[發(fā)明專利]欺詐識(shí)別方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 201910306022.3
• 申請(qǐng)日: 2019-04-16
• 公開(kāi)（公告）號(hào): CN110222554A
• 公開(kāi)（公告）日: 2019-09-10
• 發(fā)明（設(shè)計(jì)）人: 胡藝飛;徐國(guó)強(qiáng);邱寒
• 申請(qǐng)（專利權(quán)）人: 深圳壹賬通智能科技有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06Q30/06
• 代理公司: 深圳市賽恩倍吉知識(shí)產(chǎn)權(quán)代理有限公司 44334
• 代理人: 楊毅玲;劉麗華

本發(fā)明提供一種欺詐識(shí)別方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。所述欺詐識(shí)別方法能夠當(dāng)接收到欺詐識(shí)別指令時(shí)，獲取至少一個(gè)待檢測(cè)視頻，從而結(jié)合多個(gè)問(wèn)題進(jìn)行判斷，進(jìn)一步提取所述每個(gè)待檢測(cè)視頻的目標(biāo)視頻序列，以去除冗余信息，將每個(gè)目標(biāo)視頻序列分別輸入到預(yù)先訓(xùn)練的預(yù)測(cè)模型中，確定目標(biāo)人物在每個(gè)目標(biāo)視頻序列中的欺詐概率，基于分位數(shù)原理，將每個(gè)欺詐概率組合成一個(gè)目標(biāo)向量，進(jìn)一步將所述目標(biāo)向量輸入到預(yù)先訓(xùn)練的分類器中，確定目標(biāo)概率，并確定所述目標(biāo)人物是否有欺詐風(fēng)險(xiǎn)，從而實(shí)現(xiàn)欺詐行為的自動(dòng)化判斷，且由于數(shù)據(jù)的多樣化，因此判斷更為準(zhǔn)確，可信度更高，給用戶帶來(lái)更好的體驗(yàn)。

技術(shù)領(lǐng)域

本發(fā)明涉及智能決策技術(shù)領(lǐng)域，尤其涉及一種欺詐識(shí)別方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

現(xiàn)有技術(shù)方案中，在判斷一個(gè)客戶是否有欺詐風(fēng)險(xiǎn)時(shí)，通常只是結(jié)合客戶的面部表情所展現(xiàn)的情緒來(lái)識(shí)別，且僅針對(duì)一個(gè)問(wèn)題進(jìn)行判斷，由于判斷依據(jù)較為單一，因此判斷結(jié)果的可靠性較低。因此，用戶無(wú)法以上述判斷結(jié)果直接作為客戶是否有欺詐行為的結(jié)論，給用戶造成不便，不利于用戶的體驗(yàn)。

發(fā)明內(nèi)容

鑒于以上內(nèi)容，有必要提供一種欺詐識(shí)別方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，本發(fā)明能夠結(jié)合多個(gè)問(wèn)題進(jìn)行判斷，并確定所述目標(biāo)人物是否有欺詐風(fēng)險(xiǎn)，從而實(shí)現(xiàn)欺詐行為的自動(dòng)化判斷，且由于數(shù)據(jù)的多樣化，因此判斷更為準(zhǔn)確，可信度更高，給用戶帶來(lái)更好的體驗(yàn)。

一種欺詐識(shí)別方法，所述方法包括：

當(dāng)接收到欺詐識(shí)別指令時(shí)，獲取至少一個(gè)待檢測(cè)視頻；

提取所述至少一個(gè)待檢測(cè)視頻中，每個(gè)待檢測(cè)視頻的目標(biāo)視頻序列；

將每個(gè)目標(biāo)視頻序列分別輸入到預(yù)先訓(xùn)練的預(yù)測(cè)模型中，確定目標(biāo)人物在每個(gè)目標(biāo)視頻序列中的欺詐概率；

基于分位數(shù)原理，將每個(gè)欺詐概率組合成一個(gè)目標(biāo)向量；

將所述目標(biāo)向量輸入到預(yù)先訓(xùn)練的分類器中，確定目標(biāo)概率；

根據(jù)所述目標(biāo)概率，確定所述目標(biāo)人物是否有欺詐風(fēng)險(xiǎn)。

根據(jù)本發(fā)明優(yōu)選實(shí)施例，所述至少一個(gè)待檢測(cè)視頻包括以下一種或者多種組合：

銀行業(yè)務(wù)面審過(guò)程中，每個(gè)問(wèn)題的應(yīng)答視頻；及/或

保險(xiǎn)業(yè)務(wù)面審過(guò)程中，每個(gè)問(wèn)題的應(yīng)答視頻。

根據(jù)本發(fā)明優(yōu)選實(shí)施例，所述提取所述至少一個(gè)待檢測(cè)視頻中，每個(gè)待檢測(cè)視頻的目標(biāo)視頻序列包括：

采用K均值聚類算法提取所述至少一個(gè)待檢測(cè)視頻中，每個(gè)待檢測(cè)視頻的目標(biāo)視頻序列。

根據(jù)本發(fā)明優(yōu)選實(shí)施例，在將每個(gè)所述目標(biāo)視頻序列分別輸入到預(yù)先訓(xùn)練的預(yù)測(cè)模型中，確定目標(biāo)人物在每個(gè)目標(biāo)視頻序列中的欺詐概率前，所述方法還包括：

獲取樣本視頻序列；

采用人臉識(shí)別算法，提取所述樣本視頻序列中每個(gè)人物的面部動(dòng)作、眼球角度；

采用支持向量回歸算法訓(xùn)練每個(gè)人物的面部動(dòng)作，得到每個(gè)人物的第一向量；

采用神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練所述所有人物的眼球角度，得到每個(gè)人物的第二向量；

截取所述所有人物的頭部轉(zhuǎn)動(dòng)角度，得到每個(gè)人物的第三向量；

合并每個(gè)人物的第一向量、第二向量及第三向量，得到每個(gè)人物的樣本向量；

從配置數(shù)據(jù)庫(kù)中，確定每個(gè)人物的逾期數(shù)據(jù)，以制定每個(gè)人物的逾期標(biāo)簽；

將每個(gè)人物的樣本向量及逾期標(biāo)簽作為樣本數(shù)據(jù)，采用梯度提升算法訓(xùn)練所述預(yù)測(cè)模型。