[0001] 本申请涉及数据处理技术领域，具体而言，涉及一种基于人工智能的消费者保护方法、装置及存储介质。

[0002] 客户投诉管理不仅是监管部门核心关注点，更是银行提升竞争力重要突破口。但当前，相关技术中的投诉管理平台面临着诸多挑战，客户服务、流程设计、内部管理等方面存在不足。例如，相关技术中的投诉管理仍停留于人工判断和处理的模式，存在对于客户投诉的预警准确性低、投诉处理效果差等问题，无法满足消费者需求，有效保护消费者的权益。

[0003] 针对上述的问题，目前尚未提出有效的解决方案。

[0021] 为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

[0022] 需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0023] 相关技术中的投诉管理平台数据处理及分析能力欠缺，投诉类管理平台的核心价值之一在于通过数据分析来洞察服务问题和改进方向，如果平台的数据处理能力不足，如缺乏实时数据分析能力、难以支持大规模数据处理或数据可视化效果不佳，将限制其决策支持作用。另外，相关技术中的投诉管理平台缺乏智能化支持，仍停留在传统的人工处理模式上，缺乏自然语言处理、智能推荐、决策分析、智能告警等智能化技术的支持，难以满足业务投诉的自动分类、快速响应和精准决策。

[0024] 为了解决上述问题，本申请实施例中提供了相关的解决方案，以下详细说明。

[0025] 根据本申请实施例，提供了一种基于人工智能的消费者保护的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

[0026] 本申请实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现基于人工智能的消费者保护方法的计算机终端（或电子设备）的硬件结构框图。如图1所示，计算机终端10（或电子设备）可以包括一个或多个（图中采用102a、102b，……，102n来示出）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入/输出接口（I/O接口）、通用串行总线（USB）端口（可以作为BUS总线的端口中的一个端口被包括）、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

[0027] 应当注意到的是上述一个或多个处理器102和/或其他基于人工智能的消费者保护电路在本文中通常可以被称为“基于人工智能的消费者保护电路”。该基于人工智能的消费者保护电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，基于人工智能的消费者保护电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10（或电子设备）中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该基于人工智能的消费者保护电路作为一种处理器控制（例如与接口连接的可变电阻终端路径的选择）。

[0028] 存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的基于人工智能的消费者保护方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及基于人工智能的消费者保护，即实现上述基于人工智能的消费者保护方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0029] 传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。

[0030] 显示器可以例如触摸屏式的液晶显示器（LCD），该液晶显示器可使得用户能够与计算机终端10（或电子设备）的用户界面进行交互。

[0031] 在上述运行环境下，本申请实施例提供了一种基于人工智能的消费者保护方法，图2是根据本申请实施例提供的一种基于人工智能的消费者保护的方法流程的示意图，如图2所示，该方法包括如下步骤：

[0032] 步骤S202，获取多模态的客户沟通语料数据，其中，客户沟通语料数据包括以下至少之一：在各个服务渠道办理业务过程中的所收集的客户的文本数据、视频数据、音频数据；

[0033] 步骤S204，对客户沟通语料数据进行特征提取，得到目标特征，并依据目标特征，确定客户对应的情感类型及情感类型对应的情感强度；

[0034] 步骤S206，依据客户的个人用户画像和情感类型及情感强度，确定客户对应的投诉概率，其中，个人用户画像至少用于表征客户的历史投诉偏好；

[0035] 步骤S208，在投诉概率超出客户所办理的目标业务对应的概率阈值的情况下，向目标业务对应的负责部门发送投诉预警信息。

[0036] 通过上述步骤，通过多模态融合数据的综合分析，达到了准确理解客户的情感状态和投诉倾向，提前预警潜在的投诉风险，有效提升客户满意度和企业服务质量的目的，进而解决了由于相关技术中的投诉管理仍停留于人工判断和处理模式，造成的对于客户投诉的预警效果差，无法满足消费者需求技术问题。

[0037] 下面对本申请实施例的步骤S202至步骤S208中基于人工智能的消费者保护方法进一步进行介绍。

[0038] 首先，在本申请实施例中，可以通过银行的各个服务渠道（如网上银行、手机银行、电话银行、自助终端、网点柜台等）收集客户的反馈信息，包括客户在办理业务时的咨询、反馈、建议、投诉等文本数据，以及客户在网点办理业务时的视频、音频数据（例如，客户通过电话与客服沟通时的音频数据）等，得到客户沟通语料数据。

[0039] 例如，可以通过数据获取接口，分别与银行的客户服务系统、社交媒体监控系统、电话服务中心系统等进行对接，自动抓取客户的沟通记录，如在线聊天记录、社交媒体评论、通话录音视频等，以便于后续分析。

[0040] 之后，即可对多模态的客户沟通语料数据进行特征提取，具体步骤如下。

[0041] 在本申请的一些实施例中，对客户沟通语料数据进行特征提取包括以下步骤：对客户沟通语料数据中的文本数据进行分词处理，并确定分词后得到的各个词语对应的词性；依据各个词语对应的词性，对文本数据进行句法分析，得到文本数据对应的语义结构信息，其中，语义结构信息用于表征文本数据中各词语之间的上下文关联关系；依据语义结构信息，确定文本数据中的关键词，并将关键词映射至预设的向量空间中，得到文本数据对应的第一特征，其中，关键词为文本数据中用于表征客户情感的词语。

[0042] 在本申请的一些实施例中，对客户沟通语料数据进行特征提取，得到目标特征还包括以下步骤：确定视频数据的关键帧，并确定关键帧中的人脸区域和肢体区域；确定人脸区域中的面部关键点，以及确定肢体区域中的肢体关键点；依据相邻关键帧中面部关键点的位置变化信息，确定客户的面部表情特征，并依据相邻关键帧中肢体关键点的位置变化信息，确定客户的肢体语言特征；依据面部表情特征和肢体语言特征，确定视频数据对应的第二特征；和/或，提取客户沟通语料数据的音频数据中用于表征客户情感的第三特征，其中，第三特征包括：声学特征和韵律特征，声学特征包括以下至少之一：基频特征、能量特征、梅尔频率倒谱系数，韵律特征包括以下至少之一：语速特征、停顿特征；依据第一特征、第二特征和第三特征，确定目标特征。

[0043] 具体地，对于客户沟通语料数据中的文本数据，可以先对文本数据进行清洗，去除无关字符、噪音信息等，确保数据的准确性和一致性。并对文本进行分词、去除停用词等处理，为后续分析做准备。之后，利用自然语言处理技术，结合情感词典，识别出文本中的情感词汇和强度副词等关键词，并利用预训练的词嵌入模型（如Word2Vec、BERT等）将文本数据转换为词向量表示，提取文本中用于表征客户情感的关键词的语义特征，得到文本数据对应的第一特征。

[0044] 举例说明，系统将使用分词工具将文本分割成词汇单元，再通过词性标注确定每个词汇的语法角色，如主语、谓语、宾语等。接着，运用句法分析技术解析句子结构，理解词汇之间的逻辑关系。通过情感词汇的映射，将关键词转换成向量表示，便于后续的机器学习模型处理。例如，系统识别“服务态度恶劣”为负面情感关键词，将其转换为向量，用于后续情感分析。

[0045] 对于客户沟通语料数据中的视频数据，将分析视频中的面部表情和肢体语言，具体地，首先从视频文件中提取关键帧图像，可以按照固定的时间间隔（如每秒提取一帧）或通过运动检测算法提取运动变化较大的帧。对提取的视频帧图像进行裁剪、缩放、归一化等处理，以便后续特征提取。之后，可以对经过预处理后的视频关键帧进行面部表情特征提取，使用人脸检测算法（如Haar特征分类器等）在视频帧图像中定位人脸区域。使用深度学习模型在人脸区域中检测面部关键点（如眉毛、眼睛、鼻子、嘴角等），并根据面部关键点的位置变化，提取面部表情特征，如眉毛的运动幅度、眼睛的睁闭程度、嘴角的上扬或下拉等，得到面部表情特征；以及，还可以使用姿态估计算法（如OpenPose、AlphaPose等）检测视频中人物的肢体关键点，如肩膀、肘部、手腕、膝盖等，根据肢体关键点的运动轨迹和相对位置变化，提取肢体动作特征，如手臂的挥动幅度、腿部的摆动频率等，得到肢体语言特征，从而依据客户的面部表情特征和肢体语言特征，得到视频数据对应的第二特征。

[0046] 举例说明，系统将确定视频的关键帧，并分析其中的人脸和肢体动作。通过面部表情识别和肢体语言分析，系统可以捕捉到客户的情绪变化和非言语信号。例如，系统识别到客户在视频中皱眉、摇头等动作，可判断客户可能对服务不满意。

[0047] 另外，作为一种可选的实施方式，在对视频数据进行分析时，还可以进行场景特征的提取，例如，分析视频中的背景环境，提取场景特征，如银行网点的布局、客户与工作人员的相对位置等；或者使用物体检测算法检测视频中的相关物体，如柜台、ATM机、座椅等。根据客户与工作人员或场景中设施之间的相对位置变化来辅助对客户情绪的判断。

[0048] 对于客户沟通语料数据中的音频数据，可以通过识别语速、音调和情感词汇等特征来进行分析，具体地，首先可以对采集的音频信号进行降噪处理，去除背景噪声，提高语音信号的清晰度，并将连续的语音信号分割成多个短时语音片段，以便于后续特征提取。然后，可以对经过预处理后的音频数据进行声学特征提取，包括：使用自相关法、倒谱法等方法，提取语音信号的基频（音调）特征（不同情感状态下的基频会有明显差异，如愤怒时基频通常较高，悲伤时则较低）；计算语音信号的短时能量特征，反映语音信号的强度（表示声音的响度或强度，通常与说话人的激动程度相关。高能量可能表示兴奋或愤怒，而低能量可能表示悲伤或平静）；提取梅尔频率倒谱系数特征，捕捉语音信号的频谱信息等；另外，还可以对经过预处理后的音频数据进行韵律特征提取，包括：计算语音信号的语速，即单位时间内语音的长度，可以反映说话人的紧张程度或情绪状态。例如，愤怒或兴奋时语速通常较快，而悲伤或沉思时语速较慢；检测语音信号中的停顿点，提取停顿的时长和频率（能够体现说话人的思考过程和情感变化。频繁的停顿可能表示犹豫或不确定，而长时间的停顿可能表示沉默或情绪压抑）等，最终得到音频数据对应的第三特征。

[0049] 举例说明，系统将提取音频中的声学特征和韵律特征，如基频、能量、语速和停顿等，这些特征能反映客户的情绪状态。例如，从通话录音中识别高基频、快语速和频繁停顿，可能表示客户处于紧张或愤怒状态。

[0050] 之后，依据第一特征、第二特征和第三特征，即可确定出最终的目标特征，例如，可以将文本、视频和音频特征向量进行拼接，形成一个综合特征向量；或者为不同模态的特征分配不同的权重，然后进行加权求和，得到融合特征。权重可以根据各模态特征对情感分析任务的重要性进行调整。

[0051] 在得到客户沟通语料数据对应的目标特征之后，即可依据目标特征，确定客户对应的情感类型及情感类型对应的情感强度，具体步骤如下。

[0052] 在本申请的一些实施例中，依据目标特征，确定客户对应的情感类型及情感强度包括以下步骤：采用情感分类模型，依据目标特征，确定情感类型及情感强度，其中，情感分类模型是依据训练数据集训练得到的，训练数据集中包含多条训练样本，每条训练样本中包括：历史客户沟通语料数据、以及与历史客户沟通语料数据对应的用于表征情感类型及情感强度的情感标签，情感类型包括以下至少之一：愤怒、悲伤、喜悦、中立，情感强度包括：轻微、中度、强烈；

[0053] 具体地，可以构建多模态情感分类模型，利用融合后的目标特征，对客户的情感类型进行分类并对客户的情感程度进行量化分析。在本实施例中，可以采用深度学习模型（如Transformer等）进行训练。模型能够识别出客户的情感类型，如愤怒、悲伤、喜悦、中立等，并将情感强度分为不同的等级，如轻微、中等、强烈等。通过深度学习方法，系统可以自动学习不同情感类型下的特征表现，提高分类的准确性。

[0054] 之后，依据客户的个人用户画像和情感类型及情感强度，确定客户对应的投诉概率，具体步骤如下。

[0055] 在本申请的一些实施例中，依据客户的个人用户画像和情感类型及情感强度，确定客户对应的投诉概率包括以下步骤：获取客户的相关信息，其中，相关信息包括：个人基本信息、历史业务办理记录、历史投诉记录；依据相关信息，确定客户对应的个人用户画像；采用投诉概率预测模型，依据个人用户画像和情感类型及情感强度，确定投诉概率，其中，投诉概率用于表征客户在情感类型及情感强度下发起投诉的概率。

[0056] 具体地，可以收集客户的基本信息（如年龄、性别、职业等）、历史交易记录、历史投诉记录、服务偏好等数据，构建客户的个人用户画像。具体如下：将客户的年龄、性别、职业等基本信息进行编码，如使用独热编码或标签编码；提取客户的历史交易记录中的关键特征，如交易频率、交易金额、交易类型等；从历史投诉记录中提取投诉频率、投诉类型、投诉处理满意度等特征；分析客户的服务偏好，如偏好的服务渠道、服务时间等。

[0057] 然后，可以结合客户的个人用户画像、情感类型和情感强度，以及客户的业务类型、历史投诉记录等信息，构建一个投诉概率预测模型。可以采用机器学习算法（如随机森林、支持向量机等）或深度学习模型（如神经网络）进行训练，使模型能够根据客户的情感状态和业务情况，预测客户投诉的概率。例如，如果客户在最近的交易中表现出中度不满，并且历史记录中存在类似投诉，模型将预测其投诉概率较高。

[0058] 在预测出的客户投诉概率超出对应的概率阈值的情况下，触发向目标业务对应的负责部门发送投诉阈值信息，具体步骤如下。

[0059] 在本申请的一些实施例中，在投诉概率超出客户所办理的目标业务对应的概率阈值的情况下，向目标业务对应的负责部门发送投诉预警信息包括以下步骤：获取预设历史时间周期长度内目标业务的投诉记录数据，其中，投诉记录数据中包括以下至少之一：投诉数量、投诉类型、投诉处理结果；依据投诉记录数据，确定目标业务对应的投诉趋势曲线和投诉处理满意度，其中，投诉趋势曲线至少用于表征目标业务所接收到的投诉的数量随时间变化的趋势；依据投诉趋势曲线和投诉处理满意度，对目标业务对应的概率阈值进行更新，并判断在目标时间段内是否存在与目标业务相关的政策更新，其中，目标时间段为从第一时刻到第二时刻之间的时间段，第二时刻为最新一次对目标业务对应的概率阈值进行更新的时刻，第一时刻为上一次对目标业务对应的概率阈值进行更新的时刻；在目标时间段内存在与目标业务相关的政策更新的情况下，依据最新更新的政策，确定目标业务对应的政策影响系数，并依据政策影响系数，对目标业务对应的概率阈值进行调整；在投诉概率超出目标业务对应的调整后的概率阈值的情况下，生成投诉预警信息，并将投诉预警信息发送至目标业务对应的负责部门。

[0060] 具体地，在本实施例中，可以根据目标业务不同业务类型的特点和历史投诉数据，设定相应的投诉概率阈值，例如，对于高风险业务（如贷款审批、大额转账等），可以设定较低的投诉概率阈值，以便及时预警。同时基于历史数据，分析投诉趋势，为投诉预警提供数据支持，具体地，可以收集一段历史时间内每个目标业务的投诉记录数据，包括投诉数量、投诉类型、投诉处理结果等信息。对数据进行统计分析，计算每个业务的投诉频率、投诉处理满意度等指标，并通过建立投诉趋势监测模型，分析投诉数据的时间序列特征，识别投诉数量的上升或下降趋势。例如，可以使用时间序列分析方法对投诉数量进行建模和预测，根据投诉趋势监测结果和投诉处理满意度，动态调整每个目标业务的投诉概率阈值。当某个业务的投诉数量呈上升趋势或投诉处理满意度较低时，可以提高该业务的投诉概率阈值，以便对投诉风险进行更严格的监控。

[0061] 另外，如果在特定时间段内有政策更新，系统将考虑政策影响系数，调整概率阈值，适应业务环境的变化，以更准确地评估投诉风险。具体地，可以实时跟踪和收集最新的金融政策发布信息。利用自然语言处理技术对政策文本进行解析，提取与银行业务相关的关键词、政策变化点等信息。分析金融政策对不同银行业务的影响程度，构建业务影响评估模型。模型可以根据政策变化点、业务类型、历史业务数据等因素，评估政策对每个目标业务的潜在风险和投诉概率的影响。根据业务影响评估结果，动态调整每个目标业务对应的投诉概率阈值。例如，当某项金融政策对贷款业务的监管要求提高时，贷款业务的投诉概率阈值可以适当降低，以便更早地预警潜在的投诉风险。

[0062] 举例说明，如图3所示，可以过爬取相关监管网站内容进行分析、实时计算，利用大数据分析预测潜在投诉热点和趋势，发现可能导致投诉密集的突发事件（例如政策调整），以便让相关工作人员，为事件的化解作相关的工作准备，例如，相关的房贷政策调整，可能导致存量房贷用户，有较大的投诉爆发期。

[0063] 另一方面，对于已发生的投诉，系统将自动识别投诉内容，确定投诉的相关业务，回溯历史业务办理信息，进行归因分析，具体步骤如下。

[0064] 在本申请的一些实施例中，方法还包括以下步骤：在接收到客户投诉信息的情况下，确定客户投诉信息对应的目标业务，并对被投诉的目标业务进行回溯，得到与被投诉的目标业务对应的历史业务办理信息，其中，客户投诉信息中包括以下至少之一：投诉内容、投诉事件、投诉对象，历史业务办理信息中包括：业务办理的时间、地点、经办人、业务流程、客户信息；确定客户投诉信息对应的投诉文本特征、以及历史业务办理信息对应的业务办理特征，其中，投诉文本特征至少用于表征客户的投诉关键词及情感倾向，业务办理特征至少用于表征业务流程中各个环节的处理时间和结果、以及经办人员的服务态度；依据投诉文本特征、业务办理特征、以及客户的个人用户画像进行归因分析，得到客户投诉信息对应的分析结果，其中，分析结果用于表征客户投诉信息对应的投诉产生原因；依据分析结果，确定投诉处理流程，并生成与客户投诉信息对应的投诉处理工单，将投诉处理工单发送至投诉处理流程中的初始节点对应的负责人。

[0065] 例如，如果客户投诉信用卡账单问题，系统将自动检索与该信用卡相关的所有业务流程记录，分析问题根源，如业务流程中的错误或服务人员的态度问题。依据分析结果，系统将自动启动投诉处理流程，生成工单，指派给相应的处理人员，并跟踪处理进度。

[0066] 另外，还可以通过统计不同类型的投诉产生原因，生成饼状图、柱状图和热力图等可视化图表，以便管理层直观地了解投诉分布，具体如下。

[0067] 在本申请的一些实施例中，方法还包括：依据分析结果，对各类目标业务的各类投诉产生原因进行统计，并基于统计结果，生成可视化图表进行展示，其中，投诉产生原因包括以下至少之一：产品问题、服务态度问题、业务流程问题，可视化图表包括以下至少之一：用于表征各类投诉产生原因在总投诉量中的占比的饼状图、用于表征不同类型的投诉产生原因的数量的柱状图、用于表征不同投诉产生原因在不同时间段或不同地域的分布情况的热力图；和/或，确定投诉处理流程中各个流程节点对应的时间戳，其中，时间戳用于表征在投诉处理流程中，执行流程节点的时刻及客户投诉信息在流程节点的处理时长；依据时间戳，确定在选中时段内各个流程节点所处理的客户投诉信息，得到选中时段对应的流程热力图，其中，在流程热力图中每个流程节点的位置通过不同的热力值来表征流程节点所处理的客户投诉信息的数量多少和/或客户投诉信息在流程节点的处理时间长短。

[0068] 例如，饼状图可以显示服务态度问题、业务流程问题和产品问题在总投诉量中的占比；柱状图可以展示不同类型的投诉数量；热力图可以揭示投诉在不同时间和地区的分布情况。此外，系统还将记录和分析投诉处理流程中的时间戳，生成流程热力图，以评估每个节点的处理效率和投诉量，帮助优化流程，提高处理速度和客户满意度。

[0069] 本申请方案通过多模态数据的综合分析，能够更准确地理解客户的情感状态和投诉倾向，从而提前预警潜在的投诉风险，有效提升客户满意度和企业服务质量。能够及时调整业务流程和政策，预防投诉发生，同时在投诉发生后，能够快速定位问题，提升投诉处理效率，不断完善客户投诉的预防、拦截和处理机制，从事前预警、事中响应到事后改进，确保对投诉事件的全流程精准把控 ，提升消费者保护工作的专业性和效率。同时利用大数据分析技术，对投诉数据进行深度挖掘和分析，识别潜在问题和趋势。通过数据驱动的方式，帮助企业构建更高效、更人性化的投诉管理体系，降低运营成本，增强客户信任和忠诚度。

[0070] 根据本申请实施例，还提供了一种基于人工智能的消费者保护装置的实施例。图4是根据本申请实施例提供的一种基于人工智能的消费者保护装置的结构示意图。如图4所示，该装置包括：

[0071] 数据获取模块40，用于获取多模态的客户沟通语料数据，其中，客户沟通语料数据包括以下至少之一：在各个服务渠道办理业务过程中的所收集的客户的文本数据、视频数据、音频数据；

[0072] 特征提取模块42，用于对客户沟通语料数据进行特征提取，得到目标特征，并依据目标特征，确定客户对应的情感类型及情感类型对应的情感强度；

[0073] 概率预测模块44，用于依据客户的个人用户画像和情感类型及情感强度，确定客户对应的投诉概率，其中，个人用户画像至少用于表征客户的历史投诉偏好；

[0074] 投诉预警模块46，用于在投诉概率超出客户所办理的目标业务对应的概率阈值的情况下，向目标业务对应的负责部门发送投诉预警信息。

[0075] 可选地，对客户沟通语料数据进行特征提取包括：对客户沟通语料数据中的文本数据进行分词处理，并确定分词后得到的各个词语对应的词性；依据各个词语对应的词性，对文本数据进行句法分析，得到文本数据对应的语义结构信息，其中，语义结构信息用于表征文本数据中各词语之间的上下文关联关系；依据语义结构信息，确定文本数据中的关键词，并将关键词映射至预设的向量空间中，得到文本数据对应的第一特征，其中，关键词为文本数据中用于表征客户情感的词语。

[0076] 可选地，对客户沟通语料数据进行特征提取，得到目标特征还包括：确定视频数据的关键帧，并确定关键帧中的人脸区域和肢体区域；确定人脸区域中的面部关键点，以及确定肢体区域中的肢体关键点；依据相邻关键帧中面部关键点的位置变化信息，确定客户的面部表情特征，并依据相邻关键帧中肢体关键点的位置变化信息，确定客户的肢体语言特征；依据面部表情特征和肢体语言特征，确定视频数据对应的第二特征；和/或，提取客户沟通语料数据的音频数据中用于表征客户情感的第三特征，其中，第三特征包括：声学特征和韵律特征，声学特征包括以下至少之一：基频特征、能量特征、梅尔频率倒谱系数，韵律特征包括以下至少之一：语速特征、停顿特征；依据第一特征、第二特征和第三特征，确定目标特征。

[0077] 可选地，依据目标特征，确定客户对应的情感类型及情感强度包括：采用情感分类模型，依据目标特征，确定情感类型及情感强度，其中，情感分类模型是依据训练数据集训练得到的，训练数据集中包含多条训练样本，每条训练样本中包括：历史客户沟通语料数据、以及与历史客户沟通语料数据对应的用于表征情感类型及情感强度的情感标签，情感类型包括以下至少之一：愤怒、悲伤、喜悦、中立，情感强度包括：轻微、中度、强烈；依据客户的个人用户画像和情感类型及情感强度，确定客户对应的投诉概率包括：获取客户的相关信息，其中，相关信息包括：个人基本信息、历史业务办理记录、历史投诉记录；依据相关信息，确定客户对应的个人用户画像；采用投诉概率预测模型，依据个人用户画像和情感类型及情感强度，确定投诉概率，其中，投诉概率用于表征客户在情感类型及情感强度下发起投诉的概率。

[0078] 可选地，在投诉概率超出客户所办理的目标业务对应的概率阈值的情况下，向目标业务对应的负责部门发送投诉预警信息包括：获取预设历史时间周期长度内目标业务的投诉记录数据，其中，投诉记录数据中包括以下至少之一：投诉数量、投诉类型、投诉处理结果；依据投诉记录数据，确定目标业务对应的投诉趋势曲线和投诉处理满意度，其中，投诉趋势曲线至少用于表征目标业务所接收到的投诉的数量随时间变化的趋势；依据投诉趋势曲线和投诉处理满意度，对目标业务对应的概率阈值进行更新，并判断在目标时间段内是否存在与目标业务相关的政策更新，其中，目标时间段为从第一时刻到第二时刻之间的时间段，第二时刻为最新一次对目标业务对应的概率阈值进行更新的时刻，第一时刻为上一次对目标业务对应的概率阈值进行更新的时刻；在目标时间段内存在与目标业务相关的政策更新的情况下，依据最新更新的政策，确定目标业务对应的政策影响系数，并依据政策影响系数，对目标业务对应的概率阈值进行调整；在投诉概率超出目标业务对应的调整后的概率阈值的情况下，生成投诉预警信息，并将投诉预警信息发送至目标业务对应的负责部门。

[0079] 可选地，基于人工智能的消费者保护装置还用于：在接收到客户投诉信息的情况下，确定客户投诉信息对应的目标业务，并对被投诉的目标业务进行回溯，得到与被投诉的目标业务对应的历史业务办理信息，其中，客户投诉信息中包括以下至少之一：投诉内容、投诉事件、投诉对象，历史业务办理信息中包括：业务办理的时间、地点、经办人、业务流程、客户信息；确定客户投诉信息对应的投诉文本特征、以及历史业务办理信息对应的业务办理特征，其中，投诉文本特征至少用于表征客户的投诉关键词及情感倾向，业务办理特征至少用于表征业务流程中各个环节的处理时间和结果、以及经办人员的服务态度；依据投诉文本特征、业务办理特征、以及客户的个人用户画像进行归因分析，得到客户投诉信息对应的分析结果，其中，分析结果用于表征客户投诉信息对应的投诉产生原因；依据分析结果，确定投诉处理流程，并生成与客户投诉信息对应的投诉处理工单，将投诉处理工单发送至投诉处理流程中的初始节点对应的负责人。

[0080] 可选地，基于人工智能的消费者保护装置还用于：依据分析结果，对各类目标业务的各类投诉产生原因进行统计，并基于统计结果，生成可视化图表进行展示，其中，投诉产生原因包括以下至少之一：产品问题、服务态度问题、业务流程问题，可视化图表包括以下至少之一：用于表征各类投诉产生原因在总投诉量中的占比的饼状图、用于表征不同类型的投诉产生原因的数量的柱状图、用于表征不同投诉产生原因在不同时间段或不同地域的分布情况的热力图；和/或，确定投诉处理流程中各个流程节点对应的时间戳，其中，时间戳用于表征在投诉处理流程中，执行流程节点的时刻及客户投诉信息在流程节点的处理时长；依据时间戳，确定在选中时段内各个流程节点所处理的客户投诉信息，得到选中时段对应的流程热力图，其中，在流程热力图中每个流程节点的位置通过不同的热力值来表征流程节点所处理的客户投诉信息的数量多少和/或客户投诉信息在流程节点的处理时间长短。

[0081] 需要说明的是，上述基于人工智能的消费者保护装置中的各个模块可以是程序模块（例如是实现某种特定功能的程序指令集合），也可以是硬件模块，对于后者，其可以表现为以下形式，但不限于此：上述各个模块的表现形式均为一个处理器，或者，上述各个模块的功能通过一个处理器实现。

[0082] 需要说明的是，本实施例中所提供的基于人工智能的消费者保护装置可用于执行图2所示的基于人工智能的消费者保护方法，因此，对上述基于人工智能的消费者保护方法的相关解释说明也适用于本申请实施例中，在此不再赘述。

[0083] 本申请实施例还提供了一种非易失性存储介质，非易失性存储介质包括存储的计算机程序，其中，非易失性存储介质所在设备通过运行计算机程序执行以下基于人工智能的消费者保护方法：获取多模态的客户沟通语料数据，其中，客户沟通语料数据包括以下至少之一：在各个服务渠道办理业务过程中的所收集的客户的文本数据、视频数据、音频数据；对客户沟通语料数据进行特征提取，得到目标特征，并依据目标特征，确定客户对应的情感类型及情感类型对应的情感强度；依据客户的个人用户画像和情感类型及情感强度，确定客户对应的投诉概率，其中，个人用户画像至少用于表征客户的历史投诉偏好；在投诉概率超出客户所办理的目标业务对应的概率阈值的情况下，向目标业务对应的负责部门发送投诉预警信息。

[0084] 本申请实施例还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现本申请各个实施例中所述的基于人工智能的消费者保护方法的步骤：获取多模态的客户沟通语料数据，其中，客户沟通语料数据包括以下至少之一：在各个服务渠道办理业务过程中的所收集的客户的文本数据、视频数据、音频数据；对客户沟通语料数据进行特征提取，得到目标特征，并依据目标特征，确定客户对应的情感类型及情感类型对应的情感强度；依据客户的个人用户画像和情感类型及情感强度，确定客户对应的投诉概率，其中，个人用户画像至少用于表征客户的历史投诉偏好；在投诉概率超出客户所办理的目标业务对应的概率阈值的情况下，向目标业务对应的负责部门发送投诉预警信息。

[0085] 上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

[0086] 在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

[0087] 在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

[0088] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0089] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

[0090] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read‑Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

[0091] 以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。