[发明专利]催收优化方法及设备

说明书

本申请提供了一种催收优化方法及设备，该方案通过预先训练获得的第一深度神经网络，自动从催收对象的通话语音数据中识别出用于表示催收对象的特征标签的第一特征信息，然后将其与第二特征信息组合后，输入第二深度神经网络，自动确定适用于该催收对象的催收策略信息。由于第一深度神经网络和第二深度神经网络可以基于训练集数据预先训练获得，能够在训练过程中自动学习获得特征信息与输出结果之间隐含的规律，从而实现精准的预测，获得适合于不同催收对象采取的催收策略信息，有效提升催收效果。

技术领域

本申请涉及信息技术领域，尤其涉及一种催收优化方法及设备。

背景技术

随着个人贷款的市场扩张，催收在金融领域的需求也逐步增加。催收按照逾期的时间，分为M1（逾期一个月）、M2（逾期二个月，以此类推）等。其中M1-M3为短账龄，M4（逾期超过4个月）以上为长账龄。传统的催收，由坐席利用电话联系欠款人或者相关第三方，告知逾期还款已经发生及可能产生的后果，要求尽快处理。根据催收员的个人经验不同，会对催收的效果产生巨大的差异结果。例如，金牌催收员的业绩，往往是普通催收员业绩的数倍。

一般而言，影响催收效果的因素与催收对象的某些特点存在一定的关联，例如，某些催收对象对征信的信用度较为敏感，有些催收对象有还款能力但是希望能够减免部分利息等，因此针对不同的催收对象，使用不同的催收策略往往能够达到较好的催收效果。但是实际场景中，在根据不同的催收对象优化催收策略时，会存在以下问题：1、催收对象的画像特征繁多，不仅仅是还款能力及还款意愿，还存在更多隐性的特点，难以直接统计使用。2、催收对象的特点往往会在催收通话中体现，但是催收通话时对话状态复杂多变，不容易简单描述。3、以个别的催收对象为个体单独分析其特点，将面临数据不足的问题，难以进行。

因此，基于以上的问题，难以针对不同催收对象采取合适的催收策略，导致催收效果的提升严重依赖催收员的个人经验，而无法采用一种更加具有普适性的方式来优化催收效果。

发明内容

本申请实施例提供了一种催收优化方法及设备，以解决目前难以针对不同催收对象采取合适的催收策略，导致催收效果的提升严重依赖催收员的个人经验的问题。

为实现上述目的，本申请实施例提供了一种催收优化方法，所述方法包括：

获取催收对象的通话语音数据；

将所述通话语音数据根据词频词典进行向量化处理，获取所述通话语音数据的词频特征，所述词频特征与所述通话语音数据中的词语在所述词频词典对应的离线语音数据样本中出现的词频相关；

将所述词频特征作为输入信息，输入第一深度神经网络，获取所述催收对象的第一特征信息，所述第一特征信息用于表示所述催收对象的特征标签；

获取催收对象的第二特征信息，并将第一特征信息和第二特征信息组合为第三特征信息，所述第二特征信息基于所述催收对象的个人信息确定；

将所述第三特征信息输入第二深度神经网络，获取所述催收对象的催收策略信息。

进一步地，根据权利要求1所述的方法，其特征在于，将所述通话语音数据根据词频词典进行向量化处理，获取所述通话语音数据的词频特征，包括：

将所述通话语音数据进行分词处理，获取组成所述通话语音数据的多个词语；

从词频词典查找所述词语的词频排序序号；

根据所述词语对应的词频排序序号，确定所述通话语音数据对应的数字序列；

将所述数字序列对应的向量确定为所述通话语音数据的词频特征。

进一步地，根据所述词语对应的词频排序序号，确定所述通话语音数据对应的数字序列，包括：

若所述词语的数量少于词频特征的维度值，将词语的顺序将对应的词频排序序号以及K个填充值组合为所述通话语音数据对应的数字序列，其中，K为所述词频特征的维度值与所述词语的数量之间的差值；