货运取消单的处理方法、装置、计算机设备和存储介质与流程

计算;推算;计数设备的制造及其应用技术1.本技术涉及货运领域，特别是涉及一种货运取消单的处理方法、装置、计算机设备和存储介质。背景技术：2.货运平台上，每天会有大量的取消单(指用户取消的订单)产生，这些取消单会对司机的拒单率产生影响，有些是用户的责任，有些是司机的责任。货运平台通常会基于取消方填写的取消原因以及一些预设规则来进行判责，然而，目前的判责规则的总体准确率偏低，而判责结果出现错误就会导致大量司机进行申诉，这些申诉需由人工审核，导致运营成本增加。因而，如何在出现取消单时提高判责准确率成为亟需解决的问题。技术实现要素：3.本技术针对上述不足或缺点，提供了一种货运取消单的处理方法、装置、计算机设备和存储介质，本技术实施例能够提高针对货运取消单的判责准确率。4.本技术根据第一方面提供了一种货运取消单的处理方法，在一个实施例中，该方法包括：5.响应于针对货运订单的取消请求，确定货运订单为待处理的目标货运取消单；6.查询目标货运取消单关联的订单数据，订单数据包括用户与司机的通话音频、订单备注信息和订单结构化信息；7.对通话音频、订单备注信息和订单结构化信息分别进行特征提取处理，得到第一事件特征、第二事件特征和第三事件特征；8.根据第一事件特征、第二事件特征和第三事件特征进行判责，得到目标货运取消单的判责结果。9.在一个实施例中，对通话音频进行特征提取处理，包括：10.对通话音频进行文本转换处理，得到通话文本；11.将通话文本输入训练好的通话内容深度学习模型，获取通话内容深度学习模型输出的取消原因预测结果作为第一事件特征。12.在一个实施例中，对订单备注信息和订单结构化信息进行特征提取处理，包括：13.使用文本特征提取器从订单备注信息中提取文本备注特征作为第二事件特征；14.从订单结构化信息中提取订单结构化特征作为第三事件信息；15.其中，订单结构化特征包括人员信息、货物信息、车辆信息和服务信息；其中，人员信息包括下单人信息、供货人信息、收货人信息、随行乘客信息、司机信息和搬运工信息中的一项或多项；货物信息包括货物类型、货物尺寸、货物重量、易碎标识信息和违禁品标识信息中的一项或多项；车辆信息包括车辆长宽信息、客运版标识信息、尾板标识信息、开顶标识信息、防雨标识信息、冷鲜车标识信息和新能源标识信息中的一项或多项；服务信息包括跟车标识信息、搬运标识信息和回单信息中的一项或多项。16.在一个实施例中，根据第一事件特征、第二事件特征和第三事件特征进行判责，得到目标货运取消单的判责结果，包括：17.根据第一事件特征、第二事件特征和第三事件特征确定目标货运取消单的取消事件类型；18.当取消事件类型为第一类型时，使用预设规则判责器处理第一事件特征、第二事件特征和第三事件特征，得到目标货运取消单的判责结果；19.当取消事件类型为第二类型时，使用训练好的神经网络判责器处理第一事件特征、第二事件特征和第三事件特征，得到目标货运取消单的判责结果。20.在一个实施例中，使用训练好的神经网络判责器处理第一事件特征、第二事件特征和第三事件特征，得到目标货运取消单的判责结果，包括：21.将第一事件特征、第二事件特征和第三事件特征输入训练好的神经网络判责器；22.获取神经网络判责器输出的取消原因标签和责任方标识作为判责结果。23.在一个实施例中，通话内容深度学习模型的训练过程，包括：24.获取多个历史取消单对应的历史通话音频；25.根据上述多个历史取消单对应的历史通话音频生成训练样本集；26.使用训练样本集训练通话内容深度学习模型。27.在一个实施例中，根据上述多个历史取消单对应的历史通话音频生成训练样本集，包括：28.对每个历史取消单对应的历史通话音频进行文本转换处理，得到每个历史取消单对应的历史通话文本；29.为每个历史取消单对应的历史通话文本标注话题标签；30.将每个历史取消单对应的历史通话文本及其被标注的话题标签作为一条训练样本，得到训练样本集。31.本技术根据第二方面提供了一种货运取消单的处理装置，在一个实施例中，该装置包括：32.取消单确定模块，用于响应于针对货运订单的取消请求，确定货运订单为待处理的目标货运取消单；33.订单数据查询模块，用于查询目标货运取消单关联的订单数据，订单数据包括用户与司机的通话音频、订单备注信息和订单结构化信息；34.特征提取模块，用于对通话音频、订单备注信息和订单结构化信息分别进行特征提取处理，得到第一事件特征、第二事件特征和第三事件特征；35.判责模块，用于根据第一事件特征、第二事件特征和第三事件特征进行判责，得到目标货运取消单的判责结果。36.本技术根据第三方面提供了一种计算机设备，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上述任一方法的实施例的步骤。37.本技术根据第四方面提供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上述任一方法的实施例的步骤。38.在本技术实施例中，响应于针对货运订单的取消请求，确定货运订单为待处理的目标货运取消单；查询目标货运取消单关联的订单数据，订单数据包括用户与司机的通话音频、订单备注信息和订单结构化信息；对通话音频、订单备注信息和订单结构化信息分别进行特征提取处理，得到第一事件特征、第二事件特征和第三事件特征；根据第一事件特征、第二事件特征和第三事件特征进行判责，得到目标货运取消单的判责结果。本技术实施例能充分利用通话音频所涉及的用户与司机间的谈话内容，能够从该谈话内容中提取更有利于判责的关键信息(即第一事件特征)，同时将其与订单备注信息和订单结构化信息中提取的事件特征进行结合，来进行判责，能够提高针对货运取消单的判责准确率，进而减少司机申诉量，从而可以减少用于处理司机申诉的人工成本。附图说明39.图1为一个实施例中一种货运取消单的处理方法的流程示意图；40.图2为一个实施例中通话内容深度学习模型的训练流程示意图；41.图3为一个实施例中一种货运取消单的处理装置的结构框图；42.图4为一个实施例中计算机设备的内部结构图。具体实施方式43.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本技术，并不用于限定本技术。44.用户与司机之间的争议除了在货运场景中存在，在网约车场景中也时有发生。在网约车场景中出现的司乘之间的争议，通常也是由人工来负责审核与判责，为了降低人工成本，提高争议处理时效，在网约车场景中产生了一些能自动处理争议的解决方案，比如，针对常见的争议配置相应的判责规则，从而在接收到用户投诉时可以基于预配置的判责规则来处理争议。然而，上述适用于网约车场景的解决方案并不适用于货运场景，其中至少包含以下原因：45.货运场景相比于网约车场景更加复杂，发明人经过梳理后发现，货运场景中争议通常与多维度信息相关，比如人员方面的信息(如下单人、供货人、收货人、随行乘客、司机、搬运工等)、车辆方面的信息(如车辆长宽、是否客运版、是否带尾板、是否开顶、是否防雨、是否是冷鲜车、是否新能源等)、货物方面的信息(如货物类型、货物尺寸、货物重量、是否易碎、是否违禁品等)和服务方面的信息(如跟车、搬运、回单等)，由于涉及范围更广，要实现更准确地判责就需要更多、更准确的信息(或称为证据)进行支撑。46.发明人在对大量货运场景中出现的争议进行整理时发现，在订单未取消前，司机和用户(指除了司机外的人员)之间的通话录音通常会包含很多关键信息，这些信息对最终确定取消原因和责任方有关键作用。47.基于此发现，本技术在一个实施例中提供了一种货运取消单的处理方法，在实施例中，该方法可以应用于货运平台的服务器，其中，该服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。48.下面对该方法进行说明，请参见图1，其中示出了上述货运取消单的处理方法所包括的步骤，具体包括：49.s110：响应于针对货运订单的取消请求，确定货运订单为待处理的目标货运取消单。50.s120：查询目标货运取消单关联的订单数据，订单数据包括用户与司机的通话音频、订单备注信息和订单结构化信息。51.其中，订单备注信息可以是用户下单时自己填写或选择的备注信息。52.s130：对通话音频、订单备注信息和订单结构化信息分别进行特征提取处理，得到第一事件特征、第二事件特征和第三事件特征。53.s140：根据第一事件特征、第二事件特征和第三事件特征进行判责，得到目标货运取消单的判责结果。54.本实施例使用自然语言处理技术和深度学习技术来处理司机和用户的通话音频，能够从中识别出用于判责的关键信息，从而可以判定出真正的取消原因和责任方；也就是说，本实施例能充分利用通话音频所涉及的用户与司机间的谈话内容，能够从该谈话内容中提取更有利于判责的关键信息(即第一事件特征)，同时将其与订单备注信息和订单结构化信息中提取的事件特征进行结合，来进行判责，能够提高针对货运取消单的判责准确率，进而减少司机申诉量，提高了取消单的处理时效，减少用于处理司机申诉的人工成本。55.在一个实施例中，对订单备注信息和订单结构化信息进行特征提取处理，可以包括：使用文本特征提取器从订单备注信息中提取文本备注特征作为第二事件特征；从订单结构化信息中提取订单结构化特征作为第三事件信息。56.订单结构化特征包括人员信息、货物信息、车辆信息和服务信息；其中，人员信息包括下单人信息、供货人信息、收货人信息、随行乘客信息、司机信息和搬运工信息中的一项或多项；货物信息包括货物类型、货物尺寸、货物重量、易碎标识信息(用于表示货物是否易碎)和违禁品标识信息(用于表示货物是否为违禁品)中的一项或多项；车辆信息包括车辆长宽信息、客运版标识信息(用于表示车辆是否为客运版)、尾板标识信息(用于表示车辆是否带尾版)、开顶标识信息(用于表示车辆是否有开顶)、防雨标识信息(用于表示车辆是否能防雨)、冷鲜车标识信息(用于表示车辆是否是冷鲜车)和新能源标识信息(用于表示车辆是否是新能源车辆)中的一项或多项；服务信息包括跟车标识信息(表示是否有跟车人员)、搬运标识信息(表示是否有提供货物搬运服务)和回单信息中的一项或多项。57.在一个实施例中，上述的对通话音频进行特征提取处理，可以包括：对通话音频进行文本转换处理，得到通话文本；将通话文本输入训练好的通话内容深度学习模型，获取通话内容深度学习模型输出的取消原因预测结果作为第一事件特征。58.其中，可以使用自然语言处理(nlp，natural language processing)技术来对通话音频进行文本转换处理。59.下面对通话内容深度学习模型的训练过程进行说明。60.在一个实施例中，如图2所示，通话内容深度学习模型的训练过程，可以包括：61.s210：获取多个历史取消单对应的历史通话音频；62.s220：根据上述多个历史取消单对应的历史通话音频生成训练样本集；63.s230：使用训练样本集训练通话内容深度学习模型。64.通话内容深度学习模型可以用roberta(a robustly optimized bert,强力优化的bert方法)模型或者textcnn(text convolutional neural network)模型来实现。65.示例性地，可以以几十万量级的用户和司机之间的通话音频文本作为初始数据，可以采用人工标注或自动标注的方式为每份通话音频文本标注取消原因标签，从而可以获得训练样本集，之后即可使用该训练样本集来训练模型。66.其中，s220：根据上述多个历史取消单对应的历史通话音频生成训练样本集，可以包括：对每个历史取消单对应的历史通话音频进行文本转换处理，得到每个历史取消单对应的历史通话文本；为每个历史取消单对应的历史通话文本标注话题标签；将每个历史取消单对应的历史通话文本及其被标注的话题标签作为一条训练样本，得到训练样本集。67.本实施例中，使用已标注标签的训练样本集来训练通话内容深度学习模型，该模型可预测出通话内容对应的话题标签，该话题标签可以包括但不限于车货不匹配话题、司机错误抢单话题、用户临时不用车话题等。68.比如，通话音频文本是：69.司机：“哎呀，我刚才确实抢单，没注意那个备注。”70.用户：“那你自己取消了。”71.识别出的话题标签即是司机错误抢单话题。72.与现有技术相比，本技术实施例利用了司机和用户的通话音频内容，并且由于货运领域的复杂性，通话内容也是更加复杂的，更加难以识别的，因而本实施例使用的深度学习模型是经过改良和优化的，更适用于货运领域，有很好的识别效果。由于大部分的通话内容都会提及取消原因，对通话录音内容的利用可以显著提高取消原因和责任方识别准确率。同时对订单备注信息、结构化信息的利用会提高易混淆原因的识别准确性。73.更进一步地，可以基于roberta模型训练一个transformer文本分类器，基于textcnn模型训练一个卷积网络文本分类器。在获得通话文本之后，将通话文本分别输入transformer文本分类器和卷积网络文本分类器，得到各分类器输出的话题标签以及对应的置信度，之后采用置信度高的话题标签作为最终识别出的话题标签。示例性地，对于上述例子，假设transformer文本分类器输出的话题标签是“司机错误抢单话题”，置信度为0.9，而卷积网络文本分类器输出的话题标签是“用户临时不用车话题”，置信度为0.4，那么就采用transformer文本分类器输出的话题标签即“司机错误抢单话题”作为最终识别出的话题标签。74.在一个实施例中，上述的根据第一事件特征、第二事件特征和第三事件特征进行判责，得到目标货运取消单的判责结果，可以包括：根据第一事件特征、第二事件特征和第三事件特征确定目标货运取消单的取消事件类型；当取消事件类型为第一类型时，使用预设规则判责器处理第一事件特征、第二事件特征和第三事件特征，得到目标货运取消单的判责结果；当取消事件类型为第二类型时，使用训练好的神经网络判责器处理第一事件特征、第二事件特征和第三事件特征，得到目标货运取消单的判责结果。75.本实施例中，设置了两种判责器，即预设规则判责器和神经网络判责器，如果识别出目标货运取消单对应的情况属于预设规则判责器覆盖到的情况(即取消事件类型为第一类型)，那么就使用预设规则判责器进行判责，如果识别出目标货运取消单对应的情况属于预设规则判责器覆盖到的情况(即取消事件类型为第二类型)，那么就使用神经网络判责器进行判责。76.其中，使用训练好的神经网络判责器处理第一事件特征、第二事件特征和第三事件特征，得到目标货运取消单的判责结果，包括：将第一事件特征、第二事件特征和第三事件特征输入训练好的神经网络判责器；获取神经网络判责器输出的取消原因标签和责任方标识作为判责结果。77.其中，取消原因标签可以包括但不限于“车货不匹配-货物超重”、“车货不匹配-货物超长超宽超高”、“车货不匹配-车型不符”、“用户临时不用车”、“司机没有看备注要求”等标签。责任方标识用于表示司机或用户。78.神经网络判责器的训练过程可以参见上述关于通话内容深度学习模型的训练过程。79.图1-2为一个实施例中货运取消单的处理方法的流程示意图。应该理解的是，虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。80.基于相同的发明构思，本技术还提供了一种货运取消单的处理装置。81.在本实施例中，如图3所示，该货运取消单的处理装置包括以下模块：82.取消单确定模块110，用于响应于针对货运订单的取消请求，确定货运订单为待处理的目标货运取消单；83.订单数据查询模块120，用于查询目标货运取消单关联的订单数据，订单数据包括用户与司机的通话音频、订单备注信息和订单结构化信息；84.特征提取模块130，用于对通话音频、订单备注信息和订单结构化信息分别进行特征提取处理，得到第一事件特征、第二事件特征和第三事件特征；85.判责模块140，用于根据第一事件特征、第二事件特征和第三事件特征进行判责，得到目标货运取消单的判责结果。86.在一个实施例中，特征提取模块130在对通话音频进行特征提取处理时，用于对通话音频进行文本转换处理，得到通话文本；将通话文本输入训练好的通话内容深度学习模型，获取通话内容深度学习模型输出的取消原因预测结果作为第一事件特征。87.在一个实施例中，特征提取模块130在对订单备注信息和订单结构化信息进行特征提取处理时，用于使用文本特征提取器从订单备注信息中提取文本备注特征作为第二事件特征；从订单结构化信息中提取订单结构化特征作为第三事件信息；其中，订单结构化特征包括人员信息、货物信息、车辆信息和服务信息；其中，人员信息包括下单人信息、供货人信息、收货人信息、随行乘客信息、司机信息和搬运工信息中的一项或多项；货物信息包括货物类型、货物尺寸、货物重量、易碎标识信息和违禁品标识信息中的一项或多项；车辆信息包括车辆长宽信息、客运版标识信息、尾板标识信息、开顶标识信息、防雨标识信息、冷鲜车标识信息和新能源标识信息中的一项或多项；服务信息包括跟车标识信息、搬运标识信息和回单信息中的一项或多项。88.在一个实施例中，判责模块140，用于根据第一事件特征、第二事件特征和第三事件特征确定目标货运取消单的取消事件类型；当取消事件类型为第一类型时，使用预设规则判责器处理第一事件特征、第二事件特征和第三事件特征，得到目标货运取消单的判责结果；当取消事件类型为第二类型时，使用训练好的神经网络判责器处理第一事件特征、第二事件特征和第三事件特征，得到目标货运取消单的判责结果。89.在一个实施例中，判责模块140使用训练好的神经网络判责器处理第一事件特征、第二事件特征和第三事件特征，得到目标货运取消单的判责结果时，具体用于将第一事件特征、第二事件特征和第三事件特征输入训练好的神经网络判责器；获取神经网络判责器输出的取消原因标签和责任方标识作为判责结果。90.在一个实施例中，上述装置还包括，用于训练通话内容深度学习模型的训练模块。其中，该训练模块，包括：91.获取子模块，用于获取多个历史取消单对应的历史通话音频；92.训练样本生成子模块，用于根据上述多个历史取消单对应的历史通话音频生成训练样本集；93.训练子模块，用于使用训练样本集训练通话内容深度学习模型。94.在一个实施例中，训练样本生成子模块，用于对每个历史取消单对应的历史通话音频进行文本转换处理，得到每个历史取消单对应的历史通话文本；为每个历史取消单对应的历史通话文本标注话题标签；将每个历史取消单对应的历史通话文本及其被标注的话题标签作为一条训练样本，得到训练样本集。95.关于货运取消单的处理装置的具体限定可以参见上文中对于货运取消单的处理方法的限定，在此不再赘述。上述货运取消单的处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。96.在一个实施例中，提供了一种计算机设备，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储订单数据等数据，具体存储的数据还可以参见上述方法实施例中的限定。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种货运取消单的处理方法。97.本领域技术人员可以理解，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。98.本实施例还提供了一种计算机设备，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方法实施例中提供的方法中的步骤。99.在一个实施例中，提供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方法实施例中提供的方法中的步骤。100.本领域普通技术人员可以理解实现上述方法实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。101.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。102.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!