CN111860927A - 模型的训练方法、服务请求处理方法、装置、设备及介质 - Google Patents
模型的训练方法、服务请求处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111860927A CN111860927A CN201911329083.8A CN201911329083A CN111860927A CN 111860927 A CN111860927 A CN 111860927A CN 201911329083 A CN201911329083 A CN 201911329083A CN 111860927 A CN111860927 A CN 111860927A
- Authority
- CN
- China
- Prior art keywords
- service request
- service
- information
- responsible
- responsibility
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种模型的训练方法、服务请求处理方法、装置、设备及介质,涉及数据处理技术领域。该模型的训练方法,通过获取历史的具有服务投诉信息的被取消的服务请求,将其作为样本服务请求,进行样本标注,并根据各标注后的样本服务请求的特征信息,训练获取判责模型,使得获取的判责模型更加可靠,进一步地,根据该判责模型进行服务请求是否有责的判定时,判定结果准确性和可靠性更好,另外,根据样本服务请求中包含的有责场景的标注信息,训练获取判责模型,使得判定结果为服务提供方有责时,可以同时生成有责场景并反馈给服务提供方,以提高服务提供方对判定结果的认可度,从而提高了服务提供方和服务请求方的服务请求体验度。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种判责模型的训练方法、服务请求处理方法、装置、设备及介质。
背景技术
随着互联网的快速发展,各种服务类应用因其存在的便利性和叫较好的服务性,深受广大用户的喜欢。例如:网约车服务、外卖服务等。以网约车服务为例,用户在通过网约车预约乘车服务请求时,会因为多种原因造成服务请求的取消,服务请求的取消一方面会影响服务平台的服务效率和服务品质,另一方面,也会对服务提供方的服务体验、以及服务请求方的用车体验造成严重影响。为此,对服务请求的取消进行有效的责任判定和管控变得尤为重要。
现有技术中,对于服务请求的取消进行责任判定时,是假定绝大部分的服务请求的取消都是由于服务提供方原因导致的,然后给服务提供方寻找豁免的出口,比如服务请求方请求服务后,很短时间内服务请求被取消,则服务提供方无责;服务请求方取消服务请求时,选择是自身原因导致的取消,则服务提供方无责等。
但是,由于采用上述穷举的方式无法准确的对所有服务请求的取消进行有效的责任判定,判定结果准确率和可靠性较低,同时,服务提供方对于判定结果的认可度也较低。
发明内容
有鉴于此,本申请实施例的目的在于提供一种模型的训练方法、服务请求处理方法、装置、设备及介质,用于解决现有技术中存在的对于服务请求的取消的责任判定,判定结果准确率和可靠性较低的问题。
第一方面,本申请实施例提供了一种判责模型的训练方法,包括:
根据服务请求方的服务投诉信息,从被取消的多个历史服务请求中,确定被投诉的服务请求作为样本服务请求;
根据预设的服务提供方有责的标准作业程序SOP,对样本服务请求进行标注,使得所述样本服务请求中标注有:第一标注信息,所述第一标注信息用于指示是否为服务提供方责任;
对所述样本服务请求进行特征提取,得到所述样本服务请求的特征信息;
根据所述第一标注信息以及所述特征信息,进行模型训练,得到判责模型,所述判责模型用于判定服务请求的取消是否为服务提供方的责任。
可选地,所述方法还包括:
根据预设的所述SOP对应的有责场景,对所述样本服务请求进行标注,使得所述样本服务请求中标注有:第二标注信息,所述第二标注信息用于指示服务提供方的有责场景;
所述根据所述第一标注信息以及所述特征信息,进行模型训练,得到所述判责模型,包括:
根据所述第一标注信息、所述第二标注信息,以及所述特征信息,进行模型训练,得到所述判责模型;所述判责模型还用于判定服务请求对应服务提供方的有责场景。
可选地,若所述样本服务请求标注有多个所述第二标注信息,每个所述第二标注信息对应服务提供方的一个有责场景,每个所述第二标注信息还具有对应的场景优先级。
可选地,所述根据预设的所述SOP对应的有责场景,对所述样本服务请求进行标注之前,所述方法还包括:
根据各有责场景下服务请求方的投诉转化率,确定所述各有责场景的场景优先级。
可选地,所述特征信息包括如下至少一种信息:服务请求的基础信息、所述服务请求的服务提供方画像信息、所述服务请求的服务请求方画像信息。
第二方面,本申请实施例提供了一种服务请求处理方法,包括:
获取被取消的服务请求;
采用预先训练的判责模型,对所述被取消的服务请求进行处理,确定所述被取消的服务请求的预测结果,所述预测结果包括:责任指示信息,所述责任指示信息,用于指示所述被取消的服务请求是否为服务提供方的责任;所述判责模型为采用上述第一方面所述的训练方法得到的模型。
可选地,若所述责任指示信息指示所述被取消的服务请求为服务提供方的责任,所述预测结果还包括:有责场景指示信息,所述有责场景指示信息,用于指示所述被取消的服务请求对应的服务提供方的有责场景。
可选地,若所述被取消的服务请求对应的服务提供方的有责场景为多个,则所述有责场景指示信息包括:多个有责场景的指示信息;所述方法还包括:
根据所述多个有责场景的优先级,从所述多个有责场景中,确定优先级最高的至少一个有责场景为目标责任场景;
向所述被取消的服务请求对应的服务提供方返回判责结果,所述判责结果包括:所述责任指示信息,以及所述目标责任场景的指示信息。
可选地,所述方法还包括:
获取所述被取消的服务请求对应的服务提供方的申诉信息;
根据所述预测结果,以及所述申诉信息,对所述判责模型的训练数据进行更新;
根据更新后的所述训练数据进行所述判责模型的优化。
第三方面,本申请实施例提供了一种判责模型的训练装置,包括:确定模块、标注模块、获取模块、训练模块;
所述确定模块,用于根据服务请求方的服务投诉信息,从被取消的多个历史服务请求中,确定被投诉的服务请求作为样本服务请求;
所述标注模块,用于根据预设的服务提供方有责的标准作业程序SOP,对样本服务请求进行标注,使得所述样本服务请求中标注有:第一标注信息,所述第一标注信息用于指示是否为服务提供方责任;
所述获取模块,用于对所述样本服务请求进行特征提取,得到所述样本服务请求的特征信息;
所述训练模块,用于根据所述第一标注信息以及所述特征信息,进行模型训练,得到判责模型,所述判责模型用于判定服务请求的取消是否为服务提供方的责任。
可选地,所述标注模块,还用于根据预设的所述SOP对应的有责场景,对所述样本服务请求进行标注,使得所述样本服务请求中标注有:第二标注信息,所述第二标注信息用于指示服务提供方的有责场景;
所述训练模块,还用于根据所述第一标注信息、所述第二标注信息,以及所述特征信息,进行模型训练,得到所述判责模型;所述判责模型还用于判定服务请求对应服务提供方的有责场景。
可选地,若所述样本服务请求标注有多个所述第二标注信息,每个所述第二标注信息对应服务提供方的一个有责场景,每个所述第二标注信息还具有对应的场景优先级。
可选地,所述确定模块,还用于根据各有责场景下服务请求方的投诉转化率,确定所述各有责场景的场景优先级。
可选地,所述特征信息包括如下至少一种信息:服务请求的基础信息、所述服务请求的服务提供方画像信息、所述服务请求的服务请求方画像信息。
第四方面,本申请实施例提供了一种服务请求处理装置,包括:获取模块、预测模块;
所述获取模块,用于获取被取消的服务请求;
所述预测模块,用于采用预先训练的判责模型,对所述被取消的服务请求进行处理,确定所述被取消的服务请求的预测结果,所述预测结果包括:责任指示信息,所述责任指示信息,用于指示所述被取消的服务请求是否为服务提供方的责任;所述判责模型为采用上述第一方面中所述的训练方法得到的模型。
可选地,若所述责任指示信息指示所述被取消的服务请求为服务提供方的责任,所述预测结果还包括:有责场景指示信息,所述有责场景指示信息,用于指示所述被取消的服务请求对应的服务提供方的有责场景。
可选地,若所述被取消的服务请求对应的服务提供方的有责场景为多个,则所述有责场景指示信息包括:多个有责场景的指示信息;所述装置还包括确定模块、返回模块;
所述确定模块,用于根据所述多个有责场景的优先级,从所述多个有责场景中,确定优先级最高的至少一个有责场景为目标责任场景;
所述返回模块,用于向所述被取消的服务请求对应的服务提供方返回判责结果,所述判责结果包括:所述责任指示信息,以及所述目标责任场景的指示信息。
可选地,还包括更新模块、优化模块;
所述获取模块,还用于获取所述被取消的服务请求对应的服务提供方的申诉信息;
所述更新模块,用于根据所述预测结果,以及所述申诉信息,对所述判责模型的训练数据进行更新;
所述优化模块,用于根据更新后的所述训练数据进行所述判责模型的优化。
第五方面,本申请实施例提供了一种电子设备,包括:处理器、存储介质和总线,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,处理器执行机器可读指令,以执行时执行如第一方面和第二方面中提供的方法的步骤。
第六方面,本申请实施例提供了一种存储介质,该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第一方面和第二方面提供的方法的步骤。
本申请的有益效果:
本申请实施例所提供的模型的训练方法,通过获取历史的具有服务投诉信息的被取消的服务请求,将其作为样本服务请求,进行样本标注,并根据各标注后的样本服务请求的特征信息,训练获取判责模型,使得获取的判责模型更加可靠,进一步地,根据该判责模型进行服务请求是否有责的判定时,判定结果准确性和可靠性更好,从而提高了服务提供方和服务请求方的服务请求体验度。
另外,根据样本服务请求中包含的有责场景的标注信息,训练获取判责模型,使得判定结果为服务提供方有责时,可以同时生成有责场景,并可以根据有责场景的优先级,反馈优先级最高的有责场景给服务提供方,以提高服务提供方对判定结果的认可度,并进一步优化服务提供方的服务品质。
本实施例提供的服务请求处理方法,通过采用预先训练的判责模型,对被取消的服务请求进行服务请求方是否有责的判定。其中,预先训练的判责模型具有与上述实施例所提供的判责模型的训练方法,训练得到的判责模型相同的技术效果,从而使得根据该预先训练的判责模型进行服务请求方是否有责的判定时,判定结果的准确性和可靠性较高,且反馈给服务提供方的有责场景的准确性也较高,具有较好的说服力。
另外,该方法还进一步地根据服务提供方的申诉结果及判责结果,对模型训练的样本数据进行更新,并根据更新后的数据进行模型训练,从而对判责模型进行了优化,有效提升了判责模型的判责准确率。
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提供的一种服务数据处理系统的框图;
图2示出了本申请实施例提供的一种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提供的一种判责模型的训练方法流程示意图;
图4示出了本申请实施例提供的另一种判责模型的训练方法流程示意图;
图5示出了本申请实施例提供的一种服务请求处理方法的流程示意图;
图6示出了本申请实施例提供的一种服务请求处理方法的流程示意图;
图7示出了本申请实施例提供的一种判责模型的训练装置的示意图;
图8示出了本申请实施例提供的一种服务请求处理装置的示意图;
图9示出了本申请实施例提供的另一种服务请求处理装置的示意图;
图10示出了本申请实施例提供的又一种服务请求处理装置的示意图;
图11示出了本申请实施例提供的电子设备的结构示意图。
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。
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。
图1示出了本申请实施例提供的一种服务数据处理系统的框图。例如,服务数据处理系统可以是用于诸如网约车、订外卖、快递配送等提供服务的互联网服务平台等。
服务数据处理系统可以包括服务器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中的一种或多种,服务器110中可以包括执行指令操作的处理器。
在一些实施例中,服务器110可以是单个服务器,也可以是服务器组。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、或数据库150、或其任意组合中的信息和/或数据。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中至少一个,以访问存储的信息和/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。在一些实施例中,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 SpecificIntegrated Circuit,ASIC)、专用指令集处理器(Application Specific Instruction-set Processor,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,服务数据处理系统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120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,服务数据处理系统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。
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以与服务数据处理系统(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。服务数据处理系统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数据处理系统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。
图2示出了本申请实施例提供的一种电子设备的示例性硬件和软件组件的示意图。
例如,处理器可以用于电子设备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模型的训练方法、以及服务请求处理方法。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示出了本申请实施例提供的一种判责模型的训练方法流程示意图,本实施例的执行主体可以是计算机、服务器等具有数据处理功能的设备,如图3所示,本申请提供的判责模型的训练方法,可以包括:
S101、根据服务请求方的服务投诉信息,从被取消的多个历史服务请求中,确定被投诉的服务请求作为样本服务请求。
可选地,对于不同的服务应用,服务请求方和服务提供方可以是不同的。例如:对于网约车服务,服务请求方可以是乘客,服务提供方可以是司机,此时对应的服务请求可以是乘车订单;而对于外卖服务,服务请求方可以是用户,服务提供方可以是骑手,此时对应的服务请求可以是外卖订单等。为了使得本申请实施例更加清晰易懂,本申请以下实施例均以网约车服务为例进行说明。
可选地,服务请求方在请求服务的过程中,会因为多种原因,对请求的服务产生不满,从而会通过服务请求方的终端设备对所请求的服务进行投诉,生成服务投诉信息。针对大量的服务请求方生成的服务投诉信息可以存储于服务平台的数据库中,以进行大数据分析时,作为历史数据进行参考。
本实施例中,可以从数据库中获取服务请求方对于取消的多个历史服务请求的服务投诉信息。例如:服务请求A、服务请求B、服务请求C,在过去的一段时间内,被至少一个服务请求方投诉,也即,服务请求A、服务请求B、服务请求C均对应有多个服务投诉信息。故可以将具有服务投诉信息的多个服务请求作为样本服务请求。
S102、根据预设的服务提供方有责的标准作业程序SOP(Standard OperationProcedure),对样本服务请求进行标注,使得样本服务请求中标注有:第一标注信息,第一标注信息用于指示是否为服务提供方责任。
需要说明的是,本实施例中预设的SOP指对取消的服务请求中被服务请求方进行投诉的服务请求所严格执行的一整套服务提供方责任判定路程标准。可选地,可以通过对步骤S101中获取的样本服务请求所对应的服务投诉信息进行聚类分析,以抽象出服务提供方有责场景,以及有责场景执行的标准作业程序。
可选地,可以根据预设的服务提供方有责的标准作业程序中抽象得到的服务提供方是否有责,以及有责场景,对所获取的样本服务请求进行标注。需要说明的是,并非所有的取消的服务请求被投诉均是因服务提供方的原因所导致的,故,获取的样本服务请求中会存在服务提供方有责的服务请求,以及服务提供方无责的服务请求。在对样本服务请求进行标注时,样本服务请求中包含的第一标注信息可以包括:服务提供方有责、及服务提供方无责。
S103、对样本服务请求进行特征提取,得到样本服务请求的特征信息。
可选地,上述进行标注后的样本服务请求可以分为两类,一类是服务提供方有责的服务请求,另一类是服务提供方无责的服务请求。每一类服务请求中均可以包括多个服务请求。本实施例中,可以获取每一个标注后的样本服务请求的特征信息。其中,特征信息用于指示每个服务请求所具有的特征属性。对于样本服务请求的特征信息的具体解释,可以参照下面具体实施例进行理解。
S104、根据第一标注信息以及特征信息,进行模型训练,得到判责模型,判责模型用于判定服务请求的取消是否为服务提供方的责任。
需要说明的是,本申请所提供的方法主要是应用于判定服务提供方有责的情况,故本实施例中在进行模型训练时,可以将上述步骤S103中,服务请求方有责的服务请求作为正样本,将服务请求方无责的服务请求作为负样本,并根据正样本和负样本所对应的特征信息,采用预设的算法进行模型训练,得到判责模型。
其中,预设的算法可以包括:xgboost算法(eXtreme Gradient Boosting,极端梯度提升)、SVM算法(Support Vector Machine,支持向量机)、RF算法(Random Forest,随机森林)等方法。
可选地,上述根据样本服务请求的第一标注信息以及特征信息,进行模型训练,也即构建服务请求方有责的服务请求与有责的服务请求的特征信息之间的映射关系,以及服务请求方无责的服务请求与无责的服务请求的特征信息之间的映射关系。从而可以根据训练得到的模型中所包含的映射关系,根据未来时刻的任意服务请求的特征信息,预测该服务请求是否为服务请求方有责的服务请求。从而有效的提高了服务请求的判定结果的准确性和可靠性,同时,提高了服务请求的判定效率。
综上所述,本申请实施例所提供的判责模型的训练方法,通过获取历史的具有服务投诉信息的被取消的服务请求,将其作为样本服务请求,进行样本标注,并根据各标注后的样本服务请求的特征信息,训练获取判责模型,使得获取的判责模型更加可靠,进一步地,根据该判责模型进行服务请求是否有责的判定时,判定结果准确性和可靠性更好,从而提高了服务提供方和服务请求方的服务请求体验度。
图4示出了本申请实施例提供的另一种判责模型的训练方法流程示意图,可选地,本申请方法还可以包括:
S201、根据预设的SOP对应的有责场景,对样本服务请求进行标注,使得样本服务请求中标注有:第二标注信息,第二标注信息用于指示服务提供方的有责场景。
在一些实施例中,在判定结果为服务提供方有责时,为了提高服务提供方对判定结果的认可度。在对样本服务请求进行标注时,还可以包括第二标注信息,第二标注信息也即为服务请求方有责的服务请求对应的服务提供方有责场景。
需要说明的是,服务提供方有责场景,也即指对于取消的、且被服务请求方所投诉的服务请求,当判定服务请求被取消是由于服务提供方所导致的,那么,服务提供方导致服务请求被取消、且被投诉的原因。例如:服务提供方因未及时接听电话,或者是因车辆未及时到达目的地,导致其所提供的服务请求被服务请求方取消,同时被服务请求方投诉,那么,当判定服务提供方有责时,服务提供方对应的有责场景可以为未及时接听电话,或者是因车辆未及时到达目的地等。
可选地,上述步骤S104中,根据第一标注信息以及特征信息,进行模型训练,得到判责模型,可以包括:
S1041、根据第一标注信息、第二标注信息,以及特征信息,进行模型训练,得到判责模型;判责模型还用于判定服务请求对应服务提供方的有责场景。
可选地,可以进一步地根据样本服务请求的第一标注信息、第二标注信息及样本服务请求的特征信息,进行模型训练。从而可以根据训练得到的判责模型,判断出服务请求为服务提供方有责时,对应的服务提供方的有责场景,并将有责场景反馈给服务提供方,以使得服务提供方及时了解其所提供的服务请求有责的原因。一方面可以提高服务提供方对判定其有责的认可度,另一方面,也可以帮助服务提供方更好的去改善自身的服务,以提供更优质的服务。
可选地,若样本服务请求标注有多个第二标注信息,每个第二标注信息对应服务提供方的一个有责场景,每个第二标注信息还具有对应的场景优先级。
需要说明的是,对于任意的有责场景下,均可以对应包含有多个服务请求,例如:对于有责场景为:服务提供方未及时接听电话,可能存在有100个服务请求均是由于该有责场景,收到了服务请求方的投诉。同样的,对于任意服务请求,其对应的有责场景也可以包括多个,也即,样本服务请求的第二标注信息可以包括多个有责场景。例如,服务请求A对应的有责场景可以包括:服务提供方未及时接听电话、服务提供方未按时到达目的地。其中,可以根据预设的方法,确定任意样本服务请求所对应的多个有责场景的优先级。具体见如下实施例。
可选地,上述步骤S102中,根据预设的SOP对应的有责场景,对样本服务请求进行标注之前,本申请的方法还可以包括:根据各有责场景下服务请求方的投诉转化率,确定各有责场景的场景优先级。
其中,服务请求方的投诉转化率,也即为有责场景所包含的相同数量的被取消的服务请求中,服务请求的投诉率。投诉率越高,该有责场景的优先级越高。例如:有责场景1和有责场景2均包含有100个被取消的服务请求,其中,有责场景1中包含的100个被取消的服务请求中,有20个被投诉,也即服务请求的投诉率为20%。而有责场景2中包含的100个被取消的服务请求中,有10个被投诉,也即服务请求的投诉率为10%。那么,可以确定有责场景1的优先级高于有责场景2。同理,对于多个有责场景优先级的确定,与上述两个有责场景优先级的确定方法一致。
这样,在根据判责模型判定出服务请求为服务提供方有责,且反馈有责场景给服务提供方时,可以根据该服务请求所对应的有责场景的优先级,将优先级最高的有责场景反馈给服务提供方,从而有效提高服务提供方对反馈结果的认可度。
在一些实施例中,随着样本服务请求的不断更新变化,以及数据库中存储的服务投诉信息的不断更新,有责场景的优先级也会进行动态调整,以保证反馈给服务提供方的有责场景的准确性和实时性。
可选地,特征信息包括如下至少一种信息:服务请求的基础信息、服务请求的服务提供方画像信息、服务请求的服务请求方画像信息。
可选地,服务请求的基础信息也即为服务请求的基础特征,以上述的网约车服务为例,服务请求可以为乘车订单,那么服务请求的基础信息可以包括:订单里程、订单预估价、司机接驾里程、订单时空信息等,其中,订单时空信息也即司机从抢单点到取消订单所经历的时长和里程。
服务请求的服务提供方画像信息也即为司机的特征信息,其中可以包括:历史预设时间段内(例如:最近1至3个月内):司机订单取消率、司机被投诉率、被取消的订单司机的有责率、司机的流水(司机所提供的所有服务的价钱)、司机的单量(司机所提供的所有服务的数量)等。
同样的,服务请求的服务请求方画像信息可以与服务请求服务提供方画像信息类似,可以包括:乘客下单的取消率、乘客被投诉率、被取消的订单乘客的有责率、乘客的流水、乘客的单量等。
可选地,上述仅示例性的列举了一部分特征信息,具体在实际应用中,服务请求的特征信息可以不限于上述所列举的,在一定程度上,提取的服务请求的特征信息类型越多,训练得到的模型的准确性越高。
还需要说明的是,上述的服务请求的特征信息,均可以从服务平台的数据库中存储的历史服务请求的特征信息中获取。
综上,本申请实施例所提供的判责模型的训练方法,通过获取历史的具有服务投诉信息的被取消的服务请求,将其作为样本服务请求,进行样本标注,并根据各标注后的样本服务请求的特征信息,训练获取判责模型,使得获取的判责模型更加可靠,进一步地,根据该判责模型进行服务请求是否有责的判定时,判定结果准确性和可靠性更好,从而提高了服务提供方和服务请求方的服务请求体验度。
另外,根据样本服务请求中包含的有责场景的标注信息,训练获取判责模型,使得判定结果为服务提供方有责时,可以同时生成有责场景,并可以根据有责场景的优先级,反馈优先级最高的有责场景给服务提供方,以提高服务提供方对判定结果的认可度,并进一步优化服务提供方的服务品质。
需要说明的是,上述是对判责模型的训练方法进行了详细说明,而以下将对训练得到的判责模型的应用方法进行具体说明。
图5示出了本申请实施例提供的一种服务请求处理方法的流程示意图,该处理方法的执行主体也可以为终端、服务器等具备数据处理功能的设备。其中,执行该服务请求处理方法的设备和上述执行判责模型的训练方法的设备可以为同一设备,也可以为不同的设备。可选地,该服务请求处理方法可以包括:
S301、获取被取消的服务请求。
可选地,服务器可以根据服务平台数据库中的存储的服务请求数据,获取被取消的服务请求。例如:可以根据服务请求的里程数、收费信息(里程数不满足该服务请求的目标里程数、收费为0)等,确定被取消的服务请求。
S302、采用预先训练的判责模型,对被取消的服务请求进行处理,确定被取消的服务请求的预测结果。
其中,预测结果包括:责任指示信息,责任指示信息,用于指示被取消的服务请求是否为服务提供方的责任;判责模型为采用上述的判责模型的训练方法训练得到的模型。
可选地,可以提取该被取消的服务请求的特征信息,将提取到的特征信息输入预先训练的判责模型中,计算该被取消的服务请求为服务请求方有责的概率。可选地,在采用判责模型预测服务请求是否为服务提供方有责时,还需要预设一有责概率阈值,从而可以将计算得到的被取消的服务请求对应的服务请求方有责的概率与预设的有责概率阈值进行比较,若被取消的服务请求对应的服务请求方有责的概率满足预设阈值,则预测结果为该服务请求为服务请求方有责的服务请求。其中,预设的有责概率阈值可以根据实际应用进行设定,此处不做具体限制。
可选地,若责任指示信息指示被取消的服务请求为服务提供方的责任,预测结果还可以包括:有责场景指示信息,有责场景指示信息,用于指示被取消的服务请求对应的服务提供方的有责场景。
在一些实施例中,在模型判定该被取消的服务请求为服务提供方有责时,进一步地,判责模型还可以根据判责模型训练过程中,服务请求的特征信息与有责场景的对应关系,确定该被取消的服务请求对应的服务提供方的有责场景。
可选地,若被取消的服务请求对应的服务提供方的有责场景为多个,则有责场景指示信息包括:多个有责场景的指示信息;方法还包括:根据多个有责场景的优先级,从多个有责场景中,确定优先级最高的至少一个有责场景为目标责任场景。
可选地,当上述确定出被取消的服务请求对应的服务提供方的有责场景为多个时,可以进一步地根据该被取消的服务请求对应的多个有责场景的优先级,确定优先级最高的有责场景为目标有责场景,其中,当存在多个有责场景的优先级相同时,可以将该多个有责场景作为目标有责场景。
可选地,向被取消的服务请求对应的服务提供方返回判责结果,判责结果包括:责任指示信息,以及目标责任场景的指示信息。
本实施例中,在采用判责模型对被取消的服务请求进行预测后,得到的判责结果(也即预测结果)可以包括两部分信息:责任指示信息,以及目标责任场景的指示信息。其中,责任指示信息也即为:服务提供方是否有责,目标责任场景的指示信息也即为:服务提供方有责时对应的有责场景。其中,对于判责结果为服务提供方无责时,则无对应的目标责任场景的指示信息。
图6示出了本申请实施例提供的一种服务请求处理方法的流程示意图,可选地,如图6所示,本申请的方法还可以包括:
S401、获取被取消的服务请求对应的服务提供方的申诉信息。
在一些实施例中,对于任何通过训练获取的模型,在采用模型进行结果预测时,均可能存在误判的情况。可选地,为了优化上述预先训练的判责模型,使得采用上述预先训练的判责模型进行判责时,判责结果更准备。本实施例中,还可以获取服务提供方对所接收的,服务器反馈的判责结果的申诉信息。申诉信息也即为服务提供方对于判责结果的争辩信息。
S402、根据预测结果,以及申诉信息,对判责模型的训练数据进行更新。
S403、根据更新后的训练数据进行判责模型的优化。
可选地,可以根据上述获取的服务提供方的申诉信息以及服务提供方的申诉信息所对应的预测结果,对判责模型的训练数据进行更新,不断扩充样本服务请求中的样本数据。从而可以根据更新后的数据,不断的对模型进行训练,以达到模型优化的效果。
综上所述,本实施例提供的服务请求处理方法,通过采用预先训练的判责模型,对被取消的服务请求进行服务请求方是否有责的判定。其中,预先训练的判责模型具有与上述实施例所提供的判责模型的训练方法,训练得到的判责模型相同的技术效果,从而使得根据该预先训练的判责模型进行服务请求方是否有责的判定时,判定结果的准确性和可靠性较高,且反馈给服务提供方的有责场景的准确性也较高,具有较好的说服力。
另外,该方法还进一步地根据服务提供方的申诉结果及判责结果,对模型训练的样本数据进行更新,并根据更新后的数据进行模型训练,从而对判责模型进行了优化,有效提升了判责模型的判责准确率。
下述对用以执行的本申请所提供的判责模型的训练方法、及服务请求处理方法的装置、设备及存储介质等进行说明,其具体的实现过程以及技术效果参见上述,下述不再赘述。
图7示出了本申请实施例提供的一种判责模型的训练装置的示意图,如图7所示,该装置可以包括:确定模块501、标注模块502、获取模块503、训练模块504;
确定模块501,用于根据服务请求方的服务投诉信息,从被取消的多个历史服务请求中,确定被投诉的服务请求作为样本服务请求;
标注模块502,用于根据预设的服务提供方有责的标准作业程序SOP,对样本服务请求进行标注,使得样本服务请求中标注有:第一标注信息,第一标注信息用于指示是否为服务提供方责任;
获取模块503,用于对样本服务请求进行特征提取,得到样本服务请求的特征信息;
训练模块504,用于根据第一标注信息以及特征信息,进行模型训练,得到判责模型,判责模型用于判定服务请求的取消是否为服务提供方的责任。
可选地,标注模块502,还用于根据预设的SOP对应的有责场景,对样本服务请求进行标注,使得样本服务请求中标注有:第二标注信息,第二标注信息用于指示服务提供方的有责场景;
训练模块504,还用于根据第一标注信息、第二标注信息,以及特征信息,进行模型训练,得到判责模型;判责模型还用于判定服务请求对应服务提供方的有责场景。
可选地,若样本服务请求标注有多个第二标注信息,每个第二标注信息对应服务提供方的一个有责场景,每个第二标注信息还具有对应的场景优先级。
可选地,确定模块501,还用于根据各有责场景下服务请求方的投诉转化率,确定各有责场景的场景优先级。
可选地,特征信息包括如下至少一种信息:服务请求的基础信息、服务请求的服务提供方画像信息、服务请求的服务请求方画像信息。
图8示出了本申请实施例提供的一种服务请求处理装置的示意图,如图8所示,该装置可以包括:获取模块601、预测模块602;
获取模块601,用于获取被取消的服务请求;
预测模块602,用于采用预先训练的判责模型,对被取消的服务请求进行处理,确定被取消的服务请求的预测结果,预测结果包括:责任指示信息,责任指示信息,用于指示被取消的服务请求是否为服务提供方的责任;判责模型为采用上述训练装置得到的模型。
可选地,若责任指示信息指示被取消的服务请求为服务提供方的责任,预测结果还包括:有责场景指示信息,有责场景指示信息,用于指示被取消的服务请求对应的服务提供方的有责场景。
可选地,若所述被取消的服务请求对应的服务提供方的有责场景为多个,则所述有责场景指示信息包括:多个有责场景的指示信息;如图9所示,该装置还可以包括确定模块603、返回模块604;
确定模块603,用于根据多个有责场景的优先级,从多个有责场景中,确定优先级最高的至少一个有责场景为目标责任场景;
返回模块604,用于向被取消的服务请求对应的服务提供方返回判责结果,判责结果包括:责任指示信息,以及目标责任场景的指示信息。
可选地,如图10所示,该装置还可以包括更新模块605、优化模块606;
获取模块601,还用于获取被取消的服务请求对应的服务提供方的申诉信息;
更新模块605,用于根据预测结果,以及申诉信息,对判责模型的训练数据进行更新;
优化模块606,用于根据更新后的训练数据进行判责模型的优化。
上述装置可用于执行上述方法实施例提供的方法,具体实现方式和技术效果类似,这里不再赘述。
图11示出了本申请实施例提供的电子设备的结构示意图,如图11所示,该电子设备可以包括:处理器901和存储器902,其中:存储器902用于存储程序,处理器901调用存储器902存储的程序,以执行上述方法实施例。具体实现方式和技术效果类似,这里不再赘述。
该装置可以集成于终端或服务器等设备,本申请中不作限制。
可选地,本发明还提供一种程序产品,例如计算机可读存储介质,包括程序,该程序在被处理器执行时用于执行上述方法实施例。
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 (20)
1.一种判责模型的训练方法,其特征在于,包括:
根据服务请求方的服务投诉信息,从被取消的多个历史服务请求中,确定被投诉的服务请求作为样本服务请求;
根据预设的服务提供方有责的标准作业程序SOP,对样本服务请求进行标注,使得所述样本服务请求中标注有:第一标注信息,所述第一标注信息用于指示是否为服务提供方责任;
对所述样本服务请求进行特征提取,得到所述样本服务请求的特征信息;
根据所述第一标注信息以及所述特征信息,进行模型训练,得到判责模型,所述判责模型用于判定服务请求的取消是否为服务提供方的责任。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据预设的所述SOP对应的有责场景,对所述样本服务请求进行标注,使得所述样本服务请求中标注有:第二标注信息,所述第二标注信息用于指示服务提供方的有责场景;
所述根据所述第一标注信息以及所述特征信息,进行模型训练,得到所述判责模型,包括:
根据所述第一标注信息、所述第二标注信息,以及所述特征信息,进行模型训练,得到所述判责模型;所述判责模型还用于判定服务请求对应服务提供方的有责场景。
3.根据权利要求2所述的方法,其特征在于,若所述样本服务请求标注有多个所述第二标注信息,每个所述第二标注信息对应服务提供方的一个有责场景,每个所述第二标注信息还具有对应的场景优先级。
4.根据权利要求3所述的方法,其特征在于,所述根据预设的所述SOP对应的有责场景,对所述样本服务请求进行标注之前,所述方法还包括:
根据各有责场景下服务请求方的投诉转化率,确定所述各有责场景的场景优先级。
5.根据权利要求1-4中任一所述的方法,其特征在于,所述特征信息包括如下至少一种信息:服务请求的基础信息、所述服务请求的服务提供方画像信息、所述服务请求的服务请求方画像信息。
6.一种服务请求处理方法,其特征在于,包括:
获取被取消的服务请求;
采用预先训练的判责模型,对所述被取消的服务请求进行处理,确定所述被取消的服务请求的预测结果,所述预测结果包括:责任指示信息,所述责任指示信息,用于指示所述被取消的服务请求是否为服务提供方的责任;所述判责模型为采用上述权利要求1-5中任一所述的训练方法得到的模型。
7.根据权利要求6所述的方法,其特征在于,若所述责任指示信息指示所述被取消的服务请求为服务提供方的责任,所述预测结果还包括:有责场景指示信息,所述有责场景指示信息,用于指示所述被取消的服务请求对应的服务提供方的有责场景。
8.根据权利要求7所述的方法,其特征在于,若所述被取消的服务请求对应的服务提供方的有责场景为多个,则所述有责场景指示信息包括:多个有责场景的指示信息;所述方法还包括:
根据所述多个有责场景的优先级,从所述多个有责场景中,确定优先级最高的至少一个有责场景为目标责任场景;
向所述被取消的服务请求对应的服务提供方返回判责结果,所述判责结果包括:所述责任指示信息,以及所述目标责任场景的指示信息。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
获取所述被取消的服务请求对应的服务提供方的申诉信息;
根据所述预测结果,以及所述申诉信息,对所述判责模型的训练数据进行更新;
根据更新后的所述训练数据进行所述判责模型的优化。
10.一种判责模型的训练装置,其特征在于,包括:确定模块、标注模块、获取模块、训练模块;
所述确定模块,用于根据服务请求方的服务投诉信息,从被取消的多个历史服务请求中,确定被投诉的服务请求作为样本服务请求;
所述标注模块,用于根据预设的服务提供方有责的标准作业程序SOP,对样本服务请求进行标注,使得所述样本服务请求中标注有:第一标注信息,所述第一标注信息用于指示是否为服务提供方责任;
所述获取模块,用于对所述样本服务请求进行特征提取,得到所述样本服务请求的特征信息;
所述训练模块,用于根据所述第一标注信息以及所述特征信息,进行模型训练,得到判责模型,所述判责模型用于判定服务请求的取消是否为服务提供方的责任。
11.根据权利要求10所述的装置,其特征在于,所述标注模块,还用于根据预设的所述SOP对应的有责场景,对所述样本服务请求进行标注,使得所述样本服务请求中标注有:第二标注信息,所述第二标注信息用于指示服务提供方的有责场景;
所述训练模块,还用于根据所述第一标注信息、所述第二标注信息,以及所述特征信息,进行模型训练,得到所述判责模型;所述判责模型还用于判定服务请求对应服务提供方的有责场景。
12.根据权利要求11所述的装置,其特征在于,若所述样本服务请求标注有多个所述第二标注信息,每个所述第二标注信息对应服务提供方的一个有责场景,每个所述第二标注信息还具有对应的场景优先级。
13.根据权利要求12所述的装置,其特征在于,所述确定模块,还用于根据各有责场景下服务请求方的投诉转化率,确定所述各有责场景的场景优先级。
14.根据权利要求10-13中任一所述的装置,其特征在于,所述特征信息包括如下至少一种信息:服务请求的基础信息、所述服务请求的服务提供方画像信息、所述服务请求的服务请求方画像信息。
15.一种服务请求处理装置,其特征在于,包括:获取模块、预测模块;
所述获取模块,用于获取被取消的服务请求;
所述预测模块,用于采用预先训练的判责模型,对所述被取消的服务请求进行处理,确定所述被取消的服务请求的预测结果,所述预测结果包括:责任指示信息,所述责任指示信息,用于指示所述被取消的服务请求是否为服务提供方的责任;所述判责模型为采用上述权利要求1-5中任一所述的训练方法得到的模型。
16.根据权利要求15所述的装置,其特征在于,若所述责任指示信息指示所述被取消的服务请求为服务提供方的责任,所述预测结果还包括:有责场景指示信息,所述有责场景指示信息,用于指示所述被取消的服务请求对应的服务提供方的有责场景。
17.根据权利要求16所述的装置,其特征在于,若所述被取消的服务请求对应的服务提供方的有责场景为多个,则所述有责场景指示信息包括:多个有责场景的指示信息,装置还包括确定模块、返回模块;
所述确定模块,用于根据所述多个有责场景的优先级,从所述多个有责场景中,确定优先级最高的至少一个有责场景为目标责任场景;
所述返回模块,用于向所述被取消的服务请求对应的服务提供方返回判责结果,所述判责结果包括:所述责任指示信息,以及所述目标责任场景的指示信息。
18.根据权利要求17所述的装置,其特征在于,还包括更新模块、优化模块;
所述获取模块,还用于获取所述被取消的服务请求对应的服务提供方的申诉信息;
所述更新模块,用于根据所述预测结果,以及所述申诉信息,对所述判责模型的训练数据进行更新;
所述优化模块,用于根据更新后的所述训练数据进行所述判责模型的优化。
19.一种电子设备,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,当电子设备运行时,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至9任一项所述的方法的步骤。
20.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至9任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911329083.8A CN111860927A (zh) | 2019-12-20 | 2019-12-20 | 模型的训练方法、服务请求处理方法、装置、设备及介质 |
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 |
---|---|---|---|
CN201911329083.8A CN111860927A (zh) | 2019-12-20 | 2019-12-20 | 模型的训练方法、服务请求处理方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111860927A true CN111860927A (zh) | 2020-10-30 |
Family
ID=72970761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911329083.8A Pending CN111860927A (zh) | 2019-12-20 | 2019-12-20 | 模型的训练方法、服务请求处理方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860927A (zh) |
Cited By (2)
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 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590065A (zh) * | 2016-07-08 | 2018-01-16 | 阿里巴巴集团控股有限公司 | 算法模型检测方法、装置、设备及系统 |
WO2018032295A1 (zh) * | 2016-08-16 | 2018-02-22 | 华为技术有限公司 | 事故现场还原方法、装置及运动监控设备 |
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 |
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 |
CN110163432A (zh) * | 2019-05-17 | 2019-08-23 | 北京三快在线科技有限公司 | 一种订单识别的方法及装置 |
-
2019
- 2019-12-20 CN CN201911329083.8A patent/CN111860927A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590065A (zh) * | 2016-07-08 | 2018-01-16 | 阿里巴巴集团控股有限公司 | 算法模型检测方法、装置、设备及系统 |
WO2018032295A1 (zh) * | 2016-08-16 | 2018-02-22 | 华为技术有限公司 | 事故现场还原方法、装置及运动监控设备 |
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 |
CN110163432A (zh) * | 2019-05-17 | 2019-08-23 | 北京三快在线科技有限公司 | 一种订单识别的方法及装置 |
Cited By (2)
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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109974735B (zh) | 到达时间的预估方法、装置及计算机设备 | |
CN112819576B (zh) | 充电站推荐模型的训练方法、装置、及充电站的推荐方法 | |
CN110287332B (zh) | 云环境下仿真模型选择方法与装置 | |
CN111325374A (zh) | 一种订单取消概率的预测方法、装置和电子设备 | |
CN111860927A (zh) | 模型的训练方法、服务请求处理方法、装置、设备及介质 | |
CN116166405B (zh) | 异构场景下的神经网络任务调度策略确定方法及装置 | |
CN111797022A (zh) | 分单业务的测试用例生成方法、装置、电子设备及介质 | |
CN111476389A (zh) | 一种预估接单等待时长的方法及装置 | |
CN105763595A (zh) | 一种提高数据处理效率的方法及服务器 | |
CN112329965A (zh) | 乘车服务调度方法、装置、电子设备及存储介质 | |
CN112418341A (zh) | 模型融合方法、预测方法、装置、设备及存储介质 | |
CN111859172B (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
CN113032258B (zh) | 一种电子地图的测试方法、装置、电子设备及存储介质 | |
CN111090401B (zh) | 存储设备性能预测方法及装置 | |
CN111813674A (zh) | 分单业务的压测方法、装置、电子设备及存储介质 | |
CN117331668A (zh) | 一种作业调度方法、装置、设备及存储介质 | |
CN111859289A (zh) | 交通工具的交易转化率预估方法、装置、电子设备及介质 | |
CN110910191A (zh) | 拼车订单生成方法及设备 | |
CN111260384B (zh) | 服务订单处理方法、装置、电子设备及存储介质 | |
CN114066079B (zh) | 一种基于多租户的网约车供需差预测方法及装置 | |
CN111798283A (zh) | 订单派发方法、装置、电子设备及计算机可读存储介质 | |
CN111260424A (zh) | 一种信息处理方法及装置 | |
US20220327650A1 (en) | Transportation bubbling at a ride-hailing platform and machine learning | |
CN110990219B (zh) | 一种基于预测模型的计算机监控方法 | |
CN112417767A (zh) | 一种衰减趋势确定模型构建方法、衰减趋势确定方法 |
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 |