投诉、投诉案件处理方法、装置及设备
技术领域
本说明书一个或多个实施例涉及计算机技术领域,尤其涉及一种投诉、投诉案件处理方法、装置及设备。
背景技术
传统技术中,当用户针对一种或多种业务进行投诉时,审理系统会生成相应的投诉案件,并对该投诉案件进行处理。之后,向用户输出相应的处理结果。该处理结果仅仅包含投诉成立与否的信息。
因此,需要提供一种方案,以在投诉处理结束后,向用户提供更多的信息。
发明内容
本说明书一个或多个实施例描述了一种投诉、投诉案件处理方法、装置及设备,可以输出投诉案件的判定结果以及判定原因。
第一方面,提供了一种投诉案件处理方法,包括:
获取待处理投诉案件的多个特征数据;
根据所述多个特征数据,对预测模型进行训练;
将所述多个特征数据以及训练好的预测模型输入解释模型,以获取所述投诉案件的判定结果以及判定原因;
输出所述判定结果以及所述判定原因。
第二方面,提供了一种投诉处理方法,包括:
接收投诉方针对一种或多种业务所发送的投诉请求;
根据所述投诉请求,生成投诉案件;
将所述投诉案件按概率分派至AI审理模块进行处理;
获取所述AI审理模块在对所述投诉案件进行处理后所获得的决策结果以及判定原因;
根据所述决策结果以及判定原因,生成智能报文;
输出所述智能报文。
第三方面,提供了一种投诉案件处理装置,包括:
获取单元,用于获取待处理投诉案件的多个特征数据;
训练单元,用于根据所述获取单元获取的所述多个特征数据,对预测模型进行训练;
所述获取单元,还用于将所述多个特征数据以及训练好的预测模型输入解释模型,以获取所述投诉案件的判定结果以及判断原因;
输出单元,用于输出所述判定结果以及所述判定原因。
第四方面,提供了一种投诉处理装置,包括:
接收单元,用于接收投诉方针对一种或多种业务所发送的投诉请求;
生成单元,用于根据所述接收单元接收的所述投诉请求,生成投诉案件;
分派单元,用于将所述生成单元生成的所述投诉案件按概率分派至AI审理模块进行处理;
获取单元,用于获取所述AI审理模块在对所述投诉案件进行处理后所获得的决策结果以及判定原因;
所述生成单元,还用于根据所述获取单元获取的所述决策结果以及判定原因,生成智能报文;
输出单元,用于输出所述智能报文。
第五方面,提供了一种投诉案件处理设备,包括:
存储器;
一个或多个处理器;以及
一个或多个程序,其中所述一个或多个程序存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序被所述处理器执行时实现以下步骤:
获取单元,用于获取待处理投诉案件的多个特征数据;
训练单元,用于根据所述获取单元获取的所述多个特征数据,对预测模型进行训练;
所述获取单元,还用于将所述多个特征数据以及训练好的预测模型输入解释模型,以获取所述投诉案件的判定结果以及判断原因;
输出单元,用于输出所述判定结果以及所述判定原因。
第六方面,提供了一种投诉处理设备,包括:
存储器;
一个或多个处理器;以及
一个或多个程序,其中所述一个或多个程序存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序被所述处理器执行时实现以下步骤:
接收投诉方针对一种或多种业务所发送的投诉请求;
根据所述投诉请求,生成投诉案件;
将所述投诉案件按概率分派至AI审理模块进行处理;
获取所述AI审理模块在对所述投诉案件进行处理后所获得的决策结果以及判定原因;
根据所述决策结果以及判定原因,生成智能报文;
输出所述智能报文。
本说明书一个或多个实施例提供的投诉、投诉案件处理方法、装置及设备,获取待处理投诉案件的多个特征数据。根据该多个特征数据,对预测模型进行训练。将多个特征数据以及训练好的预测模型输入解释模型,以获取投诉案件的判定结果以及判定原因。输出判定结果以及判定原因。也即本说明书提供的方案中,不仅可以输出投诉案件的判定结果,还可以获取到该判定结果对应的判定原因,从而方便于对判定结果的复核,进而可以提升判定结果输出的准确性。
附图说明
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例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说明书的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本说明书提供的智能审理系统示意图;
图2为本说明书一个实施例提供的投诉处理方法流程图;
图3为本说明书提供的智能报文示意图;
图4为本说明书一个实施例提供的投诉案件处理方法示意图;
图5为本说明书另一个实施例提供的投诉案件处理方法示意图;
图6为本说明书一个实施例提供的投诉处理装置示意图;
图7为本说明书一个实施例提供的投诉案件处理装置示意图;
图8为本说明书一个实施例提供的投诉处理设备示意图;
图9为本说明书一个实施例提供的投诉案件处理设备示意图。
具体实施方式
下面结合附图,对本说明书提供的方案进行描述。
在介绍本说明书提供的方案之前,先对投诉处理的必要性作如下说明。首先,欺诈事实的认定主要来自于用户对业务的投诉,以及对投诉内容的再确认。其次,欺诈防控本质在于降低风险漏过,而风险漏过的直接指标即为欺诈成立的投诉案件。基于以上两方面的原因,提出一种准确、可靠的投诉处理方法是必要的。
图1为本说明书提供的智能审理系统示意图。图1中,该智能审理系统可以包括投诉模块102、智能分派模块104、人工智能(Artificial Intelligence,AI)审理模块106以及案件拓展模块108。
投诉模块102用于确定投诉方所投诉的业务(简称投诉业务)以及获取投诉方针对投诉业务所提交的证据信息。在一个例子中,投诉模块102具体可以实现为智能交互式的举报产品,该举报产品可以引导投诉方选取投诉业务以及提交与投诉业务相关的证据信息。此处的证据信息可以包括但不限于文本、语音以及图片等形式。投诉模块102还用于基于投诉方账号,获取其它的投诉方信息,如,姓名、性别、年龄以及相关账号等。以及根据投诉业务的业务信息,获取被投诉方账号。之后基于被投诉方账号,获取其它的被投诉方信息(类似于上述投诉方信息)。此外,还可以与其它系统进行交互,以从其它系统中获取与被投诉方相关的欺诈行为信息等。最后,投诉模块102还用于根据上述获取到的信息,生成对应的投诉案件。
智能分派模块104用于将投诉案件按概率分派给AI审理模块106或者人工进行处理。在一个例子中,可以借鉴a/b测试的分组方式,实现上述投诉案件的智能分派。在人工进行投诉案件处理的过程中,可以采用人工特定风险模式(Modus operandi,MO)检测的方式。需要说明的是,通过该智能分派模块104可以实现对新型欺诈手法进行人工抽样双盲复核,还可以对新上线模型实时进行人工机器双盲审核,达到确认,复核模型效果的作用。此外,以直接人工介入的方式还可以提升智能审理系统的整体稳定性和实时性。
AI审理模块106用于基于全部的投诉方信息、被投诉方信息、投诉业务的业务信息以及与投诉业务相关的证据信息,获取投诉案件的判定结果以及判定原因。在一种实现方式中,上述判定结果以及判定原因的获取过程具体可以为:获取投诉案件的多个特征数据。这里的特征数据可以包括但不限于上述四方面的信息。根据该多个特征数据,对预测模型进行训练。将多个特征数据以及训练好的预测模型输入解释模型,以获取投诉案件的判定结果以及判定原因。输出判定结果以及判定原因。
此外,AI审理模块106还用于根据判定结果以及预设的决策规则,确定投诉案件的最终的决策结果。该决策结果至少可以包括对投诉业务的风险定性结果以及处置策略。这里的风险定性结果可以包括但不限于风险案件、纠纷案件以及无法判定等。处置策略可以包括但不限于告知、警告以及限权(如,只进不出或者不能进不能出)等。
此外,上述决策结果还可以包括风险手法的分类,该分类结果有助于对风险形势进行评估。此外,还可以将分类结果反馈到交易环节,以进行交易环节的实时攻防。
对于上述AI审理模块106,可以通过如下的方式对其准确性进行评估:从人工处理的投诉案件以及AI审理模块106处理的投诉案件中抽取相似案件,比对人工与机器针对相似案件所获得的判定结果。基于比对结果,来对准确性进行评估。
案件拓展模块108用于生成与投诉案件相对应的智能报文。该智能报文是对投诉案件的进一步拓展和挖掘。具体地,可以从多个特征数据中提取投诉方信息以及被投诉方信息。基于业务信息,确定投诉方与被投诉方之间的资金往来关系。获取投诉方与所述被投诉方之间的历史交易信息。根据历史交易信息,确定案情综述。根据投诉方信息、被投诉方信息、资金往来关系、案情综述、判定原因以及决策结果,生成智能报文。此外,案件拓展模块108还用于执行案件聚合以及案件拓展的操作。案件聚合可以是指将多个相关或者相似案件进行整合。如,若多个投诉案件所涉及的被投诉账号为同一用户时,则对这些投诉案件进行聚合。或者,将风险手法相同的投诉案件进行聚合。案件拓展是指可以查找与欺诈成立的投诉案件的被投诉账号为同一用户的目标账号,针对该目标账号的投诉案件也成立等。
可选地,图1所示的智能审理系统还可以包括策略分析模块110、处置模块112以及风险输出模块114。
策略分析模块110用于根据上述判定结果以及判定原因,对上述预测模型进行优化。这里的预测模型可以看作是一系列决策规则的集合,因此,也可以说是对已生成的决策规则进行优化,达到自动学习的效果。此外,对人工处理的投诉案件,若AI审理模块106中没有相应的决策规则(也称策略),则还可以生成相应的自动决策规则。
处置模块112用于根据上述处置策略,对被投诉方进行相应的处置。这里的处置是指对被投诉方做相应的量刑和惩罚。
风险输出模块114用于判定上述风险定性结果满足预设条件时,进行预警。如,向警方,反诈中心,介入银行等外部机构进行预警。
综上,本说明书提供的智能审理系统,在对投诉案件处理结束之后,可以输出智能报文。通过查看该智能报文,用户可以直观地对判定结果、判定原因以及处置策略进行了解。由此,可以解决传统的审理系统对投诉案件的处理的不透明性以及对投诉案件的判定以及处置具有“黑盒”性质的问题。
以上是对本说明书提供的智能审理系统的介绍,以下对该智能审理系统对投诉的处理过程进行说明。
图2为本说明书一个实施例提供的投诉处理方法流程图。所述方法的执行主体可以为具有处理能力的设备:服务器或者系统或者装置,如,可以为图1中的智能审理系统。如图2所示,所述方法具体可以包括:
步骤202,接收投诉方针对一种或多种业务所发送的投诉请求。
如,可以通过上述投诉模块102接收该投诉请求。这里的业务(以下称为投诉业务)可以包括但不限于支付业务以及交易业务等。上述投诉请求可以包括投诉方账号、投诉业务的业务标识以及投诉方提交的与投诉业务相关的证据信息。这里的证据信息可以包括但不限于文本、语音以及图片等形式。
步骤204,根据投诉请求,生成投诉案件。
具体地,投诉模块102可以根据投诉方账号,获取其它的投诉方信息,如,姓名、性别、年龄以及相关账号等。以及根据投诉业务的业务标识,确定对应的业务信息。从业务信息中获取被投诉方账号,并基于被投诉方账号,获取其它的被投诉方信息(类似于上述投诉方信息)。还可以与其它系统进行交互,以从其它系统中获取与被投诉方相关的欺诈行为信息等。最后,投诉模块102可以根据上述获取到的信息,生成对应的投诉案件。
步骤206,将投诉案件按概率分派至AI审理模块进行处理。
如可以通过智能分派模块104将投诉案件按概率分派给AI审理模块106或者人工进行处理。在一个例子中,可以借鉴a/b测试的分组方式,实现上述投诉案件的智能分派。在人工进行投诉案件处理的过程中,可以采用人工惯用做法(Modus operandi,MO)检测的方式。
步骤208,获取AI审理模块在对投诉案件进行处理后所获得的决策结果以及判定原因。
此处,AI审理模块106可以基于全部的投诉方信息、被投诉方信息、投诉业务的业务信息以及与投诉业务相关的证据信息,获取投诉案件的判定结果以及判定原因。具体获取过程后续进行说明。
此外,AI审理模块106还可以根据判定结果以及预设的决策规则,确定投诉案件的最终的决策结果。该决策结果至少可以包括对投诉业务的风险定性结果以及处置策略。这里的风险定性结果可以包括但不限于风险案件、纠纷案件以及无法判定等。处置策略可以包括但不限于告知、警告以及限权(如,只进不出或者不能进不能出)等。此外,上述决策结果还可以包括风险手法的分类,该分类结果有助于对风险形势进行评估。此外,还可以将分类结果反馈到交易环节,以进行交易环节的实时攻防。
步骤210,根据决策结果以及判定原因,生成智能报文。
该智能报文是对投诉案件的进一步拓展和挖掘。具体地,可以由案件拓展模块108从多个特征数据中提取投诉方信息以及被投诉方信息。基于业务信息,确定投诉方与被投诉方之间的资金往来关系。获取投诉方与所述被投诉方之间的历史交易信息。根据历史交易信息,确定案情综述。根据投诉方信息、被投诉方信息、资金往来关系、案情综述、判定原因以及决策结果,生成智能报文。
图3为本说明书提供的智能报文示意图。图3中,智能报文主要包含了如下6方面的信息:投诉方信息(如,举报人身份)、被投诉方信息(如,被举报人)、资金往来关系、案情综述(如,案情描述)、决策结果(如,任务定性和结案处置)以及判定原因等信息。
应理解,图3所示的内容只是示意性地,本说明书提供的智能报文不限于如上所述。如,还可以包含事中识别等信息,本说明书对此不作限定。
可选地,除了生成智能报文,本说明书实施例提供的方案还可以执行案件聚合以及案件拓展的操作。案件聚合可以是指将多个相关或者相似案件进行整合。如,若多个投诉案件所涉及的被投诉账号为同一用户时,则对这些投诉案件进行聚合。或者,将风险手法相同的投诉案件进行聚合。案件拓展是指可以查找与欺诈成立的投诉案件的被投诉账号为同一用户的目标账号,针对该目标账号的投诉案件也成立等。
此外,在获得上述决策结果以及判定原因之后,还可以对上述预测模型进行优化。这里的预测模型可以看作是一系列决策规则的集合,因此,也可以说是对已生成的决策规则进行优化,达到自动学习的效果。此外,对人工处理的投诉案件,若AI审理模块106中没有相应的决策规则(也称策略),则还可以生成相应的自动决策规则。
最后,对于决策结果中的处置策略,可以根据该处置策略,对被投诉方进行相应的处置。这里的处置是指对被投诉方做相应的量刑和惩罚。以及对于决策结果中的风险定性结果,如果该风险定性结果满足预设条件时,还可以进行预警。如,向警方,反诈中心,介入银行等外部机构进行预警。
步骤212,输出智能报文。
综上,本说明书实施例提供的投诉方法,首先通过投诉案件的智能分派,可以实现对新型欺诈手法进行人工抽样双盲复核,还可以对新上线模型实时进行人工机器双盲审核,达到确认,复核模型效果的作用。此外,通过生成智能报文,用户可以直观地对判定结果、判定原因以及处置策略进行了解,从而可以大大提升用户体验。
以下对AI审理模块106对投诉案件的处理过程进行详细说明。
图4为本说明书一个实施例提供的投诉案件处理方法示意图。所述方法的执行主体可以为具有处理能力的设备:服务器或者系统或者模块,如,可以为图1中的AI审理模块106。如图4所示,所述方法具体可以包括:
步骤402,获取待处理投诉案件的多个特征数据。
这里的特征数据可以包括但不限于投诉方信息、被投诉方信息、投诉方所投诉业务的业务信息以及投诉方提交的证据信息等。本说明书中的特征数据可以包括文本信息和/或非文本信息。在本说明书以下描述的过程中,以同时包括文本信息和非文本信息为例进行说明。
步骤404,根据多个特征数据,对预测模型进行训练。
可选地,在执行上述训练操作之前,可以先对该特征数据进行预处理。如,对文本信息进行嵌入(embedding)处理,这里的嵌入处理方式可以包括但不限于快速的文本分类器(FastText)、Glove、CW2Vec、Transformer、ULMFIT以及ELM0等。以及对非文本信息进行特征抽取(Feature Extration)处理。这里的特征抽取处理可以包括但不限于有价值特征处理(Classical hand feature)、数字化(Numeric)以及分类(Category)等。之后基于预处理后的特征数据,来训练预测模型。
需要说明的是,本说明书实施例提供的预测模型可以是文本分类模型与非文本分类模型的融合。其中,文本分类模型可以包括但不限于Bi-LSTM-GRU、文本卷积神经网络(TextCNN)、注意力模型(Attention Model)、FastText、CapsNet以及迁移学习(TransferLearning)等。非文本分类模型可以包括但不限于XGBoost、随机森林(Random Forest)、LightGBM、支持向量机(Support Vector Machine,SVM)、深度神经网络(Deep NeuralNetworks,DNN)以及LR等。
具体地,可以基于文本信息来训练文本分类模型。并基于非非文本信息,来训练非文本分类模型。
步骤406,将多个特征数据以及训练好的预测模型输入解释模型,以获取投诉案件的判定结果以及判定原因。
这里的解释模型可以包括但不限于与预测模型无关的解释模型以及与预测模型相关的解释模型。其中,与预测模型无关的解释模型例如可以为:SHAP或者LIME等。与预测模型相关的解释模型例如可以为:DEEPLIFT等。
在一种实现方式中,可以将文本信息、训练好的文本分类模型、非文本信息以及训练好的非文本分类模型均输入解释模型。从而解释模型可以基于文本信息以及训练好的文本分类模型,获取第一判定结果以及判定原因。以及可以基于非文本信息以及训练好的非文本分类模型,获取第二判定结果以及判定原因。
在其它实现方式中,也可以先将非文本信息转化为文本信息。之后再由解释模型进行判定结果的输出,以及对判定结果进行解释,本说明书对此不作限定。
在获取到上述第一判定结果以及第二判定结果之后,可以对上述第一判定结果以及第二判定结果进行融合,以得到最终的判定结果。之后,再根据最终的判定结果以及预设的决策规则,确定投诉案件的最终的决策结果。
这里的决策结果至少可以包括对投诉业务的风险定性结果以及处置策略。其中,风险定性结果可以包括但不限于风险案件、纠纷案件以及无法判定等。处置策略可以包括但不限于告知、警告以及限权(如,只进不出或者不能进不能出)等。此外,上述决策结果还可以包括风险手法的分类,该分类结果有助于对风险形势进行评估。此外,还可以将分类结果反馈到交易环节,以进行交易环节的实时攻防。
此外,上述判定原因可以是从文本信息中选取的关键文本信息以及从非文本信息中选取的关键非文本信息。
步骤408,输出判定结果以及判定原因。
综上,本说明书实施例提供的投诉案件的处理方法,不仅可以获取到投诉案件的判定结果,还可以得到与该判定结果对应的解释数据(即判定原因),这可以大大提升用户体验。此外,上述解释数据的输出,还可以方便开发者对判定结果的复核。
图5为本说明书另一个实施例提供的投诉案件的处理方法示意图。图5中,投诉案件的特征数据包括文本信息和非文本信息。其中,文本信息和非文本信息分通过两条链路进行处理。具体地,对文本信息,可以进行嵌入(embedding)处理。根据嵌入处理后的文本信息,训练文本分类模型。之后,将文本信息以及训练好的文本分类模型输入到解释模型。通过解释模型从文本信息中选取关键文本信息。同样地,对非文本信息,可以进行特征抽取(Feature Extration)处理。根据特征抽取处理后的非文本信息,训练非文本分类模型。之后,将非文本信息以及训练好的非文本分类模型输入到解释模型。通过解释模型从非文本信息中选取关键非文本信息。可以理解的是,上述关键文本信息以及关键非文本信息,就可以理解为是判定结果的判定原因。此外,还可以对上述关键文本信息以及关键分文本信息进行可视化展示。
与上述投诉方法对应地,本说明书一个实施例还提供的一种投诉处理装置,如图6所示,该装置可以包括:
接收单元602,用于接收投诉方针对一种或多种业务所发送的投诉请求。
生成单元604,用于根据接收单元602接收的投诉请求,生成投诉案件。
这里的接收单元602和生成单元604可以由图1中的投诉模块102来实现。
分派单元606,用于将生成单元604生成的投诉案件按概率分派至AI审理模块进行处理。
这里的分派单元606可以由图1中的智能分派模块104来实现。
获取单元608,用于获取AI审理模块在对投诉案件进行处理后所获得的决策结果以及判定原因。
生成单元604,还用于根据获取单元608获取的决策结果以及判定原因,生成智能报文。
生成单元604具体可以用于:
从多个特征数据中提取投诉方信息以及被投诉方信息。
基于业务信息,确定投诉方与被投诉方之间的资金往来关系。
获取投诉方与被投诉方之间的历史交易信息。
根据历史交易信息,确定案情综述。
根据投诉方信息、被投诉方信息、资金往来关系、案情综述、判定原因以及决策结果,生成智能报文。
上述获取单元608可以由图1中的案件拓展模块108来实现。
输出单元610,用于输出智能报文。
可选地,上述决策结果至少还可以包括对业务的风险定性结果。该装置还可以包括:
预警单元612,用于当风险定性结果满足预设条件时,进行预警。
本说明书上述实施例装置的各功能模块的功能,可以通过上述方法实施例的各步骤来实现,因此,本说明书一个实施例提供的装置的具体工作过程,在此不复赘述。
本说明书一个实施例提供的投诉处理装置,在对投诉案件处理结束之后,可以输出智能报文。通过查看该智能报文,用户可以直观地对判定结果、判定原因以及处置策略进行了解。
与上述投诉案件处理方法对应地,本说明书一个实施例还提供的一种投诉案件处理装置,如图7所示,该装置可以包括:
获取单元702,用于获取待处理投诉案件的多个特征数据。
该特征数据可以包括文本信息和非文本信息。
上述特征数据可以包括以下一种或多种:投诉方信息、被投诉方信息、投诉方所投诉业务的业务信息以及投诉方提交的证据信息等。
训练单元704,用于根据获取单元702获取的多个特征数据,对预测模型进行训练。
预测模型可以为文本分类模型与非文本分类模型的融合。
获取单元702,还用于将多个特征数据以及训练好的预测模型输入解释模型,以获取投诉案件的判定结果以及判定原因。
解释模型可以包括以下任一种:与预测模型无关的解释模型以及与预测模型相关的解释模型。
输出单元706,用于输出判定结果以及判定原因。
可选地,该装置还可以包括:确定单元708,用于根据判定结果以及预设的决策规则,确定投诉案件的最终的决策结果。
本说明书上述实施例装置的各功能模块的功能,可以通过上述方法实施例的各步骤来实现,因此,本说明书一个实施例提供的装置的具体工作过程,在此不复赘述。
本说明书一个实施例提供的投诉案件处理装置,可以方便于对判定结果的复核,进而可以提升判定结果输出的准确性。
本说明书一个实施例提供的投诉案件处理装置可以由图1中的AI审理模块106来实现。
与上述投诉处理方法对应地,本说明书实施例还提供了一种投诉处理设备,如图8所示,该设备可以包括:存储器802、一个或多个处理器804以及一个或多个程序。其中,该一个或多个程序存储在存储器802中,并且被配置成由一个或多个处理器804执行,该程序被处理器804执行时实现以下步骤:
接收投诉方针对一种或多种业务所发送的投诉请求。
根据投诉请求,生成投诉案件。
将投诉案件按概率分派至AI审理模块进行处理。
获取AI审理模块在对投诉案件进行处理后所获得的决策结果以及判定原因。
根据决策结果以及判定原因,生成智能报文。
输出智能报文。
本说明书一个实施例提供的投诉处理设备,在对投诉案件处理结束之后,可以输出智能报文。通过查看该智能报文,用户可以直观地对判定结果、判定原因以及处置策略进行了解。
与上述投诉案件处理方法对应地,本说明书实施例还提供了一种投诉案件处理设备,如图9所示,该设备可以包括:存储器902、一个或多个处理器904以及一个或多个程序。其中,该一个或多个程序存储在存储器902中,并且被配置成由一个或多个处理器904执行,该程序被处理器904执行时实现以下步骤:
获取待处理投诉案件的多个特征数据。
根据多个特征数据,对预测模型进行训练。
将多个特征数据以及训练好的预测模型输入解释模型,以获取投诉案件的判定结果以及判定原因。
输出判定结果以及判定原因。
本说明书一个实施例提供的投诉案件处理设备,可以方便于对判定结果的复核,进而可以提升判定结果输出的准确性。
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,对于设备实施例而言,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。
结合本说明书公开内容所描述的方法或者算法的步骤可以硬件的方式来实现,也可以是由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成,软件模块可以被存放于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动硬盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外,该ASIC可以位于服务器中。当然,处理器和存储介质也可以作为分立组件存在于服务器中。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述的具体实施方式,对本说明书的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本说明书的具体实施方式而已,并不用于限定本说明书的保护范围,凡在本说明书的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本说明书的保护范围之内。