CN111401030A - 服务异常识别方法、装置、服务器及可读存储介质 - Google Patents
服务异常识别方法、装置、服务器及可读存储介质 Download PDFInfo
- Publication number
- CN111401030A CN111401030A CN201811628742.3A CN201811628742A CN111401030A CN 111401030 A CN111401030 A CN 111401030A CN 201811628742 A CN201811628742 A CN 201811628742A CN 111401030 A CN111401030 A CN 111401030A
- Authority
- CN
- China
- Prior art keywords
- service
- service provider
- model
- training
- requester
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000002159 abnormal effect Effects 0.000 claims abstract description 118
- 238000012549 training Methods 0.000 claims description 197
- 230000006399 behavior Effects 0.000 claims description 99
- 230000006854 communication Effects 0.000 claims description 71
- 238000004891 communication Methods 0.000 claims description 40
- 238000003066 decision tree Methods 0.000 claims description 21
- 238000012706 support-vector machine Methods 0.000 claims description 21
- 230000002068 genetic effect Effects 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 230000014509 gene expression Effects 0.000 claims description 16
- 230000003993 interaction Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000003190 augmentative effect Effects 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- -1 commodities Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/64—Automatic arrangements for answering calls; Automatic arrangements for recording messages for absent subscribers; Arrangements for recording conversations
- H04M1/65—Recording arrangements for recording a message from the calling party
- H04M1/656—Recording arrangements for recording a message from the calling party for recording conversations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种服务异常识别方法、装置、服务器及可读存储介质，实现原理为：在生成服务请求方与服务提供方之间的服务订单后，检测服务请求方与服务提供方之间是否建立语音通话，并在检测到服务请求方与服务提供方建立语音通话后，获取服务请求方与服务提供方之间的通话信息，接着根据通话信息判断服务提供方或者服务请求方中的任意一方是否存在异常服务事件，如此，能够及时识别出服务请求方或者服务提供方的异常服务事件，并针对存在异常服务事件的服务请求方或者服务提供方执行预设的异常服务事件处理策略，从而降低服务过程中的安全风险以及服务平台的订单取消率。
Description
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种服务异常识别方法、装置、服务器及可读存储介质。
背景技术
目前，随着汽车电子技术的持续快速发展，乘坐出租车出行和预约乘坐私家车出行等出行方式得到了长足发展，在人们日常生活出行中起到了不可替代的作用，为广大人民的日常生活、交通出行带来了极大方便。随着社会的进一步发展，传统的出租车已经不能满足人们出行的需求，为了更加方便用户的需求，目前市面上出现了网络预约车，方便用户通过用车软件预定符合自己行程的车辆。
随着提供服务的出租车和私家车数量的增多，服务安全性的问题变得越来越重要，司机或者乘客在使用网约车软件过程中往往会存在一些异常服务事件，这些异常服务事件不仅会带来安全风险还会增加服务平台的订单取消率，如何有效识别这些异常服务事件，是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本申请实施例的目的在于提供一种服务异常识别方法、装置、服务器及可读存储介质，以解决或者改善上述问题。
根据本申请实施例的一个方面，提供一种电子设备，可以包括一个或多个存储介质和一个或多个与存储介质通信的处理器。一个或多个存储介质存储有处理器可执行的机器可读指令。当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行所述机器可读指令，以执行服务异常识别方法。
根据本申请实施例的另一方面，提供一种服务异常识别方法，应用于服务器，所述方法包括：
在生成服务请求方与服务提供方之间的服务订单后，检测所述服务请求方与所述服务提供方之间是否建立语音通话；
在检测到所述服务请求方与所述服务提供方建立语音通话后，获取所述服务请求方与所述服务提供方之间的通话信息；
根据所述通话信息判断所述服务提供方或者所述服务请求方中的任意一方是否存在异常服务事件；
在判断结果为是时，针对存在异常服务事件的服务请求方或者所述服务提供方执行预设的异常服务事件处理策略。
在一种可能的实施方式中，所述在检测到服务请求方与服务提供方建立通话时，获取所述服务请求方与所述服务提供方之间的通话信息的步骤，包括：
在接收到所述服务提供方针对所述服务请求方发起的通信请求时，获取预先为所述服务提供方分配的虚拟保护号码；
将所述虚拟保护号码发送给所述服务提供方，以使所述服务提供方采用所述虚拟保护号码生成针对所述服务请求方的虚拟通信请求；
在接收到所述虚拟通信请求后，根据所述虚拟通信请求为所述服务提供方和所述服务请求方建立通话；
在检测到所述服务提供方与所述服务请求方建立通话时，获取所述服务请求方与所述服务提供方之间的通话信息。
在一种可能的实施方式中，所述在检测到服务请求方与服务提供方建立通话时，获取所述服务请求方与所述服务提供方之间的通话信息的步骤，包括：
在接收到所述服务请求方针对所述服务提供方发起的通信请求时，获取预先为所述服务请求方分配的虚拟保护号码；
将所述虚拟保护号码发送给所述服务请求方，以使所述服务请求方采用所述虚拟保护号码生成针对所述服务提供方的虚拟通信请求；
在接收到所述虚拟通信请求后，根据所述虚拟通信请求为所述服务请求方和所述服务提供方建立通话；
在检测到服务请求方与服务提供方建立通话时，获取所述服务请求方与所述服务提供方之间的通话信息。
在一种可能的实施方式中，所述根据所述通话信息判断所述服务提供方或者所述服务请求方中的任意一方是否存在异常服务事件的步骤，包括：
对所述通话信息进行预处理，生成所述服务提供方所在信道的第一通话信息和所述服务请求方所在信道的第二通话信息；
分别对所述第一通话信息和所述第二通话信息进行语音转换，获得与所述第一通话信息对应的第一文本信息和与所述第二通话信息对应的第二文本信息；
对所述第一文本信息进行识别，根据识别结果判断该服务提供方是否存在异常服务事件；
对所述第二文本信息进行识别，根据识别结果判断该服务请求方是否存在异常服务事件。
在一种可能的实施方式中，所述方法还包括：
预先训练得到切单模型，具体训练步骤为：
配置初始切单训练模型并获取切单训练样本集，所述初始切单训练模型为深度神经网络模型、决策树模型、邻近算法KNN模型、支持向量机模型、朴素贝叶斯模型、遗传算法模型中的一种，所述切单训练样本集包括多个标注有是否存在切单行为的训练语料，所述训练语料包括各个服务提供方的历史服务订单中的通话信息对应的文本信息；
基于所述切单训练样本集迭代训练所述初始切单训练模型，并在满足迭代训练终止条件时输出所述切单模型；
所述对所述第一文本信息进行识别，根据识别结果判断该服务提供方是否存在异常服务事件的步骤，包括：
将所述第一文本信息输入到所述切单模型中，输出所述服务提供方存在切单行为的切单置信度；
在所述切单置信度大于第一设定置信度时，判定所述服务提供方存在异常服务事件。
在一种可能的实施方式中，所述方法还包括：
预先训练得到索要联系方式模型，具体训练步骤为：
配置初始索要联系方式训练模型并获取索要联系方式样本集，所述初始索要联系方式训练模型为深度神经网络模型、决策树模型、邻近算法KNN模型、支持向量机模型、朴素贝叶斯模型、遗传算法模型中的一种，所述索要联系方式样本集包括多个标注有是否存在联系方式行为的训练语料，所述训练语料包括各个服务提供方的历史服务订单中的通话信息对应的文本信息；
基于所述索要联系方式样本集迭代训练所述初始索要联系方式训练模型，并在满足迭代训练终止条件时输出所述索要联系方式模型；
所述对所述第一文本信息进行识别，根据识别结果判断该服务提供方是否存在异常服务事件的步骤，包括：
将所述第一文本信息输入到所述索要联系方式模型中，输出所述服务提供方存在索要联系方式行为的索要联系方式置信度；
在所述索要联系方式置信度大于第二设定置信度时，判定所述服务提供方存在异常服务事件。
在一种可能的实施方式中，所述对所述第一文本信息进行识别，根据识别结果判断该服务提供方是否存在异常服务事件的步骤，包括：
根据联系方式的正则表达式对所述第一文本信息进行识别，判断所述第一文本信息中是否存在联系方式；
若所述第一文本信息中存在联系方式，则判定所述服务提供方存在异常服务事件。
在一种可能的实施方式中，所述方法还包括：
预先训练得到人车不符模型，具体训练步骤为：
配置初始人车不符训练模型并获取人车不符样本集，所述初始人车不符训练模型为深度神经网络模型、决策树模型、邻近算法KNN模型、支持向量机模型、朴素贝叶斯模型、遗传算法模型中的一种，所述人车不符样本集包括多个标注有是否存在人车不符行为的训练语料，所述训练语料包括各个服务提供方的历史服务订单中的通话信息对应的文本信息；
基于所述人车不符样本集迭代训练所述初始人车不符训练模型，并在满足迭代训练终止条件时输出所述人车不符模型；
所述对所述第一文本信息进行识别，根据识别结果判断该服务提供方是否存在异常服务事件的步骤，包括：
将所述第一文本信息输入到所述人车不符模型中，输出所述服务提供方存在人车不符行为的人车不符置信度；
在所述人车不符置信度大于第三设定置信度时，判定所述服务提供方存在异常服务事件。
在一种可能的实施方式中，所述对所述第一文本信息进行识别，根据识别结果判断该服务提供方是否存在异常服务事件的步骤，包括：
根据车牌号码的正则表达式对所述第一文本信息进行识别，判断所述第一文本信息中是否存在车牌号码；
若所述第一文本信息中存在车牌号码，则判断所述车牌号码是否为该服务提供方注册的车牌号码；
若所述车牌号码不是该服务提供方注册的车牌号码，判定所述服务提供方存在异常服务事件。
在一种可能的实施方式中，所述方法还包括：
预先训练得到诱导行为模型，具体训练步骤为：
配置初始诱导行为训练模型并获取诱导行为样本集，所述初始诱导行为训练模型为深度神经网络模型、决策树模型、邻近算法KNN模型、支持向量机模型、朴素贝叶斯模型、遗传算法模型中的一种，所述诱导行为样本集包括多个标注有是否存在诱导行为的训练语料，所述训练语料包括各个服务提供方的历史服务订单中的通话信息对应的文本信息；
基于所述诱导行为样本集迭代训练所述初始诱导行为训练模型，并在满足迭代训练终止条件时输出所述诱导行为模型；
所述对所述第一文本信息进行识别，根据识别结果判断该服务提供方是否存在异常服务事件的步骤，包括：
将所述第一文本信息输入到所述诱导行为模型中，输出所述服务提供方存在诱导行为的诱导行为置信度；
在所述诱导行为置信度大于第四设定置信度时，判定所述服务提供方存在异常服务事件。
在一种可能的实施方式中，所述针对存在异常服务事件的服务请求方或者所述服务提供方执行预设的异常服务事件处理策略的步骤，包括：
针对存在异常服务事件的服务请求方或者所述服务提供方，向该服务请求方或者所述服务提供方发送语音互动请求以与该服务请求方或者所述服务提供方建立语音通信，并通过语音互动应答对该服务请求方或者所述服务提供方进行警告提示；或者
向该服务请求方或者所述服务提供方发送弹窗警告信息以通过所述弹窗警告信息对该服务请求方或者所述服务提供方进行警告提示。
在一种可能的实施方式中，所述针对存在异常服务事件的服务请求方或者所述服务提供方执行预设的异常服务事件处理策略的步骤，包括：
取消所述服务请求方与服务提供方之间的服务订单。
根据本申请实施例的另一方面，提供一种服务异常识别装置，应用于服务器，所述装置包括：
检测模块，用于在生成服务请求方与服务提供方之间的服务订单后，检测所述服务请求方与所述服务提供方之间是否建立语音通话；
获取模块，用于在检测到所述服务请求方与所述服务提供方建立语音通话后，获取所述服务请求方与所述服务提供方之间的通话信息；
判断模块，用于根据所述通话信息判断所述服务提供方或者所述服务请求方中的任意一方是否存在异常服务事件；
策略执行模块，用于在判断结果为是时，针对存在异常服务事件的服务请求方或者所述服务提供方执行预设的异常服务事件处理策略。
根据本申请实施例的另一方面，提供一种可读存储介质，该可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行上述的服务异常识别方法的步骤。
基于上述任一方面，本申请实施例在生成服务请求方与服务提供方之间的服务订单后，检测服务请求方与服务提供方之间是否建立语音通话，并在检测到服务请求方与服务提供方建立语音通话后，获取服务请求方与服务提供方之间的通话信息，接着根据通话信息判断服务提供方或者服务请求方中的任意一方是否存在异常服务事件，如此，能够及时识别出服务请求方或者服务提供方的异常服务事件，并针对存在异常服务事件的服务请求方或者服务提供方执行预设的异常服务事件处理策略，从而降低服务过程中的安全风险以及服务平台的订单取消率。
为使本申请实施例的上述目的、特征和优点能更明显易懂，下面将结合实施例，并配合所附附图，作详细说明。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1示出了本申请实施例所提供的服务异常识别系统的交互示意框图；
图2示出了本申请实施例所提供的可以实现图1的服务器、服务请求方终端、服务提供方终端的电子设备的示例性硬件和软件组件的示意图；
图3示出了本申请实施例所提供的服务异常识别方法的流程示意图；
图4示出了本申请实施例所提供的服务异常识别装置的一种功能模块框图；
图5示出了本申请实施例所提供的服务异常识别装置的另一种功能模块框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“网约车场景”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕“网约车场景”进行描述，但是应该理解，这仅是一个示例性实施例。本申请可以应用于任何其他交通运输类型。例如，本申请可以应用于不同的运输系统环境，包括陆地，海洋，或航空等，或其任意组合。运输系统的交通工具可以包括出租车、私家车、顺风车、公共汽车、火车、子弹头列车、高速铁路、地铁、船只、飞机、宇宙飞船、热气球、或无人驾驶车辆等，或其任意组合。本申请还可以包括用于网约车打车的任何服务系统，例如，用于发送和/或接收快递的系统、用于买卖双方交易的服务系统。本申请的系统或方法的应用可以包括网页、浏览器的插件、客户端终端、定制系统、内部分析系统、或人工智能机器人等，或其任意组合。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
本申请中的术语“乘客”、“请求方”、“服务人员”、“服务请求方”和“客户”可互换使用，以指代可以请求或订购服务的个人、实体或工具。本申请中的术语“司机”、“提供方”、“服务提供方”和“供应商”可互换使用，以指代可以提供服务的个人、实体或工具。本申请中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如，用户可以是乘客、驾驶员、操作员等，或其任意组合。在本申请中，“乘客”和“乘客终端”可以互换使用，“驾驶员”和“驾驶员终端”可以互换使用。
根据前述背景获知的技术问题，本申请实施例在生成服务请求方与服务提供方之间的服务订单后，检测服务请求方与服务提供方之间是否建立语音通话，并在检测到服务请求方与服务提供方建立语音通话后，获取服务请求方与服务提供方之间的通话信息，接着根据通话信息判断服务提供方或者服务请求方中的任意一方是否存在异常服务事件，如此，能够及时识别出服务请求方或者服务提供方的异常服务事件，并针对存在异常服务事件的服务请求方或者服务提供方执行预设的异常服务事件处理策略，从而降低服务过程中的安全风险以及服务平台的订单取消率。
图1是本申请一种可替代实施例提供的服务异常识别系统100的架构示意图。例如，服务异常识别系统100可以是用于诸如出租车服务、代驾服务、快车服务、拼车服务、公共汽车服务、驾驶员租赁服务、或班车服务之类的运输服务、或其上述任意服务时间的组合服务所依赖的在线运输服务平台。服务异常识别系统100可以包括服务器110、网络120、服务请求方终端130、服务提供方终端140和数据库150，服务器110中可以包括执行指令操作的处理器。图1所示的服务异常识别系统100仅为一种可行的示例，在其它可行的实施例中，该服务异常识别系统100也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
在一些实施例中，服务器110可以是单个服务器，也可以是一个服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器110可以是分布式系统)。在一些实施例中，服务器110相对于终端，可以是本地的、也可以是远程的。例如，服务器110可以经由网络120访问存储在服务请求方终端130、服务提供方终端140以及数据库150、或其任意组合中的信息。作为另一示例，服务器110可以直接连接到服务请求方终端130、服务提供方终端140和数据库150中的至少一个，以访问其中存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等，或者它们的任意组合。在一些实施例中，服务器110可以在具有本申请中图2所示的一个或多个组件的电子设备200上实现。
在一些实施例中，服务器110可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的一个或多个功能。例如，在快车服务中，处理器可以基于从服务请求方终端130获得的服务请求来确定目标车辆。处理器可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(S))。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、专用指令集处理器(Application Specific Instruction-setProcessor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing,RISC)、或微处理器等，或其任意组合。
网络120可以用于信息和/或数据的交换。在一些实施例中，服务异常识别系统100中的一个或多个组件(例如，服务器110，服务请求方终端130，服务提供方终端140和数据库150)可以向其他组件发送信息和/或数据。例如，服务器110可以经由网络120从服务请求方终端130获取服务请求。在一些实施例中，网络120可以是任何类型的有线或者无线网络，或者是他们的结合。仅作为示例，网络130可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网(Wireless Local Area Networks，WLAN)、城域网(Metropolitan AreaNetwork，MAN)、广域网(Wide Area Network，WAN)、公共电话交换网(Public SwitchedTelephone Network，PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near FieldCommunication,NFC)网络等，或其任意组合。在一些实施例中，网络120可以包括一个或多个网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或网络交换节点，服务异常识别系统100的一个或多个组件可以通过该接入点连接到网络120以交换数据和/或信息。
在一些实施例中，服务请求方终端130的用户可以是除服务实际需求者之外的其他人。例如，服务请求方终端130的用户A可以使用服务请求方终端130来为服务实际需求者B发起服务请求(比如，用户A可以为自己的朋友B叫车)，或者从服务器110接收服务信息或指令等。在一些实施例中，服务提供方终端140的用户可以是服务实际提供者，也可以是除服务实际提供者之外的其他人。例如，服务提供方终端140的用户C可以使用服务提供方终端140接收由服务实际提供者D提供服务的服务请求(比如用户C可以为自己雇用的司机D接单)，和/或来自服务器110的信息或指令。在一些实施例中，“服务请求方”和“服务请求方终端”可以互换使用，“服务提供方”和“服务提供方终端”可以互换使用。
在一些实施例中，服务请求方终端130可以包括移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等，或其任意组合。在一些实施例中，移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机、或对讲机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等、或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理(PersonalDigital Assistant，PDA)、游戏设备、导航设备、或销售点(point of sale，POS)设备等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括各种虚拟现实产品等。在一些实施例中，机动车辆中的内置设备可以包括车载计算机、车载电视等。
数据库150可以存储数据和/或指令。在一些实施例中，数据库150可以存储从服务请求方终端130和/或服务提供方终端140获得的数据。在一些实施例中，数据库150可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中，数据库150可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory,ROM)等，或其任意组合。作为举例，大容量存储器可以包括磁盘、光盘、固态驱动器等；可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等；易失性读写存储器可以包括随机存取存储器(Random Access Memory,RAM)；RAM可以包括动态RAM(Dynamic RandomAccess Memory,DRAM)，双倍数据速率同步动态RAM(Double Date-Rate Synchronous RAM,DDR SDRAM)；静态RAM(Static Random-Access Memory,SRAM)，晶闸管RAM(Thyristor-Based Random Access Memory,T-RAM)和零电容器RAM(Zero-RAM)等。作为举例，ROM可以包括掩模ROM(Mask Read-Only Memory,MROM)、可编程ROM(Programmable Read-OnlyMemory,PROM)、可擦除可编程ROM(Programmable Erasable Read-only Memory,PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable read only memory,EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘ROM等。在一些实施例中，数据库150可以在云平台上实现。仅作为示例，云平台可以包括私有云、公有云、混合云、社区云、分布式云、跨云、多云或者其它类似的等，或其任意组合。
在一些实施例中，数据库150可以连接到网络120以与服务异常识别系统100(例如，服务器110，服务请求方终端130，服务提供方终端140等)中的一个或多个组件通信。服务异常识别系统100中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。在一些实施例中，数据库150可以直接连接到服务异常识别系统100中的一个或多个组件(例如，服务器110，服务请求方终端130，服务提供方终端140等)；或者，在一些实施例中，数据库150也可以是服务器110的一部分。
在一些实施例中，服务异常识别系统100中的一个或多个组件(例如，服务器110，服务请求方终端130，服务提供方终端140等)可以具有访问数据库150的权限。在一些实施例中，当满足一定条件时，服务异常识别系统100中的一个或多个组件可以读取和/或修改与服务请求方、服务提供方、或公众、或其任意组合有关的信息。例如，服务器110可以在接收服务请求之后读取和/或修改一个或多个用户的信息。
在一些实施例中，可以通过请求服务来实现服务异常识别系统100中的一个或多个组件的信息交换。服务请求的对象可以是任何产品。在一些实施方案中，产品可以是有形产品或非物质产品。有形产品可包括食品、药品、商品、化学产品、电器、服装、汽车、房屋、或奢侈品等，或其任意组合。非物质产品可以包括服务产品、金融产品、知识产品、或互联网产品等，或其任意组合。互联网产品可以包括单独的主机产品、网络产品、移动互联网产品、商业主机产品、或嵌入式产品等，或其任意组合。互联网产品可以用在移动终端的软件、程序、或系统等，或者它们的任意组合中。移动终端可以包括平板电脑、笔记本电脑、移动电话、个人数字助理(PersonalDigital Assistant,PDA)、智能手表、销售点(Point of sales,POS)设备、车载电脑、车载电视、或可穿戴设备等，或其任意组合。例如，互联网产品可以是计算机或移动电话中使用的任何软件和/或应用程序。软件和/或应用程序可以涉及社交、购物、运输、娱乐时间、学习、或投资等，或其任意组合。在一些实施例中，与运输有关的软件和/或应用程序可以包括旅行软件和/或应用程序、车辆调度软件和/或应用程序、绘图软件和/或应用程序等。在车辆调度软件和/或应用程序中，车辆可包括马、马车、人力车(例如，独轮车、自行车、三轮车等)、汽车(例如，出租车、公共汽车、私家车等)、火车、地铁、船只、飞机(例如，飞机、直升机、航天飞机、火箭、热气球等)等，或其任意组合。
图2示出了本申请一些实施例提供的可以实现本申请思想的服务器110、服务请求方终端130、服务提供方终端140的电子设备200的示例性硬件和软件组件的示意图。例如，处理器220可以用于电子设备200上，并且用于执行本申请中的功能。
电子设备200可以是通用计算机或特殊用途的计算机，两者都可以用于实现本申请的服务异常识别方法。本申请尽管仅示出了一个计算机，但是为了方便起见，可以在多个类似平台上以分布式方式实现本申请描述的功能，以均衡处理负载。
例如，电子设备200可以包括连接到网络的网络端口210、用于执行程序指令的一个或多个处理器220、通信总线230、和不同形式的存储介质240，例如，磁盘、ROM、或RAM，或其任意组合。示例性地，计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备200还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output，I/O)接口250。
为了便于说明，在电子设备200中仅描述了一个处理器。然而，应当注意，本申请中的电子设备200还可以包括多个处理器，因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如，若电子设备200的处理器执行步骤A和步骤B，则应该理解，步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B。
图3示出了本申请一些实施例提供的服务异常识别方法的流程示意图，该服务异常识别方法可由图1中所示的服务器110执行。应当理解，在其它实施例中，本实施例的服务异常识别方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。该服务异常识别方法的详细步骤介绍如下。
步骤S110，在生成服务请求方与服务提供方之间的服务订单后，检测服务请求方与服务提供方之间是否建立语音通话。
本实施例中，服务请求方与服务提供方可以通过任何可行方式建立服务订单。以网约车为例，服务请求方可以是乘客，服务提供方可以是司机，在实际场景中，乘客可以通过服务请求方终端130上安装的应用程序(例如APP、Web网页应用、微信小程序、支付宝小程序等)将包括出发地和目的地信息的网约车服务订单发送给服务器110，服务器110获取出发地附近的司机的服务提供方终端140并将该网约车服务订单发生给这些司机的服务提供方终端140，并由附近司机选择是否承接该网约车服务订单。当服务器110检测到附近的任意一个司机选择承接该网约车服务订单后，即建立该乘客和该司机之间的网约车服务订单。
通常来说，当生成服务请求方与服务提供方之间的服务订单后，服务请求方与服务提供方中的任意一方可能需要进行语音沟通，以确认针对该服务订单的相关信息。例如，当司机承接该乘客的网约车服务订单后，可能需要确认该乘客的当前的具体地点或者确认该乘客的目的地等信息，期望与该乘客建立语音通话。又例如，当乘客的网约车服务订单被司机承接后，可能也需要确认该司机当前的具体地点或者需要确认本次出行过程中的一些事项等信息，也期望与该司机建立语音通话。对此，本实施例首先需要检测服务请求方与服务提供方之间是否建立语音通话。
步骤S120，在检测到服务请求方与服务提供方建立语音通话后，获取服务请求方与服务提供方之间的通话信息。
作为一种可能的实施方式，为了保护服务请求方和服务提供方的隐私，可以预先为服务请求方和服务提供方分配对应的虚拟保护号码。例如，服务器110可以在接收到服务提供方针对服务请求方发起的通信请求时，获取预先为服务提供方分配的虚拟保护号码，并将虚拟保护号码发送给服务提供方，以使服务提供方采用虚拟保护号码生成针对服务请求方的虚拟通信请求。而后，在接收到虚拟通信请求后，根据虚拟通信请求为服务提供方和服务请求方建立通话，并在检测到服务提供方与服务请求方建立通话时，获取服务请求方终端130与服务提供方终端140之间的通话信息。
又例如，服务器110也可以在接收到服务请求方针对服务提供方发起的通信请求时，获取预先为服务请求方分配的虚拟保护号码，并将虚拟保护号码发送给服务请求方，以使服务请求方采用虚拟保护号码生成针对服务提供方的虚拟通信请求。而后在接收到虚拟通信请求后，根据虚拟通信请求为服务请求方和服务提供方建立通话，并在检测到服务请求方与服务提供方建立通话时，获取服务请求方终端130与服务提供方终端140之间的通话信息。
如此，通过分别为服务请求方和服务提供方分配对应的虚拟保护号码，可以使得该虚拟保护号码与服务请求方和服务提供方的真实号码均不同，这样在通信过程中服务请求方终端130和服务提供方终端140上都只显示该虚拟保护号码而非服务请求方和服务提供方的真实号码，从而有效保护服务请求方和服务提供方的隐私。
可以理解地，在实际实施时，服务请求方与服务提供方也可以通过其它方式建立语音通话，例如服务请求方也可以通过安装的应用程序(例如APP、Web网页应用、微信小程序、支付宝小程序等)上发起在线语音以与服务提供方建立语音通话。
经发明人研究发现，通常来说，服务请求方与服务提供方存在的异常服务事件大部分都预先发生在语音通话阶段，由此，本实施例在检测到服务请求方与服务提供方建立语音通话后，可以获取服务请求方与服务提供方之间的通话信息，该通话信息可以是实时通话信息，也可以是回放通话信息。
值得说明的是，在其它实施方式中，服务请求方和服务提供方也可以不仅限于采用上述语音通话的方式，例如服务请求方和服务提供方也可以采用在线聊天的方式进行相关信息的沟通和确认，此时服务器110可以直接获取服务请求方和服务提供的在线聊天内容作为通话信息。也即，本实施例所限定的通话信息应理解为服务请求方和服务提供方通过任何可行方式生成的沟通内容，包括但不限于文本、录音、图像、视频等等。
步骤S130，根据通话信息判断服务提供方或者服务请求方中的任意一方是否存在异常服务事件。
作为一种可能的实施方式，本实施例可以对通话信息进行预处理，生成服务提供方所在信道的第一通话信息和服务请求方所在信道的第二通话信息。仍旧以网约车服务为例，可以生成乘客所在的信道的第一通话信息和司机所在的新到的第二通话信息。
接着，分别对第一通话信息和第二通话信息进行语音转换，获得与第一通话信息对应的第一文本信息和与第二通话信息对应的第二文本信息。其中，对第一通话信息和第二通话信息进行语音转换的方式可以是：分别对第一通话信息和第二通话信息进行处理，部分消除噪声和不同说话方带来的影响，使处理后的信号更能反映语音的本质特征，例如可以通过端点检测和语音增强的方式消除噪声和不同说话方带来的影响。其中，端点检测的方式是在语音信号中将语音和非语音信号时段区分开来，准确地确定出语音信号的起始点，经过端点检测后，后续处理就可以只对语音信号进行，进而提高模型的精确度和识别正确率。语音增强的方式是消除环境噪声对语音的影响，例如可以是采用维纳滤波，该方法在噪声较大的情况下效果更好。接着，分别提取处理后的第一通话信息和第二通话信息的声学特征，并根据预先训练的声学模型对提取的声学特征进行升声学特征识别，从而获得与第一通话信息对应的第一文本信息和与第二通话信息对应的第二文本信息。
在上述基础上，针对服务提供方，可以对第一文本信息进行识别，根据识别结果判断该服务提供方是否存在异常服务事件。
其中，上述异常服务事件可以理解为服务提供方在提供服务过程中可能存在的高危行为和非正常行为。仍旧以网约车服务为例，司机在使用网约车服务过程中可能存在切单、索要乘客联系方式、诱导乘客取消订单、人车不符等异常服务事件，下面结合具体示例对如何判断该服务提供方是否存在异常服务事件进行详细阐述。
在一种可能的示例中，本实施例可以预先训练得到切单模型，具体训练步骤为：
首先，配置初始切单训练模型并获取切单训练样本集，初始切单训练模型为深度神经网络模型、决策树模型、邻近算法KNN模型、支持向量机模型、朴素贝叶斯模型、遗传算法模型中的一种。切单训练样本集包括多个标注有是否存在切单行为的训练语料，训练语料包括各个服务提供方的历史服务订单中的通话信息对应的文本信息。例如，每个训练语料都可以包括各个司机在历史出行过程中的通话信息对应的文本信息，该文本信息标注有该司机是否存在切单行为。
接着，可以基于切单训练样本集迭代训练初始切单训练模型，并在满足迭代训练终止条件时输出切单模型。
在上述基础上，可以将第一文本信息输入到切单模型中，输出服务提供方存在切单行为的切单置信度，并在切单置信度大于第一设定置信度时，判定服务提供方存在异常服务事件。
进一步地，在另一种可能的示例中，本实施例还可以预先训练得到索要联系方式模型，具体训练步骤可以为：
首先，配置初始索要联系方式训练模型并获取索要联系方式样本集，初始索要联系方式训练模型为深度神经网络(Deep Neural Networks，DNN)模型、决策树(DecisionTree，DT)模型、邻近算法KNN(K-Nearest Neighbor)模型、支持向量机(Support VectorMachine，SVM)模型、朴素贝叶斯模型(Naive Bayesian Model，NBM)、遗传算法(GeneticAlgorithm，GA)模型中的一种。索要联系方式样本集包括多个标注有是否存在联系方式行为的训练语料，训练语料包括各个服务提供方的历史服务订单中的通话信息对应的文本信息。例如，每个训练语料都可以包括各个司机在历史出行过程中的通话信息对应的文本信息，该文本信息标注有该司机是否存在索要乘客联系方式的行为。可选地，上述联系方式可以是但不限于手机号码、QQ号码、微信号码、微博号码、邮箱等，本实施例对此不作任何限制。
接着，基于索要联系方式样本集迭代训练初始索要联系方式训练模型，并在满足迭代训练终止条件时输出索要联系方式模型。
在上述基础上，可以将第一文本信息输入到索要联系方式模型中，输出服务提供方存在索要联系方式行为的索要联系方式置信度，并在索要联系方式置信度大于第二设定置信度时，判定服务提供方存在异常服务事件。
进一步地，在另一种可能的示例中，上述判断服务提供方是否索要服务请求方联系方式行为的实施方式还可以是：根据联系方式的正则表达式对第一文本信息进行识别，判断第一文本信息中是否存在联系方式，若第一文本信息中存在联系方式，则判定服务提供方存在异常服务事件。
例如，若联系方式为手机号码或者电话号码，则正则表达式可以为0？(13|14|15|18|17)[0-9]{9}或者[0-9-()()]{7,18}。又例如，若联系方式为QQ号码，则正则表达式可以为[1-9]([0-9]{4,10})。又例如，若联系方式为邮箱，则正则表达式可以为\w[-\w.+]*@([A-Za-z0-9][-A-Za-z0-9]+\.)+[A-Za-z]{2,14}。可以理解，以上正则表达式仅为示例，在实际设计时可以根据需要设置各种联系方式的正则表达式。
进一步地，在另一种可能的示例中，本实施例还可以预先训练得到人车不符模型，具体训练步骤可以为：
首先，配置初始人车不符训练模型并获取人车不符样本集，初始人车不符训练模型为深度神经网络模型、决策树模型、邻近算法KNN模型、支持向量机模型、朴素贝叶斯模型、遗传算法模型中的一种，人车不符样本集包括多个标注有是否存在人车不符行为的训练语料，训练语料包括各个服务提供方的历史服务订单中的通话信息对应的文本信息。例如，每个训练语料都可以包括各个司机在历史出行过程中的通话信息对应的文本信息，该文本信息标注有该司机是否存在人车不符行为。
接着，基于人车不符样本集迭代训练初始人车不符训练模型，并在满足迭代训练终止条件时输出人车不符模型。
在上述基础上，可以将第一文本信息输入到人车不符模型中，输出服务提供方存在人车不符行为的人车不符置信度，并在人车不符置信度大于第三设定置信度时，判定服务提供方存在异常服务事件。
进一步地，在另一种可能的示例中，上述判断服务提供方是否人车不符行为的实施方式还可以是：
根据车牌号码的正则表达式对第一文本信息进行识别，判断第一文本信息中是否存在车牌号码，若第一文本信息中存在车牌号码，则判断车牌号码是否为该服务提供方注册的车牌号码，若车牌号码不是该服务提供方注册的车牌号码，判定服务提供方存在异常服务事件。
其中，以当前各个地区的车牌号码规则为例，根据车牌号码的正则表达式可以是^[京津沪渝冀豫云辽黑湘皖鲁新苏浙赣鄂桂甘晋蒙陕吉闽贵粤青藏川宁琼使领A-Z]{1}[A-Z]{1}[A-Z0-9]{4}[A-Z0-9挂学警港澳]{1}$。
进一步地，在另一种可能的示例中，本实施例还可以预先训练得到诱导行为模型，具体训练步骤可以为：
首先，配置初始诱导行为训练模型并获取诱导行为样本集，初始诱导行为训练模型为深度神经网络模型、决策树模型、邻近算法KNN模型、支持向量机模型、朴素贝叶斯模型、遗传算法模型中的一种，诱导行为样本集包括多个标注有是否存在诱导行为的训练语料，训练语料包括各个服务提供方的历史服务订单中的通话信息对应的文本信息。例如，每个训练语料都可以包括各个司机在历史出行过程中的通话信息对应的文本信息，该文本信息标注有该司机是否存在诱导行为。可选地，该诱导行为可以包括但不限于诱导乘客取消网约车服务订单、诱导乘客前往与本次出行无关的地点、诱导乘客私下转账等诱导行为。
接着，基于诱导行为样本集迭代训练初始诱导行为训练模型，并在满足迭代训练终止条件时输出诱导行为模型。
在上述基础上，可以将第一文本信息输入到诱导行为模型中，输出服务提供方存在诱导行为的诱导行为置信度，并在诱导行为置信度大于第四设定置信度时，判定服务提供方存在异常服务事件。
值得说明的是，在实际实施时判断服务提供方是否存在异常服务事件的方式可以择一采用上述示例中的任意一种，或者也可以采用上述示例中的两种或者或者两种以上组合。另外还应当说明的是，上述示例并未穷举，本领域技术人员可以根据具体服务的类别设计与上述示例不同的其它示例作为判断服务提供方是否存在异常服务事件的方式，本实施例对此不作任何限制。
进一步地，针对服务请求方，可以对第二文本信息进行识别，根据识别结果判断该服务请求方是否存在异常服务事件。其中，针对服务请求方的异常服务事件，可以参照上述示例中的诱导行为、索要联系方式行为的对应描述内容，本实施例不再赘述。
步骤S140，在判断结果为是时，针对存在异常服务事件的服务请求方或者服务提供方执行预设的异常服务事件处理策略。
作为一种可能的实施方式，当服务请求方和服务提供方中的任意一方存在异常服务事件时，可以针对存在异常服务事件的服务请求方或者服务提供方，向该服务请求方或者服务提供方发送语音互动请求以与该服务请求方或者服务提供方建立语音通信，并通过语音互动应答对该服务请求方或者服务提供方进行警告提示。例如，当判定司机存在“索要乘客联系方式”的异常服务事件时，服务器110可以向该司机的服务提供方终端140发送语音互动请求以与该司机建立语音通信，此时智能客服或者人工客服可以与该司机进行交涉，并对该司机进行警告提示，以提示该司机终止“索要乘客联系方式”。
或者，服务器110还可以向该服务请求方或者服务提供方发送弹窗警告信息以通过弹窗警告信息对该服务请求方或者服务提供方进行警告提示。例如，服务器110可以向该司机的服务提供方终端140当前处于使用状态的应用程序发送弹窗警告信息，以提示该司机终止当前的异常服务事件。
作为另一种可能的实施方式，服务器110也可以直接取消服务请求方与服务提供方之间的服务订单，并分别向服务请求方与服务提供方提示取消原因。例如，当判定司机存在“索要乘客联系方式”的异常服务事件时，服务器110可以取消司机和乘客之间的网约车服务订单，并分别向司机的服务提供方终端140和乘客的服务请求方终端130提示取消原因，例如可以提示“该订单已被取消，取消原因为：司机存在索要乘客联系方式的行为”。
图4示出了本申请一些实施例提供的服务异常识别装置300的功能模块图，该服务异常识别装置300实现的功能可以对应上述方法执行的步骤。该服务异常识别装置300可以理解为上述服务器110，或服务器110的处理器，也可以理解为独立于上述服务器110或处理器之外的在服务器110控制下实现本申请功能的组件，如图4所示，该服务异常识别装置300可以包括检测模块310、获取模块320、判断模块330以及策略执行模块340，下面分别对该服务异常识别装置300的各个功能模块的功能进行详细阐述。
检测模块310，可以用于在生成服务请求方与服务提供方之间的服务订单后，检测服务请求方与服务提供方之间是否建立语音通话。
获取模块330，可以用于在检测到服务请求方与服务提供方建立语音通话后，获取服务请求方与服务提供方之间的通话信息。
判断模块330，可以用于根据通话信息判断服务提供方或者服务请求方中的任意一方是否存在异常服务事件。
策略执行模块340，可以用于在判断结果为是时，针对存在异常服务事件的服务请求方或者服务提供方执行预设的异常服务事件处理策略。
在一种可能的实施方式中，获取模块330具体可以通过以下方式获取服务请求方终端130与服务提供方终端140之间的通话信息：
在接收到服务提供方针对服务请求方发起的通信请求时，获取预先为服务提供方分配的虚拟保护号码；
将虚拟保护号码发送给服务提供方，以使服务提供方采用虚拟保护号码生成针对服务请求方的虚拟通信请求；
在接收到虚拟通信请求后，根据虚拟通信请求为服务提供方和服务请求方建立通话；
在检测到服务提供方与服务请求方建立通话时，获取服务请求方终端130与服务提供方终端140之间的通话信息。
在一种可能的实施方式中，获取模块330具体可以通过以下方式获取服务请求方终端130与服务提供方终端140之间的通话信息：
在接收到服务请求方针对服务提供方发起的通信请求时，获取预先为服务请求方分配的虚拟保护号码；
将虚拟保护号码发送给服务请求方，以使服务请求方采用虚拟保护号码生成针对服务提供方的虚拟通信请求；
在接收到虚拟通信请求后，根据虚拟通信请求为服务请求方和服务提供方建立通话；
在检测到服务请求方与服务提供方建立通话时，获取服务请求方终端130与服务提供方终端140之间的通话信息。
在一种可能的实施方式中，判断模块330具体可以通过以下方式判断服务提供方或者服务请求方中的任意一方是否存在异常服务事件：
对通话信息进行预处理，生成服务提供方所在信道的第一通话信息和服务请求方所在信道的第二通话信息；
分别对第一通话信息和第二通话信息进行语音转换，获得与第一通话信息对应的第一文本信息和与第二通话信息对应的第二文本信息；
对第一文本信息进行识别，根据识别结果判断该服务提供方是否存在异常服务事件；
对第二文本信息进行识别，根据识别结果判断该服务请求方是否存在异常服务事件。
在一种可能的实施方式中，请进一步参阅图5，服务异常识别装置300还可以包括：
第一训练模块301，可以用于预先训练得到切单模型；
第一训练模块301具体可以通过以下方式预先训练得到切单模型：
配置初始切单训练模型并获取切单训练样本集，初始切单训练模型为深度神经网络模型、决策树模型、邻近算法KNN模型、支持向量机模型、朴素贝叶斯模型、遗传算法模型中的一种，切单训练样本集包括多个标注有是否存在切单行为的训练语料，训练语料包括各个服务提供方的历史服务订单中的通话信息对应的文本信息；
基于切单训练样本集迭代训练初始切单训练模型，并在满足迭代训练终止条件时输出切单模型；
判断模块330具体可以通过以下方式判断该服务提供方是否存在异常服务事件：
将第一文本信息输入到切单模型中，输出服务提供方存在切单行为的切单置信度；
在切单置信度大于第一设定置信度时，判定服务提供方存在异常服务事件。
在一种可能的实施方式中，仍旧参阅图5，服务异常识别装置300还可以包括：
第二训练模块302，可以用于预先训练得到索要联系方式模型；
第二训练模块302具体可以通过以下方式预先训练得到索要联系方式模型：
配置初始索要联系方式训练模型并获取索要联系方式样本集，初始索要联系方式训练模型为深度神经网络模型、决策树模型、邻近算法KNN模型、支持向量机模型、朴素贝叶斯模型、遗传算法模型中的一种，索要联系方式样本集包括多个标注有是否存在联系方式行为的训练语料，训练语料包括各个服务提供方的历史服务订单中的通话信息对应的文本信息；
基于索要联系方式样本集迭代训练初始索要联系方式训练模型，并在满足迭代训练终止条件时输出索要联系方式模型；
判断模块330具体可以通过以下方式判断该服务提供方是否存在异常服务事件：
将第一文本信息输入到索要联系方式模型中，输出服务提供方存在索要联系方式行为的索要联系方式置信度；
在索要联系方式置信度大于第二设定置信度时，判定服务提供方存在异常服务事件。
在一种可能的实施方式中，判断模块330具体可以通过以下方式判断该服务提供方是否存在异常服务事件：
根据联系方式的正则表达式对第一文本信息进行识别，判断第一文本信息中是否存在联系方式；
若第一文本信息中存在联系方式，则判定服务提供方存在异常服务事件。
在一种可能的实施方式中，仍旧参阅图5，服务异常识别装置300还可以包括：
第三训练模块303，可以用于预先训练得到人车不符模型；
第三训练模块303具体可以通过以下方式预先训练得到人车不符模型：
配置初始人车不符训练模型并获取人车不符样本集，初始人车不符训练模型为深度神经网络模型、决策树模型、邻近算法KNN模型、支持向量机模型、朴素贝叶斯模型、遗传算法模型中的一种，人车不符样本集包括多个标注有是否存在人车不符行为的训练语料，训练语料包括各个服务提供方的历史服务订单中的通话信息对应的文本信息；
基于人车不符样本集迭代训练初始人车不符训练模型，并在满足迭代训练终止条件时输出人车不符模型；
判断模块330具体可以通过以下方式判断该服务提供方是否存在异常服务事件：
将第一文本信息输入到人车不符模型中，输出服务提供方存在人车不符行为的人车不符置信度；
在人车不符置信度大于第三设定置信度时，判定服务提供方存在异常服务事件。
在一种可能的实施方式中，判断模块330具体可以通过以下方式判断该服务提供方是否存在异常服务事件：
根据车牌号码的正则表达式对第一文本信息进行识别，判断第一文本信息中是否存在车牌号码；
若第一文本信息中存在车牌号码，则判断车牌号码是否为该服务提供方注册的车牌号码；
若车牌号码不是该服务提供方注册的车牌号码，判定服务提供方存在异常服务事件。
在一种可能的实施方式中，仍旧参阅图5，服务异常识别装置300还可以包括：
第四训练模块304，可以用于预先训练得到诱导行为模型；
第四训练模块304具体可以通过以下方式预先训练得到诱导行为模型：
配置初始诱导行为训练模型并获取诱导行为样本集，初始诱导行为训练模型为深度神经网络模型、决策树模型、邻近算法KNN模型、支持向量机模型、朴素贝叶斯模型、遗传算法模型中的一种，诱导行为样本集包括多个标注有是否存在诱导行为的训练语料，训练语料包括各个服务提供方的历史服务订单中的通话信息对应的文本信息；
基于诱导行为样本集迭代训练初始诱导行为训练模型，并在满足迭代训练终止条件时输出诱导行为模型；
判断模块330具体可以通过以下方式判断该服务提供方是否存在异常服务事件：
将第一文本信息输入到诱导行为模型中，输出服务提供方存在诱导行为的诱导行为置信度；
在诱导行为置信度大于第四设定置信度时，判定服务提供方存在异常服务事件。
在一种可能的实施方式中，策略执行模块340具体可以通过以下方式执行预设的异常服务事件处理策略：
针对存在异常服务事件的服务请求方或者服务提供方，向该服务请求方或者服务提供方发送语音互动请求以与该服务请求方或者服务提供方建立语音通信，并通过语音互动应答对该服务请求方或者服务提供方进行警告提示；或者
向该服务请求方或者服务提供方发送弹窗警告信息以通过弹窗警告信息对该服务请求方或者服务提供方进行警告提示。
在一种可能的实施方式中，策略执行模块340具体通过以下方式执行预设的异常服务事件处理策略：
取消服务请求方与服务提供方之间的服务订单。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等，或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (26)
1.一种服务异常识别方法，其特征在于，应用于服务器，所述方法包括：
在生成服务请求方与服务提供方之间的服务订单后，检测所述服务请求方与所述服务提供方之间是否建立语音通话；
在检测到所述服务请求方与所述服务提供方建立语音通话后，获取所述服务请求方与所述服务提供方之间的通话信息；
根据所述通话信息判断所述服务提供方或者所述服务请求方中的任意一方是否存在异常服务事件；
在判断结果为是时，针对存在异常服务事件的服务请求方或者所述服务提供方执行预设的异常服务事件处理策略。
2.根据权利要求1所述的服务异常识别方法，其特征在于，所述在检测到服务请求方与服务提供方建立通话时，获取所述服务请求方与所述服务提供方之间的通话信息的步骤，包括：
在接收到所述服务提供方针对所述服务请求方发起的通信请求时，获取预先为所述服务提供方分配的虚拟保护号码；
将所述虚拟保护号码发送给所述服务提供方，以使所述服务提供方采用所述虚拟保护号码生成针对所述服务请求方的虚拟通信请求；
在接收到所述虚拟通信请求后，根据所述虚拟通信请求为所述服务提供方和所述服务请求方建立通话；
在检测到所述服务提供方与所述服务请求方建立通话时，获取所述服务请求方与所述服务提供方之间的通话信息。
3.根据权利要求1所述的服务异常识别方法，其特征在于，所述在检测到服务请求方与服务提供方建立通话时，获取所述服务请求方与所述服务提供方之间的通话信息的步骤，包括：
在接收到所述服务请求方针对所述服务提供方发起的通信请求时，获取预先为所述服务请求方分配的虚拟保护号码；
将所述虚拟保护号码发送给所述服务请求方，以使所述服务请求方采用所述虚拟保护号码生成针对所述服务提供方的虚拟通信请求；
在接收到所述虚拟通信请求后，根据所述虚拟通信请求为所述服务请求方和所述服务提供方建立通话；
在检测到服务请求方与服务提供方建立通话时，获取所述服务请求方与所述服务提供方之间的通话信息。
4.根据权利要求1所述的服务异常识别方法，其特征在于，所述根据所述通话信息判断所述服务提供方或者所述服务请求方中的任意一方是否存在异常服务事件的步骤，包括：
对所述通话信息进行预处理，生成所述服务提供方所在信道的第一通话信息和所述服务请求方所在信道的第二通话信息；
分别对所述第一通话信息和所述第二通话信息进行语音转换，获得与所述第一通话信息对应的第一文本信息和与所述第二通话信息对应的第二文本信息；
对所述第一文本信息进行识别，根据识别结果判断该服务提供方是否存在异常服务事件；
对所述第二文本信息进行识别，根据识别结果判断该服务请求方是否存在异常服务事件。
5.根据权利要求4所述的服务异常识别方法，其特征在于，所述方法还包括：
预先训练得到切单模型，具体训练步骤为：
配置初始切单训练模型并获取切单训练样本集，所述初始切单训练模型为深度神经网络模型、决策树模型、邻近算法KNN模型、支持向量机模型、朴素贝叶斯模型、遗传算法模型中的一种，所述切单训练样本集包括多个标注有是否存在切单行为的训练语料，所述训练语料包括各个服务提供方的历史服务订单中的通话信息对应的文本信息；
基于所述切单训练样本集迭代训练所述初始切单训练模型，并在满足迭代训练终止条件时输出所述切单模型；
所述对所述第一文本信息进行识别，根据识别结果判断该服务提供方是否存在异常服务事件的步骤，包括：
将所述第一文本信息输入到所述切单模型中，输出所述服务提供方存在切单行为的切单置信度；
在所述切单置信度大于第一设定置信度时，判定所述服务提供方存在异常服务事件。
6.根据权利要求4所述的服务异常识别方法，其特征在于，所述方法还包括：
预先训练得到索要联系方式模型，具体训练步骤为：
配置初始索要联系方式训练模型并获取索要联系方式样本集，所述初始索要联系方式训练模型为深度神经网络模型、决策树模型、邻近算法KNN模型、支持向量机模型、朴素贝叶斯模型、遗传算法模型中的一种，所述索要联系方式样本集包括多个标注有是否存在联系方式行为的训练语料，所述训练语料包括各个服务提供方的历史服务订单中的通话信息对应的文本信息；
基于所述索要联系方式样本集迭代训练所述初始索要联系方式训练模型，并在满足迭代训练终止条件时输出所述索要联系方式模型；
所述对所述第一文本信息进行识别，根据识别结果判断该服务提供方是否存在异常服务事件的步骤，包括：
将所述第一文本信息输入到所述索要联系方式模型中，输出所述服务提供方存在索要联系方式行为的索要联系方式置信度；
在所述索要联系方式置信度大于第二设定置信度时，判定所述服务提供方存在异常服务事件。
7.根据权利要求4所述的服务异常识别方法，其特征在于，所述对所述第一文本信息进行识别，根据识别结果判断该服务提供方是否存在异常服务事件的步骤，包括：
根据联系方式的正则表达式对所述第一文本信息进行识别，判断所述第一文本信息中是否存在联系方式；
若所述第一文本信息中存在联系方式，则判定所述服务提供方存在异常服务事件。
8.根据权利要求4所述的服务异常识别方法，其特征在于，所述方法还包括：
预先训练得到人车不符模型，具体训练步骤为：
配置初始人车不符训练模型并获取人车不符样本集，所述初始人车不符训练模型为深度神经网络模型、决策树模型、邻近算法KNN模型、支持向量机模型、朴素贝叶斯模型、遗传算法模型中的一种，所述人车不符样本集包括多个标注有是否存在人车不符行为的训练语料，所述训练语料包括各个服务提供方的历史服务订单中的通话信息对应的文本信息；
基于所述人车不符样本集迭代训练所述初始人车不符训练模型，并在满足迭代训练终止条件时输出所述人车不符模型；
所述对所述第一文本信息进行识别，根据识别结果判断该服务提供方是否存在异常服务事件的步骤，包括：
将所述第一文本信息输入到所述人车不符模型中，输出所述服务提供方存在人车不符行为的人车不符置信度；
在所述人车不符置信度大于第三设定置信度时，判定所述服务提供方存在异常服务事件。
9.根据权利要求4所述的服务异常识别方法，其特征在于，所述对所述第一文本信息进行识别，根据识别结果判断该服务提供方是否存在异常服务事件的步骤，包括：
根据车牌号码的正则表达式对所述第一文本信息进行识别，判断所述第一文本信息中是否存在车牌号码；
若所述第一文本信息中存在车牌号码，则判断所述车牌号码是否为该服务提供方注册的车牌号码；
若所述车牌号码不是该服务提供方注册的车牌号码，判定所述服务提供方存在异常服务事件。
10.根据权利要求4所述的服务异常识别方法，其特征在于，所述方法还包括：
预先训练得到诱导行为模型，具体训练步骤为：
配置初始诱导行为训练模型并获取诱导行为样本集，所述初始诱导行为训练模型为深度神经网络模型、决策树模型、邻近算法KNN模型、支持向量机模型、朴素贝叶斯模型、遗传算法模型中的一种，所述诱导行为样本集包括多个标注有是否存在诱导行为的训练语料，所述训练语料包括各个服务提供方的历史服务订单中的通话信息对应的文本信息；
基于所述诱导行为样本集迭代训练所述初始诱导行为训练模型，并在满足迭代训练终止条件时输出所述诱导行为模型；
所述对所述第一文本信息进行识别，根据识别结果判断该服务提供方是否存在异常服务事件的步骤，包括：
将所述第一文本信息输入到所述诱导行为模型中，输出所述服务提供方存在诱导行为的诱导行为置信度；
在所述诱导行为置信度大于第四设定置信度时，判定所述服务提供方存在异常服务事件。
11.根据权利要求1所述的服务异常识别方法，其特征在于，所述针对存在异常服务事件的服务请求方或者所述服务提供方执行预设的异常服务事件处理策略的步骤，包括：
针对存在异常服务事件的服务请求方或者所述服务提供方，向该服务请求方或者所述服务提供方发送语音互动请求以与该服务请求方或者所述服务提供方建立语音通信，并通过语音互动应答对该服务请求方或者所述服务提供方进行警告提示；或者
向该服务请求方或者所述服务提供方发送弹窗警告信息以通过所述弹窗警告信息对该服务请求方或者所述服务提供方进行警告提示。
12.根据权利要求1所述的服务异常识别方法，其特征在于，所述针对存在异常服务事件的服务请求方或者所述服务提供方执行预设的异常服务事件处理策略的步骤，包括：
取消所述服务请求方与服务提供方之间的服务订单。
13.一种服务异常识别装置，其特征在于，应用于服务器，所述装置包括：
检测模块，用于在生成服务请求方与服务提供方之间的服务订单后，检测所述服务请求方与所述服务提供方之间是否建立语音通话；
获取模块，用于在检测到所述服务请求方与所述服务提供方建立语音通话后，获取所述服务请求方与所述服务提供方之间的通话信息；
判断模块，用于根据所述通话信息判断所述服务提供方或者所述服务请求方中的任意一方是否存在异常服务事件；
策略执行模块，用于在判断结果为是时，针对存在异常服务事件的服务请求方或者所述服务提供方执行预设的异常服务事件处理策略。
14.根据权利要求13所述的服务异常识别装置，其特征在于，所述获取模块具体通过以下方式获取所述服务请求方与所述服务提供方之间的通话信息：
在接收到所述服务提供方针对所述服务请求方发起的通信请求时，获取预先为所述服务提供方分配的虚拟保护号码；
将所述虚拟保护号码发送给所述服务提供方，以使所述服务提供方采用所述虚拟保护号码生成针对所述服务请求方的虚拟通信请求；
在接收到所述虚拟通信请求后，根据所述虚拟通信请求为所述服务提供方和所述服务请求方建立通话；
在检测到所述服务提供方与所述服务请求方建立通话时，获取所述服务请求方与所述服务提供方之间的通话信息。
15.根据权利要求13所述的服务异常识别装置，其特征在于，所述获取模块具体通过以下方式获取所述服务请求方与所述服务提供方之间的通话信息：
在接收到所述服务请求方针对所述服务提供方发起的通信请求时，获取预先为所述服务请求方分配的虚拟保护号码；
将所述虚拟保护号码发送给所述服务请求方，以使所述服务请求方采用所述虚拟保护号码生成针对所述服务提供方的虚拟通信请求；
在接收到所述虚拟通信请求后，根据所述虚拟通信请求为所述服务请求方和所述服务提供方建立通话；
在检测到服务请求方与服务提供方建立通话时，获取所述服务请求方与所述服务提供方之间的通话信息。
16.根据权利要求13所述的服务异常识别装置，其特征在于，所述判断模块具体通过以下方式判断所述服务提供方或者所述服务请求方中的任意一方是否存在异常服务事件：
对所述通话信息进行预处理，生成所述服务提供方所在信道的第一通话信息和所述服务请求方所在信道的第二通话信息；
分别对所述第一通话信息和所述第二通话信息进行语音转换，获得与所述第一通话信息对应的第一文本信息和与所述第二通话信息对应的第二文本信息；
对所述第一文本信息进行识别，根据识别结果判断该服务提供方是否存在异常服务事件；
对所述第二文本信息进行识别，根据识别结果判断该服务请求方是否存在异常服务事件。
17.根据权利要求16所述的服务异常识别装置，其特征在于，所述装置还包括：
第一训练模块，用于预先训练得到切单模型；
所述第一训练模块具体通过以下方式预先训练得到切单模型：
配置初始切单训练模型并获取切单训练样本集，所述初始切单训练模型为深度神经网络模型、决策树模型、邻近算法KNN模型、支持向量机模型、朴素贝叶斯模型、遗传算法模型中的一种，所述切单训练样本集包括多个标注有是否存在切单行为的训练语料，所述训练语料包括各个服务提供方的历史服务订单中的通话信息对应的文本信息；
基于所述切单训练样本集迭代训练所述初始切单训练模型，并在满足迭代训练终止条件时输出所述切单模型；
所述判断模块具体通过以下方式判断该服务提供方是否存在异常服务事件：
将所述第一文本信息输入到所述切单模型中，输出所述服务提供方存在切单行为的切单置信度；
在所述切单置信度大于第一设定置信度时，判定所述服务提供方存在异常服务事件。
18.根据权利要求16所述的服务异常识别装置，其特征在于，所述装置还包括：
第二训练模块，用于预先训练得到索要联系方式模型；
所述第二训练模块具体通过以下方式预先训练得到索要联系方式模型：
配置初始索要联系方式训练模型并获取索要联系方式样本集，所述初始索要联系方式训练模型为深度神经网络模型、决策树模型、邻近算法KNN模型、支持向量机模型、朴素贝叶斯模型、遗传算法模型中的一种，所述索要联系方式样本集包括多个标注有是否存在联系方式行为的训练语料，所述训练语料包括各个服务提供方的历史服务订单中的通话信息对应的文本信息；
基于所述索要联系方式样本集迭代训练所述初始索要联系方式训练模型，并在满足迭代训练终止条件时输出所述索要联系方式模型；
所述判断模块具体通过以下方式判断该服务提供方是否存在异常服务事件：
将所述第一文本信息输入到所述索要联系方式模型中，输出所述服务提供方存在索要联系方式行为的索要联系方式置信度；
在所述索要联系方式置信度大于第二设定置信度时，判定所述服务提供方存在异常服务事件。
19.根据权利要求16所述的服务异常识别装置，其特征在于，所述判断模块具体通过以下方式判断该服务提供方是否存在异常服务事件：
根据联系方式的正则表达式对所述第一文本信息进行识别，判断所述第一文本信息中是否存在联系方式；
若所述第一文本信息中存在联系方式，则判定所述服务提供方存在异常服务事件。
20.根据权利要求16所述的服务异常识别装置，其特征在于，所述装置还包括：
第三训练模块，用于预先训练得到人车不符模型；
所述第三训练模块具体通过以下方式预先训练得到人车不符模型：
配置初始人车不符训练模型并获取人车不符样本集，所述初始人车不符训练模型为深度神经网络模型、决策树模型、邻近算法KNN模型、支持向量机模型、朴素贝叶斯模型、遗传算法模型中的一种，所述人车不符样本集包括多个标注有是否存在人车不符行为的训练语料，所述训练语料包括各个服务提供方的历史服务订单中的通话信息对应的文本信息；
基于所述人车不符样本集迭代训练所述初始人车不符训练模型，并在满足迭代训练终止条件时输出所述人车不符模型；
所述判断模块具体通过以下方式判断该服务提供方是否存在异常服务事件：
将所述第一文本信息输入到所述人车不符模型中，输出所述服务提供方存在人车不符行为的人车不符置信度；
在所述人车不符置信度大于第三设定置信度时，判定所述服务提供方存在异常服务事件。
21.根据权利要求16所述的服务异常识别装置，其特征在于，所述判断模块具体通过以下方式判断该服务提供方是否存在异常服务事件：
根据车牌号码的正则表达式对所述第一文本信息进行识别，判断所述第一文本信息中是否存在车牌号码；
若所述第一文本信息中存在车牌号码，则判断所述车牌号码是否为该服务提供方注册的车牌号码；
若所述车牌号码不是该服务提供方注册的车牌号码，判定所述服务提供方存在异常服务事件。
22.根据权利要求16所述的服务异常识别装置，其特征在于，所述装置还包括：
第四训练模块，用于预先训练得到诱导行为模型；
所述第四训练模块具体通过以下方式预先训练得到诱导行为模型：
配置初始诱导行为训练模型并获取诱导行为样本集，所述初始诱导行为训练模型为深度神经网络模型、决策树模型、邻近算法KNN模型、支持向量机模型、朴素贝叶斯模型、遗传算法模型中的一种，所述诱导行为样本集包括多个标注有是否存在诱导行为的训练语料，所述训练语料包括各个服务提供方的历史服务订单中的通话信息对应的文本信息；
基于所述诱导行为样本集迭代训练所述初始诱导行为训练模型，并在满足迭代训练终止条件时输出所述诱导行为模型；
所述判断模块具体通过以下方式判断该服务提供方是否存在异常服务事件：
将所述第一文本信息输入到所述诱导行为模型中，输出所述服务提供方存在诱导行为的诱导行为置信度；
在所述诱导行为置信度大于第四设定置信度时，判定所述服务提供方存在异常服务事件。
23.根据权利要求13所述的服务异常识别装置，其特征在于，所述策略执行模块具体通过以下方式执行预设的异常服务事件处理策略：
针对存在异常服务事件的服务请求方或者所述服务提供方，向该服务请求方或者所述服务提供方发送语音互动请求以与该服务请求方或者所述服务提供方建立语音通信，并通过语音互动应答对该服务请求方或者所述服务提供方进行警告提示；或者
向该服务请求方或者所述服务提供方发送弹窗警告信息以通过所述弹窗警告信息对该服务请求方或者所述服务提供方进行警告提示。
24.根据权利要求13所述的服务异常识别装置，其特征在于，所述策略执行模块具体通过以下方式执行预设的异常服务事件处理策略：
取消所述服务请求方与服务提供方之间的服务订单。
25.一种服务器，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当服务器运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1-12中任意一项所述的服务异常识别方法的步骤。
26.一种可读存储介质，其特征在于，该可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1-12中任意一项所述的服务异常识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811628742.3A CN111401030B (zh) | 2018-12-28 | 2018-12-28 | 服务异常识别方法、装置、服务器及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811628742.3A CN111401030B (zh) | 2018-12-28 | 2018-12-28 | 服务异常识别方法、装置、服务器及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111401030A true CN111401030A (zh) | 2020-07-10 |
| CN111401030B CN111401030B (zh) | 2024-01-09 |
Family
ID=71430117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811628742.3A Active CN111401030B (zh) | 2018-12-28 | 2018-12-28 | 服务异常识别方法、装置、服务器及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111401030B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115086283A (zh) * | 2022-05-18 | 2022-09-20 | 阿里巴巴（中国）有限公司 | 语音流的处理方法和单元 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104980903A (zh) * | 2015-06-30 | 2015-10-14 | 华为技术有限公司 | 一种保护用户隐私的方法及装置 |
| JP2016119634A (ja) * | 2014-12-23 | 2016-06-30 | 株式会社日立情報通信エンジニアリング | コールセンタシステム及び通話監視方法 |
| CN106557955A (zh) * | 2016-11-29 | 2017-04-05 | 流量海科技成都有限公司 | 网约车异常订单识别方法及系统 |
| CN107169670A (zh) * | 2017-06-01 | 2017-09-15 | 赵淑良 | 一种执法记录评价系统及其方法 |
| CN108804512A (zh) * | 2018-04-20 | 2018-11-13 | 平安科技（深圳）有限公司 | 文本分类模型的生成装置、方法及计算机可读存储介质 |
| CN108965613A (zh) * | 2018-10-23 | 2018-12-07 | 长沙裕邦软件开发有限公司 | 基于催收系统品质监控的方法、存储介质以及应用服务器 |
-
2018
- 2018-12-28 CN CN201811628742.3A patent/CN111401030B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016119634A (ja) * | 2014-12-23 | 2016-06-30 | 株式会社日立情報通信エンジニアリング | コールセンタシステム及び通話監視方法 |
| CN104980903A (zh) * | 2015-06-30 | 2015-10-14 | 华为技术有限公司 | 一种保护用户隐私的方法及装置 |
| CN106557955A (zh) * | 2016-11-29 | 2017-04-05 | 流量海科技成都有限公司 | 网约车异常订单识别方法及系统 |
| CN107169670A (zh) * | 2017-06-01 | 2017-09-15 | 赵淑良 | 一种执法记录评价系统及其方法 |
| CN108804512A (zh) * | 2018-04-20 | 2018-11-13 | 平安科技（深圳）有限公司 | 文本分类模型的生成装置、方法及计算机可读存储介质 |
| CN108965613A (zh) * | 2018-10-23 | 2018-12-07 | 长沙裕邦软件开发有限公司 | 基于催收系统品质监控的方法、存储介质以及应用服务器 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115086283A (zh) * | 2022-05-18 | 2022-09-20 | 阿里巴巴（中国）有限公司 | 语音流的处理方法和单元 |
| CN115086283B (zh) * | 2022-05-18 | 2024-02-06 | 阿里巴巴（中国）有限公司 | 语音流的处理方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111401030B (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2019236737B2 (en) | Systems and methods for displaying vehicle information for on-demand services | |
| CN111105120B (zh) | 一种工单处理方法及装置 | |
| EP3754583A1 (en) | Systems and methods for carpooling | |
| CN110992072A (zh) | 异常订单预测方法和系统 | |
| WO2020029164A1 (en) | Systems and methods for allocating orders | |
| CN111492386A (zh) | 一种用于对电动车辆充电的系统和方法 | |
| CN110782625A (zh) | 乘车安全报警方法、装置、电子设备及存储介质 | |
| CN111316308A (zh) | 用于识别错误订单请求的系统及方法 | |
| CN111353092A (zh) | 服务推送方法、装置、服务器及可读存储介质 | |
| WO2019076089A1 (en) | SYSTEMS AND METHODS OF ONLINE-OFFLINE SERVICE | |
| CN110753078B (zh) | 提示方法、装置、电子设备及存储介质 | |
| US20210042873A1 (en) | Systems and methods for distributing a request | |
| US20200162541A1 (en) | Systems and methods for uploading data | |
| CN111259119A (zh) | 一种问题推荐方法及装置 | |
| WO2019232773A1 (en) | Systems and methods for abnormality detection in data storage | |
| CN111401030B (zh) | 服务异常识别方法、装置、服务器及可读存储介质 | |
| CN111259229B (zh) | 一种问题推荐方法及装置 | |
| CN111274471B (zh) | 信息推送方法、装置、服务器及可读存储介质 | |
| CN111353093A (zh) | 问题推荐方法、装置、服务器及可读存储介质 | |
| CN111127126A (zh) | 一种信息反馈方法及装置、计算机可读存储介质 | |
| CN111145490B (zh) | 一种报警方法、装置、服务器及系统 | |
| CN112465331A (zh) | 乘车安全控制方法、模型训练方法、装置、设备及介质 | |
| CN111539744A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN111612562B (zh) | 数据标记方法、装置及电子设备 | |
| US20220191235A1 (en) | Systems and methods for improving security |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |