CN111833074A - 网约车的纠纷责任认定方法、装置和计算机可读存储介质 - Google Patents
网约车的纠纷责任认定方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111833074A CN111833074A CN202010008977.3A CN202010008977A CN111833074A CN 111833074 A CN111833074 A CN 111833074A CN 202010008977 A CN202010008977 A CN 202010008977A CN 111833074 A CN111833074 A CN 111833074A
- Authority
- CN
- China
- Prior art keywords
- prediction
- dispute
- responsibility
- task
- prediction task
- 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.)
- Pending
Links
- 238000012790 confirmation Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 39
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000981 bystander Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning 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
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
-
- 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
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Abstract
本发明提供了网约车的纠纷责任认定方法、装置和计算机可读存储介质。所述网约车的纠纷责任认定方法包括以下步骤:建立纠纷责任认定的神经网络模型,将订单维度信息、司机维度信息和乘客维度信息输入所述神经网络模型,以进行纠纷责任认定。本发明能够提高网约车纠纷责任认定的效率和准确性。
Description
技术领域
本发明涉及信息技术的技术领域,具体而言,涉及网约车的纠纷责任认定方法、装置和计算机可读存储介质。
背景技术
在网约车业务中,乘客投诉、司机投诉,以及乘客和司机之间的纠纷案件时有发生。
相关技术中的其中一种责任认定方式是,对于投诉率高的尾部司机即认定为司机责任。相关技术中的另一种责任认定方式是,对每单投诉都进行判责,基于人工判责专家的标注结果,结合行程中的时空信息、订单基本信息、司机和乘客之间的沟通、行程中的录音或视频录像等特征,通过机器学习的方式,对异常场景进行建模和还原,从而产生最终的判责结果。
目前,相关技术中存在的不足如下。对于认定投诉率高的尾部司机为司机责任的责任认定方式,其召回率较低,该方式难以对兼职司机、偶犯司机进行召回和追责。对于基于人工判责专家的责任认定方式,其标注信息的利用率低,并且未考虑人工判责专家在标注时产出的中间信息,因此需要较多的标注样本才能得到一个较好的机器模型。此外,相关技术中多模型的判责方式比较复杂,在对模型更新时比较复杂周期较长。
因此,提供一种能够高效、准确的对网约车的纠纷责任进行认定的方法,是十分必要的。
发明内容
本发明旨在解决上述技术问题的至少之一。
为此,本发明的第一目的在于提供一种网约车的纠纷责任认定方法。
本发明的第二目的在于提供一种网约车的纠纷责任认定装置。
本发明的第三目的在于提供一种计算机可读存储介质。
为实现本发明的第一目的,本发明的实施例提供了一种网约车的纠纷责任认定方法,包括以下步骤:建立纠纷责任认定的神经网络模型,将订单维度信息、司机维度信息和乘客维度信息输入神经网络模型,以进行纠纷责任认定。
本实施例提供的网约车的纠纷责任认定方法的目的在于,对网约车乘客和司机之间的纠纷,进行高效而准确地责任认定。本实施例将三个维度的信息输入一个神经网络模型,该神经网络模型共享以上三个的订单、司机和乘客特征,由此对纠纷中的责任归属、严重程度、订单事实、投诉原因进行学习和预测,从而提高责任的效率和准确程度。
另外,本发明上述实施例提供的技术方案还可以具有如下附加技术特征:
上述技术方案中,建立纠纷责任认定的神经网络模型,将订单维度信息、司机维度信息和乘客维度信息输入神经网络模型,以进行纠纷责任认定的步骤包括:分别提取订单维度信息、司机维度信息和乘客维度信息的文本特征和表格特征,作为输入层信息;对输入层信息进行编码,以获得编码层信息;将编码层信息转换为向量,以获得表示层信息;使用表示层信息,执行预测任务,以获得纠纷责任认定的结果。
本实施例中,输入层包括订单、司机和乘客的三个维度的信息或特征。编码层为对序列文本特征和司机/乘客历史序列行为进行的编码,表示层输出向量。在获得了表示层信息后,根据表示层信息执行预测任务,从而进行纠纷责任认定的步骤。
上述任一技术方案中,在执行任一预测任务时,使用全部的表示层信息,对纠纷责任认定的结果进行预测。
本实施例在执行每个预测任务时,均使用各个维度的表示层信息来对该任务进行结果预测,由此提高结果预测的效率和准确程度。
上述任一技术方案中,预测任务包括:投诉原因预测任务、判责事实预测任务、责任归属预测任务和严重程度预测任务;表示层信息包括:订单维度表示层信息、司机维度表示层信息和乘客维度表示层信息。
本实施例中,在执行投诉原因预测任务、判责事实预测任务、责任归属预测任务和严重程度预测任务中的任意一者时,均采用订单、司机和乘客的三个维度的全部表示层信息来进行预测。由此,神经网络模型共享全部浅层特征。以实现单模型多任务的学习和预测。
上述任一技术方案中,在执行任一预测任务时,使用任一预测任务的预测结果输出作为另任一预测任务的特征输入,以使得任一预测任务与另任一预测任务相互关联。
本实施例的目的在于增强各个预测任务之间的关联性。
上述任一技术方案中,使用投诉原因预测任务的预测结果输出作为判责事实预测任务、责任归属预测任务和严重程度预测任务的特征输入;和/或使用判责事实预测任务的预测结果输出作为责任归属预测任务和严重程度预测任务的特征输入;和/或使用责任归属预测任务的预测结果输出作为严重程度预测任务的特征输入。
本实施例中,投诉原因预测任务、判责事实预测任务、责任归属预测任务和严重程度预测任务中的任意一者与任意另一者均相互关联或串联。
上述任一技术方案中,在使用表示层信息,执行预测任务,以获得纠纷责任认定的结果的步骤中:使用激活函数,对表示层信息进行处理,以将表示层信息映射到0至1的区间内,并执行预测任务,以获得纠纷责任认定的结果。
上述任一技术方案中,预测任务包括:投诉原因预测任务、判责事实预测任务、责任归属预测任务和严重程度预测任务;其中,建立纠纷责任认定的神经网络模型的步骤包括:基于用户反馈数据,对投诉原因预测任务进行单独训练,以及基于用户反馈数据,对判责事实预测任务、责任归属预测任务和严重程度预测任务进行同步训练。
本实施例中,对投诉原因预测任务首先进行单独地训练,在此训练过程中,不依赖于人工专家标注,基于大量的用户反馈数据,进行大规模的学习,从而得到输入层到表示层的初始参数。进而,本实施例同时对判责事实预测任务、责任归属预测任务和严重程度预测任务进行训练,以对神经网络模型进行初始化。
为实现本发明的第二目的,本发明的实施例提供了一种网约车的纠纷责任认定装置,包括:存储器,存储有计算机程序;处理器,执行计算机程序;其中,处理器在执行计算机程序时,实现如本发明任一实施例的网约车的纠纷责任认定方法的步骤。
本发明的实施例的网约车的纠纷责任认定装置实现如本发明任一实施例的网约车的纠纷责任认定方法的步骤,因此其具有本发明任一实施例的网约车的纠纷责任认定方法的全部有益效果,在此不再赘述。
为实现本发明的第三目的,本发明的实施例提供了一种计算机可读存储介质,其特征在于,包括:计算机可读存储介质存储有计算机程序,计算机程序被执行时,实现如本发明任一实施例的网约车的纠纷责任认定方法的步骤。
本发明的实施例的计算机可读存储介质实现如本发明任一实施例的网约车的纠纷责任认定方法的步骤,因此其具有本发明任一实施例的网约车的纠纷责任认定方法的全部有益效果,在此不再赘述。
本发明的附加方面和优点将在下面的描述部分中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明一些实施例的网约车的纠纷责任认定方法的第一流程图;
图2为本发明一些实施例的网约车的纠纷责任认定方法的第二流程图;
图3为本发明一些实施例的神经网络模型。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1至图3描述本发明一些实施例的技术方案。
本发明的实施例提供了一些网约车的纠纷责任认定方法、装置和计算机可读存储介质。其中,本发明实施例提供的网约车的纠纷责任认定方法的目的在于,对网约车乘客和司机之间的纠纷,进行高效而准确地责任认定。
具体而言,在网约车业务中,乘客和司机之间的纠纷时有发生。相关技术中的责任认定方式在效率和准确性上并不理想。因此,本发明的实施例致力于提高网约车纠纷责任认定的效率和准确性。
实施例1
如图1所示,本实施例提供了一种网约车的纠纷责任认定方法,其包括以下步骤:
步骤S102.建立纠纷责任认定的神经网络模型;
步骤S104.将订单维度信息、司机维度信息和乘客维度信息输入神经网络模型,以进行纠纷责任认定。
其中,本实施例的纠纷责任是指司机或用户向网约车平台发起的投诉,或司机和用户之间的纠纷。其中,该投诉可为费用投诉或服务投诉等。比如,乘客发起的未坐车收费投诉、多收附加费投诉、提前开始计费投诉、未及时结束计费投诉、加价投诉、绕路多收费投诉等。也可以是司机发起的无故取消投诉、坐车未交费投诉等投诉。
本实施例的纠纷责任认定是指,由网约车平台进行的,对纠纷责任判断责任归属方的程序。其中,责任归属方可为司机、乘客或网约车平台、
本实施例中,通过建立神经网络模型,并将订单、司机和乘客的三个维度的信息同时输入神经网络模型中,从而进行纠纷责任认定。
相比于相关技术中的分别建立多个模型的纠纷责任认定方式,本实施例将三个维度的信息输入一个神经网络模型,该神经网络模型共享以上三个的订单、司机和乘客特征,由此对纠纷中的责任归属、严重程度、订单事实、投诉原因进行学习和预测,从而提高责任的效率和准确程度。
需要说明的是,本实施例中的责任归属可归属于司机、乘客或网约车平台中的任意一者,严重程度包括恶意责任、失误责任或提供虚假信息的责任。
实施例2
如图2所示,除上述实施例1的技术特征以外,本实施例进一步地包括了以下技术特征。
建立纠纷责任认定的神经网络模型,将订单维度信息、司机维度信息和乘客维度信息输入神经网络模型,以进行纠纷责任认定的步骤包括:
步骤S202.分别提取订单维度信息、司机维度信息和乘客维度信息的文本特征和表格特征,作为输入层信息;
步骤S204.对输入层信息进行编码,以获得编码层信息;
步骤S206.将编码层信息转换为向量,以获得表示层信息;
步骤S208.使用表示层信息,执行预测任务,以获得纠纷责任认定的结果。
具体而言,本实施例中,输入层包括订单、司机和乘客的三个维度的信息或特征。编码层为对序列文本特征和司机/乘客历史序列行为进行的编码,表示层输出向量。在获得了表示层信息后,根据表示层信息执行预测任务,从而进行纠纷责任认定的步骤。
实施例3
除上述实施例2的技术特征以外,本实施例进一步地包括了以下技术特征。
在执行任一预测任务时,使用全部的表示层信息,对纠纷责任认定的结果进行预测。
也即是说,预测任务的数量为至少两个。其中,在实施例2的步骤S208中,在执行每个预测任务时,均使用各个维度的表示层信息来对该任务进行结果预测,由此提高结果预测的效率和准确程度。
实施例4
除上述任一实施例的技术特征以外,本实施例进一步地包括了以下技术特征。
预测任务包括:投诉原因预测任务、判责事实预测任务、责任归属预测任务和严重程度预测任务;表示层信息包括:订单维度表示层信息、司机维度表示层信息和乘客维度表示层信息。
具体而言,在本实施例中,投诉原因预测任务是指对乘客或司机的投诉原因进行预测,比如,因费用类问题投诉,或因服务类问题投诉。举例而言,投诉原因包括但不限于未坐车收费、多收附加费、提前开始计费、未及时结束计费、加价、绕路多收费等。以上问题是通过结构化的形式进行表示的,因此在判责或责任认定的时候可以直接获取。在本实施例中,判责事实预测任务是指对事件的事实进行认定或还原。其中,一个投诉或纠纷可能有具有多个事实,比如,在一个纠纷事件中,可能存在全程坐车、中途下车、乘客醉酒、乘客指路等多个和多种的事实。这些事实的标签通过人工判责专家标注而进行获取。在本实施例中,责任归属预测任务是指对责任归属于乘客还是司机进行认定,责任归属可归属于司机、乘客或网约车平台中的任意一者,具体由人工判责专家进行标注。在本实施例中,严重程度预测任务是指对纠纷或事件的严重程度进行预测,其中,严重程度包括恶意责任、失误责任或提供虚假信息的责任等等。
本实施例中,在执行投诉原因预测任务、判责事实预测任务、责任归属预测任务和严重程度预测任务中的任意一者时,均采用订单、司机和乘客的三个维度的全部表示层信息来进行预测。由此,神经网络模型共享全部浅层特征。以实现单模型多任务的学习和预测。
实施例5
除上述任一实施例的技术特征以外,本实施例进一步地包括了以下技术特征。
在执行任一预测任务时,使用任一预测任务的预测结果输出作为另任一预测任务的特征输入,以使得任一预测任务与另任一预测任务相互关联。
本实施例的目的在于增强各个预测任务之间的关联性。比如,投诉原因预测任务、判责事实预测任务、责任归属预测任务和严重程度预测任务中的任意一者与任意另一者均是相互关联或串联的,尤其,任一个预测任务的输出可作为另任一个预测任务的输入,并直接通过上层的联系层(即:concat层)层进行合并。
实施例6
除上述任一实施例的技术特征以外,本实施例进一步地包括了以下技术特征。
使用投诉原因预测任务的预测结果输出作为判责事实预测任务、责任归属预测任务和严重程度预测任务的特征输入;和/或使用判责事实预测任务的预测结果输出作为责任归属预测任务和严重程度预测任务的特征输入;和/或使用责任归属预测任务的预测结果输出作为严重程度预测任务的特征输入。
具体而言,本实施例中的任务一为投诉原因预测任务,任务二为判责事实预测任务,任务三为责任归属预测任务,任务四为严重程度预测任务。其中,任务一和任务二、任务三以及任务四分别串联,并且为任务二、任务三以及任务四的输入特征。任务二与任务三以及任务四分别串联,并且为任务三以及任务四的输入特征。任务三与任务四串联,并且为任务四的输入特征。
实施例7
除上述任一实施例的技术特征以外,本实施例进一步地包括了以下技术特征。
在使用表示层信息,执行预测任务,以获得纠纷责任认定的结果的步骤中:使用激活函数,对表示层信息进行处理,以将表示层信息映射到0至1的区间内,并执行预测任务,以获得纠纷责任认定的结果。其中,本实施例中,执行各个预测任务前,首先通过concat层实施合并,进而使用激活函数(即:sigmoid函数)进行处理。
实施例8
除上述任一实施例的技术特征以外,本实施例进一步地包括了以下技术特征。
预测任务包括:投诉原因预测任务、判责事实预测任务、责任归属预测任务和严重程度预测任务;其中,建立纠纷责任认定的神经网络模型的步骤包括:基于用户反馈数据,对投诉原因预测任务进行单独训练,以及基于用户反馈数据,对判责事实预测任务、责任归属预测任务和严重程度预测任务进行同步训练。
本实施例中,对投诉原因预测任务首先进行单独地训练,在此训练过程中,不依赖于人工专家标注,基于大量的用户反馈数据,进行大规模的学习,从而得到输入层到表示层的初始参数。进而,本实施例同时对判责事实预测任务、责任归属预测任务和严重程度预测任务进行训练,以对神经网络模型进行初始化。具体而言,本实施例使用人工专家判责的标注数据,学习上层的参数,使用线性加权的方式计算模型损失。其中,不同任务的权重相等。
实施例9
本实施例提供了一种网约车的纠纷责任认定装置,包括:存储器和处理器。存储器存储有计算机程序。处理器,执行计算机程序。其中,处理器在执行计算机程序时,实现如本发明任一实施例的网约车的纠纷责任认定方法的步骤。
实施例10
本实施例提供了一种计算机可读存储介质,包括:计算机可读存储介质存储有计算机程序,计算机程序被执行时,实现如本发明任一实施例的网约车的纠纷责任认定方法的步骤。
具体实施例
本实施例提供了一种网约车的纠纷责任认定方法。本实施例适于对乘客投诉、司机投诉,以及乘客和司机之间的纠纷案件进行责任认定。
本实施例中,首先建立纠纷责任认定的神经网络模型,并对神经网络模型进行训练。进而将订单维度信息、司机维度信息和乘客维度信息输入神经网络模型,以进行纠纷责任认定。
其中,如图3所示,本实施例给出了一种神经网络模型的结构,该神经网络模型执行包括投诉原因预测任务、判责事实预测任务、责任归属预测任务和严重程度预测任务的共四个预测任务,以进行纠纷责任认定。本实施例以单模型多任务学习的建模方式,使得机器模型同时对责任归属、严重程度、订单事实、投诉原因等进行学习和预测。其中,神经网络模型共享浅层特征,并且投诉原因预测任务、判责事实预测任务、责任归属预测任务和严重程度预测任务之间相互串联,一个任务的预测输出作为另一个任务的特征输入,以增加任务之间的关联性。本实施例中,神经网络结构的输入层信息包括订单、乘客、司机三个维度的特征信息,编码层是对序列文本特征和司机/乘客历史序列行为的编码,最终的输出表示层信息为向量。
综上,本发明实施例的有益效果为:
1.本发明的实施例通过建立多任务的神经网络模型结构,提高了网约车纠纷责任认定的效率。
2.本发明的实施例所建立和使用的神经网络模型基于单模型、多任务的方式,可解决复杂的投诉判责预测问题。
3.本发明的实施例基于用户反馈数据进行训练,保证了纠纷责任认定的准确性。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种网约车的纠纷责任认定方法,其特征在于,包括以下步骤:
建立纠纷责任认定的神经网络模型,将订单维度信息、司机维度信息和乘客维度信息输入所述神经网络模型,以进行纠纷责任认定。
2.根据权利要求1所述的网约车的纠纷责任认定方法,其特征在于,所述建立纠纷责任认定的神经网络模型,将订单维度信息、司机维度信息和乘客维度信息输入所述神经网络模型,以进行纠纷责任认定的步骤包括:
分别提取所述订单维度信息、所述司机维度信息和所述乘客维度信息的文本特征和表格特征,作为输入层信息;
对所述输入层信息进行编码,以获得编码层信息;
将所述编码层信息转换为向量,以获得表示层信息;
使用所述表示层信息,执行预测任务,以获得所述纠纷责任认定的结果。
3.根据权利要求2所述的网约车的纠纷责任认定方法,其特征在于,
在执行任一所述预测任务时,使用全部的所述表示层信息,对所述纠纷责任认定的结果进行预测。
4.根据权利要求3所述的网约车的纠纷责任认定方法,其特征在于,
所述预测任务包括:投诉原因预测任务、判责事实预测任务、责任归属预测任务和严重程度预测任务;
所述表示层信息包括:订单维度表示层信息、司机维度表示层信息和乘客维度表示层信息。
5.根据权利要求4所述的网约车的纠纷责任认定方法,其特征在于,
在执行任一所述预测任务时,使用任一所述预测任务的预测结果输出作为另任一所述预测任务的特征输入,以使得任一所述预测任务与另任一所述预测任务相互关联。
6.根据权利要求5所述的网约车的纠纷责任认定方法,其特征在于,
使用所述投诉原因预测任务的预测结果输出作为所述判责事实预测任务、所述责任归属预测任务和所述严重程度预测任务的特征输入;和/或
使用所述判责事实预测任务的预测结果输出作为所述责任归属预测任务和所述严重程度预测任务的特征输入;和/或
使用所述责任归属预测任务的预测结果输出作为所述严重程度预测任务的特征输入。
7.根据权利要求2至5中任一项所述的网约车的纠纷责任认定方法,其特征在于,在所述使用所述表示层信息,执行预测任务,以获得所述纠纷责任认定的结果的步骤中:
使用激活函数,对所述表示层信息进行处理,以将所述表示层信息映射到0至1的区间内,并执行所述预测任务,以获得所述纠纷责任认定的结果。
8.根据权利要求2至5中任一项所述的网约车的纠纷责任认定方法,其特征在于,
所述预测任务包括:投诉原因预测任务、判责事实预测任务、责任归属预测任务和严重程度预测任务;
其中,所述建立纠纷责任认定的神经网络模型的步骤包括:基于用户反馈数据,对所述投诉原因预测任务进行单独训练,以及基于用户反馈数据,对所述判责事实预测任务、所述责任归属预测任务和所述严重程度预测任务进行同步训练。
9.一种网约车的纠纷责任认定装置,其特征在于,包括:
存储器,存储有计算机程序;
处理器,执行所述计算机程序;
其中,所述处理器在执行所述计算机程序时,实现如权利要求1至8中任一项所述的网约车的纠纷责任认定方法的步骤。
10.一种计算机可读存储介质,其特征在于,包括:
所述计算机可读存储介质存储有计算机程序,所述计算机程序被执行时,实现如权利要求1至8中任一项所述的网约车的纠纷责任认定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010008977.3A CN111833074A (zh) | 2020-01-06 | 2020-01-06 | 网约车的纠纷责任认定方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010008977.3A CN111833074A (zh) | 2020-01-06 | 2020-01-06 | 网约车的纠纷责任认定方法、装置和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111833074A true CN111833074A (zh) | 2020-10-27 |
Family
ID=72913352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010008977.3A Pending CN111833074A (zh) | 2020-01-06 | 2020-01-06 | 网约车的纠纷责任认定方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833074A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561108A (zh) * | 2020-12-24 | 2021-03-26 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、装置、设备和介质 |
CN113034158A (zh) * | 2021-03-19 | 2021-06-25 | 北京嘀嘀无限科技发展有限公司 | 机器判责方法、装置、电子设备和可读存储介质 |
CN113205392A (zh) * | 2021-05-25 | 2021-08-03 | 上海钧正网络科技有限公司 | 网约车判责方法、装置及计算机存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120072334A1 (en) * | 2009-11-04 | 2012-03-22 | Feinstein Jeffrey A | Responsibility analytics |
CN106570706A (zh) * | 2015-10-12 | 2017-04-19 | 阿里巴巴集团控股有限公司 | 业务纠纷的处理方法及装置 |
CN108022062A (zh) * | 2016-11-02 | 2018-05-11 | 传化物流集团有限公司 | 一种投诉处理方法及装置 |
CN108805660A (zh) * | 2018-05-24 | 2018-11-13 | 北京三快在线科技有限公司 | 订单处理方法、装置及服务器 |
WO2018205561A1 (en) * | 2017-05-09 | 2018-11-15 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for processing an abnormal order |
CN109409971A (zh) * | 2017-05-09 | 2019-03-01 | 北京嘀嘀无限科技发展有限公司 | 异常订单处理方法及装置 |
-
2020
- 2020-01-06 CN CN202010008977.3A patent/CN111833074A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120072334A1 (en) * | 2009-11-04 | 2012-03-22 | Feinstein Jeffrey A | Responsibility analytics |
CN106570706A (zh) * | 2015-10-12 | 2017-04-19 | 阿里巴巴集团控股有限公司 | 业务纠纷的处理方法及装置 |
CN108022062A (zh) * | 2016-11-02 | 2018-05-11 | 传化物流集团有限公司 | 一种投诉处理方法及装置 |
WO2018205561A1 (en) * | 2017-05-09 | 2018-11-15 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for processing an abnormal order |
CN109409971A (zh) * | 2017-05-09 | 2019-03-01 | 北京嘀嘀无限科技发展有限公司 | 异常订单处理方法及装置 |
CN108805660A (zh) * | 2018-05-24 | 2018-11-13 | 北京三快在线科技有限公司 | 订单处理方法、装置及服务器 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561108A (zh) * | 2020-12-24 | 2021-03-26 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、装置、设备和介质 |
CN113034158A (zh) * | 2021-03-19 | 2021-06-25 | 北京嘀嘀无限科技发展有限公司 | 机器判责方法、装置、电子设备和可读存储介质 |
CN113205392A (zh) * | 2021-05-25 | 2021-08-03 | 上海钧正网络科技有限公司 | 网约车判责方法、装置及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111833074A (zh) | 网约车的纠纷责任认定方法、装置和计算机可读存储介质 | |
CN109934955A (zh) | 充电模式识别方法、装置、终端设备及存储介质 | |
CN109191312A (zh) | 一种理赔反欺诈风控方法及装置 | |
CN110674979A (zh) | 风险预测模型的训练方法、预测方法及装置、介质和设备 | |
CN107133645A (zh) | 预估乘客取消订单行为的方法、设备及存储介质 | |
CN110910180B (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN111832869A (zh) | 一种车辆调度方法、装置、电子设备及存储介质 | |
CN112884235B (zh) | 出行推荐方法、出行推荐模型的训练方法、装置 | |
CN111949795A (zh) | 工单自动分类方法及装置 | |
CN111899061A (zh) | 订单推荐方法、装置、设备及存储介质 | |
CN109934271A (zh) | 充电行为识别方法、装置、终端设备及存储介质 | |
Bjelica et al. | Reliability of self-driving cars: When can we remove the safety driver? | |
CN112417293A (zh) | 信息推送方法和系统、模型训练方法及相关设备 | |
CN114625340B (zh) | 基于需求分析的商用软件研发方法、装置、设备及介质 | |
CN116757855A (zh) | 一种智能保险服务方法、装置、设备及存储介质 | |
CN113128597B (zh) | 一种用户行为特征的提取和分类预测的方法及装置 | |
CN115545276A (zh) | 网约车异常订单的接单率预测方法及系统 | |
KR101963557B1 (ko) | 이종 데이터 임베딩을 이용한 전기차 전력 수요 예측 장치 | |
CN113537671A (zh) | 分拣时效预测方法及装置、存储介质、电子设备 | |
Adsavakulchai et al. | E-Learning for Car Faulty Diagnosis | |
CN110458302A (zh) | 一种基于用户满意度的车辆推修方法及系统 | |
CN111445371A (zh) | 运输路线生成方法、装置、计算机设备和存储介质 | |
Schwenk | A Smart Charging Assistant for Electric Vehicles Considering Battery Degradation, Power Grid and User Constraints | |
CN114331227B (zh) | 数据分析的方法、装置、电子设备和可读介质 | |
CN112348537B (zh) | 信息处理方法、装置、电子设备和存储介质 |
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 |