CN116883011A - 一种售后赔付任务的审核方法及装置 - Google Patents
一种售后赔付任务的审核方法及装置 Download PDFInfo
- Publication number
- CN116883011A CN116883011A CN202210311202.2A CN202210311202A CN116883011A CN 116883011 A CN116883011 A CN 116883011A CN 202210311202 A CN202210311202 A CN 202210311202A CN 116883011 A CN116883011 A CN 116883011A
- Authority
- CN
- China
- Prior art keywords
- pay
- information
- task
- scene
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012550 audit Methods 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012937 correction Methods 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000000758 substrate Substances 0.000 claims 1
- 238000009960 carding Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 31
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000586 desensitisation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种售后赔付任务的审核方法及装置,涉及智能客服技术领域。该方法的一具体实施方式包括:获取待审核的售后赔付任务;售后赔付任务包括赔付信息、状态信息以及用户信息;根据预训练的赔付场景预测模型以及售后赔付任务的赔付信息,确定售后赔付任务对应的目标赔付场景;赔付场景预测模型是通过多个历史售后赔付任务的赔付信息进行无监督训练得到的;对状态信息进行序列化处理,得到序列化状态信息;将目标赔付场景的场景标识、序列化状态信息以及用户信息作为审核模型的输入;根据审核模型的输出,确定售后赔付任务是否通过;如果是,允许执行售后赔付任务。该实施方式避免了人工对赔付场景的梳理,提高了审核模型的准确度。
Description
技术领域
本发明涉及智能客服技术领域,尤其涉及一种售后赔付任务的审核方法及装置。
背景技术
在电商平台购物过程中,在产生纠纷时,客服人员会根据用户的申述以及商品的售后状态等帮助用户申请赔付单,再由审核系统对该赔付单进行审核。
目前,电商平台通常是基于二分类的模型对赔付单进行判别,并根据模型的输出结果给出赔付单的审核结果。审核模型的准确性通常依赖于输入数据的有效表达以及模型的学习能力。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
审核模型的学习能力往往依赖于人工对赔付场景的梳理,使用人工对赔付场景进行梳理,效率较低且无法覆盖所有场景,导致场景覆盖率较低,从而降低了审核模型的准确度,进而影响了用户的体验;另外,在审核模型的输入数据中,对于一些状态特征往往是简单的将其作离散化处理,使得状态特征表达方式存在不足,从而导致审核模型的准确度较低。
发明内容
有鉴于此,本发明实施例提供一种售后赔付任务的审核方法及装置,利用赔付场景预测模型确定售后赔付任务对应的目标赔付场景,将目标赔付场景的场景标识及序列化处理后的状态信息作为审核模型的输入,根据审核模型的输出确定售后赔付任务的审核结果,由此,避免了人工对赔付场景的梳理过程,提高了审核模型的学习能力,提高了审核结果的准确度;另外,通过将状态信息序列化,可以充分挖掘状态信息的语义信息和时序信息,从而增强了状态特征的表达丰富性,进而提高了审核模型的准确性。
进一步地,利用赔付场景预测模型对历史售后赔付任务进行聚类,得到细化后的多个历史赔付场景,由此,可以快速地确定当前售后赔付任务的目标赔付场景,为审核模型提供了较准确的输入特征;另外,根据对不通过的历史售后赔付任务的反馈信息确定修正系数,利用修正系数对审核模型输出的概率值进行修正,提高了审核结果的准确度。
为实现上述目的,根据本发明实施例的第一方面,提供了一种售后赔付任务的审核方法,包括:
获取待审核的售后赔付任务;所述售后赔付任务包括赔付信息、状态信息以及用户信息;
根据预训练的赔付场景预测模型以及所述售后赔付任务的赔付信息,确定所述售后赔付任务对应的目标赔付场景;所述赔付场景预测模型是通过多个历史售后赔付任务的赔付信息进行无监督训练得到的;
对所述状态信息进行序列化处理,得到序列化状态信息;
将所述目标赔付场景的场景标识、所述序列化状态信息以及所述用户信息作为审核模型的输入;
根据所述审核模型的输出,确定所述售后赔付任务是否通过;如果是,允许执行所述售后赔付任务。
可选地,该方法还包括:
利用k-means算法对所述多个历史售后赔付任务的赔付信息进行聚类,得到划分后的多个历史赔付场景,使得每一个所述历史赔付场景对应的多个所述赔付信息之间的相似度大于第一阈值,且不同的所述历史赔付场景对应的赔付信息之间的相似度小于第二阈值;以训练所述赔付场景预测模型。
可选地,分别确定所述多个历史赔付场景对应的簇中心点;
根据每两个所述历史赔付场景对应的簇中心点之间的距离,确定所述两个所述历史赔付场景对应的赔付信息之间的相似度;
在所述距离大于所述第二阈值的情况下,确定所述相似度小于所述第二阈值;
和/或,
分别确定所述多个历史赔付场景对应的簇中心点;
针对每一个所述历史赔付场景:根据每两个所述赔付信息与所述簇中心点之间的距离,确定所述两个所述赔付信息之间的相似度;
在所述距离小于所述第一阈值的情况下,确定所述相似度大于所述第一阈值。
可选地,将所述售后赔付任务的赔付信息进行预处理和数据标准化,并根据数据标准化后的赔付信息,分别确定所述售后赔付任务与所述多个历史赔付场景对应的簇中心点之间的距离,将最小距离对应的所述历史赔付场景作为所述目标赔付场景。
可选地,所述对所述状态信息进行序列化处理,包括:
根据所述状态信息中各节点的处理先后顺序,将所述状态信息转换为序列化状态信息。
可选地,所述根据所述审核模型的输出,确定所述售后赔付任务是否通过,包括:
根据针对历史售后赔付任务的反馈信息确定所述审核模型的修正系数;所述反馈信息是根据指示所述历史售后赔付任务不通过的模型输出得到的;
根据所述修正系数和所述审核模型的输出,确定所述售后赔付任务是否通过的概率。
可选地,该方法还包括:
利用已标注的第一样本数据训练所述审核模型,得到中间审核模型;
利用所述中间审核模型确定未标注的第二样本数据对应的特征向量;
根据所述第二样本数据的特征向量与所述第一样本数据的特征向量的相似度,对所述第二样本数据进行标注;
利用标注后的第二样本数据和所述第一样本数据,对所述审核模型进行训练。
根据本发明实施例的第二方面,提供了一种售后赔付任务的审核装置,包括:获取模块、处理模块、审核模块和确定模块;其中,
所述获取模块,用于获取待审核的售后赔付任务;所述售后赔付任务包括赔付信息、状态信息以及用户信息;
所述处理模块,用于根据预训练的赔付场景预测模型以及所述售后赔付任务的赔付信息,确定所述售后赔付任务对应的目标赔付场景;所述赔付场景预测模型是通过多个历史售后赔付任务的赔付信息进行无监督训练得到的;对所述状态信息进行序列化处理,得到序列化状态信息;
所述审核模块,用于将所述目标赔付场景的场景标识、所述序列化状态信息以及所述用户信息作为审核模型的输入;
所述确定模块,用于根据所述审核模型的输出,确定所述售后赔付任务是否通过;如果是,允许执行所述售后赔付任务。
根据本发明实施例的第三方面,提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述第一方面提供的一种售后赔付任务的审核方法中任一所述的方法。
根据本发明实施例的第四方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述第一方面提供的一种售后赔付任务的审核方法中任一所述的方法。
上述发明中的一个实施例具有如下优点或有益效果:利用赔付场景预测模型确定售后赔付任务对应的目标赔付场景,将目标赔付场景的场景标识及序列化处理后的状态信息作为审核模型的输入,根据审核模型的输出确定售后赔付任务的审核结果,由此,避免了人工对赔付场景的梳理过程,提高了审核模型的学习能力,提高了审核结果的准确度;另外,通过将状态信息序列化,可以充分挖掘状态信息的语义信息和时序信息,从而增强了状态特征的表达丰富性,进而提高了审核模型的准确性。
进一步的,利用赔付场景预测模型对历史售后赔付任务进行聚类,得到细化后的多个历史赔付场景,由此,可以快速地确定当前售后赔付任务的目标赔付场景,为审核模型提供了较准确的输入特征;另外,根据对不通过的历史售后赔付任务的反馈信息确定修正系数,利用修正系数对审核模型输出的概率值进行修正,提高了审核结果的准确度。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是本发明一个实施例提供的一种售后赔付任务的审核方法的流程示意图;
图2是本发明一个实施例提供的一种赔付场景预测模型训练的流程示意图;
图3是本发明一个实施例提供的一种利用赔付场景预测模型确定目标赔付场景的流程示意图;
图4是本发明一个实施例提供的一种审核模型的示意图;
图5是本发明一个实施例提供的一种审核模型训练的流程示意图;
图6是本发明一个实施例提供的另一种售后赔付任务的审核方法的流程示意图;
图7是本发明一个实施例提供的一种售后赔付任务的审核装置的结构示意图;
图8是本发明实施例可以应用于其中的示例性系统架构图;
图9是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要指出的是,在不冲突的情况下,本发明的实施例以及实施例中的技术特征可以相互结合。
如图1所示,本发明实施例提供了一种售后赔付任务的审核方法,该方法可以包括以下步骤S101至S105:
步骤S101:获取待审核的售后赔付任务;所述售后赔付任务包括赔付信息、状态信息以及用户信息。
步骤S102:根据预训练的赔付场景预测模型以及所述售后赔付任务的赔付信息,确定所述售后赔付任务对应的目标赔付场景;所述赔付场景预测模型是通过多个历史售后赔付任务的赔付信息进行无监督训练得到的。
步骤S103:对所述状态信息进行序列化处理,得到序列化状态信息。
步骤S104:将所述目标赔付场景的场景标识、所述序列化状态信息以及所述用户信息作为审核模型的输入。
步骤S105:根据所述审核模型的输出,确定所述售后赔付任务是否通过;如果是,允许执行所述售后赔付任务。
本发明的一个应用场景是对售后过程中产生的赔付任务进行审核。例如,用户针对电商平台购买的商品提出售后处理时,可以由客服人员根据与用户的沟通情况及商品状态帮助用户提出赔付申请单,也即提出售后赔付任务;之后,提出的售后赔付任务会流转到审核环节,在审核环节,可以由人工进行审核,也可以由审核模型进行审核。根据人工或模型审核的结果确定售后赔付任务(赔付申请单)是否通过审核,如果通过,则可以由电商平台为用户进行赔付,以完成售后赔付任务。
在本发明的一个实施例中,优选地使用审核模型对售后赔付任务进行审核。审核模型的输入特征是从当前售后赔付任务涉及的信息中提取,并根据模型输入的需求处理得到。审核模型的输出则是该售后赔付任务的通过概率值。售后赔付任务可以包括赔付信息、状态信息以及用户信息。也就是说,审核模型的输入即是对赔付信息、状态信息以及用户信息进行处理后得到的特征。
其中,赔付信息可以包括当前售后赔付任务对应的赔付金额、赔付类型、赔付申请人、赔付申请原因、赔付申请日志、订单类型等信息。状态信息可以包括订单状态信息、物流状态信息、售后状态信息等。用户信息可以包括用户脱敏信息、用户画像、用户历史赔付记录等。
可以理解的是,在利用审核模型审核的过程中,将售后赔付任务所属的赔付场景作为一个输入特征,可以提高审核过程的规范化和可验证性,可以很好的表达出该赔付场景下的审核结果的倾向性。而赔付场景可以根据赔付信息来确定。当前售后赔付任务属于哪一类赔付场景,具体地与历史的赔付场景的划分有关。历史的赔付场景精细的划分结果通常是对历史售后赔付任务进行场景的分析和梳理得到的。这个分析和梳理的过程可以由人工来完成,也可以由一些模型算法来完成。通过人工进行场景的分析和梳理效率较低,得到的场景分类通常比较有限,也比较难覆盖到全部场景。
为了提高对赔付场景划分的准确度,本发明的一个实施例优选地采用赔付场景预测模型来确定当前售后赔付任务对应的目标赔付场景。其中,赔付场景预测模型是通过对多个历史售后赔付任务的赔付信息进行无监督训练得到的。也就是说,通过训练后的赔付场景预测模型可以得到多个历史赔付场景,确定当前售后赔付任务的赔付场景与多个历史赔付场景的相似度,将相似度最大的历史赔付场景作为当前售后赔付任务的目标赔付场景。
在本发明的一个实施例中,赔付场景预测模型的无监督训练过程可以采用以下方式:利用k-means算法对所述多个历史售后赔付任务的赔付信息进行聚类,得到划分后的多个历史赔付场景,使得每一个所述历史赔付场景对应的多个所述赔付信息之间的相似度大于第一阈值,且不同的所述历史赔付场景对应的赔付信息之间的相似度小于第二阈值;以训练所述赔付场景预测模型。在确定相似度的时候可以采用以下方式:根据每两个所述历史赔付场景对应的簇中心点之间的距离,确定所述两个所述历史赔付场景对应的赔付信息之间的相似度;在所述距离大于所述第二阈值的情况下,确定所述相似度小于所述第二阈值。
同时还可以是:分别确定所述多个历史赔付场景对应的簇中心点;针对每一个所述历史赔付场景:根据每两个所述赔付信息与所述簇中心点之间的距离,确定所述两个所述赔付信息之间的相似度;在所述距离小于所述第一阈值的情况下,确定所述相似度大于所述第一阈值。
在本发明的一个实施例中,利用历史售后赔付任务中的赔付信息对赔付场景预测模型(k-mean算法模型)进行训练的流程可以如图2所示,具体步骤可以包括S201至S205:
步骤S201:对历史售后赔付任务中的赔付信息进行预处理。
由于k-means是基于欧式距离的数据划分算法,对于未做归一化处理和标准化的数据是无法直接参与运算和比较的。因此,在本发明的一个实施例中,可以先对历史售后赔付任务的赔付信息进行预处理。预处理可以是采用非线性归一化将赔付信息中的数据进行归一化的过程,非线性归一化可以使得赔付信息中的数据更加集中。预处理还可以包括将赔付信息中的文本特征离散化成数字特征的过程。例如,赔付信息中的订单类型为自营、非自营等,可以将订单类型离散化为0、1的数字,以便于作为赔付场景预测模型的输入。
步骤S202:对预处理后的赔付信息进行数据标准化。
可以理解的是,不同的历史售后赔付任务包含的赔付信息通常不同,且赔付信息的完整度及差异性可能较大,因此可以对预处理后的赔付信息进行数据标准化,以便于将多个历史售后赔付信息对应于欧式空间中的多个样本点,从而满足k-means算法的对输入数据的要求。另外,噪声数据会对预测结果产生较大的影响。因此在进行数据标准化时,对于多个历史售后赔付信息对应的多个欧式空间的样本点,还可以对多个样本中的异常点进行过滤,以保证k-means算法的准确度。
步骤S203:选取k个初始聚类簇的簇中心点。
在对k-means算法无监督的训练时,可以先选取k个初始聚类簇的簇中心点,将历史售后赔付任务的赔付信息初始分成k组。可以随机的选取k个簇中心,也可以在训练之前由人工选定k个簇中心点。在本发明的一个实施例中,优选地由业务人员对历史售后赔付任务的赔付信息进行粗略的划分,得到k个粗粒度的历史赔付场景,此时可以确定k个粗粒度的历史赔付场景标识,例如可以划分出8个粗粒度的历史赔付场景,场景标识可以为1、2、3、4…8。然后通过赔付场景预测模型的不断训练迭代,将这8个粗粒度的历史赔付场景细化成多个细粒度的历史赔付场景。这样由k个粗粒度的历史赔付场景进行聚类,可以减少聚类算法迭代的次数,提高聚类算法的效率。
步骤S204:调整第一阈值及第二阈值,计算损失函数,对模型进行训练。
可以理解的是,k-means算法的训练迭代的每一次过程就是调整第一阈值、第二阈值及算法中的其他参数,并计算损失函数,通过计算各个样本点之间的相似度(欧式距离越小,相似度越高)以及损失函数,使得同一历史赔付场景下任意两个样本点(赔付信息)之间的相似度大于第一阈值,不同的历史赔付场景对应的任意两个样本点(赔付信息)之间的相似度小于第二阈值。当然,在k-means算法迭代的早期过程中,可能同时存在多个第一阈值和多个第二阈值,而随着迭代次数的增多,可以逐渐收敛为一个第一阈值及一个第二阈值,在此不再赘述。
在k-means算法的多次迭代过程中,簇中心点的位置及数量是根据第一阈值、第二阈值以及损失函数的计算结果不断调整而变化的。簇中心点不断调整的目标是使得损失函数逐渐变小。在这里,损失函数可以定义为各个样本点(各个赔付信息)距离当前所属场景的聚类簇的簇中心点的误差平方和,如公式:其中J(c,μ)即为误差平方和;M为当前迭代中划分的赔付场景的总数量,也即聚类簇的总数量;N为第i个聚类簇中的样本点数量;xij为一个第i个聚类簇的第j个样本点;Ci为第i个聚类簇(第i个赔付场景);μci为第i个聚类簇的簇中心点(即第i个赔付场景的簇中心点)。
步骤S205:判断损失函数不再变小。如果是,结束训练流程;如果否,继续执行步骤S204。
在k-means无监督训练的过程中,通过对簇中心点及算法中的其他参数的不断调整,使得第一阈值、第二阈值逐渐固定,且损失函数逐渐变小。当损失函数不再变小时,也即达到最小值时,停止训练流程。此时训练完成的k-means算法即可以输出多个聚类簇,相应的,也即确定了多个细粒度的历史赔付场景。
在确定了多个细粒度的历史赔付场景之后,可以为每一个细粒度的历史赔付场景设置一个场景标识,该场景标识可以包含粗粒度的场景标识在内。例如,上述实施例中,得到的粗粒度的场景标识为1,该粗粒度场景对应的细粒度场景为10个,则细粒度场景的标识可以表示为101、102、…110;粗粒度场景标识为2,对应的细粒度场景为5个,则细粒度场景的标识可以标识为201、202、…205。这样后续对当前售后赔付任务进行场景预测时,可以根据场景标识较准确的确定粗粒度场景及细粒度场景,为审核模型的输入特征增加了更加丰富的表达形式,可以提高审核模型的准确度。
在赔付场景预测模型训练完成之后,可以将当前售后赔付任务的赔付信息进行预处理和数据标准化,并根据数据标准化后的赔付信息,分别确定所述售后赔付任务与所述多个历史赔付场景对应的簇中心点之间的距离,将最小距离对应的所述历史赔付场景作为所述目标赔付场景。
在本发明的一个实施例中,根据赔付场景预测模型确定当前售后赔付任务的目标赔付场景的流程可以如图3所示,具体步骤可以包括步骤S301至步骤S304:
步骤S301:对当前售后赔付任务的赔付信息进行预处理及数据标准化。
预处理过程与图2中的步骤S201相同,数据标准化过程与步骤S202的方法相同,在此不再赘述。
步骤S302:确定赔付信息在欧式空间中对应的点。
步骤S303:分别计算该点与多个历史赔付场景对应的簇中心点的距离。
步骤S304:根据距离排序,将最小距离对应的历史赔付场景作为目标赔付场景。
在确定了目标赔付场景之后,可以将目标赔付场景的场景标识作为离散特征输入至审核模型中。
在审核模型的输入特征中还包括状态信息。这些状态信息是售后赔付任务涉及的各个节点的信息,也即订单状态信息、物流状态信息和售后状态信息。这些信息往往表示了各个节点之间的演化过程以及每一个节点上的各个状态的演化过程,具有较强的时序性。例如,对于售后状态信息中,可以分为多个节点,可以包括申请节点、售后审核节点及领取节点等;而每一个节点又可以由一个或多个状态组成;如申请节点可以有未申请、已申请等状态;审核节点可以有待审核、审核通过、审核不通过等状态;领取节点可以有待领取、已领取等状态。为了将状态信息的时序特征表达得更加充分和完整,在本发明的一个实施例中,可以对状态信息进行序列化处理,具体地可以采用以下方式:根据所述状态信息中的各节点的处理先后顺序,将所述状态信息转换为序列化状态信息。其中,序列化状态信息中的每一位代表一个节点,而每一个节点上的状态值可以根据该节点处理先后顺序来表示,如可以使用是0、1、2…的序列化数字来表示。
例如,对于上述实施例中的售后状态信息,可以将其序列化为[1,2,1…]的序列化状态信息。第一位可以是售后申请节点,当前值为1可以代表已申请的状态;第二位可以是审核节点,其值为2可以代表审核通过的状态;第三位可以是领取节点,其值为1可以代表待领取的状态。
可以理解的是,对当前售后赔付任务中的订单状态信息、物流状态信息和售后状态信息进行序列化,将得到的序列化状态信息作为审核模型的输入特征,可以较好的合理表达状态信息的时序性和连续性,增强了审核模型的输入特征的表达丰富度,提高了审核模型的学习能力和训练效率,进而提高了审核模型的准确度。
在得到序列化状态信息以及目标赔付场景的场景标识之后,还可以对用户信息进行离散化和向量化,例如将用户信息离散化为离散数字,然后将这些离散数字向量化转换成离散特征向量,以便满足审核模型对输入特征的要求。其中,用户信息除了包括用户脱敏信息、用户画像等信息,还可以包括用户历史赔付记录。该用户历史赔付记录可以记录了用户历史赔付申请原因、赔付金额、赔付次数等关键信息,可以一定程度上影响审核模型的输出。例如,该用户多次合理的历史赔付申请可以表达该用户的整体申请合理的可能性,而该用户多次不合理的历史赔付申请可以表达该用户过往的恶意申请的可能性。
在本发明的一个实施例中,审核模型可以如图4所示。其中,为了满足审核模型对输入数据的要求,序列化状态特征可以是对状态信息序列化后提取得到的特征数据;文本特征、离散特征及连续特征是对用户信息以及赔付信息进行特征提取得到的特征数据。由赔付场景预测模型得到的目标赔付场景的场景标识可以包含在离散特征中。将这些序列化状态特征、文本特征、离散特征进行向量化;将连续特征进行非线性归一化处理。将时序特征提取模块的提取结果与文本特征提取模块的提取结果进行特征拼接,增强了时序特征表达的丰富性;同时,通过离散特征交互模块进行特征交互,将非线性归一化后的连续特征进行deeplayer网络的处理,可以将deeplayer网络的输出与离散特征交互模块的结果进行特征拼接,进一步增加了特征的多样性,使得审核模型的学习信息更加丰富,提高了审核模型的准确的。
在得到特征拼接的结果之后,将特征拼接的数据作为全连接神经网络的输入,根据全连接神经网络的输出得到审核模型的输出。其中输出的结果可以是售后赔付任务通过的概率值。
可以理解的是,审核模型可以是通过多个历史售后赔付任务进行训练得到的。可以是对多个历史售后赔付任务进行标注得到多个已标注的样本,再对审核模型进行有监督的训练而得到的。对于历史售后赔付任务的标注过程也是一个相对较复杂的过程,标注的效率有可能不高,从而导致已标注的样本数量较少。在本发明的一个实施例中,可以采用以下方式增加样本数量,并对审核模型进行训练,具体地可以包括:利用已标注的第一样本数据训练所述审核模型,得到中间审核模型;利用所述中间审核模型确定未标注的第二样本数据对应的特征向量;根据所述第二样本数据的特征向量与所述第一样本数据的特征向量的相似度,对所述第二样本数据进行标注;利用标注后的第二样本数据和所述第一样本数据,对所述审核模型进行训练。
在本发明的一个实施例中,对审核模型进行训练的流程可以如图5所示,具体步骤可以包括S501至S507:
步骤S501:输入已标注的第一样本数据至审核模型。
步骤S502:通过训练得到模型M。
其中,模型M即为中间审核模型。
步骤S503:利用模型M对未标注的第二样本数据进行标注。
步骤S504:生成标注完成的第二样本数据。
步骤S505:将标注完成的第二样本数据与已标注的第一样本数据进行混合。
步骤S506:利用混合的数据对模型M再次训练得到模型M’。
在模型满足性能要求之前,迭代过程中的模型M或模型M’均可称为中间审核模型。
步骤S507:判断模型M’是否满足性能要求,如果是,结束当前流程,如果否,将模型M’作为模型M继续执行步骤S503。
通过中间审核模型对未标注的第二样本进行标注,可以得到较多已标注的样本数据,增加了模型训练的样本数量,提高了模型训练的效率及性能,进而提高了审核模型的准确度。
在审核模型训练完成之后,可以使用训练好的审核模型对售后赔付任务进行审核,得到模型的输出结果。在本发明的一个实施例中,模型的输出结果可以是经过sigmoid函数归一化后的0到1之间的概率值。在得到审核模型的输出概率之后,还可以使用修正系数对输出概率进行修正从而确定售后赔付任务是否通过的概率,以得到更加合理的审核结果,可以采用本发明实施例提供的以下方式:根据针对历史售后赔付任务的反馈信息确定所述审核模型的修正系数;所述反馈信息是根据指示所述历史售后赔付任务不通过的模型输出得到的;根据所述修正系数和所述审核模型的输出,确定所述售后赔付任务是否通过的概率。
其中,当历史售后赔付任务经过审核模型的审核后,得到不通过的结果时,可以将该历史售后赔付任务提交人工审核,由人工确定是否通过,同时可以由人工对审核模型进行打分,得到反馈信息,从而确定修正系数。在本发明的一个实施例中,可以使用百分制对审核模型进行打分,通过非线性公式,得到一个修正系数。例如,可以使用以下非线性公式将打分分值进行转换:y=log(1+x)/3,其中x为对审核模型的打分分值,y为修正系数。当存在多个不通过的历史售后赔付任务时,可以获取到多个打分分值,对多个打分分值取平均值,再根据非线性公式确定一个修正系数。
在确定修正系数之后,可以将修正系数乘以审核模型输出的概率值,得到修正后的概率值。此时,可以设置一个概率阈值,将修正后的概率值大于等于概率阈值的售后赔付任务确定为通过,将修正后的概率值小于概率阈值的售后赔付任务确定为不通过。对于审核通过的售后赔付任务,则允许执行该售后赔付任务。对于审核不通过的售后赔付任务,则提交人工审核,得到反馈信息(包括打分数据),根据该反馈信息再次更新修正系数,从而将更新后的修正系数用于后续售后赔付任务的审核结果计算中。
可以理解的是,通过反馈信息可以实现对审核模型的修正,提高了审核结果的准确率,进而可以提升了用户体验。
下面结合图6,对本发明实施例提供的一种售后赔付任务的审核方法进行详细描述。如图6所示,其具体流程可以如步骤S601至S607:
售后赔付任务可以包括:状态信息、赔付信息以及用户信息。
步骤S601:对状态信息进行序列化处理,得到序列化状态信息。
状态信息可以包括:售后状态信息、订单状态信息、物流状态信息。
步骤S602:将赔付信息输入至赔付场景预测模型,得到目标赔付场景。
赔付信息可以包括:赔付金额、赔付类型、赔付申请人、赔付申请原因、赔付申请日志、订单类型等信息。
在本发明实施例中,步骤S601和步骤S602不分先后,也就是说,可以先执行步骤S601,再执行步骤S602;也可以先执行步骤S602,再执行步骤S601,还可以同时执行步骤S601和步骤S602。
步骤S603:将目标赔付场景的场景标识、序列化状态信息、用户信息输入至审核模型,得到审核模型的输出。
可以先对用户信息、序列化状态信息、目标赔付场景的场景标识进行向量化处理,以满足审核模型对输入特征的要求。
步骤S604:获取修正系数。
修正系数可以是由历史反馈信息转换而来。
步骤S605:根据修正系数以及审核模型的输出,计算概率值。
在发明的一个实施例中,可以将修正系数乘以审核模型输出的概率值,从而得到售后赔付任务是否通过的概率值。
步骤S606:根据概率阈值进行判断。当概率值大于或等于概率阈值时,确定售后赔付任务审核通过,结束审核流程。当概率值小于概率阈值时,确定售后赔付任务审核不通过,执行步骤S607。
步骤S607:对于审核不通过的售后赔付任务进行人工审核。
当人工审核为不通过时,即与审核模型的审核结果一致时,对售后赔付任务提交审核意见。根据审核意见决定是否重新申请售后赔付任务。将新申请的售后赔付任务回流,以便继续使用审核模型进行审核。当人工审核为通过时,即与审核模型的审核结果不一致时,对审核模型进行打分以提交反馈信息,并根据评价打分数据更新修正系数,以便在后续售后赔付任务审核时使用。
根据本发明实施例提供一种售后赔付任务的审核方法,利用赔付场景预测模型确定售后赔付任务对应的目标赔付场景,将目标赔付场景的场景标识及序列化处理后的状态信息作为审核模型的输入,根据审核模型的输出确定售后赔付任务的审核结果,由此,避免了人工对赔付场景的梳理过程,提高了审核模型的学习能力,提高了审核结果的准确度;另外,通过将状态信息序列化,可以充分挖掘状态信息的语义信息和时序信息,从而增强了状态特征的表达丰富性,进而提高了审核模型的准确性。
进一步的,利用赔付场景预测模型对历史售后赔付任务进行聚类,得到细化后的多个历史赔付场景,由此,可以快速地确定当前售后赔付任务的目标赔付场景,为审核模型提供了较准确的输入特征;另外,根据对不通过的历史售后赔付任务的反馈信息确定修正系数,利用修正系数对审核模型输出的概率值进行修正,提高了审核结果的准确度。
如图7所示,本发明实施例提供了一种售后赔付任务的审核装置700,包括:获取模块701、处理模块702、审核模块703和确定模块704;其中,
所述获取模块701,用于获取待审核的售后赔付任务;所述售后赔付任务包括赔付信息、状态信息以及用户信息;
所述处理模块702,用于根据预训练的赔付场景预测模型以及所述售后赔付任务的赔付信息,确定所述售后赔付任务对应的目标赔付场景;所述赔付场景预测模型是通过多个历史售后赔付任务的赔付信息进行无监督训练得到的;对所述状态信息进行序列化处理,得到序列化状态信息;
所述审核模块703,用于将所述目标赔付场景的场景标识、所述序列化状态信息以及所述用户信息作为审核模型的输入;
所述确定模块704,用于根据所述审核模型的输出,确定所述售后赔付任务是否通过;如果是,允许执行所述售后赔付任务。
在本发明一个实施例中,所述处理模块702,用于利用k-means算法对所述多个历史售后赔付任务的赔付信息进行聚类,得到划分后的多个历史赔付场景,使得每一个所述历史赔付场景对应的多个所述赔付信息之间的相似度大于第一阈值,且不同的所述历史赔付场景对应的赔付信息之间的相似度小于第二阈值;以训练所述赔付场景预测模型。
在本发明一个实施例中,所述处理模块702,用于分别确定所述多个历史赔付场景对应的簇中心点;根据每两个所述历史赔付场景对应的簇中心点之间的距离,确定所述两个所述历史赔付场景对应的赔付信息之间的相似度;在所述距离大于所述第二阈值的情况下,确定所述相似度小于所述第二阈值。
在本发明一个实施例中,所述处理模块702,用于分别确定所述多个历史赔付场景对应的簇中心点;针对每一个所述历史赔付场景:根据每两个所述赔付信息与所述簇中心点之间的距离,确定所述两个所述赔付信息之间的相似度;在所述距离小于所述第一阈值的情况下,确定所述相似度大于所述第一阈值。
在本发明一个实施例中,所述处理模块702,用于将所述售后赔付任务的赔付信息进行预处理和数据标准化,并根据数据标准化后的赔付信息,分别确定所述售后赔付任务与所述多个历史赔付场景对应的簇中心点之间的距离,将最小距离对应的所述历史赔付场景作为所述目标赔付场景。
在本发明一个实施例中,所述处理模块702,用于根据所述状态信息中的各节点的处理先后顺序,将所述状态信息转换为序列化状态信息。
在本发明一个实施例中,所述审核模块703,用于利用已标注的第一样本数据训练所述审核模型,得到中间审核模型;利用所述中间审核模型确定未标注的第二样本数据对应的特征向量;根据所述第二样本数据的特征向量与所述第一样本数据的特征向量的相似度,对所述第二样本数据进行标注;利用标注后的第二样本数据和所述第一样本数据,对所述审核模型进行训练。
在本发明一个实施例中,所述确定模块704,用于根据针对历史售后赔付任务的反馈信息确定所述审核模型的修正系数;所述反馈信息是根据指示所述历史售后赔付任务不通过的模型输出得到的;根据所述修正系数和所述审核模型的输出,确定所述售后赔付任务是否通过的概率。
根据本发明实施例提供的一种售后赔付任务的审核装置,利用赔付场景预测模型确定售后赔付任务对应的目标赔付场景,将目标赔付场景的场景标识及序列化处理后的状态信息作为审核模型的输入,根据审核模型的输出确定售后赔付任务的审核结果,由此,避免了人工对赔付场景的梳理过程,提高了审核模型的学习能力,提高了审核结果的准确度;另外,通过将状态信息序列化,可以充分挖掘状态信息的语义信息和时序信息,从而增强了状态特征的表达丰富性,进而提高了审核模型的准确性。
进一步的,利用赔付场景预测模型对历史售后赔付任务进行聚类,得到细化后的多个历史赔付场景,由此,可以快速地确定当前售后赔付任务的目标赔付场景,为审核模型提供了较准确的输入特征;另外,根据对不通过的历史售后赔付任务的反馈信息确定修正系数,利用修正系数对审核模型输出的概率值进行修正,提高了审核结果的准确度。
图8示出了可以应用本发明实施例的一种售后赔付任务的审核方法或一种售后赔付任务的审核装置的示例性系统架构800。
如图8所示,系统架构800可以包括终端设备801、802、803,网络804和服务器805。网络804用以在终端设备801、802、803和服务器805之间提供通信链路的介质。网络804可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备801、802、803通过网络804与服务器805交互,以接收或发送消息等。
终端设备801、802、803可以是具有显示屏并且支持信息浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器805可以是提供各种服务的服务器,例如对用户利用终端设备801、802、803提出的售后赔付任务提供支持的后台管理服务器。后台管理服务器可以对接收到的售后赔付任务进行审核等处理,并将审核结果反馈给终端设备。
需要说明的是,本发明实施例所提供的售后赔付任务的审核方法一般由服务器805执行,相应地,售后赔付任务的审核装置一般设置于服务器805中。
应该理解,图8中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图9,其示出了适于用来实现本发明实施例的终端设备的计算机系统900的结构示意图。图9示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,计算机系统900包括中央处理单元(CPU)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有系统900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括获取模块,审核模块,确定模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,获取模块还可以被描述为“获取售后赔付任务的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:获取待审核的售后赔付任务;所述售后赔付任务包括赔付信息、状态信息以及用户信息;根据预训练的赔付场景预测模型以及所述售后赔付任务的赔付信息,确定所述售后赔付任务对应的目标赔付场景;所述赔付场景预测模型是通过多个历史售后赔付任务的赔付信息进行无监督训练得到的;对所述状态信息进行序列化处理,得到序列化状态信息;将所述目标赔付场景的场景标识、所述序列化状态信息以及所述用户信息作为审核模型的输入;根据所述审核模型的输出,确定所述售后赔付任务是否通过;如果是,允许执行所述售后赔付任务。
根据本发明实施例的技术方案,利用赔付场景预测模型确定售后赔付任务对应的目标赔付场景,将目标赔付场景的场景标识及序列化处理后的状态信息作为审核模型的输入,根据审核模型的输出确定售后赔付任务的审核结果,由此,避免了人工对赔付场景的梳理过程,提高了审核模型的学习能力,提高了审核结果的准确度;另外,通过将状态信息序列化,可以充分挖掘状态信息的语义信息和时序信息,从而增强了状态特征的表达丰富性,进而提高了审核模型的准确性。
进一步的,利用赔付场景预测模型对历史售后赔付任务进行聚类,得到细化后的多个历史赔付场景,由此,可以快速地确定当前售后赔付任务的目标赔付场景,为审核模型提供了较准确的输入特征;另外,根据对不通过的历史售后赔付任务的反馈信息确定修正系数,利用修正系数对审核模型输出的概率值进行修正,提高了审核结果的准确度。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种售后赔付任务的审核方法,其特征在于,包括:
获取待审核的售后赔付任务;所述售后赔付任务包括赔付信息、状态信息以及用户信息;
根据预训练的赔付场景预测模型以及所述售后赔付任务的赔付信息,确定所述售后赔付任务对应的目标赔付场景;所述赔付场景预测模型是通过多个历史售后赔付任务的赔付信息进行无监督训练得到的;
对所述状态信息进行序列化处理,得到序列化状态信息;
将所述目标赔付场景的场景标识、所述序列化状态信息以及所述用户信息作为审核模型的输入;
根据所述审核模型的输出,确定所述售后赔付任务是否通过;如果是,允许执行所述售后赔付任务。
2.根据权利要求1所述的方法,其特征在于,还包括:
利用k-means算法对所述多个历史售后赔付任务的赔付信息进行聚类,得到划分后的多个历史赔付场景,使得每一个所述历史赔付场景对应的多个所述赔付信息之间的相似度大于第一阈值,且不同的所述历史赔付场景对应的赔付信息之间的相似度小于第二阈值;以训练所述赔付场景预测模型。
3.根据权利要求2所述的方法,其特征在于,
分别确定所述多个历史赔付场景对应的簇中心点;
根据每两个所述历史赔付场景对应的簇中心点之间的距离,确定所述两个所述历史赔付场景对应的赔付信息之间的相似度;
在所述距离大于所述第二阈值的情况下,确定所述相似度小于所述第二阈值;
和/或,
分别确定所述多个历史赔付场景对应的簇中心点;
针对每一个所述历史赔付场景:根据每两个所述赔付信息与所述簇中心点之间的距离,确定所述两个所述赔付信息之间的相似度;
在所述距离小于所述第一阈值的情况下,确定所述相似度大于所述第一阈值。
4.根据权利要求3所述的方法,其特征在于,
将所述售后赔付任务的赔付信息进行预处理和数据标准化,并根据数据标准化后的赔付信息,分别确定所述售后赔付任务与所述多个历史赔付场景对应的簇中心点之间的距离,将最小距离对应的所述历史赔付场景作为所述目标赔付场景。
5.根据权利要求1所述的方法,其特征在于,所述对所述状态信息进行序列化处理,包括:
根据所述状态信息中的各节点的处理先后顺序,将所述状态信息转换为序列化状态信息。
6.根据权利要求1所述的方法,其特征在于,所述根据所述审核模型的输出,确定所述售后赔付任务是否通过,包括:
根据针对历史售后赔付任务的反馈信息确定所述审核模型的修正系数;所述反馈信息是根据指示所述历史售后赔付任务不通过的模型输出得到的;
根据所述修正系数和所述审核模型的输出,确定所述售后赔付任务是否通过的概率。
7.根据权利要求1所述的方法,其特征在于,还包括:
利用已标注的第一样本数据训练所述审核模型,得到中间审核模型;
利用所述中间审核模型确定未标注的第二样本数据对应的特征向量;
根据所述第二样本数据的特征向量与所述第一样本数据的特征向量的相似度,对所述第二样本数据进行标注;
利用标注后的第二样本数据和所述第一样本数据,对所述审核模型进行训练。
8.一种售后赔付任务的审核装置,其特征在于,包括:获取模块、处理模块、审核模块和确定模块;其中,
所述获取模块,用于获取待审核的售后赔付任务;所述售后赔付任务包括赔付信息、状态信息以及用户信息;
所述处理模块,用于根据预训练的赔付场景预测模型以及所述售后赔付任务的赔付信息,确定所述售后赔付任务对应的目标赔付场景;所述赔付场景预测模型是通过多个历史售后赔付任务的赔付信息进行无监督训练得到的;对所述状态信息进行序列化处理,得到序列化状态信息;
所述审核模块,用于将所述目标赔付场景的场景标识、所述序列化状态信息以及所述用户信息作为审核模型的输入;
所述确定模块,用于根据所述审核模型的输出,确定所述售后赔付任务是否通过;如果是,允许执行所述售后赔付任务。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210311202.2A CN116883011A (zh) | 2022-03-28 | 2022-03-28 | 一种售后赔付任务的审核方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210311202.2A CN116883011A (zh) | 2022-03-28 | 2022-03-28 | 一种售后赔付任务的审核方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116883011A true CN116883011A (zh) | 2023-10-13 |
Family
ID=88255539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210311202.2A Pending CN116883011A (zh) | 2022-03-28 | 2022-03-28 | 一种售后赔付任务的审核方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883011A (zh) |
-
2022
- 2022-03-28 CN CN202210311202.2A patent/CN116883011A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872162B (zh) | 一种处理用户投诉信息的风控分类识别方法及系统 | |
CN111127178A (zh) | 数据处理方法与装置、存储介质、电子设备 | |
CN111507470A (zh) | 一种异常账户的识别方法及装置 | |
CN110543946A (zh) | 用于训练模型的方法和装置 | |
CN113011889B (zh) | 账号异常识别方法、系统、装置、设备及介质 | |
CN111523640A (zh) | 神经网络模型的训练方法和装置 | |
CN110348471B (zh) | 异常对象识别方法、装置、介质及电子设备 | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
CN116932919B (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
CN111582645B (zh) | 基于因子分解机的app风险评估方法、装置和电子设备 | |
CN111582315B (zh) | 样本数据处理方法、装置及电子设备 | |
CN111159481B (zh) | 图数据的边预测方法、装置及终端设备 | |
CN111950647A (zh) | 分类模型训练方法和设备 | |
CN114693192A (zh) | 风控决策方法、装置、计算机设备和存储介质 | |
US11811708B2 (en) | Systems and methods for generating dynamic conversational responses using cluster-level collaborative filtering matrices | |
US11366984B1 (en) | Verifying a target object based on confidence coefficients generated by trained models | |
CN113935738B (zh) | 交易数据处理方法、装置、存储介质及设备 | |
CN113472860A (zh) | 大数据和数字化环境下的业务资源分配方法及服务器 | |
CN112926491A (zh) | 用户识别方法、装置、电子设备及存储介质 | |
CN115114329A (zh) | 数据流异常检测的方法、装置、电子设备和存储介质 | |
CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN114742163A (zh) | 一种售后任务的审核方法及装置 | |
CN112364198A (zh) | 一种跨模态哈希检索方法、终端设备及存储介质 | |
CN117150395A (zh) | 模型训练、意图识别方法、装置、电子设备及存储介质 | |
CN116596277A (zh) | 任务规划的方法、装置、设备以及存储介质 |
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 |