CN115374190B - 一种类案检索的方法、装置、存储介质及电子设备 - Google Patents

Abstract

本说明书提供了一种类案检索的方法、装置、存储介质及电子设备。在本说明书提供的类案检索方法中，接收用户对业务的投诉请求，投诉请求中包含用户的反馈信息与被投诉方标识；确定被投诉方的历史业务信息；将反馈信息和历史业务信息输入预先训练的风险预估模型中，确定案件的风险特征；根据风险特征，在案件库的各历史投诉案件中确定候选案件；将反馈信息输入行为分析模型中，确定被投诉方的行为特征；根据行为特征，在候选案件中确定目标案件的类案。在采用本说明书提供的类案检索方法时，与传统的仅采用单一特征进行检索的方式相比，本方法能够采用两个不同维度的特征以级联的形式通过两次筛选检索案件，可检索出相似程度更高的类案。

Description

一种类案检索的方法、装置、存储介质及电子设备

技术领域

本说明书涉及计算机技术领域，尤其涉及一种类案检索的方法、装置、存储介质及电子设备。

背景技术

如今，虚拟的线上环境充斥着大量的虚假信息，用户在线上交易的过程中需要时刻警惕，以防上当受骗，或是隐私数据泄露。一般来说，当用户在执行交易业务的过程中感知到交易存在异常，可能有上当受骗的风险，用户就会在提供业务的平台上对商家或交易对象进行投诉或举报。

通常，可将平台方接收到的每一次投诉作为一个案件进行处理。在实际处理案件时，并不是每个案件都能有明确的规则或处理办法能够遵循，因此，在处理这种“无法可依”的案件时，较为合理的选择就是检索历史上发生过的相似案件，采用类案同判的方式进行处理。

由此，如何检索出最为相似的案件是一个亟待解决的问题。

发明内容

本说明书提供一种类案检索的方法、装置、存储介质及电子设备，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种类案检索的方法，包括：

接收用户对业务的投诉请求，确定目标案件，所述投诉请求中至少包含所述用户的反馈信息与被投诉方标识；

根据被投诉方标识，确定所述被投诉方的历史业务信息；

将所述反馈信息和所述历史业务信息输入预先训练的风险预估模型中，确定所述目标案件的风险特征；

根据所述风险特征，在案件库的各历史投诉案件中确定候选案件；

将所述反馈信息输入预先训练的行为分析模型中，确定所述被投诉方在所述目标案件中的行为特征；

在所述候选案件中确定与所述行为特征匹配的候选案件，作为所述目标案件的类案。

可选地，

将所述反馈信息和所述历史业务信息输入预先训练的风险预估模型中，确定所述目标案件的风险特征，具体包括：

将所述反馈信息和所述历史业务信息输入预先训练的风险预估模型中，提取所述反馈信息的第一特征，并提取所述历史业务信息的第二特征；

对所述第一特征和所述第二特征进行拼接，确定拼接特征；

采用多层感知机处理所述拼接特征，得到所述目标案件的风险特征。

可选地，所述案件库中存储了各历史投诉案件以及各历史投诉案件的风险特征和行为特征；

根据所述风险特征，在案件库的各历史投诉案件中确定候选案件，具体包括：

针对所述案件库中的每个历史投诉案件，确定该历史投诉案件的风险特征与所述目标案件的风险特征之间的相似度，作为该历史投诉案件与所述目标案件之间的第一相似度；

根据所述第一相似度，在各历史投诉案件中确定候选案件。

可选地，根据所述第一相似度，在各历史投诉案件中确定候选案件，具体包括：

针对每个历史投诉案件，若该历史投诉案件与所述目标案件之间的第一相似度不小于指定阈值，则将该历史投诉案件确定为候选案件。

可选地，在所述候选案件中确定与所述行为特征匹配的候选案件，具体包括：

针对每个候选案件，确定该候选案件的行为特征与所述目标案件的行为特征之间的相似度，作为该候选案件与所述目标案件之间的第二相似度；

根据所述第二相似度，在各候选案件中确定与所述目标案件匹配的候选案件。

可选地，根据所述第二相似度，在各候选案件中确定与所述目标案件匹配的案件，具体包括：

在各候选案件中，按照与所述目标案件之间的第二相似度从高到低的顺序，确定指定数量的候选案件，作为与所述目标案件匹配的候选案件。

可选地，所述方法还包括：

按照与所述目标案件之间的第二相似度从高到低的顺序，展示所述目标案件的类案。

可选地，预先训练风险预估模型，具体包括：

获取样本反馈信息、样本历史业务信息以及标注标签；

将所述样本反馈信息输入待训练的风险预估模型中，提取所述样本反馈信息的第一特征，并提取所述样本历史业务信息的第二特征；

对所述第一特征和所述第二特征进行拼接，确定拼接特征；

采用多层感知机处理所述拼接特征，得到风险特征；

根据所述风险特征，确定风险标签；

以所述风险标签与所述标注标签之间的差异最小为优化目标，对所述风险预估模型进行训练。

本说明书提供了一种类案检索装置，包括：

接收模块，用于接收用户对业务的投诉请求，确定目标案件，所述投诉请求中至少包含所述用户的反馈信息与被投诉方标识；

信息确定模块，用于根据被投诉方标识，确定所述被投诉方的历史业务信息；

风险预估模块，用于将所述反馈信息和所述历史业务信息输入预先训练的风险预估模型中，确定所述目标案件的风险特征；

候选案件确定模块，用于根据所述风险特征，在案件库的各历史投诉案件中确定候选案件；

行为分析模块，用于将所述反馈信息输入预先训练的行为分析模型中，确定所述被投诉方在所述目标案件中的行为特征；

类案确定模块，用于在所述候选案件中确定与所述行为特征匹配的候选案件，作为所述目标案件的类案。

本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述类案检索的方法。

本说明书提供了一种电子设备，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，所述处理器执行所述程序时实现上述类案检索的方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的类案检索方法中，接收用户对业务的投诉请求，投诉请求中包含用户的反馈信息与被投诉方标识；确定被投诉方的历史业务信息；将反馈信息和历史业务信息输入预先训练的风险预估模型中，确定案件的风险特征；根据风险特征，在案件库的各历史投诉案件中确定候选案件；将反馈信息输入行为分析模型中，确定被投诉方的行为特征；根据行为特征，在候选案件中确定目标案件的类案。在采用本说明书提供的类案检索方法时，与传统的仅采用单一特征进行检索的方式相比，本方法能够采用两个不同维度的特征以级联的形式通过两次筛选检索案件，可检索出相似程度更高的类案。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书中提供的一种类案检索方法的流程示意图；

图2为本说明书提供的一种类案检索方法的步骤图；

图3为本说明书提供的一种风险预估模型的结构示意图；

图4为本说明书提供的一种类案检索装置的示意图；

图5为本说明书提供的一种对应于图1的电子设备示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书中提供的一种类案检索的方法的流程示意图，包括以下步骤：

S100：接收用户对业务的投诉请求，确定目标案件，所述投诉请求中至少包含所述用户的反馈信息与被投诉方标识。

在本说明书中，用于实现类案检索的方法的执行主体，可以指服务器等设置于业务平台的指定设备，为了便于描述，本说明书仅以服务器是执行主体为例，对本说明书提供的一种类案检索的方法进行说明。

每当用户在执行业务的过程中，感知到业务存在异常时，为了保障自身的权益，用户可以向提供业务的平台对执行该次业务时的对象进行投诉。以交易业务为例，大多数情况下，与用户进行交易的交易对象可以是售卖商品的商家，或者是其它用户。为了方便表述，本说明书中采用被投诉方表示被用户投诉的对象。

当用户对被投诉方进行投诉，也就是用户针对与被投诉方的交易，向提供业务的平台进行反馈时，需要向平台的服务器发送投诉请求，通常，投诉请求中至少会包括用户输入的反馈信息以及被投诉方的标识。其中，反馈信息可以是用户对与被投诉方进行交易或其他交互的过程的详细描述，而被投诉方的标识则用于表征被投诉方的确切身份。同时，服务器可将用户的投诉请求中涉及到的该次交易确定为目标案件进行处理。

本申请提供的类案检索的方法的总体步骤可如图2所示。在此步骤中，提供业务的平台方的服务器会接收用户发送的对业务的投诉请求，并根据投诉请求中的反馈信息与被投诉方执行类案检索方法中后续的步骤。

S102：根据被投诉方标识，确定所述被投诉方的历史业务信息。

根据步骤S100中获取到的被投诉方的标识，可以确定出被投诉方。但实际上，与司法案件的流程类似，在此步骤中，被投诉方只是存在违规的嫌疑，还不能确定被投诉方确实做出了违规的行为，因此首先可以获取被投诉方的历史业务信息，对被投诉方进行调查，以做出合理的判断。

其中，被投诉方的历史业务信息可至少包括被投诉方被投诉过的次数、经营时长、营业额、好评率/差评率等。通常情况下，被投诉方的历史业务信息能够反映出被投诉方是否为正常执行业务的商家或用户个体。可以想到的，当被投诉方为长期以来都正常执行业务时，被投诉方出现违规行为的概率相对就会更小；反之，当被投诉方为才出现没有多久的新商家或用户，且历史业务中存在异常记录，那么被投诉方做出违规行为的概率就会相对更大一些。

S104：将所述反馈信息和所述历史业务信息输入预先训练的风险预估模型中，确定所述目标案件的风险特征。

将获取到的反馈信息和商户信息输入到预先训练的风险预估模型中，即可通过风险预估模型输出案件的风险特征，风险特征用于表征案件可能存在的风险的类型。在本说明书提供的类案检索方法中，风险预估模型的模型结构可如图3所示。

在步骤S100与步骤S102中分别获取到的反馈信息和历史业务信息，其中，反馈信息用于描述案件的经过，历史业务信息用于反映被投诉方的历史违规情况。由此，根据反馈信息和历史业务信息，能够对案件的风险进行预估，初步确定出案件存在的风险的类型。

在本说明书提供的类案检索方法中，采用预先训练的风险预估模型来预测案件的风险，案件的风险可存在多种类型，包括但不限于欺诈、违法、纠纷等。其中，欺诈风险可以指被投诉方利用虚假信息或向用户给出虚假承诺，骗取用户的财产；违法风险可以指商家向用户出售法律所禁止的商品，或是不符合规定的商品等；纠纷风险可以指用户在熟人之间进行转账，或用户与其他用户之间进行交易时，可能出现的情况，在纠纷风险下，用户所投诉的对象一般是非正规的商家，也就是另一个用户，在用户与用户之间的交易中，双方通常只有口头约定，没有正规的销售承诺、契约或规定可循，所以属于用户之间的纠纷。

S106：根据所述风险特征，在案件库的各历史投诉案件中确定候选案件。

在本说明书提供的类案检索的方法中，是从历史真实发生过的案件中检索出与目标目标案件相似的案件，因此，服务器内会有着存储了所有历史投诉案件的案件库。根据步骤S104中确定出的风险特征，即可初步地在各历史投诉案件中确定风险类型与目标案件相似的历史投诉案件。

实际上，案件库中除了储存有各历史投诉案件之外，还会相应的存储有各历史投诉案件的风险特征和行为特征。其中，各历史投诉案件的风险特征是采用风险预估模型预先确定的，而目标案件的风险特征也是采用相同的风险预估模型确定的。由此，可针对所述案件库中的每个历史投诉案件，确定该历史投诉案件的风险特征与所述目标案件的风险特征之间的相似度，作为该历史投诉案件与所述目标案件之间的第一相似度；根据所述第一相似度，在各历史投诉案件中确定候选案件。

由于当目标案件与历史投诉案件的风险特征是采用同一风险预估模型确定出来的，因此，只要二者的风险特征相似度足够高，就表明二者在风险维度上的相似程度也较高。具体的，可针对每个历史投诉案件，若该历史投诉案件与所述目标案件之间的第一相似度不小于指定阈值，则将该历史投诉案件确定为候选案件。

在此步骤中，只是从风险这一维度上初步检索出了与目标案件相似的历史投诉案件，作为候选案件。而为了检索出相似度较高的案件，在后续步骤中还会从行为这一维度再进行一次检索。因此，在本次检索中，会将所有与目标案件之间的第一相似度不小于指定阈值的案件均作为候选案件，以确保不会遗漏掉任何一个存在检索价值的历史投诉案件。其中，指定阈值可根据具体需求进行设置，本说明书对此不做具体限制。

S108：将所述反馈信息输入预先训练的行为分析模型中，确定所述被投诉方在所述目标案件中的行为特征。

在本说明书提供的类案检索的方法中，行为特征用于表征被投诉方在目标案件中实施的主要行为。换句话说，主要行为可以理解为，被投诉方是采用何种手段对用户的利益造成了损害的。举例来说，在欺诈风险类型下，被投诉方可骗取用户财产的手段包括但不限于盗用身份等；在违法风险类型下，被投诉方可侵害用户权益的手段包括但不限于售卖非法商品、违规经营等；在纠纷风险类型下，可能发生的行为包括但不限于不小心转账到错误的用户、被投诉方借钱不还等。

可以看出，实际上，主要行为是在风险下的进一步的分类。同时，由于被投诉方的历史业务信息是根据被投诉方历史的业务执行状况得到的信息，并不能反映出被投诉方在本次目标案件中的任何行为，因此，在对目标案件进行行为分析时，仅需要将用户输入的反馈信息输入预先训练的行为分析模型中，而无需再输入历史业务信息。根据反馈信息，便能够得到案件的行为特征。

S110：在所述候选案件中确定与所述行为特征匹配的候选案件，作为所述目标案件的类案。

在步骤S106中，从案件库的各历史投诉案件中确定出了若干候选案件。在此步骤中，可根据行为特征，在候选案件中确定出与目标案件匹配的案件，作为最终检索出的类案。正如步骤S106中提到的，案件库中存储了各历史投诉案件的同时，还存储了各历史投诉案件的风险特征和行为特征，由此，从历史投诉案件中选择出的候选案件的行为特征便是已知的。其中，各历史投诉案件的行为特征是采用行为分析模型预先确定出来的。

相似的，由于目标案件的行为特征和候选案件的行为特征均为采用同一行为分析模型确定出的，因此可针对每个候选案件，确定该候选案件的行为特征与所述目标案件的行为特征之间的相似度，作为该候选案件与所述目标案件之间的第二相似度；根据所述第二相似度，在各候选案件中确定与所述目标案件匹配的候选案件。

此时，可与从历史投诉案件中确定候选案件时相同，将所有与当前处理的案件的第二相似度满足预设阈值的候选案件均确定为类案。但实际上，由于在对案件进行审理时，越相似的类案，参考的价值就越大，参考的优先度也就越高。因此，在确定类案时，即使一个候选案件与当前处理的案件的第二相似度足够高，但只要存在第二相似度更高的其它候选案件，那么这一个候选案件的参考价值就会相应的降低。

由此，在从候选案件中确定目标案件的类案时，可更优地，在各候选案件中，按照与所述目标案件之间的第二相似度从高到低的顺序，确定指定数量的候选案件，作为与所述目标案件匹配的候选案件。

如图2所示，在确定候选案件时，可确定出M个候选案件；在确定类案时，可确定出N个类案。可以想到的，由于类案是从候选案件中确定出来的，因此，N一定小于等于M。也就是说，最终确定出的类案的数量一定不大于候选案件的数量。

通常情况下，只要根据相似程度最高的若干个类案，便能够对目标案件做出最合适的审理；而就算根据相似程度最高的若干个类案无法做出最合适的审理，再去参考其它相似程度更低的案件时，也往往不能够得到更好的启发。由此，在输出时，可按照与所述目标案件之间的第二相似度从高到低的顺序，展示所述目标案件的类案。

在采用本说明书提供的类案检索方法检索类案时，可以级联的方式，先后从案件的风险、案件中的行为两个维度来进行两级筛选，最终确定出与当前处理的案件最为匹配的若干个类案。与传统仅采用一个维度的特征进行筛选的方法，本方法检索出的类案与当前处理的案件有着更高的相似程度，具有更高的参考价值；同时，比起传统的多任务学习多维度特征的方式，本方法采用级联的形式避免了多任务学习中容易出现的跷跷板效应，使两个维度都能够提取出效果最高的特征。

更进一步的，在本说明书步骤S104中，采用预先训练的风险预估模型确定案件的风险特征时，具体可将所述反馈信息和所述历史业务信息输入预先训练的风险预估模型中，提取所述反馈信息的第一特征，并提取所述历史业务信息的第二特征；对所述第一特征和所述第二特征进行拼接，确定拼接特征；采用多层感知机处理所述拼接特征，得到所述目标案件的风险特征。

由于在确定风险特征时，同时采用了两种信息，因此无法通过一次提取直接确定出风险特征，需要先分别提取反馈信息对应的第一特征以及历史业务信息对应的第二特征，并将两种特征融合在一起，得到风险特征。具体的，在对第一特征和第二特征进行融合时，可先将第一特征和第二特征拼接为拼接特征，再输入到多层感知机中，采用多层感知机进一步处理拼接特征，得到案件的风险特征。

另外，本说明书中采用的风险预估模型可以预先进行训练。具体的，可获取样本反馈信息、样本历史业务信息以及标注标签；将所述样本反馈信息输入待训练的风险预估模型中，提取所述样本反馈信息的第一特征，并提取所述样本历史业务信息的第二特征；对所述第一特征和所述第二特征进行拼接，确定拼接特征；采用多层感知机处理所述拼接特征，得到风险特征；根据所述风险特征，确定风险标签；以所述风险标签与所述标注标签之间的差异最小为优化目标，对所述风险预估模型进行训练。

由于风险预估模型输出的数据为特征，很难找到相应标注特征来指导模型进行训练。因此，在训练时，在多层感知机输出待优化风险特征后，可额外增加一网络层，用于将待优化风险特征转化为对应的待优化风险标签。其中，标签可以是编码类型的数据。此时，可根据各风险确定出相应的标注标签。在训练时，便能够以模型得到的待优化风险标签和标注标签之间的差异最小为优化目标，对模型进行训练。需要注意的是，额外增加的用于将待优化风险特征转化为待优化风险标签的网络层，仅存在于训练阶段，在实际应用时，风险预估模型中并不存在这一网络层，输出仍然为风险特征。

值得一提的是，本说明书提供的类案检索方法中采用的风险预估模型和行为分析模型均可脱离整体流程，单独进行训练，并单独进行使用，具有较高的灵活性。

以上为本说明书的一个或多个实施类案检索的方法，基于同样的思路，本说明书还提供了相应的类案检索装置，如图4所示。

图4为本说明书提供的一种类案检索装置的示意图，包括：

接收模块200，用于接收用户对业务的投诉请求，确定目标案件，所述投诉请求中至少包含所述用户的反馈信息与被投诉方标识；

信息确定模块202，用于根据被投诉方标识，确定所述被投诉方的历史业务信息；

风险预估模块204，用于将所述反馈信息和所述历史业务信息输入预先训练的风险预估模型中，确定所述目标案件的风险特征；

候选案件确定模块206，用于根据所述风险特征，在案件库的各历史投诉案件中确定候选案件；

行为分析模块208，用于将所述反馈信息输入预先训练的行为分析模型中，确定所述被投诉方在所述目标案件中的行为特征；

类案确定模块210，用于在所述候选案件中确定与所述行为特征匹配的候选案件，作为所述目标案件的类案。

可选地，所述风险预估模块204，具体用于将所述反馈信息和所述历史业务信息输入预先训练的风险预估模型中，提取所述反馈信息的第一特征，并提取所述历史业务信息的第二特征；对所述第一特征和所述第二特征进行拼接，确定拼接特征；采用多层感知机处理所述拼接特征，得到所述目标案件的风险特征。

可选地，所述案件库中存储了各历史投诉案件以及各历史投诉案件的风险特征和行为特征；

所述候选案件确定模块206，具体用于针对所述案件库中的每个历史投诉案件，确定该历史投诉案件的风险特征与所述目标案件的风险特征之间的相似度，作为该历史投诉案件与所述目标案件之间的第一相似度；根据所述第一相似度，在各历史投诉案件中确定候选案件。

可选地，所述候选案件确定模块206，具体用于针对每个历史投诉案件，若该历史投诉案件与所述目标案件之间的第一相似度不小于指定阈值，则将该历史投诉案件确定为候选案件。

可选地，所述类案确定模块210，具体用于针对每个候选案件，确定该候选案件的行为特征与所述目标案件的行为特征之间的相似度，作为该候选案件与所述目标案件之间的第二相似度；根据所述第二相似度，在各候选案件中确定与所述目标案件匹配的候选案件。

可选地，所述类案确定模块210，具体用于在各候选案件中，在各候选案件中，按照与所述目标案件之间的第二相似度从高到低的顺序，确定指定数量的候选案件，作为与所述目标案件匹配的候选案件。

可选地，所述装置还包括输出模块212，具体用于按照与所述目标案件之间的第二相似度从高到低的顺序，输出所述目标案件的类案。

可选地，所述装置还包括训练模块214，具体用于获取样本反馈信息、样本历史业务信息以及标注标签；将所述样本反馈信息输入待训练的风险预估模型中，提取所述样本反馈信息的第一特征，并提取所述样本历史业务信息的第二特征；对所述第一特征和所述第二特征进行拼接，确定拼接特征；采用多层感知机处理所述拼接特征，得到风险特征；根据所述风险特征，确定风险标签；以所述风险标签与所述标注标签之间的差异最小为优化目标，对所述风险预估模型进行训练。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种类案检索的方法。

本说明书还提供了图5所示的一种对应于图1的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的类案检索的方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书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，本说明书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用存储介质（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的形式。

本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。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和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可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，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书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，本说明书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用存储介质（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的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (14)

1.一种类案检索的方法，包括：

接收用户对业务的投诉请求，确定目标案件，所述投诉请求中至少包含所述用户的反馈信息与被投诉方标识；

根据被投诉方标识，确定所述被投诉方的历史业务信息；

将所述反馈信息和所述历史业务信息输入预先训练的风险预估模型中，确定所述目标案件的风险特征；

根据所述案件库中存储的各历史投诉案件的风险特征，分别与所述目标案件的风险特征的第一相似度，确定所述各历史投诉案件中的候选案件；

将所述反馈信息输入预先训练的行为分析模型中，确定所述被投诉方在所述目标案件中的行为特征；

根据所述案件库中存储的各候选案件的行为特征，分别与所述目标案件的行为特征的第二相似度，确定所述候选案件中与所述行为特征匹配的候选案件，作为所述目标案件的类案。

2.如权利要求1所述的方法，将所述反馈信息和所述历史业务信息输入预先训练的风险预估模型中，确定所述目标案件的风险特征，具体包括：

将所述反馈信息和所述历史业务信息输入预先训练的风险预估模型中，提取所述反馈信息的第一特征，并提取所述历史业务信息的第二特征；

对所述第一特征和所述第二特征进行拼接，确定拼接特征；

采用多层感知机处理所述拼接特征，得到所述目标案件的风险特征。

3.如权利要求1所述的方法，根据所述第一相似度，在各历史投诉案件中确定候选案件，具体包括：

针对每个历史投诉案件，若该历史投诉案件与所述目标案件之间的第一相似度不小于指定阈值，则将该历史投诉案件确定为候选案件。

4.如权利要求1所述的方法，根据所述第二相似度，在各候选案件中确定与所述目标案件匹配的案件，具体包括：

在各候选案件中，按照与所述目标案件之间的第二相似度从高到低的顺序，确定指定数量的候选案件，作为与所述目标案件匹配的候选案件。

5.如权利要求4所述的方法，所述方法还包括：

按照与所述目标案件之间的第二相似度从高到低的顺序，展示所述目标案件的类案。

6.如权利要求1所述的方法，预先训练风险预估模型，具体包括：

获取样本反馈信息、样本历史业务信息以及标注标签；

将所述样本反馈信息输入待训练的风险预估模型中，提取所述样本反馈信息的第一特征，并提取所述样本历史业务信息的第二特征；

对所述第一特征和所述第二特征进行拼接，确定拼接特征；

采用多层感知机处理所述拼接特征，得到风险特征；

根据所述风险特征，确定风险标签；

以所述风险标签与所述标注标签之间的差异最小为优化目标，对所述风险预估模型进行训练。

7.一种类案检索装置，包括：

接收模块，用于接收用户对业务的投诉请求，确定目标案件，所述投诉请求中至少包含所述用户的反馈信息与被投诉方标识；

信息确定模块，用于根据被投诉方标识，确定所述被投诉方的历史业务信息；

风险预估模块，用于将所述反馈信息和所述历史业务信息输入预先训练的风险预估模型中，确定所述目标案件的风险特征；

候选案件确定模块，用于根据所述案件库中存储的各历史投诉案件的风险特征，分别与所述目标案件的风险特征的第一相似度，确定所述各历史投诉案件中的候选案件；

行为分析模块，用于将所述反馈信息输入预先训练的行为分析模型中，确定所述被投诉方在所述目标案件中的行为特征；

类案确定模块，用于根据所述案件库中存储的各候选案件的行为特征，分别与所述目标案件的行为特征的第二相似度，确定所述候选案件中与所述行为特征匹配的候选案件，作为所述目标案件的类案。

8.如权利要求7所述的装置，所述风险预估模块，具体用于将所述反馈信息和所述历史业务信息输入预先训练的风险预估模型中，提取所述反馈信息的第一特征，并提取所述历史业务信息的第二特征；对所述第一特征和所述第二特征进行拼接，确定拼接特征；采用多层感知机处理所述拼接特征，得到所述目标案件的风险特征。

9.如权利要求7所述的装置，所述候选案件确定模块，具体用于针对每个历史投诉案件，若该历史投诉案件与所述目标案件之间的第一相似度不小于指定阈值，则将该历史投诉案件确定为候选案件。

10.如权利要求7所述的装置，所述类案确定模块，具体用于在各候选案件中，在各候选案件中，按照与所述目标案件之间的第二相似度从高到低的顺序，确定指定数量的候选案件，作为与所述目标案件匹配的候选案件。

11.如权利要求10所述的装置，所述装置还包括输出模块，具体用于按照与所述目标案件之间的第二相似度从高到低的顺序，输出所述目标案件的类案。

12.如权利要求7所述的装置，所述装置还包括训练模块，具体用于获取样本反馈信息、样本历史业务信息以及标注标签；将所述样本反馈信息输入待训练的风险预估模型中，提取所述样本反馈信息的第一特征，并提取所述样本历史业务信息的第二特征；对所述第一特征和所述第二特征进行拼接，确定拼接特征；采用多层感知机处理所述拼接特征，得到风险特征；根据所述风险特征，确定风险标签；以所述风险标签与所述标注标签之间的差异最小为优化目标，对所述风险预估模型进行训练。

13.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~6任一项所述的方法。

14.一种电子设备，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，所述处理器执行所述程序时实现上述权利要求1~6任一项所述的方法。

Images