CN111833137A - 订单处理方法、订单处理装置、计算机设备和存储介质 - Google Patents
订单处理方法、订单处理装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111833137A CN111833137A CN202010036685.0A CN202010036685A CN111833137A CN 111833137 A CN111833137 A CN 111833137A CN 202010036685 A CN202010036685 A CN 202010036685A CN 111833137 A CN111833137 A CN 111833137A
- Authority
- CN
- China
- Prior art keywords
- order
- information
- driver
- passenger
- sampling
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 title claims abstract description 23
- 238000004891 communication Methods 0.000 claims abstract description 89
- 239000013598 vector Substances 0.000 claims description 55
- 238000005070 sampling Methods 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 239000004020 conductor Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 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
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing 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
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出了一种订单处理方法、订单处理装置、计算机设备和存储介质。其中,订单处理方法包括:获取已取消订单的订单信息、已取消订单对应的驾驶员与乘客的沟通信息;根据订单信息和沟通信息,利用预存的责任判定模型对已取消订单进行责任判定。通过本发明的技术方案,能够实现结合司乘沟通信息对订单取消进行判责,提升判责准确率,避免因误判而导致的驾驶员投诉。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种订单处理方法、订单处理装置、计算机设备和计算机可读存储介质。
背景技术
目前,网约车平台上每天约有大量订单被驾驶员取消,而责任判定是对驾驶员的不正常取消行为最为直接的管控,若订单取消后驾驶员被判定为有责,则会扣驾驶员的服务分,直接影响驾驶员未来的收入,因此,在不降低有责率的前提下,如何提升准确率,成为了改善驾驶员取消订单体验最为重要的一环。
相关技术中,可通过订单的基本信息(如,乘客上车地点、接单时间等信息)对驾驶员取消订单行为进行责任判定,但该方法在某些场景中会存在误判的可能,例如,乘客携带宠物或者乘客的上车点定位错误,按照平台规则驾驶员可以无责取消,但是仅根据订单的基本信息则很难做出正确判责。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本发明的一个方面在于提出了一种订单处理方法。
本发明的另一个方面在于提出了一种订单处理装置。
本发明的再一个方面在于提出了一种计算机设备。
本发明的又一个方面在于提出了一种计算机可读存储介质。
有鉴于此,根据本发明的一个方面,提出了一种订单处理方法,包括:获取已取消订单的订单信息、已取消订单对应的驾驶员与乘客的沟通信息;根据订单信息和沟通信息,利用预存的责任判定模型对已取消订单进行责任判定。
本发明提供的订单处理方法,在确定出现已取消订单后,获取该已取消订单的订单信息以及驾驶员与乘客的沟通信息,进而根据订单信息和沟通信息,利用预存的责任判定模型对已取消订单进行责任判定,即判断驾驶员取消订单的这一行为是否是驾驶员的责任,其中订单信息即为订单基本信息,可包括接驾距离、乘客上车地点、接单地点、接单时间、取消订单时间等。通过本发明的技术方案,能够实现结合司乘沟通信息对订单取消进行判责,提升判责准确率,避免因误判而导致的驾驶员投诉。
根据本发明的上述订单处理方法,还可以具有以下技术特征:
在上述技术方案中,在获取已取消订单的订单信息、已取消订单对应的驾驶员与乘客的沟通信息之前,还包括:获取采样订单的订单信息、采样订单对应的驾驶员与乘客的沟通信息;获取预存的历史信息;根据采样订单的订单信息、采样订单对应的驾驶员与乘客的沟通信息和历史信息,建立责任判定模型。
在该技术方案中,建立用于对驾驶员取消订单进行责任判定的责任判定模型。具体地,获取大量采样订单,将司乘沟通信息、订单信息、历史信息作为特征训练得到责任判定模型,帮助责任判定模型对各种场景下的订单取消做出正确判责。
在上述任一技术方案中,根据采样订单的订单信息、采样订单对应的驾驶员与乘客的沟通信息和历史信息,建立责任判定模型的步骤,具体包括:对采样订单对应的驾驶员与乘客的沟通信息进行分词处理,得到多个单词;将每个单词转换为词向量;将多个词向量转换为文本向量;根据文本向量、采样订单的订单信息和历史信息,建立责任判定模型。
在该技术方案中,将司乘沟通内容进行分词,通过分词后的沟通内容,得到每个单词的词向量。接着按单词的出现顺序将词向量拼接为二维矩阵,再通过卷积和最大池化得到司乘沟通信息的文本向量,最后将这个文本向量与采样订单的订单信息和历史信息相结合去预测驾驶员是否有责。
在上述任一技术方案中,在将每个单词转换为词向量之前,还包括:对多个单词进行沟通方标记;和/或对多个单词进行有效性过滤。
在该技术方案中,在将每个单词转换为词向量之前,可将单词进行标记,即标记单词的说话方是司机还是乘客或标记单词的时间。或者,将无意义的词(例如,你好)去掉,即丢弃掉冗余的文本内容,以提高模型训练的速度和准确度。
在上述任一技术方案中,采样订单的订单信息包括以下一种或其组合:接驾距离、乘客上车地点、接单地点、接单时间、取消订单时间、驾驶员是否到达乘客上车地点、驾驶员与乘客是否顺路;历史信息包括以下一种或其组合:驾驶员服务分数、驾驶员被投诉率、乘客信用分数。
在该技术方案中,采样订单的订单信息包括但不限于接驾距离、乘客上车地点、接单地点、接单时间、取消订单时间、驾驶员是否到达乘客上车地点、驾驶员与乘客是否顺路;历史信息包括但不限于驾驶员服务分数、驾驶员被投诉率、乘客信用分数。通过以上信息结合司乘沟通信息建立有效的责任判定模型,以提高判责准确性。
根据本发明的另一个方面,提出了一种订单处理装置,包括:信息获取模块,用于获取已取消订单的订单信息、已取消订单对应的驾驶员与乘客的沟通信息;判责模块,用于根据订单信息和沟通信息,利用预存的责任判定模型对已取消订单进行责任判定。
本发明提供的订单处理装置,在确定出现已取消订单后,获取该已取消订单的订单信息以及驾驶员与乘客的沟通信息,进而根据订单信息和沟通信息,利用预存的责任判定模型对已取消订单进行责任判定,即判断驾驶员取消订单的这一行为是否是驾驶员的责任,其中订单信息即为订单基本信息,可包括接驾距离、乘客上车地点、接单地点、接单时间、取消订单时间等。通过本发明的技术方案,能够实现结合司乘沟通信息对订单取消进行判责,提升判责准确率,避免因误判而导致的驾驶员投诉。
根据本发明的上述订单处理装置,还可以具有以下技术特征:
在上述技术方案中,还包括:模型建立模块,用于获取采样订单的订单信息、采样订单对应的驾驶员与乘客的沟通信息,获取预存的历史信息,根据采样订单的订单信息、采样订单对应的驾驶员与乘客的沟通信息和历史信息,建立责任判定模型。
在该技术方案中,建立用于对驾驶员取消订单进行责任判定的责任判定模型。具体地,获取大量采样订单,将司乘沟通信息、订单信息、历史信息作为特征训练得到责任判定模型,帮助责任判定模型对各种场景下的订单取消做出正确判责。
在上述任一技术方案中,模型建立模块,具体用于:对采样订单对应的驾驶员与乘客的沟通信息进行分词处理,得到多个单词;将每个单词转换为词向量;将多个词向量转换为文本向量;根据文本向量、采样订单的订单信息和历史信息,建立责任判定模型。
在该技术方案中,将司乘沟通内容进行分词,通过分词后的沟通内容,得到每个单词的词向量。接着按单词的出现顺序将词向量拼接为二维矩阵,再通过卷积和最大池化得到司乘沟通信息的文本向量,最后将这个文本向量与采样订单的订单信息和历史信息相结合去预测驾驶员是否有责。
在上述任一技术方案中,模型建立模块,具体用于:对多个单词进行沟通方标记;和/或对多个单词进行有效性过滤。
在该技术方案中,在将每个单词转换为词向量之前,可将单词进行标记,即标记单词的说话方是司机还是乘客或标记单词的时间。或者,将无意义的词(例如,你好)去掉,即丢弃掉冗余的文本内容,以提高模型训练的速度和准确度。
在上述任一技术方案中,采样订单的订单信息包括以下一种或其组合:接驾距离、乘客上车地点、接单地点、接单时间、取消订单时间、驾驶员是否到达乘客上车地点、驾驶员与乘客是否顺路;历史信息包括以下一种或其组合:驾驶员服务分数、驾驶员被投诉率、乘客信用分数。
在该技术方案中,采样订单的订单信息包括但不限于接驾距离、乘客上车地点、接单地点、接单时间、取消订单时间、驾驶员是否到达乘客上车地点、驾驶员与乘客是否顺路;历史信息包括但不限于驾驶员服务分数、驾驶员被投诉率、乘客信用分数。通过以上信息结合司乘沟通信息建立有效的责任判定模型,以提高判责准确性。
根据本发明的再一个方面,提出了一种计算机设备,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,处理器执行计算机程序时实现如上述任一技术方案的订单处理方法。
本发明提供的计算机设备,处理器执行计算机程序时实现如上述任一技术方案的订单处理方法的步骤,因此该计算机设备包括上述任一技术方案的订单处理方法的全部有益效果。
根据本发明的又一个方面,提出了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述任一技术方案的订单处理方法。
本发明提供的计算机可读存储介质,计算机程序被处理器执行时实现如上述任一技术方案的订单处理方法的步骤,因此该计算机可读存储介质包括上述任一技术方案的订单处理方法的全部有益效果。
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示出了本发明的第一个实施例的订单处理方法的流程示意图;
图2示出了本发明的第二个实施例的订单处理方法的流程示意图;
图3示出了本发明的实施例的建立责任判定模型的流程示意图;
图4示出了本发明的实施例的word2vec模型的示意图;
图5示出了本发明的实施例的卷积神经网络的示意图;
图6示出了本发明的第一个实施例的订单处理装置的示意框图;
图7示出了本发明的第二个实施例的订单处理装置的示意框图。
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,本发明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限于下面公开的具体实施例的限制。
本发明第一方面的实施例,提出一种订单处理方法,通过以下实施例对该订单处理方法进行详细说明。
实施例一,图1示出了本发明的第一个实施例的订单处理方法的流程示意图。其中,该方法包括:
步骤102,获取已取消订单的订单信息、已取消订单对应的驾驶员与乘客的沟通信息;
步骤104,根据订单信息和沟通信息,利用预存的责任判定模型对已取消订单进行责任判定。
本发明提供的订单处理方法,在确定出现已取消订单后,获取该已取消订单的订单信息以及驾驶员与乘客的沟通信息,进而根据订单信息和沟通信息,利用预存的责任判定模型对已取消订单进行责任判定,即判断驾驶员取消订单的这一行为是否是驾驶员的责任,其中订单信息即为订单基本信息,可包括接驾距离、乘客上车地点、接单地点、接单时间、取消订单时间等。通过本发明的实施例,能够实现结合司乘沟通信息对订单取消进行判责,提升判责准确率,避免因误判而导致的驾驶员投诉。
需要说明的是,在驾驶员接到订单,前来接乘客的途中,驾驶员和乘客可以通过应用程序内自带的聊天功能给对方发送信息,例如驾驶员和乘客对上车点及上车时间等可能发生变动的问题进行协商,从而形成驾驶员与乘客的沟通信息。
实施例二,图2示出了本发明的第二个实施例的订单处理方法的流程示意图。其中,该方法包括:
步骤202,建立责任判定模型;
如图3所示,建立责任判定模型的步骤包括:步骤302,获取采样订单的订单信息、采样订单对应的驾驶员与乘客的沟通信息;步骤304,获取预存的历史信息;步骤306,根据采样订单的订单信息、采样订单对应的驾驶员与乘客的沟通信息和历史信息,建立责任判定模型;
步骤204,获取已取消订单的订单信息、已取消订单对应的驾驶员与乘客的沟通信息;
步骤206,根据订单信息和沟通信息,利用责任判定模型对已取消订单进行责任判定。
在该实施例中,建立用于对驾驶员取消订单进行责任判定的责任判定模型。具体地,获取大量采样订单,将司乘沟通信息、订单信息、历史信息作为特征训练得到责任判定模型,帮助责任判定模型对各种场景下的订单取消做出正确判责。在一些实施例中,责任判定模型可以是XGBoost(Extreme Gradient Boosting,极端梯度提升)。
在上述任一实施例中,步骤306,根据采样订单的订单信息、采样订单对应的驾驶员与乘客的沟通信息和历史信息,建立责任判定模型,具体包括:对采样订单对应的驾驶员与乘客的沟通信息进行分词处理,得到多个单词;将每个单词转换为词向量;将多个词向量转换为文本向量;根据文本向量、采样订单的订单信息和历史信息,建立责任判定模型。
在该实施例中,将司乘沟通内容进行分词,通过分词后的沟通内容,得到每个单词的词向量。接着按单词的出现顺序将词向量拼接为二维矩阵,再通过卷积和最大池化得到司乘沟通信息的文本向量,最后将这个文本向量与采样订单的订单信息和历史信息相结合去预测驾驶员是否有责。
在上述任一实施例中,在将每个单词转换为词向量之前,还包括:对多个单词进行沟通方标记;和/或对多个单词进行有效性过滤。
在该实施例中,在将每个单词转换为词向量之前,可将单词进行标记,即标记单词的说话方是司机还是乘客或标记单词的时间。或者,将无意义的词(例如,你好)去掉,即丢弃掉冗余的文本内容,以提高模型训练的速度和准确度。
在上述任一实施例中,采样订单的订单信息包括以下一种或其组合:接驾距离、乘客上车地点、接单地点、接单时间、取消订单时间、驾驶员是否到达乘客上车地点、驾驶员与乘客是否顺路;历史信息包括以下一种或其组合:驾驶员服务分数、驾驶员被投诉率、乘客信用分数。
在该实施例中,采样订单的订单信息包括但不限于接驾距离、乘客上车地点、接单地点、接单时间、取消订单时间、驾驶员是否到达乘客上车地点、驾驶员与乘客是否顺路;历史信息包括但不限于驾驶员服务分数、驾驶员被投诉率、乘客信用分数。通过以上信息结合司乘沟通信息建立有效的责任判定模型,以提高判责准确性。
驾驶员服务分数、驾驶员被投诉率、乘客信用分数可以为预设之间段内得到的,例如,驾驶员过去一个月的服务分数、过去一个月被乘客投诉的投诉率等。
实施例三,本发明的一个实施例提出了一种基于司乘沟通信息的司机取消判责模型的建立方法,包括以下步骤:
步骤1、对司乘沟通内容进行预处理
首先需要将司乘沟通内容进行分词,即将“2019/12/14 12:01司机:你好,我即将到达上车点”分为“2019/12/14 12:01”、“司机”、“你好”、“,”、“我”、“即将”、“到达”、“上车点”。其次需要标记分词后的文本内容的时间戳、说话方是司机还是乘客,以及将无意义的词(例如,“你好”)去掉,即丢弃掉冗余的文本内容。
步骤2、将单词转换为数字向量
通过word2vec模型,通过分词后的司机沟通文本,得到每个单词的词向量,其中word2vec模型是用来产生词向量的模型。word2vec模型具体原理如图4所示,word2vec模型包括输入层、隐藏层、输出层,word2vec模型会将所有单词按照顺序赋予一个one-hot向量,例如有3个单词,则单词1就是(1,0,0)。接着word2vec模型会自动学习两个权重W与W’,其中W的作用在于将一个长度为K(如K=10000000)的one-hot向量V1(x1,x2,x3...,xk,...xV)转换为一个长度只有N(如N=5)的向量h(h1,h2,h3...,hi,...hN),而W’的作用则是在于将h转换回一个长度为K的向量V2(y1,y2,y3...,yj,...yV),且V1和V2在实际的司乘沟通文本中是相邻的(距离小于等于x,x为用户根据需要设置的值,如x=3)。因此,WV×N={wki},即W为一个V×N的矩阵,W’N×V={w’ij},即W’为一个N×V的矩阵,而W中第j行的数字向量就是单词Vj对应的词向量。
步骤3、卷积神经网络的预训练
在已经标注好的训练集上使用文本信息去预测司机最终是否有责,其目的是为了将一个完整的司乘沟通信息的所有单词向量转化为一个文本向量,具体方式如下:将一笔订单对应的司乘沟通信息经过步骤1、步骤2的处理后得到有效单词和对应的词向量。接着如图5所示,按有效单词的出现顺序拼接成二维矩阵(每行都是对应一个单词的词向量,而行数则代表沟通信息中的有效单词有多少个),再通过卷积(卷积层层数设置为C)和最大池化得到这条司乘沟通信息的文本向量(大小为1×C),并使用这个文本向量去预测最终司机是否有责。此外,可通过优化log loss(对数损失函数),来不断优化卷积神经网络中卷积层的权重,并最终得到更优的文本向量。
步骤4、将司乘沟通信息的文本特征加入责任判定模型训练
使用XGBoost作为预测司机是否有责的模型,将训练数据中的司乘沟通信息通过步骤1至步骤3得到的长度为C的文本向量与订单信息、历史信息一起作为特征加入模型进行训练。其中,订单信息包括以下一种或其组合:接驾距离、乘客上车地点、接单地点、接单时间、取消订单时间、驾驶员是否到达乘客上车地点、驾驶员与乘客是否顺路;历史信息包括以下一种或其组合:驾驶员服务分数、驾驶员被投诉率、乘客信用分数。
本发明第二方面的实施例,提出一种订单处理装置,通过以下实施例对该订单处理装置进行详细说明。
实施例一,图6示出了本发明的第一个实施例的订单处理装置600的示意框图。其中,该订单处理装置600包括:
信息获取模块602,用于获取已取消订单的订单信息、已取消订单对应的驾驶员与乘客的沟通信息;
判责模块604,用于根据订单信息和沟通信息,利用预存的责任判定模型对已取消订单进行责任判定。
本发明提供的订单处理装置600,在确定出现已取消订单后,获取该已取消订单的订单信息以及驾驶员与乘客的沟通信息,进而根据订单信息和沟通信息,利用预存的责任判定模型对已取消订单进行责任判定,即判断驾驶员取消订单的这一行为是否是驾驶员的责任,其中订单信息即为订单基本信息,可包括接驾距离、乘客上车地点、接单地点、接单时间、取消订单时间等。通过本发明的实施例,能够实现结合司乘沟通信息对订单取消进行判责,提升判责准确率,避免因误判而导致的驾驶员投诉。
需要说明的是,在驾驶员接到订单,前来接乘客的途中,驾驶员和乘客可以通过应用程序内自带的聊天功能给对方发送信息,例如驾驶员和乘客对上车点及上车时间等可能发生变动的问题进行协商,从而形成驾驶员与乘客的沟通信息。
实施例二,图7示出了本发明的第二个实施例的订单处理装置600的示意框图。其中,该订单处理装置600包括:
信息获取模块602,用于获取已取消订单的订单信息、已取消订单对应的驾驶员与乘客的沟通信息;
判责模块604,用于根据订单信息和沟通信息,利用预存的责任判定模型对已取消订单进行责任判定;
模型建立模块606,用于获取采样订单的订单信息、采样订单对应的驾驶员与乘客的沟通信息,获取预存的历史信息,根据采样订单的订单信息、采样订单对应的驾驶员与乘客的沟通信息和历史信息,建立责任判定模型。
在该实施例中,利用模型建立模块606建立用于对驾驶员取消订单进行责任判定的责任判定模型。具体地,获取大量采样订单,将司乘沟通信息、订单信息、历史信息作为特征训练得到责任判定模型,帮助责任判定模型对各种场景下的订单取消做出正确判责。
在上述任一实施例中,模型建立模块606,具体用于:对采样订单对应的驾驶员与乘客的沟通信息进行分词处理,得到多个单词;将每个单词转换为词向量;将多个词向量转换为文本向量;根据文本向量、采样订单的订单信息和历史信息,建立责任判定模型。
在该实施例中,将司乘沟通内容进行分词,通过分词后的沟通内容,得到每个单词的词向量。接着按单词的出现顺序将词向量拼接为二维矩阵,再通过卷积和最大池化得到司乘沟通信息的文本向量,最后将这个文本向量与采样订单的订单信息和历史信息相结合去预测驾驶员是否有责。
在上述任一实施例中,模型建立模块606,具体用于:对多个单词进行沟通方标记;和/或对多个单词进行有效性过滤。
在该实施例中,在将每个单词转换为词向量之前,可将单词进行标记,即标记单词的说话方是司机还是乘客或标记单词的时间。或者,将无意义的词(例如,你好)去掉,即丢弃掉冗余的文本内容,以提高模型训练的速度和准确度。
在上述任一实施例中,采样订单的订单信息包括以下一种或其组合:接驾距离、乘客上车地点、接单地点、接单时间、取消订单时间、驾驶员是否到达乘客上车地点、驾驶员与乘客是否顺路;历史信息包括以下一种或其组合:驾驶员服务分数、驾驶员被投诉率、乘客信用分数。
在该实施例中,采样订单的订单信息包括但不限于接驾距离、乘客上车地点、接单地点、接单时间、取消订单时间、驾驶员是否到达乘客上车地点、驾驶员与乘客是否顺路;历史信息包括但不限于驾驶员服务分数、驾驶员被投诉率、乘客信用分数。通过以上信息结合司乘沟通信息建立有效的责任判定模型,以提高判责准确性。
本发明第三方面的实施例,提出了一种计算机设备,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,处理器执行计算机程序时实现如上述任一实施例的订单处理方法。
本发明提供的计算机设备,处理器执行计算机程序时实现如上述任一实施例的订单处理方法的步骤,因此该计算机设备包括上述任一实施例的订单处理方法的全部有益效果。
本发明第四方面的实施例,提出了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述任一实施例的订单处理方法。
本发明提供的计算机可读存储介质,计算机程序被处理器执行时实现如上述任一实施例的订单处理方法的步骤,因此该计算机可读存储介质包括上述任一实施例的订单处理方法的全部有益效果。
在本说明书的描述中,术语“第一”、“第二”仅用于描述的目的,而不能理解为指示或暗示相对重要性,除非另有明确的规定和限定;术语“连接”、“安装”、“固定”等均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
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。
以上所述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 (12)
1.一种订单处理方法,其特征在于,包括:
获取已取消订单的订单信息、所述已取消订单对应的驾驶员与乘客的沟通信息;
根据所述订单信息和所述沟通信息,利用预存的责任判定模型对所述已取消订单进行责任判定。
2.根据权利要求1所述的订单处理方法,其特征在于,在获取已取消订单的订单信息、所述已取消订单对应的驾驶员与乘客的沟通信息之前,还包括:
获取采样订单的订单信息、所述采样订单对应的驾驶员与乘客的沟通信息;
获取预存的历史信息;
根据所述采样订单的订单信息、所述采样订单对应的驾驶员与乘客的沟通信息和所述历史信息,建立所述责任判定模型。
3.根据权利要求2所述的订单处理方法,其特征在于,根据所述采样订单的订单信息、所述采样订单对应的驾驶员与乘客的沟通信息和所述历史信息,建立所述责任判定模型的步骤,具体包括:
对所述采样订单对应的驾驶员与乘客的沟通信息进行分词处理,得到多个单词;
将每个所述单词转换为词向量;
将多个所述词向量转换为文本向量;
根据所述文本向量、所述采样订单的订单信息和所述历史信息,建立所述责任判定模型。
4.根据权利要求3所述的订单处理方法,其特征在于,在将每个所述单词转换为词向量之前,还包括:
对多个所述单词进行沟通方标记;和/或
对多个所述单词进行有效性过滤。
5.根据权利要求2至4中任一项所述的订单处理方法,其特征在于,
所述采样订单的订单信息包括以下一种或其组合:接驾距离、乘客上车地点、接单地点、接单时间、取消订单时间、驾驶员是否到达乘客上车地点、驾驶员与乘客是否顺路;
所述历史信息包括以下一种或其组合:驾驶员服务分数、驾驶员被投诉率、乘客信用分数。
6.一种订单处理装置,其特征在于,包括:
信息获取模块,用于获取已取消订单的订单信息、所述已取消订单对应的驾驶员与乘客的沟通信息;
判责模块,用于根据所述订单信息和所述沟通信息,利用预存的责任判定模型对所述已取消订单进行责任判定。
7.根据权利要求6所述的订单处理装置,其特征在于,还包括:
模型建立模块,用于获取采样订单的订单信息、所述采样订单对应的驾驶员与乘客的沟通信息,获取预存的历史信息,根据所述采样订单的订单信息、所述采样订单对应的驾驶员与乘客的沟通信息和所述历史信息,建立所述责任判定模型。
8.根据权利要求7所述的订单处理装置,其特征在于,所述模型建立模块,具体用于:
对所述采样订单对应的驾驶员与乘客的沟通信息进行分词处理,得到多个单词;
将每个所述单词转换为词向量;
将多个所述词向量转换为文本向量;
根据所述文本向量、所述采样订单的订单信息和所述历史信息,建立所述责任判定模型。
9.根据权利要求8所述的订单处理装置,其特征在于,所述模型建立模块,具体用于:
对多个所述单词进行沟通方标记;和/或
对多个所述单词进行有效性过滤。
10.根据权利要求7至9中任一项所述的订单处理装置,其特征在于,
所述采样订单的订单信息包括以下一种或其组合:接驾距离、乘客上车地点、接单地点、接单时间、取消订单时间、驾驶员是否到达乘客上车地点、驾驶员与乘客是否顺路;
所述历史信息包括以下一种或其组合:驾驶员服务分数、驾驶员被投诉率、乘客信用分数。
11.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至5中任一项所述的订单处理方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的订单处理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010036685.0A CN111833137A (zh) | 2020-01-14 | 2020-01-14 | 订单处理方法、订单处理装置、计算机设备和存储介质 |
PCT/CN2020/136414 WO2021121206A1 (zh) | 2019-12-20 | 2020-12-15 | 一种用于判定服务事故的责任的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010036685.0A CN111833137A (zh) | 2020-01-14 | 2020-01-14 | 订单处理方法、订单处理装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111833137A true CN111833137A (zh) | 2020-10-27 |
Family
ID=72913348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010036685.0A Pending CN111833137A (zh) | 2019-12-20 | 2020-01-14 | 订单处理方法、订单处理装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833137A (zh) |
Cited By (6)
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 |
CN112950313A (zh) * | 2021-02-25 | 2021-06-11 | 北京嘀嘀无限科技发展有限公司 | 订单处理方法、装置、电子设备和可读存储介质 |
WO2021121206A1 (zh) * | 2019-12-20 | 2021-06-24 | 北京嘀嘀无限科技发展有限公司 | 一种用于判定服务事故的责任的方法和系统 |
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 |
CN113435620A (zh) * | 2021-07-14 | 2021-09-24 | 首约科技(北京)有限公司 | 一种取消订单的责任方判定方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN109409970A (zh) * | 2017-05-09 | 2019-03-01 | 北京嘀嘀无限科技发展有限公司 | 异常订单处理系统及方法 |
CN109508461A (zh) * | 2018-12-29 | 2019-03-22 | 重庆猪八戒网络有限公司 | 基于中文自然语言处理的订单价格预测方法、终端及介质 |
US20190171711A1 (en) * | 2017-03-29 | 2019-06-06 | Valyant Al, Inc. | Artificially intelligent order processing system |
-
2020
- 2020-01-14 CN CN202010036685.0A patent/CN111833137A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190171711A1 (en) * | 2017-03-29 | 2019-06-06 | Valyant Al, Inc. | Artificially intelligent order processing system |
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 |
CN109409970A (zh) * | 2017-05-09 | 2019-03-01 | 北京嘀嘀无限科技发展有限公司 | 异常订单处理系统及方法 |
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 |
CN109508461A (zh) * | 2018-12-29 | 2019-03-22 | 重庆猪八戒网络有限公司 | 基于中文自然语言处理的订单价格预测方法、终端及介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021121206A1 (zh) * | 2019-12-20 | 2021-06-24 | 北京嘀嘀无限科技发展有限公司 | 一种用于判定服务事故的责任的方法和系统 |
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 |
CN112950313A (zh) * | 2021-02-25 | 2021-06-11 | 北京嘀嘀无限科技发展有限公司 | 订单处理方法、装置、电子设备和可读存储介质 |
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 |
CN113435620A (zh) * | 2021-07-14 | 2021-09-24 | 首约科技(北京)有限公司 | 一种取消订单的责任方判定方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111833137A (zh) | 订单处理方法、订单处理装置、计算机设备和存储介质 | |
CN110569695B (zh) | 基于定损图像判定模型的图像处理方法和装置 | |
CN111126453B (zh) | 基于注意力机制和切割填充的细粒度图像分类方法及系统 | |
CN106503236B (zh) | 基于人工智能的问题分类方法以及装置 | |
CN111431986B (zh) | 基于5g和ai云边协同的工业智能质检系统 | |
CN110032623B (zh) | 用户问句与知识点标题的匹配方法和装置 | |
CN107194762A (zh) | 交通工具推荐方法、系统及其设备 | |
CN109190504B (zh) | 汽车图像数据的处理方法、装置及可读存储介质 | |
US11539643B2 (en) | Systems and methods of instant-messaging bot for robotic process automation and robotic textual-content extraction from images | |
CN111522916A (zh) | 一种语音服务质量检测方法、模型训练方法及装置 | |
CN112102176A (zh) | 基于多尺度密集混合注意力神经网络的图像去雨方法 | |
JP2022079509A (ja) | 学習データ作成装置、学習データ作成方法、及びプログラム | |
CN113422952A (zh) | 基于时空传播层次编解码器的视频预测方法 | |
CN110059174B (zh) | 问询指引方法及装置 | |
CN105869631B (zh) | 语音预测的方法和装置 | |
CN113850151A (zh) | 一种驾驶员分心行为的识别方法、装置、终端及存储介质 | |
CN113320537A (zh) | 一种车辆控制方法和系统 | |
CN117058386A (zh) | 基于改进DeepLabv3+网络的沥青道路裂缝检测方法 | |
CN113095515A (zh) | 业务故障信息处理方法及装置 | |
CN116681373A (zh) | 一种物流供应链管理方法 | |
CN111126493A (zh) | 深度学习模型的训练方法、装置、电子设备及存储介质 | |
CN113298112B (zh) | 一种一体化数据智能标注方法及系统 | |
CN115457365A (zh) | 一种模型的解释方法、装置、电子设备及存储介质 | |
CN115147432A (zh) | 一种基于深度残差语义分割网络的初至拾取方法 | |
CN115223087A (zh) | 一种群控电梯交通模式识别的方法 |
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 |