车险理赔风险识别方法、装置、计算机设备及存储介质与流程

1.本发明涉及语音解析领域，尤其涉及一种车险理赔风险识别方法、装置、计算机设备及存储介质。


背景技术：

2.随着我国经济的快速发展，道路上的车辆数量越来越多，车险行业也随之崛起。一般地，在现有的车险理赔过程中，由被保险人向保险方主动发起车险理赔流程，再经保险方对被保险人提交的理赔资料进行定损确认。
3.在提交理赔资料的过程中，很容易存在一些欺诈行为。例如，当报案人存在酒驾或换驾时，很难通过被保险人提交的理赔资料获知报案人的真实事故情况，需保险方安排工作人员前往现场查勘才能获知报案人酒驾或换架的情况。如此，需要消耗大量的人力和时间对理赔过程中存在的欺诈风进行识别。因此，现有的车险理赔方法对欺诈风险的识别效果较差。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种车险理赔风险识别方法、装置、计算机设备及存储介质，以解决现有的车险理赔方法对欺诈风险的识别效果较差的问题。
5.一种车险理赔风险识别方法，包括：
6.获取车险报案语音数据；所述车险报案语音数据包括报案人语音数据和坐席语音数据；
7.通过语音识别技术对所述坐席语音数据进行语音转换处理，得到坐席文本数据；
8.从车险场景库中获取与所述坐席文本数据对应的场景文本数据；
9.根据所述场景文本数据对所述报案人语音数据进行语音切片处理，得到与所述场景文本数据对应的答句语音数据；
10.对所述答句语音数据进行情绪识别，得到报案人的情绪信息；
11.将所述场景文本数据和所述情绪信息输入风险识别模型中进行风险识别，得到与所述车险报案语音数据对应的风险识别结果。
12.一种车险理赔风险识别装置，包括：
13.车险报案语音数据模块，用于获取车险报案语音数据；所述车险报案语音数据包括报案人语音数据和坐席语音数据；
14.坐席文本数据模块，用于通过语音识别技术对所述坐席语音数据进行语音转换处理，得到坐席文本数据；
15.场景文本数据模块，用于从车险场景库中获取与所述坐席文本数据对应的场景文本数据；
16.答句语音数据模块，用于根据所述场景文本数据对所述报案人语音数据进行语音切片处理，得到与所述场景文本数据对应的答句语音数据；
17.情绪信息模块，用于对所述答句语音数据进行情绪识别，得到报案人的情绪信息；
18.风险识别结果模块，用于将所述场景文本数据和所述情绪信息输入风险识别模型中进行风险识别，得到与所述车险报案语音数据对应的风险识别结果。
19.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述车险理赔风险识别方法。
20.一个或多个存储有计算机可读指令的可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如上述车险理赔风险识别方法。
21.上述车险理赔风险识别方法、装置、计算机设备及存储介质，通过获取车险报案语音数据；所述车险报案语音数据包括报案人语音数据和坐席语音数据；通过语音识别技术对所述坐席语音数据进行语音转换处理，得到坐席文本数据；从车险场景库中获取与所述坐席文本数据对应的场景文本数据；根据所述场景文本数据对所述报案人语音数据进行语音切片处理，得到与所述场景文本数据对应的答句语音数据；对所述答句语音数据进行情绪识别，得到报案人的情绪信息；将所述场景文本数据和所述情绪信息输入风险识别模型中进行风险识别，得到与所述车险报案语音数据对应的风险识别结果。本发明通过坐席语音数据确定场景文本数据，进而，确定与场景文本数据对应报案人的答句语音数据，并基于该答句语音数据进行情绪分析，得到报案人的情绪信息。基于答句语音数据确定的情绪信息，可以更加准确地表达报案人的情绪，提高情绪信息的准确性。进而，基于情绪信息和场景文本数据进行风险识别，针对不同的场景报案人的情绪信息进行风险识别，使得风险识别不仅考虑了报案人的情绪信息，还考虑了该情绪信息产生的场景信息，可提高风险识别结果的准确性。
附图说明
22.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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发明的一些实施例，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。
23.图1是本发明一实施例中车险理赔风险识别方法的一应用环境示意图；
24.图2是本发明一实施例中车险理赔风险识别方法的一流程示意图；
25.图3是本发明一实施例中车险理赔风险识别装置的一结构示意图；
26.图4是本发明一实施例中计算机设备的一示意图。
具体实施方式
27.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
28.本实施例提供的车险理赔风险识别方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于各种个人计算机、笔记本电脑、智能手
机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
29.在一实施例中，如图2所示，提供一种车险理赔风险识别方法，以该方法应用在图1中的服务端为例进行说明，包括如下步骤：
30.s10、获取车险报案语音数据；所述车险报案语音数据包括报案人语音数据和坐席语音数据。
31.可理解地，车险报案语音数据是指报案人在车险理赔申请过程中与坐席之间产生的语音数据。报案人语音数据是指报案人在申请车险理赔过程中产生的语音数据，包括报案人对需要进行车险理赔的事故进行描述的语音以及回答坐席提问的语音。坐席语音数据是指坐席处理报案人的车险理赔过程中实际产生的语音数据，包括坐席对报案人进行提问的语音以及回答报案人问题的语音。
32.s20、通过语音识别技术对所述坐席语音数据进行语音转换处理，得到坐席文本数据。
33.可理解地，语音识别技术是指一种将语音数据转换为文本数据的技术。在此，该语音识别技术可为automatic speech recognition(自动语音识别技术)。语音转换处理是指通过语音识别技术将坐席语音数据转换为文本数据，得到坐席文本数据的内容。也即，坐席文本数据为坐席语音数据的转换数据。
34.s30、从车险场景库中获取与所述坐席文本数据对应的场景文本数据。
35.可理解地，车险场景库包括若干场景语句数据，该场景语句数据是由车险领域专家针对车险理赔中不同对话场景预先设置的语句文本。不同的场景对应设置有不同的场景语句数据。例如，场景语句数据可为“请问您的车牌号是多少”、“请问您是驾驶员本人吗”以及“请问是撞到什么物体”等。坐席文本数据包含若干坐席语句数据。例如，坐席语句数据可为“麻烦报一下车牌号”、“你就是驾驶员吗”等。场景文本数据是指车险场景库中与坐席文本数据对应的文本数据。该场景文本数据包括若干与坐席文本数据对应的场景语句数据。具体地，计算坐席文本数据中所有坐席语句数据与车险场景库中所有场景语句数据两两之间的相似度，得到相似度计算结果。进而，根据该相似度计算结果，将与坐席文本数据中的坐席语句数据对应的场景语句数据一一进行提取，得到场景文本数据。例如，若坐席文本数据s中包括坐席语句数据a“麻烦报一下车牌号”、坐席语句数据b“你就是驾驶员吗”以及坐席语句数据c“你确定你的车牌号是xxx吗”，根据相似度计算结果，确定与坐席语句数据a对应的场景语句数据a为“请问您的车牌号是多少？”；与坐席语句数据b对应的场景语句数据b为“请问您是驾驶员本人吗”；没有与坐席语句数据c对应的场景语句数据；则与该坐席文本数据s对应的场景文本数据m为包括场景语句数据a和场景语句数据b的文本数据。
36.s40、根据所述场景文本数据对所述报案人语音数据进行语音切片处理，得到与所述场景文本数据对应的答句语音数据。
37.可理解地，语音切片处理是指根据场景文本数据对报案人语音数据进行语音切片，提取答句语音数据的过程。具体地，从坐席文本数据中获取与场景文本数据中的场景语句对应的坐席语句的坐席时间戳。进而，根据坐席时间戳，对报案人语音数据进行语音切片处理，得到与场景文本数据对应的答句语音数据。答句语音数据是指报案人回答坐席问题时语音数据。
38.s50、对所述答句语音数据进行情绪识别，得到报案人的情绪信息。
39.可理解地，答句语音数据是指与场景文本数据对应的报案人的语音数据。情绪识别是指对答句语音数据中上下文语义以及语气进行分析，得到报案人的情绪信息的过程。情绪信息是指报案人在回答坐席问题时相关情绪的信息。
40.s60、将所述场景文本数据和所述情绪信息输入风险识别模型中进行风险识别，得到与所述车险报案语音数据对应的风险识别结果。
41.可理解地，风险识别模型是指已训练完成的神经网络模型，用于根据场景文本数据和情绪信息对报案人的车险理赔申请进行风险识别评估，得到与车险报案语音数据对应的风险识别结果。该风险识别结果用于指示该报案人的车险理赔申请是否存在欺诈行为以及风险等级等信息。其中，欺诈行为包括报案人存在酒驾或换驾而否认的行为。
42.在步骤s10-s60中，获取车险报案语音数据；所述车险报案语音数据包括报案人语音数据和坐席语音数据；通过语音识别技术对所述坐席语音数据进行语音转换处理，得到坐席文本数据；从车险场景库中获取与所述坐席文本数据对应的场景文本数据；根据所述场景文本数据对所述报案人语音数据进行语音切片处理，得到与所述场景文本数据对应的答句语音数据；对所述答句语音数据进行情绪识别，得到报案人的情绪信息；将所述场景文本数据和所述情绪信息输入风险识别模型中进行风险识别，得到与所述车险报案语音数据对应的风险识别结果。在本实施例中，通过坐席语音数据确定场景文本数据，进而，确定与场景文本数据对应报案人的答句语音数据，并基于该答句语音数据进行情绪分析，得到报案人的情绪信息。基于答句语音数据确定的情绪信息，可以更加准确地表达报案人的情绪，提高情绪信息的准确性。进而，基于情绪信息和场景文本数据进行风险识别，针对不同的场景报案人的情绪信息进行风险识别，使得风险识别不仅考虑了报案人的情绪信息，还考虑了该情绪信息产生的场景信息，可提高风险识别结果的准确性。
43.可选地，在步骤s30中，即所述从车险场景库中获取与所述坐席文本数据对应的场景文本数据，包括：
44.s301、对所述坐席文本数据进行词向量转换处理，得到坐席文本向量；
45.s302、计算所述坐席文本向量与所述车险场景库的场景文本向量之间的相似度，得到文本相似度值；
46.s303、根据所述文本相似度值，确定与所述坐席文本数据对应的场景文本数据。
47.可理解地，词向量转换处理是指将坐席文本数据从文本数据转换为向量数据，得到坐席文本向量的过程。坐席文本向量为坐席文本数据的向量表达。场景文本向量为车险场景库中所有场景语句数据的向量。文本相似度值是指坐席文本向量与车险场景库的场景文本向量之间的相似度。也即，文本相似度值是指坐席文本数据与车险场景库的所有场景语句数据之间的相似度。文本相似度值包括若干语句相似度值。其中，语句相似度值是指坐席文本数据中坐席语句数据与车险场景库中场景语句数据的相似度。
48.在步骤s301-s303中，根据坐席文本数据，可快速确定与车险报案语音数据对应的场景文本数据。
49.可选地，在步骤s301中，即所述对所述坐席文本数据进行词向量转换处理，得到坐席文本向量，包括：
50.s3011、通过词向量算法计算所述坐席文本数据中每个坐席词语的词向量，得到若
干坐席词向量；
51.s3012、根据所述坐席词向量，对所述坐席文本数据中每个坐席语句数据所包含的坐席词语进行加权平均，得到若干坐席语句向量；
52.s3013、根据若干所述坐席语句向量，生成所述坐席文本向量。
53.可理解地，词向量算法用于将坐席文本数据中每个坐席词语转换为向量，该词向量算法可以为word2vec的算法。其中，word2vec包括两种算法，即skip-gram和cbow(continuous bag-of-word model，连续词袋模型)。其中，skip-gram是通过中心词去预测中心词周围的词，而cbow是通过周围的词去预测中心词。坐席词语为坐席文本数据中的词语。坐席词向量是指坐席文本数据中坐席语句的向量表达。其中，坐席语句数据包括若干坐席词语。通过词向量算法计算坐席语句数据中每个坐席词语的词权重，根据坐席词语的词权重和坐席词语的坐席词向量对坐席语句数据所包含的所有坐席词语进行加权平均，得到坐席语句向量。坐席文本向量包括若干坐席语句向量。
54.在步骤s3011-s3013中，通过词向量算法计算坐席文本数据中每个坐席词语的向量，从而得到坐席文本数据的向量，可提高向量转换的准确性。
55.可选地，所述文本相似度值包括若干语句相似度值；
56.在步骤s302中，即所述计算所述坐席文本向量与所述车险场景库的场景文本向量之间的相似度，得到文本相似度值，包括：
57.s3021、获取所述坐席文本向量中的任一所述坐席语句向量；
58.s3022、计算所述坐席语句向量与所述场景文本向量中每个场景语句向量之间的语句相似度，得到若干所述语句相似度值。
59.可理解地，语句相似度值是指坐席文本数据中坐席语句数据与车险场景库中场景语句数据的相似度。也即，语句相似度值是指坐席语句向量与场景语句向量的相似度。其中，场景语句向量为车险场景中场景语句数据的向量表达。
60.在步骤s3021和s3022中，计算坐席文本向量中的任一坐席语句向量与所述场景文本向量中每个场景语句向量之间的语句相似度，考虑了所有坐席语句向量和所有场景语句向量两两之间的语句相似度值，使根据该语句相似度值确定的场景文本数据更加准确。
61.可选地，所述场景文本数据包括若干场景语句；所述坐席文本数据包括若干坐席语句；所述答句语音数据包括若干报案人答句语音；
62.在步骤s40中，即所述根据所述场景文本数据对所述报案人语音数据进行语音切片处理，得到与所述场景文本数据对应的答句语音数据，包括：
63.s401、从所述坐席文本数据中获取与所述场景语句对应的坐席语句的坐席时间戳；
64.s402、根据所述坐席时间戳，对所述报案人语音数据进行语音切片处理，得到与所述场景语句对应的报案人答句语音。
65.可理解地，坐席时间戳是指坐席文本数据中的坐席语句的时间戳。根据坐席时间戳，确定报案人语音数据中与该坐席时间戳对应的报案人时间戳。其中，报案人时间戳为报案人语音数据中记录的报案人说话的时间戳。在此，该报案人时间戳可为报案人语音数据中，在坐席时间戳之后报案人产生的距离坐席时间戳最近的两个语句语音的时间戳。例如，当与场景语句对应的坐席语句为：“您好，请问有什么可以帮您”，该坐席语句对应的坐席时
间戳为“1.24:3.41”；报案人语音数据中，在坐席时间戳之后，报案人产生的距离坐席时间戳最近的两个语句语音为“你好，我那个车撞了”，“你好，我那个车撞了”对应的时间戳为“3.67:5.55”，则“3.67:5.55”为与坐席时间戳对应的报案人时间戳。对报案人语音数据进行语音切片处理是指根据确定的与坐席时间戳对应的报案人时间戳，对报案人语音数据进行语音切片处理，得到若干语音切片数据，并将与报案人时间戳对应的语音切片数据作为报案人答句语音提取出来，得到与场景语句对应的报案人答句语音。
66.在本实施例中，从报案人语音数据中获取与场景语句对应的报案人答句语音，使获得的报案人答句语音具有场景性，可提高情绪识别的准确率。
67.可选地，在步骤s50中，即所述对所述答句语音数据进行情绪识别，得到报案人的情绪信息，包括：
68.s501、通过所述语音识别技术对所述答句语音数据进行语音转换处理，得到答句文本数据；
69.s502、将所述答句文本数据、所述答句语音数据和所述场景文本数据输入多模态情绪识别模型中；
70.s503、通过所述多模态情绪识别模型对所述答句文本数据、所述答句语音数据和所述场景文本数据进行多模态情绪分析处理，得到所述报案人的情绪特征；
71.s504、根据所述情绪特征，对所述报案人的情绪类型进行识别分类，得到所述情绪信息。
72.可理解地，多模态情绪识别模型用于根据答句文本数据、答句语音数据和场景文本数据对报案人的情绪进行多模态情绪分析。该多模态情绪识别模型可为基于tensor fusion network(张量融合网络)的模型。情绪特征是指答句语音数据中包含的报案人的情绪信息。该情绪特征包括不同对话场景下报案人的不同情绪信息。情绪信息包括不同对话场景下报案人的不同情绪类型。其中，情绪类型包括：悲伤，恐惧，高兴，厌恶，惊讶，愤怒，犹豫，中性和紧张等。
73.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
74.在一实施例中，提供一种车险理赔风险识别装置，该车险理赔风险识别装置与上述实施例中车险理赔风险识别方法一一对应。如图3所示，该车险理赔风险识别装置包括车险报案语音数据模块10、坐席文本数据模块20、场景文本数据模块30、答句语音数据模块40、情绪信息模块50和风险识别结果模块60。各功能模块详细说明如下：
75.车险报案语音数据模块10，用于获取车险报案语音数据；所述车险报案语音数据包括报案人语音数据和坐席语音数据；
76.坐席文本数据模块20，用于通过语音识别技术对所述坐席语音数据进行语音转换处理，得到坐席文本数据；
77.场景文本数据模块30，用于从车险场景库中获取与所述坐席文本数据对应的场景文本数据；
78.答句语音数据模块40，用于根据所述场景文本数据对所述报案人语音数据进行语音切片处理，得到与所述场景文本数据对应的答句语音数据；
79.情绪信息模块50，用于对所述答句语音数据进行情绪识别，得到报案人的情绪信息；
80.风险识别结果模块60，用于将所述场景文本数据和所述情绪信息输入风险识别模型中进行风险识别，得到与所述车险报案语音数据对应的风险识别结果。
81.所述场景文本数据模块30，包括：
82.坐席文本向量单元，用于对所述坐席文本数据进行词向量转换处理，得到坐席文本向量；
83.文本相似度值单元，用于计算所述坐席文本向量与所述车险场景库的场景文本向量之间的相似度，得到文本相似度值；
84.场景文本数据单元，用于根据所述文本相似度值，确定与所述坐席文本数据对应的场景文本数据。
85.可选地，所述坐席文本向量单元，包括：
86.坐席词向量单元，用于通过词向量算法计算所述坐席文本数据中每个坐席词语的词向量，得到若干坐席词向量；
87.坐席语句向量单元，用于根据所述坐席词向量，对所述坐席文本数据中每个坐席语句数据所包含的坐席词语进行加权平均，得到若干坐席语句向量；
88.坐席文本向量生成单元，用于根据若干所述坐席语句向量，生成所述坐席文本向量。
89.可选地，所述文本相似度值包括若干语句相似度值；
90.所述文本相似度值单元，包括：
91.坐席语句向量单元，用于获取所述坐席文本向量中的任一所述坐席语句向量；
92.语句相似度值单元，用于计算所述坐席语句向量与所述场景文本向量中每个场景语句向量之间的语句相似度，得到若干所述语句相似度值。
93.可选地，所述场景文本数据包括若干场景语句；所述坐席文本数据包括若干坐席语句；所述答句语音数据包括若干报案人答句语音；
94.所述答句语音数据模块40，包括：
95.坐席时间戳单元，用于从所述坐席文本数据中获取与所述场景语句对应的坐席语句的坐席时间戳；
96.报案人答句语音单元，用于根据所述坐席时间戳，对所述报案人语音数据进行语音切片处理，得到与所述场景语句对应的报案人答句语音。
97.可选地，所述情绪信息模块50，包括：
98.答句文本数据单元，用于通过所述语音识别技术对所述答句语音数据进行语音转换处理，得到答句文本数据；
99.输入数据单元，用于将所述答句文本数据、所述答句语音数据和所述场景文本数据输入多模态情绪识别模型中；
100.情绪特征单元，用于通过所述多模态情绪识别模型对所述答句文本数据、所述答句语音数据和所述场景文本数据进行多模态情绪分析处理，得到所述报案人的情绪特征；
101.情绪信息单元，用于根据所述情绪特征，对所述报案人的情绪类型进行识别分类，得到所述情绪信息。
102.关于车险理赔风险识别装置的具体限定可以参见上文中对于车险理赔风险识别方法的限定，在此不再赘述。上述车险理赔风险识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
103.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储车险理赔风险识别方法所涉及的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令被处理器执行时以实现一种车险理赔风险识别方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
104.在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令，处理器执行计算机可读指令时实现以下步骤：
105.获取车险报案语音数据；所述车险报案语音数据包括报案人语音数据和坐席语音数据；
106.通过语音识别技术对所述坐席语音数据进行语音转换处理，得到坐席文本数据；
107.从车险场景库中获取与所述坐席文本数据对应的场景文本数据；
108.根据所述场景文本数据对所述报案人语音数据进行语音切片处理，得到与所述场景文本数据对应的答句语音数据；
109.对所述答句语音数据进行情绪识别，得到报案人的情绪信息；
110.将所述场景文本数据和所述情绪信息输入风险识别模型中进行风险识别，得到与所述车险报案语音数据对应的风险识别结果。
111.在一个实施例中，提供了一个或多个存储有计算机可读指令的计算机可读存储介质，本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令，计算机可读指令被一个或多个处理器执行时实现以下步骤：
112.获取车险报案语音数据；所述车险报案语音数据包括报案人语音数据和坐席语音数据；
113.通过语音识别技术对所述坐席语音数据进行语音转换处理，得到坐席文本数据；
114.从车险场景库中获取与所述坐席文本数据对应的场景文本数据；
115.根据所述场景文本数据对所述报案人语音数据进行语音切片处理，得到与所述场景文本数据对应的答句语音数据；
116.对所述答句语音数据进行情绪识别，得到报案人的情绪信息；
117.将所述场景文本数据和所述情绪信息输入风险识别模型中进行风险识别，得到与所述车险报案语音数据对应的风险识别结果。
118.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以
通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
119.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
120.以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

技术特征：
1.一种车险理赔风险识别方法，其特征在于，包括：获取车险报案语音数据；所述车险报案语音数据包括报案人语音数据和坐席语音数据；通过语音识别技术对所述坐席语音数据进行语音转换处理，得到坐席文本数据；从车险场景库中获取与所述坐席文本数据对应的场景文本数据；根据所述场景文本数据对所述报案人语音数据进行语音切片处理，得到与所述场景文本数据对应的答句语音数据；对所述答句语音数据进行情绪识别，得到报案人的情绪信息；将所述场景文本数据和所述情绪信息输入风险识别模型中进行风险识别，得到与所述车险报案语音数据对应的风险识别结果。2.如权利要求1所述的车险理赔风险识别方法，其特征在于，所述从车险场景库中获取与所述坐席文本数据对应的场景文本数据，包括：对所述坐席文本数据进行词向量转换处理，得到坐席文本向量；计算所述坐席文本向量与所述车险场景库的场景文本向量之间的相似度，得到文本相似度值；根据所述文本相似度值，确定与所述坐席文本数据对应的场景文本数据。3.如权利要求2所述的车险理赔风险识别方法，其特征在于，所述对所述坐席文本数据进行词向量转换处理，得到坐席文本向量，包括：通过词向量算法计算所述坐席文本数据中每个坐席词语的词向量，得到若干坐席词向量；根据所述坐席词向量，对所述坐席文本数据中每个坐席语句数据所包含的坐席词语进行加权平均，得到若干坐席语句向量；根据若干所述坐席语句向量，生成所述坐席文本向量。4.如权利要求3所述的车险理赔风险识别方法，其特征在于，所述文本相似度值包括若干语句相似度值；所述计算所述坐席文本向量与所述车险场景库的场景文本向量之间的相似度，得到文本相似度值，包括：获取所述坐席文本向量中的任一所述坐席语句向量；计算所述坐席语句向量与所述场景文本向量中每个场景语句向量之间的语句相似度，得到若干所述语句相似度值。5.如权利要求1所述的车险理赔风险识别方法，其特征在于，所述场景文本数据包括若干场景语句；所述坐席文本数据包括若干坐席语句；所述答句语音数据包括若干报案人答句语音；所述根据所述场景文本数据对所述报案人语音数据进行语音切片处理，得到与所述场景文本数据对应的答句语音数据，包括：从所述坐席文本数据中获取与所述场景语句对应的坐席语句的坐席时间戳；根据所述坐席时间戳，对所述报案人语音数据进行语音切片处理，得到与所述场景语句对应的报案人答句语音。6.如权利要求1所述的车险理赔风险识别方法，其特征在于，所述对所述答句语音数据
进行情绪识别，得到报案人的情绪信息，包括：通过所述语音识别技术对所述答句语音数据进行语音转换处理，得到答句文本数据；将所述答句文本数据、所述答句语音数据和所述场景文本数据输入多模态情绪识别模型中；通过所述多模态情绪识别模型对所述答句文本数据、所述答句语音数据和所述场景文本数据进行多模态情绪分析处理，得到所述报案人的情绪特征；根据所述情绪特征，对所述报案人的情绪类型进行识别分类，得到所述情绪信息。7.一种车险理赔风险识别装置，其特征在于，包括：车险报案语音数据模块，用于获取车险报案语音数据；所述车险报案语音数据包括报案人语音数据和坐席语音数据；坐席文本数据模块，用于通过语音识别技术对所述坐席语音数据进行语音转换处理，得到坐席文本数据；场景文本数据模块，用于从车险场景库中获取与所述坐席文本数据对应的场景文本数据；答句语音数据模块，用于根据所述场景文本数据对所述报案人语音数据进行语音切片处理，得到与所述场景文本数据对应的答句语音数据；情绪信息模块，用于对所述答句语音数据进行情绪识别，得到报案人的情绪信息；风险识别结果模块，用于将所述场景文本数据和所述情绪信息输入风险识别模型中进行风险识别，得到与所述车险报案语音数据对应的风险识别结果。8.如权利要求7所述的车险理赔风险识别装置，其特征在于，所述场景文本数据模块，包括：坐席文本向量单元，用于对所述坐席文本数据进行词向量转换处理，得到坐席文本向量；文本相似度值单元，用于计算所述坐席文本向量与所述车险场景库的场景文本向量之间的相似度，得到文本相似度值；场景文本数据单元，用于根据所述文本相似度值，确定与所述坐席文本数据对应的场景文本数据。9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述车险理赔风险识别方法。10.一个或多个存储有计算机可读指令的可读存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1至6中任一项所述车险理赔风险识别方法。

技术总结
本发明涉及语音解析领域，尤其涉及一种车险理赔风险识别方法、装置、计算机设备及存储介质。其方法包括：获取车险报案语音数据；通过语音识别技术对坐席语音数据进行语音转换处理，得到坐席文本数据；从车险场景库中获取与坐席文本数据对应的场景文本数据；根据场景文本数据对报案人语音数据进行语音切片处理，得到答句语音数据；对答句语音数据进行情绪识别，得到报案人的情绪信息；将场景文本数据和情绪信息输入风险识别模型中进行风险识别，得到风险识别结果。本发明针对不同的场景报案人的情绪信息进行风险识别，使得风险识别不仅考虑了报案人的情绪信息，还考虑了该情绪信息产生的场景信息，可提高风险识别结果的准确性。可提高风险识别结果的准确性。可提高风险识别结果的准确性。


技术研发人员：李正扬 王健宗 黄章成
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.05.06
技术公布日：2023/7/27