CN112529602A - 数据处理方法、装置、可读存储介质和电子设备 - Google Patents
数据处理方法、装置、可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN112529602A CN112529602A CN202011539741.9A CN202011539741A CN112529602A CN 112529602 A CN112529602 A CN 112529602A CN 202011539741 A CN202011539741 A CN 202011539741A CN 112529602 A CN112529602 A CN 112529602A
- Authority
- CN
- China
- Prior art keywords
- task
- probability value
- attribute information
- probability
- target
- 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 abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 26
- 230000004048 modification Effects 0.000 claims description 28
- 238000012986 modification Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 28
- 238000012790 confirmation Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000000977 initiatory effect Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 239000003999 initiator Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000011664 signaling Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q30/06—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
- G06Q50/10—Services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明实施例公开了一种数据处理方法、装置、可读存储介质和电子设备,通过目标任务对应的属性信息集合作为预测模型的输入,得到用于表征执行目标任务时因任务处理人过错被投诉概率的目标概率值。其中,预测模型包括表示层、隐藏层和输出层,隐藏层中包括第一子模型和第二子模型。属性信息集合经过表示层后得到对应的任务特征,分别输入隐藏层的第一子模型和第二子模型中,再由输出层处理第一子模型和第二子模型的输出得到目标概率值。本发明实施例通过预测模型中的两个子模型基于相同的输入信息分别确定预测结果,再结合得到的两个预测结果输出最终的目标概率值。提高了预测过程的效率,以及目标概率值的准确性。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种数据处理方法、装置、可读存储介质和电子设备。
背景技术
用户投诉在服务行业常常发生,平台在接收到用户投诉后对进行判责。为提高平台用户体验,服务平台可以通过机器学习模型预先判断每一单任务订单是否会被投诉,以及投诉后的责任判定。现有技术中的判断过程需要通过两个不同的模型进行预测,在判断结果为会被投诉时再通过另一个模型进行责任判定,由于不同模型的预测样本不同,会由于样本偏差以及判责模型的训练样本稀疏等问题导致判断结果与实际结果偏差较大。
发明内容
有鉴于此,本发明实施例提供了一种数据处理方法、装置、可读存储介质和电子设备,旨在提高预测的目标概率值的准确率。
第一方面,本发明实施例公开了一种数据处理方法,所述方法包括:
确定目标任务对应的属性信息集合,所述属性信息集合中包括至少一个用于表征所述目标任务属性的属性信息;
将所述属性信息集合作为预测模型的输入,以确定目标概率值,所述目标概率值用于表征执行所述目标任务时因任务处理人过错被投诉的概率;
其中,所述预测模型包括表示层、隐藏层和输出层,所述隐藏层包括第一子模型和第二子模型;
所述将所述属性信息集合作为预测模型的输入,以确定目标概率值包括:
根据所述属性信息集合中各所述属性信息输入所述表示层确定对应的任务特征;
将所述任务特征分别输入所述隐藏层的第一子模型和第二子模型,以分别输出用于表征被投诉概率的第一概率值和用于表征任务处理人过错概率的第二概率值;
将所述第一概率值和所述第二概率值输入所述输出层,以输出对应的目标概率值。
第二方面,本发明实施例公开了一种数据处理装置,所述装置包括:
信息确定模块,用于确定目标任务对应的属性信息集合,所述属性信息集合中包括至少一个用于表征所述目标任务属性的属性信息;
概率值预测模块,用于将所述属性信息集合作为预测模型的输入,以确定目标概率值,所述目标概率值用于表征执行所述目标任务时因任务处理人过错被投诉的概率;
其中,所述预测模型包括表示层、隐藏层和输出层,所述隐藏层包括第一子模型和第二子模型;
所述概率值预测模块包括:
特征确定单元,用于根据所述属性信息集合中各所述属性信息输入所述表示层确定对应的任务特征;
中间概率确定单元,用于将所述任务特征分别输入所述隐藏层的第一子模型和第二子模型,以分别输出用于表征被投诉概率的第一概率值和用于表征任务处理人过错概率的第二概率值;
目标概率确定单元,用于将所述第一概率值和所述第二概率值输入所述输出层,以输出对应的目标概率值。
第三方面,本发明实施例公开了一种计算机可读存储介质,用于存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如第一方面所述的方法。
第四方面,本发明实施例公开了一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面所述的方法。
本发明实施例通过目标任务对应的属性信息集合作为预测模型的输入,得到用于表征执行目标任务时因任务处理人过错被投诉概率的目标概率值。其中,预测模型包括表示层、隐藏层和输出层,隐藏层中包括第一子模型和第二子模型。属性信息集合经过表示层后得到对应的任务特征,分别输入隐藏层的第一子模型和第二子模型中,再由输出层处理第一子模型和第二子模型的输出得到目标概率值。本发明实施例通过预测模型中的两个子模型基于相同的输入信息分别确定预测结果,再结合得到的两个预测结果输出最终的目标概率值。提高了预测过程的效率,以及目标概率值的准确性。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1为应用本发明实施例的数据处理方法的数据处理系统的示意图;
图2为本发明实施例的数据处理方法的流程图;
图3为本发明实施例的确定目标概率值过程的流程图;
图4为本发明实施例的通过预测模型确定目标概率值过程的示意图;
图5为本发明实施例一种可选实现方式的确定任务参数的信令流程图;
图6为本发明实施例另一种可选实现方式的确定任务参数的信令流程图;
图7为本发明实施例的数据处理装置的示意图;
图8为本发明实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本发明进行描述,但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质,公知的方法、过程、流程、元件和电路并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
图1为应用本发明实施例的数据处理方法的数据处理系统的示意图。如图1所示,所述数据处理系统包括通过网络连接的服务器10、第一用户终端11、和第二用户终端12。其中,所述第一用户终端11为任务发起人使用的任务发起终端,所述第二用户终端12为任务处理人使用的任务处理终端。所述服务器10接收第一用户终端11发送的目标任务,将所述目标任务转发至第二用户终端12进行任务处理。并且,所述服务器10在判断任务处理完成后,通过预先训练的预测模型预测第一用户终端11因第二用户终端12的责任发起投诉的目标概率值,以在所述目标概率值大于预设阈值时采取必要的解决措施,防止第一用户终端11发起投诉。
在本发明实施例中,所述服务器10可以是单个服务器、也可以是以分布式方式配置的服务器集群。所述第一用户终端11和所述第二用户终端12可以为能够运行计算机程序的、具有通信功能通用数据处理终端,例如,智能手机或平板电脑等。
本发明实施例可以应用于任何预测任务执行过程中因任务处理人责任导致的投诉。例如,在外卖配送领域,本发明实施例可以用于预测用户因配送员责任导致超时进行投诉的概率。在网约车领域,本发明实施例可以用于乘客因司机绕路进行投诉的概率。
以本发明实施例领域与网约车领域为例进行说明,所述服务器10为网约车平台服务器,所述第一用户终端11为网约车平台注册的乘客终端,第二用户终端12为网约车平台注册的司机终端。所述第一用户终端11生成网约车订单发送至服务器10,所述服务器10在平台注册得到多个司机终端12中选择一个用于处理所述网约车订单,并把所述网约车订单发送至所述司机终端12。进一步地,所述服务器10还根据所述网约车订单对应的属性信息判断乘客终端11因司机终端12恶意绕路发起投诉的概率,在概率大于预设阈值时及时采取措施。其中,所述属性信息可以包括网约车订单本身的属性、发起网约车订单的乘客属性、处理网约车订单的司机属性以及网约车订单处理过程中获取的位置属性、声音属性、图像属性以及视频属性等。
图2为本发明实施例的数据处理方法的流程图。如图2所示,本发明实施例所述的数据处理方法包括以下步骤:
步骤S100、确定目标任务对应的属性信息集合。
具体地,所述目标任务可以通过其他终端设备发送至服务器,或由服务器自动生成。所述目标任务对应的属性信息集合中包括至少一个用于表征所述目标任务属性的属性信息,其中包括目标任务的任务属性信息、目标任务发起人的属性信息、目标任务处理人的属性信息以及目标任务处理过程中的其他属性信息。进一步地,所述目标任务的任务属性信息可以包括任务内容、任务处理时长、任务要求以及任务类型等与目标任务直接相关的属性信息。所述目标任务发起人的属性信息可以包括发起人标识、发起人历史发起任务数量、发起人历史投诉任务数量等。所述目标任务处理人的属性信息包括处理人标识、处理人历史处理任务数量、处理人历史被投诉任务数量、处理人历史因自身原因被投诉数量等。所述其他属性信息可以包括任务处理过程中获取的多个位置信息、音频信息、图像信息以及视频信息等目标任务处理过程中生成的属性信息,以及天气信息、道路信息等处理目标任务时的环境信息。
以本发明实施例应用于网约车领域为例进行说明,所述目标任务为网约车平台注册的乘客通过乘客终端发起的网约车订单,通过乘客终端发送至服务器。所述服务器在确定网约车订单后,在平台注册的多个司机终端中选择一个处理所述网约车订单。同时,所述服务器在网约车订单完成之前基于网约车订单对应的订单信息、发起所述网约车订单的乘客对应的乘客信息、处理所述网约车订单的司机对应的司机信息、处理所述网约车订单时的环境信息以及处理所述网约车订单过程中生成的其他属性信息确定对应的属性信息集合。所述订单信息可以包括开始位置、结束位置、开始时间、预计时长、乘客要求、预计订单价格以及订单类型等信息。所述乘客信息可以包括乘客标识、乘客历史乘坐网约车次数、乘客历史乘坐网约车投诉次数、乘客历史投诉结果为司机责任次数等信息。所述司机信息可以包括司机标识、车牌号、历史处理网约车订单数量、司机历史被投诉数量、司机被投诉且投诉结果为司机责任数量等信息。所述环境信息可以为处理所述网约车订单过程中的天气信息和路况信息等信息。所述其他属性信息可以包括网约车订单处理过程中通过司机或乘客终端上传到服务器的多个位置信息、车内视频信息、车内音频信息以及在到达订单结束位置时或司机终端发送任务结束信息时由终端或服务器生成的订单价格等。
步骤S200、将所述属性信息集合作为预测模型的输入,以确定目标概率值。
具体地,所述服务器中后台程序中部署以及运行预先在离线环境下训练得到的预测模型。在确定目标任务对应的属性信息集合后,将所述属性信息集合作为预测模型的输入,以输出与目标任务对应的目标概率值。所述目标概率值用于表征执行所述目标任务时,因任务处理人过错被投诉的概率。例如,在网约车领域中,所述目标概率值可以用于表征因司机主动绕路被乘客投诉的概率。在外卖配送领域中,所述目标概率值可以用于表征因骑手主观原因超时被用户投诉的概率。在本发明实施例中,所述预测模型还包括表示层、隐藏层和输出层,所述隐藏层中包括并行设置、无顺序连接关系的第一子模型和第二子模型。
图3为本发明实施例的确定目标概率值过程的流程图。如图3所示,所述属性信息集合输入预测模型以确定目标概率值的过程包括以下步骤:
步骤S210、根据所述属性信息集合中各所述属性信息输入所述表示层确定对应的任务特征。
具体地,所述表示层用于提取所述属性信息集合对应的特征,即确定目标任务对应的任务特征。进一步地,所述表示层中还可以包括用于提取所述属性信息集合中各所述属性信息的嵌入单元(embedding层)和拼接单元(concat层)。所述属性信息集合中各所述属性信息输入所述表示层后,通过所述嵌入单元转换为对应的向量表示。可选地,所述表示层中可以包括一个嵌入单元,用于转换全部属性信息。或者,所述表示层中还可以包括多个嵌入单元,各所述嵌入单元分布用于转换一个或多个属性信息。在通过嵌入单元获取各所述属性信息对应的向量表示后,通过拼接单元拼接各所述属性信息对应的向量表示,得到用于表征目标任务特征的任务特征。
以所述目标任务对应的属性信息集合中包括属性信息1、属性信息2和属性信息3为例进行说明。所述属性信息集合中的属性信息1、属性信息2和属性信息3输入所述表示层后,分别通过嵌入单元转换为对应的向量表示v1、v2和v3,再通过拼接层按照预定顺序拼接后得到目标任务对应的任务特征为(v1,v2,v3)。
进一步地,所述预测模型中还包括输入层,用于将所述目标任务对应的属性信息集合转换为离散的多个属性信息。也就是说,所述服务器直接将所述属性信息集合输入预测模型,由所述预测模型中的输入层提取所述属性信息集合中各所述属性信息,以将各所述属性信息输入表示层进行特征提取。
步骤S220、将所述任务特征分别输入所述隐藏层的第一子模型和第二子模型,以分别输出用于表征被投诉概率的第一概率值和用于表征任务处理人过错概率的第二概率值。
具体地,所述第一子模型和第二子模型分别用于预测目标任务被投诉的概率,以及任务由于任务处理人过错被投诉的概率。在通过表示层进行特征提后得到目标任务对应的任务特征后,将所述任务特征分别输入隐藏层的第一子模型和第二子模型,以分别输出用于表征被投诉概率的第一概率值和用于表征任务处理人过错概率的第二概率值。以本发明实施例应用于预测网约车领域因司机绕路被投诉的场景为例进行说明。所述第一子模型用于预测乘客投诉网约车订单的概率,所述第二子模型用于预测司机绕路的概率。
进一步地,所述第一子模型和第二子模型可以为结构相同的神经网络模型。可选地,所述第一子模型和第二子模型可以分别包括顺序连接的两个隐藏层,各隐藏层中包括顺序连接的全连接层(dense)、遗忘层(dropout)和激活层(Relu)。
步骤S230、将所述第一概率值和所述第二概率值输入所述输出层,以输出对应的目标概率值。
具体地,所述预测模型中的输出层与隐藏层顺序连接,用于根据所述隐藏层输出的第一概率值和第二概率值确定对应的目标概率值,并输出所述目标概率值。可选地,所述输出层通过计算第一概率值和第二概率值的乘积确定目标概率值。例如,当所述第一概率值为0.8,所述第二概率值为0.5时,所述输出层确定的目标概率值为0.4。
进一步地,本发明实施例所述的预测模型可以通过服务器预先确定的样本集训练得到。所述样本集可以通过对服务器历史接收并处理的多个历史任务进行标注的方式确定,其中包括多个样本和各所述样本对应的第一标签和第二标签,所述样本用于表征对应历史任务的属性信息集合,所述第一标签用于表征对应样本是否被投诉,所述第二标签用于表征对应样本是否因任务处理人责任被投诉。可选地,所述历史任务对应第一标签和第二标签的标注方式可以为机器标注或人工标注。
在确定样本集后,服务器将所述样本集中各所述样本输入预测模型,并获取所述预测模型中第一子模型和第二子模型输出的第一训练概率和第二训练概率。以根据各所述样本对应的第一标签和第一训练概率确定第一损失,并根据各所述样本对应的第二标签、第一训练概率和第二训练概率确定第二损失。最终根据所述第一损失和第二损失确定所述预测模型的联合损失,以调整所述预测模型。所述调整所述预测模型的过程可以为以迭代的方式多次向预测模型输入样本,并确定对应的联合损失。在所述联合损失不满足预设条件时调节模型参数并进行下一次迭代过程,在所述联合损失满足预设条件时结束模型训练过程。
在本发明实施例中,所述预测模型的联合损失可以通过以下公式确定:
其中,L为预测模型的联合损失,N为样本集中的样本数量,xi为输入样本,θt为第一标签和第一训练概率的差异,θy为第二标签和第二训练概率的差异。yi用于表征被投诉,zi用于表征任务处理人过错。
图4为本发明实施例的通过预测模型确定目标概率值过程的示意图。如图4所示,所述预测模型包括按顺序设置的输入层40、表示层41、隐藏层42和输出层43,所述隐藏层42中包括并行设置的第一子模型44和第二子模型45。
具体地,目标任务对应的属性信息集合在输入所述预测模型后,通过所述输入层40转换为多个离散的属性信息。各所述属性信息分别通过表示层41进行特征提取后得到任务特征,并分别输入所述隐藏层42中的第一子模型44和第二子模型45,以确定对应的第一概率值和第二概率值。所述输出层43计算第一概率值和第二概率值的乘积得到目标任务对应的目标概率值并输出。
本发明实施例通过预测模型中的两个子模型基于相同的输入信息分别确定预测结果,再结合得到的两个预测结果输出最终的目标概率值。提高了预测过程的效率,以及目标概率值的准确性。
在本发明上述实施例中,所述服务器还预先设定概率阈值。在确定目标任务对应的目标概率值后,服务器通过对比所述目标概率值和概率阈值的大小确定是否进一步进行处理。其中,当所述目标概率值小于概率阈值时,服务器判断目标订单因任务处理人原因被投诉的概率较小,不需要进行处理。当所述目标概率值大于预设阈值时,服务器判断目标订单因任务处理人原因被投诉的概率较大,需要进一步进行处理以防止用户投诉。
在本发明实施例中,所述服务器在目标概率值大于概率阈值时,可以通过修改任务参数的方式防止用户投诉。即所述服务器在目标任务未结束时向任务处理终端发送参数修改信息,所述参数修改信息可以由服务器根据任务过程生成,用于表征服务器要修改的任务参数,其中可以包括待修改的任务参数、修改信息等。所述任务处理终端在接收参数修改信息并确认修改目标任务对应的任务参数后,向服务器返回确认信息,所述确认信息中可以包括修改后的任务参数。服务器在修改所述任务参数后,可以向任务发送终端和任务处理终端分别发送修改后的所述任务参数以结束任务。
例如,在网约车领域,所述待修改参数可以为任务完成后的订单金额。服务器在判断乘客可能因司机绕路发起投诉时,向司机发送订单金额调整信息,司机返回确认信息后服务器根据确认信息修改订单金额,以将修改后的订单金额分别发送至乘客终端和司机终端。
进一步地,当所述任务处理终端在接收到参数修改信息后,拒绝更改任务参数则返回拒绝确认信息。服务器可以直接将目标任务实际对应的任务参数发送至任务生成终端和任务处理终端以结束任务。所述服务器在任务结束后可以再对当前任务进行进一步的责任判定,以采取对应的措施。
例如,在网约车领域,所述待修改参数可以为任务完成后的订单金额。服务器在判断乘客可能因司机绕路发起投诉时,向司机发送订单金额调整信息,司机返回拒绝确认信息后,服务器直接将网约车订单对应的订单金额发送至乘客终端和司机终端。在任务接收后服务器可以进一步进行责任判定,以在司机有责任的情况下退还额外获得的金额。
图5为本发明实施例一种可选实现方式的确定任务参数的信令流程图。如图5所示,所述确定任务参数的过程包括以下步骤:
步骤S50、通过服务器向任务处理终端发送参数修改信息。
步骤S51、任务处理终端基于所述参数修改信息返回用于确认修改参数的确认信息。
步骤S52、服务器根据接收到的确认信息修改目标任务对应的任务参数。
步骤S53、服务器将修改后的所述任务参数分别发送至任务处理终端和任务发起终端。
进一步地,所述目标任务对应的任务参数还可以包括不同的处理参数和发起参数,以将处理参数发送至任务处理终端,将发起参数发送至任务发起终端。
图6为本发明实施例另一种可选实现方式的确定任务参数的信令流程图。如图6所示,所述确定任务参数的过程包括以下步骤:
步骤S50、通过服务器向任务处理终端发送参数修改信息。
步骤S51、任务处理终端基于所述参数修改信息返回用于拒绝确认修改参数的确认信息。
步骤S52、服务器确定目标任务对应的任务参数。
步骤S53、服务器将所述任务参数分别发送至任务处理终端和任务发起终端。
进一步地,所述目标任务对应的任务参数还可以包括不同的处理参数和发起参数,将所述发起参数发送至任务发起终端,将处理参数发送至任务处理终端。
本发明实施例所述的方法可以在服务器判定目标任务可能因为任务处理人过错被投诉时及时采取对应的维护措施,提高用户体验,降低投诉率。
图7为本发明实施例的数据处理装置的示意图。如图7所示,所述数据处理装置包括信息确定模块70和概率值预测模块71。
具体地,信息确定模块70用于确定目标任务对应的属性信息集合,所述属性信息集合中包括至少一个用于表征所述目标任务属性的属性信息。概率值预测模块71用于将所述属性信息集合作为预测模型的输入,以确定目标概率值,所述目标概率值用于表征执行所述目标任务时因任务处理人过错被投诉的概率。
其中,所述预测模型包括表示层、隐藏层和输出层,所述隐藏层包括第一子模型和第二子模型;
所述概率值预测模块71包括:
特征确定单元,用于根据所述属性信息集合中各所述属性信息输入所述表示层确定对应的任务特征;
中间概率确定单元,用于将所述任务特征分别输入所述隐藏层的第一子模型和第二子模型,以分别输出用于表征被投诉概率的第一概率值和用于表征任务处理人过错概率的第二概率值;
目标概率确定单元,用于将所述第一概率值和所述第二概率值输入所述输出层,以输出对应的目标概率值。
进一步地,所述特征确定单元包括:
向量转换子单元,用于将所述属性信息集合中各所述属性信息转换为对应的向量表示;
特征拼接子单元,用于拼接各所述属性信息对应的向量表示得到任务特征。
进一步地,所述目标概率确定单元包括:
目标概率计算子单元,用于将所述第一概率值和所述第二概率值输入所述输出层,以通过计算所述第一概率值和第二概率值的乘积得到目标概率值;
目标概率输出单元,用于输出所述目标概率值。
进一步地,所述装置还包括:
修改信息发送模块,用于响应于所述目标概率值大于概率阈值,发送参数修改信息;
参数修改模块,用于响应于接收到基于所述参数修改信息返回的确认信息,修改所述目标任务对应的任务参数;
参数发送模块,用于发送修改后的所述任务参数。
进一步地,所述装置还包括:
参数生成模块,用于响应于接收到基于所述参数修改信息返回的拒绝确认信息,发送所述目标任务对应的任务参数。
进一步地,所述预测模型的训练过程包括:
确定样本集,所述样本集中包括多个样本和各所述样本对应的第一标签和第二标签,所述样本用于表征对应历史任务的属性信息集合,所述第一标签用于表征对应样本是否被投诉,所述第二标签用于表征对应样本是否因任务处理人责任被投诉;
将所述样本集中各所述样本输入预测模型,并获取所述预测模型中第一子模型和第二子模型输出的第一训练概率和第二训练概率;
根据各所述样本对应的第一标签和第一训练概率确定第一损失;
根据各所述样本对应的第二标签、第一训练概率和第二训练概率确定第二损失;
根据所述第一损失和第二损失确定所述预测模型的联合损失,以调整所述预测模型。
进一步地,所述预测模型还包括输入层;
所述概率值预测模块71还包括:
属性信息提取模块,用于将所述属性信息集合输入所述预测模型的输入层,得到各所述属性信息。
本发明实施例的数据处理装置通过预测模型中的两个子模型基于相同的输入信息分别确定预测结果,再结合得到的两个预测结果输出最终的目标概率值。提高了预测过程的效率,以及目标概率值的准确性。
图8为本发明实施例的电子设备的示意图。如图8所示,图8所示的电子设备为通用地址查询装置,其包括通用的计算机硬件结构,其至少包括处理器80和存储器81。处理器80和存储器81通过总线82连接。存储器81适于存储处理器80可执行的指令或程序。处理器80可以是独立的微处理器,也可以是一个或者多个微处理器集合。由此,处理器80通过执行存储器81所存储的指令,从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线82将上述多个组件连接在一起,同时将上述组件连接到显示控制器83和显示装置以及输入/输出(I/O)装置84。输入/输出(I/O)装置84可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地,输入/输出装置84通过输入/输出(I/O)控制器85与系统相连。
本领域的技术人员应明白,本申请的实施例可提供为方法、装置(设备)或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品。
本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。
这些计算机程序指令可以存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现流程图一个流程或多个流程中指定的功能。
也可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
本发明的另一实施例涉及一种非易失性存储介质,用于存储计算机可读程序,所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指定相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各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、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理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 (16)
1.一种数据处理方法,其特征在于,所述方法包括:
确定目标任务对应的属性信息集合,所述属性信息集合中包括至少一个用于表征所述目标任务属性的属性信息;
将所述属性信息集合作为预测模型的输入,以确定目标概率值,所述目标概率值用于表征执行所述目标任务时因任务处理人过错被投诉的概率;
其中,所述预测模型包括表示层、隐藏层和输出层,所述隐藏层包括第一子模型和第二子模型;
所述将所述属性信息集合作为预测模型的输入,以确定目标概率值包括:
根据所述属性信息集合中各所述属性信息输入所述表示层确定对应的任务特征;
将所述任务特征分别输入所述隐藏层的第一子模型和第二子模型,以分别输出用于表征被投诉概率的第一概率值和用于表征任务处理人过错概率的第二概率值;
将所述第一概率值和所述第二概率值输入所述输出层,以输出对应的目标概率值。
2.根据权利要求1所述的方法,其特征在于,所述根据所述属性信息集合中各所述属性信息输入所述表示层确定对应的任务特征包括:
将所述属性信息集合中各所述属性信息转换为对应的向量表示;
拼接各所述属性信息对应的向量表示得到任务特征。
3.根据权利要求1所述的方法,其特征在于,所述将所述第一概率值和所述第二概率值输入所述输出层,以输出对应的目标概率值包括:
将所述第一概率值和所述第二概率值输入所述输出层,以通过计算所述第一概率值和第二概率值的乘积得到目标概率值;
输出所述目标概率值。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
响应于所述目标概率值大于概率阈值,发送参数修改信息;
响应于接收到基于所述参数修改信息返回的确认信息,修改所述目标任务对应的任务参数;
发送修改后的所述任务参数。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
响应于接收到基于所述参数修改信息返回的拒绝确认信息,
发送所述目标任务对应的任务参数。
6.根据权利要求1所述的方法,其特征在于,所述预测模型的训练过程包括:
确定样本集,所述样本集中包括多个样本和各所述样本对应的第一标签和第二标签,所述样本用于表征对应历史任务的属性信息集合,所述第一标签用于表征对应样本是否被投诉,所述第二标签用于表征对应样本是否因任务处理人责任被投诉;
将所述样本集中各所述样本输入预测模型,并获取所述预测模型中第一子模型和第二子模型输出的第一训练概率和第二训练概率;
根据各所述样本对应的第一标签和第一训练概率确定第一损失;
根据各所述样本对应的第二标签、第一训练概率和第二训练概率确定第二损失;
根据所述第一损失和第二损失确定所述预测模型的联合损失,以调整所述预测模型。
7.根据权利要求1所述的方法,其特征在于,所述预测模型还包括输入层;
所述将所述属性信息集合作为预测模型的输入,以确定目标概率值还包括:
将所述属性信息集合输入所述预测模型的输入层,得到各所述属性信息。
8.一种数据处理装置,其特征在于,所述装置包括:
信息确定模块,用于确定目标任务对应的属性信息集合,所述属性信息集合中包括至少一个用于表征所述目标任务属性的属性信息;
概率值预测模块,用于将所述属性信息集合作为预测模型的输入,以确定目标概率值,所述目标概率值用于表征执行所述目标任务时因任务处理人过错被投诉的概率;
其中,所述预测模型包括表示层、隐藏层和输出层,所述隐藏层包括第一子模型和第二子模型;
所述概率值预测模块包括:
特征确定单元,用于根据所述属性信息集合中各所述属性信息输入所述表示层确定对应的任务特征;
中间概率确定单元,用于将所述任务特征分别输入所述隐藏层的第一子模型和第二子模型,以分别输出用于表征被投诉概率的第一概率值和用于表征任务处理人过错概率的第二概率值;
目标概率确定单元,用于将所述第一概率值和所述第二概率值输入所述输出层,以输出对应的目标概率值。
9.根据权利要求8所述的装置,其特征在于,所述特征确定单元包括:
向量转换子单元,用于将所述属性信息集合中各所述属性信息转换为对应的向量表示;
特征拼接子单元,用于拼接各所述属性信息对应的向量表示得到任务特征。
10.根据权利要求8所述的装置,其特征在于,所述目标概率确定单元包括:
目标概率计算子单元,用于将所述第一概率值和所述第二概率值输入所述输出层,以通过计算所述第一概率值和第二概率值的乘积得到目标概率值;
目标概率输出单元,用于输出所述目标概率值。
11.根据权利要求8所述的装置,其特征在于,所述装置还包括:
修改信息发送模块,用于响应于所述目标概率值大于概率阈值,发送参数修改信息;
参数修改模块,用于响应于接收到基于所述参数修改信息返回的确认信息,修改所述目标任务对应的任务参数;
参数发送模块,用于发送修改后的所述任务参数。
12.根据权利要求11所述的装置,其特征在于,所述装置还包括:
参数生成模块,用于响应于接收到基于所述参数修改信息返回的拒绝确认信息,发送所述目标任务对应的任务参数。
13.根据权利要求8所述的装置,其特征在于,所述预测模型的训练过程包括:
确定样本集,所述样本集中包括多个样本和各所述样本对应的第一标签和第二标签,所述样本用于表征对应历史任务的属性信息集合,所述第一标签用于表征对应样本是否被投诉,所述第二标签用于表征对应样本是否因任务处理人责任被投诉;
将所述样本集中各所述样本输入预测模型,并获取所述预测模型中第一子模型和第二子模型输出的第一训练概率和第二训练概率;
根据各所述样本对应的第一标签和第一训练概率确定第一损失;
根据各所述样本对应的第二标签、第一训练概率和第二训练概率确定第二损失;
根据所述第一损失和第二损失确定所述预测模型的联合损失,以调整所述预测模型。
14.根据权利要求8所述的装置,其特征在于,所述预测模型还包括输入层;
所述概率值预测模块还包括:
属性信息提取模块,用于将所述属性信息集合输入所述预测模型的输入层,得到各所述属性信息。
15.一种计算机可读存储介质,用于存储计算机程序指令,其特征在于,所述计算机程序指令在被处理器执行时实现如权利要求1-7中任一项所述的方法。
16.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011539741.9A CN112529602A (zh) | 2020-12-23 | 2020-12-23 | 数据处理方法、装置、可读存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011539741.9A CN112529602A (zh) | 2020-12-23 | 2020-12-23 | 数据处理方法、装置、可读存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112529602A true CN112529602A (zh) | 2021-03-19 |
Family
ID=74976660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011539741.9A Pending CN112529602A (zh) | 2020-12-23 | 2020-12-23 | 数据处理方法、装置、可读存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529602A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052327A (zh) * | 2021-03-30 | 2021-06-29 | 北京骑胜科技有限公司 | 数据处理方法、装置、可读存储介质和电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107437124A (zh) * | 2017-07-20 | 2017-12-05 | 大连大学 | 一种基于大数据分析的运营商投诉与故障关联分析方法 |
CN110163713A (zh) * | 2019-01-28 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种业务数据处理方法、装置以及相关设备 |
CN110399995A (zh) * | 2018-04-20 | 2019-11-01 | 顺丰科技有限公司 | 运单投诉处理方法、装置、设备及其存储介质 |
CN111260102A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 一种用户满意度预测方法、装置、电子设备及存储介质 |
CN111259119A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 一种问题推荐方法及装置 |
CN111813764A (zh) * | 2019-04-11 | 2020-10-23 | 中国移动通信集团四川有限公司 | 一种投诉预测模型的训练方法、装置及电子设备 |
-
2020
- 2020-12-23 CN CN202011539741.9A patent/CN112529602A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107437124A (zh) * | 2017-07-20 | 2017-12-05 | 大连大学 | 一种基于大数据分析的运营商投诉与故障关联分析方法 |
CN110399995A (zh) * | 2018-04-20 | 2019-11-01 | 顺丰科技有限公司 | 运单投诉处理方法、装置、设备及其存储介质 |
CN111260102A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 一种用户满意度预测方法、装置、电子设备及存储介质 |
CN111259119A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 一种问题推荐方法及装置 |
CN110163713A (zh) * | 2019-01-28 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种业务数据处理方法、装置以及相关设备 |
CN111813764A (zh) * | 2019-04-11 | 2020-10-23 | 中国移动通信集团四川有限公司 | 一种投诉预测模型的训练方法、装置及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052327A (zh) * | 2021-03-30 | 2021-06-29 | 北京骑胜科技有限公司 | 数据处理方法、装置、可读存储介质和电子设备 |
CN113052327B (zh) * | 2021-03-30 | 2024-04-19 | 北京骑胜科技有限公司 | 数据处理方法、装置、可读存储介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114926766A (zh) | 识别方法及装置、设备、计算机可读存储介质 | |
CN112819976A (zh) | 停车场控制方法和装置 | |
CN111899061A (zh) | 订单推荐方法、装置、设备及存储介质 | |
CN112529602A (zh) | 数据处理方法、装置、可读存储介质和电子设备 | |
CN110363611B (zh) | 网约车用户匹配方法、装置、服务器及存储介质 | |
CN111582407B (zh) | 任务处理方法、装置、可读存储介质和电子设备 | |
CN113012687A (zh) | 一种信息交互方法、装置及电子设备 | |
CN117034958A (zh) | 用户意图识别方法、答复生成方法、以及服务器 | |
CN111523962A (zh) | 搜索方法、装置、电子设备及存储介质 | |
CN112101671B (zh) | 区域属性预测方法、装置、可读存储介质和电子设备 | |
CN113807858B (zh) | 一种基于决策树模型的数据处理方法及相关设备 | |
CN115759307A (zh) | 一种订单派送方法、装置、电子设备及存储介质 | |
CN112988992A (zh) | 一种信息交互方法、装置及电子设备 | |
CN112184161B (zh) | 倒计时展示方法、装置、电子设备及存储介质 | |
CN111835730B (zh) | 服务账号处理方法、装置、电子设备及可读存储介质 | |
CN109783608B (zh) | 目标假设的确定方法、装置、可读存储介质和电子设备 | |
CN112328769A (zh) | 自动客服的应答方法、装置和计算机可读存储介质 | |
CN112686183A (zh) | 遗留物检测装置、系统、方法和电子设备 | |
CN112991008A (zh) | 一种位置推荐方法、装置及电子设备 | |
CN112529661A (zh) | 信息交互方法、装置、电子设备和可读存储介质 | |
CN111445371A (zh) | 运输路线生成方法、装置、计算机设备和存储介质 | |
CN112101594A (zh) | 车辆管理方法、装置、存储介质和电子设备 | |
CN114511095A (zh) | 数据处理方法及装置、计算设备、存储介质 | |
CN112964269B (zh) | 信息交互方法和装置 | |
CN114969224B (zh) | 一种车辆试驾预约方法、装置、电子设备及介质 |
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 |