CN110033129A - 用于针对用户的举报来确定反馈的方法和装置 - Google Patents

Abstract

本公开涉及用于针对用户的举报来确定反馈的方法和装置。根据本公开的一个方案的方法包括：获取与进行举报的所述用户相关联的用户数据；利用所获取的用户数据来判断所述用户对于举报反馈的偏好；以及，至少部分地基于所判断出的偏好，确定要提供给所述用户的反馈，其中，所述反馈包括针对所述举报的审理结果，并且其中，所述反馈反映所述用户的所述偏好。

Description

用于针对用户的举报来确定反馈的方法和装置

技术领域

本公开总体上涉及信息处理，更具体地，涉及用于针对用户的举报来确定反馈的方法和装置。

背景技术

反欺诈是对包含交易诈骗、网络诈骗、电话诈骗、盗卡盗号等在内的各种欺诈行为进行识别的一项服务。在线反欺诈是互联网服务尤其是互联网金融必不可少的一部分。对于反欺诈，目前行业中在事前教育、事中识别、以及事后审理三个环节也在进行着相关的研究并有一定产品投入应用。

从用户角度而言，常规方案中在用户针对欺诈事件向服务平台进行举报后，会收到来自服务平台的通知亦即反馈，向用户告知针对该次举报的定性审理结果。然而，经过一定时间的调查发现，不同用户对于定性结果反馈的具体诉求也不相同。例如，调查发现，同一用户二次、甚至多次被骗的情况仍占一定比例，并且，部分用户在举报后安全感降低，导致活跃度出现下降。因此，现有的简单告知审理结果的反馈方式并不能满足用户的需求。

发明内容

提供该发明内容部分来以简化的形式介绍一些选出的概念，其将在下面的具体实施方式部分中被进一步描述。该发明内容部分并非是要标识出所要求保护的主题的任何关键特征或必要特征，也不是要被用于帮助确定所要求保护的主题的范围。

根据本公开的一个方案，提供了一种用于针对用户的举报来确定反馈的方法，所述包括：获取与进行举报的所述用户相关联的用户数据；利用所获取的用户数据来判断所述用户对于举报反馈的偏好；以及至少部分地基于所判断出的偏好，确定要提供给所述用户的反馈，其中，所述反馈包括针对所述举报的审理结果，并且其中，所述反馈反映所述用户的所述偏好。

根据本公开的另一个方案，提供了一种用于针对用户的举报来确定反馈的装置，所述装置包括：用于获取与进行举报的所述用户相关联的用户数据的单元；用于利用所获取的用户数据来判断所述用户对于举报反馈的偏好的单元；以及用于至少部分地基于所判断出的偏好，确定要提供给所述用户的反馈的单元，其中，所述反馈包括针对所述举报的审理结果，并且其中，所述反馈反映所述用户的所述偏好。

根据本公开的又一个方案，提供了一种计算设备，所述计算设备包括：存储器，其用于存储指令；以及至少一个处理器，其耦合到所述存储器，其中，所述指令在由所述至少一个处理器执行时，使得所述至少一个处理器执行本文中所述的方法。

根据本公开的另一个方案，提供了一种计算机可读存储介质，其上存储有指令，所述指令在由至少一个处理器执行时，使得所述至少一个处理器执行本文中所述的方法。

附图说明

在附图中对本公开的实施例以示例的形式而非限制的形式进行了说明，其中相似的附图标记表示相同或类似的部件，其中：

图1示出了可以在其中实施本公开的一些实施例的示例性环境；

图2是根据本公开的一个实施例的示例性方法的流程图；

图3示出了根据本公开的一个实施例的示例性架构；

图4是根据本公开的一个实施例的示例性装置的框图；

图5是根据本公开的一个实施例的示例性计算设备的框图。

具体实施方式

在说明书的以下部分中，出于解释的目的而阐述了大量具体细节。然而，应当理解的是，本公开的实施例无需这些具体细节就可以实施。在其它实例中，并未详细示出公知的电路、结构和技术，以免影响对说明书的理解。

说明书通篇中对“一个实施例”、“实施例”、“示例性实施例”、“一些实施例”、“各种实施例”等的引述表示所描述的本公开的实施例可以包括特定的特征、结构或特性，然而，并不是说每个实施例都必须要包含这些特定的特征、结构或特性。此外，一些实施例可以具有针对其它实施例描述的特征中的一些、全部，或者不具有针对其它实施例描述的特征。

在下面的说明书中，可能会用到术语“耦合”和“连接”及其派生词。需要理解的是，这些术语并非是要作为彼此的同义词。相反，在特定的实施例中，“连接”用于表示两个或更多部件彼此直接物理或电接触，而“耦合”则用于表示两个或更多部件彼此协作或交互，但是它们可能、也可能不直接物理或电接触。

下面参考图1，其示出了一个示例性环境100，可以在其中实施本公开的一些实施例。如图1所示，示例性环境100可以包括客户端110、服务器120以及一个或多个数据源130。本领域技术人员可以理解，图1中所示的架构仅为示例而非限制。

客户端110的示例可以包括、但不限于：移动设备，个人数字助理(PDA)，可穿戴设备，移动计算设备，智能电话，蜂窝电话，手持设备，消息传送设备，计算机，个人计算机(PC)，台式计算机，膝上型计算机，笔记本计算机，手持计算机，平板计算机，工作站，迷你计算机，大型计算机，超级计算机，网络设备，Web设备，基于处理器的系统，多处理器系统，消费电子设备，可编程消费电子设备，电视，数字电视，机顶盒，或其任意组合。在一些实施例中，客户端110的功能可以通过运行在其上的应用程序来实现。

如图1所示，客户端110和服务器120可以通过网络140来通信地耦合。网络140可以包括任意类型的有线或无线通信网络，或者有线或无线网络的组合。通信网络的示例可以包括局域网(LAN)、广域网(WAN)、公共电话网、互联网、内联网、蓝牙，等等。此外，尽管在图1中只示出了单个网络140，但是在一些实施例中，网络140也可以被配置为包括多个网络。

此外，尽管在图1中服务器120被示出为单个服务器，但是可以理解的是，它也可以被实现为服务器阵列或服务器群组，或者在一些实施例中它甚至可以是不同实体构成的集群，其中的每个实体被配置为执行各自的功能。此外，在一些实施例中，服务器120可以被部署在分布式计算环境中，并且也可以使用云计算技术来实现，而本公开并不限于此。

此外，尽管在图1中一个或多个数据源130被示出为与服务器120分离并耦合到服务器120，但是在一些实施例中，一个或多个数据源130也可以与服务器120集成在一起。一个或多个数据源130也可以通信地耦合到网络140。

在一个典型场景中，用户通过客户端110来针对某项欺诈事件向服务平台(例如，图1中所示的服务器120)发出举报。例如，通过使用客户端110上的特定应用程序(APP)的举报接口，用户可以来将准备好的举报材料提供给服务器120以供后者进行审理。响应于接收到该举报，服务器120对该举报进行处理，然后将处理结果反馈给客户端110以供呈现给用户。典型地，处理结果为文字形式并且仅包括定性审理结果。

然而，不同用户对于定性结果反馈有不一样的诉求。例如，针对某服务平台的一项调查显示，超过半数的用户希望获得较为专业的反馈通知，有近四分之一的用户则希望服务平台考虑该用户举报后的情感诉求，并且还有一定比例的用户希望服务平台能够明确引导该用户如何向警方报案以便追回诈骗损失，等等。不同用户群体在就欺诈事件进行举报后，除了通用的诉求——即获得明确的审理结果，被告知举报对象是否受到处罚，等等——之外，还有着各不相同的个性化诉求，而后者则是现有技术的方案所不支持的。

根据本公开的一个示例性实施例，用户的客户端110可以向服务器120发送举报数据。除了来自客户端110的举报数据之外，服务器120还可以获取该用户的用户数据。在一些实施例中，用户数据可以是存在于服务器120中的。附加地或者可替代地，用户数据可以来自于一个或多个数据源130。在一些实施例中，用户数据可以与该用户的唯一标识相关联，例如该用户的用户ID。

在一些实施例中，利用所获取的用户数据，服务器120可以判断该用户对于结果反馈的偏好。并且，至少部分地基于所判断出的偏好，服务器120可以确定要提供给客户端110的用户的反馈，其中，所述反馈包括针对所述举报的审理结果，并且能够反映所述用户的偏好。

例如，针对来自某用户的客户端110的关于订单泄漏被骗的举报/投诉，服务器120在获取了该用户的用户数据后发现，该用户为一名20岁左右女性，其经常购买中低价格少女服饰、且寄送地址为某学校。基于上述及其他用户数据，服务器120在确定针对该举报的反馈时，可以考虑该类用户的情感诉求，例如提供人工申诉入口、且在所生成的反馈文案表达上更注重用户心情。同时，鉴于学生群体在例如购买虚拟物品等方面会存在多次被骗的情况，服务器120可以在推送的反馈中提供相关的多种欺诈手法介绍以警示用户。此外，鉴于该年龄段群体更喜欢图片的阅读方式，因此服务器120可以选择图文的方式来推送反馈。

根据本发明的一些实施例，由服务器120确定或提供的举报反馈不但考虑用户的通用诉求，而且能够满足用户的个性化诉求。

下面参考图2，其示出了根据本公开的一个实施例的示例性方法200的流程图。例如，方法200可以在图1中所示的服务器120上实现。在一些实施例中，服务器120基于分布式计算技术。在一些实施例中，服务器200是采用云计算技术来实现的。

在一个示例性实施例中，方法200开始于步骤210。在该步骤中，获取与进行举报的用户相关联的用户数据。

在一个实施例中，针对用户经历的欺诈事件，该用户可以通过客户端110(例如，其上安装的APP)向服务器120提交在线举报。在一个实施例中，服务器120接收到的来自客户端110的举报可以包括与该欺诈事件有关的信息，例如包括但不限于：该欺诈事件发生的时间、地点、当事人、钱/物损失，等等。在一个实施例中，服务器120接收到的来自客户端110的举报可以包含该用户的唯一标识，例如用户ID。在一个实施例中，服务器120可以基于该用户的用户ID来获取与其相关联的用户数据。

根据本公开的一些示例性实施例，用户数据可以包括各种可能有助于确定用户对于举报反馈的偏好的数据。在一些实施例中，用户数据可以包括该用户的基础账户数据。所述基础账户数据例如可以包括该用户的账户号、姓名、性别、年龄、注册时间、账户余额、会员等级，等等，然而本公开并不限于此。

此外，在一些实施例中，用户数据还可以包括该用户的社会属性数据。所述社会属性数据例如可以包括该用户的学历、工作、职务、社团关系、社交关系，等等，然而本公开并不限于此。

此外，在一些实施例中，用户数据还可以包括该用户的举报历史数据。所述举报历史数据例如可以包括该用户在指定时间段内的举报次数、举报成立占比、举报的被骗手法、举报的被骗总金额，等等，然而本公开并不限于此。另外，根据一些实施例，所述指定时间段例如可以是最近30天、60天、90天，等等，本公开在此并不设具体限制。

此外，在一些实施例中，用户数据还可以包括该用户的来电和自助服务历史数据。所述来电历史数据例如可以包括该用户在指定时间段内的来电次数、来电原因、来电情况概述，等等。所述自助服务历史数据例如可以包括该用户在指定时间段内的自助咨询和/或投诉次数、自助咨询和/或投诉情况概述，等等。然而本公开并不限于此。

此外，在一些实施例中，用户数据还可以包括该用户的限制解除申请历史数据。所述限制解除申请历史数据例如可以包括在指定时间段内，该用户的交易由于可能被系统策略识别到风险而稽核保护，然而该用户主动申请解除其限制的次数，等等，然而本公开并不限于此。

此外，在一些实施例中，用户数据还可以包括该用户的交易历史数据。所述交易历史数据例如可以包括在指定时间段内，该用户在一个或多个在线商城上的实物交易次数、虚拟物品交易次数、服务交易次数，等等，然而本公开并不限于此。

尽管上面示例性地描述了用户数据可以包括基础账户数据、社会属性数据、举报历史数据、来电和自助服务历史数据、限制解除申请历史数据、和/或交易历史数据等，并且针对每一类用户数据都进行了举例说明，然而本领域技术人员可以理解，上述示例和举例说明并非限制性的，可以有更多的用户数据来补充、替代上述示例中的一个或多个。

此外，在一些实施例中，用户数据可以来自于服务器120自身、和/或来自于与服务器120通信地耦合的一个或多个外部数据源130。所述一个或多个外部数据源130可以是用于提供相关的和/或其它的服务的服务器，也可以是专用于存储数据的存储装置/数据库，本公开在此并不设限制。

返回到图2，在一个示例性实施例中，方法200前进到步骤220。在该步骤中，利用所获取的用户数据来判断该用户对于举报反馈的偏好。在一个实施例中，服务器120在从一个或多个数据源130获取所述用户数据之后，可以对所述用户数据进行处理以确定该用户对于反馈的偏好。

在一些实施例中，所述偏好可以包括该用户对于反馈文案风格的偏好。该类偏好例如可以包括专业型文案风格、关怀型文案风格，等等，然而本公开并不限于此。在一些实施例中，专业型文案风格可以是指反馈文案用词专业理性客观，尽可能不带感情色彩，且文案中可以带有欺诈场景等专业用语。另外，在一些实施例中，关怀型文案风格可以是指考虑到用户被骗后的情绪，文案设计可以更具感情化，可以带有一定程度的安抚作用。

例如，考虑前述的用户数据包括社会属性数据的示例，可以基于学历、工作等信息判断该用户的受教育程度，从而在反馈文案措辞方面可以倾向于更加谨慎专业，优选专业型文案风格。

例如，考虑前述的用户数据包括举报历史数据的示例，可以基于该用户对于交易商户服务问题投诉多次这一情况，初步判断该用户对于用户体验的诉求相对较高，从而在确定反馈文案风格时可以优选关怀型文案风格。

此外，在一些实施例中，所述偏好还可以包括该用户对于反馈内容的偏好。该类偏好例如可以包括被骗手法分析、打击资讯推送、引导补充证据、引导向警方报案，等等，然而本公开并不限于此。

例如，考虑前述的用户数据包括限制解除申请历史数据的示例，可以基于该历史数据来初步判断该用户是否容易被骗，例如如果限制解除申请次数较多，则可以在举报反馈中向该用户推送一些常见的骗术，等等。

此外，在一些实施例中，所述偏好还可以包括该用户对于反馈形式的偏好。该类偏好例如可以包括文本型、图文型、语音型，等等，然而本公开并不限于此。

例如，考虑前述的用户数据包括基础账户数据的示例，可以基于该数据判断该用户所处的年龄阶层，考虑到年轻人更喜欢图片的阅读方式，可以选择用图文的形式来推送反馈。

例如，考虑前述的用户数据包括来电和自助服务历史数据的示例，可以基于该数据初步判断该用户偏好来电求助，并且相应地可以优选以语音回电的形式来向其提供反馈。

同样，尽管上面示例性地描述了所述偏好可以包括反馈文案风格偏好、反馈内容偏好、和/或反馈形式偏好等，并且针对每一类偏好都进行了举例说明，然而本领域技术人员可以理解，上述示例和举例说明并非限制性的，可以有更多的偏好来补充、替代上述示例中的一个或多个。

在本公开的一些实施例中，优选地，关于用户对于举报反馈的偏好的判断是采用人工智能方式来实现的。更具体地，服务器120包括/运行有基于机器学习算法的用户分群预测模型，该预测模型以用户数据(例如，前文中所述的)作为输入，输出则指示该用户的具体偏好。在本公开的一些实施例中，所述预测模型是基于深度神经网络(DNN)算法，然而本领域技术人员可以理解，其他机器学习算法也是可行的。

在一个实施例中，在所述偏好包括如前所述的反馈文案风格偏好、反馈内容偏好、反馈形式偏好这三类的情况下，通过将包括基础账户数据、社会属性数据、举报历史数据、来电和自助服务历史数据、限制解除申请历史数据、和/或交易历史数据等的用户数据按照用户分群预测模型要求的格式提供给该预测模型作为输入，该预测模型可以实现对用户的分群。具体地，在该实施例中，针对一个用户，该预测模型的输出信息用以指示在上述三类偏好中的每一类中，为该用户确定的具体方向。

作为一个示例，基于与进行举报的用户A相关联的用户数据，该用户A可能会被该预测模型标注为专业型文案风格(就反馈文案风格偏好而言)、引导向警方报案(就反馈内容偏好而言)、图文型(就反馈形式偏好而言)。作为另一个示例，基于与进行举报的用户B相关联的用户数据，该用户B可能会被该预测模型标记为关怀型文案风格(就反馈文案风格偏好而言)、被骗手法分析(就反馈内容偏好而言)、语音型(就反馈形式偏好而言)。

此外，在一些实施例中，针对多类偏好(例如，上述的三类)中的每一类，可以使用一个单独的预测子模型来判断该用户在该类偏好上的具体选择。作为一个示例，针对反馈文案风格偏好，可以采用一个预测子模型X来判断一个用户是优选专业型文案风格还是关怀型文案风格；而针对反馈内容偏好，可以采用另一个预测子模型Y来判断该用户是优选被骗手法分析、打击资讯推送、引导补充证据、还是引导向警方报案；此外，针对反馈形式偏好，可以采用又一个预测子模型Z来判断该用户是优选文本型反馈、图文型反馈、还是语音型反馈。在一些实施例中，作为上述三个预测子模型X、Y和Z的输入的用户数据可以是相同的，而在另外一些实施例中，输入的用户数据可以是不同的、或者有重叠。

示例性方法200然后前进到步骤230。可选地，在该步骤中，存储所判断出的该用户的偏好。在一些实施例中，服务器120可以将该用户的偏好存储在本地；而在另一些实施例中，服务器120可以将该用户的偏好存储在其他位置，例如，存储在数据源130中。本领域技术人员可以理解，所存储的用户偏好可供在下次要针对用户的举报确定反馈时使用。而在本公开的一些实施例中，也可以在每次要针对用户的举报确定反馈时都重新判断该用户对于所述反馈的偏好，例如通过上述的步骤220，相应地步骤230的操作也并非必需。

示例性方法200继续进行到步骤240。在该步骤中，至少部分地基于所判断出的偏好，确定要提供给该用户的反馈，其中，所述反馈包括针对所述举报的审理结果，并且其中，所述反馈反映该用户的偏好。

继续前面的示例，针对被用户分群预测模型标注为专业型文案风格(就反馈文案风格偏好而言)、引导向警方报案(就反馈内容偏好而言)、图文型(就反馈形式偏好而言)的用户A，在一些实施例中，服务器120可以根据预先设置好的一个或多个参数和/或模板来确定反馈，该反馈采用图文结合的形式，其中，文案用词偏向专业理性客观，减少感情色彩，并且明确给出向警方报案的指导和入口。

如前所述，现有技术的反馈通常仅有定性审理结果且形式单一，并不能满足用户的个性化诉求。与之相比，根据本公开的一些示例性实施例，除了基于用户的举报给出的审理结果之外，服务器120所确定的反馈还能够充分反映该用户的偏好，例如，在反馈文案风格、反馈内容、以及反馈形式等各方面。而且，本领域技术人员可以理解，基于所判断出的上述偏好，包括审理结果本身也可以在表述风格、表达形式等方面针对用户个体而加以区别呈现。

在本公开的一些示例性实施例中，步骤220中所使用的用户分群预测模型是借助于大量训练数据、采用有监督学习的方式来训练的。每一条训练数据都是某个用户的用户数据，考虑前述的示例，其例如可以包括基础账户数据、社会属性数据、举报历史数据、来电和自助服务历史数据、限制解除申请历史数据、和/或交易历史数据等。该条训练数据同时带有标签，同样考虑前述的示例，所述标签标明该用户针对反馈文案风格偏好、反馈内容偏好、反馈形式偏好这三类偏好中的每一类上的具体选择。经训练出的该预测模型能够实现基于生产数据，从用户针对举报反馈的偏好这一角度上对用户进行自动分群。

此外，用户分群预测模型的训练和/或优化还可以基于用户对于所获得的举报反馈的满意度调研数据。例如，通过对举报用户的满意度调研，可以获知其对于如示例性方法200所确定的反馈(例如，包括反馈文案风格、反馈内容、反馈形式，等)是否满意以及建议，而这样的调研数据可以反哺到该预测模型的训练和/或优化，从而提升该预测模型的准确性。

此外，在本公开的一些实施例中，示例性方法200的步骤210中获取的、并且在步骤220中的判断操作所基于的用户数据也可以包括已有的该用户的满意度调研数据。

此外，尽管在前述的示例中用户数据可能来自于服务器120自身、和/或来自于与服务器120通信地耦合的一个或多个外部数据源130，但是在本公开的一些实施例中，用户数据或其至少一部分也可以来自于该用户的客户端110。

上文中结合图2描述了根据本公开的一个实施例的方法200的流程图，本领域技术人员可以理解，方法200仅仅是示例性的而非限制性的，并且并不是这里所描述的每一个操作都是实现本公开的一个特定实施例所必需的。在另外一些实施例中，方法200还可以包括在说明书中描述的其它操作。还应当注意的是，示例性方法200的各种操作可以用软件、硬件、固件或其任意组合来实现。

图3示出了根据本公开的一个实施例的示例性架构300。如图3所示，该架构300的底层为用户数据，包括基础账户数据、社会属性数据、举报历史数据、来电和自助服务历史数据、限制解除申请历史数据、交易历史数据、和/或其它(如满意度调查数据)，等等。基于机器学习算法的用户分群预测模型将用户的这些用户数据映射到诸如反馈文案风格偏好标签、反馈内容偏好标签、反馈形式偏好标签等的每一个中的具体选项上，由此实现对该用户的自动分群。进而，基于分群结果，实现举报反馈的差异化/个性化。

下面参考图4，图4是根据本公开的一个实施例的示例性装置400的框图。例如，装置400可以在图1中所示的服务器120或任何类似的或相关的实体中实现。

示例性装置400用于针对用户的举报确定反馈。如图4所示，装置400可以包括获取模块410，其用于获取与进行举报的用户相关联的用户数据。装置400还可以包括判断模块420，其用于利用所获取的用户数据来判断该用户对于所述反馈的偏好。在一些优选的实施例中，判断模块420包括基于机器学习算法的用户分群预测模型。此外，装置400还可以包括确定模块430，其用于至少部分地基于所判断出的偏好，确定要提供给该用户的反馈，其中，所述反馈包括针对所述举报的审理结果，并且其中，所述反馈反映该用户的偏好。

此外，在一些实施例中，装置400还可以包括附加的模块，用于执行说明书中已经描述的其它操作。例如，装置400可以包括存储模块(未示出)，其用于存储所判断出的偏好。本领域技术人员可以理解，示例性装置400可以用软件、硬件、固件、或其任意组合来实现。

图5示出了根据本公开的一些实施例的示例性计算设备500的框图。如图5所示，计算设备500可以包括至少一个处理器510、非易失性存储器520、内存530以及通信接口540。如图5所示，至少一个处理器510、非易失性存储器520、内存530以及通信接口540可以经由总线/互连550耦合在一起。在一些实施例中，至少一个处理器510可以包括任意类型的通用处理单元/核心(例如但不限于：CPU、GPU)，或者专用处理单元、核心、电路、控制器，等等。在一些实施例中，非易失性存储器520和/或内存530可以包括任意类型的可以用于存储数据的介质。在一些实施例中，通信接口540可以支持各种类型的有线/无线外部通信协议。在一些实施例中，总线/互连550可以支持任何合适的总线/互连协议，例如，外围组件互连(PCI)、PCI快速(PCIe)、通用串行总线(USB)、串行附接SCSI(SAS)、串行ATA(SATA)、光纤通道(FC)、系统管理总线(SMBus)或其他合适的协议。此外，在一些实施例中，非易失性存储器520和/或内存530中可以存储有至少一个计算机可执行指令，至少一个处理器510可以执行所述至少一个计算机可执行指令，以执行本文中描述的相应的方法/操作。根据本公开的一个实施例，所述指令在由至少一个处理器510执行时，使得至少一个处理器510执行一种用于针对用户的举报确定反馈的方法，包括：获取与进行举报的所述用户相关联的用户数据；利用所获取的用户数据来判断所述用户对于所述反馈的偏好；至少部分地基于所判断出的偏好，生成要提供给所述用户的反馈，其中，所述反馈包括针对所述举报的审理结果，并且其中，所述反馈反映所述用户的偏好。

本公开的各种实现可以使用硬件单元、软件单元或其组合来实现。硬件单元的示例可以包括设备、部件、处理器、微处理器、电路、电路元件(例如、晶体管、电阻器、电容器、电感器，等等)、集成电路、专用集成电路(ASIC)、可编程逻辑器件(PLD)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、存储单元、逻辑门、寄存器、半导体器件、芯片、微芯片、芯片组，等等。软件单元的示例可以包括软件部件、程序、应用、计算机程序、应用程序、系统程序、机器程序、操作系统软件、中间件、固件、软件模块、例程、子例程、函数、方法、过程、软件接口、应用程序接口(API)、指令集、计算代码、计算机代码、代码段、计算机代码段、字、值、符号、或其任意组合。确定一个实现是使用硬件单元和/或软件单元来实施的可以取决于多种因素而变化，例如期望的计算速率、功率级别、耐热性、处理周期预算、输入数据速率、输出数据速率、存储器资源、数据总线速度，以及其它的设计或性能约束，正如一个给定的实现所期望的。

本公开的一些实现可以包括制品。制品可以包括存储介质，其用于存储逻辑。存储介质的示例可以包括一种或多种类型的能够存储电子数据的计算机可读存储介质，包括易失性存储器或非易失性存储器、可移动或不可移动存储器、可擦除或不可擦除存储器、可写或可重写存储器，等等。逻辑的示例可以包括各种软件单元，例如软件部件、程序、应用、计算机程序、应用程序、系统程序、机器程序、操作系统软件、中间件、固件、软件模块、例程、子例程、函数、方法、过程、软件接口、应用程序接口(API)、指令集、计算代码、计算机代码、代码段、计算机代码段、字、值、符号、或其任意组合。在一些实现中，例如，制品可以存储可执行的计算机程序指令，其在被处理单元执行时，使得处理单元执行这里所述的方法和/或操作。可执行的计算机程序指令可以包括任意合适类型的代码，例如，源代码、编译代码、解释代码、可执行代码、静态代码、动态代码，等等。可执行的计算机程序指令可以根据预定义的用于命令计算机来执行特定功能的计算机语言、方式或语法来实现。所述指令可以使用任意适当的高级的、低级的、面向对象的、可视化的、编译的和/或解释的编程语言来实现。

下面描述根据本公开的一些示例：

在一个示例中，一种用于针对用户的举报来确定反馈的方法包括：获取与进行举报的所述用户相关联的用户数据；利用所获取的用户数据来判断所述用户对于举报反馈的偏好；以及至少部分地基于所判断出的偏好，确定要提供给所述用户的反馈，其中，所述反馈包括针对所述举报的审理结果，并且其中，所述反馈反映所述用户的所述偏好。

在一个示例方法，所述判断包括将所述用户数据作为输入，使用基于机器学习算法的预测模型来确定所述用户的所述偏好。

在一个示例方法中，所述机器学习算法包括深度神经网络(DNN)算法。

在一个示例方法中，所述偏好包括以下几类中的一个或多个：所述用户对于反馈风格的偏好、所述用户对于反馈内容的偏好、所述用户对于反馈形式的偏好。

在一个示例方法中，所述用户数据包括以下中的一个或多个：所述用户的基础账户数据、所述用户的社会属性数据、所述用户的举报历史数据、所述用户的来电和自助服务历史数据、所述用户的限制解除申请历史数据、所述用户的交易历史数据。

在一个示例方法中，所述用户数据来自多个数据源。

在一个示例方法中，所述预测模型是使用有监督学习进行训练的。

在一个示例方法中，针对所述用户的每一类偏好，使用一个单独的预测子模型来确定所述用户在该类偏好上的具体选择。

在一个示例中，一种用于针对用户的举报来确定反馈的装置，包括：用于获取与进行举报的所述用户相关联的用户数据的单元；用于利用所获取的用户数据来判断所述用户对于举报反馈的偏好的单元；以及用于至少部分地基于所判断出的偏好，确定要提供给所述用户的反馈的单元，其中，所述反馈包括针对所述举报的审理结果，并且其中，所述反馈反映所述用户的所述偏好。

在一个示例装置中，所述判断包括将所述用户数据作为输入，使用基于机器学习算法的预测模型来确定所述用户的所述偏好。

在一个示例装置中，所述机器学习算法包括深度神经网络(DNN)算法。

在一个示例装置中，所述偏好包括以下几类中的一个或多个：所述用户对于反馈风格的偏好、所述用户对于反馈内容的偏好、所述用户对于反馈形式的偏好。

在一个示例装置中，所述用户数据包括以下中的一个或多个：所述用户的基础账户数据、所述用户的社会属性数据、所述用户的举报历史数据、所述用户的来电和自助服务历史数据、所述用户的限制解除申请历史数据、所述用户的交易历史数据。

在一个示例装置中，所述用户数据来自多个数据源。

在一个示例装置中，所述预测模型是使用有监督学习进行训练的。

在一个示例装置中，针对所述用户的每一类偏好，使用一个单独的预测子模型来确定所述用户在该类偏好上的具体选择。

在一个示例中，一种计算设备包括：存储器，其用于存储指令；以及至少一个处理器，其耦合到所述存储器，其中，所述指令在由所述至少一个处理器执行时，使得所述至少一个处理器执行任一前述示例方法。

在一个示例中，一种计算机可读存储介质上存储有指令，所述指令在由至少一个处理器执行时，使得所述至少一个处理器执行任一前述示例方法。

上面已经描述的包括所公开的架构的示例。当然并不可能描述部件和/或方法的每种可以想见的组合，但是本领域技术人员可以理解，许多其它的组合和排列也是可行的。因此，该新颖架构旨在涵盖落入所附权利要求的精神和范围之内的所有这样的替代、修改和变型。

Claims (18)

1.一种用于针对用户的举报来确定反馈的方法，包括：

获取与进行举报的所述用户相关联的用户数据；

利用所获取的用户数据来判断所述用户对于举报反馈的偏好；以及

至少部分地基于所判断出的偏好，确定要提供给所述用户的反馈，其中，所述反馈包括针对所述举报的审理结果，并且其中，所述反馈反映所述用户的所述偏好。

2.如权利要求1所述的方法，其中，所述判断包括将所述用户数据作为输入，使用基于机器学习算法的预测模型来确定所述用户的所述偏好。

3.如权利要求2所述的方法，其中，所述机器学习算法包括深度神经网络(DNN)算法。

4.如权利要求2所述的方法，其中，所述偏好包括以下几类中的一个或多个：所述用户对于反馈风格的偏好、所述用户对于反馈内容的偏好、所述用户对于反馈形式的偏好。

5.如权利要求2所述的方法，其中，所述用户数据包括以下中的一个或多个：所述用户的基础账户数据、所述用户的社会属性数据、所述用户的举报历史数据、所述用户的来电和自助服务历史数据、所述用户的限制解除申请历史数据、所述用户的交易历史数据。

6.如权利要求1所述的方法，其中，所述用户数据来自多个数据源。

7.如权利要求2所述的方法，其中，所述预测模型是使用有监督学习进行训练的。

8.如权利要求4所述的方法，其中，针对所述用户的每一类偏好，使用一个单独的预测子模型来确定所述用户在该类偏好上的具体选择。

9.一种用于针对用户的举报来确定反馈的装置，包括：

用于获取与进行举报的所述用户相关联的用户数据的单元；

用于利用所获取的用户数据来判断所述用户对于举报反馈的偏好的单元；以及

用于至少部分地基于所判断出的偏好，确定要提供给所述用户的反馈的单元，其中，所述反馈包括针对所述举报的审理结果，并且其中，所述反馈反映所述用户的所述偏好。

10.如权利要求9所述的装置，其中，所述判断包括将所述用户数据作为输入，使用基于机器学习算法的预测模型来确定所述用户的所述偏好。

11.如权利要求10所述的装置，其中，所述机器学习算法包括深度神经网络(DNN)算法。

12.如权利要求10所述的装置，其中，所述偏好包括以下几类中的一个或多个：所述用户对于反馈风格的偏好、所述用户对于反馈内容的偏好、所述用户对于反馈形式的偏好。

13.如权利要求10所述的装置，其中，所述用户数据包括以下中的一个或多个：所述用户的基础账户数据、所述用户的社会属性数据、所述用户的举报历史数据、所述用户的来电和自助服务历史数据、所述用户的限制解除申请历史数据、所述用户的交易历史数据。

14.如权利要求9所述的装置，其中，所述用户数据来自多个数据源。

15.如权利要求10所述的装置，其中，所述预测模型是使用有监督学习进行训练的。

16.如权利要求12所述的装置，其中，针对所述用户的每一类偏好，使用一个单独的预测子模型来确定所述用户在该类偏好上的具体选择。

17.一种计算设备，包括：

存储器，其用于存储指令；以及

至少一个处理器，其耦合到所述存储器，其中，所述指令在由所述至少一个处理器执行时，使得所述至少一个处理器执行根据权利要求1-8中的任意一项所述的方法。

18.一种计算机可读存储介质，其上存储有指令，所述指令在由至少一个处理器执行时，使得所述至少一个处理器执行根据权利要求1-8中的任意一项所述的方法。