(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210609396.4 (22)申请日 2022.05.31 (71)申请人 平安科技 （深圳） 有限公司 地址 518000 广东省深圳市福田区福田街 道福安社区益田路5033号平 安金融中 心23楼 (72)发明人 李骁　赖众程　王亮　张宇川　 伍颖怡　张舒婷　海洋　李兴辉　 陈杭　周柱君　 (74)专利代理 机构 深圳市沃德知识产权代理事 务所(普通 合伙) 44347 专利代理师 高杰　于志光 (51)Int.Cl. G06F 16/35(2019.01) G06F 16/53(2019.01)G06Q 40/02(2012.01) (54)发明名称 联盟识别方法、 装置、 电子设备及计算机可 读存储介质 (57)摘要 本发明涉及人工智能技术， 揭露一种联盟识 别方法， 包括： 获取催收录音数据， 对催收录音数 据进行文本提取处理， 得到催收文本数据； 获取 催收历史数据， 对催收历史数据进行标签标记， 得到标签训练集， 基于标签训练集对 预设的文本 分类模型进行训练， 得到催收分类模型； 获取待 识别客户， 将待识别客户输入至催收分类模型 中， 得到待识别客户的客户类型； 根据待识别客 户的客户分类在预设图数据库中查询对应的客 户标签数据， 根据客户标签数据构建反催收客户 联盟。 此外， 本发明还涉及区块链技术， 客户类型 可存储于区块链的节点。 本发明还提出一种联盟 识别装置、 电子设备 以及存储介质。 本发明可 以 提高联盟识别的效率。 权利要求书2页 说明书12页 附图2页 CN 115374274 A 2022.11.22 CN 115374274 A 1.一种联盟识别方法， 其特 征在于， 所述方法包括： 获取催收录音数据， 对所述催收录音数据进行文本提取处 理， 得到催收文本数据； 获取催收历史数据， 对所述催收历史数据进行标签标记， 得到标签训练集， 基于所述标 签训练集对预设的文本分类模型进行训练， 得到催收分类模型； 获取待识别客户， 将所述待识别客户输入至所述催收分类模型中， 得到所述待识别客 户的客户类型； 根据所述待识别客户的客户分类在预设图数据库中查询对应的客户标签数据， 根据 所 述客户标签数据构建反催收客户联盟。 2.如权利要求1所述的联盟识别方法， 其特征在于， 所述基于所述标签训练集对预设的 文本分类模型进行训练， 得到催收分类模型， 包括： 将所述文本分类模型在预设场景文本中进行场景训练， 得到分类预训练模型； 将所述标签训练集输入至所述分类预训练模型中， 得到所述标签训练集中的标签训练 数据对应的概 率值； 根据所述 概率值确定所述标签训练数据对应的预测分类 类型； 基于所述预测分类类型和预设的真实分类类型计算所述标签训练数据对应的交叉熵 损失值； 判断所述交叉熵损失值与 预设的损失阈值之间的大小， 当所述交叉熵损失值大于或者 等于所述损失阈值时， 调整所述分类预训练模型中的模型参数； 将所述标签训练集输入至调整模型参数后的分类预训练模型中， 直至所述交叉熵损失 值小于所述损失阈值时， 将调整模型参数后的分类预训练模型作为催收分类模型。 3.如权利要求2所述的联盟识别方法， 其特征在于， 所述将所述标签训练集输入至所述 分类预训练模型中， 得到所述标签训练集中的标签训练数据对应的概 率值， 包括： 对所述标签训练集进行掩码处 理， 得到掩码数据集； 将所述掩码数据集转换为对应的向量数据集， 并对所述向量数据集执行矩阵转换处 理， 得到向量相关矩阵； 根据所述向量相关矩阵计算所述向量数据集之间的相似度， 并将所述相似度作为所述 标签训练数据作为对应的概 率值。 4.如权利要求2所述的联盟识别方法， 其特征在于， 所述根据所述概率值确定所述标签 训练数据对应的预测分类 类型， 包括： 对所述标签训练集中多个所述标签训练数据对应的概率值进行排序处理， 得到概率排 序榜； 选取所述概率排序榜中的第一 排序位置对应的概 率值作为目标概 率值； 当所述目标概率值大于预设的第一阈值且所述目标概率值与所述概率排序榜中的选 定概率值不一致时， 将所述预测分类 类型输出为反催收类型； 当所述目标概率值大于所述第一阈值且所述目标概率值与所述概率排序榜中的选定 概率值一致时， 将所述预测分类 类型输出为 正常交易类型； 当所述目标概 率值小于所述第一阈值时， 将所述预测分类 类型输出为 正常交易类型。 5.如权利要求1所述的联盟识别方法， 其特征在于， 所述根据所述客户标签数据构建反 催收客户联盟， 包括：权　利　要　求　书 1/2 页 2 CN 115374274 A 2对所述客户标签数据进行分词处 理， 得到标签分词集； 对所述标签分词集中的标签分词 进行词性识别， 并保留词性识别后符合预设筛选标准 的第一分词和第二分词； 基于所述第一分词和所述第二分词构建反催收客户图； 将所述反催收客户图输入至训练好的联盟预测模型中， 得到反催收客户联盟。 6.如权利要求5所述的联盟识别方法， 其特征在于， 所述基于所述第 一分词和所述第 二 分词构建反催收客户图， 包括： 以所述第一分词作为预设客户图的顶点， 将预设反催收语句中与所述第 二分词相关的 顶点进行 连接处理， 得到初始客户图； 将所述第二分词作为连接处 理的关系边标签， 得到反催收客户图。 7.如权利要求1至6中任一项所述的联盟识别方法， 其特征在于， 所述将所述反催收客 户图输入至训练好的联盟预测模型中之前， 还 包括： 利用预设的De epWalk算法对所述反催收客户图中的顶点进行向量 化处理。 8.一种联盟识别装置， 其特 征在于， 所述装置包括： 文本提取模块， 用于获取催收录音数据， 对所述催收录音数据进行文本提取处理， 得到 催收文本数据； 模型训练模块， 用于获取催收历史数据， 对所述催收历史数据进行标签标记， 得到标签 训练集， 基于所述标签训练集对预设的文本分类模型进行训练， 得到催收分类模型； 类型识别模块， 用于获取待识别客户， 将所述待识别客户输入至所述催收分类模型中， 得到所述待识别客户的客户类型； 联盟构建模块， 用于根据所述待识别客户的客户分类在预设图数据库中查询对应的客 户标签数据， 根据所述 客户标签数据构建反催收客户联盟。 9.一种电子设备， 其特 征在于， 所述电子设备包括： 至少一个处 理器； 以及， 与所述至少一个处 理器通信连接的存 储器； 其中， 所述存储器存储有可被所述至少一个处理器执行的计算机程序， 所述计算机程序被所 述至少一个处理器执行， 以使 所述至少一个处理器能够执行如权利要求 1至7中任意一项 所 述的联盟识别方法。 10.一种计算机可读存储介质， 存储有计算机程序， 其特征在于， 所述计算机程序被处 理器执行时实现如权利要求1至7中任意 一项所述的联盟识别方法。权　利　要　求　书 2/2 页 3 CN 115374274 A 3