2-3 语音分析在金融风控领域的探索应用

基于语音的风险特征提取

• 问题：如何有效利用大量无标记的原始语音数据进行风险管理。
• 方案：通过抽样语音数据，提取时域特征用于用户风险识别。
• 方法：分析用户每一通电话，提取语音特征和标签，联合风险领域其他特征，组合挖掘400多个风险相关特征，应用于风控场景。
• 效果：近90天命中语音标签天数和近360天命中语音标签次数均显示良好效果。
• 应用：将语音风险特征和标签应用于用户信用风险模型，提升模型性能。

单通道语音分离技术

• 问题：单声道语音如何应用，无法直接提取客服端和客户端特征。
• 方案：采用单通道语音分离技术，将客服和客户语音分离。
• 技术：引用[Xu C et al. 2018]提出的基于Grid LSTM的单通道语音分离方法，包括训练和推理两部分。
• 评估：使用SDR指标评估分离效果，SDR指标在16左右，分离效果明显。

语音文本打标

• 问题：如何利用语音文本数据进行用户分析。
• 方案：基于语音文本数据识别用户动支意愿，通过聚类和标签打标进行分析。
• 方法：
  • 无监督聚类：使用快速社区发现算法进行聚类。
  • 有监督训练：根据聚类结果选择20个有意义的标签，进行人工标注，使用Bert预训练模型微调。
• 结果对比：
  • 无监督方法：最高f1-score（测试）为73.47%。
  • 有监督方法：最高f1-score（测试）为90.75%。

总结与展望

• 总结：分别介绍了基于语音特征提取、单通道语音分离和语音文本打标方面的探索和应用。
• 价值：语音数据在金融风控领域存储量大，价值高，但处理和挖掘具有挑战性。
• 未来：探索仍处于基础阶段，需优化现有模型和方法，并尝试将现有方法和标签应用到更多领域。