语音识别关键词，如何获取房产成交信息？

近年来随着互联网、GPU/CPU硬件的发展，语音识别的准确率有了很高的提升，并开始在商业上进行应用。不管是国内百度的小度助手，还是Google Assistant、亚马逊Alexa，早已不再满足于“语音助手”的身份，在功能上开始向语音对话、内容服务、IoT设备管理等方向演进，几乎所有的互联网巨头都对语音势在必得。

人工智能慢慢步入了我们的生活，为我们带来便利的工具值得去挖掘。语音识别技术在房产市场是如何应用的呢？除了语音助手外，期望能通过语音识别功能帮助业务提升效率。本文复盘了语音识别关键词在房产中的应用，以此总结项目中的收获和不足，也期待对您有所帮助。

平台供给房源，但房源成交后，不能及时获取成交信息。所以需要从房主、经纪人、平台三方去考虑如何获取到成交信息：

从房主切入，可以在房主小程序/APP提供房主停售的入口，也可以通过短信或者模板消息触达到房主，提醒房主若有成交，及时反馈给平台。
从经纪人切入，可以提供反馈机制，通过成功反馈赠送积分的方式，激励经纪人主动反馈。
从平台切入，平台已通过阿里的虚拟号，获得经纪人和房主的通话录音，可通过语音转文字识别出疑似成交的房源。

语音转文字

为保护房主隐私，平台从阿里购得AXB中间号，阿里提供通话录音及转文字功能，识别的文字通过接口回调到平台，依赖于阿里转文字效率，所以文字识别会有时间延迟，在识别策略中，会考虑时间的因素。有了文字后，下一步要提取关键词，识别成交房源。

关键词识别分析

1. 目标：通过录音关键词识别出成交的房源。

2. 指标：召回率和准确率是对策略质量评估的方法，可以通过召回率、准确率、误判率等检验上线后的质量评估。召回率代表策略对问题的解决程度，而准确率、误判率代表策略有没有带来其他伤害。

召回率=识别总数/理想成交数准确率=识别成交数/理想成交数误判率=误判数/识别总数

3. 影响因素：

①录音转文字的准确度
②关键词的准确度
③经纪人拨打电话的频次

①和③受外部因素制约，本次版本暂时不考虑，重心放至关键词的准确度上。

4. 需要人工干预：由于以上三个制约因素，识别的结果不一定100%准确，平台需要安排专职人员对识别结果进行人工判断，防止误判。

提取关键词

拉取3000条录音转文字数据，用Excel初步分析，过滤不需要的重复词，例如语音词、象声词、问候词等，再用Wordart（https://wordart.com/）分析，找到关键词。

1.0版本

1. 关键字提取时间：通话录音转换文字成功后，每30min对未处理的内容识别一次。

2. 识别策略：若录音内容中，涉及如下关键字，则认为该录音命中“疑似成交”关键词。

①卖完
②已经卖了
③暂时不卖
④我不卖了
⑤卖了好久了
⑥早都卖了

3. 增加人为审核操作，并记录处理人和处理时间

4. 识别结果中展示识别文本和录音，可随时校验结果

策略质量评估

1. 召回率、准确率和误判率分析

对上线后一天的数据进行了分析，召回了25条数据，其中19条命中成交，6条误判，还有7条数据没有识别出。

对误判数据进行分析，“卖完”这个关键词出现在误判里的频次很高，针对该关键词，下一步需要优化识别策略。

对未识别数据进行分析，“卖了”这个关键词出现的频次很大，但这个关键词争议较大，会出现在经纪人的问话中，例如：“您卖了吗？”如果用它识别，误判率会很高。

2. 功能问题

①同一房源存在多条录音，每条录音都要处理，较繁琐。

②平台上房源下架有统一接口，所以审核和下架是两个分开的功能操作，审核房源后，遵循排序规则：待处理>已处理，数据自动下沉，寻找当前房源做下架处理较繁琐。

③处理状态没有显示在列表上，不能直观看见处理结果。

1.1版本

1. 规则优化

针对1.0上线，拉了1000条录音进行分析，发现显性关键词命中率很高，所以优先判断显性关键词，若无显性关键词，通过非显性关键词和时间维度去判断，一般房子卖了，经纪人的通话都会很短。

①判断文字中是否有以下关键词，若有，则认为疑似成交：

已经卖了、暂时不卖、我不卖了、卖了好久了、早都卖了、先不卖了、不想卖了

②若无上述关键词，则判断语音时长，若时长<1min，且包含下列关键词，则认为疑似成交：

不卖了、卖了、卖完、没有了、撤了、下架、取消

2. 功能优化

（1）状态优化：列表显示状态“未处理、已成交、未成交”3种。

（2）若一个房源有多条未处理的数据，处理最近时间的一条，该房源所有之前未处理的数据状态变更为相应的状态，处理时间&处理人同理。

（3）列表刷新逻辑优化：完成“审核”后不刷新列表，仅变更状态、处理人、处理时间等相关数据。再次进入菜单，才刷新整个页面。

策略质量评估

召回率、准确率和误判率分析

对上线后一天的数据进行了分析，召回了26条数据，其中12条命中成交，14条误判，还有1条数据没有识别出。

通过上面的数据发现：增加非显性关键词+时间的识别，准确率增加，但是也召回了很多非成交数据，所以误判率也增高。虽然满足宁可错杀一千，也不能漏一个的原则，但还会拉更多的数据进行分析，优化时间维度的策略。

上述案例中，通过优化关键词策略，提高召回率，运用了策略质量评估方法，判断召回造成的影响，下一步要降低误判率。

在实际操作中，录音转文字的准确度影响也很大（见上图），我们也做了相关的数据统计，在未识别数据中，有30%的数据属于文字准确度不高导致的，这个无法避免，机器对噪音的抗噪性不够强，另外，语音识别并没有理解语义，若双方都用方言讲话，识别的准确率会更低。

语音识别，在这几年有了极大的发展，从算法到模型都有了质的变化，在加上语音领域（语音合成等）的其他研究，语音技术陆续进入工业、家庭机器人、通信、车载导航等各个领域中。本项目借助语音识别技术转文字，再通过文字关键词识别出成交房源，让语音识别在房产市场得到应用。