CN116153318B - 一种订单监管方法、装置、电子设备及计算机存储介质 - Google Patents

一种订单监管方法、装置、电子设备及计算机存储介质 Download PDF

Info

Publication number
CN116153318B
CN116153318B CN202310429267.1A CN202310429267A CN116153318B CN 116153318 B CN116153318 B CN 116153318B CN 202310429267 A CN202310429267 A CN 202310429267A CN 116153318 B CN116153318 B CN 116153318B
Authority
CN
China
Prior art keywords
order
information
entity
text data
model
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.)
Active
Application number
CN202310429267.1A
Other languages
English (en)
Other versions
CN116153318A (zh
Inventor
王斐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Yishi Huolala Technology Co Ltd
Original Assignee
Shenzhen Yishi Huolala Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Yishi Huolala Technology Co Ltd filed Critical Shenzhen Yishi Huolala Technology Co Ltd
Priority to CN202310429267.1A priority Critical patent/CN116153318B/zh
Publication of CN116153318A publication Critical patent/CN116153318A/zh
Application granted granted Critical
Publication of CN116153318B publication Critical patent/CN116153318B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/28—Constructional details of speech recognition systems
    • G10L15/30—Distributed recognition, e.g. in client-server systems, for mobile phones or network applications
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Business, Economics & Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种订单监管方法、装置、电子设备及计算机存储介质，可以基于网约车订单，通过获取与网约车订单相关的语音数据；将语音数据转换为文本数据，将文本数据输入行为识别模型中；通过行为识别模型对文本数据进行识别处理，得到对象行为结果，对象行为结果包括司机行为结果和/或用户行为结果；根据对象行为结果，判断网约车订单是否为异常订单，并对异常订单进行处理。以此，可以基于语音数据对网约车营运过程中的不规范行为的加强监管，保证网约车订单的合理性，提高了用户体验。

Description

一种订单监管方法、装置、电子设备及计算机存储介质
技术领域
本申请涉及语音识别领域，尤其涉及一种订单监管方法、装置、电子设备及计算机存储介质。
背景技术
随着互联网技术的发展，网约车业务开始广泛的应用于用户出行、生活中，极大的提升用户生活的便捷性。但是在实际应用中，还是存在网约车订单监管难的问题，导致用户体验不佳的问题。
特别是在货运网约车领域，货运网约车非标货物多、收费类目繁多、收费规则复杂，货运司机在与货运委托人协商价格的时候，可能会存在多收费/重复收费的情况。用户对货物、地址、时间等信息描述不清楚，或者隐藏部分信息，导致货运司机定价偏低，利益受损。
发明内容
本申请实施例提供一种订单监管方法、装置、电子设备及计算机存储介质，可以基于语音数据对网约车营运过程中的不规范行为的加强监管，保证网约车订单的合理性，提高了用户体验。
第一方面，本申请实施例提供订单监管方法，包括：
基于网约车订单，获取与所述网约车订单相关的语音数据；
将所述语音数据转换为文本数据，将所述文本数据输入行为识别模型中；
通过所述行为识别模型对所述文本数据进行识别处理，得到对象行为结果，所述对象行为结果包括司机行为结果和/或用户行为结果；
根据所述对象行为结果，判断所述网约车订单是否为异常订单，并对异常订单进行处理。
第二方面，本申请实施例还提供一种订单监管模块，包括：
语音获取模块，用于基于网约车订单，获取与所述网约车订单相关的语音数据；
语音转换模块，用于将所述语音数据转换为文本数据，将所述文本数据输入行为识别模型中；
文本识别模块，用于通过所述行为识别模型对所述文本数据进行识别处理，得到对象行为结果，所述对象行为结果包括司机行为和/或用户行为；
异常判断模块，用于根据所述对象行为结果，判断所述网约车订单是否为异常订单，并对异常订单进行处理。
第三方面，本申请实施例还提供一种电子设备，包括处理器、存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述计算机程序，用于执行如本申请任一实施例提供的订单监管方法。
第四方面，本申请实施例提供了一种存储介质，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如本申请任一实施例提供的订单监管方法。
由上可知，本申请实施例中，基于网约车订单，通过获取与所述网约车订单相关的语音数据；将所述语音数据转换为文本数据，将所述文本数据输入行为识别模型中；通过所述行为识别模型对所述文本数据进行识别处理，得到对象行为结果，所述对象行为结果包括司机行为结果和/或用户行为结果；根据所述对象行为结果，判断所述网约车订单是否为异常订单，并对异常订单进行处理。通过网约车营运过程中的语音监控与识别，对用户与司机的异常行为进行分析，得到用户行为结果和司机行为结果，并综合用户行为结果和司机行为结果判定该订单是否为异常订单，以此基于语音数据对网约车营运过程中的不规范行为的加强监管，保证网约车订单的合理性，提高了用户体验。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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的附图。
图1为本申请实施例提供的订单监管方法的应用环境图。
图2为本申请实施例提供的订单监管方法的第一流程示意图。
图3为本申请实施例提供的订单监管装置的结构示意图。
图4为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
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。显然，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。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动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。
请参照附图，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本申请具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。
本文所使用的术语「模块」可看做为在该运算系统上执行的软件对象。本文该的不同组件、模块、引擎及服务可看做为在该运算系统上的实施对象。而本文该的装置及方法优选的以软件的方式进行实施，当然也可在硬件上进行实施，均在本申请保护范围之内。
请参照图1，图1示意性示出了根据本申请实施例的订单监管的方法的应用环境图。
服务器12通过网络14连接多个移动终端11。
服务器12可以由一个或多个计算设备实现。一个或多个计算设备可以包括虚拟化的计算实例。虚拟化的计算实例可以包括虚拟机，例如计算机系统，操作系统，服务器等的仿真。计算设备可以基于虚拟映像和/或定义用于仿真的特定软件(例如，操作系统，专用应用程序，服务器)的其他数据，由计算设备加载虚拟机。随着对不同类型的处理服务的需求改变，可以在一个或多个计算设备上加载和/或终止不同的虚拟机。可以实现管理程序来管理同一计算设备上不同虚拟机的使用。
多个移动终端11可以被配置为访问服务器12的内容和服务。多个移动终端11可以包括任何类型的电子设备，诸如移动设备、平板设备、膝上型计算机、工作站、虚拟现实设备，游戏设备、机顶盒、数字流媒体设备、车辆终端、智能电视、机顶盒等。多个移动终端11可以与一个或多个用户相关联。单个用户可以使用多个移动终端11中的一个或多个来访问服务器12。多个移动终端11可以旅行到各种位置并使用不同的网络来访问服务器12。
网络14包括各种网络设备，例如路由器，交换机，多路复用器，集线器，调制解调器，网桥，中继器，防火墙，代理设备和/或类似。网络14可以包括物理链路，例如同轴电缆链路，双绞线电缆链路，光纤链路，其组合等。网络14可以包括无线链路，诸如蜂窝链路，卫星链路，Wi-Fi链路等。
请参照图2，本申请实施例提供的订单监管方法的第一流程示意图。具体而言，订单监管方法可以包括以下步骤：
210、基于网约车订单，获取与所述网约车订单相关的语音数据。
其中，通过移动终端收集用户与司机的语音数据，以及通过车载设备采集行程语音数据，并将上述语音数据上传至服务器，具体的，移动终端可以为司机与用户的通信设备，如手机、平板、智能手表、车载设备等。
在网约车订单开始后从服务器获取与该网约车订单相关的语音数据。语音数据至少包括以下一项：用户终端上传的语音数据、司机终端上传的语音数据以及车辆终端上传的语音数据。
220、将语音数据转换为文本数据，将文本数据输入行为识别模型中。
其中，将语音数据输入语音识别模型中以将语音数据转换为文本数据，在将输出的文本数据输入至行为识别模型，通过行为识别模型对文本数据进行处理分析。例如，可以将用户终端上传的语音数据以及司机终端上传的语音数据输入语音识别模型中，得到用户对应的文本数据和司机对应的文本数据。
在一些实施方式中，语音识别模型可以为ASR（Automatic Speech Recognition）模型。
230、通过行为识别模型对文本数据进行识别处理，得到对象行为结果。
其中，通过行为识别模型对人本数据进行识别处理，提取出文本数据对应的特征信息，并通过对特征信息的组合筛选，得到对象行为结果。对象行为结果包括司机行为结果和/或用户行为结果。
在一些实施方式中，所述行为识别模型包括粒度模型和实体模型，通过行为识别模型对文本数据进行识别处理，得到对象行为结果，包括：
231、通过所述粒度模型对所述文本数据进行识别，得到所述文本数据对应标签信息。
其中，通过粒度模型提取出文本数据进行分析，可以多个预设标签中输出与该文本数据相匹配的标签信息。例如，粒度模型中对应的预设标签包括“油价上涨”、“索要额外费用”、“变更目的地”、“货物增加”、“楼层增加”等，当输入粒度模型的文本数据为“老板，高速费需要你自己出”，通过模型对该文本数据的推理计算，得到与该文本数据相匹配的标签信息为“索要额外费用”。
232、通过实体模型对所述文本数据的实体信息进行提取，得到所述文本数据对应的实体信息。
其中，实体模型用于识别文本数据中具有特定意义的实体，实体信息主要包括人名、地名、机构名、专有名词等，以及时间、数量、货币、比例数值等文字。实体信息指的是可以用专有名词（名称）标识的事物，一个实体一般代表唯一一个具体事物个体，包括人名、地名等。
例如，当输入实体模型的文本数据为“老板，高速费需要你自己出”，通过模型对该文本数据的实体进行提取，得到与该文本数据相匹配的实体信息为“高速费”。
233、基于所述标签信息和所述实体信息确定对应的对象行为结果。
例如，当输出的标签信息为“索要额外费用”、实体信息为“高速费”时，综合该标签信息和实体信息可以确定出司机行为结果为“额外加收高速费”。
在一些实施方式中，行为识别模型输出的司机行为结果和用户行为结果为指示用户或司机存在潜在异常行为的信息。行为识别模型经大量文本数据训练后，在对文本数据进行处理时，可以提取出文本数据中的异常特征，并对异常特征进行加工处理后，得到对象行为结果。
在一些实施方式中，通过行为识别模型对文本数据进行识别处理，得到对象行为结果，包括：通过行为识别模型对用户对应的文本数据进行识别分析，得到用户行为结果；通过行为识别模型对司机对应的文本数据进行识别分析，得到司机行为结果。
在一些实施方式中，为了提升行为识别的准确率，在通过行为识别模型分别对用户对应的文本数据以及司机对应的文本数据进行识别处理后，该通过行为识别模型对文本数据进行识别处理，得到对象行为结果，还包括：
将车载设备采集的语音数据转换为文本数据，并将该文本数据也输入至行为识别模型中，并将输出的对象行为结果、基于单独的用户对应文本数据的用户行为结果以及基于单独的司机对应文本数据的司机行为结果共同确认出该网约车订单最终的对象行为结果。
240、根据对象行为结果，判断网约车订单是否为异常订单，并对异常订单进行处理。
在一些实施方式中，根据对象行为结果，判断网约车订单是否为异常订单，包括：
241、将输出的对象行为结果与实际业务规则进行比对，基于比对结果确定司机或用户是否产生异常行为；
其中，异常行为为网约车营运过程中，基于采集的用户和司机的语音数据，确定出的用户或司机线下的真实意思表示与平台端初始网约车订单数据不符的行为。即，根据输出的对象行为结果与实际业务规则进行比对，当根据输出的对象行为结果与实际业务规则不相符时，则确定为异常行为。
例如，初始网约车订单中，基于平台实际业务规则的订单费用包括搬运费、里程费、高速费等，但行程过程中，司机表示订单费用不包括高速费，需要用户承担高速费。那么行为识别模型输出的司机行为结果为“司机索要高速费”，可见该司机与平台端初始网约车订单数据中的订单费用不相符，故认定司机索要高速费的行为为异常行为。
242、当确认出司机和/或用户均存在异常行为时，获取用户行为结果与司机行为结果之间的关联度，基于关联度确定网约车订单是否异常。
可以理解的是，若是因为用户下订单时，输入的数据的错误，导致订单不合理的行为，此时司机要求真实情况与平台实际业务规则去调整订单费用也是合理的。
因此，当确认出存在异常行为时，为了避免误判，还需要综合考虑司机或用户的异常行为是否是由于另一方的原因导致的，故需要获取用户行为结果与司机行为结果之间的关联度，基于关联度确定网约车订单是否异常。
在另一实施方式中，在根据对象行为结果，判断网约车订单是否为异常订单之前，还包括：获取网约车订单的实际订单数据以及订单证据数据；
所述根据对象行为结果，判断网约车订单是否为异常订单，包括：
根据对象行为结果、实际订单数据以及订单证据数据判断网约车订单是否为异常订单。
可以理解的是，在订单结束之前，用户和司机可以根据实际情况对订单进行修改，例如，用户可以变更货物类型、目的地地点等，司机同样可以变更货物类型、货物数量等信息。
因此，除了可以根据语音数据对网约车订单进行监管外，还可以在订单结束后获取实际订单数据，实际订单数据为订单结束时的行程轨迹地点、时间、金额、里程数、高速费、货物类型、货物数量、货物重量、货物体积、楼层，是否有电梯等相关数据。并获取用户或司机上传证据数据，证据数据可以是用户或司机上传的图像数据、视频数据等。
并综合语音数据识别出的对象行为数据、实际订单数据和证据数据共同判断网约车订单是否为异常订单，以此利用多种数据源作为判断依据，可以提高订单识别的准确性。
由此可见，本申请实施例提供的一种订单监管方法，基于网约车订单，通过获取与所述网约车订单相关的语音数据；将所述语音数据转换为文本数据，将所述文本数据输入行为识别模型中；通过所述行为识别模型对所述文本数据进行识别处理，得到对象行为结果，所述对象行为结果包括司机行为结果和/或用户行为结果；根据所述对象行为结果，判断所述网约车订单是否为异常订单，并对异常订单进行处理。通过网约车营运过程中的语音监控与识别，对用户与司机的异常行为进行分析，得到用户行为结果和司机行为结果，并综合用户行为结果和司机行为结果判定该订单是否为异常订单，以此基于语音数据加强对网约车营运过程中的不规范行为的监管，保证网约车订单的合理性，提高了用户体验。
本申请实施例提供的另一订单监管方法。具体而言，订单监管方法可以包括以下步骤：
310、基于网约车订单，获取与所述网约车订单相关的语音数据。
其中，所述基于网约车订单，获取与所述网约车订单相关的语音数据，至少包括以下一项：
获取所述网约车订单对应的司机端上传的语音数据；
获取所述网约车订单对应的用户端上传的语音数据；以及
获取所述网约车订单对应的车载端上传的语音数据。
320、将所述语音数据转换为文本数据，将所述文本数据输入行为识别模型中。
其中，将语音数据输入语音识别模型中以将语音数据转换为文本数据，在将输出的文本数据输入至行为识别模型，通过行为识别模型对文本数据进行处理分析。例如，可以将用户终端上传的语音数据以及司机终端上传的语音数据输入语音识别模型中，得到用户对应的文本数据和司机对应的文本数据。
在一些实施方式中，语音识别模型可以为ASR（Automatic Speech Recognition）模型。
其中，行为识别模型包括句粒度模型和实体模型；句粒度模型为文本分类模型，将一句话的文本数据输入该模型中，通过该模型的推理计算输出该文本数据对应的标签信息。实体模型为实体抽取模型，将整个语音数据的文本数据输入该模型中，通过该模型的识别提取，输出文本数据的所有实体信息。
330、通过所述句粒度模型对所述文本数据进行识别，得到所述文本数据对应标签信息。
其中，在获取完整语音数据对应的文本数据后，通过该句粒度模型或文本分割模型将文本数据拆分为多个文本数据，其中，拆分后的文本数据中仅包括单句话。将拆分后的文本数据输入句粒度模型中，输出可以每句话对应的文本数据的标签信息。
340、通过所述实体模型对所述文本数据的实体信息进行提取，得到所述文本数据对应的实体信息。
其中，在获取完整语音数据对应的文本数据后，将该文本数据完整输入实体模型中，通过该模型的识别提取，输出文本数据的所有实体信息。实体信息主要包括人名、地名、机构名、专有名词等，以及时间、数量、货币、比例数值等文字。实体信息指的是可以用专有名词（名称）标识的事物，一个实体一般代表唯一一个具体事物个体，包括人名、地名等。
在一些实施方式中，步骤340，计算所述标签信息之间的第一关联度、以及所述标签信息与所述实体信息之间的第二关联度，包括：
341、基于所述标签信息和所述实体信息对应的文本数据的时间信息，确定出每一标签信息对应的标签标识和每一实体信息对应的实体标识；
342、基于所述标签标识和所述实体标识，计算标签信息之间的第一关联度，以及标签信息与实体信息之间的第二关联度。
其中，移动终端在采集语音数据时，也会同步记录语音数据的时间戳，因此，可以基于时间戳作为拆分后的文本数据的时间信息，基于标签信息和实体信息在时间维度上的距离计算标签信息之间的第一关联度和标签信息与实体信息之间的第二关联度。需要说明的是，标签信息之间的时间越接近，表明标签信息之间的关联度越高。同理，标签信息与实体信息之间的时间越接近，表明标签信息与实体信息之间的关联度越高。
在一些实施方式中，步骤341，基于所述标签信息和所述实体信息对应的文本数据的时间信息，确定出每一标签信息对应的标签标识和每一实体信息对应的实体标识，包括：
将所述文本数据拆分为多个句文本，基于句文本的时间信息确定出每一句文本的句序号；
通过所述句粒度模型确定每一句文本对应标签信息，并将所述句文本对应的句序号作为所述标签信息的标签标识；
通过所述实体模型获取每一句数据中的实体信息，将所述句数据对应的句序号作为所述实体信息的实体标识。
为更好说明基于所述标签信息和所述实体信息对应的文本数据的时间信息，确定出每一标签信息对应的标签标识和每一实体信息对应的实体标识，以下举例说明。
例如，司机语音数据对应的文本数据为“老板，能不能加点钱？最近油价涨得厉害。....... 这样吧，你加50元钱吧”，该文本数据可以拆为句1“老板，能不能加点钱？”、句1“最近油价涨得厉害”、句3“xxxx”、句4“xxxx”......句12“这样吧，你加50块钱吧”。其中句1、句3匹配的标签信息为“索要额外报酬”、句2匹配的标签信息为“油价上涨”，其中，句3-句11匹配的标签信息均不同，且与句1、句2、句12的标签信息也不同。该文本数据提取的实体信息为“油价”“50元”等。
那么根据每一句文本的时间顺序，句1的句序号为1，句2的句序号为2，依次类推，句12的句序号为12。故实体信息“油价”的实体标识为2，实体信息“50元”的实体标识为12。
在另一实施方式中，步骤341，基于所述标签信息和所述实体信息对应的文本数据的时间信息，确定出每一标签信息对应的标签标识和每一实体信息对应的实体标识，包括：
将所述文本数据拆分为多个句文本，将句文本的时间信息作为所述标签信息的标签标识；
通过所述实体模型获取每一句数据中的实体信息，将所述实体信息对应的时间信息的实体标识。
350、计算所述标签信息之间的第一关联度、以及所述标签信息与所述实体信息之间的第二关联度。
其中，根据标签信息之间的标签标识计算第一关联度，第一关联度与标签信息之间的标签标识的差的绝对值呈负相关。即标签信息之间的标签标识的差的绝对值越小，第一关联度的数值越大。
根据标签信息的标签标识与实体信息的实体标识计算第二关联度，第二关联度与标签标识和实体标识的差的绝对值呈负相关。即标签标识和实体标识的差的绝对值越小，第二关联度的数值越大。
360、根据所述第一关联度从所述标签信息中确定出目标标签。
其中，根据第一关联度从标签信息中确定出第一关联度大于第一预设阈值的目标标签。该目标标签为标签信息组，其中包括2个标签信息，所述目标标签组的2个标签信息可相同可不同。
370、根据所述第二关联度从所述实体信息中确定出目标实体。
其中，根据第二关联度获取与目标标签相关的目标实体，具体点的，基于目标标签获取与目标标签中每一标签信息的第二关联度大于第二预设阈值的目标实体。同样的，该目标实体也为实体信息组。
380、基于所述目标标签和所述目标实体输出所述对象行为结果。
其中，当输出的标签信息和实体信息是为多个时，需要根据标签信息之间的关联度，以及标签信息与实体信息的关联度来辨别信息之间的关联关系，可以理解的是，根据关联度高的多个信息组合得到的对象行为结果，相比于单个信息整合的对象行为结果更为准确。
例如，司机语音数据对应的文本数据为“老板，能不能加点钱？最近油价涨得厉害。....... 这样吧，你加50元钱吧”，该文本数据可以拆为句1“老板，能不能加点钱？”、句1“最近油价涨得厉害”、句3“xxxx”、句4“xxxx”......句12“这样吧，你加50块钱吧”。其中句1、句3匹配的标签信息为“索要额外报酬”、句2匹配的标签信息为“油价上涨”，其中，句3-句11匹配的标签信息均不同，且与句1、句2、句12的标签信息也不同。该文本数据提取的实体信息为“油价”“50元”等。
由此可见，当目标标签为“索要额外报酬”和“油价上涨”，且目标标签的目标实体为“油价”、“50元”时，对应输出的司机行为结果为“司机因为油价上涨向用户索要额外报酬50元”。
在一些实施方式中，所述粒度模型还包括对话粒度模型，所述对话粒度模型用于输出所述标签信息，并对所述标签信息处理，输出对话识别结果；
所述基于所述标签信息和所述实体信息确定对应的对象行为结果，还包括：
根据所述目标标签、所述目标实体和所述对话识别结果确定出所述对象行为结果。
其中，对话粒度模型也是文本分类模型，该模型用于对输入的完整语音数据的文本数据（长文本数据）进行识别处理，并对识别出的特征信息智能整合为对话识别结果。
具体的，对话粒度模型与句粒度模型的差异在于，句粒度模型擅长于短文本数据（句文本）的识别处理，输出的仅是句文本对应的标签信息。而对话粒度模型擅长于长文本数据的识别处理，输出的是多个标签信息筛选整合完成的对话识别结果，可以弥补用户或司机因思维跳跃或话题转换等多种因素，造成的相邻多个句文本之间的关联性较差，从而影响行为识别准确性的问题。而
本申请为了进一步提高行为识别的准确性，通过将文本数据同时句粒度模型、对话粒度模型、实体模型，基于三个模型输出的结果形成对象行为结果，对象行为结果包括司机行为结果和/或用户行为结果；
390、根据所述对象行为结果，判断所述网约车订单是否为异常订单。
其中，将输出的对象行为结果与实际业务规则进行比对，基于比对结果确定司机或用户是否产生异常行为；当确认出司机和/或用户均存在异常行为时，获取用户行为结果与司机行为结果之间的关联度，基于关联度确定网约车订单是否异常。
可以理解的是，若是因为用户下订单时，输入的数据的错误，导致订单不合理的行为，此时司机要求真实情况与平台实际业务规则去调整订单费用也是合理的。
因此，当确认出存在异常行为时，为了避免误判，还需要综合考虑司机或用户的异常行为是否是由于另一方的原因导致的，故需要获取用户行为结果与司机行为结果之间的关联度，基于关联度确定网约车订单是否异常。
在一些实施方式中，获取用户行为结果与司机行为结果之间的关联度，基于关联度确定网约车订单是否异常，包括：
确定用户行为结果和司机行为结果的第三关联度；
当所述第三关联度大于预设阈值时，确定所述网约车订单为正常订单；
当所述第三关联度小于或等于预设阈值时，确定所述网约车订单为异常订单。
其中，根据用户行为结果和司机行为结果之间的关联关系，确定第三关联度，若用户行为结果与司机行为结果之间存在直接因果关系，确定第三关联度大于第三预设阈值。反之，确定第三关联度小于或等于第三预设阈值。
例如，当用户行为结果为“用户修改目的地”，司机行为结果为“司机索要额外报酬”，分析可知司机大概率是因为用户修改目的地，导致里程数增加，从而需要增加报酬。故，此时用户行为结果与司机行为结果之间的第三关联度大于第三预设阈值，认定该网约车订单为正常订单。
在一些实施方式中，确定所述网约车订单为异常订单之后，还包括：对所述异常订单进行处理。
可选的，对所述异常订单进行处理，包括：
根据对象行为结果确定所述异常订单的异常类型和违规方；
根据所述异常类型和预设业务规则，匹配对应的异常处理策略，并对所述违规方执行所述异常处理策略。
其中，异常类型包括：费用异常、轨迹异常、言语异常等。异常处理策略包括：发送警告信息、降低用户信用分、降低派单频率、追加费用等多种措施可以根据对象行为结果确定异常类型以及违规方。
例如，输出的对象行为结果为“司机因为油价上涨向用户索要额外报酬50元”，确定异常类型为费用异常，违规方为司机。此时，可以根据异常类型和预设业务规则，可以选择发送警告信息作为异常处理策略，并向司机方发送警告信息。
由此可见，本申请实施例提供的一种订单监管方法，基于网约车订单，通过获取与所述网约车订单相关的语音数据；将所述语音数据转换为文本数据，将所述文本数据输入行为识别模型中；通过所述行为识别模型对所述文本数据进行识别处理，得到对象行为结果，所述对象行为结果包括司机行为结果和/或用户行为结果；根据所述对象行为结果，判断所述网约车订单是否为异常订单，并对异常订单进行处理。通过网约车营运过程中的语音监控与识别，对用户与司机的异常行为进行分析，得到用户行为结果和司机行为结果，并综合用户行为结果和司机行为结果判定该订单是否为异常订单，以此基于语音数据对网约车营运过程中的不规范行为加强监管，保证网约车订单的合理性，提高了用户体验。
为便于更好的实施本申请实施例提供的订单监管方法，本申请实施例还提供一种基于上述订单监管方法的装置。其中名词的含义与上述订单监管方法中相同，具体实现细节可以参考方法实施例中的说明。
请参阅图3，图3为本申请实施例提供的订单监管装置的结构示意图。该订单监管装置包括：
语音获取模块41，用于基于网约车订单，获取与所述网约车订单相关的语音数据；
语音转换模块42，用于将所述语音数据转换为文本数据，将所述文本数据输入行为识别模型中；
文本识别模块43，用于通过所述行为识别模型对所述文本数据进行识别处理，得到对象行为结果，所述对象行为结果包括司机行为和/或用户行为；
异常判断模块44，用于根据所述对象行为结果，判断所述网约车订单是否为异常订单，并对异常订单进行处理。
在一些实施方式中，文本识别模型43，语音获取模块41用于通过以下一项方式获取语音数据；
获取所述网约车订单对应的司机端上传的语音数据；
获取所述网约车订单对应的用户端上传的语音数据；以及
获取所述网约车订单对应的车载端上传的语音数据。
在一些实施方式中，文本识别模型43，具体用于通过所述粒度模型对所述文本数据进行识别，得到所述文本数据对应标签信息；通过所述实体模型对所述文本数据的实体信息进行提取，得到所述文本数据对应的实体信息；基于所述标签信息和所述实体信息确定对应的对象行为结果。
在一些实施方式中，所述粒度模型包括句粒度模型，文本识别模型43，还用于计算所述标签信息之间的第一关联度、以及所述标签信息与所述实体信息之间的第二关联度；根据所述第一关联度从所述标签信息中确定出目标标签；根据所述第二关联度从所述实体信息中确定出目标实体；基于所述目标标签和所述目标实体输出所述对象行为结果。
在一些实施方式中，所述粒度模型还包括对话粒度模型，所述对话粒度模型用于输出所述标签信息，并对所述标签信息处理，输出对话识别结果；
文本识别模型43，还用于基于所述标签信息和所述实体信息确定对应的对象行为结果，还包括：根据所述目标标签、所述目标实体和所述对话识别结果确定出所述对象行为结果。
在一些实施方式中，文本识别模型43，还用于基于所述标签信息和所述实体信息对应的文本数据的时间信息，确定出每一标签信息对应的标签标识和每一实体信息对应的实体标识；基于所述标签标识和所述实体标识，计算标签信息之间的第一关联度，以及标签信息与实体信息之间的第二关联度。
在一些实施方式中，文本识别模型43，还用于将所述文本数据拆分为多个句文本，基于句文本的时间信息确定出每一句文本的句序号；通过所述句粒度模型确定每一句文本对应标签信息，并将所述句文本对应的句序号作为所述标签信息的标签标识；通过所述实体模型获取每一句数据中的实体信息，将所述句数据对应的句序号作为所述实体信息的实体标识。
在一些实施方式中，异常判断模块44，用于确定用户行为结果和司机行为结果的第三关联度；当所述第三关联度大于预设阈值时，确定所述网约车订单为正常订单；当所述第三关联度小于或等于预设阈值时，确定所述网约车订单为异常订单。
在一些实施方式中，异常判断模块44，还用于根据对象行为结果确定所述异常订单的异常类型和违规方；根据所述异常类型和预设业务规则，匹配对应的异常处理策略，并对所述违规方执行所述异常处理策略。
由此可见，本申请实施例提供的一种订单监管装置，基于网约车订单，通过语音获取模块41获取与所述网约车订单相关的语音数据；语音转换模块42将所述语音数据转换为文本数据，将所述文本数据输入行为识别模型中；文本识别模块43通过所述行为识别模型对所述文本数据进行识别处理，得到对象行为结果，所述对象行为结果包括司机行为结果和/或用户行为结果；异常判断模块44根据所述对象行为结果，判断所述网约车订单是否为异常订单，并对异常订单进行处理。通过网约车营运过程中的语音监控与识别，对用户与司机的异常行为进行分析，得到用户行为结果和司机行为结果，并综合用户行为结果和司机行为结果判定该订单是否为异常订单，以此基于语音数据加强对网约车营运过程中的不规范行为的监管，保证网约车订单的合理性，提高了用户体验。
本申请还提供一种电子设备，请参阅图4，图4为本申请实施例提供的电子设备的结构示意图。该电子设备包括处理器10、存储器30。
该处理器10是电子设备100的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或加载存储在存储器30内的计算机程序，以及调用存储在存储器30内的数据，执行电子设备100的各种功能并处理数据，从而对电子设备100进行整体监控。
该存储器30可用于存储软件程序以及模块，处理器10通过运行存储在存储器30的计算机程序以及模块，从而执行各种功能应用以及数据处理。存储器30可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的计算机程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器30可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器30还可以包括存储器控制器，以提供处理器10对存储器30的访问。
在本申请实施例中，电子设备100中的处理器10会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器30中，并由处理器10运行存储在存储器30中的计算机程序，从而实现各种功能，如下：
基于网约车订单，获取与所述网约车订单相关的语音数据；
将所述语音数据转换为文本数据，将所述文本数据输入行为识别模型中；
通过所述行为识别模型对所述文本数据进行识别处理，得到对象行为结果，所述对象行为结果包括司机行为结果和/或用户行为结果；
根据所述对象行为结果，判断所述网约车订单是否为异常订单，并对异常订单进行处理。
本申请实施例还提供一种存储介质，该存储介质存储有计算机程序，当该计算机程序在计算机上运行时，使得该计算机执行上述任一实施例中的订单监管方法，比如：实时检测所述第一天线对应的第一接收信号强度和所述第二天线对应的第二接收信号强度；当所述第一接收信号强度降低时，判断所述第二接收信号强度是否降低；若所述第二接收信号强度未降低，根据第一参数回退值对所述第一天线的发射参数进行调整；若所述第二接收信号强度降低，根据第二参数回退值对所述第一天线的发射参数进行调整。
在本申请实施例中，存储介质可以是磁碟、光盘、只读存储器（Read Only Memory，ROM）、或者随机存取记忆体（Random Access Memory，RAM）等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
需要说明的是，对本申请实施例的订单监管方法而言，本领域普通测试人员可以理解实现本申请实施例的订单监管方法的全部或部分流程，是可以通过计算机程序来控制相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，如存储在电子设备的存储器中，并被该电子设备内的至少一个处理器执行，在执行过程中可包括如订单监管方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储器、随机存取记忆体等。
对本申请实施例的订单监管装置而言，其各功能模块可以集成在一个处理芯片中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。该集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中，该存储介质譬如为只读存储器，磁盘或光盘等。
以上对本申请实施例所提供的一种订单监管方法、装置、存储介质及电子设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种订单监管方法，其特征在于，包括：
基于网约车订单，获取与所述网约车订单相关的语音数据；
将所述语音数据转换为文本数据，将所述文本数据输入行为识别模型中；
通过所述行为识别模型对所述文本数据进行识别处理，得到对象行为结果，所述对象行为结果包括司机行为结果和/或用户行为结果；
根据所述对象行为结果，判断所述网约车订单是否为异常订单，并对异常订单进行处理；
所述行为识别模型包括粒度模型和实体模型，所述通过所述行为识别模型对所述文本数据进行识别处理，得到对象行为结果，包括：
通过所述粒度模型对所述文本数据进行识别，得到所述文本数据对应标签信息；
通过所述实体模型对所述文本数据的实体信息进行提取，得到所述文本数据对应的实体信息；
基于所述标签信息和所述实体信息确定对应的对象行为结果；
所述粒度模型包括句粒度模型，所述句粒度模型用于输出标签信息，所述基于所述标签信息和所述实体信息确定对应的对象行为结果，包括：
计算所述标签信息之间的第一关联度、以及所述标签信息与所述实体信息之间的第二关联度；
根据所述第一关联度从所述标签信息中确定出目标标签；
根据所述第二关联度从所述实体信息中确定出目标实体；
基于所述目标标签和所述目标实体输出所述对象行为结果。
2.根据权利要求1所述的订单监管方法，其特征在于，所述粒度模型还包括对话粒度模型，所述对话粒度模型用于输出所述标签信息，并对所述标签信息处理，输出对话识别结果；
所述基于所述标签信息和所述实体信息确定对应的对象行为结果，还包括：
根据所述目标标签、所述目标实体和所述对话识别结果确定出所述对象行为结果。
3.根据权利要求1所述的订单监管方法，其特征在于，所述计算所述标签信息之间的第一关联度、以及所述标签信息与所述实体信息之间的第二关联度，包括：
基于所述标签信息和所述实体信息对应的文本数据的时间信息，确定出每一标签信息对应的标签标识和每一实体信息对应的实体标识；
基于所述标签标识和所述实体标识，计算标签信息之间的第一关联度，以及标签信息与实体信息之间的第二关联度。
4.根据权利要求3所述的订单监管方法，其特征在于，所述基于标签信息和实体信息对应的文本数据的时间信息，确定出每一标签信息对应的标签标识和每一实体信息对应的实体标识，包括：
将所述文本数据拆分为多个句文本，基于句文本的时间信息确定出每一句文本的句序号；
通过所述句粒度模型确定每一句文本对应标签信息，并将所述句文本对应的句序号作为所述标签信息的标签标识；
通过所述实体模型获取每一句数据中的实体信息，将所述句数据对应的句序号作为所述实体信息的实体标识。
5.根据权利要求1-4任一项所述的订单监管方法，其特征在于，根据所述对象行为结果，判断所述网约车订单是否为异常订单，包括：
确定用户行为结果和司机行为结果的第三关联度；
当所述第三关联度大于预设阈值时，确定所述网约车订单为正常订单；
当所述第三关联度小于或等于预设阈值时，确定所述网约车订单为异常订单。
6.根据权利要求5所述的订单监管方法，其特征在于，对所述异常订单进行处理，包括：
根据对象行为结果确定所述异常订单的异常类型和违规方；
根据所述异常类型和预设业务规则，匹配对应的异常处理策略，并对所述违规方执行所述异常处理策略。
7.根据权利要求1-4任一项所述的订单监管方法，其特征在于，所述基于网约车订单，获取与所述网约车订单相关的语音数据，至少包括以下一项：
获取所述网约车订单对应的司机端上传的语音数据；
获取所述网约车订单对应的用户端上传的语音数据；以及
获取所述网约车订单对应的车载端上传的语音数据。
8.一种订单监管模块，其特征在于，包括：
语音获取模块，用于基于网约车订单，获取与所述网约车订单相关的语音数据；
语音转换模块，用于将所述语音数据转换为文本数据，将所述文本数据输入行为识别模型中；
文本识别模块，用于通过所述行为识别模型对所述文本数据进行识别处理，得到对象行为结果，所述对象行为结果包括司机行为和/或用户行为；
异常判断模块，用于根据所述对象行为结果，判断所述网约车订单是否为异常订单，并对异常订单进行处理；
所述行为识别模型包括粒度模型和实体模型，所述通过所述行为识别模型对所述文本数据进行识别处理，得到对象行为结果，包括：
通过所述粒度模型对所述文本数据进行识别，得到所述文本数据对应标签信息；
通过所述实体模型对所述文本数据的实体信息进行提取，得到所述文本数据对应的实体信息；
基于所述标签信息和所述实体信息确定对应的对象行为结果；
所述粒度模型包括句粒度模型，所述句粒度模型用于输出标签信息，所述基于所述标签信息和所述实体信息确定对应的对象行为结果，包括：
计算所述标签信息之间的第一关联度、以及所述标签信息与所述实体信息之间的第二关联度；
根据所述第一关联度从所述标签信息中确定出目标标签；
根据所述第二关联度从所述实体信息中确定出目标实体；
基于所述目标标签和所述目标实体输出所述对象行为结果。
9.一种电子设备，包括处理器、存储器，所述存储器中存储有计算机程序，其特征在于，所述处理器通过调用所述计算机程序，用于执行如权利要求1至7任一项所述的订单监管方法。
10.一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，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1至7任一项所述的订单监管方法。
CN202310429267.1A 2023-04-21 2023-04-21 一种订单监管方法、装置、电子设备及计算机存储介质 Active CN116153318B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310429267.1A CN116153318B (zh) 2023-04-21 2023-04-21 一种订单监管方法、装置、电子设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310429267.1A CN116153318B (zh) 2023-04-21 2023-04-21 一种订单监管方法、装置、电子设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN116153318A CN116153318A (zh) 2023-05-23
CN116153318B true CN116153318B (zh) 2023-07-04

Family

ID=86351049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310429267.1A Active CN116153318B (zh) 2023-04-21 2023-04-21 一种订单监管方法、装置、电子设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN116153318B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102562227B1 (ko) * 2018-06-12 2023-08-02 현대자동차주식회사 대화 시스템, 그를 가지는 차량 및 차량의 제어 방법
CN111008532B (zh) * 2019-12-12 2023-09-12 广州小鹏汽车科技有限公司 语音交互方法、车辆和计算机可读存储介质
CN112750275B (zh) * 2020-12-24 2022-10-18 汉海信息技术(上海)有限公司 乘车安全提醒方法、装置、电子设备及存储介质
CN112927500B (zh) * 2021-01-21 2022-11-11 南京领行科技股份有限公司 绕路事件识别方法及装置
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

Also Published As

Publication number Publication date
CN116153318A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
WO2022252363A1 (zh) 数据处理方法、计算机设备以及可读存储介质
CN108563768A (zh) 不同数据模型的数据转换方法、装置、设备及存储介质
CN110008336B (zh) 一种基于深度学习的舆情预警方法及系统
CN110445939B (zh) 容量资源的预测方法及装置
CN113240510B (zh) 异常用户预测方法、装置、设备及存储介质
CN111522916A (zh) 一种语音服务质量检测方法、模型训练方法及装置
CN112233428B (zh) 车流量预测方法、装置、存储介质及设备
CN111126071B (zh) 提问文本数据的确定方法、装置和客服群的数据处理方法
CN113743522A (zh) 违规行为的检测方法及装置、电子设备
CN111739537B (zh) 语义识别方法、装置、存储介质及处理器
CN116153318B (zh) 一种订单监管方法、装置、电子设备及计算机存储介质
CN116522131A (zh) 对象表示方法、装置、电子设备及计算机可读存储介质
CN110287384A (zh) 智能服务方法、装置及设备
CN114692650A (zh) 针对大数据推荐的社交平台互动信息处理方法及系统
CN112348537B (zh) 信息处理方法、装置、电子设备和存储介质
CN115098665A (zh) 一种对话数据扩展方法、装置及设备
CN114253957A (zh) 数据处理方法、相关设备、存储介质及计算机程序产品
CN113449506A (zh) 一种数据检测方法、装置、设备及可读存储介质
CN114676705A (zh) 一种对话关系处理方法、计算机及可读存储介质
CN113807920A (zh) 基于人工智能的产品推荐方法、装置、设备及存储介质
CN116911313B (zh) 一种语义漂移文本的识别方法及装置
CN111967273B (zh) 对话管理系统、方法和规则引擎设备
CN111966897B (zh) 一种出行意愿的感知方法、装置、终端及存储介质
CN117611182A (zh) 模型训练方法、对象分类方法、装置、设备、介质和产品
CN117349434A (zh) 语音分类方法、装置及存储介质

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
GR01 Patent grant
GR01 Patent grant