CN112116457B - 一种银行柜面业务的监督方法、装置及设备 - Google Patents
一种银行柜面业务的监督方法、装置及设备 Download PDFInfo
- Publication number
- CN112116457B CN112116457B CN202011049698.8A CN202011049698A CN112116457B CN 112116457 B CN112116457 B CN 112116457B CN 202011049698 A CN202011049698 A CN 202011049698A CN 112116457 B CN112116457 B CN 112116457B
- Authority
- CN
- China
- Prior art keywords
- business
- counter
- teller
- text information
- verification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000006399 behavior Effects 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims description 62
- 238000012549 training Methods 0.000 claims description 57
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种银行柜面业务的监督方法、装置及设备,能够利用专家知识库和预先构建的业务监督模型来判断柜员在办理业务时是否存在违规行为,以便于采取相应措施保护客户和银行的权益。该方法包括:首先获取柜员办理柜面业务时的语音信息,并将该语音信息转换为文字信息,然后,将文字信息与专家知识库中的业务规则进行比较,判断柜员办理柜面业务的行为是否符合业务规则,若是,则将文字信息输入预先构建的业务监督模型,确定出柜员办理的柜面业务是否正常。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种银行柜面业务的监督方法、装置及设备。
背景技术
随着移动互联网和社会经济的快速发展,越来越多的银行客户到网点通过柜员***银行业务,如购买银行的理财、向银行存款等。
但目前各种潜在风险日益增多,特别是随着银行柜面业务量的增多,银行柜面面临基于柜员自身的各种风险。更好地对银行柜面的风险进行预控,是当前柜面业务的重中之重。如何利用现有的信息形成一套统一的柜面风险监测***已成现今各大银行的主要面临的问题之一,即,如何实现对银行柜面业务的实时监督,以保护客户和银行的权益是亟待解决的问题。
发明内容
本申请实施例的主要目的在于提供一种银行柜面业务的监督方法、装置及设备,能够利用专家知识库和预先构建的业务监督模型来判断柜员在办理业务时是否存在违规行为,以便于采取相应措施保护客户和银行的权益。
第一方面,本申请实施例提供了一种银行柜面业务的监督方法,包括:
获取柜员办理柜面业务时的语音信息,并将所述语音信息转换为文字信息;
将所述文字信息与专家知识库中的业务规则进行比较,判断所述柜员办理柜面业务的行为是否符合所述业务规则;
若是,则将所述文字信息输入预先构建的业务监督模型,确定出所述柜员办理的柜面业务是否正常。
可选的,构建所述业务监督模型,包括:
获取柜员办理柜面业务时的训练语音信息,并将所述训练语音信息转换为训练文字信息;
利用所述柜员的训练文字信息以及所述柜员的训练文字信息对应的状态识别标签对初始业务监督模型进行训练,生成所述业务监督模型。
可选的,所述方法还包括:
获取柜员办理柜面业务时的验证语音信息,并将所述验证语音信息转换为验证文字信息;
将所述柜员的验证文字信息输入所述业务监督模型,获得所述柜员的验证文字信息的状态识别结果;
当所述柜员的验证文字信息的状态识别结果与所述柜员的验证文字信息对应的状态标记结果不一致时,将所述柜员的验证文字信息重新作为所述柜员的训练文字信息,对所述业务监督模型进行更新。
可选的,所述业务监督模型为利用遗传算法优化的BP神经网络模型。
第二方面,本申请实施例还提供了一种银行柜面业务的监督装置,包括:
第一获取单元,用于获取柜员办理柜面业务时的语音信息,并将所述语音信息转换为文字信息;
判断单元,用于将所述文字信息与专家知识库中的业务规则进行比较,判断所述柜员办理柜面业务的行为是否符合所述业务规则;
确定单元,用于若判断出所述柜员办理柜面业务的行为符合所述业务规则,则将所述文字信息输入预先构建的业务监督模型,确定出所述柜员办理的柜面业务是否正常。
可选的,所述装置还包括:
第二获取单元,用于获取柜员办理柜面业务时的训练语音信息,并将所述训练语音信息转换为训练文字信息;
训练单元,用于利用所述柜员的训练文字信息以及所述柜员的训练文字信息对应的状态识别标签对初始业务监督模型进行训练,生成所述业务监督模型。
可选的,所述装置还包括:
第三获取单元,用于获取柜员办理柜面业务时的验证语音信息,并将所述验证语音信息转换为验证文字信息;
获得单元,用于将所述柜员的验证文字信息输入所述业务监督模型,获得所述柜员的验证文字信息的状态识别结果;
更新单元,用于当所述柜员的验证文字信息的状态识别结果与所述柜员的验证文字信息对应的状态标记结果不一致时,将所述柜员的验证文字信息重新作为所述柜员的训练文字信息,对所述业务监督模型进行更新。
可选的,所述业务监督模型为利用遗传算法优化的BP神经网络模型。
本申请实施例还提供了一种银行柜面业务的监督设备,包括:处理器、存储器、***总线;
所述处理器以及所述存储器通过所述***总线相连;
所述存储器用于存储一个或多个程序,所述一个或多个程序包括指令,所述指令当被所述处理器执行时使所述处理器执行上述银行柜面业务的监督方法中的任意一种实现方式。
本申请实施例还提供了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指令,当所述指令在终端设备上运行时,使得所述终端设备执行上述银行柜面业务的监督方法中的任意一种实现方式。
本申请实施例提供的一种银行柜面业务的监督方法、装置及设备,首先获取柜员办理柜面业务时的语音信息,并将该语音信息转换为文字信息,然后,将文字信息与专家知识库中的业务规则进行比较,判断柜员办理柜面业务的行为是否符合业务规则,若是,则将文字信息输入预先构建的业务监督模型,确定出柜员办理的柜面业务是否正常。从而能够利用专家知识库和预先构建的业务监督模型来判断柜员在办理业务时是否存在违规行为,以便于采取相应措施保护客户和银行的权益。
附图说明
为了更清楚地说明本申请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,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种银行柜面业务的监督方法的流程示意图;
图2为本申请实施例提供的一种银行柜面业务的监督装置的组成示意图。
具体实施方式
随着移动互联网和社会经济的快速发展,越来越多的银行客户到网点通过柜员***银行业务,如购买银行的理财、向银行存款等。但目前各种潜在风险日益增多,特别是随着银行柜面业务量的增多,银行柜面面临基于柜员自身的各种风险。更好地对银行柜面的风险进行预控,是当前柜面业务的重中之重。如何利用现有的信息形成一套统一的柜面风险监测***已成现今各大银行的主要面临的问题之一,即,如何实现对银行柜面业务的实时监督,以保护客户和银行的权益是亟待解决的问题。
为解决上述缺陷,本申请实施例提供了一种银行柜面业务的监督方法,首先获取柜员办理柜面业务时的语音信息,并将该语音信息转换为文字信息,然后,将文字信息与专家知识库中的业务规则进行比较,判断柜员办理柜面业务的行为是否符合业务规则,若是,则将文字信息输入预先构建的业务监督模型,确定出柜员办理的柜面业务是否正常。从而能够利用专家知识库和预先构建的业务监督模型来判断柜员在办理业务时是否存在违规行为,以便于采取相应措施保护客户和银行的权益。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
第一实施例
参见图1,为本实施例提供的一种银行柜面业务的监督方法的流程示意图,该方法包括以下步骤:
S101:获取柜员办理柜面业务时的语音信息,并将语音信息转换为文字信息。
在本实施例中,为了准确判断出柜员在办理业务时是否存在违规行为,以便于采取相应措施保护客户和银行的权益,对于银行来说,首先将柜员耳机通过蓝牙与后台***相连,然后后台服务器可以通过该蓝牙连接面对客户的喇叭,播放柜员的语音信息,并同时获取柜员办理柜面业务时的语音信息进行存储,进而可以在将其转换为文字信息后,通过后续步骤S102-S103确定出柜员办理的柜面业务是否正常(即是否出现违规现象),如果出现违规现象,可以及时提醒相关工作人员,注意网点的资金安全,保护客户和银行的权益。
S102:将文字信息与专家知识库中的业务规则进行比较,判断柜员办理柜面业务的行为是否符合业务规则。
在本实施例中,银行的后台***通过步骤S101获取到柜员办理柜面业务时产生的文字信息后,进一步可以文字信息输入到后台的专家***中,通过二叉树查找的方法将柜员的文字信息与专家***知识库中的所有***业务规则进行比较,以判断柜员办理柜面业务的行为是否符合***业务规则,即判断是否与***知识库中的所有***业务规则相冲突,如果有冲突的地方则直接提醒后台工作人员听取柜员的录音并判断其在办理这笔柜面业务是否存在违规行为。如果没有冲突(即判断出柜员办理柜面业务的行为是符合业务规则的),则可以继续执行后续步骤S103。
举例说明:在柜员办理柜面业务时产生的文字信息后,首先可以识别文字信息中的关键字,例如存款、贷款等,根据存款贷款匹配专家知识库中的相关业务规则,例如匹配到了存款业务,则查询存款业务的相关规则信息,例如存款时柜员不可以和客户提理财产品相关事项、又或者柜员不可以与客户商讨利率等规则,匹配到对应规则以后则根据之前预设的规则的关键字反向查询柜员文字信息中是否涉及相关关键字,例如利率、理财产品的关键字,如果涉及关键字则将涉及的语句信息与规则信息同时输入到文字识别模型判断柜员所说的文字是否确实符合对应的不可以和客户推荐理财产品与商量利率的规则,如果符合一个规则,则认为与专家***知识库中的规则冲突。
S103:若是,则将文字信息输入预先构建的业务监督模型,确定出柜员办理的柜面业务是否正常。
在本实施例中,若通过步骤S102判断出柜员办理柜面业务的行为符合业务规则,则进一步可以文字信息输入预先构建的业务监督模型,确定出柜员办理的柜面业务是否正常,即,可以通过业务监督模型判断柜员在办理这笔柜面业务时是否存在欺骗行为。
其中,一种可选的实现方式是,该业务监督模型指的是利用遗传算法优化的BP神经网络模型,具体构建过程包括下述步骤A1-A2:
步骤A1:获取柜员办理柜面业务时的训练语音信息,并将训练语音信息转换为训练文字信息。
步骤A2:利用柜员的训练文字信息以及柜员的训练文字信息对应的状态识别标签对初始业务监督模型进行训练,生成业务监督模型。
在本实施例中,为了构建业务监督模型,需要预先进行大量的准备工作,首先,需要收集柜员办理柜面业务时的训练语音信息,并将所述训练语音信息转换为训练文字信息,比如,可以预先收集1000条柜员办理柜面业务时发出的语音信息,并将收集到的每一条语音信息分别作为样本信息数据,并预先通过人工标注出这些样本信息数据表征的柜员办理的业务状态(即正常和异常),用以训练业务监督模型。即,可以利用柜员的训练文字信息以及柜员的训练文字信息对应的人工标注出的柜员的状态标签对初始业务监督模型进行训练,生成业务监督模型。
通过上述实施例,可以利用柜员办理柜面业务时的训练语音信息训练生成业务监督模型,则进一步的,可以利用柜员办理柜面业务时的验证语音信息对生成的业务监督模型进行验证,具体实现过程包括下述步骤B1-B3:
步骤B1:获取柜员办理柜面业务时的验证语音信息,并将验证语音信息转换为验证文字信息。
步骤B2:将柜员的验证文字信息输入所述业务监督模型,获得柜员的验证文字信息的状态识别结果。
步骤B3:当柜员的验证文字信息的状态识别结果与柜员的验证文字信息对应的状态标记结果不一致时,将柜员的验证文字信息重新作为柜员的训练文字信息,对业务监督模型进行更新。
在实际应用中,为了实现对业务监督模型进行验证,首先需要获取柜员办理柜面业务时的验证语音信息,并将其转换为验证文字信息,其中,柜员办理柜面业务时的验证语音信息指的是可以用来进行业务监督模型验证的柜员办理柜面业务时发出的验证语音信息,进一步的,可以将其转换为验证文字信息后输入业务监督模型,获得柜员的验证文字信息的状态识别结果。当柜员的验证文字信息的状态识别结果与柜员的验证文字信息的状态标记结果不一致时,将柜员的验证文字信息重新作为柜员的训练文字信息,对业务监督模型进行更新。
其中,一种可选的实现方式,初始的业务监督模型可以采用神经网络模型建立,将柜员的训练文字信息作为模型输入,将柜员办理的柜面业务是否正常(即柜员是否存在违规行为)作为模型输出,根据网络输入输出的个数确定BP神经网络结构,进而确定了需要优化的参数个数。在根据kolmogorov原理,一个三层BP神经网络足以完成任意的n维到m维的映射,一般只需要采用一个隐层即可,隐层节点个数采用试凑法确定,从而能够确定神经网络结构,并将收集到的柜员办理柜面业务时的训练语音信息,以及通过人工经验判断出的柜员办理的柜面业务是否正常(即柜员是否存在违规行为)作为训练数据,将其分为训练集与验证集,通过上述步骤训练与验证神经网络模型得到有效的业务监督模型。
综上,本实施例提供的一种银行柜面业务的监督方法,首先获取柜员办理柜面业务时的语音信息,并将该语音信息转换为文字信息,然后,将文字信息与专家知识库中的业务规则进行比较,判断柜员办理柜面业务的行为是否符合业务规则,若是,则将文字信息输入预先构建的业务监督模型,确定出柜员办理的柜面业务是否正常。从而能够利用专家知识库和预先构建的业务监督模型来判断柜员在办理业务时是否存在违规行为,以便于采取相应措施保护客户和银行的权益。
第二实施例
本实施例将对一种银行柜面业务的监督装置进行介绍,相关内容请参见上述方法实施例。
参见图2,为本实施例提供的一种银行柜面业务的监督装置的组成示意图,该装置包括:
第一获取单元201,用于获取柜员办理柜面业务时的语音信息,并将所述语音信息转换为文字信息;
判断单元202,用于将所述文字信息与专家知识库中的业务规则进行比较,判断所述柜员办理柜面业务的行为是否符合所述业务规则;
确定单元203,用于若判断出所述柜员办理柜面业务的行为符合所述业务规则,则将所述文字信息输入预先构建的业务监督模型,确定出所述柜员办理的柜面业务是否正常。
在本实施例的一种实现方式中,所述装置还包括:
第二获取单元,用于获取柜员办理柜面业务时的训练语音信息,并将所述训练语音信息转换为训练文字信息;
训练单元,用于利用所述柜员的训练文字信息以及所述柜员的训练文字信息对应的状态识别标签对初始业务监督模型进行训练,生成所述业务监督模型。
在本实施例的一种实现方式中,所述装置还包括:
第三获取单元,用于获取柜员办理柜面业务时的验证语音信息,并将所述验证语音信息转换为验证文字信息;
获得单元,用于将所述柜员的验证文字信息输入所述业务监督模型,获得所述柜员的验证文字信息的状态识别结果;
更新单元,用于当所述柜员的验证文字信息的状态识别结果与所述柜员的验证文字信息对应的状态标记结果不一致时,将所述柜员的验证文字信息重新作为所述柜员的训练文字信息,对所述业务监督模型进行更新。
在本实施例的一种实现方式中,所述业务监督模型为利用遗传算法优化的BP神经网络模型。
综上,本实施例提供的一种银行柜面业务的监督装置,首先获取柜员办理柜面业务时的语音信息,并将该语音信息转换为文字信息,然后,将文字信息与专家知识库中的业务规则进行比较,判断柜员办理柜面业务的行为是否符合业务规则,若是,则将文字信息输入预先构建的业务监督模型,确定出柜员办理的柜面业务是否正常。从而能够利用专家知识库和预先构建的业务监督模型来判断柜员在办理业务时是否存在违规行为,以便于采取相应措施保护客户和银行的权益。
进一步地,本申请实施例还提供了一种银行柜面业务的监督设备,包括:处理器、存储器、***总线;
所述处理器以及所述存储器通过所述***总线相连;
所述存储器用于存储一个或多个程序,所述一个或多个程序包括指令,所述指令当被所述处理器执行时使所述处理器执行上述银行柜面业务的监督方法的任一种实现方法。
进一步地,本申请实施例还提供了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指令,当所述指令在终端设备上运行时,使得所述终端设备执行上述银行柜面业务的监督方法的任一种实现方法。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者诸如媒体网关等网络通信设备,等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种银行柜面业务的监督方法,其特征在于,包括:
获取柜员办理柜面业务时的语音信息,并将所述语音信息转换为文字信息;
将所述文字信息与专家知识库中的业务规则进行比较,判断所述柜员办理柜面业务的行为是否符合所述业务规则;
若是,则将所述文字信息输入预先构建的业务监督模型,确定出所述柜员办理的柜面业务是否正常;
构建所述业务监督模型,包括:
获取柜员办理柜面业务时的训练语音信息,并将所述训练语音信息转换为训练文字信息;
利用所述柜员的训练文字信息以及所述柜员的训练文字信息对应的状态识别标签对初始业务监督模型进行训练,生成所述业务监督模型;
所述方法还包括:
获取柜员办理柜面业务时的验证语音信息,并将所述验证语音信息转换为验证文字信息;
将所述柜员的验证文字信息输入所述业务监督模型,获得所述柜员的验证文字信息的状态识别结果;
当所述柜员的验证文字信息的状态识别结果与所述柜员的验证文字信息对应的状态标记结果不一致时,将所述柜员的验证文字信息重新作为所述柜员的训练文字信息,对所述业务监督模型进行更新;
所述业务监督模型为利用遗传算法优化的BP神经网络模型。
2.一种银行柜面业务的监督装置,其特征在于,包括:
第一获取单元,用于获取柜员办理柜面业务时的语音信息,并将所述语音信息转换为文字信息;
判断单元,用于将所述文字信息与专家知识库中的业务规则进行比较,判断所述柜员办理柜面业务的行为是否符合所述业务规则;
确定单元,用于若判断出所述柜员办理柜面业务的行为符合所述业务规则,则将所述文字信息输入预先构建的业务监督模型,确定出所述柜员办理的柜面业务是否正常;
所述装置还包括:
第二获取单元,用于获取柜员办理柜面业务时的训练语音信息,并将所述训练语音信息转换为训练文字信息;
训练单元,用于利用所述柜员的训练文字信息以及所述柜员的训练文字信息对应的状态识别标签对初始业务监督模型进行训练,生成所述业务监督模型;
第三获取单元,用于获取柜员办理柜面业务时的验证语音信息,并将所述验证语音信息转换为验证文字信息;
获得单元,用于将所述柜员的验证文字信息输入所述业务监督模型,获得所述柜员的验证文字信息的状态识别结果;
更新单元,用于当所述柜员的验证文字信息的状态识别结果与所述柜员的验证文字信息对应的状态标记结果不一致时,将所述柜员的验证文字信息重新作为所述柜员的训练文字信息,对所述业务监督模型进行更新;
所述业务监督模型为利用遗传算法优化的BP神经网络模型。
3.一种银行柜面业务的监督设备,其特征在于,包括:处理器、存储器、***总线;
所述处理器以及所述存储器通过所述***总线相连;
所述存储器用于存储一个或多个程序,所述一个或多个程序包括指令,所述指令当被所述处理器执行时使所述处理器执行权利要求1所述的方法。
4.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011049698.8A CN112116457B (zh) | 2020-09-29 | 2020-09-29 | 一种银行柜面业务的监督方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011049698.8A CN112116457B (zh) | 2020-09-29 | 2020-09-29 | 一种银行柜面业务的监督方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112116457A CN112116457A (zh) | 2020-12-22 |
CN112116457B true CN112116457B (zh) | 2024-02-23 |
Family
ID=73797289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011049698.8A Active CN112116457B (zh) | 2020-09-29 | 2020-09-29 | 一种银行柜面业务的监督方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116457B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967132B (zh) * | 2021-03-30 | 2024-04-16 | 中信银行股份有限公司 | 基于大数据级联的银行信息管理***、银行信息管理方法 |
CN113077252A (zh) * | 2021-04-30 | 2021-07-06 | 中国银行股份有限公司 | 银行柜台业务办理方法及装置 |
CN114154958A (zh) * | 2021-12-03 | 2022-03-08 | 北京字跳网络技术有限公司 | 信息处理方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9153231B1 (en) * | 2013-03-15 | 2015-10-06 | Amazon Technologies, Inc. | Adaptive neural network speech recognition models |
CN109087648A (zh) * | 2018-08-21 | 2018-12-25 | 平安科技(深圳)有限公司 | 柜台语音监控方法、装置、计算机设备及存储介质 |
CN110287318A (zh) * | 2019-06-06 | 2019-09-27 | 秒针信息技术有限公司 | 业务操作的检测方法及装置、存储介质、电子装置 |
CN110378562A (zh) * | 2019-06-17 | 2019-10-25 | 中国平安人寿保险股份有限公司 | 语音质检方法、装置、计算机设备及存储介质 |
CN111462735A (zh) * | 2020-04-10 | 2020-07-28 | 网易(杭州)网络有限公司 | 语音检测方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210016829A (ko) * | 2019-08-05 | 2021-02-17 | 엘지전자 주식회사 | 지능적 음성 인식 방법, 음성 인식 장치 및 지능형 컴퓨팅 디바이스 |
-
2020
- 2020-09-29 CN CN202011049698.8A patent/CN112116457B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9153231B1 (en) * | 2013-03-15 | 2015-10-06 | Amazon Technologies, Inc. | Adaptive neural network speech recognition models |
CN109087648A (zh) * | 2018-08-21 | 2018-12-25 | 平安科技(深圳)有限公司 | 柜台语音监控方法、装置、计算机设备及存储介质 |
CN110287318A (zh) * | 2019-06-06 | 2019-09-27 | 秒针信息技术有限公司 | 业务操作的检测方法及装置、存储介质、电子装置 |
CN110378562A (zh) * | 2019-06-17 | 2019-10-25 | 中国平安人寿保险股份有限公司 | 语音质检方法、装置、计算机设备及存储介质 |
CN111462735A (zh) * | 2020-04-10 | 2020-07-28 | 网易(杭州)网络有限公司 | 语音检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112116457A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112116457B (zh) | 一种银行柜面业务的监督方法、装置及设备 | |
US11449931B2 (en) | Dynamic business governance based on events | |
US20210173711A1 (en) | Integrated value chain risk-based profiling and optimization | |
CN112200660B (zh) | 一种银行柜面业务的监督方法、装置及设备 | |
WO2019196546A1 (zh) | 确定业务请求事件的风险概率的方法及装置 | |
CN104781837B (zh) | 用于通过使用基于事件的情绪分析来形成预测的***和方法 | |
CN112668859A (zh) | 基于大数据的客户风险评级方法、装置、设备及存储介质 | |
US20110238516A1 (en) | E-commerce threat detection | |
CN110362689A (zh) | 一种风险评估方法、装置、存储介质和服务器 | |
CN113592568B (zh) | 一种商机挖掘方法、装置、计算机设备及存储介质 | |
US11423418B1 (en) | Systems and methods for a multi-tiered fraud alert review | |
CN109993448A (zh) | 一种企业网络舆情潜在风险的评估方法及*** | |
CN112837149A (zh) | 一种企业信贷风险的识别方法和装置 | |
CN114547475A (zh) | 一种资源推荐方法、装置及*** | |
CN111008335A (zh) | 一种信息处理方法、装置、设备及存储介质 | |
CN106529953A (zh) | 一种对业务属性进行风险识别的方法及装置 | |
CN111612284B (zh) | 数据的处理方法、装置及设备 | |
CN114625977A (zh) | 一种基于联邦学习的服务推荐方法、装置及相关介质 | |
CN117437020A (zh) | 商户风险判定方法、装置、电子设备和介质 | |
US20100042446A1 (en) | Systems and methods for providing core property review | |
Kacar | Application of AI in Customer Experience Management | |
Nasr et al. | A proposed fraud detection model based on e-Payments attributes a case study in Egyptian e-Payment gateway | |
CN115907968A (zh) | 一种基于人行征信的风控拒绝推断方法及设备 | |
CN114998002A (zh) | 风险操作预测方法及装置 | |
CN112712270B (zh) | 信息处理方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |