感数据库中匹配每个所述频谱特征的情感数据， 利用所述情感识别网络中的回归函数计算每个所述情感数据的情感倾向值，根据所述情感 倾向值，利用所述情感识别网络中的激活函数输出每个所述频谱特征的情感特征，得到多 个分帧语音情绪。其中，所述情感数据库包括casia数据库，所述情感数据包括：“暴 跳如雷、心花怒放等”，所述分帧语音情绪包括生气(angry)、高兴(happy)、害怕(fear)、 悲伤(sad)、惊讶(surprise)以及中性(neutral)等。
91.进一步地，本发明实施例根据所述多个分帧语音情绪，识别所述债务方的情绪状态， 即根据所述多个分帧语音情绪，识别出所述债务方在与所述催收方进行通话过程中情绪变 化的状态，从而作为后续判断所述催收方是否存在违规催收的前提。
92.示例性的，存在一段时间为1分钟的催收通话，识别该1分钟的催收通话中，债务人 的情绪状态变化为：平和-中性-惊讶-害怕-悲伤，则可以识别出催收方存在一定的风险行为。
93.所述催收状态识别模块102，用于利用语音识别模型将所述催收语音转换为语音文本， 分别对所述语音文本和所述催收文本进行敏感词检测，以识别所述催收方的催收状态。
94.本发明实施通过语音识别模型将所述催收语音转换为语音文本，以获取所述催收语音 的文本数据，实现后续敏感词检测的前提，在本发明中，所述语音识别模型包括声学网络 和语言网络。所述声学网络可以通过隐马尔可夫算法构建，所述语言网络可以通过n-gram 算法构建。
95.作为本发明的一个实施例，所述利用语音识别模型对所述催收语音进行文本转换，得 到语音文本，所述催收状态识别模块102采用下述方式执行：利用所述语音识别模型中的 声学网络计算所述催收语音的音素序列概率，根据所述音素序列概率，利用所述语音识别 模型中的语言网络识别所述催收语音的文字序列，根据所述文字序列，生成语音文本。
96.其中，所述音素序列概率是指生成文字的音节概率，如文字为“催收”，其音节包括：
ꢀ“
c、u、i、s、h、o、u”，则通过计算所述催收语音的音素序列概率，可以明确后续可以 生成文字“催收”的音节，从而得到所述催收语音的文字序列，进一步地，所述文字序列 是指
音素序列生成文字的信息关系，用于生成所述催收语音的文本识别结果。
97.进一步地，本发明实施例通过分别对所述语音文本和所述催收文本进行敏感词检测， 以获取所述语音文本和所述催收文本中是否存在违规催收的敏感词，从而可以识别所述催 收方的催收状态，进而可以作为后续判断所述催收方是否存在违规催收的前提。
98.作为本发明的一个实施例，所述分别对所述语音文本和所述催收文本进行敏感词检测， 以识别所述催收方的催收状态，所述催收状态识别模块102采用下述方式执行：分别对所 述语音文本和所述催收文本进行分词，得到文本词语集，计算所述文本词语集中每个文本 词语与敏感词库中词语的匹配度，根据所述匹配度，识别所述催收方的催收状态。
99.其中，所述语音文本和所述催收文本的分词可以通过分词算法实现，如结巴分词算法， 所述敏感词库中的词语可以通过历史催收场景中产生的敏感词语组合得到，如“恐吓、威 胁”等敏感词语，所述文本词语集中每个文本词语与敏感词库中词语的匹配度可以通过相 似度算法计算，如余弦相似度算法。
100.进一步地，本发明又一可选实施例中，所述根据所述匹配度，识别所述催收方的催收 状态，所述催收状态识别模块102采用下述方式执行：若所述文本词语集中存在文本词语 的匹配度大于预设阈值，则判断所述催收方存在违规的催收状态，若所述文本词语集中每 个文本词语均不大于所述预设阈值，则判断所述催收方不存在违规的催收状态。其中，所 述预设阈值可以设置为0.92，也可以根据实际业务场景设置。
101.所述催收标签创建模块103，用于采集所述催收方的历史催收记录，根据所述历史催 收记录，创建所述催收方的催收标签。
102.本发明实施例通过采集所述催收方的历史催收记录，以识别出所述催收方的历史行为， 从而识别出所述催收方是否处于违规催收的行为，进而作为后续判断所述催收方是否存在 违规催收的前提，其中，所述历史催收记录可以通过查询后台数据中催收方和债务方的通 话记录和短信记录得到，所述催收标签可以根据催收频率、催收次数以及催收方式进行设 置，也可以根据实际业务场景设置，如根据催收频率设置所述催收标签可以为“高频”、
ꢀ“
适中”、“低频”以及“缺省”等，其中，所述高频可以用于表征所述催收方对所述债 务方具有频繁的催收记录，所述适中可以用于表征所述催收方对所述债务方具有适当的催 收记录，所述低频可以用于表征所述催收方对所述债务方具有很少的催收记录，所述缺省 用于表征所述催收方对所述债务方没有催收记录。
103.所述违规催收识别模块104，用于根据所述债务方的情绪状态、所述催收方的催收状 态及催收标签，利用违规催收评分机制对所述催收方进行违规催收评分，以识别所述催收 方是否具有违规行为，得到所述催收方的催收检测结果。
104.本发明实施例中，所述违规催收评分机制基于实际业务场景进行设置，如设置所述情 绪状态存在害怕的状态，则标记所述催收方的评分为-2分，所述催收状态为违规的状态， 则标记所述催收方的评分为-5分，所述催收标签为高频，则标记所述催收方的评分为-3分。
105.进一步地，本发明实施例中，所述根据所述债务方的情绪状态、所述催收方的催收状 态及催收标签，利用违规催收评分机制对所述催收方进行违规催收评分，所述违规催收识 别模块104采用下述方式执行：利用所述违规催收评分机制分别计算所述债务方的情绪状 态、所述催收方的催收状态及催收标签的评分权重，对所述债务方的情绪状态、所述催
收 方的催收状态及催收标签的评分权重进行加权平均，得到所述催收方的违规催收评分。
106.进一步地，为保障所述违规催收评分的隐私性和复用性，所述违规催收评分还可存储 于一区块链节点中。
107.进一步地，本发明实施例中，所述利用违规催收评分机制对所述催收方进行违规催收 评分，以识别所述催收方是否具有违规行为，得到所述催收方的催收检测结果，所述违规 催收识别模块104采用下述方式执行：若所述违规催收评分大于预设评分，则生成所述催 收方的催收检测结果为所述催收方不具有违规行为，若所述违规催收评分不大于预设评分， 则生成所述催收方的催收检测结果为所述催收方具有违规行为，所述预设评分可以设置为
ꢀ‑
2分，也可以根据实际业务场景设置。
108.可以看出，相较于现有技术中通过人工进行违规催收检测，本发明实施例通过从催收 方和债务方的催收语音、催收文本以及催收记录的三个维度，可以识别债务方的情绪状态、 催收方的催收状态和催收标签，以计算催收方的违规催收评分，实现所述催收方的违规催 收检测，可以保障违规催收检测准确性的同时，又可以实现违规催收的自动智能化检测， 从而可以避免过多人工参与违规催收检测的动作，减少人工参与的工作量，进而可以提高 违规催收的检测效率。
109.如图3所示，是本发明实现基于人工智能的违规行为检测方法的电子设备1的结构 示意图。
110.所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可 以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于人工智 能的违规行为检测程序。
111.其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的 集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个 或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处 理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(control unit)， 利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器 11内的程序或者模块(例如执行基于人工智能的违规行为检测程序等)，以及调用存储在 所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
112.所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动 硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。 所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移 动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子 设备1上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(securedigital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子 设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子 设备1的应用软件及各类数据，例如基于人工智能的违规行为检测程序的代码等，还可以 用于暂时地存储已经输出或者将要输出的数据。
113.所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称 pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线 等。该总线可以分为地址总线、数据总线、控制总线等。所述
总线被设置为实现所述存储 器11以及至少一个处理器10等之间的连接通信。
114.所述通信接口13用于上述电子设备1与其他设备之间的通信，包括网络接口和员工 接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口 等)，通常用于在该电子设备1与其他电子设备1之间建立通信连接。所述员工接口可以 是显示器(display)、输入单元(比如键盘(keyboard))，可选地，员工接口还可以是 标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶 显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管) 触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中 处理的信息以及用于显示可视化的员工界面。
115.图3仅示出了具有部件的电子设备1，本领域技术人员可以理解的是，图3示出的结 构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某 些部件，或者不同的部件布置。
116.例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)， 优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源 管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以 上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状 态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等， 在此不再赘述。
117.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
118.所述电子设备1中的所述存储器11存储的基于人工智能的违规行为检测程序是多个计 算机程序的组合，在所述处理器10中运行时，可以实现：
119.分别获取催收方和债务方的催收语音和催收文本，对所述催收语音进行分帧处理，得 到多段分帧语音，并利用情绪检测模型检测每段所述分帧语音的分帧情绪，得到多个分帧 语音情绪，根据所述多个分帧语音情绪，识别所述债务方的情绪状态；
120.利用语音识别模型将所述催收语音转换为语音文本，分别对所述语音文本和所述催收 文本进行敏感词检测，以识别所述催收方的催收状态；
121.采集所述催收方的历史催收记录，根据所述历史催收记录，创建所述催收方的催收标 签；
122.根据所述债务方的情绪状态、所述催收方的催收状态及催收标签，利用违规催收评分 机制对所述催收方进行违规催收评分，以识别所述催收方是否具有违规行为，得到所述催 收方的催收检测结果。
123.具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中 相关步骤的描述，在此不赘述。
124.进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独 立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机 可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包 括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、 光盘、计算机存储器、只读存储器(rom，read-only memory)。
125.本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，
所述 计算机程序在被电子设备1的处理器所执行时，可以实现：
126.分别获取催收方和债务方的催收语音和催收文本，对所述催收语音进行分帧处理，得 到多段分帧语音，并利用情绪检测模型检测每段所述分帧语音的分帧情绪，得到多个分帧 语音情绪，根据所述多个分帧语音情绪，识别所述债务方的情绪状态；
127.利用语音识别模型将所述催收语音转换为语音文本，分别对所述语音文本和所述催收 文本进行敏感词检测，以识别所述催收方的催收状态；
128.采集所述催收方的历史催收记录，根据所述历史催收记录，创建所述催收方的催收标 签；
129.根据所述债务方的情绪状态、所述催收方的催收状态及催收标签，利用违规催收评分 机制对所述催收方进行违规催收评分，以识别所述催收方是否具有违规行为，得到所述催 收方的催收检测结果。
130.在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通 过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的 划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
131.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的 部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络 单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
132.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各 个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既 可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
133.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背 离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
134.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发 明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含 义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制 所涉及的权利要求。
135.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技 术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密 码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证 其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服 务层以及应用服务层等。
136.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能 (artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩 展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系 统。
137.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈 述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来 表示名称，而并不表示任何特定的顺序。
138.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳 实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术 方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。