CN110163432A - 一种订单识别的方法及装置 - Google Patents

Abstract

本申请公开了一种订单识别的方法和装置，在该方法中可以从获取到的待识别订单中提取特征，将提取出的特征输入到预先训练的第一识别模型中，以得到针对该待识别订单是否产生投诉行为的预测结果以及该第一识别模型对该待识别订单进行预测时所产生的中间数据，若根据该预测结果预测出该待识别订单将产生投诉行为，将提取出的特征以及该中间数据输入到预先训练的第二识别模型中，以确定出该投诉行为对应的投诉类型，基于该投诉类型，对该待识别订单进行处理。由于可以在待识别订单的投诉行为出现前，对待识别订单进行预测，并在预测出该待识别订单将产生投诉行为时，及时对该待识别订单进行处理，实现了对即将发起的投诉行为进行提前的应对。

Description

一种订单识别的方法及装置

技术领域

本申请涉及计算机领域，尤其涉及一种订单识别的方法及装置。

背景技术

网约车已经逐渐成为时下最受欢迎的出行方式之一，用户可以通过移动终端随时随地在网上进行约车，有效的提高用户的出行效率，从而给用户的日常生活带来了方便。

在实际应用中，乘客或是司机向网约车平台发起投诉时有发生，而网约车平台目前主要采用人工客服的方式，来应对乘客或司机发起的大量投诉。然而，通过人工客服的方式来应对大量的投诉，则需要耗费极大的人力成本，并且，通过人工客服的方式处理各种投诉的效率较低。

另外，目前并没有有效的方式，对于乘客或司机将要发生的投诉行为进行提前应对。所以，如何能够在乘客或司机的投诉行为发生之前，对乘客或司机即将发起的投诉行为进行提前的应对，以提高投诉的处理效率，则是一个亟待解决的问题。

发明内容

本申请实施例提供一种订单识别的方法及装置，用以解决现有技术中处理投诉订单的效率较低的问题。

本申请采用下述技术方案：

本申请提供了一种订单识别的方法，包括：

从获取到的待识别订单中提取特征；

将所述特征输入到预先训练的第一识别模型，得到针对所述待识别订单是否产生投诉行为的预测结果，以及所述第一识别模型对所述待识别订单预测的过程中产生的中间数据，所述中间数据用于表征各特征与投诉类型的关联度；

若根据所述预测结果预测所述待识别订单产生投诉行为，将所述特征以及所述中间数据输入到预先训练的第二识别模型中，以得到所述投诉行为对应的投诉类型；

根据所述投诉类型，对所述待识别订单进行处理。

可选地，训练所述第一识别模型，具体包括：

获取各历史订单；

从所述各历史订单提取出各预设的特征维度对应的特征作为各历史特征；

通过所述各历史特征以及各历史订单对应的历史投诉结果，对所述第一识别模型进行训练。

可选地，训练所述第二识别模型，具体包括：

从所述各历史订单中筛选出存在投诉行为的历史订单作为历史投诉订单；

针对每个历史投诉订单，获取所述第一识别模型识别该历史投诉订单时产生的历史中间数据，所述历史中间数据用于表征各历史特征与投诉类型的关联度；

通过所述各历史特征、所述历史中间数据以及各历史订单对应的投诉类型，对所述第二识别模型进行训练。

可选地，根据所述投诉类型，对所述待识别订单进行处理，具体包括：

根据预先保存的各投诉类型与各应对策略的对应关系，确定所述投诉类型对应的应对策略；

根据所述应对策略，对所述待识别订单进行处理。

可选地，所述方法还包括：

若接收到用户针对所述待识别订单发起的投诉请求，确定处理所述投诉类型对应投诉的目标对象；

将所述投诉请求发送给所述目标对象进行处理。

可选地，所述方法还包括：

若接收到用户针对所述待识别订单发起的投诉请求，确定与所述投诉类型相匹配的语音信息；

根据所述语音信息，提示所述用户处理所述待识别订单。

本申请提供了一种订单识别的装置，包括：

提取模块，用于从获取到的待识别订单中提取特征；

第一输入模块，用于将所述特征输入到预先训练的第一识别模型，得到针对所述待识别订单是否产生投诉行为的预测结果，以及所述第一识别模型对所述待识别订单预测的过程中产生的中间数据，所述中间数据用于表征各特征与投诉类型的关联度；

第二输入模块，用于若根据所述预测结果预测所述待识别订单产生投诉行为，将所述特征以及所述中间数据输入到预先训练的第二识别模型中，以得到所述投诉行为对应的投诉类型；

处理模块，用于根据所述投诉类型，对所述待识别订单进行处理。

可选地，所述装置还包括：

训练模块，用于获取各历史订单；从所述各历史订单提取出各预设的特征维度对应的特征作为各历史特征；通过所述各历史特征以及各历史订单对应的历史投诉结果，对所述第一识别模型进行训练。

本申请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订单识别的方法。

本申请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订单识别的方法。

本申请采用的上述至少一个技术方案能够达到以下有益效果：

从上述方法中可以看出，可以从获取到的待识别订单中提取特征，并将提取出的特征输入到预先训练的第一识别模型中，以得到针对该待识别订单是否产生投诉行为的预测结果以及该第一识别模型对该待识别订单进行预测时所产生的中间数据，若根据该预测结果预测出该待识别订单将产生投诉行为，可以将提取出的特征以及该中间数据输入到预先训练的第二识别模型中，以确定出该投诉行为对应的投诉类型，进而基于该投诉类型，对该待识别订单进行处理。

由于可以在待识别订单的投诉行为出现前，对待识别订单进行预测，并在预测出该待识别订单将产生投诉行为时，及时的对该待识别订单进行处理。从而实现了对即将发起的投诉行为进行提前的应对，提高了投诉的处理效率。

附图说明

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

图1为本申请实施例中一种订单识别的方法的流程示意图；

图2为本申请提供的一种订单识别的装置示意图；

图3为本申请提供的对应于图1的电子设备示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为本申请实施例中一种订单识别的方法的流程示意图，具体包括以下步骤：

S101：从获取到的待识别订单中提取特征。

在本申请实施例中，可以获取待识别订单，并对该待识别订单进行提取特征，后续可以基于提取出的特征，来预测该待识别订单是否会产生投诉行为。其中，用于执行本申请提供的订单识别的方法的执行主体可以是服务器，也可以是服务平台中的电脑等设备。为了便于描述，下面将仅以服务器作为执行主体为例，对本申请提供的订单识别的方法进行详细说明。

上述提到的待识别订单可以对应多种业务场景，例如，该待识别订单可以是乘客网约车时所产生的订单；再例如，该待识别订单可以是用户订购外卖时所产生的订单；再例如，该待识别订单可以是用户网购时所产生的订单。为了便于描述，下面将仅以网约车的场景为例，对本申请提供的订单识别的方法进行详细说明。

在本申请实施例中，该待识别订单即是用户执行业务时所产生的订单，服务器可以将该订单作为待识别订单进行提取特征。而服务器获取该待识别订单的时机可以有多种。以网约车的业务场景为例，服务器监测到乘客完成对订单的支付后，可以将该订单作为待识别订单进行获取；再例如，当乘客完成对订单的评论后，服务器可以将该订单作为待识别订单进行获取；再例如，当监测到乘客到达目的地时，服务器可以将该订单作为待识别订单进行获取。其他的时机在此就不详细举例说明了。

在本申请实施例中，服务器可以根据预设的各特征维度，从该待识别订单中提取出各特征维度所对应的特征。其中，这里提到的预设的各特征维度是人为根据实际需求而设置的，这些特征维度能够反映出该待识别订单在执行过程中的实际情况。

以网约车的业务场景为例，预设的各特征维度包括：该待识别订单的订单金额、该待识别订单的起始地和目的地、执行该待识别订单时所走过的实际路程、执行该待识别订单的时长等信息。这些特征维度能够在一定程度上反映出乘客是否会针对该待识别订单进行投诉，所以，后续服务器可以通过这些特征维度所对应的特征，来对待识别订单是否产生投诉行为进行预测。

需要说明的是，服务器从待识别订单中提取出的特征可以指这些特征维度所对应的特征值。例如，假设历史订单的订单金额为：120元，历史订单的订单金额即为预设的特征维度，而120元这一数值可以作为该特征维度所对应的特征。

当然，除了上述提到的这些特征维度外，服务器还可以获取与该待识别订单相关的一些历史信息，并将这些历史信息也作为特征维度。还以网约车的业务场景为例，这些历史信息可以包括：司机被投诉的历史次数、司机的历史接单数、乘客的历史投诉次数、乘客的约车历史次数等。从这里可以看出，这些历史信息能够在一定程度上反映出待识别订单产生投诉行为的可能性，例如，若是该司机被投诉的历史次数较多，则对于该待识别订单来说，乘客投诉该司机的可能性也将较高；再例如，若是司机的历史接单数较少，则该司机完成该待识别订单后，投诉网约车平台为其分配的订单数较少的可能性也较大。

因此，服务器可以从获取到的待识别订单中提取出上述这些特征维度所对应的特征，进而在后续过程中，通过提取出的这些特征，预测该待识别订单是否会产生投诉行为。

需要说明的是，上述列举出的这些特征维度是针对网约车这一业务场景的，对于不同的业务场景，服务器所采用的预设的各特征维度也不同。例如，对于用户订购外卖的业务场景来说，服务器所采用的特征维度可以包括：该待识别订单的订单金额、该待识别订单对应的预计送达时间(预计送达时间是指用户订购的外卖预计何时能够送达到用户手中)、该待识别订单对应的实际送达时间(是指用户订购的外卖实际送达到用户手中的时间)、用户的历史投诉次数、配送员被投诉的历史次数、配送员的历史接单次数等。

再例如，对于用户网购的业务场景来说，服务器所采用的特征维度可以包括：用户网购订单的订单金额、用户网购的物品送达到用户手中所花费的时长、商家所快递所选择的物流、该物流被投诉的历史次数、商家被投诉的历史次数、商家的店铺的历史浏览量、用户的历史投诉次数、用户的历史退货次数、商家的好评率等。

所以，本申请提供的订单识别的方法适用于多种业务场景，针对每个业务场景，服务器可以采用与该业务场景相匹配的特征维度，并从待识别订单中提取该特征维度对应的特征，进而根据提取出的特征预测该待识别订单是否会产生投诉行为。

在网约车的业务场景中，服务器可以通过该待识别订单，预测出乘客是否会发起诸如绕路、乱收费等投诉，也可以预测出司机是否会发起诸如网约车平台分配的订单较少、分配的各订单所涉及的起始地跨度较大等投诉。当然，对于其他的业务场景来说也是如此，即，本申请提供的订单识别的方法是针对待识别订单中的各方的，而并不仅仅针对待识别订单中的一方。

S102：将所述特征输入到预先训练的第一识别模型，得到针对所述待识别订单是否产生投诉行为的预测结果，以及所述第一识别模型对所述待识别订单预测的过程中产生的中间数据。

服务器从该待识别订单提取出特征后，可以将提取出的特征输入到第一识别模型中，得到针对该待识别订单是否会产生投诉行为的预测结果。具体的，服务器将提取出的特征输入到该第一识别模型后，该第一识别模型可以得出针对该待识别订单的投诉概率，若是该投诉概率超过预设的概率阈值，则服务器可以预测出该待识别订单将会产生投诉行为，否则，可以预测该待识别订单将不会产生投诉行为。其中，这里提到的第一识别模型可以是根据各历史订单进行预先训练得到的。

具体的，在本申请实施例中，服务器可以获取各历史订单，并针对每个历史订单，从该历史订单中提取出各预设的特征维度所对应的特征作为历史特征。其中，这里提到的预设的特征维度即为上述提到的由业务人员根据实际需求而设置的。例如，在网约车的业务场景中，预设的特征维度可以是：历史订单的订单金额、该历史订单的起始地和目的地、司机被投诉的历史次数、司机的历史接单数、乘客的历史投诉次数等。

由于获取的是各历史订单，所以，可以获取到各历史订单的历史投诉结果，因此，可以通过从各历史订单中提取出的历史特征以及各历史订单对应的历史投诉结果，对该第一识别模型进行训练。

在对第一识别模型进行训练的过程中，可以将训练过程中所产生的历史中间数据进行提取，以用于对后续提到的第二识别模型进行训练。其中，该历史中间数据主要用于表征各历史特征与投诉类型的关联度，这里提到的投诉类型用于表明用户发起的投诉行为所归属的类别，例如，在网约车的业务场景中，绕路、乱收费等均属于投诉类型。

在实际应用中，从待识别订单中提取出的特征与投诉类型往往具有一定的关联度。例如，在网约车的业务场景中，司机若是绕路，则网约车平台根据乘客的起始地和目的地所规划处的路线，与司机实际行驶的路线相差较大，所以，网约车平台针对用户的起始地和目的地所规划的路线和司机实际行驶的路线，与绕路这一投诉类型的关联度较高；再例如，若是司机的历史接单数较少，则司机向网约车平台投诉网约车平台为其分配的订单较少的可能性也越大，所以，司机的历史接单数与司机投诉网约车为其分配的订单较少这一投诉类型的关联度也较高。

所以，在本申请实施例中，服务器可以从各历史订单中筛选出存在投诉行为的历史订单作为历史投诉订单，而后，针对每个历史投诉订单，服务器可以获取到第一识别模型识别该历史投诉订单时所产生的历史中间数据，并在后续过程中，将获取到的历史中间数据用于第二识别模型的训练。

S103：若根据所述预测结果预测所述待识别订单产生投诉行为，将所述特征以及所述中间数据输入到预先训练的第二识别模型中，以得到所述投诉行为对应的投诉类型。

由于不同投诉类型的投诉行为，具体的应对策略也有所不同，所以，服务器在预测出该待识别订单将产生投诉行为后，需要进一步地确定出该投诉行为所对应的投诉类型，进而可以在后续过程中，根据确定出的投诉类型，采取相应的应对策略。具体的，若服务器根据得到的预测结果预测出待识别订单将产生投诉行为，则可以将提取出的特征以及从第一识别模型中获取到的中间数据输入到第二识别模型中，从而得到该投诉行为所对应的投诉类型。

其中，这里提到的第二识别模型是通过从各历史订单中提取出的各历史特征以及训练第一识别模型时获取到的历史中间数据预先训练出的。具体的，在本申请实施例中，服务器可以将从筛选出的各历史投诉订单中提取出的各历史特征，训练第一识别模型获取到的历史中间数据以及各历史投诉订单对应的投诉类型，对该第二识别模型进行训练。

S104：根据所述投诉类型，对所述待识别订单进行处理。

服务器中保存有各投诉类型与各应对策略的对应关系，因此，服务器在确定出该待识别订单所对应的投诉类型后，可以查询出该投诉类型对应的应对策略，进而根据该应对策略，对该待识别订单进行处理。

例如，若是服务器确定出该待识别订单所对应的投诉类型为绕路后，可以向乘客发送信息，以通过该信息向乘客确认是否出现绕路的情况，并向乘客提供绕路的赔偿方案等。再例如，若是服务器预测出该待识别订单将要产生的投诉行为属于网约车平台向司机分配的订单较少这一投诉类型，则可以向司机提供乘客较多的乘车点，以及乘客约车较多的时段，供司机进行参考。

从上述方法中可以看出，由于在实际应用中，投诉行为通常是在订单完成后发生的，即，订单完成后，用户会根据订单完成的实际情况来决定是否发起投诉。而对于本申请提供的订单识别的方法来说，当订单完成后，服务器可以将该订单作为待识别订单，立即执行对该待识别订单的预测，以确定出该待识别订单是否可能产生投诉行为，若是，则进一步地确定出投诉行为所对应的投诉类型，进而基于该投诉类型，对该待识别订单进行及时的处理。因此，实现了对即将发起的投诉行为进行提前的应对，提高了投诉的处理效率，进而给用户带来了良好的体验。

需要说明的是，在实际应用中，服务器对待识别订单进行识别的过程将消耗一定的时间，若是用户在这段时间内发起了针对该待识别订单的投诉请求，则服务器可以接收该投诉请求，并根据确定出的该待识别订单所对应的投诉类型，确定出处理该投诉类型对应投诉的目标对象，进而将该投诉请求发送给该目标对象进行处理，其中，这里提到的目标对象可以是诸如客服人员、服务专员等处理用户投诉的人员。这样可以进一步地提高投诉的处理效率。

用户拨打投诉电话进行投诉时，往往先是接听一段人工的语音信息，这段人工的语音信息主要用于提示用户对于不同投诉类型的投诉，用户应选择哪一投诉入口(一般来说，不同的数字按键对应不同的投诉入口)。用户通过这段人工的语音信息选择完投诉入口后，会有相应的目标对象(如客服人员)与用户进行沟通，以解决用户实际遇到的问题。

然而，用户所需的投诉人口往往只有一个，若是通过这段语音信息将所有投诉类型的投诉入口均播报给用户，则会增加用户的等待时间，从而降低了用户的投诉效率。

因此，在本申请实施例中，若服务器接收到用户针对该待识别订单发起的投诉请求，则服务器可以确定出与该待识别订单对应的投诉类型相匹配的语音信息，进而根据该语音信息，提示用户处理该待识别订单。例如，用户拨打投诉电话时，服务器可以根据确定出的投诉类型，查询出该投诉类型对应的语音信息，进而将该语音信息播放给用户，用户通过该语音信息可以直接定位到相应的投诉入口，进而接通负责该投诉入口的目标对象(即客服人员)，处理用户自身所发起的投诉。

换句话说，由于该投诉类型对应的语音信息不会向用户播报其他投诉类型的投诉入口，因此，极大的降低了用户的等待时间，提高了用户的投诉效率，给用户带来了良好的体验。

当前，在线智能客服发展的十分迅速，用户可以在线提出问题，在线智能客服可以对用户提出的问题进行语义分析，并向用户提供相应的解决方案。基于此，在本申请实施例中，当用户通过在线智能客服发起投诉时，服务器可以根据确定出的投诉类型，查询出该投诉类型对应的解决方案的文本，进而将该文本通过在线智能客服发送给用户进行参考。

当然，在实际应用中，用户发起投诉的方式还可以有很多。例如，用户可以通过互动式语音应答(Interactive Voice Response，IVR)发起投诉；再例如，用户可以通过发送邮件的方式进行投诉。而无论用户采用哪种投诉方式，服务器均可以根据确定出的投诉类型，查询出该投诉类型对应的解决策略，进而将该解决策略发送给用户进行参考。

以上为本申请的一个或多个实施例提供的订单识别的方法，基于同样的思路，本申请还提供了相应的订单识别的装置，如图2所示。

图2为本申请提供的一种订单识别的装置示意图，具体包括：

提取模块201，用于从获取到的待识别订单中提取特征；

第一输入模块202，用于将所述特征输入到预先训练的第一识别模型，得到针对所述待识别订单是否产生投诉行为的预测结果，以及所述第一识别模型对所述待识别订单预测的过程中产生的中间数据，所述中间数据用于表征各特征与投诉类型的关联度；

第二输入模块203，用于若根据所述预测结果预测所述待识别订单产生投诉行为，将所述特征以及所述中间数据输入到预先训练的第二识别模型中，以得到所述投诉行为对应的投诉类型；

处理模块204，用于根据所述投诉类型，对所述待识别订单进行处理。

可选地，所述装置还包括：

训练模块205，用于获取各历史订单；从所述各历史订单提取出各预设的特征维度对应的特征作为各历史特征；通过所述各历史特征以及各历史订单对应的历史投诉结果，对所述第一识别模型进行训练。

可选地，所述训练模块205具体用于，从所述各历史订单中筛选出存在投诉行为的历史订单作为历史投诉订单；针对每个历史投诉订单，获取所述第一识别模型识别该历史投诉订单时产生的历史中间数据，所述历史中间数据用于表征各历史特征与投诉类型的关联度；通过所述各历史特征、所述历史中间数据以及各历史订单对应的投诉类型，对第二识别模型进行训练。

可选地，所述处理模块204具体用于，根据预先保存的各投诉类型与各应对策略的对应关系，确定所述投诉类型对应的应对策略；根据所述应对策略，对所述待识别订单进行处理。

可选地，所述处理模块204具体用于，若接收到用户针对所述待识别订单发起的投诉请求，确定处理所述投诉类型对应投诉的目标对象；将所述投诉请求发送给所述目标对象进行处理。

可选地，所述处理模块204具体用于，若接收到用户针对所述待识别订单发起的投诉请求，确定与所述投诉类型相匹配的语音信息；根据所述语音信息，提示所述用户处理所述待识别订单。

本申请实施例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提供的订单识别的方法。

本申请实施例还提供了图3所示的电子设备的示意结构图。如图3所述，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所述的订单识别的方法。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，在实施本申请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，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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，并不排除在包括所述要素的过程、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，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。

本申请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申请，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。

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

Claims (10)

1.一种订单识别的方法，其特征在于，包括：

从获取到的待识别订单中提取特征；

将所述特征输入到预先训练的第一识别模型，得到针对所述待识别订单是否产生投诉行为的预测结果，以及所述第一识别模型对所述待识别订单预测的过程中产生的中间数据，所述中间数据用于表征各特征与投诉类型的关联度；

若根据所述预测结果预测所述待识别订单产生投诉行为，将所述特征以及所述中间数据输入到预先训练的第二识别模型中，以得到所述投诉行为对应的投诉类型；

根据所述投诉类型，对所述待识别订单进行处理。

2.如权利要求1所述的方法，其特征在于，训练所述第一识别模型，具体包括：

获取各历史订单；

从所述各历史订单提取出各预设的特征维度对应的特征作为各历史特征；

通过所述各历史特征以及各历史订单对应的历史投诉结果，对所述第一识别模型进行训练。

3.如权利要求2所述的方法，其特征在于，训练所述第二识别模型，具体包括：

从所述各历史订单中筛选出存在投诉行为的历史订单作为历史投诉订单；

针对每个历史投诉订单，获取所述第一识别模型识别该历史投诉订单时产生的历史中间数据，所述历史中间数据用于表征各历史特征与投诉类型的关联度；

通过所述各历史特征、所述历史中间数据以及各历史订单对应的投诉类型，对所述第二识别模型进行训练。

4.如权利要求1所述的方法，其特征在于，根据所述投诉类型，对所述待识别订单进行处理，具体包括：

根据预先保存的各投诉类型与各应对策略的对应关系，确定所述投诉类型对应的应对策略；

根据所述应对策略，对所述待识别订单进行处理。

5.如权利要求1所述的方法，其特征在于，所述方法还包括：

若接收到用户针对所述待识别订单发起的投诉请求，确定处理所述投诉类型对应投诉的目标对象；

将所述投诉请求发送给所述目标对象进行处理。

6.如权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：

若接收到用户针对所述待识别订单发起的投诉请求，确定与所述投诉类型相匹配的语音信息；

根据所述语音信息，提示所述用户处理所述待识别订单。

7.一种订单识别的装置，其特征在于，包括：

提取模块，用于从获取到的待识别订单中提取特征；

第一输入模块，用于将所述特征输入到预先训练的第一识别模型，得到针对所述待识别订单是否产生投诉行为的预测结果，以及所述第一识别模型对所述待识别订单预测的过程中产生的中间数据，所述中间数据用于表征各特征与投诉类型的关联度；

第二输入模块，用于若根据所述预测结果预测所述待识别订单产生投诉行为，将所述特征以及所述中间数据输入到预先训练的第二识别模型中，以得到所述投诉行为对应的投诉类型；

处理模块，用于根据所述投诉类型，对所述待识别订单进行处理。

8.如权利要求7所述的装置，其特征在于，所述装置还包括：

训练模块，用于获取各历史订单；从所述各历史订单提取出各预设的特征维度对应的特征作为各历史特征；通过所述各历史特征以及各历史订单对应的历史投诉结果，对所述第一识别模型进行训练。

9.一种计算机可读存储介质，其特征在于，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权利要求1～6任一项所述的方法。

10.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现上述权利要求1～6任一项所述的方法。