一种业务风控的方法、装置、存储介质及电子设备

技术领域

本说明书涉及计算机技术领域，尤其涉及一种业务风控的方法、装置、存储介质及电子设备。

背景技术

随着互联网的快速发展，隐私保护等业务风控越来越受到大众的关注。现实生活中人们常常会面临一些需要进行通话的场景。例如，业务平台方(如客服)可能需要和用户进行语音通话，来进行诸如还款催收或身份验证等业务。

在平台为用户执行业务的过程中，可能会出现这种情况：拨打(或接听)电话的人员并不是用户本人，又或者是一开始办理业务的是某个用户，但是后续业务执行过程进行业务沟通的并不是该用户，这样会产生一定的业务风险。

因此，在语音通话场景下，业务平台如何对业务的执行进行有效风控，则是个亟待解决的问题。

发明内容

本说明书提供一种业务风控的方法、装置、存储介质及电子设备，以解决现有技术存在的在语音通话场景下，业务平台无法对业务的执行进行有效风控的问题。

本说明书采用下述技术方案：

本说明书提供了一种业务风控的方法，所述方法包括：

获取各用户在执行业务时的各语音数据；

将所述各语音数据输入到预设的声纹特征模型中，以通过所述声纹特征模型提取出每个语音数据的声纹特征；

针对每个语音数据，根据该语音数据的声纹特征与各其他语音数据的声纹特征之间的相似度，从各其他语音数据的声纹特征中选取出第一关联声纹特征，并将该语音数据的声纹特征与所述第一关联声纹特征之间的相似度，作为该语音数据对应的第一关联相似度；

将每个语音数据的声纹特征以及每个语音数据对应的第一关联相似度输入到预设的聚类模型中，以通过所述聚类模型对各声纹特征进行聚类，得到各初始聚类簇；

针对每个语音数据，确定该语音数据的声纹特征相匹配的初始聚类簇，作为目标簇，从所述目标簇中确定出第二关联声纹特征，并确定所述第二关联声纹特征与该语音数据的声纹特征之间的相似度，作为该语音数据对应的第二关联相似度，所述第二关联声纹特征与所述目标簇的簇中心之间的距离小于该语音数据的声纹特征与所述簇中心之间的距离；

根据每个语音数据对应的第二关联相似度，调整初始聚类结果，得到最终聚类结果；

根据所述最终聚类结果，判断是否存在归属于同一聚类簇但出自不同用户账户的语音数据，并根据所述判断结果，执行业务风控。

可选地，根据每个语音数据对应的第二关联相似度，调整初始聚类结果，得到最终聚类结果，具体包括：

根据每个语音数据对应的第二关联相似度，确定所述各语音数据之间的连接关系，针对任意两个语音数据，若该两个语音数据之间存在连接关系，表示该两个语音数据出自同一用户；

根据所述连接关系，调整初始聚类结果，得到最终聚类结果。

可选地，根据每个语音数据对应的第二关联相似度，确定所述各语音数据之间的连接关系，具体包括：

将每个语音数据对应的第二关联相似度输入到预设的连接关系预测模型中，得到所述连接关系预测模型的输出结果；

根据所述输出结果，确定所述各语音数据之间的连接关系。

可选地，根据每个语音数据对应的第二关联相似度，确定所述各语音数据之间的连接关系，具体包括：

针对每个语音数据，根据该语音数据对应的第二关联相似度，构建该语音数据的声纹特征与所述第二关联声纹特征之间的相关性矩阵，作为该语音数据对应的相关性矩阵；

根据所述各语音数据对应的相关性矩阵以及各语音数据的声纹特征，确定所述各语音数据之间的连接关系。

可选地，根据所述各语音数据对应的相关性矩阵以及各语音数据的声纹特征，确定所述各语音数据之间的连接关系，具体包括：

针对每个语音数据，确定所述第二关联声纹特征与该语音数据对应的声纹特征之间的特征差值，作为该语音数据对应的特征差值；

根据所述各语音数据对应的特征差值以及所述各语音数据对应的相关性矩阵，确定所述各语音数据之间的连接关系。

本说明书提供了一种业务风控的装置，所述装置包括：

获取模块，用于获取各用户在执行业务时的各语音数据；

第一输入模块，用于将所述各语音数据输入到预设的声纹特征模型中，以通过所述声纹特征模型提取出每个语音数据的声纹特征；

选取模块，用于针对每个语音数据，根据该语音数据的声纹特征与各其他语音数据的声纹特征之间的相似度，从各其他语音数据的声纹特征中选取出第一关联声纹特征，并将该语音数据的声纹特征与所述第一关联声纹特征之间的相似度，作为该语音数据对应的第一关联相似度；

第二输入模块，用于将每个语音数据的声纹特征以及每个语音数据对应的第一关联相似度输入到预设的聚类模型中，以通过所述聚类模型对各声纹特征进行聚类，得到各初始聚类簇；

确定模块，用于针对每个语音数据，确定该语音数据的声纹特征相匹配的初始聚类簇，作为目标簇，从所述目标簇中确定出第二关联声纹特征，并确定所述第二关联声纹特征与该语音数据的声纹特征之间的相似度，作为该语音数据对应的第二关联相似度，所述第二关联声纹特征与所述目标簇的簇中心之间的距离小于该语音数据的声纹特征与所述簇中心之间的距离；

调整模块，用于根据每个语音数据对应的第二关联相似度，调整初始聚类结果，得到最终聚类结果；

判断模块，用于根据所述最终聚类结果，判断是否存在归属于同一聚类簇但出自不同用户账户的语音数据，并根据所述判断结果，执行业务风控。

可选地，所述确定模块具体用于，根据每个语音数据对应的第二关联相似度，确定所述各语音数据之间的连接关系，针对任意两个语音数据，若该两个语音数据之间存在连接关系，表示该两个语音数据出自同一用户；

根据所述连接关系，调整初始聚类结果，得到最终聚类结果。

可选地，所述确定模块具体用于，将每个语音数据对应的第二关联相似度输入到预设的连接关系预测模型中，得到所述连接关系预测模型的输出结果；

根据所述输出结果，确定所述各语音数据之间的连接关系。

可选地，所述确定模块具体用于，针对每个语音数据，根据该语音数据对应的第二关联相似度，构建该语音数据的声纹特征与所述第二关联声纹特征之间的相关性矩阵，作为该语音数据对应的相关性矩阵；

根据所述各语音数据对应的相关性矩阵以及各语音数据的声纹特征，确定所述各语音数据之间的连接关系。

可选地，所述确定模块具体用于，针对每个语音数据，确定所述第二关联声纹特征与该语音数据对应的声纹特征之间的特征差值，作为该语音数据对应的特征差值；

根据所述各语音数据对应的特征差值以及所述各语音数据对应的相关性矩阵，确定所述各语音数据之间的连接关系。

本说明书提供了一种计算机可读存储介质，所述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业务风控的方法。

本说明书提供了一种电子设备，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，所述处理器执行所述程序时实现上述业务风控的方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的业务风控方法，将各用户在执行业务时的各语音数据输入到预设的声纹特征模型中，以提取出每个语音数据的声纹特征。将每个语音数据的声纹特征以及每个语音数据对应的第一关联相似度输入到预设的聚类模型中以对各声纹特征进行聚类，得到各初始聚类簇。针对每个语音数据，确定该语音数据的声纹特征相匹配的初始聚类簇，作为目标簇，从目标簇中确定出第二关联声纹特征，并确定该语音数据对应的第二关联相似度。根据每个语音数据对应的第二关联相似度，调整初始聚类结果，得到最终聚类结果，判断是否存在归属于同一聚类簇但出自不同用户账户的语音数据，根据判断结果，执行业务风控。

从上述方法中可以看出，本申请通过将每个语音数据的声纹特征以及每个语音数据对应的第一关联相似度输入到聚类模型中，先对声纹特征进行初步聚类，得到初始聚类。为了使各个聚类簇的划分更加准确，进一步地，针对每个语音数据，本申请从各初始聚类簇中确定出与该语音数据的声纹特征相匹配的目标簇和该语音数据对应的第二关联相似度，再根据每个语音数据对应的第二关联相似度，对初始聚类结果进行调整，有利于得到更加精确的最终聚类结果。这样的话，本申请可以根据最终聚类结果，判断是否存在归属于同一聚类簇但出自不同用户账户的语音数据，并根据判断结果，来执行业务风控。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附

图中：

图1为本说明书中提供的一种业务风控的方法的流程示意图；

图2A、图2B为本说明书提供的一种对称邻接矩阵的示意图；

图3为本说明书提供的一种业务风控的装置示意图；

图4为本说明书提供的一种对应于图1的电子设备的示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书中提供的一种业务风控的方法的流程示意图，包括以下步骤：

S100：获取各用户在执行业务时的各语音数据。

S102：将所述各语音数据输入到预设的声纹特征模型中，以通过所述声纹特征模型提取出每个语音数据的声纹特征。

现实生活中人们常常会面临一些需要进行通话来执行业务的场景，但在平台为用户执行业务的过程中，可能会出现一开始办理业务的是用户本人，但是后续业务执行过程进行沟通的并不是用户本人的情况，或者发出执行业务请求的人员一开始就不是用户本人的情况，这样会产生一定的业务风险。

基于此，本申请提供了一种业务风控的方法，使得相关业务执行平台可以在用户请求执行业务时，对业务的执行进行有效风控。

本申请的执行主体可以是服务器，也可以是诸如笔记本电脑，台式电脑等电子设备。为了便于说明，下面仅以服务器为执行主体，对本申请提供的业务风控的方法进行说明。

服务器可以获取各用户在执行业务时的各语音数据，将各语音数据输入到预设的声纹特征模型中，以通过声纹特征模型提取出每个语音数据的声纹特征。

由于不同用户的声纹特征均不相同，后续服务器可以对来自不同用户账号但声纹特征相同的声纹进行分析，判断请求执行业务的人员是否为用户本人或不法人员，以便相关业务执行平台后续决策是否执行业务。

S104：针对每个语音数据，根据该语音数据的声纹特征与各其他语音数据的声纹特征之间的相似度，从各其他语音数据的声纹特征中选取出第一关联声纹特征，并将该语音数据的声纹特征与所述第一关联声纹特征之间的相似度，作为该语音数据对应的第一关联相似度。

S106：将每个语音数据的声纹特征以及每个语音数据对应的第一关联相似度输入到预设的聚类模型中，以通过所述聚类模型对各声纹特征进行聚类，得到各初始聚类簇。

在得到每个语音数据的声纹特征后，针对每个语音数据，服务器可以根据该语音数据的声纹特征与各其他语音数据的声纹特征之间的相似度，从各其他语音数据的声纹特征中选取出第一关联声纹特征。

例如，针对每个语音数据的声纹特征，服务器可以通过KNN算法(K-NearestNeighbor)，从各其他语音数据的声纹特征中选取出与该语音数据声纹特征最邻接(相似度最高)的K个声纹特征，作为第一关联声纹特征。假设目前共有5个语音数据的声纹特征且预设的K值为3，针对每个语音数据的声纹特征，服务器可以从5个声纹特征中确定出与该语音数据的声纹特征相似度最高的3个声纹特征，作为第一关联声纹特征。

当然，确定第一关联声纹特征的方法有很多，除了通过KNN算法之外，服务器也可以先计算出所有声纹特征之间的余弦相似度，再将声纹特征之间的余弦相似度按从大到小的顺序排序，根据排序结果确定出第一关联声纹特征，本说明书不对确定第一关联声纹特征的方法进行限制。

在确定出该语音数据声纹特征的第一关联声纹特征后，服务器可以将该语音数据的声纹特征与第一关联声纹特征之间的相似度，作为该语音数据对应的第一关联相似度。

需要说明的是，在本说明书中，服务器可以采用多种方法确定该声纹特征与第一关联声纹特征相似度，比如计算声纹特征之间余弦相似度或者欧式距离等等。

假设各用户的语音总数为5，针对每个声纹特征，若服务器是通过KNN算法确定出该声纹特征对应的3个第一关联声纹特征，此时，针对每个声纹特征，服务器可以确定该声纹特征与其对应的3个第一关联声纹特征之间余弦相似度，作为该语音数据对应的第一关联相似度。

服务器可以将每个语音数据的声纹特征以及每个语音数据对应的第一关联相似度输入到预设的聚类模型中，以通过聚类模型对各声纹特征进行聚类，得到各初始聚类簇。

具体地，根据每个语音数据的声纹特征以及每个语音数据对应的第一关联相似度，服务器可以构建出与各声纹特征对应的对称邻接矩阵和声纹特征矩阵。

其中，根据每个语音数据的声纹特征以及每个语音数据对应的第一关联相似度，服务器可以构造一个N*N的对称邻接矩阵A，用对称邻接矩阵来表示各个声纹特征之间的关系。其中，N为声纹特征的总数，对称邻接矩阵中的数值用于表示两个声纹特征之间的相似度。

图2A、图2B为本说明书提供的一种对称邻接矩阵的示意图。

如图2A所示，假设目前有5个声纹特征(V1、V2、V3、V4、V5)，针对每个声纹特征，如V1，在确定出与V1最邻近的3个第一关联声纹特征后(V2、V3、V4)，服务器可以分别确定出V1与这三个声纹特征之间的相似度，进而构建一个1*5的矩阵，并将除第一关联声纹特征之外的其他声纹特征与V1的相似度设为0。

以此类推，在这个场景中，针对每个声纹特征，服务器都能构建一个1*5的矩阵，服务器可以将5个1*5的矩阵进行叠加，最终得到一个5*5的对称邻接矩阵，如图2B所示，对称邻接矩阵中的数值用于表示该声纹特征分别与其对应的3个第一关联声纹特征之间的相似度。

进一步地，服务器可以根据各声纹特征，构造出N*D的声纹特征矩阵F，其中，D表示声纹特征的维度。

假设每个声纹特征的维度均为512，服务器可以构造出5*512的声纹特征矩阵F，并将对称邻接矩阵A和声纹特征矩阵F输入到预设的聚类模型中，以通过聚类模型对各声纹特征进行聚类，得到各初始聚类簇。

值得说明的是，服务器通过聚类模型对各个声纹特征聚类得到的各个初始聚类簇，可能并不十分精确。例如，声纹特征a被聚类到了初始聚类簇A中，初始聚类簇A附近还有一些其他的初始聚类簇，而实际上声纹特征a应该是划分到初始聚类簇A附近的初始聚类簇B中的。所以，在得到各初始聚类簇后，后续服务器可以对各初始聚类簇做进一步调整，使得真正属于同一用户的声纹特征能够聚类到一起。

S108：针对每个语音数据，确定该语音数据的声纹特征相匹配的初始聚类簇，作为目标簇，从所述目标簇中确定出第二关联声纹特征，并确定所述第二关联声纹特征与该语音数据的声纹特征之间的相似度，作为该语音数据对应的第二关联相似度，所述第二关联声纹特征与所述目标簇的簇中心之间的距离小于该语音数据的声纹特征与所述簇中心之间的距离。

S110：根据每个语音数据对应的第二关联相似度，调整初始聚类结果，得到最终聚类结果。

由于初始聚类簇的划分可能并不十分精确，为了得到更加准确的聚类结果，针对每个语音数据，服务器可以确定该语音数据的声纹特征相匹配的初始聚类簇，作为目标簇。例如，在初始聚类的时候，声纹特征a被聚类到了初始聚类簇A中，初始聚类簇A附近可能有其他的初始聚类簇如B和C，那么服务器可以将A、B、C三个初始聚类簇，均可以视为是与声纹特征a相匹配的目标簇。

确定目标簇后，服务器可以从目标簇中确定出第二关联声纹特征，并确定第二关联声纹特征与该语音数据的声纹特征之间的相似度，作为该语音数据对应的第二关联相似度，第二关联声纹特征与目标簇的簇中心之间的距离小于该语音数据的声纹特征与簇中心之间的距离。

例如，针对每个语音数据的声纹特征，服务器可以通过KNN算法从各目标簇中先选取出与该声纹特征最邻近的K个声纹特征，再从这K个声纹特征中，选取与距离簇中心之间的距离比自身大的声纹特征，作为第二关联声纹特征。

需要进行说明的是，在服务器通过聚类模型进行聚类得到各个初始聚类簇的同时，服务器还可以确定出每个声纹特征的评分，如果声纹特征距离目标簇的簇中心越近，则该评分越大。

也就是说，针对每个声纹特征，服务器可以先从各目标簇中先选取出与该声纹特征最邻近的K个声纹特征，再从这K个声纹特征中，选取评分大于自身的声纹特征，作为第二关联声纹特征

进一步地，服务器可以确定第二关联声纹特征与该语音数据的声纹特征之间的相似度，作为该语音数据对应的第二关联相似度，根据每个语音数据对应的第二关联相似度，调整初始聚类结果，得到更加准确的最终聚类结果。

具体地，服务器可以根据每个语音数据对应的第二关联相似度，确定各语音数据之间的连接关系，根据连接关系，调整初始聚类结果。

在本说明书中，确定各语音数据之间的连接关系的方式有两种。

具体地，服务器可以将每个语音数据对应的第二关联相似度输入到预设的连接关系预测模型中，来得到连接关系预测模型的输出结果。针对任意两个语音数据，若该两个语音数据之间存在连接关系，那么该两个语音数据出自同一用户。

例如，若声纹特征a被聚类到了初始聚类簇A中，声纹特征b被聚类到了初始聚类簇B中，服务器将每个语音数据对应的第二关联相似度输入到预设的连接关系预测模型中后，若发现a和b之间存在连接关系，说明声纹特征a和声纹特征b来自同一用户，此时服务器应该对这初始聚类簇进行调整，根据连接关系，重新确定聚类结果。

除此之外，具体地，针对每个语音数据，服务器还可以根据该语音数据对应的第二关联相似度，构建该语音数据的声纹特征与第二关联声纹特征之间的相关性矩阵，作为该语音数据对应的相关性矩阵，并根据各语音数据对应的相关性矩阵以及各语音数据的声纹特征，确定各语音数据之间的连接关系。

具体地，针对每个声纹特征，服务器可以根据该语音数据的声纹特征以及该语音数据对应的第二关联相似度，可以构造一个(m+1)*(m+1)的对称邻接矩阵A

例如，若该声纹特征对应的第二关联声纹特征的数量为3，服务器可以构造一个4*4的相关性矩阵A

进一步地，服务器还可以根据该声纹特征，构造出(m+1)*D的声纹特征矩阵F

需要说明的是，在构建声纹特征矩阵F

继续沿用上例，服务器可以先根据该声纹特征与该声纹特征对应的第二关联声纹特征，构建一个4*512的声纹特征矩阵，由于该声纹特征对应的第二关联声纹特征是基于该声纹特征确定出的，为了减少该声纹特征对第二关联声纹特征的影响，服务器可以将确定出的4*512的声纹特征矩阵每一行均减去该声纹特征(即特征差值)，最终得到声纹特征矩阵F

服务器可以根据各语音数据对应的相关性矩阵A

在调整过程中，若服务器发现声纹特征a和声纹特征b有连接关系，且不在同一簇，服务器根据声纹特征a和声纹特征b之间的连接关系对各个初始聚类簇进行调整，将声纹特征a和声纹特征b聚类到同一个簇中。

除此之外，服务器也可以对初始聚类簇做其他调整。

例如，在初始聚类阶段，若服务器通过聚类模型得到10个初始聚类簇，服务器可以根据各个声纹特征之间的连接关系，对初始聚类簇进行调整，将原本属于初始聚类簇A中的声纹特征，划分到初始聚类簇B中。

值得说明的是，初始聚类结果和最终聚类结果中簇的数量可能并不一致，服务器也可以对初始聚类簇做进一步的划分，如原先初始聚类簇可能只有10个，重新调整细分后，服务器最终可能得到15个聚类簇。

S112：根据所述最终聚类结果，判断是否存在归属于同一聚类簇但出自不同用户账户的语音数据，并根据所述判断结果，执行业务风控。

服务器在得到最终调整后的聚类簇后，不同聚类簇中的声纹特征属于同一用户，服务器可以根据最终聚类结果，判断是否存在归属于同一聚类簇但出自不同用户账户的语音数据，并根据判断结果，执行业务风控。

例如，用户甲和用户乙语音数据的声纹特征本应该聚类在不同的聚类簇中，若服务器发现用户甲和用户乙语音数据的声纹特征归属于同一聚类簇，此时，服务器可以将用户甲和用户乙语音数据的声纹特征与数据库中的风险声纹特征一一进行比对，若比对通过，则说明用户甲和用户乙的业务请求，可能并不是由本人发起的，此时服务器可以暂不执行用户所请求执行的业务。

从上述方法中可以看出，本申请通过将每个语音数据的声纹特征以及每个语音数据对应的第一关联相似度输入到聚类模型中，先对声纹特征进行初步聚类，得到初始聚类。为了使各个聚类簇的划分更加准确，进一步地，针对每个语音数据，本申请从各初始聚类簇中确定出与该语音数据的声纹特征相匹配的目标簇和该语音数据对应的第二关联相似度，再根据每个语音数据对应的第二关联相似度，对初始聚类结果进行调整，有利于得到更加精确的最终聚类结果。这样的话，本申请可以根据最终聚类结果，判断是否存在归属于同一聚类簇但出自不同用户账户的语音数据，并根据判断结果，来执行业务风控。

以上为本说明书的一个或多个实施例提供的业务风控的方法，基于同样的思路，本说明书还提供了相应的业务风控的装置，如图3所示。

图3为本说明书提供的一种业务风控的装置的示意图，所述装置包括：

获取模块300，用于获取各用户在执行业务时的各语音数据；

第一输入模块302，用于将所述各语音数据输入到预设的声纹特征模型中，以通过所述声纹特征模型提取出每个语音数据的声纹特征；

选取模块304，用于针对每个语音数据，根据该语音数据的声纹特征与各其他语音数据的声纹特征之间的相似度，从各其他语音数据的声纹特征中选取出第一关联声纹特征，并将该语音数据的声纹特征与所述第一关联声纹特征之间的相似度，作为该语音数据对应的第一关联相似度；

第二输入模块306，用于将每个语音数据的声纹特征以及每个语音数据对应的第一关联相似度输入到预设的聚类模型中，以通过所述聚类模型对各声纹特征进行聚类，得到各初始聚类簇；

确定模块308，用于针对每个语音数据，确定该语音数据的声纹特征相匹配的初始聚类簇，作为目标簇，从所述目标簇中确定出第二关联声纹特征，并确定所述第二关联声纹特征与该语音数据的声纹特征之间的相似度，作为该语音数据对应的第二关联相似度，所述第二关联声纹特征与所述目标簇的簇中心之间的距离小于该语音数据的声纹特征与所述簇中心之间的距离；

调整模块310，用于根据每个语音数据对应的第二关联相似度，调整初始聚类结果，得到最终聚类结果；

判断模块312，用于根据所述最终聚类结果，判断是否存在归属于同一聚类簇但出自不同用户账户的语音数据，并根据所述判断结果，执行业务风控。

可选地，所述确定模块308具体用于，根据每个语音数据对应的第二关联相似度，确定所述各语音数据之间的连接关系，针对任意两个语音数据，若该两个语音数据之间存在连接关系，表示该两个语音数据出自同一用户；

根据所述连接关系，调整初始聚类结果，得到最终聚类结果。

可选地，所述确定模块308具体用于，将每个语音数据对应的第二关联相似度输入到预设的连接关系预测模型中，得到所述连接关系预测模型的输出结果；

根据所述输出结果，确定所述各语音数据之间的连接关系。

可选地，所述确定模块308具体用于，针对每个语音数据，根据该语音数据对应的第二关联相似度，构建该语音数据的声纹特征与所述第二关联声纹特征之间的相关性矩阵，作为该语音数据对应的相关性矩阵；

根据所述各语音数据对应的相关性矩阵以及各语音数据的声纹特征，确定所述各语音数据之间的连接关系。

可选地，所述确定模块308具体用于，针对每个语音数据，确定所述第二关联声纹特征与该语音数据对应的声纹特征之间的特征差值，作为该语音数据对应的特征差值；

根据所述各语音数据对应的特征差值以及所述各语音数据对应的相关性矩阵，确定所述各语音数据之间的连接关系。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种业务风控方法。

本说明书还提供了图4所示的一种对应于图1的电子设备的示意结构图。如图4，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1的业务风控方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。