垃圾电话的识别方法、装置、计算机设备及存储介质与流程

本技术涉及人工智能开发与金融科技领域，尤其涉及垃圾电话的识别方法、装置、计算机设备及存储介质。

背景技术：

1、在当前的电信安全领域，随着电信诈骗和垃圾电话的泛滥，金融企业面临着前所未有的挑战。为了应对这一问题，许多企业采用了基于传统音频指纹技术的垃圾电话识别系统。然而，这种传统方法在处理大规模数据时暴露出了诸多不足。

2、传统音频指纹技术主要依赖于对音频信号的特征提取和比对。在垃圾电话识别系统中，这种技术通常被用来构建诈骗音频的模板数据库，然后将当前通话的音频与这些模板进行比对，以识别潜在的诈骗电话。然而，这种方法在处理大规模数据时，其计算复杂度和内存占用显著增加，导致处理效率低下。并且，由于计算复杂度和内存占用的影响，系统可能无法在短时间内完成音频指纹的提取和比对过程，从而无法及时识别和拦截潜在的诈骗电话。同时，由于音频信号的多样性和复杂性，传统音频指纹技术可能无法准确地识别和匹配所有的诈骗音频，导致系统的准确性下降。

技术实现思路

1、本技术实施例的目的在于提出一种垃圾电话的识别方法、装置、计算机设备及存储介质，以解决现有的基于传统音频指纹技术的垃圾电话识别系统在进行垃圾电话识别的过程中存在处理效率低下，且准确性较低的技术问题。

2、为了解决上述技术问题，本技术实施例提供一种垃圾电话的识别方法，采用了如下所述的技术方案：

3、当接入目标电话时，获取与所述目标电话对应的初始音频数据；

4、对所述初始音频数据进行预处理，得到对应的指定音频数据；

5、基于预训练语言模型对所述指定音频数据进行特征提取，得到对应的指定音频特征向量；

6、调用预设的垃圾电话识别模型；

7、基于所述垃圾电话识别模型对所述指定音频特征向量进行识别处理，得到所述目标电话属于各个预设的垃圾电话类别的概率；

8、从所有所述概率中筛选出数值最高的目标概率，并基于所述目标概率生成与所述目标电话对应的垃圾电话识别结果。

9、进一步的，在所述调用预设的垃圾电话识别模型的步骤之前，还包括：

10、获取预先构建的标注好的垃圾电话数据集；

11、将所述垃圾电话数据集划分为训练集与验证集；

12、调用预设的深度学习模型，并确定与所述深度学习模型对应的目标损失函数与目标优化算法；

13、基于所述目标损失函数与所述目标优化算法，使用所述训练集对所述深度学习模型进行训练，得到对应的第一深度学习模型；

14、基于所述验证集对所述第一深度学习模型进行模型调整，得到符合预设的性能需求的第二深度学习模型；

15、将所述第二深度学习模型作为所述垃圾电话识别模型。

16、进一步的，所述获取预先构建的标注好的垃圾电话数据集的步骤，具体包括：

17、对预先收集的语音电话数据进行预处理得到音频数据，并对所述音频数据进行特征提取得到音频特征向量；

18、基于预设的目标聚类算法对所述音频特征向量进行聚类处理，得到对应的聚类结果；

19、对所述聚类结果进行异常分析，得到对应的异常分析结果；

20、基于所述聚类结果与所述异常分析结果，从所述音频数据中筛选出误拨电话音频与垃圾电话音频；

21、对所述垃圾电话音频进行转录，得到对应的垃圾电话文本；

22、基于预设的语言识别模型对所述垃圾电话文本进行语言识别，得到对应的语言识别结果；

23、基于预设的目标语言需求与所述语言识别结果，从所述垃圾电话音频中过滤掉非目标语言的指定垃圾电话音频，得到过滤后的目标垃圾电话音频；

24、基于预设的标注策略对所述目标垃圾电话音频进行标注处理，得到所述垃圾电话数据集。

25、进一步的，所述对所述初始音频数据进行预处理，得到对应的指定音频数据的步骤，具体包括：

26、对所述音频数据进行去噪处理，得到对应的第一音频数据；

27、对所述第一音频数据进行语音活动检测处理，得到对应的第二音频数据；

28、将所述第二音频数据作为所述指定音频数据。

29、进一步的，所述基于预训练语言模型对所述指定音频数据进行特征提取，得到对应的指定音频特征向量的步骤，具体包括：

30、调用所述预训练语音模型；

31、基于所述预训练语言模型对所述指定音频数据进行前向传播处理，得到对应的隐藏层状态；

32、对所述隐藏层状态进行均值池化操作，得到对应的特征向量；

33、基于所述特征向量生成所述指定音频特征向量。

34、进一步的，所述基于所述目标概率生成与所述目标电话对应的垃圾电话识别结果的步骤，具体包括：

35、获取预设的概率阈值；

36、判断所述目标概率是否大于所述概率阈值；

37、若是，生成所述目标电话为垃圾电话的垃圾电话识别结果；

38、若否，生成所述目标电话为正常电话的垃圾电话识别结果。

39、进一步的，在所述基于所述目标概率生成与所述目标电话对应的垃圾电话识别结果的步骤之后，还包括：

40、若所述垃圾电话识别结果的内容为所述目标电话为垃圾电话，获取与所述目标概率对应的目标垃圾电话类别；

41、基于所述目标垃圾电话类别与所述垃圾电话识别结果生成与所述目标电话对应的电话分析结果；

42、对所述电话分析结果进行输出处理。

43、为了解决上述技术问题，本技术实施例还提供一种垃圾电话的识别装置，采用了如下所述的技术方案：

44、第一获取模块，用于当接入目标电话时，获取与所述目标电话对应的初始音频数据；

45、预处理模块，用于对所述初始音频数据进行预处理，得到对应的指定音频数据；

46、提取模块，用于基于预训练语言模型对所述指定音频数据进行特征提取，得到对应的指定音频特征向量；

47、调用模块，用于调用预设的垃圾电话识别模型；

48、识别模块，用于基于所述垃圾电话识别模型对所述指定音频特征向量进行识别处理，得到所述目标电话属于各个预设的垃圾电话类别的概率；

49、第一生成模块，用于从所有所述概率中筛选出数值最高的目标概率，并基于所述目标概率生成与所述目标电话对应的垃圾电话识别结果。

50、为了解决上述技术问题，本技术实施例还提供一种计算机设备，采用了如下所述的技术方案：

51、当接入目标电话时，获取与所述目标电话对应的初始音频数据；

52、对所述初始音频数据进行预处理，得到对应的指定音频数据；

53、基于预训练语言模型对所述指定音频数据进行特征提取，得到对应的指定音频特征向量；

54、调用预设的垃圾电话识别模型；

55、基于所述垃圾电话识别模型对所述指定音频特征向量进行识别处理，得到所述目标电话属于各个预设的垃圾电话类别的概率；

56、从所有所述概率中筛选出数值最高的目标概率，并基于所述目标概率生成与所述目标电话对应的垃圾电话识别结果。

57、为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

58、当接入目标电话时，获取与所述目标电话对应的初始音频数据；

59、对所述初始音频数据进行预处理，得到对应的指定音频数据；

60、基于预训练语言模型对所述指定音频数据进行特征提取，得到对应的指定音频特征向量；

61、调用预设的垃圾电话识别模型；

62、基于所述垃圾电话识别模型对所述指定音频特征向量进行识别处理，得到所述目标电话属于各个预设的垃圾电话类别的概率；

63、从所有所述概率中筛选出数值最高的目标概率，并基于所述目标概率生成与所述目标电话对应的垃圾电话识别结果。

64、与现有技术相比，本技术实施例主要有以下有益效果：

65、本技术当接入目标电话时，获取与所述目标电话对应的初始音频数据；然后对所述初始音频数据进行预处理，得到对应的指定音频数据；之后基于预训练语言模型对所述指定音频数据进行特征提取，得到对应的指定音频特征向量；后续调用预设的垃圾电话识别模型；进一步基于所述垃圾电话识别模型对所述指定音频特征向量进行识别处理，得到所述目标电话属于各个预设的垃圾电话类别的概率；最后从所有所述概率中筛选出数值最高的目标概率，并基于所述目标概率生成与所述目标电话对应的垃圾电话识别结果。本技术当接入目标电话时，会获取目标电话的初始音频数据，并对初始音频数据进行预处理得到指定音频数据，然后基于预训练语言模型的使用对指定音频数据进行特征提取得到指定音频特征向量，后续基于垃圾电话识别模型的使用对指定音频特征向量进行识别处理，从而可以实现自动准确地完成对于垃圾电话的高效识别和准确分类，提高了垃圾电话的识别效率与识别准确性。相较于传统的音频指纹技术，本技术在处理大规模数据时具有更低的计算复杂度和内存占用，同时能够适应垃圾电话模式的快速变化，进而有效地提高了垃圾电话识别的实时性和准确性。