本發(fā)明涉及人工智能，尤其涉及一種基于大模型的輔助調(diào)解方法、系統(tǒng)及存儲介質(zhì)。

背景技術：

1、在公安和司法系統(tǒng)中，調(diào)解是一種解決轄區(qū)民眾矛盾糾紛、將風險消弭于細微處的有效手段，為提高司法資源的使用率，調(diào)解效率的問題越來越受人們所重視。

2、現(xiàn)有的調(diào)解過程中，一般是基于調(diào)解員人工的方式進行調(diào)解，導致調(diào)解員手嚴重不足，調(diào)解員素質(zhì)得不到保障，降低了調(diào)解效率。

技術實現(xiàn)思路

1、本發(fā)明實施例的目的在于提供一種基于大模型的輔助調(diào)解方法、系統(tǒng)及存儲介質(zhì)，以解決現(xiàn)有技術中調(diào)解效率低下的問題。

2、本發(fā)明實施例是這樣實現(xiàn)的，一種基于大模型的輔助調(diào)解方法，所述方法包括：

3、獲取糾紛交流語音，并對所述糾紛交流語音進行說話人分析，得到說話人分析結(jié)果；

4、根據(jù)所述說話人分析結(jié)果對所述糾紛交流語音進行說話人分割，得到說話人語音，并對所述說話人語音進行語音識別，得到糾紛說話人文本；

5、將所述糾紛說話人文本輸入預訓練后的大模型進行調(diào)解分析，得到調(diào)解建議和風險等級，并根據(jù)所述調(diào)解建議向調(diào)解員發(fā)送調(diào)解提示；

6、若所述風險等級大于等級閾值，則向所述調(diào)解員進行糾紛風控報警。

7、優(yōu)選的，將所述糾紛說話人文本輸入預訓練后的大模型進行調(diào)解分析之前，還包括：

8、獲取糾紛說話人樣本，并將所述糾紛說話人樣本輸入所述大模型進行分詞，得到樣本分詞；

9、對所述樣本分詞進行特征提取，得到上下文樣本特征，并對所述上下文樣本特征進行特征解碼，得到解碼樣本特征；

10、根據(jù)所述解碼樣本特征進行調(diào)解預測，得到樣本預測建議和樣本預測等級，并根據(jù)所述樣本預測建議和所述樣本預測等級確定模型損失；

11、根據(jù)所述模型損失對所述大模型進行參數(shù)更新，直至所述大模型收斂，得到預訓練后的所述大模型。

12、優(yōu)選的，對所述樣本分詞進行特征提取，得到上下文樣本特征，包括：

13、對所述樣本分詞進行詞嵌入處理，得到詞向量，并對所述詞向量進行自注意力機制計算，得到自注意力向量；

14、對所述自注意力向量進行多頭注意力機制計算，得到多頭注意力向量，并對所述多頭注意力向量進行歸一化處理，得到歸一化特征；

15、對所述歸一化特征進行前反饋處理，得到前反饋特征，并對所述前反饋特征進行殘差處理，得到所述上下文樣本特征。

16、優(yōu)選的，對所述糾紛交流語音進行說話人分析，得到說話人分析結(jié)果，包括：

17、對所述糾紛交流語音進行語音分割，得到交流分割語音，并獲取所述交流分割語音的梅爾頻率倒譜系數(shù)、基音頻率和共振峰頻率；

18、將所述梅爾頻率倒譜系數(shù)、所述基音頻率和所述共振峰頻率進行組合，得到分割語音特征，并對所述分割語音特征進行向量轉(zhuǎn)換，得到分割特征向量；

19、根據(jù)所述分割特征向量對所述交流分割語音進行分類，得到分割語音集合，并獲取所述糾紛交流語音對應糾紛人的人臉圖像；

20、根據(jù)所述人臉圖像確定發(fā)音時刻集合，并根據(jù)所述發(fā)音時刻集合確定所述糾紛人與所述分割語音集合之間的語音對應關系，得到所述說話人分析結(jié)果。

21、優(yōu)選的，根據(jù)所述分割特征向量對所述交流分割語音進行分類，得到分割語音集合，包括：

22、計算相鄰所述分割特征向量之間的相似度，得到第一向量相似度；

23、若所述第一向量相似度大于第一相似度閾值，則將所述分割特征向量對應的所述交流分割語音進行語音合并，得到分割合并語音；

24、計算所述分割合并語音中所述分割特征向量的平均向量，得到分割平均向量，并計算不同所述分割平均向量之間的相似度，得到第二向量相似度；

25、若所述第二向量相似度大于第二相似度閾值，則將所述第二向量相似度對應的不同所述分割合并語音進行集合劃分，得到所述分割語音集合。

26、優(yōu)選的，根據(jù)所述人臉圖像確定發(fā)音時刻集合，包括：

27、對所述人臉圖像進行特征點識別，得到人臉特征點，并根據(jù)所述人臉特征點確定嘴唇圖像；

28、獲取所述嘴唇圖像中上嘴唇與下嘴唇之間的開口距離，并計算相鄰所述嘴唇圖像之間所述開口距離的距離差值；

29、若所述距離差值大于差值閾值，則將所述距離差值對應的相鄰所述嘴唇圖像確定為說話圖像，并獲取所述說話圖像的圖像采集時間，得到發(fā)音采集時刻；

30、將所述發(fā)音采集時刻存儲至預設集合，得到所述發(fā)音時刻集合。

31、優(yōu)選的，根據(jù)所述調(diào)解建議向調(diào)解員發(fā)送調(diào)解提示之后，還包括：

32、獲取針對所述調(diào)解建議的調(diào)解反饋，并根據(jù)所述調(diào)解反饋、所述糾紛說話人文本和所述調(diào)解建議生成參數(shù)微調(diào)樣本；

33、根據(jù)所述參數(shù)微調(diào)樣本對預訓練后的所述大模型進行參數(shù)調(diào)解。

34、本發(fā)明實施例的另一目的在于提供一種基于大模型的輔助調(diào)解系統(tǒng)，所述系統(tǒng)包括：

35、說話人分析模塊，用于獲取糾紛交流語音，并對所述糾紛交流語音進行說話人分析，得到說話人分析結(jié)果；

36、語音識別模塊，用于根據(jù)所述說話人分析結(jié)果對所述糾紛交流語音進行說話人分割，得到說話人語音，并對所述說話人語音進行語音識別，得到糾紛說話人文本；

37、調(diào)解提示模塊，用于將所述糾紛說話人文本輸入預訓練后的大模型進行調(diào)解分析，得到調(diào)解建議和風險等級，根據(jù)所述調(diào)解建議向調(diào)解員發(fā)送調(diào)解提示；若所述風險等級大于等級閾值，則向所述調(diào)解員進行糾紛風控報警。

38、優(yōu)選的，所述調(diào)解提示模塊還用于：

39、獲取糾紛說話人樣本，并將所述糾紛說話人樣本輸入所述大模型進行分詞，得到樣本分詞；

40、對所述樣本分詞進行特征提取，得到上下文樣本特征，并對所述上下文樣本特征進行特征解碼，得到解碼樣本特征；

41、根據(jù)所述解碼樣本特征進行調(diào)解預測，得到樣本預測建議和樣本預測等級，并根據(jù)所述樣本預測建議和所述樣本預測等級確定模型損失；

42、根據(jù)所述模型損失對所述大模型進行參數(shù)更新，直至所述大模型收斂，得到預訓練后的所述大模型。

43、本發(fā)明實施例，通過對糾紛交流語音進行說話人分析，能有效地確定糾紛交流語音中各說話人對應的說話人語音，通過對說話人語音進行語音識別，能有效地將說話人語音轉(zhuǎn)換為糾紛說話人文本，通過將糾紛說話人文本輸入預訓練后的大模型進行調(diào)解分析，以基于大模型的方式自動生成調(diào)解建議，通過調(diào)解建議向調(diào)解員發(fā)送調(diào)解提示，降低了調(diào)解員的決策成本，使得調(diào)解更快地達成效果，提高了調(diào)解效率。

技術特征：

1.一種基于大模型的輔助調(diào)解方法，其特征在于，所述方法包括：

2.如權(quán)利要求1所述的基于大模型的輔助調(diào)解方法，其特征在于，將所述糾紛說話人文本輸入預訓練后的大模型進行調(diào)解分析之前，還包括：

3.如權(quán)利要求2所述的基于大模型的輔助調(diào)解方法，其特征在于，對所述樣本分詞進行特征提取，得到上下文樣本特征，包括：

4.如權(quán)利要求1所述的基于大模型的輔助調(diào)解方法，其特征在于，對所述糾紛交流語音進行說話人分析，得到說話人分析結(jié)果，包括：

5.如權(quán)利要求4所述的基于大模型的輔助調(diào)解方法，其特征在于，根據(jù)所述分割特征向量對所述交流分割語音進行分類，得到分割語音集合，包括：

6.如權(quán)利要求4所述的基于大模型的輔助調(diào)解方法，其特征在于，根據(jù)所述人臉圖像確定發(fā)音時刻集合，包括：

7.如權(quán)利要求1所述的基于大模型的輔助調(diào)解方法，其特征在于，根據(jù)所述調(diào)解建議向調(diào)解員發(fā)送調(diào)解提示之后，還包括：

8.一種基于大模型的輔助調(diào)解系統(tǒng)，其特征在于，所述系統(tǒng)包括：

9.如權(quán)利要求8所述的基于大模型的輔助調(diào)解系統(tǒng)，其特征在于，所述調(diào)解提示模塊還用于：

10.一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至7任一項所述方法的步驟。

技術總結(jié)
本發(fā)明提供了一種基于大模型的輔助調(diào)解方法、系統(tǒng)及存儲介質(zhì)，該方法包括：獲取糾紛交流語音，并對所述糾紛交流語音進行說話人分析，得到說話人分析結(jié)果；根據(jù)所述說話人分析結(jié)果對所述糾紛交流語音進行說話人分割，得到說話人語音，并對所述說話人語音進行語音識別，得到糾紛說話人文本；將所述糾紛說話人文本輸入預訓練后的大模型進行調(diào)解分析，得到調(diào)解建議和風險等級，并根據(jù)所述調(diào)解建議向調(diào)解員發(fā)送調(diào)解提示；若所述風險等級大于等級閾值，則向所述調(diào)解員進行糾紛風控報警。本發(fā)明實施例，基于大模型的方式自動生成調(diào)解建議，通過調(diào)解建議向調(diào)解員發(fā)送調(diào)解提示，降低了調(diào)解員的決策成本，使得調(diào)解更快地達成效果，提高了調(diào)解效率。

技術研發(fā)人員：桂維忠,黃偉,陳吉勝
受保護的技術使用者：四川云知聲智能科技有限公司
技術研發(fā)日：
技術公布日：2025/5/15