CN111105244B - 基于退款的服务方案确定方法及装置 - Google Patents

Abstract

本说明书实施例提供一种基于退款的服务方案确定方法，该方法包括：首先，获取与退款事件相关的事件信息，并基于所述事件信息，构建退款特征；接着，将所述退款特征输入预先训练的第一预测模型中，得到与多个维度对应的多个关注度；然后，基于所述多个维度和对应的多个关注度，构建维度特征；接着，将所述退款特征和所述维度特征作为组合特征，分别输入预先训练的与所述多个维度对应的多个第二预测模型中，得到多个维度对应的多个关注因素；再基于预先确定的关注因素与建议服务方案的映射关系，确定与所述多个关注因素对应的多个建议服务方案。

Description

基于退款的服务方案确定方法及装置

技术领域

本说明书实施例涉及数据处理领域，具体地，涉及一种基于退款的服务确定方法及装置。

背景技术

目前，人们越来越习惯于通过电商平台，如淘宝网，购买商品或使用服务。出于各种各样的原因，例如，对收到的货物不够满意，或者，下单后很长时间未收到货等等，买家可能会针对下单的商品发起退款请求。在这种情况下，卖家需要对退款请求的相关信息进行查找、分析、或者询问电商平台的客服人员，以决定如何处理退款请求，例如，接受退款请求，并退还部分款项，或者拒绝退款。如此，将耗费卖家大量的时间精力。

因此，需要提供一种合理、可靠的方案，可以帮助卖家快速定位到针对退款请求需要关注的方向、要点，以及向卖家提供有效的建议解决方案。

发明内容

本说明书描述了一种基于退款的服务方案确定方法，通过预先构建与退款事件相关的多个维度，以及训练预测模型，进而根据采集的退款事件信息，确定建议卖家给予各个维度的关注度，以及在各个维度下建议卖家关注的服务要点，以及给出有效的建议解决方案，从而降低卖家退款处理时长，提升卖家服务品质。

根据第一方面，提供了一种基于退款的服务方案确定方法，该方法包括：获取与退款事件相关的事件信息；基于所述事件信息，构建退款特征；将所述退款特征输入预先训练的第一预测模型中，得到与多个维度对应的多个关注度；基于所述多个维度和对应的多个关注度，构建维度特征；将所述退款特征和所述维度特征作为组合特征，分别输入预先训练的与所述多个维度对应的多个第二预测模型中，得到多个维度对应的多个关注因素；基于预先确定的关注因素与建议服务方案的映射关系，确定与所述多个关注因素对应的多个建议服务方案。

在一个实施例中，还包括：向所述退款事件对应的卖家提供服务建议，所述服务建议包括所述多个维度对应的多个关注度、多个关注因素和多个建议服务方案。

在一个实施例中，所述事件信息包括买家信息、卖家信息、订单信息、商品信息、退款信息中的至少一种。

在一个实施例中，其中所述多个维度包括买家维度、物流维度、服务维度、纠纷维度和商品维度中的至少两个。

在一个实施例中，其中所述第一预测模型基于以下步骤而预先训练：获取第一训练样本集，其中各个训练样本包括历史退款事件的退款特征和样本标签，所述样本标签用于指示所述历史退款事件的处理结果所对应的维度；利用所述第一训练样本集，训练所述第一预测模型。

在一个实施例中，其中所述多个第二预测模型中的任一预测模型基于以下步骤而预先训练：获取与所述任一预测模型对应的第二训练样本集，其中各个训练样本集包括历史退款事件的历史退款特征和历史维度特征，以及样本标签；其中所述历史维度特征基于所述第一预测模型针对历史退款特征所输出的结果而确定，所述样本标签用于指示所述任一预测模型所对应维度下的关注因素；利用所述第二训练样本集，训练所述任一预测模型。

在一个实施例中，所述第一预测模型包括多个预测子模型，所述将所述退款特征输入预先训练的第一预测模型中，得到与多个维度中各个维度对应的各个关注度，包括：将所述退款特征分别输入所述多个预测子模型中，得到对应的多组关注度，其中每组关注度包括多个维度对应的多个关注度；确定所述多组关注度的重合度，并判断所述重合度是否大于第一阈值；在所述重合度大于所述第一阈值的情况下，基于所述多组关注度中互相重合的至少两组关注度，确定所述多个关注度。

进一步地，在一个具体的实施例中，其中所述多个预测子模型中的任意两个预测子模型基于相同的训练样本集和不同的机器学习算法预先训练而获得。

在一个具体的实施例中，其中所述确定所述多个关注度包括：将所述至少两组关注度中的任意一组关注度作为所述多个关注度；或，对所述至少两组关注度中各个维度下的关注度分别取平均值，将得到的多个平均值作为所述多个关注度。

在一个具体的实施例中，在所述判断所述重合度是否大于第一阈值后，还包括：在所述重合度小于第一阈值的情况下，展示提示信息，以提示商家无法给出建议服务方案，建议协商处理。

在一个具体的实施例中，其中所述确定所述多组关注度的重合度包括：对于其中任意两组关注度，确定多个维度中各个维度对应的两个关注度之间的差值是否小于第二阈值；在所述多个维度对应的多个差值均小于第二阈值的情况下，将对应的两组关注度确定为一致；基于对所述任意两组关注度之间是否一致的确定结果，确定所述多组关注度中一致的最大组数；将所述最大组数与所述多组关注度对应组数的比值作为所述重合度。

根据第二方面，提供了一种预测模型的训练方法，所述预测模型为前述第一方面中涉及的第一预测模型，所述方法包括：获取训练样本集，其中各个训练样本包括历史退款事件的退款特征和样本标签，所述样本标签用于指示所述历史退款事件的处理结果所对应的维度；利用所述训练样本集，训练所述预测模型。

根据第三方面，提供一种预测模型的训练方法，所述预测模型为前述第一方面中涉及的第二预测模型，所述方法包括：获取与所述任一预测模型对应的训练样本集，其中各个训练样本集包括历史退款事件的历史退款特征和历史维度特征，以及样本标签；其中所述历史维度特征基于所述权利要求13所述的预测模型针对历史退款特征所输出的结果而确定，所述样本标签用于指示所述任一预测模型所对应维度下的关注因素；利用所述第二训练样本集，训练所述任一预测模型。

根据第四方面，提供了一种基于退款的服务方案确定装置，该装置包括：获取单元，用于获取与退款事件相关的事件信息；第一构建单元，用于基于所述事件信息，构建退款特征；第一预测单元，用于将所述退款特征输入预先训练的第一预测模型中，得到与多个维度对应的多个关注度；第二构建单元，用于基于所述多个维度和对应的多个关注度，构建维度特征；第二预测单元，用于将所述退款特征和所述维度特征作为组合特征，分别输入预先训练的与所述多个维度对应的多个第二预测模型中，得到多个维度对应的多个关注因素；确定单元，用于基于预先确定的关注因素与建议服务方案的映射关系，确定与所述多个关注因素对应的多个建议服务方案。

根据第五方面，提供一种预测模型的训练装置，用于训练第四方面中提及的第一预测模型，所述装置包括：获取单元，用于获取训练样本集，其中各个训练样本包括历史退款事件的退款特征和样本标签，所述样本标签用于指示所述历史退款事件的处理结果所对应的维度；训练单元，用于利用所述训练样本集，训练所述预测模型。

根据第六方面，提供一种预测模型的训练装置，用于训练第四方面中提及的多个第二预测模型中的任一预测模型，所述装置包括：获取单元，用于获取与所述任一预测模型对应的训练样本集，其中各个训练样本集包括历史退款事件的历史退款特征和历史维度特征，以及样本标签；其中所述历史维度特征基于第五方面中训练的预测模型针对历史退款特征所输出的结果而确定，所述样本标签用于指示所述任一预测模型所对应维度下的关注因素；训练单元，用于利用所述第二训练样本集，训练所述任一预测模型。

根据第七方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面、或第二方面、或第三方面的方法。

根据第八方面，提供了一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面、或第二方面、或第三方面的方法。

在本说明书实施例提供的基于退款的服务方案确定方法中，首先，获取与退款事件相关的事件信息，并基于此事件信息构建退款特征，接着，将退款特征输入预先训练的第一预测模型中，得到与多个维度对应的多个关注度，然后，基于多个维度和对应的多个关注度，构建维度特征，并将退款特征和维度特征作为组合特征，分别输入预先训练的多个维度对应的多个第二预测模型中，得到多个维度对应的多个关注因素，再基于预先确定的关注因素与建议服务方案的映射关系，确定与多个关注因素对应的多个建议服务方案。如此，给出多个维度的关注度，可以使卖家快速定位到需要关注的方向，如，定位到关注度最高的维度，同时，还进一步给出了各个维度下的关注因素和对应的建议服务方案，从而有效地帮助卖家确定针对退款事件所采取的解决方案，进而降低卖家退款处理时长，提升卖家服务品质。

附图说明

为了更清楚地说明本说明书披露的多个实施例的技术方案，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披露的多个实施例，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示出根据一个实施例的基于退款的服务方案确定系统架构图；

图2示出根据一个实施例的基于退款的服务方案确定方法流程图；

图3示出根据一个实施例的多个维度下的多个关注度的雷达图；

图4示出根据一个实施例的服务建议示意图；

图5示出根据一个实施例的基于退款的服务方案确定装置示意性框图。

具体实施方式

下面结合附图，对本说明书披露的多个实施例进行描述。

图1示出根据一个实施例的基于退款的服务方案确定系统架构图。如图1所示，获取单元110用于获取与退款事件相关的信息，第一构建单元120用于构建与退款事件信息对应的退款特征，第一预测模型130用于根据输入其中的退款特征，确定与多个维度对应的多个关注度，第二构建单元140用于基于多个维度对应的多个关注度构建维度特征；与多个维度对应的多个(图中仅画出一个作为示意)第二预测模型150用于根据输入其中的包括退款特征和维度特征的组合特征，得到与多个维度对应的多个关注因素；映射单元160用于根据其中存储的关注因素与建议服务的映射关系，确定与前述多个关注因素对应的多个建议服务方案；展示单元170，用于展示针对退款事件的服务建议，包括先前确定的多个维度对应的多个关注度、多个关注因素和多个建议服务方案。

图2示出根据一个实施例的基于退款的服务方案确定方法流程图。所述方法的执行主体可以为具有处理能力的服务器、装置或系统。图2所示，该方法流程包括以下步骤：步骤S210，获取与退款事件相关的事件信息；步骤S220，基于所述事件信息，构建退款特征；步骤S230，将退款特征输入预先训练的第一预测模型中，得到与多个维度对应的多个关注度；步骤S240，基于所述多个维度和对应的多个关注度，构建维度特征；步骤S250，将退款特征和维度特征作为组合特征，分别输入预先训练的与多个维度对应的多个第二预测模型中，得到多个维度对应的多个关注因素；步骤S260，基于预先确定的关注因素与建议服务方案的映射关系，确定与多个关注因素对应的多个建议服务方案。

首先，在步骤S210，获取与退款事件相关的事件信息；以及，在步骤S220，基于所述事件信息，构建退款特征。

在一个实施例中，退款事件是指电商平台中的买家针对某个订单，或订单中的部分商品，向商家发起退款而产生的事件。在一个实施例中，获取的事件信息可以是多方面的。在一个具体的实施例中，可以包括买家信息、卖家信息和针对当前退款事件的订单信息、商品信息和退款信息等。在一个例子中，买家信息可以包括买家的身份信息和交易信息等。其中，身份信息可以包括年龄、性别和职业等，交易信息可以包括买家的交易等级、交易笔数、买家对订单的投诉次数、买家纠纷次数、买家纠纷胜诉率等。在一个例子中，卖家信息可以包括卖家的身份信息和交易信息等。其中，卖家交易信息可以包括卖家等级、卖家退款数、卖家受到处罚的次数、卖家纠纷胜诉率、卖家纠纷次数等。在一个例子中，其中订单信息可以包括：支付金额、是否购买运费险、订单类型、虚拟/实物、售中/售后、订单商品数量、发货状态、正向物流状态、发货是否拒签。在一个例子中，其中商品信息可以包括：商品金额、商品类目、商品好评率、是否包邮、是否支持7天无理由、是否使用优惠券、商品退款次数、商品投诉次数、付款方式、是否保修、是否虚拟物品、是否自动发售等。在一个例子中，其中退款信息可以包括：退款金额、退款诉求、退款原因、拒绝原因、退款拒绝次数、退款原因修改次数、退货状态、退货物流状态、退货是否拒签、垫付状态、垫付金额、卖家留言数、发起到拒绝时长、支付到申请退款的时长、支付到签收时长、支付金额和退款金额的差等。

根据一个具体的实施例，获取与退款事件相关的事件信息，可以包括：获取买家发出的退款请求，并基于所述退款请求获取相关的事件信息。在一个例子中，退款请求中包括买家ID，卖家ID，订单号，商品编号，申请退款的理由等。根据一个具体的例子，可以根据买家ID、卖家ID、订单号和商品编号分别对应获取前述的买家信息、卖家信息、订单信息和商品信息。根据另一个具体的实施例，可以直接从退款服务平台中获取所述事件信息。

进一步地，基于获取的退款事件信息，构建退款特征。

在一个实施例中，构建的退款特征可以包括与退款事件信息中的各项信息对应的特征。在一个例子中，退款事件信息中包括买家信息、卖家信息、订单信息、商品信息等，相应地，退款特征可以包括买家特征、卖家特征、订单特征、商品特征等。在另一个实施例中，可以对退款事件信息进行筛选、过滤等预处理操作，然后根据预处理得到的信息构建退款特征。

以上，可以获取与退款事件相关的事件信息，并构建对应的退款特征。接着，在步骤S230，将退款特征输入预先训练的第一预测模型中，得到与多个维度对应的多个关注度。

需要说明的是，多个维度是基于退款事件而确定的，用于描述建议卖家针对退款事件的关注方向。在一个实施例中，多个维度可以由工作人员根据实际经验进行确定，例如，可以将退款事件的关注方向确定为人、物、事和动作等。进一步地，在一个具体的实施例中，多个维度可以包括人维度、物维度、事维度和动作维度等。在另一个具体的实施例中，多个维度可以包括买家维度、商品维度、纠纷维度、物流维度和服务维度。此外，在一个实施例中，各维度对应的关注度是指，建议卖家对该维度给予的关注程度，可以理解，确定出的关注度越高，则表示建议卖家给予更多的关注。

在一个例子中，假定得到的与买家维度、商品维度、纠纷维度、物流维度和服务维度对应的关注度分别为60、70、60、40和50，如此表明，建议卖家优先关注商品维度。

可以理解，第一预测模型的训练过程和使用过程是类似的，下面仅对第一预测模型的训练过程进行简要介绍。

具体地，在一个实施例中，第一预测模型基于以下步骤而预先训练：首先，获取第一训练样本集，其中各个训练样本包括历史退款事件的退款特征和样本标签，所述样本标签用于指示所述历史退款事件的处理结果所对应的维度；接着，利用第一训练样本集，训练第一预测模型。需要说明的是，其中处理结果包括买家和卖家关于历史退款事件达成一致的处理方案，在一个例子中，处理结果包括：卖家认可买家的退款理由“商品有破损”，并全额退款，则基于此，打标人员可以确定处理结果所对应的维度为“商品维度”，即样本标签对应于“商品维度”，具体可以将样本标签设定为向量(0，1，0)。在另一个例子中，可以设定某个样本的样本标签为向量(0，0，1)，用于指示买家维度。另一方面，在一个实施例中，第一预测模型可以为基于监督学习算法进行训练而确定的模型。在一个具体的实施例中，第一预测模型可以为逻辑回归模型或决策树模型。在另一个具体的实施例中，第一预测模型可以为多分类模型。

进一步地，将步骤S220中构建的退款特征输入以上预先训练的第一预测模型中，可以得到与多个维度对应的多个关注度。然后，在步骤S240，基于多个维度和对应的多个关注度，构建维度特征。

在一个实施例中，维度特征包括各个维度下的关注度。在一个例子中，维度特征包括：买家维度下的关注度为80、服务维度下的关注度为60。在另一个例子中，维度特征包括：买家维度下的关注度为80、服务维度下的关注度为60、商品维度下的关注度为40、纠纷维度下的关注度为50、物流维度下的关注度为40。

在以上构建维度特征以后，接着在步骤S250，将退款特征和维度特征作为组合特征，分别输入预先训练的与多个维度对应的多个第二预测模型中，得到多个维度对应的多个关注因素。

需要说明的是，每个维度对应一个第二预测模型，用于根据输入的组合特征，得到对应维度下的关注因素。其中，可以将关注因素理解为对应维度下的信息详情，或者，应该关注的重点信息，或者，向买家提供与退款相关的服务时需要注意的事项。在一个例子中，得到的买家维度下的关注因素可以为“高品质买家，买家在店铺消费多次”，或者为“买家信用极好”等。在另一个例子中，得到的物流维度下的关注因素可以为“该退款的退货物流已到达您仓库所在城市”等。在又一个例子中，得到的纠纷维度下的关注因素可以为“该买家1年前在您店铺发起过纠纷，并且投诉过您”等。

此外，之所以输入各个维度下的第二预测模型的特征不仅仅是该维度下的关注度，而是包括多个维度下的多个关注度，这是因为发明人考虑到，基于该维度下的关注度与其他维度下关注度的相对性，可以更加精准地确定出各个维度的关注因素。比如说，对于买家维度下的关注因素，当买家维度下的关注度是80，服务维度下的关注度是10时，那么对应的关注因素会更倾向于买家高品质一类的输出，说明买家维度与其他维度的关联较小。但是，如果买家维度下的关注度是80，服务维度下的关注度也是80，那么可以大致可以认为买家比较刁蛮，那么输出的关注因素可能是：这是个挑剔的买家。

可以理解，第二预测模型的训练过程和使用过程是类似的，下面仅对第二预测模型的训练过程进行简要介绍。

具体地，在一个实施例中，上述多个第二预测模型中的任一预测模型基于以下步骤而预先训练：首先，获取与任一预测模型对应的第二训练样本集，其中各个训练样本集包括历史退款事件的历史退款特征和历史维度特征，以及样本标签；其中历史维度特征基于第一预测模型针对历史退款特征所输出的结果而确定，所述样本标签用于指示所述任一预测模型所对应维度下的关注因素；然后，利用所述第二训练样本集，训练所述任一预测模型。

进一步地，将构建的组合特征输入以上预先训练的多个维度对应的多个第二预测模型中，可以得到与多个维度对应的多个关注因素。接着，在步骤S260，基于预先确定的关注因素与建议服务方案的映射关系，确定与多个关注因素对应的多个建议服务方案。

需要说明的是，其中建议服务方案是指建议卖家针对退款事件的处理方式，例如，可以包括“建议询问物流公司”，或者，“建议您赠送小礼物”等。在一个实施例中，关注因素与建议服务方案的映射关系可以是人工预先建立的，且可以根据后续的相关反馈数据进行调整。

根据一个例子，所述映射关系可以体现为如下示出映射表：

表1

进一步地，得到的多个关注因素，包括买家维度下的“高品质买家”和物流维度下的“退货已签收”，则根据表1中的映射关系，可以得到对应的建议服务方案分别为“建议您挽留”和“建议您验货”。

以上，可以确定出与多个关注因素对应的多个建议服务方案。

需要说明的是，在步骤S260之后，还可以包括：向所述退款事件对应的卖家提供服务建议，此服务建议中可以包括前述实施例中确定出的多个维度对应的多个关注度、多个关注因素和多个建议服务方案。

在一个实施例中，可以采用列表的形式展示多个关注度、多个关注因素和多个建议服务方案。在另一个实施例中，可以采用雷达图的方式展示多个维度下的多个关注度。进一步地，在一个具体的实施例中，响应于卖家对雷达图中各个维度的点击，可以展示相应的关注因素和建议服务方案。在一个例子中，其中展示的方式可以为弹窗或者气泡。

根据一个具体的例子，如图3所示，其中买家维度、商品维度、纠纷维度、物流维度和服务维度下的关注度分别为：60、70、60、40和50。进一步地，卖家很可能首先会对其中关注度最高的维度“商品维度”进行点击，响应于此点击，可以展示图4中示出的“商品维度”下的关注因素“商品破损多”和建议服务方案“建议退款处理”。

综上可知，采用本说明书实施例提供的基于退款的服务方案确定方法，首先，获取与退款事件相关的事件信息，并基于此事件信息构建退款特征，接着，将退款特征输入预先训练的第一预测模型中，得到与多个维度对应的多个关注度，然后，基于多个维度和对应的多个关注度，构建维度特征，并将退款特征和维度特征作为组合特征，分别输入预先训练的多个维度对应的多个第二预测模型中，得到多个维度对应的多个关注因素，再基于预先确定的关注因素与建议服务方案的映射关系，确定与多个关注因素对应的多个建议服务方案。如此，给出多个维度的关注度，可以使卖家快速定位到需要关注的方向，如，定位到关注度最高的维度，同时，还进一步给出了各个维度下的关注因素和对应的建议服务方案，从而有效地帮助卖家确定针对退款事件所采取的解决方案，进而降低卖家退款处理时长，提升卖家服务品质。

根据另一方面的实施例，在上述步骤S230中，第一预测模型可以包括多个预测子模型，相应地，将退款特征输入预先训练的第一预测模型中可以包括：将退款特征分别输入所述多个预测子模型中，得到对应的多组关注度，其中每组关注度包括多个维度对应的多个关注度。进一步地，可以基于多组关注度进行阈值管理，也就是说，在多组关注度互相一致的情况下，可以判定针对当前退款事件的预测结果是可信的，然后再执行后续步骤，而在多组关注度之间差距较大的情况下，则判定预测结果是不可信的，则告知卖家无法给出具体建议，或者，仅给出模糊建议，如“建议您协商处理”，并结束当前流程。如此，可以提高第一预测模型输出结果的可信度。上述执行过程具体如下：

在一个实施例中，对于得到与多个预测子模型对应的多组关注度，首先，确定多组关注度的重合度，并判断此重合度是否大于第一阈值；接着，一方面，在重合度大于第一阈值的情况下，基于多组关注度中互相重合的至少两组关注度，确定多个关注度。

在一个具体的实施例中，其中多个预测子模型中的任意两个预测子模型基于相同的训练样本集和不同的机器学习算法预先训练而获得。在另一个具体的实施例中，多个预测子模型的数量可以根据实际需要进行设定。根据一个例子，第一预测模型包括3个预测子模型，其中各个预测子模型分别基于逻辑回归算法、决策树算法和朴素贝叶斯算法训练而获得。

在一个具体的实施例中，其中确定多组关注度的重合度可以包括：首先，对于多组关注度中在同一维度下的关注度，计算其中最大值和最小值的差值，并确定其中多个差值中小于预定阈值的差值数量，然后将此差值数量与多个维度数量的比值作为重合度。

在另一个具体的实施例中，其中确定多组关注度的重合度可以包括：首先，对于其中任意两组关注度，确定多个维度中各个维度对应的两个关注度之间的差值是否小于第二阈值；然后，在多个维度对应的多个差值均小于第二阈值的情况下，将对应的两组关注度确定为一致；接着，基于对任意两组关注度之间是否一致的确定结果，确定多组关注度中一致的最大组数；再将最大组数与多组关注度对应组数的比值作为重合度。需要说明的是，上述第一阈值、第二阈值和预定阈值均可以根据实际需要确定。在一个例子中，当关注度的满分为100分时，可以将第二阈值确定为5或者10。根据一个具体的例子，假定确定的多组关注度为表2中示出的5组关注度。

表2

同时，假定第二阈值为5，对于第1组关注度和第2组关注度，在买家维度、商品维度、纠纷维度、物流维度和服务维度下的差值分别为2、2、2、3和2，这5个差值均小于5，由此可以判定第1组关注度和第2组关注度是一致的。同理，还可以确定，第1组和第4组、第1组和第5组、第2组和第4组、第2组和第5组、第4组和第5组是一致的，而第3组和其他各组都是不相似的。由此可知，第1组、第2组、第4组和第5组是一致的，也就是说这5组关注度中一致的最大组数为4，再将最大组数与多组关注度对应组数的比值作为重合度，即0.8。

进一步地，假定第一阈值为0.7，则可以判定重合度0.8大于0.7，进而基于最大组数对应的各组关注度，确定作为第一预测模型输出结果的多个关注度。

在一个具体的实施例中，确定多个关注度可以包括：将最大组数对应的至少两组关注度中的任意一组关注度作为多个关注度。在一个例子中，可以将表2中示出的第1组关注度中包括的各个维度下的关注度作为多个关注度进行输出。在另一个具体的实施例中，确定多个关注度可以包括：对最大组数对应的至少两组关注度中各个维度下的关注度分别取平均值，将得到的多个平均值作为所述多个关注度。在一个例子中，可以将表2中示出的第1组、第2组、第4组和第5组关注度中多个维度下的关注度平均值，作为第一预测模型输出的多个关注度。

另一方面，在重合度小于第一阈值的情况下，可以展示提示信息，以提示商家无法给出建议服务方案，建议协商处理。在一个例子中，展示的提示信息可以为“无法给出准确建议，请您与顾客协商处理”。

以上，实现了针对第一预测模型的阈值管理，从而提高了输出结果，即输出的多个关注度的可信度，进而提高了后续步骤中得到的结果，包括各个维度下的关注因素和对应的建议服务方案的准确度。

根据另一方面的实施例，还提供一种基于退款的服务方案确定装置。如图5所示，该装置500包括：

获取单元510，用于获取与退款事件相关的事件信息；

第一构建单元520，用于基于所述事件信息，构建退款特征；

第一预测单元530，用于将所述退款特征输入预先训练的第一预测模型中，得到与多个维度对应的多个关注度；

第二构建单元540，用于基于所述多个维度和对应的多个关注度，构建维度特征；

第二预测单元550，用于将所述退款特征和所述维度特征作为组合特征，分别输入预先训练的与所述多个维度对应的多个第二预测模型中，得到多个维度对应的多个关注因素；

确定单元560，用于基于预先确定的关注因素与建议服务方案的映射关系，确定与所述多个关注因素对应的多个建议服务方案。

在一个实施例中，还包括：

展示单元570，用于向所述退款事件对应的卖家提供服务建议，所述服务建议包括所述多个维度对应的多个关注度、多个关注因素和多个建议服务方案。

进一步地，在一个具体的实施例中，其中展示单元570具体用于：以雷达图的方式展示所述多个维度对应的多个关注度。

在一个实施例中，所述事件信息包括买家信息、卖家信息、订单信息、商品信息、退款信息中的至少一种。

在一个实施例中，其中所述多个维度包括买家维度、物流维度、服务维度、纠纷维度和商品维度中的至少两个。

在一个实施例中，其中所述第一预测模型基于以下步骤而预先训练：

获取第一训练样本集，其中各个训练样本包括历史退款事件的退款特征和样本标签，所述样本标签用于指示所述历史退款事件的处理结果所对应的维度；

利用所述第一训练样本集，训练所述第一预测模型。

在一个实施例中，其中所述多个第二预测模型中的任一预测模型基于以下步骤而预先训练：

获取与所述任一预测模型对应的第二训练样本集，其中各个训练样本集包括历史退款事件的历史退款特征和历史维度特征，以及样本标签；其中所述历史维度特征基于所述第一预测模型针对历史退款特征所输出的结果而确定，所述样本标签用于指示所述任一预测模型所对应维度下的关注因素；

利用所述第二训练样本集，训练所述任一预测模型。

在一个实施例中，所述第一预测模型包括多个预测子模型，所述第一预测单元530具体包括：

预测子单元531，用于将所述退款特征分别输入所述多个预测子模型中，得到对应的多组关注度，其中每组关注度包括多个维度对应的多个关注度；

判断子单元532，用于确定所述多组关注度的重合度，并判断所述重合度是否大于第一阈值；

确定子单元533，用于在所述重合度大于所述第一阈值的情况下，基于所述多组关注度中互相重合的至少两组关注度，确定所述多个关注度。

进一步地，在一个具体的实施例中，其中所述多个预测子模型中的任意两个预测子模型基于相同的训练样本集和不同的机器学习算法预先训练而获得。

在一个具体的实施例中，其中所述确定子单元533具体用于：

将所述至少两组关注度中的任意一组关注度作为所述多个关注度；或

对所述至少两组关注度中各个维度下的关注度分别取平均值，将得到的多个平均值作为所述多个关注度。

在一个具体的实施例中，还包括：

展示单元570，用于在所述重合度小于第一阈值的情况下，展示提示信息，以提示商家无法给出建议服务方案，建议协商处理。

在一个具体的实施例中，其中判断子单元532具体用于：

对于其中任意两组关注度，确定多个维度中各个维度对应的两个关注度之间的差值是否小于第二阈值；

在所述多个维度对应的多个差值均小于第二阈值的情况下，将对应的两组关注度确定为一致；

基于对所述任意两组关注度之间是否一致的确定结果，确定所述多组关注度中一致的最大组数；

将所述最大组数与所述多组关注度对应组数的比值作为所述重合度。

综上可知，采用本说明书实施例提供的基于退款的服务方案确定装置，可以给出多个维度的关注度，使卖家快速定位到需要关注的方向，如，定位到关注度最高的维度，同时，还进一步给出了各个维度下的关注因素和对应的建议服务方案，从而有效地帮助卖家确定针对退款事件所采取的解决方案，进而降低卖家退款处理时长，提升卖家服务品质。

如上，根据再一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图2所描述的方法。

根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图2所描述的方法。

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，本说明书披露的多个实施例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。

以上所述的具体实施方式，对本说明书披露的多个实施例的目的、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披露的多个实施例的具体实施方式而已，并不用于限定本说明书披露的多个实施例的保护范围，凡在本说明书披露的多个实施例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披露的多个实施例的保护范围之内。

Claims (17)

1.一种基于退款的服务方案确定方法，包括：

获取与退款事件相关的事件信息；

基于所述事件信息，构建退款特征；

将所述退款特征输入预先训练的第一预测模型中，得到与多个维度对应的多个关注度；

基于所述多个维度和对应的多个关注度，构建维度特征；

将所述退款特征和所述维度特征作为组合特征，分别输入预先训练的与所述多个维度对应的多个第二预测模型中，得到多个维度对应的多个关注因素；

基于预先确定的关注因素与建议服务方案的映射关系，确定与所述多个关注因素对应的多个建议服务方案。

2.根据权利要求1所述的方法，还包括：

向所述退款事件对应的卖家提供服务建议，所述服务建议包括所述多个维度对应的多个关注度、多个关注因素和多个建议服务方案。

3.根据权利要求1所述的方法，其中，所述事件信息包括买家信息、卖家信息、订单信息、商品信息、退款信息中的至少一种。

4.根据权利要求1所述的方法，其中所述多个维度包括买家维度、物流维度、服务维度、纠纷维度和商品维度中的至少两个。

5.根据权利要求1所述的方法，其中，所述第一预测模型包括多个预测子模型，所述将所述退款特征输入预先训练的第一预测模型中，得到与多个维度中各个维度对应的各个关注度，包括：

将所述退款特征分别输入所述多个预测子模型中，得到对应的多组关注度，其中每组关注度包括多个维度对应的多个关注度；

确定所述多组关注度的重合度，并判断所述重合度是否大于第一阈值；

在所述重合度大于所述第一阈值的情况下，基于所述多组关注度中互相重合的至少两组关注度，确定所述多个关注度。

6.根据权利要求5所述的方法，其中所述多个预测子模型中的任意两个预测子模型基于相同的训练样本集和不同的机器学习算法预先训练而获得。

7.根据权利要求5所述的方法，其中所述确定所述多个关注度包括：

将所述至少两组关注度中的任意一组关注度作为所述多个关注度；或

对所述至少两组关注度中各个维度下的关注度分别取平均值，将得到的多个平均值作为所述多个关注度。

8.根据权利要求5所述的方法，在所述判断所述重合度是否大于第一阈值后，还包括：

在所述重合度小于第一阈值的情况下，展示提示信息，以提示商家无法给出建议服务方案，建议协商处理。

9.根据权利要求5所述的方法，其中所述确定所述多组关注度的重合度包括：

对于其中任意两组关注度，确定多个维度中各个维度对应的两个关注度之间的差值是否小于第二阈值；

在所述多个维度对应的多个差值均小于第二阈值的情况下，将对应的两组关注度确定为一致；

基于对所述任意两组关注度之间是否一致的确定结果，确定所述多组关注度中一致的最大组数；

将所述最大组数与所述多组关注度对应组数的比值作为所述重合度。

10.根据权利要求2所述的方法，其中向所述退款事件对应的卖家提供服务建议，包括：

以雷达图的方式展示所述多个维度对应的多个关注度。

11.一种预测模型的训练方法，所述预测模型为权利要求1中所述的第一预测模型，所述方法包括：

获取训练样本集，其中各个训练样本包括历史退款事件的退款特征和样本标签，所述样本标签用于指示所述历史退款事件的处理结果所对应的维度；

利用所述训练样本集，训练所述预测模型。

12.一种预测模型的训练方法，所述预测模型为权利要求1中所述的多个第二预测模型中的任一预测模型，所述方法包括：

获取与所述任一预测模型对应的训练样本集，其中各个训练样本集包括历史退款事件的历史退款特征和历史维度特征，以及样本标签；其中所述历史维度特征基于所述权利要求1所述的第一预测模型针对历史退款特征所输出的结果而确定，所述样本标签用于指示所述任一预测模型所对应维度下的关注因素；

利用所述训练样本集，训练所述任一预测模型。

13.一种基于退款的服务方案确定装置，包括：

获取单元，用于获取与退款事件相关的事件信息；

第一构建单元，用于基于所述事件信息，构建退款特征；

第一预测单元，用于将所述退款特征输入预先训练的第一预测模型中，得到与多个维度对应的多个关注度；

第二构建单元，用于基于所述多个维度和对应的多个关注度，构建维度特征；

第二预测单元，用于将所述退款特征和所述维度特征作为组合特征，分别输入预先训练的与所述多个维度对应的多个第二预测模型中，得到多个维度对应的多个关注因素；

确定单元，用于基于预先确定的关注因素与建议服务方案的映射关系，确定与所述多个关注因素对应的多个建议服务方案。

14.一种预测模型的训练装置，所述预测模型为权利要求13中所述的第一预测模型，所述装置包括：

获取单元，用于获取训练样本集，其中各个训练样本包括历史退款事件的退款特征和样本标签，所述样本标签用于指示所述历史退款事件的处理结果所对应的维度；

训练单元，用于利用所述训练样本集，训练所述预测模型。

15.一种预测模型的训练装置，所述预测模型为权利要求13中所述的多个第二预测模型中的任一预测模型，所述装置包括：

获取单元，用于获取与所述任一预测模型对应的训练样本集，其中各个训练样本集包括历史退款事件的历史退款特征和历史维度特征，以及样本标签；其中所述历史维度特征基于所述权利要求13所述的预测模型针对历史退款特征所输出的结果而确定，所述样本标签用于指示所述任一预测模型所对应维度下的关注因素；

训练单元，用于利用所述训练样本集，训练所述任一预测模型。

16.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-12中任一项的所述的方法。

17.一种计算设备，包括存储器和处理器，其中，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-12中任一项所述的方法。

Images