CN111861501A - 申诉处理方法、处理系统、计算机设备及存储介质 - Google Patents
申诉处理方法、处理系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111861501A CN111861501A CN201911290485.1A CN201911290485A CN111861501A CN 111861501 A CN111861501 A CN 111861501A CN 201911290485 A CN201911290485 A CN 201911290485A CN 111861501 A CN111861501 A CN 111861501A
- Authority
- CN
- China
- Prior art keywords
- complaint
- information
- sampling
- scene
- processing
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 130
- 238000003672 processing method Methods 0.000 title claims abstract description 32
- 238000005070 sampling Methods 0.000 claims description 105
- 238000000034 method Methods 0.000 claims description 38
- 238000002372 labelling Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 238000007635 classification algorithm Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 11
- 238000013145 classification model Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012360 testing method 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
本发明提出了一种申诉处理方法、处理系统、计算机设备及存储介质。其中,申诉处理方法包括:获取订单信息和申诉信息;根据申诉信息识别申诉场景,获取与申诉场景对应的处理策略;根据处理策略和订单信息,确定申诉信息是否成立。本发明的技术方案,能够结合申诉场景对申诉信息的虚假进行精准地判别,无需人工客服审核申诉信息,节约人力成本和时间,提高对申诉信息识别的有效性。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种申诉处理方法、申诉处理系统、计算机设备及计算机可读存储介质。
背景技术
为营造良好的网约车出行体验环境,网约车平台会制定一系列的规则及奖惩措施,如:当匹配驾驶员和乘客形成一笔订单后,驾驶员如果取消订单,则扣除驾驶员服务分。在驾驶员不认可某次奖惩处理后,可以向平台提出申诉,如果驾驶员的申诉符合实际情况,则可免除本次奖惩处理。然而,驾驶员的申诉并不一定符合真实情况,即,可能出现虚假申诉的情况。在驾驶员申诉为虚假时,平台也不应该免除奖惩处理,如何识别驾驶员的申诉是否虚假具有重要意义。
相关技术中包括以下两种识别方法:
(1)基于驾驶员历史档案信息的综合信用评定方法,通过对驾驶员的历史完成订单数、取消订单数、申诉次数、乘客差评数等进行信用等级评估,如果驾驶员的信用评分过低,则认为驾驶员的申诉属于虚假。驾驶员的信用体现的是驾驶员是否会产生不当行为的可能性大小,通过历史的行为信息进行判定,而无法对单笔订单的驾驶员行为进行判定。由此存在两个主要的问题:以驾驶员的历史评估用户的未来行为缺少证据,驾驶员会对自己在单次订单中的奖惩产生不认可;对于没有历史信息的驾驶员(新驾驶员)无法进行评定。
(2)基于订单信息查看的人工核实方法,平台建立查看订单信息的工具,由人工客服进行查看,判定驾驶员是否描述了虚假的信息。该方法主要存在以下两个问题:由于人工核实需要对各种信息进行思考判断,难以考虑多个问题,如驾驶员通过电话联系诱导乘客取消订单,人工如果仅查看了订单的基本信息而没有听通话录音,则遗漏了关键信息;成本较高,由于视频、通话等时间较长,人工核实需要花费较久的时间,由此在订单量级较大时,所需人力成本较高。
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申诉处理方法。
本发明的另一个方面在于提出了一种申诉处理系统。
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,提出了一种申诉处理方法,包括:获取订单信息和申诉信息;根据申诉信息识别申诉场景,获取与申诉场景对应的处理策略;根据处理策略和订单信息,确定申诉信息是否成立。
本发明提供的申诉处理方法,获取驾驶员选择和填加的申诉信息,根据申诉信息进行申诉场景识别,不同的申诉场景对应不同的处理策略,利用与申诉场景对应的处理策略将申诉信息与订单信息的实际事实的一致性进行判定,确定申诉信息是否成立。本发明的技术方案,能够结合申诉场景对申诉信息的虚假进行精准地判别,无需人工客服审核申诉信息,节约人力成本和时间,提高对申诉信息识别的有效性。
根据本发明的上述申诉处理方法,还可以具有以下技术特征:
在上述技术方案中,还包括:确定申诉信息不成立时,提示申诉信息不成立的原因。
在该技术方案中,在确定申诉信息不成立时,将申诉信息不成立的原因进行提示,以供驾驶员和人工客服知晓判别的准则。
在上述任一技术方案中,根据处理策略和订单信息,确定申诉信息是否成立的步骤,具体包括:获取订单信息中的语音或视频信息;利用将申诉信息与语音或视频信息进行比对的处理策略,确定申诉信息是否成立。
在该技术方案中,在一些场景下可利用语音或视频信息对申诉信息的真假进行识别。例如,在驾驶员申诉乘客超载所以无法完成服务的申诉场景下,通过识别订单信息中的语音中是否有关键字,乘客提到同行共有x个人(x大于限载人数n),或者识别订单信息中的视频中是否出现多于n个人出现,若均不满足,则识别出驾驶员申诉为虚假。而申诉信息不成立的原因可以解释为:某时某分某秒的语音或视频显示,驾驶员所申诉的内容不成立。
在上述任一技术方案中,根据处理策略和订单信息,确定申诉信息是否成立的步骤,具体包括:利用判断订单信息是否符合预存规则的处理策略,确定申诉信息是否成立。
在该技术方案中,在一些场景下可利用预存规则对申诉信息的真假进行判别,其中预存规则是根据专家经验进行总结得到的规则,预存规则可以包括距离不能超过距离阈值、时间不能超过时间阈值等。例如,在驾驶员申诉派单距离(即驾驶员接单点至乘客上车点的直线距离或路面距离)太远所以无法完成服务的申诉场景下,判断派单距离是否超过y公里(且排除高架、路口等特殊情况),如果未超过y公里,则识别出驾驶员申诉为虚假。而申诉信息不成立的原因可以解释为:根据某某规则,驾驶员所申诉的内容不成立。
在上述任一技术方案中,根据处理策略和订单信息,确定申诉信息是否成立的步骤,具体包括:根据订单信息,利用申诉处理模型确定申诉信息是否成立。
在该技术方案中,对于主要存在以下的问题的其他类别的场景可通过预先训练好的申诉处理模型判断申诉信息是否成立,问题包括:场景复杂,较难通过确定的语音和视频识别或者制定规则来识别虚假;在复杂场景下较难对识别虚假的原因给出解释;除了考虑申诉是否是虚假,还要判定驾驶员申诉是否能通过,是否能通过指的是驾驶员能否根据该申诉信息免除惩罚处理,虚假的申诉肯定不能通过,真实的申诉可能不能通过。也就是说,对与复杂场景可以通过申诉处理模型判断申诉信息是否成立,提高申诉信息虚假识别的有效性。而申诉信息不成立的原因可以为判断驾驶员申诉不能通过的概率最大的原因项。
在上述任一技术方案中,还包括:获取采样订单信息和采样订单信息对应的采样申诉信息;解析采样申诉信息,获取采样申诉标签和采样申诉填加信息;利用采样订单信息、采样申诉标签和采样申诉填加信息,建立申诉处理模型。
在该技术方案中,建立精确的申诉处理模型,申诉处理模型可以为多任务学习的深度神经网络模型。在多任务学习的特征部分,主要包括订单特征与申诉特征。对于订单特征,主要包括时间类、距离类、坐标类、轨迹类、拥堵类、导航类等多方面的特征,用以刻画本订单的真实情况,申诉特征包括申诉标签和申诉填加信息(申诉填加信息包括文本信息和/或图像信息)。上述特征同时进行深度训练,其主任务为申诉是否通过、申诉项是否成立(即判定是否虚假)、驾驶员判责原因。
在上述任一技术方案中,根据申诉信息识别申诉场景的步骤,具体包括:解析申诉信息,获取申诉标签和申诉填加信息;根据申诉标签和申诉填加信息,利用场景识别模型识别申诉场景。
在该技术方案中,申诉信息包括申诉标签和申诉填加信息,申诉标签即为驾驶员在终端应用程序中点击选择的申诉选项,申诉填加信息为驾驶员另外填加的信息,可包括文本信息和/或图像信息,根据申诉标签和申诉填加信息,利用场景识别模型识别申诉场景,从而为识别申诉信息的真伪提供处理依据。
在上述任一技术方案中,还包括:获取采样申诉信息;解析采样申诉信息,获取采样申诉标签和采样申诉填加信息;对采样申诉标签进行场景标注;利用采样申诉填加信息和场景标注后的采样申诉标签,建立场景识别模型。
在该技术方案中,建立场景识别模型主要包括两个步骤:第一步骤,对应于驾驶员所选择的申诉标签进行场景映射,具体包括:(1)将同类型的标签映射至同一场景;(2)将驾驶员选择错误的标签进行更正;(3)对于驾驶员选择“其他”这一标签的部分,根据驾驶员另外填加的申诉原因,映射至对应的场景上。第二步骤,文本分类或图像分类,驾驶员另外填加的申诉原因可以为文本信息也可以为图像信息。使用申诉标签作为标记,使用文本分类算法,将驾驶员另外填加的文本信息进行预处理、特征表示、模型训练、模型评估,从而训练得到一个多分类的文本分类模型,即场景识别模型。其中,文本分类算法可以采用端到端的深度学习模型,如TextCNN(文本卷积神经网络)、TestRNN(测试循环神经网络)、RCNN(候选区域卷积神经网络)、Bert(语义表示模型)等。或者通过图像识别的方式,进行图像分类,使用申诉标签作为标记,通过图像分类算法得到一个多分类的图像分类模型,即场景识别模型。其中,图像分类算法可以采用GoogleNet(一种深度学习结构)、ResNet(ResigualNeural Network,残差神经网络)、DenseNet(Dense神经网络)等。
根据本发明的另一个方面,提出了一种申诉处理系统,包括:信息获取单元,用于获取订单信息和申诉信息;场景识别单元,用于根据申诉信息识别申诉场景,获取与申诉场景对应的处理策略;判断单元,用于根据处理策略和订单信息,确定申诉信息是否成立。
本发明提供的申诉处理系统,信息获取单元获取驾驶员选择和填加的申诉信息,场景识别单元根据申诉信息进行申诉场景识别,不同的申诉场景对应不同的处理策略,判断单元利用与申诉场景对应的处理策略将申诉信息与订单信息的实际事实的一致性进行判定,确定申诉信息是否成立。本发明的技术方案,能够结合申诉场景对申诉信息的虚假进行精准地判别,无需人工客服审核申诉信息,节约人力成本和时间,提高对申诉信息识别的有效性。
根据本发明的上述申诉处理系统,还可以具有以下技术特征:
在上述技术方案中,还包括:提示单元,用于确定申诉信息不成立时,提示申诉信息不成立的原因。
在该技术方案中,在确定申诉信息不成立时,提示单元将申诉信息不成立的原因进行提示,以供驾驶员和人工客服知晓判别的准则。
在上述任一技术方案中,判断单元,具体用于获取订单信息中的语音或视频信息,以及利用将申诉信息与语音或视频信息进行比对的处理策略,确定申诉信息是否成立。
在该技术方案中,在一些场景下可利用语音或视频信息对申诉信息的真假进行识别。例如,在驾驶员申诉乘客超载所以无法完成服务的申诉场景下,通过识别订单信息中的语音中是否有关键字,乘客提到同行共有x个人(x大于限载人数n),或者识别订单信息中的视频中是否出现多于n个人出现,若均不满足,则识别出驾驶员申诉为虚假。而申诉信息不成立的原因可以解释为:某时某分某秒的语音或视频显示,驾驶员所申诉的内容不成立。
在上述任一技术方案中,判断单元,具体用于利用判断订单信息是否符合预存规则的处理策略,确定申诉信息是否成立。
在该技术方案中,在一些场景下可利用预存规则对申诉信息的真假进行判别,其中预存规则是根据专家经验进行总结得到的规则,预存规则可以包括距离不能超过距离阈值、时间不能超过时间阈值等。例如,在驾驶员申诉派单距离(即驾驶员接单点至乘客上车点的直线距离或路面距离)太远所以无法完成服务的申诉场景下,判断派单距离是否超过y公里(且排除高架、路口等特殊情况),如果未超过y公里,则识别出驾驶员申诉为虚假。而申诉信息不成立的原因可以解释为:根据某某规则,驾驶员所申诉的内容不成立。
在上述任一技术方案中,判断单元,具体用于根据订单信息,利用申诉处理模型确定申诉信息是否成立。
在该技术方案中,对于主要存在以下的问题的其他类别的场景可通过预先训练好的申诉处理模型判断申诉信息是否成立,问题包括:场景复杂,较难通过确定的语音和视频识别或者制定规则来识别虚假;在复杂场景下较难对识别虚假的原因给出解释;除了考虑申诉是否是虚假,还要判定驾驶员申诉是否能通过,是否能通过指的是驾驶员能否根据该申诉信息免除惩罚处理,虚假的申诉肯定不能通过,真实的申诉可能不能通过。也就是说,对与复杂场景可以通过申诉处理模型判断申诉信息是否成立,提高申诉信息虚假识别的有效性。而申诉信息不成立的原因可以为判断驾驶员申诉不能通过的概率最大的原因项。
在上述任一技术方案中,还包括:第一模型建立单元,用于获取采样订单信息和采样订单信息对应的采样申诉信息;解析采样申诉信息,获取采样申诉标签和采样申诉填加信息;利用采样订单信息、采样申诉标签和采样申诉填加信息,建立申诉处理模型。
在该技术方案中,利用第一模型建立单元建立精确的申诉处理模型,申诉处理模型可以为多任务学习的深度神经网络模型。在多任务学习的特征部分,主要包括订单特征与申诉特征。对于订单特征,主要包括时间类、距离类、坐标类、轨迹类、拥堵类、导航类等多方面的特征,用以刻画本订单的真实情况,申诉特征包括申诉标签和申诉填加信息(申诉填加信息包括文本信息和/或图像信息)。上述特征同时进行深度训练,其主任务为申诉是否通过、申诉项是否成立(即判定是否虚假)、驾驶员判责原因。
在上述任一技术方案中,场景识别单元,具体用于解析申诉信息,获取申诉标签和申诉填加信息,以及根据申诉标签和申诉填加信息,利用场景识别模型识别申诉场景。
在该技术方案中,申诉信息包括申诉标签和申诉填加信息,申诉标签即为驾驶员在终端应用程序中点击选择的申诉选项,申诉填加信息为驾驶员另外填加的信息,可包括文本信息和/或图像信息,根据申诉标签和申诉填加信息,利用场景识别模型识别申诉场景,从而为识别申诉信息的真伪提供处理依据。
在上述任一技术方案中,还包括:第二模型建立单元,用于获取采样申诉信息;解析采样申诉信息,获取采样申诉标签和采样申诉填加信息;对采样申诉标签进行场景标注;利用采样申诉填加信息和场景标注后的采样申诉标签,建立场景识别模型。
在该技术方案中,利用第二模型建立单元建立场景识别模型,主要包括两个步骤:第一步骤,对应于驾驶员所选择的申诉标签进行场景映射,具体包括:(1)将同类型的标签映射至同一场景;(2)将驾驶员选择错误的标签进行更正;(3)对于驾驶员选择“其他”这一标签的部分,根据驾驶员另外填加的申诉原因,映射至对应的场景上。第二步骤,文本分类或图像分类,驾驶员另外填加的申诉原因可以为文本信息也可以为图像信息。使用申诉标签作为标记,使用文本分类算法,将驾驶员另外填加的文本信息进行预处理、特征表示、模型训练、模型评估,从而训练得到一个多分类的文本分类模型,即场景识别模型。其中,文本分类算法可以采用端到端的深度学习模型,如TextCNN、TestRNN、RCNN、Bert等。或者通过图像识别的方式,进行图像分类,使用申诉标签作为标记,通过图像分类算法得到一个多分类的图像分类模型,即场景识别模型。其中,图像分类算法可以采用GoogleNet、ResNet、DenseNet等。
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申诉处理方法。
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申诉处理方法的步骤,因此该计算机设备包括上述任一技术方案的申诉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申诉处理方法。
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申诉处理方法的步骤,因此该计算机可读存储介质包括上述任一技术方案的申诉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申诉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申诉处理方法的流程示意图;
图3示出了本发明的第三个实施例的申诉处理方法的流程示意图;
图4示出了本发明的第四个实施例的申诉处理方法的流程示意图;
图5示出了本发明的第五个实施例的表达反馈的虚假识别方法的流程示意图;
图6示出了本发明的实施例的虚假识别类别的示意图;
图7示出了本发明的实施例的多任务学习的深度神经网络模型的结构图;
图8示出了本发明的第一个实施例的申诉处理系统的示意框图;
图9示出了本发明的第二个实施例的申诉处理系统的示意框图;
图10示出了本发明的第三个实施例的申诉处理系统的示意框图;
图11示出了本发明的第四个实施例的申诉处理系统的示意框图。
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,提出一种申诉处理方法,通过以下实施例对该申诉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申诉处理方法的流程示意图。其中,该方法包括:
步骤102,获取订单信息和申诉信息;
步骤104,根据申诉信息识别申诉场景,获取与申诉场景对应的处理策略;
步骤106,根据处理策略和订单信息,确定申诉信息是否成立。
本发明提供的申诉处理方法,获取驾驶员选择和填加的申诉信息,根据申诉信息进行申诉场景识别,不同的申诉场景对应不同的处理策略,利用与申诉场景对应的处理策略将申诉信息与订单信息的实际事实的一致性进行判定,确定申诉信息是否成立。本发明的技术方案,能够结合申诉场景对申诉信息的虚假进行精准地判别,无需人工客服审核申诉信息,节约人力成本和时间,提高对申诉信息识别的有效性。
在上述任一技术方案中,步骤106,根据处理策略和订单信息,确定申诉信息是否成立,具体包括:获取订单信息中的语音或视频信息;利用将申诉信息与语音或视频信息进行比对的处理策略,确定申诉信息是否成立。
在该技术方案中,在一些场景下可利用语音或视频信息对申诉信息的真假进行识别。例如,在驾驶员申诉乘客超载所以无法完成服务的申诉场景下,通过识别订单信息中的语音中是否有关键字,乘客提到同行共有x个人(x大于限载人数n),或者识别订单信息中的视频中是否出现多于n个人出现,若均不满足,则识别出驾驶员申诉为虚假。而申诉信息不成立的原因可以解释为:某时某分某秒的语音或视频显示,驾驶员所申诉的内容不成立。
在上述任一技术方案中,步骤106,根据处理策略和订单信息,确定申诉信息是否成立,具体包括:利用判断订单信息是否符合预存规则的处理策略,确定申诉信息是否成立。
在该技术方案中,在一些场景下可利用预存规则对申诉信息的真假进行判别,其中预存规则是根据专家经验进行总结得到的规则,预存规则可以包括距离不能超过距离阈值、时间不能超过时间阈值等。例如,在驾驶员申诉派单距离(即驾驶员接单点至乘客上车点的直线距离或路面距离)太远所以无法完成服务的申诉场景下,判断派单距离是否超过y公里(且排除高架、路口等特殊情况),如果未超过y公里,则识别出驾驶员申诉为虚假。而申诉信息不成立的原因可以解释为:根据某某规则,驾驶员所申诉的内容不成立。
在上述任一技术方案中,步骤106,根据处理策略和订单信息,确定申诉信息是否成立,具体包括:根据订单信息,利用申诉处理模型确定申诉信息是否成立。
在该技术方案中,对于主要存在以下的问题的其他类别的场景可通过预先训练好的申诉处理模型判断申诉信息是否成立,问题包括:场景复杂,较难通过确定的语音和视频识别或者制定规则来识别虚假;在复杂场景下较难对识别虚假的原因给出解释;除了考虑申诉是否是虚假,还要判定驾驶员申诉是否能通过,是否能通过指的是驾驶员能否根据该申诉信息免除惩罚处理,虚假的申诉肯定不能通过,真实的申诉可能不能通过。也就是说,对与复杂场景可以通过申诉处理模型判断申诉信息是否成立,提高申诉信息虚假识别的有效性。而申诉信息不成立的原因可以为判断驾驶员申诉不能通过的概率最大的原因项。
实施例二,图2示出了本发明的第二个实施例的申诉处理方法的流程示意图。其中,该方法包括:
步骤202,获取订单信息和申诉信息;
步骤204,根据申诉信息识别申诉场景,获取与申诉场景对应的处理策略;
步骤206,根据处理策略和订单信息,确定申诉信息是否成立,以及确定申诉信息不成立时,提示申诉信息不成立的原因。
在该技术方案中,在确定申诉信息不成立时,将申诉信息不成立的原因进行提示,以供驾驶员和人工客服知晓判别的准则。
在上述任一技术方案中,步骤206中,根据处理策略和订单信息,确定申诉信息是否成立,具体包括:获取订单信息中的语音或视频信息;利用将申诉信息与语音或视频信息进行比对的处理策略,确定申诉信息是否成立。
在上述任一技术方案中,步骤206中,根据处理策略和订单信息,确定申诉信息是否成立,具体包括:利用判断订单信息是否符合预存规则的处理策略,确定申诉信息是否成立。
在上述任一技术方案中,步骤206中,根据处理策略和订单信息,确定申诉信息是否成立,具体包括:根据订单信息,利用申诉处理模型确定申诉信息是否成立。
实施例三,图3示出了本发明的第三个实施例的申诉处理方法的流程示意图。其中,该方法包括:
步骤302,获取采样订单信息和采样订单信息对应的采样申诉信息;解析采样申诉信息,获取采样申诉标签和采样申诉填加信息;利用采样订单信息、采样申诉标签和采样申诉填加信息,建立申诉处理模型;
步骤304,获取订单信息和申诉信息;
步骤306,根据申诉信息识别申诉场景,获取与申诉场景对应的处理策略;
步骤308,根据订单信息,利用申诉处理模型确定申诉信息是否成立,以及确定申诉信息不成立时,提示申诉信息不成立的原因。
在该技术方案中,建立精确的申诉处理模型,申诉处理模型可以为多任务学习的深度神经网络模型。在多任务学习的特征部分,主要包括订单特征与申诉特征。对于订单特征,主要包括时间类、距离类、坐标类、轨迹类、拥堵类、导航类等多方面的特征,用以刻画本订单的真实情况,申诉特征包括申诉标签和申诉填加信息(申诉填加信息包括文本信息和/或图像信息)。上述特征同时进行深度训练,其主任务为申诉是否通过、申诉项是否成立(即判定是否虚假)、驾驶员判责原因。
实施例四,图4示出了本发明的第四个实施例的申诉处理方法的流程示意图。其中,该方法包括:
步骤402,获取采样申诉信息;解析采样申诉信息,获取采样申诉标签和采样申诉填加信息;对采样申诉标签进行场景标注;利用采样申诉填加信息和场景标注后的采样申诉标签,建立场景识别模型;
步骤404,获取订单信息和申诉信息;
步骤406,解析申诉信息,获取申诉标签和申诉填加信息;根据申诉标签和申诉填加信息,利用场景识别模型识别申诉场景;
步骤408,获取与申诉场景对应的处理策略;
步骤410,根据处理策略和订单信息,确定申诉信息是否成立,以及确定申诉信息不成立时,提示申诉信息不成立的原因。
在该技术方案中,建立场景识别模型主要包括两个步骤:第一步骤,对应于驾驶员所选择的申诉标签进行场景映射,具体包括:(1)将同类型的标签映射至同一场景;(2)将驾驶员选择错误的标签进行更正;(3)对于驾驶员选择“其他”这一标签的部分,根据驾驶员另外填加的申诉原因,映射至对应的场景上。第二步骤,文本分类或图像分类,驾驶员另外填加的申诉原因可以为文本信息也可以为图像信息。使用申诉标签作为标记,使用文本分类算法,将驾驶员另外填加的文本信息进行预处理、特征表示、模型训练、模型评估,从而训练得到一个多分类的文本分类模型,即场景识别模型。其中,文本分类算法可以采用端到端的深度学习模型,如TextCNN、TestRNN、RCNN、Bert等。或者通过图像识别的方式,进行图像分类,使用申诉标签作为标记,通过图像分类算法得到一个多分类的图像分类模型,即场景识别模型。其中,图像分类算法可以采用GoogleNet、ResNet、DenseNet等。
在识别申诉场景时,申诉信息包括申诉标签和申诉填加信息,申诉标签即为驾驶员在终端应用程序中点击选择的申诉选项,申诉填加信息为驾驶员另外填加的信息,可包括文本信息和/或图像信息,根据申诉标签和申诉填加信息,利用场景识别模型识别申诉场景,从而为识别申诉信息的真伪提供处理依据。
在上述任一技术方案中,步骤410中,根据处理策略和订单信息,确定申诉信息是否成立,具体包括:获取订单信息中的语音或视频信息;利用将申诉信息与语音或视频信息进行比对的处理策略,确定申诉信息是否成立。
在上述任一技术方案中,步骤410中,根据处理策略和订单信息,确定申诉信息是否成立,具体包括:利用判断订单信息是否符合预存规则的处理策略,确定申诉信息是否成立。
在上述任一技术方案中,步骤410中,根据处理策略和订单信息,确定申诉信息是否成立,具体包括:根据订单信息,利用申诉处理模型确定申诉信息是否成立。
需要说明的是,当利用申诉处理模型确定申诉信息是否成立时,需要预先建立申诉处理模型,建立申诉处理模型的步骤包括:获取采样订单信息和采样订单信息对应的采样申诉信息;解析采样申诉信息,获取采样申诉标签和采样申诉填加信息;利用采样订单信息、采样申诉标签和采样申诉填加信息,建立申诉处理模型。
实施例五,图5示出了本发明的第五个实施例的表达反馈的虚假识别方法的流程示意图。其中,该方法包括:
1、表达反馈场景识别
从数据库中选取预设时间段内驾驶员的申诉数据,该申诉数据主要包括各类详细的信息:驾驶员的ID(Identity Document,唯一编码)、申诉相关的订单ID、申诉时间、驾驶员所选择的申诉标签、驾驶员手动填写的申诉原因。在表达反馈场景识别中,主要包括两个子步骤:标签关系映射和文本分类。
(1)标签关系映射
对应于驾驶员所选择的标签进行映射。主要包括:将同类型的标签映射至同一原因;将驾驶员选择标签错误的部分进行更正;对于驾驶员选择“其他”这一标签的部分,根据驾驶员手动填写的申诉原因,映射至正确的标签上。
(2)文本分类
使用申诉标签作为行标记,使用文本分类算法,将驾驶员手动填写的申诉原因进行预处理、特征表示、模型训练、模型评估,从而训练得到一个多分类的文本分类模型。其中,文本分类算法可以采用端到端的深度学习模型,如TextCNN、TestRNN、RCNN、Bert等。
在另一实施例中,申诉数据包括驾驶员提供的图片证据。主要通过图像识别的方式,进行图像分类。类似的,使用申诉标签作为标记,通过图像分类算法得到一个多分类的图像分类模型。其中,图像分类算法可以采用GoogleNet、ResNet、DenseNet等。
2、虚假识别模型离线训练
根据上述识别得到的表达反馈场景,从数据库中获取对应订单的订单基本信息,主要包括:订单ID、驾驶员ID、乘客ID、订单创建时间、接单时间、接驾距离、驾驶员全程坐标点/时间、乘客全程坐标点/时间、司乘通话信息、司乘IM信息、司乘行程中录音/视频等。如图6所示,根据表达反馈场景,分为三个虚假识别类别:语音和视频识别判断、规则判断、多任务学习模型判断。
(1)语音/视频识别
对于语音和视频识别的部分,主要通过语音识别关键字和视频中关键图像识别进行。如:驾驶员申诉乘客超载故无法完成服务,在该场景下,通过识别语音中是否有关键字,乘客提到同行共有x个人(x大于限载人数n),或者识别视频中是否出现多于n个人出现,若均不满足,则识别出驾驶员表达反馈为虚假。
对于该部分的识别,解释输出原因为:某时某分某秒的语音/视频显示,所申诉的内容不成立。
(2)规则识别
对于规则部分的场景,是根据专家经验进行总结得到的规则识别虚假反馈方法。例如,驾驶员申诉派单距离(即,驾驶员接单点至乘客上车点的直线距离及路面距离)太远,则通过规则判断派单距离是否超过y公里(且排除高架、路口等特殊情况)。如果驾驶员未命中该规则,则认为驾驶员为虚假反馈。
对于该部分的识别,解释输出的原因为:根据某某规则,所申诉的内容不成立。
(3)多任务学习模型识别
对于其他类别的场景,主要存在以下的问题:场景复杂,较难通过确定的语音和视频识别或者制定规则来识别虚假;在复杂场景下较难对识别虚假的原因给出解释;除了考虑申诉是否是虚假,还要判定驾驶员申诉是否能通过(考虑存在驾驶员认知差异,存在驾驶员错误使用申诉理由,但是确实不应该被处罚的情况)。因此,构建多任务学习的深度神经网络模型,模型的网络结构如图7所示:在多任务学习的特征部分,主要包括订单特征与申诉特征。对于订单特征,主要包括时间类、距离类、坐标类、轨迹类、拥堵类、导航类等多方面的特征,用以刻画本订单的真实情况。申诉特征包括申诉标签(申诉tag)和申诉文本,在进行嵌入处理后,加入Attention层。上述特征同时进行深度训练,其主任务为申诉是否通过,并引入申诉项是否成立(即判定是否虚假)、驾驶员判责原因作为辅助任务。
对于该部分的识别,输出驾驶员判定原因的预测结果(即:判断驾驶员申诉不能通过的概率最大的原因项)。
3、模型上线
将训练好的模型部署至线上,即进行场景识别模型部署和虚假识别模型部署。当司机发起申诉进行表达反馈后,首先根据场景识别模型,根据司机选择的原因和输入的文本识别出申诉场景;然后根据场景进行分类,对不同场景选择不同的虚假识别模型。线上将实时根据模型的输出结果进行后续的判断。
4、结果输出
针对虚假识别模型输出结果,给出对应是否司机是虚假申诉的判断。同时,虚假识别模型的输出结果包括对应的解释原因,同时输出给客服,由客服对司机进行透传判定为虚假的原因。
本发明提出的反馈表达的虚假识别方法,利用申诉标签与申诉的填写文本,通过自然语言处理技术进行申诉场景识别,并根据不同场景将其划分为不同类别,分别使用语音/视频识别、规则、多任务学习的深度神经网络的方法识别用户表达反馈的真实性。
本发明第二方面的实施例,提出一种申诉处理系统,通过以下实施例对该申诉处理系统进行详细说明。
实施例一,图8示出了本发明的第一个实施例的申诉处理系统800的示意框图。其中,该申诉处理系统800包括:
信息获取单元802,用于获取订单信息和申诉信息;
场景识别单元804,用于根据申诉信息识别申诉场景,获取与申诉场景对应的处理策略;
判断单元806,用于根据处理策略和订单信息,确定申诉信息是否成立。
本发明提供的申诉处理系统,信息获取单元802获取驾驶员选择和填加的申诉信息,场景识别单元804根据申诉信息进行申诉场景识别,不同的申诉场景对应不同的处理策略,判断单元806利用与申诉场景对应的处理策略将申诉信息与订单信息的实际事实的一致性进行判定,确定申诉信息是否成立。本发明的技术方案,能够结合申诉场景对申诉信息的虚假进行精准地判别,无需人工客服审核申诉信息,节约人力成本和时间,提高对申诉信息识别的有效性。
在上述任一技术方案中,判断单元806,具体用于获取订单信息中的语音或视频信息,以及利用将申诉信息与语音或视频信息进行比对的处理策略,确定申诉信息是否成立。
在该技术方案中,在一些场景下可利用语音或视频信息对申诉信息的真假进行识别。例如,在驾驶员申诉乘客超载所以无法完成服务的申诉场景下,通过识别订单信息中的语音中是否有关键字,乘客提到同行共有x个人(x大于限载人数n),或者识别订单信息中的视频中是否出现多于n个人出现,若均不满足,则识别出驾驶员申诉为虚假。而申诉信息不成立的原因可以解释为:某时某分某秒的语音或视频显示,驾驶员所申诉的内容不成立。
在上述任一技术方案中,判断单元806,具体用于利用判断订单信息是否符合预存规则的处理策略,确定申诉信息是否成立。
在该技术方案中,在一些场景下可利用预存规则对申诉信息的真假进行判别,其中预存规则是根据专家经验进行总结得到的规则,预存规则可以包括距离不能超过距离阈值、时间不能超过时间阈值等。例如,在驾驶员申诉派单距离(即驾驶员接单点至乘客上车点的直线距离或路面距离)太远所以无法完成服务的申诉场景下,判断派单距离是否超过y公里(且排除高架、路口等特殊情况),如果未超过y公里,则识别出驾驶员申诉为虚假。而申诉信息不成立的原因可以解释为:根据某某规则,驾驶员所申诉的内容不成立。
在上述任一技术方案中,判断单元806,具体用于根据订单信息,利用申诉处理模型确定申诉信息是否成立。
在该技术方案中,对于主要存在以下的问题的其他类别的场景可通过预先训练好的申诉处理模型判断申诉信息是否成立,问题包括:场景复杂,较难通过确定的语音和视频识别或者制定规则来识别虚假;在复杂场景下较难对识别虚假的原因给出解释;除了考虑申诉是否是虚假,还要判定驾驶员申诉是否能通过,是否能通过指的是驾驶员能否根据该申诉信息免除惩罚处理,虚假的申诉肯定不能通过,真实的申诉可能不能通过。也就是说,对与复杂场景可以通过申诉处理模型判断申诉信息是否成立,提高申诉信息虚假识别的有效性。而申诉信息不成立的原因可以为判断驾驶员申诉不能通过的概率最大的原因项。
实施例二,图9示出了本发明的第二个实施例的申诉处理系统800的示意框图。其中,该申诉处理系统800包括:
信息获取单元802,用于获取订单信息和申诉信息;
场景识别单元804,用于根据申诉信息识别申诉场景,获取与申诉场景对应的处理策略;
判断单元806,用于根据处理策略和订单信息,确定申诉信息是否成立;
提示单元808,用于确定申诉信息不成立时,提示申诉信息不成立的原因。
在该技术方案中,在确定申诉信息不成立时,提示单元808将申诉信息不成立的原因进行提示,以供驾驶员和人工客服知晓判别的准则。
在上述任一技术方案中,判断单元806,具体用于获取订单信息中的语音或视频信息,以及利用将申诉信息与语音或视频信息进行比对的处理策略,确定申诉信息是否成立。
在上述任一技术方案中,判断单元806,具体用于利用判断订单信息是否符合预存规则的处理策略,确定申诉信息是否成立。
在上述任一技术方案中,判断单元806,具体用于根据订单信息,利用申诉处理模型确定申诉信息是否成立。
实施例三,图10示出了本发明的第三个实施例的申诉处理系统800的示意框图。其中,该申诉处理系统800包括:
信息获取单元802,用于获取订单信息和申诉信息;
场景识别单元804,用于根据申诉信息识别申诉场景,获取与申诉场景对应的处理策略;
判断单元806,用于根据订单信息,利用申诉处理模型确定申诉信息是否成立;
提示单元808,用于确定申诉信息不成立时,提示申诉信息不成立的原因;
第一模型建立单元810,用于获取采样订单信息和采样订单信息对应的采样申诉信息;解析采样申诉信息,获取采样申诉标签和采样申诉填加信息;利用采样订单信息、采样申诉标签和采样申诉填加信息,建立申诉处理模型。
在该技术方案中,利用第一模型建立单元810建立精确的申诉处理模型,申诉处理模型可以为多任务学习的深度神经网络模型。在多任务学习的特征部分,主要包括订单特征与申诉特征。对于订单特征,主要包括时间类、距离类、坐标类、轨迹类、拥堵类、导航类等多方面的特征,用以刻画本订单的真实情况,申诉特征包括申诉标签和申诉填加信息(申诉填加信息包括文本信息和/或图像信息)。上述特征同时进行深度训练,其主任务为申诉是否通过、申诉项是否成立(即判定是否虚假)、驾驶员判责原因。
实施例四,图11示出了本发明的第四个实施例的申诉处理系统800的示意框图。其中,该申诉处理系统800包括:
信息获取单元802,用于获取订单信息和申诉信息;
场景识别单元804,用于解析申诉信息,获取申诉标签和申诉填加信息,以及根据申诉标签和申诉填加信息,利用场景识别模型识别申诉场景,获取与申诉场景对应的处理策略;
判断单元806,用于根据处理策略和订单信息,确定申诉信息是否成立;
提示单元808,用于确定申诉信息不成立时,提示申诉信息不成立的原因;
第二模型建立单元812,用于获取采样申诉信息;解析采样申诉信息,获取采样申诉标签和采样申诉填加信息;对采样申诉标签进行场景标注;利用采样申诉填加信息和场景标注后的采样申诉标签,建立场景识别模型。
在该技术方案中,利用第二模型建立单元812建立场景识别模型,主要包括两个步骤:第一步骤,对应于驾驶员所选择的申诉标签进行场景映射,具体包括:(1)将同类型的标签映射至同一场景;(2)将驾驶员选择错误的标签进行更正;(3)对于驾驶员选择“其他”这一标签的部分,根据驾驶员另外填加的申诉原因,映射至对应的场景上。第二步骤,文本分类或图像分类,驾驶员另外填加的申诉原因可以为文本信息也可以为图像信息。使用申诉标签作为标记,使用文本分类算法,将驾驶员另外填加的文本信息进行预处理、特征表示、模型训练、模型评估,从而训练得到一个多分类的文本分类模型,即场景识别模型。其中,文本分类算法可以采用端到端的深度学习模型,如TextCNN、TestRNN、RCNN、Bert等。或者通过图像识别的方式,进行图像分类,使用申诉标签作为标记,通过图像分类算法得到一个多分类的图像分类模型,即场景识别模型。其中,图像分类算法可以采用GoogleNet、ResNet、DenseNet等。
在该技术方案中,在识别申诉场景时,申诉信息包括申诉标签和申诉填加信息,申诉标签即为驾驶员在终端应用程序中点击选择的申诉选项,申诉填加信息为驾驶员另外填加的信息,可包括文本信息和/或图像信息,根据申诉标签和申诉填加信息,利用场景识别模型识别申诉场景,从而为识别申诉信息的真伪提供处理依据。
需要说明的是,在实施例四中也可包括第一模型建立单元810。
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技术方案的申诉处理方法。
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申诉处理方法的步骤,因此该计算机设备包括上述任一技术方案的申诉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技术方案的申诉处理方法。
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申诉处理方法的步骤,因此该计算机可读存储介质包括上述任一技术方案的申诉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 (18)
1.一种申诉处理方法,其特征在于,包括:
获取订单信息和申诉信息;
根据所述申诉信息识别申诉场景,获取与所述申诉场景对应的处理策略;
根据所述处理策略和所述订单信息,确定所述申诉信息是否成立。
2.根据权利要求1所述的申诉处理方法,其特征在于,还包括:
确定所述申诉信息不成立时,提示所述申诉信息不成立的原因。
3.根据权利要求1所述的申诉处理方法,其特征在于,根据所述处理策略和所述订单信息,确定所述申诉信息是否成立的步骤,具体包括:
获取所述订单信息中的语音或视频信息;
利用将所述申诉信息与所述语音或视频信息进行比对的处理策略,确定所述申诉信息是否成立。
4.根据权利要求1所述的申诉处理方法,其特征在于,根据所述处理策略和所述订单信息,确定所述申诉信息是否成立的步骤,具体包括:
利用判断所述订单信息是否符合预存规则的处理策略,确定所述申诉信息是否成立。
5.根据权利要求1所述的申诉处理方法,其特征在于,根据所述处理策略和所述订单信息,确定所述申诉信息是否成立的步骤,具体包括:
根据所述订单信息,利用申诉处理模型确定所述申诉信息是否成立。
6.根据权利要求5所述的申诉处理方法,其特征在于,还包括:
获取采样订单信息和所述采样订单信息对应的采样申诉信息;
解析所述采样申诉信息,获取采样申诉标签和采样申诉填加信息;
利用所述采样订单信息、所述采样申诉标签和所述采样申诉填加信息,建立所述申诉处理模型。
7.根据权利要求1至5中任一项所述的申诉处理方法,其特征在于,根据所述申诉信息识别申诉场景的步骤,具体包括:
解析所述申诉信息,获取申诉标签和申诉填加信息;
根据所述申诉标签和所述申诉填加信息,利用场景识别模型识别所述申诉场景。
8.根据权利要求7所述的申诉处理方法,其特征在于,还包括:
获取采样申诉信息;
解析所述采样申诉信息,获取采样申诉标签和采样申诉填加信息;
对所述采样申诉标签进行场景标注;
利用所述采样申诉填加信息和场景标注后的所述采样申诉标签,建立所述场景识别模型。
9.一种申诉处理系统,其特征在于,包括:
信息获取单元,用于获取订单信息和申诉信息;
场景识别单元,用于根据所述申诉信息识别申诉场景,获取与所述申诉场景对应的处理策略;
判断单元,用于根据所述处理策略和所述订单信息,确定所述申诉信息是否成立。
10.根据权利要求9所述的申诉处理系统,其特征在于,还包括:
提示单元,用于确定所述申诉信息不成立时,提示所述申诉信息不成立的原因。
11.根据权利要求9所述的申诉处理系统,其特征在于,
所述判断单元,具体用于获取所述订单信息中的语音或视频信息,以及利用将所述申诉信息与所述语音或视频信息进行比对的处理策略,确定所述申诉信息是否成立。
12.根据权利要求9所述的申诉处理系统,其特征在于,
所述判断单元,具体用于利用判断所述订单信息是否符合预存规则的处理策略,确定所述申诉信息是否成立。
13.根据权利要求9所述的申诉处理系统,其特征在于,
所述判断单元,具体用于根据所述订单信息,利用申诉处理模型确定所述申诉信息是否成立。
14.根据权利要求13所述的申诉处理系统,其特征在于,还包括:
第一模型建立单元,用于获取采样订单信息和所述采样订单信息对应的采样申诉信息;解析所述采样申诉信息,获取采样申诉标签和采样申诉填加信息;利用所述采样订单信息、所述采样申诉标签和所述采样申诉填加信息,建立所述申诉处理模型。
15.根据权利要求9至14中任一项所述的申诉处理系统,其特征在于,
场景识别单元,具体用于解析所述申诉信息,获取申诉标签和申诉填加信息,以及根据所述申诉标签和所述申诉填加信息,利用场景识别模型识别所述申诉场景。
16.根据权利要求15所述的申诉处理系统,其特征在于,还包括:
第二模型建立单元,用于获取采样申诉信息;解析所述采样申诉信息,获取采样申诉标签和采样申诉填加信息;对所述采样申诉标签进行场景标注;利用所述采样申诉填加信息和场景标注后的所述采样申诉标签,建立所述场景识别模型。
17.一种计算机设备,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8中任一项所述的申诉处理方法。
18.一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8中任一项所述的申诉处理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911290485.1A CN111861501A (zh) | 2019-12-16 | 2019-12-16 | 申诉处理方法、处理系统、计算机设备及存储介质 |
PCT/CN2020/135918 WO2021121169A1 (zh) | 2019-12-16 | 2020-12-11 | 申诉处理方法、处理系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911290485.1A CN111861501A (zh) | 2019-12-16 | 2019-12-16 | 申诉处理方法、处理系统、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111861501A true CN111861501A (zh) | 2020-10-30 |
Family
ID=72970756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911290485.1A Pending CN111861501A (zh) | 2019-12-16 | 2019-12-16 | 申诉处理方法、处理系统、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111861501A (zh) |
WO (1) | WO2021121169A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021121169A1 (zh) * | 2019-12-16 | 2021-06-24 | 北京嘀嘀无限科技发展有限公司 | 申诉处理方法、处理系统、计算机设备及存储介质 |
CN114881451A (zh) * | 2022-05-05 | 2022-08-09 | 江苏果米文化发展有限公司 | 一种游戏用户管理智能申诉分析处理方法及云系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470696A (zh) * | 2021-07-01 | 2021-10-01 | 首约科技(北京)有限公司 | 通过实时音频流分析解决司乘安全及提升服务质量的方法 |
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 |
CN116468341B (zh) * | 2023-04-03 | 2024-04-09 | 上海乾臻信息科技有限公司 | 仲裁工单的处理方法、装置、系统及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040006464A1 (en) * | 2002-05-08 | 2004-01-08 | Geppert Nicolas Andre | Method and system for the processing of voice data by means of voice recognition and frequency analysis |
CN106779979A (zh) * | 2017-01-21 | 2017-05-31 | 上海量明科技发展有限公司 | 共享单车的计费方法、订车客户端及系统 |
US20180144421A1 (en) * | 2016-11-21 | 2018-05-24 | Velites Consulting Group, LLC | System and Methods for Complaint Evaluation |
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 |
CN109598390A (zh) * | 2017-09-29 | 2019-04-09 | 北京嘀嘀无限科技发展有限公司 | 行程费用异议的处理方法及处理装置、设备和存储介质 |
CN110348859A (zh) * | 2019-06-17 | 2019-10-18 | 阿里巴巴集团控股有限公司 | 一种申诉处理方法及系统 |
CN110570208A (zh) * | 2019-07-29 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 投诉预处理方法以及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861501A (zh) * | 2019-12-16 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 申诉处理方法、处理系统、计算机设备及存储介质 |
-
2019
- 2019-12-16 CN CN201911290485.1A patent/CN111861501A/zh active Pending
-
2020
- 2020-12-11 WO PCT/CN2020/135918 patent/WO2021121169A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040006464A1 (en) * | 2002-05-08 | 2004-01-08 | Geppert Nicolas Andre | Method and system for the processing of voice data by means of voice recognition and frequency analysis |
US20180144421A1 (en) * | 2016-11-21 | 2018-05-24 | Velites Consulting Group, LLC | System and Methods for Complaint Evaluation |
CN106779979A (zh) * | 2017-01-21 | 2017-05-31 | 上海量明科技发展有限公司 | 共享单车的计费方法、订车客户端及系统 |
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 |
CN109598390A (zh) * | 2017-09-29 | 2019-04-09 | 北京嘀嘀无限科技发展有限公司 | 行程费用异议的处理方法及处理装置、设备和存储介质 |
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 |
CN110348859A (zh) * | 2019-06-17 | 2019-10-18 | 阿里巴巴集团控股有限公司 | 一种申诉处理方法及系统 |
CN110570208A (zh) * | 2019-07-29 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 投诉预处理方法以及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021121169A1 (zh) * | 2019-12-16 | 2021-06-24 | 北京嘀嘀无限科技发展有限公司 | 申诉处理方法、处理系统、计算机设备及存储介质 |
CN114881451A (zh) * | 2022-05-05 | 2022-08-09 | 江苏果米文化发展有限公司 | 一种游戏用户管理智能申诉分析处理方法及云系统 |
CN114881451B (zh) * | 2022-05-05 | 2023-10-24 | 江苏果米文化发展有限公司 | 一种游戏用户管理智能申诉分析处理方法及云系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2021121169A1 (zh) | 2021-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861501A (zh) | 申诉处理方法、处理系统、计算机设备及存储介质 | |
US11138524B2 (en) | Cascaded boosted predictive models | |
CN110032623B (zh) | 用户问句与知识点标题的匹配方法和装置 | |
CN111260102A (zh) | 一种用户满意度预测方法、装置、电子设备及存储介质 | |
CN109685571A (zh) | 基于车联网的智能客服系统 | |
CN110910257A (zh) | 信息预测方法、装置、电子设备和计算机可读介质 | |
CN111325437B (zh) | 异常行驶行为的识别方法、装置以及电子设备 | |
CN113723288B (zh) | 基于多模态混合模型的业务数据处理方法及装置 | |
CN106157746A (zh) | 一种城市轨道交通中列车驾驶的仿真考核方法及系统 | |
CN109816200A (zh) | 任务推送方法、装置、计算机设备和存储介质 | |
CN111899061A (zh) | 订单推荐方法、装置、设备及存储介质 | |
CN109859085A (zh) | 安全预警方法及相关产品 | |
CN113435998A (zh) | 贷款逾期预测方法、装置、电子设备及存储介质 | |
CN110689150A (zh) | 基于机器学习的订单预测方法、预测装置及计算机设备 | |
CN116452006A (zh) | 代驾司机拉新活动的风控方法、装置、计算机设备和介质 | |
CN115953080A (zh) | 工程师服务等级确定方法、设备和存储介质 | |
CN111414732A (zh) | 文本风格转换方法、装置、电子设备及存储介质 | |
CN110119871A (zh) | 信息交互平台及方法 | |
CN116127011A (zh) | 意图识别方法、装置、电子设备及存储介质 | |
CN110782061A (zh) | 一种恶性事件的预测方法及系统 | |
CN110766435B (zh) | 向量训练方法、装置、电子设备以及计算机可读存储介质 | |
CN114049973A (zh) | 对话质检方法、电子设备、计算机存储介质及程序产品 | |
JP7168205B2 (ja) | 審査支援システム、方法、およびプログラム | |
WO2016006021A1 (ja) | データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム | |
CN111080444A (zh) | 信息审核方法及装置 |
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 |