交易风险判断方法、装置、设备和介质与流程

1.本公开涉及人工智能领域，更具体地，涉及一种交易风险判断方法、装置、设备、介质和程序产品。


背景技术：

2.目前音视频记录技术在众多行业领域应用广泛，交易双方可通过音视频记录当下交易过程，确认客户交易意愿。例如银行使用录音录像设备记录客户风险评估过程或通过视频交流远程办理业务等。在业务办理过程中，由于个人性格特点不同或者进行交易的目的不同，不同客户会产生不同的情绪，如焦躁、紧张、耐心或开心等情绪。


技术实现要素：

3.在实现本公开发明构思的过程中，发明人发现：若客户在某次业务办理过程中的情绪较以往有较大差异，可能意味着当前处于特殊情况，需要格外引起关注。因此，如何了解客户日常性格特点，并通过分析客户交易时的情绪变化，降低可能出现的异常交易风险显得尤其重要。
4.鉴于上述问题，本公开提供了一种通过分析客户情绪变化的交易风险判断方法、装置、设备、介质和程序产品。
5.本公开实施例的一个方面提供了一种交易风险判断方法，包括：在第一客户办理第一业务时，获取所述第一客户的视频数据和音频数据，所述第一业务为向客户提供的s个业务中的任一个；根据所述视频数据和所述音频数据，获得所述第一客户的实时情绪值；将所述实时情绪值与所述第一业务的业务情绪值和所述第一客户的历史情绪值进行对比，获得对比结果，其中，所述业务情绪值根据所述第一业务的业务属性和/或n个第二客户办理所述第一业务的n个客户情绪值获得，所述历史情绪值根据所述第一客户办理的m个第二业务的实时情绪值获得，s、n和m分别为大于或等于1的整数；根据所述对比结果判断交易风险。
6.根据本公开的实施例，在所述获得对比结果之前，所述方法还包括获得所述业务情绪值，具体包括：获得所述业务属性，所述业务属性包括所述第一业务下关联的任务数量、所述第一客户办理所述第一业务过程中的操作次数和参与工作人员数量；将所述业务属性输入至情绪计算模型，获得模型计算结果；根据所述模型计算结果和/或所述n个客户情绪值获得所述业务情绪值。
7.根据本公开的实施例，所述情绪计算模型包括多元线性回归模型，所述将所述业务属性输入至情绪计算模型，获得模型计算结果包括：将所述任务数量、所述操作次数和所述参与工作人员数量输入至所述多元线性回归模型；根据所述任务数量、所述操作次数和所述参与工作人员数量及各自对应的系数，获得所述模型计算结果。
8.根据本公开的实施例，所述根据所述模型计算结果和/或所述n个客户情绪值获得所述业务情绪值包括：获得所述n个客户情绪值的算术平均值；根据所述模型计算结果和/
或所述算术平均值获得所述业务情绪值。
9.根据本公开的实施例，所述n个客户情绪值与所述n个第二客户一一对应，在所述获得对比结果之前，所述方法还包括获得所述n个客户情绪值，具体包括：在所述第一客户办理所述第一业务的预定时间段内，获得办理所述第一业务的n个第二客户的n个实时情绪值；将所述n个实时情绪值作为所述n个客户情绪值。
10.根据本公开的实施例，根据所述视频数据和所述音频数据，获得所述第一客户的实时情绪值包括：根据所述视频数据获得所述第一客户的面部图像；根据所述音频数据获得所述第一客户的声音信号；根据所述面部图像和所述声音信号获得所述实时情绪值。
11.根据本公开的实施例，所述根据所述面部图像和所述声音信号获得所述实时情绪值包括：将所述面部图像输入至图像情绪识别模型，获得面部情绪值；将所述声音信号输入至语音情绪识别模型，获得声音情绪值；根据所述面部情绪值和所述声音情绪值获得所述实时情绪值。
12.根据本公开的实施例，所述方法还包括：根据所述音频数据获得所述第一客户的语音交流内容；对所述语音交流内容进行语义识别，获得语义情绪值；其中，所述根据所述面部情绪值和所述声音情绪值获得所述实时情绪值包括：根据所述语义情绪值、所述面部情绪值和所述声音情绪值获得所述实时情绪值。
13.根据本公开的实施例，所述获得对比结果包括：获得所述实时情绪值与所述业务情绪值之间的第一差值；获得所述实时情绪值与所述历史情绪值之间的第二差值；根据所述第一差值和所述第二差值获得所述对比结果。
14.本公开实施例的另一方面提供了一种交易风险判断装置，包括：音视频获取模块，用于在第一客户办理第一业务时，获取所述第一客户的视频数据和音频数据，所述第一业务为向客户提供的s个业务中的任一个；实时情绪模块，用于根据所述视频数据和所述音频数据，获得所述第一客户的实时情绪值；情绪对比模块，用于将所述实时情绪值与所述第一业务的业务情绪值和所述第一客户的历史情绪值进行对比，获得对比结果，其中，所述业务情绪值根据所述第一业务的业务属性和/或n个第二客户办理所述第一业务的n个客户情绪值获得，所述历史情绪值根据所述第一客户办理的m个第二业务的实时情绪值获得，s、n和m分别为大于或等于1的整数；风险判断模块，用于根据所述对比结果判断交易风险。
15.所述交易风险判断装置包括分别用于执行如上所述任意一项所述的交易风险判断方法的各个步骤的模块。
16.本公开实施例的另一方面提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行如上所述的方法。
17.本公开实施例的另一方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行如上所述的方法。
18.本公开实施例的另一方面还提供了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所述的方法。
19.上述一个或多个实施例具有如下有益效果：在第一客户办理第一业务时获得实时情绪值，将其与第一业务的业务情绪值和该客户的历史情绪值进行对比，根据获得的对比结果判断交易风险，能够通过该客户的历史情绪值反映出日常性格特点，并通过业务情绪
值反映出办理该业务时各个客户普遍的情绪变化，能够对出现异常风险的交易及时发现，以便于及时了解客户真实意图，降低可能出现的诈骗行为风险或其他异常交易风险。
附图说明
20.通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
21.图1示意性示出了根据本公开实施例的交易风险判断方法的应用场景图；
22.图2示意性示出了根据本公开实施例的交易风险判断方法的流程图；
23.图3示意性示出了根据本公开实施例的获得实时情绪值的流程图；
24.图4示意性示出了根据本公开另一实施例的获得实时情绪值的流程图；
25.图5示意性示出了根据本公开另一实施例的获得实时情绪值的流程图；
26.图6示意性示出了根据本公开实施例的获得业务情绪值的流程图；
27.图7示意性示出了根据本公开实施例的获得模型计算结果的流程图；
28.图8示意性示出了根据本公开另一实施例的获得业务情绪值的流程图；
29.图9示意性示出了根据本公开实施例的获得n个客户情绪值的流程图；
30.图10示意性示出了根据本公开实施例的准备阶段的流程图；
31.图11示意性示出了根据本公开另一实施例的交易风险判断方法的流程图；
32.图12示意性示出了根据本公开实施例的交易风险判断装置的结构框图；以及
33.图13示意性示出了根据本公开实施例的适于实现交易风险判断方法的电子设备的方框图。
具体实施方式
34.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
35.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
36.在本公开的技术方案中，在获取或采集客户个人信息(如视频和音频)之前，均获取了客户的授权或同意。所涉及的客户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
37.图1示意性示出了根据本公开实施例的交易风险判断方法的应用场景图。
38.如图1所示，根据该实施例的应用场景100可以包括音视频获取设备101、网络102、服务器103、办理业务时客户的面部图像104和办理业务时客户104的音频数据105。网络102用以在音视频获取设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
39.在客户办理业务过程中，音视频获取设备101可以获取该客户的音频数据105和视
频数据，并通过网络102传输到服务器103。其中，视频数据包括连续的图像序列，其中包括面部图像104。
40.音视频获取设备101可以包括摄像头，或具有摄像头的终端设备。终端设备上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。终端设备可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
41.服务器103可以是提供各种服务的服务器，例如对音视频获取设备101传输的音频数据和视频数据进行分析等处理，并将处理结果(例如根据交易风险判断请求获取或生成的情绪识别结果或交易风险判断结果等)反馈给音视频获取设备101、包括音视频获取设备101的终端设备或单独的终端设备。
42.需要说明的是，本公开实施例所提供的交易风险判断方法一般可以由服务器103执行。相应地，本公开实施例所提供的交易风险判断装置一般可以设置于服务器103中。本公开实施例所提供的交易风险判断方法也可以由不同于服务器103且能够与音视频获取设备101和/或服务器103通信的服务器或服务器集群执行。相应地，本公开实施例所提供的交易风险判断装置也可以设置于不同于服务器103且能够与音视频获取设备101和/或服务器103通信的服务器或服务器集群中。
43.应该理解，图1中的音视频获取设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的音视频获取设备、网络和服务器。
44.以下将基于图1描述的场景，通过图2～图11对本公开实施例的交易风险判断方法进行详细描述。
45.图2示意性示出了根据本公开实施例的交易风险判断方法的流程图。
46.如图2所示，该实施例的交易风险判断方法包括操作s210～操作s240。
47.在操作s210，在第一客户办理第一业务时，获取第一客户的视频数据和音频数据，第一业务为向客户提供的s个业务中的任一个，第一客户为办理s个业务的若干个客户中的任一个。
48.示例性地，可以向客户提供一个或多个业务，如取款业务、存款业务、开卡业务或贷款业务等。例如第一客户去银行柜台办理取款业务(即第一业务)，可以实时获得该客户的视频数据和音频数据。
49.在操作s220，根据视频数据和音频数据，获得第一客户的实时情绪值。
50.示例性地，可以通过对客户进行人脸识别(如微表情识别)、声纹识别或语义识别等人工智能技术，分析客户当前的情绪变化。尤其说明，在客户办理业务过程中，可以获取客户实时情绪值，例如每秒获取一次，因此办理业务过程中实时情绪值是实时变化的。办理业务的过程可以始于捕获到客户视频和音频数据的开始时刻，终于无法捕获到客户视频和音频数据的结束时刻。
51.在操作s230，将实时情绪值与第一业务的业务情绪值和第一客户的历史情绪值进行对比，获得对比结果，其中，业务情绪值根据第一业务的业务属性和/或n个第二客户办理第一业务的n个客户情绪值获得，历史情绪值根据第一客户办理的m个第二业务的实时情绪值获得，s、n和m分别为大于或等于1的整数。
52.示例性地，业务情绪值用于反映办理第一业务的客户情绪变化，客户情绪值通过第二客户办理第一业务过程中的实时情绪值获得，在每个第二客户办理第一业务过程中可以获得多个实时情绪值，可以将其中最大的实时情绪值、多个实时情绪值的均值或最后一个实时情绪值的其中一个作为客户情绪值。历史情绪值用于反映第一客户的日常性格特点。
53.示例性地，可以将实时情绪值与第一业务的业务情绪值和第一客户的历史情绪值进行对比，也可以与任一个单独对比获得最终对比结果。
54.示例性地，一方面，根据历史情绪值可以形成千人千面的客户情绪分析基准，适用不同性格特点的客户进行实时情绪变化分析。另一方面，根据业务情绪值能够反映出客户普遍办理该业务时的情绪变化，从而考虑到业务本身的特点进行实时情绪变化分析。
55.示例性地，实时情绪值q可分为1-10个等级，等级越高代表情绪越紧张、越急躁。等级越低代表情绪越平稳、越耐心。历史情绪值可以按照如下方式计算：对第一客户历史上办理一个或多个业务得到的实时情绪值进行汇总，得到情绪均值作为历史情绪值。例如，客户a的历史上办理业务得到的实时情绪值分别为1、2、3、2，则历史情绪值为2，代表客户个性偏耐心。客户b的历史上办理业务得到的实时情绪值q分别为8、7、7、8、7、9，则历史情绪值为7.6，代表客户个性偏急躁。尤其说明，上述历史上办理业务得到的实时情绪值可以是每次办理业务对应一个实时情绪值，如每次办理业务时获得多个实时情绪值，可以将其中最大的实时情绪值、多个实时情绪值的均值或最后一个实时情绪值的其中一个作为该业务对应的实时情绪值。
56.在一些实施例中，客户首次交易前，可以通过情绪测试问卷评估初步情绪意向值。将首次交易过程中的实时情绪值与初步情绪意向值(作为历史情绪值)、业务情绪值比较。
57.根据本公开的实施例，获得对比结果包括：获得实时情绪值与业务情绪值之间的第一差值。获得实时情绪值与历史情绪值之间的第二差值。根据第一差值和第二差值获得对比结果。
58.示例性地，设立偏离值k，在业务办理过程中将客户的实时情绪值q与业务情绪值m1、历史情绪值m2进行对比。q-m1为第一差值，q-m2为第二差值，(q-m1)+(q-m2)为对比结果。
59.根据本公开的实施例，可以通过第一差值反映实时情绪值与业务情绪值之间的偏离情况，可以通过第二差值反映实时情绪值与历史情绪值之间的偏离情况，并将上述两个偏离情况进行汇总得到对比结果，以确定是否超过偏离值，而及时发现交易风险。
60.在操作s240，根据对比结果判断交易风险。
61.示例性地，交易风险可以包括客户本身受到诈骗、敲诈勒索或其他事件导致的风险，或者客户对提供的服务不满意而对服务机构(如银行)造成的负面影响。
62.示例性地，如果(q-m1)+(q-m2)＞k，则代表本次情绪为异常，可以向业务人员进行预警提示，业务人员可以进行人工干预，对客户进行相应安抚。
63.举例说明，如“存入个人账户资金”的业务情绪值m1为3，偏离值k赋值为5(可以每个业务对应一个偏离值或多个业务共用一个偏离值)。客户c在银行存在多次业务办理记录，系统通过对其历史情绪数据进行计算，得出该客户的历史情绪值m2为5。
64.客户c在办理“存入个人账户资金”时，分析得出其实时情绪值q为8。将q与m1、m2进
行对比，(q-m1)+(q-m2)＝8，偏离值大于k。此时可以弹出预警提醒，工作人员可以结合实际情况观察客户状态，采取相应措施。例如客户c以往办理业务时情绪表现都很耐心，而本次交易过程中情绪非常急躁，可能是对服务不满意或是误入诈骗陷阱，需要引起关注，及时进行引导。
65.如工作人员了解情况后得知客户c想要着急给陌生人汇款，可能遭遇电信诈骗，此时情绪数据即为异常，该次情绪数值q不纳入历史情绪数据中以更新m1和m2。如工作人员了解情况后得知客户c想要准点抢购国债，心情比较激动，此时情绪数据即为正常，将其纳入历史情绪数据中以更新m1和m2。
66.如客户实时情绪值q与m1、m2对比后偏离值小于等于k，则不进行预警，将本次数值纳入该客户历史情绪数值库中，对m1和m2的数值进行扩充优化。
67.在一些实施例中，业务情绪值和历史情绪值可以是动态更新的，n个第二客户可以包括第一用户，m个第二业务可以包括第一业务。例如可以在每次有客户结束办理第一业务后，可以将该次的实时情绪值纳入统计，更新业务情绪值，或者每天统计办理第一业务所获得的实时情绪值进行更新。例如某客户每次办理完业务后，根据该次实时情绪值更新其历史情绪值。
68.根据本公开的实施例，在第一客户办理第一业务时获得的实时情绪值，将其与第一业务的业务情绪值和该客户的历史情绪值进行对比，根据获得的对比结果判断交易风险，能够通过该客户的历史情绪值反映出日常性格特点，并通过业务情绪值反映出办理该业务时各个客户普遍的情绪变化，能够对出现异常风险的交易及时发现，以便于及时了解客户真实意图，降低可能出现的诈骗行为风险或其他异常交易风险。
69.图3示意性示出了根据本公开实施例的获得实时情绪值的流程图。
70.如图3所示，在操作s220根据视频数据和音频数据，获得第一客户的实时情绪值包括操作s310～操作s330。
71.在操作s310，根据视频数据获得第一客户的面部图像。
72.示例性地，可以从视频数据中提取第一客户的面部图像。具体地，可以从一帧或多帧图像序列中获得第一客户的一张或多张面部图像，从中确定出可以使用的图像。
73.在操作s320，根据音频数据获得第一客户的声音信号。
74.示例性地，第一客户的声音信号可以包括第一客户说话期间采集该客户的声波信号。
75.在操作s330，根据面部图像和声音信号获得实时情绪值。
76.示例性地，可以利用人脸识别的方式进行面部情绪分类，并利用语音识别的方式进行声音情绪分类，根据两分类结果得到实时情绪值。
77.根据本公开的实施例，可以通过客户的面部表情和声音信号综合确定当前客户的情绪变化情况，以便能够更准确地获得实时情绪值。
78.图4示意性示出了根据本公开另一实施例的获得实时情绪值的流程图。
79.如图4所示，在操作s330根据面部图像和声音信号获得实时情绪值包括操作s410～操作s430。
80.在操作s410，将面部图像输入至图像情绪识别模型，获得面部情绪值。
81.示例性地，图像情绪识别模型可以根据稠密连接卷积神经网络构建，并通过训练
数据集训练后投入使用。稠密连接卷积神经网络可以将所有层(具有匹配的特征图大小)直接相互连接，每层都从所有先前的层中获取输入，并将其自身输出的特征图传递给所有后续层。
82.在训练过程中，首先，将面部表情训练数据经过gabor增强人脸纹理。然后，将稠密连接卷积神经网络在纹理增强后的面部表情训练数据上进行训练，以得到图像情绪识别模型。
83.在使用过程中，可以将第一客户的面部图像经过gabor增强人脸纹理，然后输入至图像情绪识别模型得出面部情绪值pm。gabor函数是一个用户边缘提取的线性滤波器，其处理面部图像得到的gabor特征是可以用来描述图像纹理信息的特征，从而实现增强人脸纹理。
84.在操作s420，将声音信号输入至语音情绪识别模型，获得声音情绪值。
85.示例性地，在训练阶段，首先，将声音信号训练数据集的mfcc特征与gfcc特征进行特征融合。具体融合公式如下：
86.m
mix
＝[(m
mfcc
)，(m
gfcc
)]
ꢀꢀꢀ
式1)
[0087]
其中，m
mfcc
表示提取出的mfcc特征，m
gfcc
表示提取出的gfcc特征，m
mix
表示融合特征。mfcc(mel-frequency cepstral coefficients)为梅尔频率倒谱系数，其提取一般会经过预加重、分帧、加窗、傅里叶变换、梅尔滤波器组和离散余弦变换dct。gfcc(gamma-frequency cepstral coefficients)为伽马频率倒谱系数，其提取可以包括预处理得到分帧信号、提取能量谱包络、使用gammatone滤波器滤波、dct变换、计算dct倒谱信号和倒谱提升。
[0088]
然后，将融合特征输入至基于卷积神经网络(cnn)和门控循环单元(gru)网络的融合构成模型cgru以及svm中进行训练，并将cgru与svm构成集成学习得到语音情绪识别模型。
[0089]
在使用阶段，根据声音信号提取出mfcc特征和gfcc特征并融合，输入至cgru模型进一步处理，并将处理结果输入至随机森林进行特征选择，最后通过支持向量机(svm)进行预测，即得出声音情绪值pv。
[0090]
在操作s430，根据面部情绪值和声音情绪值获得实时情绪值。
[0091]
将图像情绪识别模型与语音情绪识别模型进行融合，得到双态情绪识别模型，得出实时情绪数值q＝αpm+βpv。其中，α和β表示两者的权重，可以取α＝0.62，β＝0.38(仅为示例)，计算得出一个客户的实时情绪值q。
[0092]
图5示意性示出了根据本公开另一实施例的获得实时情绪值的流程图。
[0093]
如图5所示，该实施例的获得实时情绪值包括操作s510～操作s530。其中，操作s530是操作s430的其中一个实施例。
[0094]
在操作s510，根据音频数据获得第一客户的语音交流内容。
[0095]
示例性地，在第一客户办理第一业务过程中，可以获取第一客户的说话内容，即语音交流内容。
[0096]
在一些实施例中，可以获得业务人员的说话内容，从业务人员和第一客户之间的交流内容中进行语义分析判断业务人员是否回答存在问题，以及第一客户情绪变化的原因。
[0097]
在操作s520，对语音交流内容进行语义识别，获得语义情绪值。
[0098]
示例性地，语义识别技术可以对说话内容进行分词，例如转换为文字，并利用自然语言处理技术提取特征以进一步理解客户的意思，捕捉第一客户的真实意图，进而识别客户的情绪得到语义情绪值。
[0099]
在操作s530，根据语义情绪值、面部情绪值和声音情绪值获得实时情绪值。
[0100]
例如将语义情绪值表示为p
l
，得出实时情绪数值q＝αpm+βpv+γpl。其中，γ表示p
l
的权重，可以取α＝0.52，β＝0.30，γ＝0.18(仅为示例)，计算得出一个客户的实时情绪值q。
[0101]
根据本公开的实施例，可以避免不同客户面部表情变化幅度不同、声波波动程度不同导致实时情绪值有误的部分情况，利用语义分析提高实时情绪值的准确度。
[0102]
图6示意性示出了根据本公开实施例的获得业务情绪值的流程图。
[0103]
在获得对比结果之前，如图6所示，该实施例的获得业务情绪值包括操作s610～操作s630。
[0104]
在操作s610，获得业务属性，业务属性包括第一业务下关联的任务数量、第一客户办理第一业务过程中的操作次数和参与工作人员数量。
[0105]
示例性地，以“跨境汇款”业务举例，其任务可以包括提供身份证等相关资料、填写汇款申请书、查询及登记外汇额度、客户确认牌价并支付人民币及客户在凭证签字以确认交易。操作次数包括客户在完成各个任务过程中参与的次数，如填写汇款申请书、输入密码或签字确认等。参与工作人员包括在完成各个任务过程需要与客户对接的工作人员，例如柜台人员、机构经理或远程客服等。
[0106]
在一些业务中，任务数量、操作次数和参与工作人员数量过多，可能会让客户感觉步骤繁琐，进一步引起客户的负面情绪。
[0107]
在操作s620，将业务属性输入至情绪计算模型，获得模型计算结果。
[0108]
示例性地，情绪计算模型可以包括人工智能模型，如神经网络模型，通过提取任务数量、操作次数和参与工作人员数量的特征输出模型计算结果。情绪计算模型还可以包括线性模型或非线性模型，可以利用历史数据进行拟合得到，例如得到某个业务任务数量、操作次数和参与工作人员数量，以及多个客户的客户情绪值进行拟合，得到待定系数。
[0109]
在操作s630，根据模型计算结果和/或n个客户情绪值获得业务情绪值。
[0110]
可以单独将模型计算结果作为业务情绪值，可以单独根据n个客户情绪值获得业务情绪值，也可以结合模型计算结果和n个客户情绪值获得业务情绪值。
[0111]
根据本公开的实施例，将任务数量、操作次数和参与工作人员数量作为计算业务情绪值的变量，能够从任务本身、客户角度和工作人员角度出发，多方面考虑模型计算结果，提高所获得的业务情绪值的准确性。
[0112]
图7示意性示出了根据本公开实施例的获得模型计算结果的流程图。
[0113]
如图7所示，在操作s620将业务属性输入至情绪计算模型，获得模型计算结果包括操作s710～操作s720。情绪计算模型包括多元线性回归模型。
[0114]
在操作s710，将任务数量、操作次数和参与工作人员数量输入至多元线性回归模型。
[0115]
以一个具体业务为例，首先通过三个变量反映该业务对应的特征值，其中e1＝业
务下关联任务的数量，e2＝需要客户操作的次数，e3＝业务涉及的角色数量。预先获得每个业务其对应的(e1，e2，e3)。其次设定线性回归方程y＝a0+a1x1+a2x2+a3x3，将e1、e2、e3分别代入x1、x2、x3，利用最小二乘法确定线性回归方程的系数。
[0116]
在操作s720，根据任务数量、操作次数和参与工作人员数量及各自对应的系数，获得模型计算结果。
[0117]
示例性地，在得到a0、a1、a2、a3后，可以计算出y的值作为模型计算结果。
[0118]
图8示意性示出了根据本公开另一实施例的获得业务情绪值的流程图。
[0119]
如图8所示，在操作s630根据模型计算结果和/或n个客户情绪值获得业务情绪值包括操作s810～操作s820。
[0120]
在操作s810，获得n个客户情绪值的算术平均值。
[0121]
示例性地，统计第一业务下对应的不同客户的客户情绪值q1、q2、q3...，取其算术平均值q’。
[0122]
在操作s820，根据模型计算结果和/或算术平均值获得业务情绪值。
[0123]
示例性地，业务情绪值m1计算方式如下：
[0124][0125]
m1(四舍五入取整)值越大，代表客户在办理该活动下关联的业务时，普遍情绪波动较大，反之则情绪波动越小。
[0126]
例如，计算得出“存入个人账户资金”的业务情绪值m1为3，代表办理此类业务时，客户情绪普遍较耐心。“支取个人账户资金”的业务情绪值m1为5，代表办理此类业务时，客户情绪有一定波动。“挂失/解挂存折存单”的业务情绪值m1为7，代表客户情绪波动较大，存在负面情绪。
[0127]
图9示意性示出了根据本公开实施例的获得n个客户情绪值的流程图。
[0128]
n个客户情绪值与n个第二客户一一对应，在获得对比结果或获得算术平均值之前，如图9所示，该实施例的获得n个客户情绪值包括操作s910～操作s920。
[0129]
在操作s910，在第一客户办理第一业务的预定时间段内，获得办理第一业务的n个第二客户的n个实时情绪值。
[0130]
示例性地，预定时间段可以包括每年、每月、每周、每日、每时或每秒(仅为示例)。该n个实时情绪值与上述n个客户情绪值可以相同或不同。对于每个第二客户而言，在客户情绪值仅取预定时间段内的其中一个实时情绪值则不同，在客户情绪值为当前时间点的实时情绪值时则相同。
[0131]
在操作s920，将n个实时情绪值作为n个客户情绪值。
[0132]
以第一客户办理“存入个人账户资金”，预定时间段为每分举例，例如在10点20分获得第一客户的实时情绪值，则同时获得在10点20分办理“存入个人账户资金”的多个第二客户(例如所有客户或随机确定预定数量的客户)的实时情绪值作为n个实时情绪值。
[0133]
根据本公开的实施例，可以考虑到第一业务在不同时间段的特点，例如可能由于外界其他原因导致该时间段内业务较为抢手，可能所有客户在办理业务时都较为激动，在该情况下由于n个实时情绪值也是实时获得，因此能够更为准确的判断交易风险。
[0134]
在另一些实施例中，若预定时间段为每年、每月或每周，可以获得在办理业务当日
起过去一年、过去一月或过去一周的n个实时情绪值，以此推导得到业务情绪值。
[0135]
结合图2～图9的描述，下面通过图10和图11从准备阶段和执行阶段再次介绍另一实施例的交易风险判断方法。
[0136]
图10示意性示出了根据本公开实施例的准备阶段的流程图。
[0137]
在执行交易风险判断方法之前，如图10所示，该实施例的准备阶段包括操作s1010～操作s1060。
[0138]
在操作s1010，获取业务架构中的各个活动，即各个业务。
[0139]
在操作s1020，根据每个业务的历史情绪库(如多个客户办理该业务时获得的客户情绪值)和业务属性，定义业务情绪值m1。
[0140]
在操作s1030，构建情绪识别模型。如图像情绪识别模型、语音情绪识别模型和语义情绪识别模型。在操作s1020的历史情绪数据可以利用该操作的情绪识别模型获得。
[0141]
在操作s1040，输入音视频数据进行情绪识别模型训练，或者训练完成后使用该情绪识别模型获得实时情绪值。
[0142]
在操作s1050，计算每个客户的历史情绪值m2。
[0143]
在操作s1060，设定偏离值k。
[0144]
图11示意性示出了根据本公开另一实施例的交易风险判断方法的流程图。
[0145]
如图11所示，该实施例的交易风险判断方法包括操作s1110～操作s1150。
[0146]
在操作s1110，在办理第一业务时，获取该客户的实时情绪值q。
[0147]
在操作s1120，获取第一业务对应的业务情绪值m1和该客户的历史情绪值m2。
[0148]
在操作s1130，判断q与m1、m2的差值，并求和得到对比结果。
[0149]
在操作s1140，若(q-m1)+(q-m2)＞k，则可以向业务人员进行预警提示，不将q纳入历史情绪库。
[0150]
在操作s1150，若(q-m1)+(q-m2)《k，则不向业务人员进行预警提示，将q纳入历史情绪库，用于更新m1或m2。
[0151]
根据本公开的实施例，首先运用业务架构资产构建线性回归模型，对业务架构中不同领域下的不同活动，通过线性回归方程，分别计算出一个业务情绪值m1。
[0152]
其次在交易过程中实时分析用户情绪，通过深度学习得出实时情绪值q，通过积累多次情绪数值，丰富客户情绪数据库，建立起客户的历史情绪值m2。当客户再次交易时，将客户的实时情绪数值q与历史情绪值m2、业务情绪值值m1相比较。对出现异常情绪的客户及时向业务人员提示，以便于及时了解客户真实意图，对客户情绪进行安抚，降低可能出现的诈骗行为风险或其他异常交易风险。
[0153]
基于上述交易风险判断方法，本公开还提供了一种交易风险判断装置。以下将结合图12对该装置进行详细描述。
[0154]
图12示意性示出了根据本公开实施例的交易风险判断装置的结构框图。
[0155]
如图12所示，该实施例的交易风险判断装置1200包括音视频获取模块1210、实时情绪模块1220、情绪对比模块1230和风险判断模块1240。
[0156]
音视频获取模块1210可以执行操作s210，用于在第一客户办理第一业务时，获取第一客户的视频数据和音频数据，第一业务为向客户提供的s个业务中的任一个。
[0157]
实时情绪模块1220可以执行操作s220，用于根据视频数据和音频数据，获得第一
客户的实时情绪值。
[0158]
根据本公开的实施例，实时情绪模块1220可以执行操作s310～操作s330，操作s410～操作s430，操作s510～操作s530，在此不做赘述。
[0159]
情绪对比模块1230可以执行操作s230，用于将实时情绪值与第一业务的业务情绪值和第一客户的历史情绪值进行对比，获得对比结果，其中，业务情绪值根据第一业务的业务属性和/或n个第二客户办理第一业务的n个客户情绪值获得，历史情绪值根据第一客户办理的m个第二业务的实时情绪值获得，s、n和m分别为大于或等于1的整数。
[0160]
根据本公开的实施例，情绪对比模块1230还可以用于获得实时情绪值与业务情绪值之间的第一差值。获得实时情绪值与历史情绪值之间的第二差值。根据第一差值和第二差值获得对比结果。
[0161]
风险判断模块1240可以执行操作s240，用于根据对比结果判断交易风险。
[0162]
根据本公开的实施例，交易风险判断装置1200包括业务情绪值模块，用于执行操作s610～操作s630，操作s710～操作s720，操作s810～操作s820，在此不做赘述。
[0163]
根据本公开的实施例，交易风险判断装置1200包括客户情绪值模块，用于执行操作s910～操作s920，在此不做赘述。
[0164]
需要说明的是，交易风险判断装置1200包括分别用于执行如上图2～图11描述的任意一个实施例的各个步骤的模块。装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似，在此不再赘述。
[0165]
根据本公开的实施例，音视频获取模块1210、实时情绪模块1220、情绪对比模块1230和风险判断模块1240中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。
[0166]
根据本公开的实施例，音视频获取模块1210、实时情绪模块1220、情绪对比模块1230和风险判断模块1240中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，音视频获取模块1210、实时情绪模块1220、情绪对比模块1230和风险判断模块1240中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0167]
图13示意性示出了根据本公开实施例的适于实现交易风险判断方法的电子设备的方框图。
[0168]
如图13所示，根据本公开实施例的电子设备1300包括处理器1301，其可以根据存储在只读存储器(rom)1302中的程序或者从存储部分1308加载到随机访问存储器(ram)1303中的程序而执行各种适当的动作和处理。处理器1301例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))等等。处理器1301还可以包括用于缓存用途的板载存储器。处理器1301可以包括用于执行
根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
[0169]
在ram 1303中，存储有电子设备1300操作所需的各种程序和数据。处理器1301、rom 1302以及ram 1303通过总线1304彼此相连。处理器1301通过执行rom 1302和/或ram 1303中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，程序也可以存储在除rom 1302和ram 1303以外的一个或多个存储器中。处理器1301也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
[0170]
根据本公开的实施例，电子设备1300还可以包括输入/输出(i/o)接口1305，输入/输出(i/o)接口1305也连接至总线1304。电子设备1300还可以包括连接至i/o接口1305的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1306。包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分1307。包括硬盘等的存储部分1308。以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至i/o接口1305。可拆卸介质1311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1310上，以便于从其上读出的计算机程序根据需要被安装入存储部分1308。
[0171]
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的。也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
[0172]
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 1302和/或ram 1303和/或rom 1302和ram 1303以外的一个或多个存储器。
[0173]
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。
[0174]
在该计算机程序被处理器1301执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
[0175]
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1309被下载和安装，和/或从可拆卸介质1311被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0176]
在这样的实施例中，该计算机程序可以通过通信部分1309从网络上被下载和安装，和/或从可拆卸介质1311被安装。在该计算机程序被处理器1301执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、
单元等可以通过计算机程序模块来实现。
[0177]
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c++，python，“c”语言或类似的程序设计语言。程序代码可以完全地在客户计算设备上执行、部分地在客户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到客户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0178]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0179]
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
[0180]
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。