[發明專利]自更新的反欺詐方法、裝置、計算機設備和存儲介質

在審

• 申請號: 201810345256.4
• 申請日: 2018-04-17
• 公開（公告）號: CN108806695A
• 公開（公告）日: 2018-11-13
• 發明（設計）人: 鄭斯奇;王健宗;肖京
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G10L17/04
• 分類號: G10L17/04;G10L17/02;G10L25/18;G10L25/24;G10L25/45;H04L29/06;G06F17/30
• 代理公司: 深圳市明日今典知識產權代理事務所(普通合伙) 44343
• 代理人: 王杰輝

本申請中提供了一種自更新的反欺詐方法、裝置、計算機設備和存儲介質，黑名單聲紋庫中加入新的欺詐語音數據時，基于所述黑名單聲紋庫中的欺詐語音數據重新訓練聲紋訓練模型的訓練參數，得到更新后的聲紋訓練模型；接收第一語音數據，并通過更新后的所述聲紋訓練模型計算第一語音數據與黑名單聲紋庫中的欺詐語音數據的相似度分值；若所述相似度分值高于設定的相似度閾值，則判定所述第一語音數據為欺詐語音數據黑名單聲紋庫中加入新的欺詐語音數據時，針對所有欺詐語音數據重新訓練聲紋訓練模型的訓練參數，得到更新后的聲紋訓練模型；不斷更新聲紋訓練模型，以更好的適應語音反欺詐，提升反欺詐準確性，克服誤報的缺陷，同時提升檢測效率。

技術領域

本申請涉及通話語音反欺詐技術領域，特別涉及一種自更新的反欺詐方法、裝置、計算機設備和存儲介質。

背景技術

目前，很多大型金融公司的業務范圍涉及保險、銀行、投資等多個業務范疇，而每個業務范疇通常都需要同客戶進行溝通，且都需要進行反欺詐識別，因此，對客戶的身份驗證及反欺詐識別成為保證業務安全的重要組成部分。為了滿足業務的實時性需求，有些金融公司開始采用語音識別的方式對客戶的身份進行驗證及反欺詐識別，在反欺詐識別中，公司會將歷史的欺詐語音數據保存下來，建立起一個黑名單語音庫，再利用聲紋識別技術提取聲紋特征信息，建立黑名單聲紋庫。

當新的通話進入時，說話人的聲音將自動被提取聲紋特征信息，與黑名單聲紋庫中的聲紋特征信息進行比對，如果判定說話人的聲音與黑名單聲紋庫中的信息匹配成功，將提示該說話人可能是欺詐身份。該方案的難點在于，這是一比N的聲紋匹配過程，當黑名單聲紋庫中的人數非常多時(如N大于500)，準確率較低，且檢測效率低。比如，對于任一說話人，只要黑名單500人中任何一人的聲音與說話人相似，都可能判定該說話人屬于欺詐用戶而觸發警報，所以存在觸發誤報的情況。

發明內容

本申請的主要目的為提供一種自更新的反欺詐方法、裝置、計算機設備和存儲介質，克服現有技術中對語音數據進行反欺詐時準確率低的缺陷。

為實現上述目的，本申請提供了一種自更新的反欺詐方法，包括以下步驟：

黑名單聲紋庫中加入新的欺詐語音數據時，基于所述黑名單聲紋庫中的欺詐語音數據重新訓練聲紋訓練模型的訓練參數，得到更新后的聲紋訓練模型；

接收第一語音數據，并通過更新后的所述聲紋訓練模型計算所述第一語音數據與黑名單聲紋庫中的欺詐語音數據的相似度分值；

若所述相似度分值高于設定的相似度閾值，則判定所述第一語音數據為欺詐語音數據。

進一步地，所述訓練參數為PLDA矩陣中的類間協方差矩陣以及鑒別向量的均值，所述聲紋訓練模型為高斯混合模型，所述基于所述黑名單聲紋庫中的欺詐語音數據重新訓練聲紋訓練模型的訓練參數的步驟，包括：

基于所述黑名單聲紋庫中的欺詐語音數據，分別提取鑒別向量；

使用所述鑒別向量訓練PLDA矩陣，更新所述PLDA矩陣中的類間協方差矩陣以及鑒別向量的均值。

進一步地，所述通過更新后的所述聲紋訓練模型計算所述第一語音數據與黑名單聲紋庫中的欺詐語音數據的相似度分值的步驟，包括：

使用鑒別向量提取器提取所述第一語音數據的鑒別向量；

將所述第一語音數據的鑒別向量輸入至更新后的聲紋訓練模型中計算第一語音數據與黑名單聲紋庫中的欺詐語音數據的相似度分值。

進一步地，所述使用鑒別向量提取器提取所述第一語音數據的鑒別向量的步驟，具體包括：

提取所述第一語音數據的聲紋特征組成聲紋特征向量，并通過鑒別向量提取器計算所述聲紋特征向量，提取出所述第一語音數據的鑒別向量。