话术确定方法、装置及设备与流程

1.本说明书实施例涉及数据处理技术领域，尤其涉及一种话术确定方法、装置及设备。


背景技术：

2.随着互联网行业的迅速发展，网络风险也随之增多，在风控场景下，应用服务商可以在为用户提供服务前，通过客服人员与用户进行交互，以确定当前的用户意图(如需要转账、充值、提现等)是否存在风险，为降低人工参与的成本，可以通过人机交互的方式进行风险控制。例如，计算机可以通过历史用户行为以及对应的风险，对预设话术推荐模型进行训练，并在接收到用户的意图后，通过训练后的话术推荐模型确定对应的话术，在基于确定的话术，与用户进行交互以进行风险控制。
3.但是，在黑产的欺诈手法发生新的变化时，接收到的用户意图可能也会产生新的变化，而在风控数据量大、更新速度快的情况下，模型更新的数据处理压力较大，无法对话术推荐模型进行及时的更新，这就可能导致无法通过话术推荐模型确定与新的用户意图对应的话术，因此，需要一种在风控场景下，能及时确定交互话术的解决方案。


技术实现要素：

4.本说明书实施例的目的是提供一种话术确定方法、装置及设备，以提供一种能够提高话术确定效率的解决方案。
5.为了实现上述技术方案，本说明书实施例是这样实现的：
6.第一方面，本说明书实施例提供了一种话术确定方法，包括：获取目标用户针对触发执行的目标业务而输入的信息，并基于所述输入的信息对触发执行所述目标业务的意图进行识别，得到所述目标用户触发执行所述目标业务的用户意图；获取风险聚合中与所述用户意图匹配的用户行为所对应的目标风险聚合，所述风险聚合为对执行所述目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合；将所述目标风险聚合输入预先训练的预设话术推荐模型，得到与所述目标风险聚合匹配的目标话术，所述预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，所述目标风险数据至少包括除用于确定所述历史风险聚合的历史风险数据以外的第一风险数据，所述第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据；基于所述目标话术，与所述目标用户进行交互，并基于交互结果，确定是否执行所述目标业务。
7.第二方面，本说明书实施例提供了一种话术确定方法，应用于区块链系统，包括：基于预先部署在所述区块链系统中的第一智能合约，获取目标用户针对触发执行的目标业务而输入的信息，并基于所述输入的信息对触发执行所述目标业务的意图进行识别，得到所述目标用户触发执行所述目标业务的用户意图；基于所述第一智能合约，获取风险聚合中与所述用户意图匹配的用户行为所对应的目标风险聚合，所述风险聚合为对执行所述目
标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合；基于预先训练的预设话术推荐模型、所述目标风险聚合和所述第一智能合约，得到与所述目标风险聚合匹配的目标话术，所述预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，所述目标风险数据至少包括除用于确定所述历史风险聚合的历史风险数据以外的第一风险数据，所述第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据；基于所述第一智能合约，将所述目标话术发送给所述目标用户的设备，以使所述目标用户的设备基于所述目标话术，与所述目标用户进行交互，并基于交互结果，确定是否执行所述目标业务。
8.第三方面，本说明书实施例提供了一种话术确定装置，所述装置包括：信息获取模块，用于获取目标用户针对触发执行的目标业务而输入的信息，并基于所述输入的信息对触发执行所述目标业务的意图进行识别，得到所述目标用户触发执行所述目标业务的用户意图；聚合获取模块，用于获取风险聚合中与所述用户意图匹配的用户行为所对应的目标风险聚合，所述风险聚合为对执行所述目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合；话术确定模块，用于将所述目标风险聚合输入预先训练的预设话术推荐模型，得到与所述目标风险聚合匹配的目标话术，所述预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，所述目标风险数据至少包括除用于确定所述历史风险聚合的历史风险数据以外的第一风险数据，所述第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据；交互模块，用于基于所述目标话术，与所述目标用户进行交互，并基于交互结果，确定是否执行所述目标业务。
9.第四方面，本说明书实施例提供了一种话术确定装置，所述装置为区块链系统中的装置，包括：信息获取模块，用于基于预先部署在所述区块链系统中的第一智能合约，获取目标用户针对触发执行的目标业务而输入的信息，并基于所述输入的信息对触发执行所述目标业务的意图进行识别，得到所述目标用户触发执行所述目标业务的用户意图；聚合确定模块，用于基于所述第一智能合约，获取风险聚合中与所述用户意图匹配的用户行为所对应的目标风险聚合，所述风险聚合为对执行所述目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合；话术确定模块，用于基于预先训练的预设话术推荐模型、所述目标风险聚合和所述第一智能合约，得到与所述目标风险聚合匹配的目标话术，所述预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，所述目标风险数据至少包括除用于确定所述历史风险聚合的历史风险数据以外的第一风险数据，所述第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据；话术发送模块，用于基于所述第一智能合约，将所述目标话术发送给所述目标用户的设备，以使所述目标用户的设备基于所述目标话术，与所述目标用户进行交互，并基于交互结果，确定是否执行所述目标业务。
10.第五方面，本说明书实施例提供了一种话术确定设备，所述话术确定设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取目标用户针对触发执行的目标业务而输入的信息，并基于所述输入的信息对触发执行所述目标业务的意图进行识别，得到所述目标用户触发执行所述目标业务的用户意图；获取风险聚合中与所述用户意图匹配的用户行为所对应的目标风险聚合，所述风险
聚合为对执行所述目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合；将所述目标风险聚合输入预先训练的预设话术推荐模型，得到与所述目标风险聚合匹配的目标话术，所述预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，所述目标风险数据至少包括除用于确定所述历史风险聚合的历史风险数据以外的第一风险数据，所述第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据；基于所述目标话术，与所述目标用户进行交互，并基于交互结果，确定是否执行所述目标业务。
11.第六方面，本说明书实施例提供了一种话术确定设备，所述话术确定设备为区块链系统中的设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：基于预先部署在所述区块链系统中的第一智能合约，获取目标用户针对触发执行的目标业务而输入的信息，并基于所述输入的信息对触发执行所述目标业务的意图进行识别，得到所述目标用户触发执行所述目标业务的用户意图；基于所述第一智能合约，获取风险聚合中与所述用户意图匹配的用户行为所对应的目标风险聚合，所述风险聚合为对执行所述目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合；基于预先训练的预设话术推荐模型、所述目标风险聚合和所述第一智能合约，得到与所述目标风险聚合匹配的目标话术，所述预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，所述目标风险数据至少包括除用于确定所述历史风险聚合的历史风险数据以外的第一风险数据，所述第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据；基于所述第一智能合约，将所述目标话术发送给所述目标用户的设备，以使所述目标用户的设备基于所述目标话术，与所述目标用户进行交互，并基于交互结果，确定是否执行所述目标业务。
12.第七方面，本说明书实施例提供一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：获取目标用户针对触发执行的目标业务而输入的信息，并基于所述输入的信息对触发执行所述目标业务的意图进行识别，得到所述目标用户触发执行所述目标业务的用户意图；获取风险聚合中与所述用户意图匹配的用户行为所对应的目标风险聚合，所述风险聚合为对执行所述目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合；将所述目标风险聚合输入预先训练的预设话术推荐模型，得到与所述目标风险聚合匹配的目标话术，所述预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，所述目标风险数据至少包括除用于确定所述历史风险聚合的历史风险数据以外的第一风险数据，所述第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据；基于所述目标话术，与所述目标用户进行交互，并基于交互结果，确定是否执行所述目标业务。
13.第八方面，本说明书实施例提供一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被处理器执行时实现以下流程：基于预先部署在区块链系统中的第一智能合约，获取目标用户针对触发执行的目标业务而输入的信息，并基于所述输入的信息对触发执行所述目标业务的意图进行识别，得到所述目标用户触发执行所述目标业务的用户意图；基于所述第一智能合约，获取风险聚合中与所述用户意图匹配的用户行为所对应的目标风险聚合，所述风险聚合为对执行所述目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合；基于预先训练的预设话术推荐模型、所
述目标风险聚合和所述第一智能合约，得到与所述目标风险聚合匹配的目标话术，所述预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，所述目标风险数据至少包括除用于确定所述历史风险聚合的历史风险数据以外的第一风险数据，所述第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据；基于所述第一智能合约，将所述目标话术发送给所述目标用户的设备，以使所述目标用户的设备基于所述目标话术，与所述目标用户进行交互，并基于交互结果，确定是否执行所述目标业务。
附图说明
14.为了更清楚地说明本说明书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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
15.图1a为本说明书一种话术确定方法实施例的流程图；
16.图1b为本说明书一种话术确定方法实施例的处理过程示意图；
17.图2为本说明书一种针对触发执行的目标业务而输入的信息的示意图；
18.图3为本说明书另一种话术确定方法实施例的处理过程示意图；
19.图4a为本说明书又一种话术确定方法实施例的流程图；
20.图4b为本说明书又一种话术确定方法实施例的处理过程示意图；
21.图5为本说明书又一种话术确定方法实施例的处理过程示意图；
22.图6为本说明书一种话术确定装置实施例的结构示意图；
23.图7为本说明书另一种话术确定装置实施例的结构示意图；
24.图8为本说明书一种话术确定设备的结构示意图。
具体实施方式
25.本说明书实施例提供一种话术确定方法、装置及设备。
26.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，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。
27.实施例一
28.如图1a和图1b所示，本说明书实施例提供一种话术确定方法，该方法的执行主体可以为终端设备或服务器，终端设备可以如个人计算机等设备，也可以如手机、平板电脑等移动终端设备，该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。
29.该方法具体可以包括以下步骤：
30.在s102中，获取目标用户针对触发执行的目标业务而输入的信息，并基于输入的信息对触发执行目标业务的意图进行识别，得到目标用户触发执行目标业务的用户意图。
31.其中，目标业务可以是任意涉及用户隐私、财产安全等业务，例如，目标业务可以
是资源转移业务、隐私信息更新业务(如修改登录密码、新增用户信息等)等，目标用户针对触发执行的目标业务而输入的信息可以是任意文字信息、语音信息等，用户意图可以是目标用户触发执行目标业务所要达到的目的，例如，目标业务可以为资源转移业务，目标用户触发执行该目标业务的用户意图可以是将转移的资源用于缴纳某笔款项，或是将资源转移给某个对象。
32.在实施中，随着互联网行业的迅速发展，网络风险也随之增多，在风控场景下，应用服务商可以在为用户提供服务前，通过客服人员与用户进行交互，以确定当前的用户意图(如需要转账、充值、提现等)是否存在风险，为降低人工参与的成本，可以通过人机交互的方式进行风险控制。例如，计算机可以通过历史用户行为以及对应的风险，对预设话术推荐模型进行训练，并在接收到用户的意图后，通过训练后的话术推荐模型确定对应的话术，在基于确定的话术，与用户进行交互以进行风险控制。
33.但是，在黑产的欺诈手法发生新的变化时，接收到的用户意图可能也会产生新的变化，而在风控数据量大、更新速度快的情况下，模型更新的数据处理压力较大，无法对话术推荐模型进行及时的更新，这就可能导致无法通过话术推荐模型确定与新的用户意图对应的话术，因此，需要一种在风控场景下，能及时确定交互话术的解决方案。为此，本说明书实施例提供一种可以解决上述问题的技术方案，具体可以参见下述内容。
34.以目标业务为电子设备(即终端设备或服务器)中安装的资源管理应用程序中的资源转移业务为例，目标用户可以触发启动资源管理应用程序，并在该资源管理应用程序中触发执行资源转移业务。电子设备在检测到目标用户触发执行目标业务的情况下，可以接收目标用户输入的信息，例如，如图2所示，电子设备在检测到目标用户触发执行资源转移业务的情况下，可以显示带有预设提示信息的提示页面，并可以接收目标用户针对该预设提示信息在提示页面输入的信息，其中，提示页面显示的提示信息可以是用于获取用户意图(如转账对象、转账目的等)的提示信息。
35.在接收到目标用户针对触发执行目标业务而输入的信息后，可以对输入的信息进行意图识别，以得到目标用户触发执行目标业务的用户意图。例如，可以通过预设的关键词字典，对目标用户输入的信息进行关键词匹配，将与关键词字典中匹配的关键词，作为目标用户触发执行目标业务的用户意图，例如，用户输入的信息为“我在交备用金”，该输入的信息中，与关键词字典相匹配的关键词可以为“备用金”，那么，目标用户触发执行该目标业务的用户意图即可以为“备用金”。
36.上述用户意图的获取方法是一种可选地、可实现的获取方法，在实际应用场景中，还可以有多种不同的获取方法，如可以通过预先训练的意图识别模型，对输入的信息进行识别，以获取对应的用户意图等，用户意图的获取方法可以根据实际应用场景的不同而有多不同，本说明书实施例对此不作具体限定。
37.在s104中，获取风险聚合中与用户意图匹配的用户行为所对应的目标风险聚合。
38.其中，风险聚合可以为对执行目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合。
39.在实施中，可以获取预设的多个用户行为中与目标用户的用户意图匹配的一个或多个用户行为，在获取与目标用户的用户意图匹配的用户行为所对应的风险聚合。例如，预设用户行为可以有备用金和保证金，备用金这一用户行为对应的风险聚合可以包含风险1
和风险2的风险聚合1，保证金这一用户行为对应的风险聚合可以包含风险2和风险3的风险聚合2，假设目标用户的用户意图为“备用金”，那么与用户意图匹配的用户行为对应的风险聚合即为风险聚合1，即目标风险聚合为风险聚合1。
40.在s106中，将目标风险聚合输入预先训练的预设话术推荐模型，得到与目标风险聚合匹配的目标话术。
41.其中，预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，目标风险数据至少包括除用于确定历史风险聚合的历史风险数据以外的第一风险数据，第一风险数据可以包括除风险日志数据以外的包含用户行为和对应风险的风险数据，例如，第一风险数据可以为基于专家经验确定的包含用户行为和对应风险的风险数据，目标风险数据可以包括第一风险数据，此外，目标风险数据中还可以包括除历史风险数据以外的风险日志数据。
42.在实施中，可以获取历史风险数据，其中，历史风险数据可以包括历史第一风险数据和/或历史风险日志数据，历史第一风险数据可以是专家确定的包含用户行为和对应风险的历史数据，历史风险日志数据可以是在训练预设话术推荐模型之前获取的历史风险日志数据。
43.可以提取历史风险数据中包含的用户行为和对应风险，在基于用户行为，对风险进行风险聚合处理，以得到历史风险聚合。
44.在将得到的历史风险聚合输入预设机器学习算法进行训练，以得到预先训练的预设话术推荐模型，在将目标风险聚合输入该话术推荐模型，以得到与目标风险聚合相匹配的目标话术。
45.此外，在确定风险聚合时，可以提取目标风险数据中包含的用户行为和对应风险，在基于用户行为，对风险进行风险聚合处理，以得到风险聚合。
46.其中，目标风险数据可以包含第一风险数据，也可以包含第一风险数据和历史风险数据。例如，假设当前时间为2021年8月1日，则历史风险数据可以是2021年1月1日至6月30日的历史数据，第一风险数据可以为2021年7月31日的数据。
47.那么，目标风险数据中可以只包含2021年7月31日的第一风险数据，此时，可以提取2021年7月31日的第一风险数据中的用户行为和风险。并基于提取出的用户行为，对风险进行聚合处理，以得到风险聚合。
48.或者，目标风险数据中还可以包括2021年7月31日的第一风险数据以及除历史风险数据以外的风险日志数据，如目标风险数据还可以包括2021年7月1日
‑
7月31日中任意时间的风险日志数据。可以分别提取第一风险数据以及风险日志数据中的用户行为和对应风险，在基于用户行为，对风险进行聚合处理，以得到风险聚合。
49.或者，目标风险数据中还可以包括第一风险数据和历史风险数据，即目标风险数据可以包括2021年7月31日的第一风险数据，以及2021年1月1日至6月30日的历史风险数据。
50.又或者，目标风险数据中还可以包括第一风险数据、风险日志数据以及历史风险数据，即目标风险数据可以包括2021年7月31日的第一风险数据、2021年1月1日至6月30日的历史风险数据，以及2021年7月1日
‑
7月31日中任意时间的风险日志数据。
51.此外，历史风险数据中的风险至少包含目标风险数据中的风险，例如，目标风险数
据中包含风险1、风险2和风险3，则历史风险数据中的风险则至少包含风险1、风险2和风险3(如历史风险数据中风险可以有风险1、风险2、风险3和风险4)，即风险聚合可以是对风险1、风险2和风险3进行聚合处理得到的聚合，历史风险聚合则可以是对风险1、风险2、风险3和风险4进行聚合处理得到的聚合。
52.在s108中，基于目标话术，与目标用户进行交互，并基于交互结果，确定是否执行目标业务。
53.在实施中，假设目标业务为资源转移业务，目标用户的用户意图为“备用金”，目标风险聚合为包含贷款风险的风险聚合，那么，确定的目标话术可以是与贷款风险相关的话术，基于该目标话术与目标用户进行交互的交互结果可以如下所示：
54.电子设备：您这笔交易是跟贷款相关吗？
55.目标用户：嗯，对。
56.电子设备：先生，您的交易可能存在被骗风险，请停止后续交易。骗子会以缴纳备用金才能帮您贷款为借口，要求您进行转账。这些都是诈骗套路，请您千万不要相信。
57.目标用户：这样吗？那我在看看。
58.电子设备：您的交易存在被骗风险，千万别再付款了，那就先不打扰您了，感谢您的接听，再见。
59.或者，如果目标风险聚合为包含游戏风险的风险聚合，那么，确定的目标话术可以与游戏风险相关的话术，基于该目标话术与目标用户进行交互的交互结果可以如下所示：
60.电子设备：您这笔交易是跟游戏相关吗？
61.目标用户：嗯，对。
62.电子设备：收款方是游戏平台吗？
63.目标用户：他说他是官方客服。
64.电子设备：先生，请一定要注意，您正在转账给对方的个人账户，正规游戏平台是不会通过个人账户收款的。最近很多假冒游戏平台的案件出现，您的交易可能存在被骗风险，请停止后续交易。
65.目标用户：哦。
66.电子设备：这边要提醒您，骗子会以银行卡填错了，需要解冻账户，交备用金才能提现等理由要求您转账，这些都是诈骗套路，请您千万不要相信。
67.目标用户：我知道了。
68.电子设备：您的交易存在被骗风险，千万别再付款了，那就先不打扰您了，感谢您的接听，再见。
69.在获取了上述交互结果后，可以对交互结果进行分析，如果根据交互结果可以确定执行目标业务存在风险，则可以暂停执行目标业务，或者，根据交互结果可以确定目标用户暂时不需要触发执行目标业务，则可以暂停执行目标业务。
70.本说明书实施例提供一种话术确定方法，获取目标用户针对触发执行的目标业务而输入的信息，并基于输入的信息对触发执行目标业务的意图进行识别，得到目标用户触发执行目标业务的用户意图，获取风险聚合中与用户意图匹配的用户行为所对应的目标风险聚合，风险聚合为对执行目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合，将目标风险聚合输入预先训练的预设话术推荐模型，得到与目标风
险聚合匹配的目标话术，预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，目标风险数据至少包括除用于确定历史风险聚合的历史风险数据以外的第一风险数据，第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据，基于目标话术，与目标用户进行交互，并基于交互结果，确定是否执行目标业务。这样，由于话术推荐模型是通过历史风险聚合进行训练得到的，所以，不需要再次对话术推荐模型进行训练，就可以通过目标风险聚合以及话术推荐模型，确定与用户意图对应的目标话术，避免了由于未及时对话术推荐模型进行更新，导致的无法获取目标话术的问题。
71.实施例二
72.如图3所示，本说明书实施例提供一种话术确定方法，该方法的执行主体可以为终端设备或服务器，终端设备可以如个人计算机等设备，也可以如手机、平板电脑等移动终端设备，该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤：
73.在s302中，在检测到目标用户触发执行目标业务的情况下，输出预设提示信息。
74.在s304中，接收目标用户针对预设提示信息而输入的信息。
75.在实施中，如图2所示，在检测到目标用户触发执行目标业务的情况下，可以输出预设提示信息，并接收目标用户针对预设提示信息而输入的信息。
76.在s306中，基于预设命名实体识别模型对输入的信息进行识别，得到目标用户触发执行目标业务的用户意图。
77.在实施中，可以通过预设命名实体识别(named entity recognition，ner)模型对输入的信息进行识别，在通过预设关键词字典，对识别出的命名实体进行匹配，将匹配得到的关键词作为目标用户触发执行目标业务的用户意图。
78.在s308中，通过预设提取算法，分别提取历史风险数据和第一风险数据中包含的用户行为和对应风险。
79.其中，目标风险数据还可以包括历史风险数据，提取的用户行为中可以包括与触发该行为相关的信息，如与该用户行为对应的用户(如触发该行为的用户、与该行为对应的用户)的身份信息、触发该用户行为的目的等。
80.在实施中，历史风险数据可以包括历史风险日志数据以及历史第一风险数据(即除历史风险日志数据以外的包含用户行为和对应风险的数据)，可以通过预设提取算法，分别提取历史风险数据和第一风险数据中包含的用户行为和对应风险。
81.在s310中，基于用户行为，对风险进行风险聚合处理，得到与用户行为对应的风险聚合。
82.在实施中，例如，通过预设提取算法，提取出的用户行为和对应风险可以如下表1所示。
83.表1
[0084][0085][0086]
在提取出用户行为和对应的风险后，可以基于用户行为对风险进行聚合，得到与用户行为对应的风险聚合，例如，表1中与“备用金”这一用户行为对应的风险有兼职风险和游戏风险，那么，可以确定与“备用金”这一用户行为对应的风险聚合可以包括兼职风险和游戏风险。
[0087]
另外，还可以基于风险数量阈值，对用户行为对应的风险进行筛选，仅选用风险数量不小于风险数量阈值的风险进行风险聚合，例如，假设风险数量阈值为10，那么，对于“备用金”这一用户行为来说，游戏风险的数量是小于风险数量阈值的，所以，可以只选用数量不小于风险数量阈值的“兼职风险”进行风险聚合，即与“备用金”这一用户行为对应的风险聚合可以包括兼职风险。
[0088]
此外，风险聚合中还可以包括用户行为与对应风险之间的第一发生概率，例如，与“备用金”这一用户对应的风险有兼职风险和游戏风险，兼职风险的数量为45，游戏风险的数量为5，那么，备用金与兼职风险之间的第一发生概率即为45/(45+5)＝0.9，备用金与游戏风险之间的第一发生概率即为5/(45+5)＝0.1，与“备用金”这一用户行为对应的风险聚合即包括兼职风险
‑
0.9，游戏风险
‑
0.1。
[0089]
在s312中，获取历史风险数据和第一风险数据中包含的用户行为的数量。
[0090]
在实施中，以提取出的用户行为为上述s310中表1所示的用户行为为例，提取出的“押金”这一用户行为共出现3次，即该用户行为数量为3，用户行为为“担保费”出现的次数为1，即该用户行为的数量为1，以此类推，可以获取每个用户行为的数量。
[0091]
在s314中，基于用户行为中数量不小于预设数量阈值的第一用户行为，构建用户行为库。
[0092]
在实施中，假设预设数量阈值为2，则如上表1中所示的用户行为，可以筛选出数量不小于预设数量阈值的第一用户行为，如用户行为为“押金”的数量为3，不小于预设数量阈值，则该用户行为即为第一用户行为，在基于筛选出的第一用户行为，构建用户行为库。
[0093]
由于历史风险数据和第一风险数据的数据量可能较大，提取出的用户行为数量较多，如果某些用户行为的数量较少，可以如任务该用户行为再次出现的可能性较低，可以在构建用户行为库时，暂时不考虑该用户行为，以提高后续风险聚合的处理效率。
[0094]
在s316中，获取预先建立的用户行为库中与用户意图匹配的目标用户行为。
[0095]
其中，用户行为库可以为基于目标风险数据中的用户行为构建的。
[0096]
在实施中，在用户行为库中不存在与用户意图匹配的用户行为的情况下，可以基于预设相似度算法，获取用户行为库中每个用户行为与用户意图之间的行为相似度，基于行为相似度，确定与用户意图匹配的目标用户行为。
[0097]
在s318中，将与目标用户行为对应的风险聚合确定为目标风险聚合。
[0098]
在s320中，基于历史风险数据中的用户行为，对历史风险数据中的风险进行风险聚合处理，得到与历史风险数据中的用户行为对应的历史风险聚合。
[0099]
其中，历史风险聚合可以包含一个或多个风险及对应发生概率。
[0100]
在实施中，历史风险聚合的确定方法可以参见上述s310中风险聚合的确定方法的相关内容，在此不再赘述。
[0101]
在s322中，将历史风险聚合中的风险及对应发生概率输入预设机器学习算法进行训练，得到训练后的预设话术推荐模型。
[0102]
其中，预设机器学习算法可以是任意机器学习算法，如神经网络算法、决策树算法等，可以根据实际应用场景的不同，选取不同的机器学习算法，本说明书实施例对此不做具体限定。
[0103]
在s324中，将目标风险聚合中的风险和第一发生概率输入预先训练的预设话术推荐模型，得到与目标风险聚合匹配的目标话术。
[0104]
在实施中，例如，目标用户针对触发执行的目标业务而输入的信息可以是“对方让我下载一个应用程序”，对应的用户意图可以是“下载应用程序”，与该用户意图对应的用户行为所对应的目标风险聚合可以包含杀猪盘风险
‑
x、兼职刷单风险
‑
y、赌博风险
‑
z，其中，x，y，z分别为对应风险的第一发生概率，可以将上述风险和第一发生概率输入预先训练的预设话术推荐模型，以得到对应的目标话术。
[0105]
在s326中，基于目标话术，与目标用户进行交互。
[0106]
在s328中，基于预设风险识别模型和交互结果，检测执行目标业务是否存在风险。
[0107]
在实施中，预设风险识别模型可以是通过与目标业务对应的历史交互结果对通过预设机器学习算法构建的模型进行训练得到的识别模型。
[0108]
例如，假设交互结果为：
[0109]
电子设备：您这笔交易是跟游戏相关吗？
[0110]
目标用户：嗯，对。
[0111]
电子设备：收款方是游戏平台吗？
[0112]
目标用户：他说他是官方客服。
[0113]
在获取到上述交互结果后，可以对交互结果进行关键字提取，确定目标用户的第一意图，如第一意图可以包含“交易”、“游戏”、“官方客服”，可以将提取出的第一意图输入预设风险识别模型，并确定对应的风险值，若风险值高于预设风险阈值，则可以确定执行目标业务存在风险。
[0114]
或者，还可以根据交互结果和预设关键字库的匹配结果，确定执行目标业务是否存在风险，例如，假设与该目标业务对应的预设关键字库中的关键字匹配的关键字可以有“交易”、“游戏”、“官方客服”，可以根据关键字的数量和预设关键字数量阈值，确定执行目
标业务是否存在风险，或者，还可以根据每个关键字的风险值，确定与该交互结果对应的风险值，并根据预设风险阈值和交互结果的风险值，确定执行该目标业务是否存在风险。
[0115]
在s330中，在检测到执行目标业务存在风险的情况下，输出预设风险提示信息并终止执行目标业务。
[0116]
在实施中，可以根据交互结果中的关键字匹配对应的预设风险提示，即针对目标业务可以预设多个风险提示信息，可以根据交互结果，确定对应的风险提示信息。
[0117]
本说明书实施例提供一种话术确定方法，本说明书实施例提供一种话术确定方法，获取目标用户针对触发执行的目标业务而输入的信息，并基于输入的信息对触发执行目标业务的意图进行识别，得到目标用户触发执行目标业务的用户意图，获取风险聚合中与用户意图匹配的用户行为所对应的目标风险聚合，风险聚合为对执行目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合，将目标风险聚合输入预先训练的预设话术推荐模型，得到与目标风险聚合匹配的目标话术，预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，目标风险数据至少包括除用于确定历史风险聚合的历史风险数据以外的第一风险数据，第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据，基于目标话术，与目标用户进行交互，并基于交互结果，确定是否执行目标业务。这样，由于话术推荐模型是通过历史风险聚合进行训练得到的，所以，不需要再次对话术推荐模型进行训练，就可以通过目标风险聚合以及话术推荐模型，确定与用户意图对应的目标话术，避免了由于未及时对话术推荐模型进行更新，导致的无法获取目标话术的问题。
[0118]
实施例三
[0119]
如图4a和图4b所示，本说明书实施例提供一种话术确定方法，该方法的执行主体可以为区块链系统。该方法具体可以包括以下步骤：
[0120]
在s402中，基于预先部署在区块链系统中的第一智能合约，获取目标用户针对触发执行的目标业务而输入的信息，并基于输入的信息对触发执行目标业务的意图进行识别，得到目标用户触发执行目标业务的用户意图。
[0121]
在实施中，可以根据区块链所具有的功能，开发相应的可信应用程序，该可信应用程序可以被封装成一个独立的应用程序，由目标用户安装在本地的终端设备或服务器中。或者，目标用户也可以共同约定某一应用程序作为可信应用程序，并通过该可信应用程序向区块链系统发送相关信息(如针对触发执行的目标业务而输入的信息等)。
[0122]
区块链系统可以基于预先部署的第一智能合约，获取目标用户针对触发执行的目标业务而输入的信息，并基于输入的信息对触发执行目标业务的意图进行识别，得到目标用户触发执行目标业务的用户意图。例如，区块链系统可以对目标用户的用户身份进行核验，在核验通过后，基于第一智能合约，对输入的信息进行识别，以得到目标用户触发执行目标业务的用户意图。
[0123]
在s404中，基于第一智能合约，获取风险聚合中与用户意图匹配的用户行为所对应的目标风险聚合。
[0124]
其中，风险聚合可以为对执行目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合。
[0125]
在实施中，区块链系统可以基于第一智能合约，获取与用户意图匹配的用户行为，
在将与该用户行为对应的风险聚合确定为目标风险聚合。
[0126]
在s406中，基于预先训练的预设话术推荐模型、目标风险聚合和第一智能合约，得到与目标风险聚合匹配的目标话术。
[0127]
其中，预设话术推荐模型可以为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，目标风险数据至少包括除用于确定历史风险聚合的历史风险数据以外的第一风险数据，第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据。
[0128]
在实施中，预设话术推荐模型可以预先存储在区块链系统中，在确定了目标风险聚合后，可以基于第一智能合约，获取与目标业务对应的预设话术推荐模型，并基于预设话术推荐模型和目标风险聚合，得到与目标风险聚合匹配的目标话术。
[0129]
在s408中，基于第一智能合约，将目标话术发送给目标用户的设备，以使目标用户的设备基于目标话术，与目标用户进行交互，并基于交互结果，确定是否执行目标业务。
[0130]
在实施中，在确定了目标话术后，可以基于第一智能合约，将目标话术发送给目标用户的设备。
[0131]
本说明书实施例提供一种话术确定方法，基于预先部署在区块链系统中的第一智能合约，获取目标用户针对触发执行的目标业务而输入的信息，并基于输入的信息对触发执行目标业务的意图进行识别，得到目标用户触发执行目标业务的用户意图，基于第一智能合约，获取风险聚合中与用户意图匹配的用户行为所对应的目标风险聚合，风险聚合为对执行目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合，基于预先训练的预设话术推荐模型、目标风险聚合和第一智能合约，得到与目标风险聚合匹配的目标话术，预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，目标风险数据至少包括除用于确定历史风险聚合的历史风险数据以外的第一风险数据，第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据，基于第一智能合约，将目标话术发送给目标用户的设备，以使目标用户的设备基于目标话术，与目标用户进行交互，并基于交互结果，确定是否执行目标业务。这样，由于话术推荐模型是通过历史风险聚合进行训练得到的，所以，不需要再次对话术推荐模型进行训练，就可以通过目标风险聚合以及话术推荐模型，确定与用户意图对应的目标话术，避免了由于未及时对话术推荐模型进行更新，导致的无法获取目标话术的问题。
[0132]
实施例四
[0133]
如图5所示，本说明书实施例提供一种话术确定方法，该方法的执行主体可以为区块链系统。该方法具体可以包括以下步骤：
[0134]
在s502中，基于预先部署在区块链系统中的第一智能合约，获取目标用户针对触发执行的目标业务而输入的信息，并基于输入的信息对触发执行目标业务的意图进行识别，得到目标用户触发执行目标业务的用户意图。
[0135]
上述s502的具体处理过程可以参见上述实施例一中s402的相关内容，在此不再赘述。
[0136]
在s504中，基于第一智能合约，获取风险聚合中与用户意图匹配的用户行为所对应的目标风险聚合。
[0137]
在实施中，风险聚合可以是预先存储在区块链系统中的，可以根据第一智能合约，
直接从区块链系统中获取该风险聚合。
[0138]
或者，风险聚合还可以是基于预先部署在区块链系统中存储的第三智能合约，为对执行目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合。
[0139]
例如，可以基于第三智能合约和预设提取算法，分别提取历史风险数据和第一风险数据中包含的用户行为和对应风险，在基于用户行为，对风险进行风险聚合处理，得到与用户行为对应的风险聚合。
[0140]
其中，可以基于第三智能合约，获取预先建立的用户行为库中与用户意图匹配的目标用户行为，将与目标用户行为对应的风险聚合确定为目标风险聚合。此外，在用户行为库中不存在与用户意图匹配的用户行为的情况下，可以基于第三智能合约和预设相似度算法，获取用户行为库中每个用户行为与用户意图之间的行为相似度，在基于行为相似度，确定与用户意图匹配的目标用户行为。
[0141]
另外，用户行为库可以是基于第三智能合约和目标风险数据对应的用户行为创建的，例如，可以基于第三智能合约，获取历史风险数据和第一风险数据中包含的用户行为的数量，在基于用户行为中数量不小于预设数量阈值的第一用户行为，构建用户行为库。
[0142]
在s506中，基于预先部署在区块链系统中的第二智能合约和历史风险数据中的用户行为，对历史风险数据中的风险进行风险聚合处理，得到与历史风险数据中的用户行为对应的历史风险聚合。
[0143]
其中，历史风险聚合可以包含一个或多个风险及对应发生概率。
[0144]
在实施中，可以基于第二智能合约，对历史风险数据中的风险进行聚合处理，得到与历史风险数据中的用户行为对应的历史风险聚合。
[0145]
在s508中，基于第二智能合约、历史风险聚合中的风险及对应发生概率对预设机器学习算法进行训练，得到训练后的预设话术推荐模型。
[0146]
在s510中，基于预先训练的预设话术推荐模型、第一智能合约、目标风险聚合中的风险和第一发生概率，得到与目标风险聚合匹配的目标话术。
[0147]
在s512中，基于第一智能合约，将目标话术发送给目标用户的设备，以使目标用户的设备基于目标话术，与目标用户进行交互，并基于交互结果，确定是否执行目标业务。
[0148]
上述s510～s512的具体处理过程可以参见上述实施例一中s406～s408的相关内容，在此不再赘述。
[0149]
本说明书实施例提供一种话术确定方法，基于预先部署在区块链系统中的第一智能合约，获取目标用户针对触发执行的目标业务而输入的信息，并基于输入的信息对触发执行目标业务的意图进行识别，得到目标用户触发执行目标业务的用户意图，基于第一智能合约，获取风险聚合中与用户意图匹配的用户行为所对应的目标风险聚合，风险聚合为对执行目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合，基于预先训练的预设话术推荐模型、目标风险聚合和第一智能合约，得到与目标风险聚合匹配的目标话术，预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，目标风险数据至少包括除用于确定历史风险聚合的历史风险数据以外的第一风险数据，第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据，基于第一智能合约，将目标话术发送给目标用户的设备，以使目标用户的设备
基于目标话术，与目标用户进行交互，并基于交互结果，确定是否执行目标业务。这样，由于话术推荐模型是通过历史风险聚合进行训练得到的，所以，不需要再次对话术推荐模型进行训练，就可以通过目标风险聚合以及话术推荐模型，确定与用户意图对应的目标话术，避免了由于未及时对话术推荐模型进行更新，导致的无法获取目标话术的问题。
[0150]
实施例五
[0151]
以上为本说明书实施例提供的话术确定方法，基于同样的思路，本说明书实施例还提供一种话术确定装置，如图6所示。
[0152]
该话术确定装置包括：信息获取模块601、聚合获取模块602、话术确定模块603和交互模块604，其中：
[0153]
信息获取模块601，用于获取目标用户针对触发执行的目标业务而输入的信息，并基于所述输入的信息对触发执行所述目标业务的意图进行识别，得到所述目标用户触发执行所述目标业务的用户意图；
[0154]
聚合获取模块602，用于获取风险聚合中与所述用户意图匹配的用户行为所对应的目标风险聚合，所述风险聚合为对执行所述目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合；
[0155]
话术确定模块603，用于将所述目标风险聚合输入预先训练的预设话术推荐模型，得到与所述目标风险聚合匹配的目标话术，所述预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，所述目标风险数据至少包括除用于确定所述历史风险聚合的历史风险数据以外的第一风险数据，所述第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据；
[0156]
交互模块604，用于基于所述目标话术，与所述目标用户进行交互，并基于交互结果，确定是否执行所述目标业务。
[0157]
本说明书实施例中，所述目标风险数据还包括所述历史风险数据，所述装置，还包括：
[0158]
数据提取模块，用于通过预设提取算法，分别提取所述历史风险数据和所述第一风险数据中包含的用户行为和对应风险；
[0159]
第一聚合模块，用于基于所述用户行为，对所述风险进行风险聚合处理，得到与所述用户行为对应的所述风险聚合。
[0160]
本说明书实施例中，所述聚合获取模块602，用于：
[0161]
获取预先建立的用户行为库中与所述用户意图匹配的目标用户行为，所述用户行为库为基于所述目标风险数据中的用户行为构建的；
[0162]
将与所述目标用户行为对应的风险聚合确定为所述目标风险聚合。
[0163]
本说明书实施例中，所述装置，还包括：
[0164]
数量获取模块，用于获取所述历史风险数据和所述第一风险数据中包含的用户行为的数量；
[0165]
构建模块，用于基于所述用户行为中数量不小于预设数量阈值的第一用户行为，构建所述用户行为库。
[0166]
本说明书实施例中，所述聚合获取模块602，用于：
[0167]
在所述用户行为库中不存在与所述用户意图匹配的用户行为的情况下，基于预设
相似度算法，获取所述用户行为库中每个用户行为与所述用户意图之间的行为相似度；
[0168]
基于所述行为相似度，确定与所述用户意图匹配的目标用户行为。
[0169]
本说明书实施例中，所述风险聚合中还包括用户行为与对应风险之间的第一发生概率，所述装置，还包括：
[0170]
第二聚合模块，用于基于所述历史风险数据中的用户行为，对所述历史风险数据中的风险进行风险聚合处理，得到与所述历史风险数据中的用户行为对应的所述历史风险聚合，所述历史风险聚合包含一个或多个风险及对应发生概率；
[0171]
模型训练模块，用于将所述历史风险聚合中的风险及对应发生概率输入所述预设机器学习算法进行训练，得到训练后的所述预设话术推荐模型；
[0172]
所述话术确定模块603，用于：
[0173]
将所述目标风险聚合中的风险和第一发生概率输入所述预先训练的预设话术推荐模型，得到与所述目标风险聚合匹配的目标话术。
[0174]
本说明书实施例中，所述信息获取模块601，用于：
[0175]
在检测到所述目标用户触发执行所述目标业务的情况下，输出预设提示信息；
[0176]
接收所述目标用户针对所述预设提示信息而输入的信息。
[0177]
本说明书实施例中，所述信息获取模块601，用于：
[0178]
基于预设命名实体识别模型对所述输入的信息进行识别，得到所述目标用户触发执行所述目标业务的用户意图。
[0179]
本说明书实施例中，所述交互模块604，用于：
[0180]
基于预设风险识别模型和所述交互结果，检测执行所述目标业务是否存在风险；
[0181]
在检测到执行所述目标业务存在风险的情况下，输出预设风险提示信息并终止执行所述目标业务。
[0182]
本说明书实施例提供一种话术确定装置，本说明书实施例提供一种话术确定方法，获取目标用户针对触发执行的目标业务而输入的信息，并基于输入的信息对触发执行目标业务的意图进行识别，得到目标用户触发执行目标业务的用户意图，获取风险聚合中与用户意图匹配的用户行为所对应的目标风险聚合，风险聚合为对执行目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合，将目标风险聚合输入预先训练的预设话术推荐模型，得到与目标风险聚合匹配的目标话术，预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，目标风险数据至少包括除用于确定历史风险聚合的历史风险数据以外的第一风险数据，第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据，基于目标话术，与目标用户进行交互，并基于交互结果，确定是否执行目标业务。这样，由于话术推荐模型是通过历史风险聚合进行训练得到的，所以，不需要再次对话术推荐模型进行训练，就可以通过目标风险聚合以及话术推荐模型，确定与用户意图对应的目标话术，避免了由于未及时对话术推荐模型进行更新，导致的无法获取目标话术的问题。
[0183]
实施例六
[0184]
以上为本说明书实施例提供的话术确定方法，基于同样的思路，本说明书实施例还提供一种话术确定装置，如图7所示。
[0185]
该话术确定装置包括：信息获取模块701、聚合获取模块702、话术确定模块703和
交互模块704，其中：
[0186]
信息获取模块701，用于基于预先部署在所述区块链系统中的第一智能合约，获取目标用户针对触发执行的目标业务而输入的信息，并基于所述输入的信息对触发执行所述目标业务的意图进行识别，得到所述目标用户触发执行所述目标业务的用户意图；
[0187]
聚合确定模块702，用于基于所述第一智能合约，获取风险聚合中与所述用户意图匹配的用户行为所对应的目标风险聚合，所述风险聚合为对执行所述目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合；
[0188]
话术确定模块703，用于基于预先训练的预设话术推荐模型、所述目标风险聚合和所述第一智能合约，得到与所述目标风险聚合匹配的目标话术，所述预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，所述目标风险数据至少包括除用于确定所述历史风险聚合的历史风险数据以外的第一风险数据，所述第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据；
[0189]
话术发送模块704，用于基于所述第一智能合约，将所述目标话术发送给所述目标用户的设备，以使所述目标用户的设备基于所述目标话术，与所述目标用户进行交互，并基于交互结果，确定是否执行所述目标业务。
[0190]
本说明书实施例中，所述风险聚合中还包括用户行为与对应风险之间的第一发生概率，所述装置，还包括：
[0191]
聚合模块，用于基于预先部署在所述区块链系统中的第二智能合约和所述历史风险数据中的用户行为，对所述历史风险数据中的风险进行风险聚合处理，得到与所述历史风险数据中的用户行为对应的所述历史风险聚合，所述历史风险聚合包含一个或多个风险及对应发生概率；
[0192]
训练模块，用于基于所述第二智能合约、所述历史风险聚合中的风险及对应发生概率对所述预设机器学习算法进行训练，得到训练后的所述预设话术推荐模型；
[0193]
所述话术确定模块703，用于：
[0194]
基于预先训练的预设话术推荐模型、所述第一智能合约、所述目标风险聚合中的风险和第一发生概率，得到与所述目标风险聚合匹配的目标话术。
[0195]
基于预先部署在区块链系统中的第一智能合约，获取目标用户针对触发执行的目标业务而输入的信息，并基于输入的信息对触发执行目标业务的意图进行识别，得到目标用户触发执行目标业务的用户意图，基于第一智能合约，获取风险聚合中与用户意图匹配的用户行为所对应的目标风险聚合，风险聚合为对执行目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合，基于预先训练的预设话术推荐模型、目标风险聚合和第一智能合约，得到与目标风险聚合匹配的目标话术，预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，目标风险数据至少包括除用于确定历史风险聚合的历史风险数据以外的第一风险数据，第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据，基于第一智能合约，将目标话术发送给目标用户的设备，以使目标用户的设备基于目标话术，与目标用户进行交互，并基于交互结果，确定是否执行目标业务。这样，由于话术推荐模型是通过历史风险聚合进行训练得到的，所以，不需要再次对话术推荐模型进行训练，就可以通过目标风险聚合以及话术推荐模型，确定与用户意图对应的目标话术，避免了由于未及时对话术推荐模型进行更
新，导致的无法获取目标话术的问题。
[0196]
实施例七
[0197]
基于同样的思路，本说明书实施例还提供一种话术确定设备，如图8所示。
[0198]
话术确定设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器801和存储器802，存储器802中可以存储有一个或一个以上存储应用程序或数据。其中，存储器802可以是短暂存储或持久存储。存储在存储器802的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对话术确定设备中的一系列计算机可执行指令。更进一步地，处理器801可以设置为与存储器802通信，在话术确定设备上执行存储器802中的一系列计算机可执行指令。话术确定设备还可以包括一个或一个以上电源803，一个或一个以上有线或无线网络接口804，一个或一个以上输入输出接口805，一个或一个以上键盘806。
[0199]
具体在本实施例中，话术确定设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对话术确定设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
[0200]
获取目标用户针对触发执行的目标业务而输入的信息，并基于所述输入的信息对触发执行所述目标业务的意图进行识别，得到所述目标用户触发执行所述目标业务的用户意图；
[0201]
获取风险聚合中与所述用户意图匹配的用户行为所对应的目标风险聚合，所述风险聚合为对执行所述目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合；
[0202]
将所述目标风险聚合输入预先训练的预设话术推荐模型，得到与所述目标风险聚合匹配的目标话术，所述预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，所述目标风险数据至少包括除用于确定所述历史风险聚合的历史风险数据以外的第一风险数据，所述第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据；
[0203]
基于所述目标话术，与所述目标用户进行交互，并基于交互结果，确定是否执行所述目标业务。
[0204]
可选地，所述目标风险数据还包括所述历史风险数据，在所述获取风险聚合中与所述用户意图匹配的用户行为所对应的目标风险聚合之前，还包括：
[0205]
通过预设提取算法，分别提取所述历史风险数据和所述第一风险数据中包含的用户行为和对应风险；
[0206]
基于所述用户行为，对所述风险进行风险聚合处理，得到与所述用户行为对应的所述风险聚合。
[0207]
可选地，所述获取风险聚合中与所述用户意图匹配的用户行为所对应的目标风险聚合，包括：
[0208]
获取预先建立的用户行为库中与所述用户意图匹配的目标用户行为，所述用户行为库为基于所述目标风险数据中的用户行为构建的；
[0209]
将与所述目标用户行为对应的风险聚合确定为所述目标风险聚合。
[0210]
可选地，在所述获取预先建立的用户行为库中与所述用户意图匹配的目标用户行为之前，还包括：
[0211]
获取所述历史风险数据和所述第一风险数据中包含的用户行为的数量；
[0212]
基于所述用户行为中数量不小于预设数量阈值的第一用户行为，构建所述用户行为库。
[0213]
可选地，所述获取预先建立的用户行为库中与所述用户意图匹配的目标用户行为，包括：
[0214]
在所述用户行为库中不存在与所述用户意图匹配的用户行为的情况下，基于预设相似度算法，获取所述用户行为库中每个用户行为与所述用户意图之间的行为相似度；
[0215]
基于所述行为相似度，确定与所述用户意图匹配的目标用户行为。
[0216]
可选地，所述风险聚合中还包括用户行为与对应风险之间的第一发生概率，在所述将所述目标风险聚合输入预先训练的预设话术推荐模型，得到与所述目标风险聚合匹配的目标话术之前，还包括：
[0217]
基于所述历史风险数据中的用户行为，对所述历史风险数据中的风险进行风险聚合处理，得到与所述历史风险数据中的用户行为对应的所述历史风险聚合，所述历史风险聚合包含一个或多个风险及对应发生概率；
[0218]
将所述历史风险聚合中的风险及对应发生概率输入所述预设机器学习算法进行训练，得到训练后的所述预设话术推荐模型；
[0219]
所述将所述目标风险聚合输入预先训练的预设话术推荐模型，得到与所述目标风险聚合匹配的目标话术，包括：
[0220]
将所述目标风险聚合中的风险和第一发生概率输入所述预先训练的预设话术推荐模型，得到与所述目标风险聚合匹配的目标话术。
[0221]
可选地，所述获取目标用户针对触发执行的目标业务而输入的信息，包括：
[0222]
在检测到所述目标用户触发执行所述目标业务的情况下，输出预设提示信息；
[0223]
接收所述目标用户针对所述预设提示信息而输入的信息。
[0224]
可选地，所述基于所述输入的信息对触发执行所述目标业务的意图进行识别，得到所述目标用户触发执行所述目标业务的用户意图，包括：
[0225]
基于预设命名实体识别模型对所述输入的信息进行识别，得到所述目标用户触发执行所述目标业务的用户意图。
[0226]
可选地，所述基于交互结果，确定是否执行所述目标业务，包括：
[0227]
基于预设风险识别模型和所述交互结果，检测执行所述目标业务是否存在风险；
[0228]
在检测到执行所述目标业务存在风险的情况下，输出预设风险提示信息并终止执行所述目标业务。
[0229]
另外，具体在本实施例中，话术确定设备可以为区块链系统中的设备，话术确定设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对话术确定设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
[0230]
基于预先部署在所述区块链系统中的第一智能合约，获取目标用户针对触发执行的目标业务而输入的信息，并基于所述输入的信息对触发执行所述目标业务的意图进行识别，得到所述目标用户触发执行所述目标业务的用户意图；
[0231]
基于所述第一智能合约，获取风险聚合中与所述用户意图匹配的用户行为所对应的目标风险聚合，所述风险聚合为对执行所述目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合；
[0232]
基于预先训练的预设话术推荐模型、所述目标风险聚合和所述第一智能合约，得到与所述目标风险聚合匹配的目标话术，所述预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，所述目标风险数据至少包括除用于确定所述历史风险聚合的历史风险数据以外的第一风险数据，所述第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据；
[0233]
基于所述第一智能合约，将所述目标话术发送给所述目标用户的设备，以使所述目标用户的设备基于所述目标话术，与所述目标用户进行交互，并基于交互结果，确定是否执行所述目标业务。
[0234]
可选地，所述风险聚合中还包括用户行为与对应风险之间的第一发生概率，在所述基于预先训练的预设话术推荐模型、所述目标风险聚合和所述第一智能合约，得到与所述目标风险聚合匹配的目标话术之前，还包括：
[0235]
基于预先部署在所述区块链系统中的第二智能合约和所述历史风险数据中的用户行为，对所述历史风险数据中的风险进行风险聚合处理，得到与所述历史风险数据中的用户行为对应的所述历史风险聚合，所述历史风险聚合包含一个或多个风险及对应发生概率；
[0236]
基于所述第二智能合约、所述历史风险聚合中的风险及对应发生概率对所述预设机器学习算法进行训练，得到训练后的所述预设话术推荐模型；
[0237]
所述基于预先训练的预设话术推荐模型、所述目标风险聚合和所述第一智能合约，得到与所述目标风险聚合匹配的目标话术，包括：
[0238]
基于预先训练的预设话术推荐模型、所述第一智能合约、所述目标风险聚合中的风险和第一发生概率，得到与所述目标风险聚合匹配的目标话术。
[0239]
本说明书实施例提供一种话术确定设备，获取目标用户针对触发执行的目标业务而输入的信息，并基于输入的信息对触发执行目标业务的意图进行识别，得到目标用户触发执行目标业务的用户意图，获取风险聚合中与用户意图匹配的用户行为所对应的目标风险聚合，风险聚合为对执行目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合，将目标风险聚合输入预先训练的预设话术推荐模型，得到与目标风险聚合匹配的目标话术，预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，目标风险数据至少包括除用于确定历史风险聚合的历史风险数据以外的第一风险数据，第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据，基于目标话术，与目标用户进行交互，并基于交互结果，确定是否执行目标业务。这样，由于话术推荐模型是通过历史风险聚合进行训练得到的，所以，不需要再次对话术推荐模型进行训练，就可以通过目标风险聚合以及话术推荐模型，确定与用户意图对应的目标话术，避免了由于未及时对话术推荐模型进行更新，导致的无法获取目标话术
的问题。
[0240]
实施例八
[0241]
本说明书实施例还提供一种计算机可读存储介质，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话术确定方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(read
‑
only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等。
[0242]
本说明书实施例提供一种计算机可读存储介质，获取目标用户针对触发执行的目标业务而输入的信息，并基于输入的信息对触发执行目标业务的意图进行识别，得到目标用户触发执行目标业务的用户意图，获取风险聚合中与用户意图匹配的用户行为所对应的目标风险聚合，风险聚合为对执行目标业务对应的目标风险数据进行风险聚合处理得到的包含一个或多个风险的聚合，将目标风险聚合输入预先训练的预设话术推荐模型，得到与目标风险聚合匹配的目标话术，预设话术推荐模型为基于历史风险聚合对通过预设机器学习算法构建的模型进行训练得到的，目标风险数据至少包括除用于确定历史风险聚合的历史风险数据以外的第一风险数据，第一风险数据包括除风险日志数据以外的包含用户行为和对应风险的风险数据，基于目标话术，与目标用户进行交互，并基于交互结果，确定是否执行目标业务。这样，由于话术推荐模型是通过历史风险聚合进行训练得到的，所以，不需要再次对话术推荐模型进行训练，就可以通过目标风险聚合以及话术推荐模型，确定与用户意图对应的目标话术，避免了由于未及时对话术推荐模型进行更新，导致的无法获取目标话术的问题。
[0243]
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0244]
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmable logic device，pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl
(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very
‑
high
‑
speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
[0245]
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0246]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0247]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0248]
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书一个或多个实施例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。
[0249]
本说明书的实施例是参照根据本说明书实施例的方法、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。
[0250]
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。
[0251]
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。
[0252]
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。
[0253]
内存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)。内存是计算机可读介质的示例。
[0254]
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。
[0255]
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，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0256]
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书一个或多个实施例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。
[0257]
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0258]
本说明书中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。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0259]
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何
修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。