智能识别的风险管理方法、装置、计算机设备及存储介质与流程

本发明属于语音语义领域，更具体地说，是涉及一种智能识别的风险管理方法、装置、计算机设备及存储介质。

背景技术：

目前，在贷款之前，需要银行工作人员打电话给贷款人对贷款人进行审核，或者与贷款人会面进行面审，根据打电话或者面审的结果评估贷款风险并审批具体的贷款额度。但是，这样对贷款人进行审核的方式，银行方面需要投入大量的人力，且面审需要经验丰富的工作人员才能胜任。另外，即使经验丰富的面审人也容易错过贷款人的细微表情变化，从而无法评估真实的贷款风险。再次，在打电话或者面审时，银行工作人员掌握的贷款人资料是不全面的，从而无法对贷款人进行全面的审核，无法反映真实的贷款风险，贷款风险的识别效率不高。

技术实现要素：

本发明实施例提供一种智能识别的风险管理方法、装置、计算机设备及存储介质，以解决贷款风险的识别效率较低的问题。

一种基智能识别的风险管理方法，包括：

获取预设问题，其中，所述预设问题为n个，n为正整数；

获取用户标识，并根据所述用户标识获取用户资料；

基于n个所述预设问题和所述用户资料获取n个问题标准信息；

基于n个所述预设问题获取n个用户音频数据；

将n个所述用户音频数据输入至预设自然语言处理模型中，获取n个问题测试信息；

判断每一所述问题测试信息与对应的所述问题标准信息是否一致，根据n个所述问题测试信息的判断结果获取第一风险评分；

根据所述第一风险评分输出第一风险识别结果。

一种智能识别的风险管理装置，包括：

预设问题获取模块，用于获取预设问题，其中，所述预设问题为n个，n为正整数；

用户资料获取模块，用于获取用户标识，并根据所述用户标识获取用户资料；

标准信息获取模块，用于基于n个所述预设问题和所述用户资料获取n个问题标准信息；

音频数据获取模块，用于基于n个所述预设问题获取n个用户音频数据；

测试信息获取模块，用于将n个所述用户音频数据输入至预设自然语言处理模型中，获取n个问题测试信息；

第一风险评分获取模块，用于判断每一所述问题测试信息与对应的所述问题标准信息是否一致，根据n个所述问题测试信息的判断结果获取第一风险评分；

第一识别结果获取模块，用于根据所述第一风险评分输出第一风险识别结果。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述智能识别的风险管理方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述智能识别的风险管理方法的步骤。

上述智能识别的风险管理方法、装置、计算机设备及存储介质，通过获取n个预设问题，获取用户标识，并根据用户标识获取用户资料；然后基于n个预设问题和用户资料获取n个问题标准信息，再基于n个预设问题获取n个用户音频数据，将n个用户音频数据输入至预设自然语言处理模型中，获取n个问题测试信息；接着判断每一问题测试信息与对应的问题标准信息是否一致，根据n个问题测试信息的判断结果获取第一风险评分；最后根据第一风险评分输出第一风险识别结果。通过自然语言处理模型获取用户的回答，并与获取的用户资料得到的信息进行比较，根据比较的结果来进行贷款风险的评估，可以实现用计算机代替人工进行风险识别，不需要经验丰富的专业人员，可以减少人力的投入成本，也提高了贷款风险评估的效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中智能识别的风险管理方法的一应用环境示意图；

图2是本发明一实施例中智能识别的风险管理方法的一流程图；

图3是本发明一实施例中智能识别的风险管理方法的另一流程图；

图4是本发明一实施例中智能识别的风险管理方法的另一流程图；

图5是本发明一实施例中智能识别的风险管理方法的另一流程图；

图6是本发明一实施例中智能识别的风险管理方法的另一流程图；

图7是本发明一实施例中智能识别的风险管理方法的另一流程图；

图8是本发明一实施例中智能识别的风险管理装置的一原理框图；

图9是本发明一实施例中智能识别的风险管理装置中用户资料获取模块的一原理框图；

图10是本发明一实施例中计算机设备的一示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请提供的智能识别的风险管理方法，可应用在如图1的应用环境中，其中，客户端通过网络与服务端进行通信，服务端获取n个预设问题，并通过客户端获取用户标识，根据用户标识获取用户资料；然后基于n个预设问题和用户资料获取n个问题标准信息，再基于n个预设问题通过客户端获取n个用户音频数据，接着将n个用户音频数据输入至预设自然语言处理模型中，获取n个问题测试信息；判断每一问题测试信息与对应的问题标准信息是否一致，根据n个问题测试信息的判断结果获取第一风险评分，最后根据第一风险评分输出第一风险识别结果至客户端。其中，客户端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一实施例中，如图2所示，提供一种智能识别的风险管理方法，以该方法应用在图1中的服务端为例进行说明，包括如下步骤：

s10：获取预设问题，其中，预设问题为n个，n为正整数。

其中，预设问题存储于服务端的数据库中，可选地，预设问题以文字或者语音的数据形式存储于数据库中。具体地，服务端可以先配置一个题库，该题库预先存储了大量的设置好的问题，该预设问题就可以从题库中获取。预设问题为n个，n为正整数，可以理解，预设问题一般为多个，用于评估贷款的风险。示例性地，预设问题为：“请问您的存款是多少？”、“请问您的家庭人数是多少人？”或“请问您的贷款用途是？”等等。

具体地，服务端从数据库中的题库获取n个问题作为预设问题，可选地，服务端可以根据随机选取的方式从题库中获取n个问题作为预设问题。

s20：获取用户标识，并根据用户标识获取用户资料。

其中，用户标识是指用于区分不同用户的标识，例如，该用户标识可以为用户手机号、用户账号或身份证号等。可选地，服务端可以通过客户端输入的内容获取用户标识，例如在客户端输入用户的身份证号时，服务端获取该身份证号作为用户标识。用户资料是指用户的存款、贷款、学历、家庭人口、消费额度、职业或公积金数额等与贷款能力相关的资料。可选地，用户资料与用户标识绑定在一起存储于服务端的数据库中，服务端根据用户标识可以从数据库中获取到与用户标识对应的用户资料。

s30：基于n个预设问题和用户资料获取n个问题标准信息。

其中，问题标准信息是指根据预设问题和用户资料确定的信息。例如在一个预设问题中，“请问您的存款是多少”，若服务端从用户资料中获取到用户的存款为30w，那么问题标准信息就是“用户的存款为30w”。

可以理解，由于问题标准信息对应的可能为一个数值，而用户可能不能明确知道具体的数值；因此，服务端可以根据用户资料来设定一个范围，当用户的回答在这个范围内时，判定用户的回答与问题标准信息相符合。例如，可以根据用户资料将问题标准信息设置为“用户的存款为20-40w”，当用户的回答对应的数值属于“20-40w”时，则服务端判定用户的回答与问题标准信息相符合，例如当用户回答为28w时，由于28w属于“20-40w”，则服务端可以判定用户的回答与问题标准信息相符合。

s40：基于n个预设问题获取n个用户音频数据。

其中，用户音频数据是指用户根据预设问题回答时的音频数据，可选地，客户端可以通过录音工具获取用户音频数据，例如通过打开麦克风来获取用户音频数据，再将用户音频数据发送至服务端。

可选地，预设问题由语音机器人播放给用户听取，即语音机器人首先从服务端获取预设问题，再将文字转化为语音播放给用户。其中，语音机器人为服务端的一个模块，用于将预设问题的文字转化为语音。进一步地，预设问题也可以为文字信息，通过在客户端对代表预设问题的文字信息进行显示的方式提供给用户。

具体地，服务端在输出预设问题后，客户端打开录音工具来获取用户音频数据，再将用户音频数据发送至服务端。可选地，当检测到静音时间超过一定值时，例如10秒，客户端判定用户已经根据该预设问题回答结束，则停止录音的录制，并将该段录音作为用户根据该预设问题的用户音频数据。

s50：将n个用户音频数据输入至预设自然语言处理模型中，获取n个问题测试信息。

其中，自然语言处理(naturallanguageprocessing，简称nlp)是能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。预设自然语言处理模型是指用于对用户音频数据进行语音转化为文字文本的处理模型，包括自然语言理解和自然语言生成两个过程，例如可以通过隐马尔可夫模型对获取的用户音频数据转化为词汇(自然语言理解过程)，再通过词法分析、句法分析、语义分析和文本生成等技术生成用户的回答文本(自然语言生成过程)。可选地，预设自然语言处理模型采用深度学习的训练模型，通过大量语音数据进行批注，形成语音样本，输入至训练模型中进行训练，使训练模型可以根据语音数据得到相应的文本数据，从而得到预设自然语言处理模型。

其中，问题测试信息是指用户根据预设回答的数据，可选地，问题测试信息为文本数据。

具体地，服务端将获取的用户音频数据输入至预设自然语言处理模型中，得到用户的回答文本，然后将获取的用户的回答文本作为问题测试信息。

s60：判断每一问题测试信息与对应的问题标准信息是否一致，根据n个问题测试信息的判断结果获取第一风险评分。

具体地，服务端根据问题测试信息与对应的问题标准信息进行比较，判断问题测试信息与对应的问题标准信息是否一致。可选地，如前所述，服务端在设置问题标准信息时，是按照一个数值范围来设置的，服务端将问题测试信息与对应的问题标准信息进行比较时，是将问题测试信息里面的数值与对应的问题标准信息里的数值范围进行比较，判断问题测试信息里面的数值是否属于对应的问题标准信息里的数值范围。例如若对应的问题标准信息对应的数值范围“存款为20-40w”，问题测试信息的数值“存款为60w”，由于问题测试信息的数值“60w”不属于对应的问题标准信息的数值范围“20-40w”，因此，服务端可以判定问题测试信息与对应的问题标准信息不一致。

具体地，当服务端判定问题测试信息与对应的问题标准信息一致时，服务端进行相应的加分；当服务端判定问题测试信息与对应的问题标准信息不一致时，服务端进行相应的减分；最后服务端根据n个问题测试信息的判断结果将分数进行汇总，将汇总的分数作为第一风险评分。

s70：根据第一风险评分输出第一风险识别结果。

具体地，可以根据第一风险评分的结果设置第一评级对应表，服务端将获取的第一风险评分与第一评级对应表进行匹配，若第一风险评分与评级对应表的某个范围可以匹配得上，则获取该范围对应的风险评级作为第一风险识别结果。例如当第一风险评分为90分，其中，评级对应表的90分对应的风险评级为低风险，则第一风险识别结果为低风险。评级对应表可以根据实际情况进行设定，这里不做具体限定。

在图2对应的实施例中，通过获取n个预设问题，获取用户标识，并根据用户标识获取用户资料；然后基于n个预设问题和用户资料获取n个问题标准信息，再基于n个预设问题获取n个用户音频数据，将n个用户音频数据输入至预设自然语言处理模型中，获取n个问题测试信息；接着判断每一问题测试信息与对应的问题标准信息是否一致，根据n个问题测试信息的判断结果获取第一风险评分；最后根据第一风险评分输出第一风险识别结果。通过自然语言处理模型获取用户的回答，并与获取的用户资料得到的信息进行比较，根据比较的结果来进行贷款风险的评估，可以实现用计算机代替人工进行风险识别，不需要经验丰富的专业人员，可以减少人力的投入成本，也提高了贷款风险评估的效率。

在一实施例中，如图3所示，步骤s20中，根据用户标识获取用户资料，具体可以包括以下步骤：

s21：基于用户标识从大数据系统获取用户数据。

其中，大数据系统可以基于服务端内部的数据库进行构建，例如，例如在用户注册时要求用户输入相关资料来收集用户数据；也可以由服务端根据用户标识从各个平台获取用户相关资料并汇总在大数据系统中。例如，根据用户标识支付宝平台、微信平台或银行平台等平台获取相应的用户数据，例如，可以从公积金网站来获取用户的公积金数额。

具体地，服务端与大数据系统连接，根据用户标识，例如用户身份证号，从大数据系统中获取与用户标识相关的用户数据，例如存款、学历或职业等等相关用户数据。

s22：基于预设问题的预设字段从用户数据中获取用户资料。

其中，预设字段是指服务端预先设置的可以用于评估用户贷款风险的字段，例如学历、职业、存款、贷款或家庭人口等字段。

具体地，服务端根据预设问题的预设字段来从用户数据提取相应字段的数据，从而获得用于评估用户贷款风险的用户资料。例如，根据“学历”字段获取用户的数据为“本科”，根据“存款”字段获取用户的数据为“30w”等等。其中，预设字段可以根据预设问题的实际情况进行预先具体的设定，这里不做限定。

在图3对应的实施例中，基于用户标识从大数据系统获取用户数据，再基于预设问题的预设字段从用户数据中获取用户资料。通过从大数据系统中获取评估用户贷款风险的用户资料，可以为判断用户的回答是否真实提供依据，从而进一步评估贷款风险。另外，通过大数据系统来获取用户资料，可以获取更多的信息，使贷款风险识别更加符合用户的实际情况，有效提高了贷款风险的识别效率。

在一实施例中，如图4所示，在步骤s60中，即判断每一问题测试信息与对应的问题标准信息是否一致，根据n个问题测试信息的判断结果获取第一风险评分，具体可以包括以下步骤：

s61：若问题测试信息与对应的问题标准信息不一致，则输出第一负面评分。

具体地，服务端根据问题测试信息与对应的问题标准信息进行比较，若比较的结果为不一致，则服务端输出第一负面评分。其中,第一负面评分是指对贷款风险负面的评分,表示用户回答的问题测试信息具有风险，用户的回答可能存在虚假成分。示例性地，第一负面评分可以为扣5分、10分或20分等等，服务端可以根据实际情况进行设置，这里不做具体限定。

可选地，服务端还可以根据具体的预设问题设置不同的第一负面评分，例如，若预设问题1不一致，扣5分；若预设问题2不一致，则扣10分。或者，服务端根据用户的问题测试信息设置不同的第一负面评分，例如，将预设问题1对应的负面评分划分为a、b和c三个范围，当问题测试信息属于a范围时，扣5分；当问题测试信息属于b范围时，则扣10分；当问题测试信息属于c范围时，则扣15分。

s62：若问题测试信息与对应的问题标准信息一致，则输出第一正面评分。

具体地，服务端根据问题测试信息与对应的问题标准信息进行比较，若比较的结果为一致，则输出第一正面评分。其中，第一正面评分是指对贷款风险正面的评分，表示用户回答的问题测试信息没有风险，用户的回答是真实可信的。示例性地，第一正面评分可以为加5分、10分或20分等等，服务端可以根据实际情况进行设置，这里不做具体限定。

可选地，服务端也可以根据具体的预设问题设置不同的第一正面评分，例如，若a预设问题一致，加5分；若b预设问题一致，则加10分。

s63：根据n个问题测试信息的判断结果获取第一负面评分与第一正面评分的第一总和，将第一总和作为第一风险评分。

其中，第一总和是指将n个问题测试信息的第一负面评分与第一正面评分的总和。

具体地，服务端将n个预设问题中所有的第一负面评分与所有的第一正面评分进行汇总求和得到第一总和，再将第一总和作为第一风险评分。

在图4对应的实施例中，通过将n个问题测试信息与n个问题标准信息进行比较，若问题测试信息与对应的问题标准信息不一致，则输出第一负面评分；若问题测试信息与对应的问题标准信息一致，则输出第一正面评分；再根据n个问题测试信息的判断结果获取第一负面评分与第一正面评分的第一总和，将第一总和作为第一风险评分。通过将问题测试信息与问题标准信息进行比较，并相应地进行评分，最后得出风险评分，可以实现用计算机代替人工进行贷款风险的识别，减少人力的投入，提高贷款风险的识别效率。

在一实施例中，如图5所示，在步骤s40之前，即在基于n个预设问题获取n个用户音频数据的步骤之前，本实施例提供的智能识别的风险管理方法还可以包括以下步骤：

s81：获取n个预设问题对应的n个第一人脸图像。

其中，第一人脸图像是指用户根据预设问题回答时的人脸图像。可选地，服务端可以通过客户端获取第一人脸图像。

具体地，服务端在输出预设问题之后，客户端打开拍摄工具，例如摄像头，对用户的人脸部位进行拍摄来获取第一人脸图像，客户端再将获取的第一人脸图像发送至服务端。可以理解，由于预设问题为n个，相应地，第一人脸图像也为n个。

可选地，服务端也可以在输出预设问题之后，获取用户的视频数据，再从视频数据中通过分帧和归一化处理可以获取第一人脸图像，也可以从中提取用户音频数据。

s82：将n个第一人脸图像输入至预设微表情识别模型中，获取n个回答微表情。

其中，回答微表情是指用户根据预设问题进行回答时的微表情，服务端根据用户的回答微表情可以评估用户是否在说谎，从而进一步评估贷款风险。可以理解，若回答微表情为紧张、不安或慌张等微表情，则可以相应地评估用户可能存在说谎的情况。

其中，预设微表情识别模型可以采用深度学习算法进行训练，可以先对训练图像进行说谎表情的批注，形成训练样本，再通过大量训练样本让训练模型进行训练，从而得到预设微表情识别模型，用以获取回答微表情。

可选地，预设微表情识别模型可以采用国际通用的微表情数据库来获取用户的回答微表情，例如，眉毛上扬、嘴巴下移或嘴角上移等微表情动作单元，再根据具体的微表情动作单元来识别具体对应的回答微表情。

具体地，服务端将第一人脸图像输入至预设微表情识别模型中，可以得到用户的回答微表情。可以理解，由于第一人脸图像为n个，则可以获得n个回答微表情。

s83：若回答微表情属于预设负面回答微表情，则输出第二负面评分。

其中，预设负面回答微表情是指用户根据预设问题进行回答时具有负面情绪的微表情，例如紧张、不安或担忧等微表情，可以根据实际情况进行具体设定。

其中，第二负面评分是指对贷款风险负面的评分，表示用户的回答微表情具有风险，用户的回答可能存在虚假成分，示例性地，第二负面评分可以为扣5分、10分或20分等等。例如，当用户根据预设问题回答时，预设微表情识别模型识别的结果为紧张，而紧张这一回答微表情属于预设负面回答微表情，则服务端输出第二负面评分为扣10分。可选地，服务端可以根据具体的预设问题设置不同的第二负面评分，也可以根据同一预设问题不同的回答微表情设置不同的第二负面评分，服务端可以根据实际情况进行设置，这里不做具体限定。

s84：若回答微表情属于预设正面回答微表情，则输出第二正面评分。

其中，预设正面回答微表情是指用户根据预设问题进行回答时具有正面情绪的微表情，例如镇定、认真或自信等微表情，可以根据实际情况进行具体设定。其中，预设微表情识别模型在训练识别预设正面回答微表情的过程与上述训练学习预设负面回答微表情的过程类似，这里不再赘述。

其中，第二正面评分是指对贷款风险正面的评分，表示用户的回答微表情没有风险，用户的回答是真实可信的，示例性地，第二正面评分可以为加5分、10分或20分等等。若服务端从预设微表情识别模型中获取的结果属于预设正面回答微表情，则服务端输出第二正面评分。例如，当用户根据预设问题进行回答时，预设微表情识别模型的识别结果为自信时，而自信这一回答微表情属于预设正面回答微表情，则服务端输出第二正面评分为加10分。可选地，服务端可以根据具体的预设问题设置不同的第二正面评分，也可以根据同一预设问题不同的回答微表情设置不同的第二正面评分，服务端可以根据实际情况进行设置，这里不做具体限定。

s85：根据n个回答微表情的匹配结果获取第二负面评分与第二正面评分的第二总和，将第二总和作为第二风险评分。

其中，第二总和是指将n个回答微表情的第二负面评分与第二正面评分的总和。

具体地，服务端根据n个回答微表情与预设负面回答微表情和预设正面回答微表情的匹配结果，将所有的第二负面评分与所有的第二正面评分进行求和汇总得到第二总和，再将第二总和作为第二风险评分。

s86：根据第二风险评分输出第二风险识别结果。

可选地，服务端可以根据第二风险评分形成第二评级对应表。示例性地，当第二风险评分在a范围时，例如低于70分，则相应的风险评级为高风险；在b范围时，例如70-80分，则相应的风险评级为一般风险；在c范围时，例如80分以上，则相应的风险评级为低风险。

具体地，服务端将第二风险评分与第二评级对应表进行匹配，若第二风险评分落入某个范围时，则获取该范围对应的风险评级作为第二风险识别结果。

在图5对应的实施例中，通过获取n个预设问题对应的n个第一人脸图像，然后将n个第一人脸图像输入至预设微表情识别模型中，获取n个回答微表情，若回答微表情属于预设负面回答微表情，则输出第二负面评分，若回答微表情属于预设正面回答微表情，则输出第二正面评分；接着根据n个回答微表情的匹配结果获取第二负面评分与第二正面评分的第二总和，将第二总和作为第二风险评分，最后根据第二风险评分输出第二风险识别结果。通过获取用户回答预设问题的微表情，根据回答微表情来评估用户的贷款风险，可以使贷款风险的评估更加符合实际情况，提高贷款风险识别的效率；另外，通过微表情识别模型来识别贷款风险，可以减少人工的投入，减少人工操作的失误，提高贷款风险识别的精度。

在一实施例中，如图6所示，在步骤s70之后，即在根据第一风险评分输出第一风险识别结果的步骤之后，本实施例提供的智能识别的风险管理方法还包括以下步骤：

s91：采用以下公式获取第三风险评分：

c＝αa+βb，

其中，c为风险识别结果，a为第一风险评分，b为第二风险评分，α和β分别为第一风险评分和第二风险评分的权重。

示例性地，α和β可以都取50％，或者α为40％、β为60％，可以根据实际情况进行设定，这里不做限定。

具体地，服务端将第一风险评分与第二风险评分输入到上述公式中，即可得到第三风险评分。例如，若第一风险评分为80分，第二风险评分为60分，α为40％，β为60％，则第三风险评分c＝80*40％+60*60％＝68分。

s92：根据第三风险评分获取第三风险识别结果。

可选地，服务端可以根据第三风险评分预置第三评级对应表，将步骤s91得到的第三风险评分与第三评级对应表进行匹配，再根据匹配的结果获取第三风险评级，将获取到的第三风险评级作为第三风险识别结果。例如，若第三风险评分为68分，第三评级对应表中68分对应的风险评级对应的结果为一般风险，则第三风险识别结果为一般风险。

在图6对应的实施例中，通过采用公式获取第三风险评分，再根据第三风险评分获取第三风险识别结果。通过公式可以将两种风险评分进行综合，得到一个更加真实的风险评分，提高贷款风险识别的精度。

在一实施例中，如图7所示，在步骤20中，即获取用户标识，具体可以包括以下步骤：

s21’：获取第二人脸图像。

具体地，服务端可以通过客户端的拍摄工具对用户进行图像采集来获取第二人脸图像。

可选地，当开始进行评估贷款风险时，客户端打开拍摄工具，对用户的脸部进行拍照，将获取的人脸图像作为第二人脸图像，客户端再将获取的第二人脸图像发送至服务端。

s22’：将第二人脸图像输入至预设的人脸识别模型中，获取第二人脸特征。

其中，预设的人脸识别模型用于获取输入的人脸图像的特征。可选地，预设的人脸识别模型采用深度学习的训练模型，可以先通过大量的人脸图像进行特征点的批注，形成样本图像，使训练模型学习获取输入的人脸图像的特征点，再通过预设的算法计算出输入图像的人脸特征向量。可选地，预设的人脸识别模型采用的算法可以是尺度不变特征变换(sift)特征提取算法、加速稳健特征(surf)特征提取算法、orb((orientedfastandrotatedbrief)特征提取算法、hog(histogramoforientedgridients)特征提取算法、局部二值模式(lbp，localbinarypatterns)特征提取算法、harr特征提取算法、小波特征提取算法或者边缘模板提取算法，也可以是其他的特征提取算法。

具体地，服务端将第二人脸图像输入至预设的人脸识别模型中，识别出人脸特征点并根据预设的算法获取第二人脸图像的特征向量，作为第二人脸特征。

s23’：将第二人脸特征与预设的人脸数据库的m个基准特征进行相似度计算，得到第二人脸特征的m个特征相似度，m为正整数。

其中，预设的人脸数据库可以由内部数据进行构建，例如在用户注册时获取用户的人脸图像作为基准图像，将基准图像输入至预设的人脸识别模型中得到基准特征。其中，基准特征的个数为m个。可选地，预设的人脸数据库的人脸图像也可以从其它存储有人脸图像的平台中获取，例如全国公民信息系统。

可选地，预设的人脸数据库设置于服务端中，在预设的人脸数据库中的基准特征对应有用户信息，例如用户账号、手机号或身份证号等信息。

具体地，服务端将第二人脸特征与预设的人脸数据库中的m个基准特征进行相似度计算，从而得到第二人脸特征与m个基准特征的m个特征相似度。可选地，进行特征相似度的计算可以采用欧几里得距离算法、曼哈顿距离算法、明可夫斯基距离算法或者余弦相似度算法等特征相似度计算算法。

s24’：若m个特征相似度中数值最高的特征相似度超过预设值，则获取数值最高的特征相似度对应的基准特征，根据基准特征获取对应的用户信息。

其中，预设值可以根据实际情况进行设定，例如根据大数据统计的结果可知，当特征相似度超过85％时可以判定当前用户与基准特征对应的用户为同一人，则可以将预设值设为85％。

具体地，服务端将m个特征相似度与预设值进行比较，若m个特征相似度中数值最高的特征相似度超过预设值，则获取数值最高的特征相似度的基准特征对应的基准特征，再根据对应的基准特征从预设的人脸数据库中获取对应的用户信息。

s25’：根据用户信息获取用户标识。

具体地，服务端根据获取的用户信息选择预设的信息作为用户标识。例如，选择用户账号、用户手机号或用户身份证号等用户信息作为用户标识。可选地，当预设的人脸数据库中的用户信息只有一种信息时，例如只有用户账号时，服务端可以根据用户账号从服务端的其它数据库中获取其它的信息作为用户标识，例如根据用户账号从服务端的其它数据库中获取用户手机号作为用户标识。

在图7对应的实施例中，通过获取第二人脸图像，然后将第二人脸图像输入至预设的人脸识别模型中，获取第二人脸特征；再将第二人脸特征与预设的人脸数据库的m个基准特征进行相似度计算，得到第二人脸特征的m个特征相似度；若m个特征相似度中数值最高的特征相似度超过预设值，则获取数值最高的特征相似度对应的基准特征，根据对应的基准特征获取对应的用户信息，最后根据用户信息获取用户标识。通过用户人脸图像来获取用户信息，再根据用户信息获取用户标识，可以省去输入相关信息查找用户标识的过程，方便了用户操作。进一步地，根据用户标识可以获取用户资料，从而为第一风险评分提供相关的数据依据，进一步提高贷款风险识别的精度。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种智能识别的风险管理装置，该智能识别的风险管理装置与上述实施例中智能识别的风险管理方法一一对应。如图8所示，该智能识别的风险管理装置包括预设问题获取模块10、用户资料获取模块20、标准信息获取模块30、音频数据获取模块40、测试信息获取模块50、第一风险评分模块60和第一识别结果获取模块70。各功能模块详细说明如下：

预设问题获取模块10，用于获取预设问题，其中，预设问题为n个，n为正整数；

用户资料获取模块20，用于获取用户标识，并根据用户标识获取用户资料；

标准信息获取模块30，用于基于n个预设问题和用户资料获取n个问题标准信息；

音频数据获取模块40，用于基于n个预设问题获取n个用户音频数据；

测试信息获取模块50，用于将n个用户音频数据输入至预设自然语言处理模型中，获取n个问题测试信息；

第一风险评分获取模块60，用于判断每一问题测试信息与对应的问题标准信息是否一致，根据n个问题测试信息的判断结果获取第一风险评分；

第一识别结果获取模块70，用于根据第一风险评分输出第一风险识别结果。

进一步地，如图9所示，用户资料获取模块20包括用户数据获取单元21和用户资料获取单元22。

用户数据获取单元21，用于基于用户标识从大数据系统获取用户数据；

用户资料获取单元22，用于基于预设问题的预设字段从用户数据中获取用户资料。

进一步地，第一风险评分获取模块60具体用于：

若问题测试信息与对应的问题标准信息不一致，则输出第一负面评分；

若问题测试信息与对应的问题标准信息一致，则输出第一正面评分；

根据n个问题测试信息的判断结果获取第一负面评分与第一正面评分的第一总和，将第一总和作为第一风险评分。

进一步地，本实施例提供的智能识别的风险管理装置还包括第二识别结果获取模块，其中，第二识别结果获取模块具体用于：

基于n个预设问题获取n个第一人脸图像；

将n个第一人脸图像输入至预设微表情识别模型中，获取n个回答微表情；

若回答微表情属于预设负面回答微表情，则输出第二负面评分；

若回答微表情属于预设正面回答微表情，则输出第二正面评分；

根据n个回答微表情的匹配结果获取第二负面评分与第二正面评分的第二总和，将第二总和作为第二风险评分；

根据第二风险评分输出第二风险识别结果。

进一步地，本实施例提供的智能识别的风险管理装置还包括第三识别结果获取模块，其中，第三识别结果获取模块具体用于：

采用以下公式获取第三风险评分：

c＝αa+βb，

其中，c为风险识别结果，a为第一风险评分，b为第二风险评分，α和β分别为第一风险评分和第二风险评分的权重；

根据第三风险评分获取第三风险识别结果。

进一步地，用户资料获取模块20具体还用于：

获取第二人脸图像；

将第二人脸图像输入至预设的人脸识别模型中，获取第二人脸特征；

将第二人脸特征与预设的人脸数据库的m个基准特征进行相似度计算，得到第二人脸特征的m个特征相似度，m为正整数；

若m个特征相似度中数值最高的特征相似度超过预设值，则获取数值最高的特征相似度对应的基准特征，根据基准特征获取对应的用户信息；

根据用户信息获取用户标识。

关于智能识别的风险管理装置的具体限定可以参见上文中对于智能识别的风险管理方法的限定，在此不再赘述。上述智能识别的风险管理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设问题、用户资料、用户音频数据、预设自然语言处理模型和预设的人脸识别模型等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种智能识别的风险管理方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

获取预设问题，其中，预设问题为n个，n为正整数；

获取用户标识，并根据用户标识获取用户资料；

基于n个预设问题和用户资料获取n个问题标准信息；

基于n个预设问题获取n个用户音频数据；

将n个用户音频数据输入至预设自然语言处理模型中，获取n个问题测试信息；

判断每一问题测试信息与对应的问题标准信息是否一致，根据n个问题测试信息的判断结果获取第一风险评分；

根据第一风险评分输出第一风险识别结果。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取预设问题，其中，预设问题为n个，n为正整数；

获取用户标识，并根据用户标识获取用户资料；

基于n个预设问题和用户资料获取n个问题标准信息；

基于n个预设问题获取n个用户音频数据；

将n个用户音频数据输入至预设自然语言处理模型中，获取n个问题测试信息；

判断每一问题测试信息与对应的问题标准信息是否一致，根据n个问题测试信息的判断结果获取第一风险评分；

根据第一风险评分输出第一风险识别结果。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。