CN111598661A - 一种异常报备处理方法、装置、平台服务器及存储介质 - Google Patents

Abstract

本发明实施例提供了一种异常报备处理方法、装置、平台服务器及存储介质，所述方法包括：获取任务的异常报备，所述异常报备用于报备所述任务出现异常；响应所述异常报备，确定与所述任务关联的特征信息；根据所述特征信息确定第一事件的发生概率，所述第一事件为触发任务出现异常的事件；根据所述发生概率确定所述任务的异常报备结果。本发明实施例可准确、高效的处理异常报备。

Description

一种异常报备处理方法、装置、平台服务器及存储介质

技术领域

本发明实施例涉及数据处理技术领域，具体涉及一种异常报备处理方法、装置、平台服务器及存储介质。

背景技术

互联网平台入驻有众多的对象提供方，这些对象提供方可为用户提供多种供选择的对象，当用户选择对象并向互联网平台提交任务请求后，互联网平台可生成相应任务，从而由执行任务的配送单元将用户选择的对象，由对象提供方处配送至用户处，以使得用户享受到线上到线下的服务便利。

配送单元配送对象的过程中可能存在异常情况，基于此，互联网平台提供有报备任务异常的机制，允许配送单元在任务出现异常时进行异常报备，因此如何准确、高效的处理异常报备，成为了本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明实施例提供一种异常报备处理方法、装置、平台服务器及存储介质，以准确、高效的处理异常报备。

为实现上述目的，本发明实施例提供如下技术方案：

第一方面，本发明实施例提供一种异常报备处理方法，包括：

获取任务的异常报备，所述异常报备用于报备所述任务出现异常；

响应所述异常报备，确定与所述任务关联的特征信息；

根据所述特征信息确定第一事件的发生概率，所述第一事件为触发任务出现异常的事件；

根据所述发生概率确定所述任务的异常报备结果。

第二方面，结合第一方面所述的异常报备处理方法，所述根据所述特征信息确定发生第一事件的概率包括：

将所述特征信息输入预训练的机器学习模型；

获取所述机器学习模型输出的第一事件的发生概率，其中，所述机器学习模型对应所述特征信息与第一事件的发生概率的映射关系。

第三方面，结合第二方面所述的异常报备处理方法，还包括：

确定与历史任务关联的特征信息，并根据所述历史任务的历史异常报备结果，确定所述历史任务的标记信息；其中，所述历史异常报备结果由第二事件的执行结果确定，第二事件的执行结果决定第一事件是否实际发生；

根据所述历史任务关联的特征信息及所述历史任务的标记信息，训练机器学习模型。

第四方面，结合第三方面所述的异常报备处理方法，所述根据所述历史任务关联的特征信息及所述历史任务的标记信息，训练机器学习模型包括：

将所述历史任务关联的特征信息输入机器学习模型；

以机器学习模型输出的结果趋于所述历史任务的标记信息为训练目标，迭代的调整机器学习模型的参数。

第五方面，结合第一至第四任一方面所述的异常报备处理方法，所述根据所述发生概率确定所述任务的异常报备结果包括：

若所述发生概率大于第一概率阈值，确定所述任务的异常报备成功结果；

若所述发生概率小于第一概率阈值，且大于第二概率阈值，以第一次数自动执行第二事件，根据第二事件的执行结果确定所述任务的异常报备结果；

若发生概率小于第二概率阈值，且大于第三概率阈值，以第二次数自动执行第二事件，根据第二事件的执行结果确定所述任务的异常报备结果；其中，第一次数小于第二次数；

若发生概率小于第三概率阈值，提示配送单元执行第二事件。

第六方面，结合第五方面所述的异常报备处理方法，所述根据第二事件的执行结果确定所述任务的异常报备结果包括：

若第二事件在任一次的执行结果为第一结果，确定所述任务的异常报备失败结果；

若第二事件的执行结果均为第二结果，确定所述任务的异常报备成功结果；

其中，第二事件的执行结果为第一结果决定第一事件未实际发生，第二事件的执行结果为第二结果决定第一事件实际发生。

第七方面，结合第五方面所述的异常报备处理方法，所述第一事件为配送单元电话联系不上用户，所述第二事件为拨打用户电话。

第八方面，本发明实施例提供一种异常报备处理装置，包括：

异常报备获取模块，用于获取任务的异常报备，所述异常报备用于报备所述任务出现异常；

特征信息确定模块，用于响应所述异常报备，确定与所述任务关联的特征信息；

概率确定模块，用于根据所述特征信息确定第一事件的发生概率，所述第一事件为触发任务出现异常的事件；

结果确定模块，用于根据所述发生概率确定所述任务的异常报备结果。

第九方面，本发明实施例提供一种平台服务器，包括至少一个存储器和至少一个处理器，所述存储器存储一条或多条计算机可执行指令，所述处理器调用所述一条或多条计算机可执行指令，以执行第一方面至第七方面任一方面所述的异常报备处理方法。

第十方面，本发明实施例提供一种存储介质，所述存储介质存储一条或多条计算机可执行指令，所述一条或多条计算机可执行指令用于执行第一方面至第七方面任一方面所述的异常报备处理方法。

本发明实施例提供的异常报备处理方法中，平台服务器可获取任务的异常报备，所述异常报备用于报备所述任务出现异常；从而，平台服务器可响应所述异常报备，确定与所述任务关联的特征信息，根据所述特征信息确定第一事件的发生概率，所述第一事件为触发任务出现异常的事件；进而，根据所述发生概率确定所述任务的异常报备结果。本发明实施例提供的异常报备处理方法中，任务出现异常可由第一事件触发，在平台服务器获取任务的异常报备后，平台服务器可基于与任务关联的特征信息，确定第一事件的发生概率，从而基于所述发生概率确定所述任务的异常报备结果，可实现准确、高效的处理异常报备。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1是本发明实施例提供的异常报备处理方法的可选流程图；

图2是本发明实施例提供的异常报备处理方法的另一可选流程图；

图3是本发明实施例提供的机器学习模型训练流程图；

图4是本发明实施例提供的异常报备处理方法的再一可选流程图；

图5是本发明实施例提供的异常报备处理方法的又一可选流程图；

图6是本发明实施例提供的异常报备处理装置的可选框图；

图7是本发明实施例提供的异常报备处理装置的另一可选框图；

图8是本发明实施例提供的异常报备处理装置的再一可选框图；

图9是本发明实施例提供的平台服务器的可选框图。

具体实施方式

配送单元执行任务的过程可能发生触发任务异常的事件，导致配送单元完成任务的时间极可能超过任务期望时间，然而，触发任务异常的事件可能并非是配送单元原因导致，例如可能存在用户原因，天气原因，对象提供方原因等导致出现该事件，因此在配送单元执行任务的过程中，如果发生触发任务异常的事件，导致任务完成时间可能超出任务期望时间时，配送单元可基于在线互联网平台提供的报备任务异常的机制，进行异常报备。

当配送单元对任务进行异常报备后，在线互联网平台需要处理异常报备，以确认触发任务异常的事件是否实际发生，避免配送单元对任务进行虚假异常报备。在传统方式中，在线互联网平台接收到任务的异常报备后，在线互联网平台可由人工方式或者自动方式多次的确认触发任务异常的事件是否实际发生，从而基于确认结果得出异常报备结果；这个过程中，异常报备结果的得出时间较长，导致异常报备的处理效率较低，并且，异常报备结果的结果准确性较低。

为便于说明，以配送单元执行任务的过程，配送单元电话联系不上用户导致任务异常为例，在配送单元对任务进行异常报备后，在线互联网平台可由人工或者自动方式多次拨打用户电话，以确认用户是否实际联系不上；无疑这种方式需要较长的时间才能得出异常报备结果，异常报备的处理效率较低，同时，这种方式存在异常报备结果不准确的问题，例如配送单元为在任务完成时间超出任务期望时间的情况下获得免责，可能使用一些作弊的方法，干扰在线互联网平台确认用户是否实际联系不上的过程，如配送单元使用非工作电话拨打用户电话，造成用户的电话占线，以干扰在线互联网平台拨打用户电话的确认手段。

基于此，本发明实施例提供一种异常报备处理方法、装置、平台服务器及存储介质，以准确、高效的处理异常报备。下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

作为一种可选实现，图1示出了本发明实施例提供的异常报备处理方法的可选流程图，如图1所示，该过程可以由平台服务器和配送单元终端实现，其中，配送单元终端可以认为是配送单元所使用的智能手机、平板电脑、PC(个人计算机)等电子设备；平台服务器可以是在线互联网平台的服务设备，平台服务器可以是由单一服务器实现，也可以是由多台服务器组成的服务器群组实现。

如图1所示，在可选实现中，本发明实施例提供的异常报备处理方法的过程可以包括：

步骤S10、配送单元终端向平台服务器发送任务的异常报备，所述异常报备用于报备所述任务出现异常。

在可选实现中，所述任务为配送单元执行的配送任务，即配送单元需将用户选择的对象，由对象提供方处配送至用户处，一般而言，配送单元需要在任务期望时间内完成任务，如果配送单元完成任务的时间超过任务期望时间，并且配送人员未对任务异常进行报备，则配送单元需要对任务完成超时负责。

基于此，在配送单元执行所述任务的过程中，若发生触发任务异常的事件(本发明实施例称为第一事件)，导致配送单元可能无法在任务期望时间内完成任务时，配送单元可使用配送单元终端向平台服务器发送任务的异常报备，以向平台服务器申请任务的异常报备，从而在任务的异常报备成功后，配送单元可基于延长的任务期望时间完成任务，或者，在配送单元完成任务的时间超过任务期望时间时，免除配送单元的责任。

配送单元终端发送任务的异常报备的节点可以为任务已经超时、临近超时、或尚未超时，本发明实施例在此不做具体的限定。

步骤S11、平台服务器响应所述异常报备，确定与所述任务关联的特征信息。

在本发明实施例中，所述任务关联的特征信息用于确定第一事件的发生概率，即任务关联的特征信息可决定第一事件的发生概率；本发明实施例可在任务生成至配送单元报备任务异常的过程中，采集各种决定第一事件的发生概率的用户信息和配送单元信息，从而得到任务关联的特征信息；本发明实施例对于特征信息的具体形式并不作限制，只要特征信息能必然决定第一事件的发生概率即可。

在可选实现中，所述任务关联的特征信息可以为配送单元配送过程中，配送单元的位置信息，配送单元与用户的通话信息等，也可以为用户在任务所属的互联网平台的操作信息等；在其他可能的场景下，任务关联的特征信息可以为对象提供方相关信息，如对象提供方的对象提供速度，对象提供方需提供的对象数量，对象提供方提供对象的准时率等。

步骤S12、平台服务器根据所述特征信息确定第一事件的发生概率。

在可选实现中，本发明实施例可预先确定表示所述特征信息与第一事件的发生概率的关系的映射关系，从而基于预先确定的映射关系，在步骤S11确定出任务关联的特征信息的基础上，确定第一事件的发生概率。可选的，所述映射关系可以是函数关系，例如非线性函数关系，在可能的其他实现中，映射关系也可以由机器学习模型表达。

在可能的示例中，以触发任务异常的第一事件为配送单元电话联系不上用户为例，则特征信息可以至少包括所述任务生成至获取所述异常报备的过程中配送单元的通话信息等，从而基于该特征信息确定配送单元电话联系不上用户的发生概率；又如，以触发任务异常的第一事件为对象提供方无法按时提供对象为例，则特征信息可以至少包括对象提供方的对象提供速度，对象提供方需提供的对象数量，对象提供方提供对象的准时率等，从而基于该特征信息确定对象提供方无法按时提供对象的发生概率。

步骤S13、平台服务器根据所述发生概率确定所述任务的异常报备结果。

在得到所述发生概率后，本发明实施例可以根据所述发生概率，确定任务的异常报备结果。在可选实现中，如果所述发生概率的数值较大，本发明实施例可直接确定任务的异常报备成功结果，示例的，本发明实施例可设置异常报备直接成功的第一概率阈值，在步骤S12确定的所述发生概率大于第一概率阈值时，可确定任务的异常报备成功结果。在其他可选实现中，如果无法基于所述发生概率的数值，直接确定任务的异常报备结果时，本发明实施例可由平台服务器执行确认第一事件是否实际发生的第二事件，从而基于第二事件的执行结果，确定任务的异常报备结果，例如，第一事件为配送单元电话联系不上用户时，第二事件可以为拨打用户电话。

进一步，可选的，在所述异常报备结果为异常报备成功时，则可延长任务的任务期望时间，或者，在配送单元完成任务的时间超过任务期望时间时进行免责。进一步的，在所述异常报备结果为异常报备失败时，则可判定配送单元对任务超时完成进行担责。

本发明实施例提供的异常报备处理方法中，平台服务器可获取任务的异常报备，所述异常报备用于报备所述任务出现异常；从而，平台服务器可响应所述异常报备，确定与所述任务关联的特征信息，根据所述特征信息确定第一事件的发生概率，所述第一事件为触发任务出现异常的事件；进而，根据所述发生概率确定所述任务的异常报备结果。本发明实施例提供的异常报备处理方法中，任务出现异常可由第一事件触发，在平台服务器获取任务的异常报备后，平台服务器可基于与任务关联的特征信息，确定第一事件的发生概率，从而基于所述发生概率确定所述任务的异常报备结果，实现准确、高效的处理异常报备。

在一个可选的实现中，可以采用机器学习模型确定发生第一事件的概率。可选的，图2示出了本发明实施例提供的异常报备处理方法的另一可选流程，该流程可以是由配送单元终端和平台服务器实现，其中，平台服务器中建立有机器学习模型，如图2所示，该流程可以包括：

步骤S20、配送单元终端向平台服务器发送任务的异常报备，所述异常报备用于报备所述任务出现异常。

可选的，步骤S20发送任务的异常报备的说明可参照前文相应部分描述。

步骤S21、平台服务器响应所述异常报备，确定与所述任务关联的特征信息。

可选的，步骤S21确定与所述任务关联的特征信息的说明可参照前文相应部分描述。

步骤S22、平台服务器将所述特征信息输入模型服务器预训练的机器学习模型。

具体的，平台服务器将所述特征信息输入预训练的机器学习模型，以使预训练的机器学习模型获取所述特征信息。

可选的，所述机器学习模型可以根据历史任务关联的特征信息，以及历史任务的异常报备结果训练得到。

步骤S23、所述机器学习模型确定第一事件的发生概率。

其中，所述机器学习模型对应所述特征信息与第一事件的发生概率的映射关系，该映射关系可以是一种非线性函数关系，从而将特征信息输入机器学习模型，得出第一事件的发生概率。

在本发明实施例中，特征信息与第一事件的发生概率具有必然联系，从而，机器学习模型基于特征信息得到第一事件的发生概率具有必然性。例如，在第一事件为配送单元电话联系不上用户时，对应的特征信息可以为任务生成至获取所述异常报备的过程中配送单元的通话信息，从而确定配送单元在执行任务时，是否拨打用户的电话，以及拨打用户电话的次数，是否拨通等，可以理解的是，在配送单元在执行配送任务时，多次拨打用户电话无法拨通时，配送单元电话联系不上用户的概率必然较大，而在配送单元在执行配送任务时，拨打用户电话的次数较少，或存在拨打用户电话且用户接听的情况时，配送单元电话联系不上用户的概率必然较小，从而依据这些特征信息与第一事件之间的关系，实现对第一事件的发生概率的确定。

步骤S24、平台服务器根据所述发生概率确定所述任务的异常报备结果。

需要说明的是，在本示例中，所述机器学习模型部署在平台服务器内，并由所述平台服务器执行对应的计算和处理，实现机器学习模型的功能。在本发明的其他示例中，所述机器学习模型也可以部署在模型服务器内，并通过与平台服务器的交互，实现机器学习模型的功能。

在一个可选的实现中，图3示出了本发明实施例提供的机器学习模型的训练流程，该流程由平台服务器执行，如图3所示，该流程可以包括：

步骤S30、确定与历史任务关联的特征信息，并根据所述历史任务的历史异常报备结果，确定所述历史任务的标记信息。

基于历史任务的异常报备进行机器学习模型的训练，需要对历史任务关联的特征信息进行确定，并确定历史任务的历史异常报备结果。

基于历史任务进行机器学习模型的训练，还需要对历史任务设置标记信息；本发明实施例中，可以根据历史任务的异常报备结果，确定所述历史任务的标记信息，如，异常报备成功时，可以确定所述历史任务为正样本，对应的标记信息可以为“1”，异常报备失败时，可以确定所述历史任务为负样本，对应的标记信息可以为“0”。通过所述标记信息进行样本标记，以指导机器学习模型的训练，避免机器学习模型训练不准确的问题。

其中，所述历史异常报备结果由第二事件的执行结果确定，第二事件的执行结果决定第一事件是否实际发生，通过执行第二事件，可以对第一事件是否实际发生进行验证。例如，在第一事件为配送单元电话联系不上用户时，第二事件为拨打用户电话，在执行拨打用户电话的第二事件时，若用户电话无法接通，可以认为配送单元电话联系不上用户的第一事件实际发生。

步骤S31、根据所述历史任务关联的特征信息及所述历史任务的标记信息，训练机器学习模型。

平台服务器可以将历史任务关联的特征信息及所述历史任务的标记信息输入至机器学习模型，进而机器学习模型可以根据所述历史任务关联的特征信息及所述历史任务的标记信息，训练机器学习模型。

在确定所述历史任务关联的特征信息及所述历史任务的标记信息后，可以根据这些信息，进行机器学习模型的训练。可选的，可以将所述历史任务关联的特征信息输入机器学习模型；并进一步以机器学习模型输出的结果趋于所述历史任务的标记信息为训练目标，迭代的调整机器学习模型的参数。

基于训练得到的机器学习模型，本发明实施例可以在配送单元申请任务的异常报备时，准确的确定触发任务异常的第一事件的发生概率，从而基于所述发生概率确定所述任务的异常报备结果，实现准确、高效的处理异常报备。

可选实现中，在步骤S23根据第一事件的发生概率确定任务的异常报备结果时，本发明实施例可结合第一事件的发生概率和第二事件的执行结果，确定异常报备结果。可以理解的是，在所述第一事件的发生概率较大时，可以直接确定所述任务的异常报备成功，而在所述第一事件的发生概率不足以直接确定所述任务的异常报备成功时，则可以执行第二事件，对第一事件是否实际发生进行验证，或者，进一步多次执行第二事件，以准确确定第一事件是否实际发生。

可选的，在根据所述发生概率确定所述任务的异常报备结果的步骤中，若所述发生概率大于第一概率阈值，确定所述任务的异常报备成功；若所述发生概率小于第一概率阈值，且大于第二概率阈值，以第一次数自动执行第二事件，根据第二事件的执行结果确定所述任务的异常报备结果；若发生概率小于第二概率阈值，且大于第三概率阈值，以第二次数自动执行第二事件，根据第二事件的执行结果确定所述任务的异常报备结果；其中，第一次数小于第二次数；若发生概率小于第三概率阈值，提示配送单元执行第二事件。

其中，所述第一概率阈值、第二概率阈值、第三概率阈值可以预先配置得到，所述第一次数和所述第二次数可以预先配置得到。

进一步的，若第二事件在任一次的执行结果为第一结果，确定所述任务的异常报备失败；若第二事件的执行结果均为第二结果，确定所述任务的异常报备成功；

其中，第二事件的执行结果为第一结果决定第一事件未实际发生，第二事件的执行结果为第二结果决定第一事件实际发生。对应的，第一结果可以为与第一事件实际发生相悖的结果，第二结果可以为与第一事件实际发生相对应的结果，在执行第二事件的过程中，只要任一次第二事件的执行结果为第一结果，则确认第一事件未实际发生，只有第二事件所有次数的执行结果均为第二结果时，确认第一事件实际发生。

而在发生概率小于第三概率阈值时，表明第一事件的发生概率过低，则直接认为异常报备失败，提示配送单元执行第二事件，继续执行所述任务。

示例的，以第一事件为配送单元电话联系不上用户为例，第二事件为拨打用户电话为例，本发明实施例可以配置第一概率阈值为99％，第二阈值概率为80％，第三阈值概率为10％，第一次数为1，第二次数为3；从而在第一事件的发生概率大于99％时，平台服务器自动通过所述异常报备，确定异常报备成功；若第一事件的发生概率小于99％，且大于80％，则平台服务器可自动拨打用户电话1次，在用户电话无法接通时，则异常报备成功；若第一事件的发生概率小于80％，且大于10％，则自动拨打用户电话3次，在用户电话均无法接通时，则异常报备成功；若所述发生概率小于10％，则提示配送单元拨打用户电话，再次确认是否联系不上用户。

需要说明的是，针对第一事件的发生概率小于第三概率阈值的情况，如果在线互联网平台监控到配送单元再次联系用户，但仍然联系不上用户，则配送单元再次对任务进行异常报备时，平台服务器可更新任务关联的特征信息，重新计算用户联系不上的概率，并按照上述不同概率区间对应的方式进行异常报备的处理；如果在线互联网平台监控到配送单元再次联系用户时，联系上用户，则在任务完成后，设置异常报备结果为异常报备失败。

在一个可选的实现中，所述第一事件为配送单元电话联系不上用户，所述第二事件为拨打用户电话，可选的，图4示出了本发明实施例提供的异常报备处理方法的再一可选流程，该流程可以是由平台服务器和配送单元终端实现，如图4所示，该流程可以包括：

步骤S40、配送单元终端向平台服务器发送任务的异常报备。

在本示例中，若配送单元可在电话联系不上用户，使用配送单元终端向平台服务器申请任务的异常报备。

步骤S41、平台服务器响应所述异常报备，确定所述任务生成至获取所述异常报备的过程中配送单元的通话信息。

在所述异常报备中，第一事件为配送单元电话联系不上用户时，与所述任务关联的特征信息可以为所述任务生成至获取所述异常报备的过程中配送单元的通话信息。

其中，所述通话信息包括：所述过程中配送单元与用户各次通话的通话行为信息，及所述过程中配送单元与用户的通话统计信息。其中，所述通话行为信息可以为配送单元每次拨打用户电话时的行为信息，例如配送单元每次拨打用户电话的等待时长、用户是否接通、通话时长等，所述通话统计信息可以为配送单元在所述过程中拨打用户电话的总次数、总等待时长，总通话时长等。

通过所述任务生成至获取所述异常报备的过程中配送单元的所述通话行为信息和所述通话统计信息，可以实现对配送单元电话联系不上用户这一事件的发生概率的确定。

步骤S42、平台服务器根据所述特征信息确定配送单元电话联系不上用户的发生概率。

可选的，在确定所述特征信息后，平台服务器可以基于机器学习模型进行配送单元电话联系不上用户的发生概率的确定，进而可以快速准确的实现所述发生概率的确定。

步骤S43、平台服务器根据所述发生概率确定所述任务的异常报备结果。

进一步的，与所述任务关联的特征信息还可以进一步包括用户地理位置，和/或，配送单元地理位置，和/或，所述过程中用户在互联网平台的交互信息；和/或，所述配送单元电话联系用户时，所述用户预置的自动语音回复信息；和/或，所述配送单元申请的历史异常报备次数及各次历史异常报备的结果。

可以理解的是，配送单元通常在距离用户较近时才会开始拨打用户电话，联系用户，在配送单元地理位置与用户地理位置相距较远时，配送单元进行任务的异常报备存在虚假报备的嫌疑；相应的，配送单元与用户的距离可与第一事件(即配送单元联系不上用户)的发生概率呈负相关关系，在配送单元地理位置与用户地理位置相距较近时，第一事件的发生概率较高，而在配送单元与用户的距离较远时，第一事件的发生概率较低，当然这种关系仅是可选的。

同样可以理解的是，任务生成至平台服务器获取所述异常报备的过程中，如果用户在互联网平台进行频繁的操作，则表明用户在频繁的使用用户终端，用户遗漏联系电话的可能性较低；从而用户在互联网平台的交互信息可与第一事件(即配送单元联系不上用户)的发生概率呈负相关关系，用户在互联网平台的交互信息越多，则第一事件的发生概率较低，用户在互联网平台的交互信息较少，则第一事件的发生概率较高，当然这种关系也仅是可选的。

进一步的，所述配送单元电话联系用户时，如果接通后，仅得到用户预置的自动语音回复，则表明用户可能不便联系，从而使得即便用户电话可以接通，配送单元电话联系不上用户的概率仍然会较高，进而可以基于所述配送单元电话联系用户时，所述用户预置的自动语音回复信息对配送单元电话联系不上用户的第一事件是否实际发生的概率进行确定。可选的，可以采用语料分析确定用户预置的自动语音回复的内容。

另外，还可以根据配送单元申请的历史异常报备次数及各次历史异常报备的结果，确定第一事件实际发生的概率；例如，配送单元申请的历史异常报备次数较多，且历史异常报备结果中报备失败的结果较多，则配送单元可能存在虚假进行任务的异常报备的嫌疑，第一事件实际发生的概率较低。

在一个可选的示例中，图5示出了本发明实施例提供的异常报备处理方法又一流程，该流程可以由平台服务器执行，如图5所示，该流程可以包括：

步骤S50、确定第一事件的发生概率相同的多个异常报备。

针对多个异常报备，本发明实施例得出该多个异常报备的异常报备结果，及相应的第一事件的发生概率后；平台服务器可确定第一事件的发生概率相同的多个异常报备，所述多个异常报备可以包括异常报备成功的第一异常报备，同时还可以包括异常报备失败的第二异常报备。

步骤S51、若所述第一异常报备在所述多个异常报备中的占比小于占比阈值，对所述第一异常报备进行审核。

可以理解的是，第一事件的发生概率相同的异常报备理论上应该具有相同的异常报备结果，如果第一事件的发生概率相同的异常报备中存在不同的异常报备结果，则有可能出现配送单元干扰平台服务器通过执行第二事件，来验证第一事件是否实际发生的情况(例如，平台服务器通过自动拨打用户电话，以验证用户是否实际联系不上时，配送单元可能通过使用户电话占线等方式进行干扰，以使得平台服务器得出用户联系不上的结果)，此时，需对多个异常报备中报备成功的异常报备进行再次审核，以进一步提升异常报备结果的准确性

基于此，本发明实施例可确定异常报备成功的第一异常报备，在多个异常报备中的占比，若占比小于占比阈值，则需对第一异常报备进行审核。

可选的，所述占比阈值可以预先配置，例如，所述占比阈值可以为10％、20％等，可以理解的是，针对第一事件的发生概率相同的多个异常报备情况下，如果所述多个异常报备中异常报备失败的占比较大，而异常报备成功的占比较小，则异常报备成功的结果有可能是不准确的，需要进行再次审核。

可选的，所述审核可以为系统自动根据任务关联的特征信息进行审核，或者由人工进行审核。

步骤S52、根据审核结果，重新确定所述第一异常报备的异常报备结果。

在所述审核结果与所述第一异常报备的异常报备结果不同时，可以重新确定所述第一异常报备的异常报备结果，如果在审核结果与第一异常报备的异常报备结果不同时，可以审核结果调整第一异常报备的异常报备结果。

在本发明的可选示例中，本发明实施例的流程还可以进一步包括：

步骤S53、根据与所述第一异常报备的任务关联的特征信息，及重新确定的所述第一异常报备的异常报备结果，优化所述机器学习模型。

可以理解的是，进行异常报备的审核后，对应的异常报备结果更加准确，对应的，将与所述第一异常报备的任务关联的特征信息，及所述第一异常报备重新确定的异常报备结果输入机器学习模型，对机器学习模型进行进一步的训练和优化，可以提高机器学习模型的准确度。

在本发明实施例的可选示例中，所述在线互联网平台可以为在线外卖平台，所述配送单元可以为骑手，所述对象提供方可以为商户，所述对象提供方提供的对象可以为菜品，任务可以为订单。本发明实施例可实现准确、高效的处理异常报备。

上文描述了本发明实施例提供的多个实施例方案，各实施例方案介绍的各可选方式可在不冲突的情况下相互结合、交叉引用，从而延伸出多种可能的实施例方案，这些均可认为是本发明实施例披露、公开的实施例方案。

下面对本发明实施例提供的异常报备处理装置进行介绍，下文描述的异常报备处理装置可以认为是，为实现本发明实施例提供的异常报备处理方法所需设置的功能模块。下文描述的异常报备处理装置的内容，可与上文描述内容相互对应参照。

在可选实现中，图6示出了本发明实施例提供的异常报备处理装置的可选框图，如图6所示，该装置可以包括：

异常报备获取模块100，用于获取任务的异常报备，所述异常报备用于报备所述任务出现异常；

特征信息确定模块110，用于响应所述异常报备，确定与所述任务关联的特征信息；

概率确定模块120，用于根据所述特征信息确定第一事件的发生概率，所述第一事件为触发任务出现异常的事件；

结果确定模块130，用于根据所述发生概率确定所述任务的异常报备结果。

可选的，所述概率确定模块120，用于根据所述特征信息确定发生第一事件的概率包括：

将所述特征信息输入预训练的机器学习模型；

获取所述机器学习模型输出的第一事件的发生概率，其中，所述机器学习模型对应所述特征信息与第一事件的发生概率的映射关系。

在另一可选实现中，图7示出了本发明实施例提供的异常报备处理装置的另一可选框图，如图7所示，该装置进一步包括：

历史信息确定模块140，用于确定与历史任务关联的特征信息，并根据所述历史任务的历史异常报备结果，确定所述历史任务的标记信息；其中，所述历史异常报备结果由第二事件的执行结果确定，第二事件的执行结果决定第一事件是否实际发生；

模型训练模块150，用于根据所述历史任务关联的特征信息及所述历史任务的标记信息，训练机器学习模型。

可选的，所述模型训练模块150，用于根据所述历史任务关联的特征信息及所述历史任务的标记信息，训练机器学习模型包括：

将所述历史任务关联的特征信息输入机器学习模型；

以机器学习模型输出的结果趋于所述历史任务的标记信息为训练目标，迭代的调整机器学习模型的参数。

可选的，所述结果确定模块130，用于根据所述发生概率确定所述任务的异常报备结果包括：

若所述发生概率大于第一概率阈值，确定所述任务的异常报备成功结果；

若所述发生概率小于第一概率阈值，且大于第二概率阈值，以第一次数自动执行第二事件，根据第二事件的执行结果确定所述任务的异常报备结果；

若发生概率小于第二概率阈值，且大于第三概率阈值，以第二次数自动执行第二事件，根据第二事件的执行结果确定所述任务的异常报备结果；其中，第一次数小于第二次数；

若发生概率小于第三概率阈值，提示配送单元执行第二事件。

可选的，所述结果确定模块130，用于根据第二事件的执行结果确定所述任务的异常报备结果包括：

若第二事件在任一次的执行结果为第一结果，确定所述任务的异常报备失败结果；

若第二事件的执行结果均为第二结果，确定所述任务的异常报备成功结果；

其中，第二事件的执行结果为第一结果决定第一事件未实际发生，第二事件的执行结果为第二结果决定第一事件实际发生。

可选的，所述第一事件为配送单元电话联系不上用户，所述第二事件为拨打用户电话。

可选的，所述特征信息包括：所述任务生成至获取所述异常报备的过程中配送单元的通话信息。

可选的，所述通话信息包括：所述过程中配送单元与用户各次通话的通话行为信息，及所述过程中配送单元与用户的通话统计信息。

可选的，所述特征信息还包括：

用户地理位置；

和/或，配送单元地理位置；

和/或，所述过程中用户在互联网平台的交互信息；

和/或，所述配送单元电话联系用户时，所述用户预置的自动语音回复信息；

和/或，所述配送单元申请的历史异常报备次数及各次历史异常报备的结果。

在另一可选实现中，图8示出了本发明实施例提供的异常报备处理装置的再一可选框图，如图8所示，该装置进一步包括：

异常报备确定模块160，用于确定第一事件的发生概率相同的多个异常报备，所述多个异常报备包括异常报备成功的第一异常报备；

审核模块170，用于若所述第一异常报备在所述多个异常报备中的占比小于占比阈值，对所述第一异常报备进行审核；

结果重新确定模块180，用于根据审核结果，重新确定所述第一异常报备的异常报备结果。

可选的，异常报备处理装置还包括：

模型优化模块190，用于根据与所述第一异常报备的任务关联的特征信息，及重新确定的所述第一异常报备的异常报备结果，优化所述机器学习模型。

本发明实施例还提供一种平台服务器，该平台服务器可以通过计算机可执行指令的形式，装载上述所述的异常报备处理装置。可选的，图9示出了本发明实施例提供的平台服务器的可选框图，如图9所示，该平台服务器可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；

在本发明实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；

可选的，通信接口2可以为用于进行网络通信的通信模块的接口；

处理器1可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。

存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

其中，存储器3存储一条或多条计算机可执行指令，处理器1调用所述一条或多条计算机可执行指令，以执行本发明实施例提供的异常报备处理方法。

本发明实施例还提供一种存储介质，该存储介质可以存储一条或多条计算机可执行指令，所述一条或多条计算机可执行指令用于执行本发明实施例提供的由平台服务器执行的异常报备处理方法。

虽然本发明实施例披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

综上可以看出，第1方面，本发明实施例提供一种异常报备处理方法，包括：

获取任务的异常报备，所述异常报备用于报备所述任务出现异常；

响应所述异常报备，确定与所述任务关联的特征信息；

根据所述特征信息确定第一事件的发生概率，所述第一事件为触发任务出现异常的事件；

根据所述发生概率确定所述任务的异常报备结果。

第2方面，根据第1方面所述的异常报备处理方法，所述根据所述特征信息确定发生第一事件的概率包括：

将所述特征信息输入预训练的机器学习模型；

获取所述机器学习模型输出的第一事件的发生概率，其中，所述机器学习模型对应所述特征信息与第一事件的发生概率的映射关系。

第3方面，根据第2方面所述的异常报备处理方法，还包括：

确定与历史任务关联的特征信息，并根据所述历史任务的历史异常报备结果，确定所述历史任务的标记信息；其中，所述历史异常报备结果由第二事件的执行结果确定，第二事件的执行结果决定第一事件是否实际发生；

根据所述历史任务关联的特征信息及所述历史任务的标记信息，训练机器学习模型。

第4方面，根据第3方面所述的异常报备处理方法，所述根据所述历史任务关联的特征信息及所述历史任务的标记信息，训练机器学习模型包括：

将所述历史任务关联的特征信息输入机器学习模型；

以机器学习模型输出的结果趋于所述历史任务的标记信息为训练目标，迭代的调整机器学习模型的参数。

第5方面，根据第1-4方面任一方面所述的异常报备处理方法，所述根据所述发生概率确定所述任务的异常报备结果包括：

若所述发生概率大于第一概率阈值，确定所述任务的异常报备成功结果；

若所述发生概率小于第一概率阈值，且大于第二概率阈值，以第一次数自动执行第二事件，根据第二事件的执行结果确定所述任务的异常报备结果；

若发生概率小于第二概率阈值，且大于第三概率阈值，以第二次数自动执行第二事件，根据第二事件的执行结果确定所述任务的异常报备结果；其中，第一次数小于第二次数；

若发生概率小于第三概率阈值，提示配送单元执行第二事件。

第6方面，根据第5方面所述的异常报备处理方法，所述根据第二事件的执行结果确定所述任务的异常报备结果包括：

若第二事件在任一次的执行结果为第一结果，确定所述任务的异常报备失败结果；

若第二事件的执行结果均为第二结果，确定所述任务的异常报备成功结果；

其中，第二事件的执行结果为第一结果决定第一事件未实际发生，第二事件的执行结果为第二结果决定第一事件实际发生。

第7方面，根据第5方面所述的异常报备处理方法，所述第一事件为配送单元电话联系不上用户，所述第二事件为拨打用户电话。

第8方面，根据第7方面所述的异常报备处理方法，所述特征信息包括：所述任务生成至获取所述异常报备的过程中配送单元的通话信息。

第9方面，根据第8方面所述的异常报备处理方法，所述通话信息包括：所述过程中配送单元与用户各次通话的通话行为信息，及所述过程中配送单元与用户的通话统计信息。

第10方面，根据第8或9方面所述的异常报备处理方法，所述特征信息还包括：

用户地理位置；

和/或，配送单元地理位置；

和/或，所述过程中用户在互联网平台的交互信息；

和/或，所述配送单元电话联系用户时，所述用户预置的自动语音回复信息；

和/或，所述配送单元申请的历史异常报备次数及各次历史异常报备的结果。

第11方面，根据第2-4方面任一方面所述的异常报备处理方法，还包括：

确定第一事件的发生概率相同的多个异常报备，所述多个异常报备包括异常报备成功的第一异常报备；

若所述第一异常报备在所述多个异常报备中的占比小于占比阈值，对所述第一异常报备进行审核；

根据审核结果，重新确定所述第一异常报备的异常报备结果。

第12方面，根据第11方面所述的异常报备处理方法，还包括：

根据与所述第一异常报备的任务关联的特征信息，及重新确定的所述第一异常报备的异常报备结果，优化所述机器学习模型。

第13方面，本发明实施例提供一种异常报备处理装置，包括：

异常报备获取模块，用于获取任务的异常报备，所述异常报备用于报备所述任务出现异常；

特征信息确定模块，用于响应所述异常报备，确定与所述任务关联的特征信息；

概率确定模块，用于根据所述特征信息确定第一事件的发生概率，所述第一事件为触发任务出现异常的事件；

结果确定模块，用于根据所述发生概率确定所述任务的异常报备结果。

第14方面，根据第13方面所述的异常报备处理装置，所述概率确定模块，用于根据所述特征信息确定发生第一事件的概率包括：

将所述特征信息输入预训练的机器学习模型；

获取所述机器学习模型输出的第一事件的发生概率，其中，所述机器学习模型对应所述特征信息与第一事件的发生概率的映射关系。

第15方面，根据第14方面所述的异常报备处理装置，还包括：

历史信息确定模块，用于确定与历史任务关联的特征信息，并根据所述历史任务的历史异常报备结果，确定所述历史任务的标记信息；其中，所述历史异常报备结果由第二事件的执行结果确定，第二事件的执行结果决定第一事件是否实际发生；

模型训练模块，用于根据所述历史任务关联的特征信息及所述历史任务的标记信息，训练机器学习模型。

第16方面，根据第15方面所述的异常报备处理装置，所述模型训练模块，用于根据所述历史任务关联的特征信息及所述历史任务的标记信息，训练机器学习模型包括：

将所述历史任务关联的特征信息输入机器学习模型；

以机器学习模型输出的结果趋于所述历史任务的标记信息为训练目标，迭代的调整机器学习模型的参数。

第17方面，根据第13-16方面任一方面所述的异常报备处理装置，所述结果确定模块，用于根据所述发生概率确定所述任务的异常报备结果包括：

若所述发生概率大于第一概率阈值，确定所述任务的异常报备成功结果；

若所述发生概率小于第一概率阈值，且大于第二概率阈值，以第一次数自动执行第二事件，根据第二事件的执行结果确定所述任务的异常报备结果；

若发生概率小于第二概率阈值，且大于第三概率阈值，以第二次数自动执行第二事件，根据第二事件的执行结果确定所述任务的异常报备结果；其中，第一次数小于第二次数；

若发生概率小于第三概率阈值，提示配送单元执行第二事件。

第18方面，根据第17方面所述的异常报备处理装置，所述结果确定模块，用于根据第二事件的执行结果确定所述任务的异常报备结果包括：

若第二事件在任一次的执行结果为第一结果，确定所述任务的异常报备失败结果；

若第二事件的执行结果均为第二结果，确定所述任务的异常报备成功结果；

其中，第二事件的执行结果为第一结果决定第一事件未实际发生，第二事件的执行结果为第二结果决定第一事件实际发生。

第19方面，根据第17方面所述的异常报备处理装置，所述第一事件为配送单元电话联系不上用户，所述第二事件为拨打用户电话。

第20方面，根据第19方面所述的异常报备处理装置，所述特征信息包括：所述任务生成至获取所述异常报备的过程中配送单元的通话信息。

第21方面，根据第20方面所述的异常报备处理装置，所述通话信息包括：所述过程中配送单元与用户各次通话的通话行为信息，及所述过程中配送单元与用户的通话统计信息。

第22方面，根据第20或21方面所述的异常报备处理装置，所述特征信息还包括：

用户地理位置；

和/或，配送单元地理位置；

和/或，所述过程中用户在互联网平台的交互信息；

和/或，所述配送单元电话联系用户时，所述用户预置的自动语音回复信息；

和/或，所述配送单元申请的历史异常报备次数及各次历史异常报备的结果。

第23方面，根据第14-16方面任一方面所述的异常报备处理装置，还包括：

异常报备确定模块，用于确定第一事件的发生概率相同的多个异常报备，所述多个异常报备包括异常报备成功的第一异常报备；

审核模块，用于若所述第一异常报备在所述多个异常报备中的占比小于占比阈值，对所述第一异常报备进行审核；

结果重新确定模块，用于根据审核结果，重新确定所述第一异常报备的异常报备结果。

第24方面，根据第23方面所述的异常报备处理装置，还包括：

模型优化模块，用于根据与所述第一异常报备的任务关联的特征信息，及重新确定的所述第一异常报备的异常报备结果，优化所述机器学习模型。

第25方面，本发明实施例提供一种平台服务器，包括至少一个存储器和至少一个处理器，所述存储器存储一条或多条计算机可执行指令，所述处理器调用所述一条或多条计算机可执行指令，以执行第1-12方面任一方面所述的异常报备处理方法。

第26方面，本发明实施例提供一种存储介质，所述存储介质存储一条或多条计算机可执行指令，所述一条或多条计算机可执行指令用于执行第1-12方面任一方面所述的异常报备处理方法。

Claims (10)

1.一种异常报备处理方法，其特征在于，包括：

获取任务的异常报备，所述异常报备用于报备所述任务出现异常；

响应所述异常报备，确定与所述任务关联的特征信息；

根据所述特征信息确定第一事件的发生概率，所述第一事件为触发任务出现异常的事件；

根据所述发生概率确定所述任务的异常报备结果。

2.根据权利要求1所述的异常报备处理方法，其特征在于，所述根据所述特征信息确定发生第一事件的概率包括：

将所述特征信息输入预训练的机器学习模型；

获取所述机器学习模型输出的第一事件的发生概率，其中，所述机器学习模型对应所述特征信息与第一事件的发生概率的映射关系。

3.根据权利要求2所述的异常报备处理方法，其特征在于，还包括：

确定与历史任务关联的特征信息，并根据所述历史任务的历史异常报备结果，确定所述历史任务的标记信息；其中，所述历史异常报备结果由第二事件的执行结果确定，第二事件的执行结果决定第一事件是否实际发生；

根据所述历史任务关联的特征信息及所述历史任务的标记信息，训练机器学习模型。

4.根据权利要求3所述的异常报备处理方法，其特征在于，所述根据所述历史任务关联的特征信息及所述历史任务的标记信息，训练机器学习模型包括：

将所述历史任务关联的特征信息输入机器学习模型；

以机器学习模型输出的结果趋于所述历史任务的标记信息为训练目标，迭代的调整机器学习模型的参数。

5.根据权利要求1-4任一项所述的异常报备处理方法，其特征在于，所述根据所述发生概率确定所述任务的异常报备结果包括：

若所述发生概率大于第一概率阈值，确定所述任务的异常报备成功结果；

若所述发生概率小于第一概率阈值，且大于第二概率阈值，以第一次数自动执行第二事件，根据第二事件的执行结果确定所述任务的异常报备结果；

若发生概率小于第二概率阈值，且大于第三概率阈值，以第二次数自动执行第二事件，根据第二事件的执行结果确定所述任务的异常报备结果；其中，第一次数小于第二次数；

若发生概率小于第三概率阈值，提示配送单元执行第二事件。

6.根据权利要求5所述的异常报备处理方法，其特征在于，所述根据第二事件的执行结果确定所述任务的异常报备结果包括：

若第二事件在任一次的执行结果为第一结果，确定所述任务的异常报备失败结果；

若第二事件的执行结果均为第二结果，确定所述任务的异常报备成功结果；

其中，第二事件的执行结果为第一结果决定第一事件未实际发生，第二事件的执行结果为第二结果决定第一事件实际发生。

7.根据权利要求5所述的异常报备处理方法，其特征在于，所述第一事件为配送单元电话联系不上用户，所述第二事件为拨打用户电话。

8.一种异常报备处理装置，其特征在于，包括：

异常报备获取模块，用于获取任务的异常报备，所述异常报备用于报备所述任务出现异常；

特征信息确定模块，用于响应所述异常报备，确定与所述任务关联的特征信息；

概率确定模块，用于根据所述特征信息确定第一事件的发生概率，所述第一事件为触发任务出现异常的事件；

结果确定模块，用于根据所述发生概率确定所述任务的异常报备结果。

9.一种平台服务器，其特征在于，包括至少一个存储器和至少一个处理器，所述存储器存储一条或多条计算机可执行指令，所述处理器调用所述一条或多条计算机可执行指令，以执行权利要求1-7任一项所述的异常报备处理方法。

10.一种存储介质，其特征在于，所述存储介质存储一条或多条计算机可执行指令，所述一条或多条计算机可执行指令用于执行权利要求1-7任一项所述的异常报备处理方法。

Images